Pengaplikasian Analisis Regresi Berganda untuk Melihat Pengaruh antara Banyak Tenaga Kerja dan Biaya Pengeluaran Terhadap PDRB Suatu Daerah

Studi Kasus Menggunakan Data Bangkitan Kabupaten Gowa

Ubaid Nafis Ramadhan

21-05-2022

Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

1 PENDAHULUAN

1.1 Latar Belakang

Pertumbuhan ekonomi yang terjadi di setiap provinsi pasti berbeda-beda. Pertumbuhan ekonomi suatu daerah dapat dilihat dari kondisi adanya peningkatan PDB dari suatu negara/daerah, peningkatan pendapatan perkapita, dan peningkatan penyediaan fasilitas masyarakat dan infrastruktur.

Dalam pengertian pembangunan ekonomi yang dijadikan pedoman adalah sebagai suatu proses yang menyebabkan pendapatan perkapita penduduk suatu masyarakat meningkat dalam jangka panjang (Schumpeter dalam suryana,2000:5).

Terdapat berbagai faktor yang mempengaruhi pertumbuhan ekonomi tersebut, dan tiap daerah pasti mempunyai faktor yang berbeda-beda. Pada kasus kali ini ingin diketahui pengaruh dari dua faktor yakni banyak tenaga kerja dan biaya pengeluaran tahunan selama sepuluh tahun. Oleh karena itu digunakan Analisis Regresi Linier Berganda untuk mengetahui ada atau tidaknya pengaruh tersebut.

1.2 Rumusan Masalah

  1. Bagaimana penggunaan analisis regresi linier berganda dalam kasus kasus mencari pengaruh tenaga kerja dan biaya pengeluaran pemerintah terhadap PDRB?
  2. Bagaimana pengaruh tenaga kerja terhadap PDRB?
  3. Bagaimana pengaruh pengeluaran pemerintah terhadap PDRB?

1.3 Tujuan Penelitian

  1. Mengetahui penggunaan analisis regresi linier berganda dalam kasus mencari pengaruh tenaga kerja dan biaya pengeluaran pemerintah terhadap PDRB
  2. Mengetahui pengaruh tenaga kerja terhadap PDRB
  3. Mengetahui pengaruh pengeluaran pemerintah terhadap PDRB

1.4 Manfaat Penelitian

  1. Manfaat Operasional, diharapkan menjadi referensi bagi peneliti selanjutnya yang ingin melakukan penelitian menggunakan analisis regresi linier berganda pada bidang ekonomi

2 TINJAUAN PUSTAKA

2.1 PDRB

Produk Domestik Regional Bruto adalah jumlah nilai tambah bruto (gross value added) yang timbul dari seluruh sektor perekonomian di suatu wilayah Nilai tambah adalah nilai yang ditambahkan dari kombinasi faktor produksi dan bahan baku dalam proses produksi Penghitungan nilai tambah adalah nilai produksi (output) dikurangi biaya antara Nilai tambah bruto di sini mencakup komponen-komponen pendapatan faktor (upah dan gaji, bunga, sewa tanah dan keuntungan), penyusutan dan pajak tidak langsung neto Jadi dengan menjumlahkan nlai tambah bruto dari masing-masing sektor dan menjumlahkan nilai tambah bruto dari seluruh sektor tadi, akan diperoleh Produk Domestik Regional Bruto atas dasar harga pasar (BPS).

2.2 Tenaga Kerja

Tenaga kerja adalah seorang penduduk yang memiliki usia kerja. Berdasarkan UU No. 13 tahun 2003 Bab I Pasal 1 Ayat 2 yang menyebutkan bahwa seorang tenaga kerja merupakan seseorang yang mampu melakukan suatu pekerjaan guna menghasilkan barang atau jasa untuk memenuhi kebutuhannya sendiri ataupun untuk masyarakat sekitar. Secara keseluruhan penduduk dalam suatu pemerintahan atau negara memiliki dua kelompok yaitu tenaga kerja dan bukan tenaga kerja. Usia yang ditentukan oleh pemerintah Indonesia berumur 15 sampai 64 tahun. Jadi setiap orang yang mampu atau bisa bekerja disebut sebagai tenaga kerja.

2.3 Biaya Pengeluaran Pemerintah

Pengeluaran pemerintah adalah bagian dari kebijakan fiskal (Sadono Sukirno, 2000)

Yaitu suatu tindakan pemerintah untuk mengatur jalannya perekonomian dengan cara menentukan besarnya penerimaan dan pengeluaran pemerintah setiap tahunnya, yang tercermin dalam dokumen anggaran pendapatan belanja negara (APBN) untuk nasional dan anggaran pendapatan belanja daerah (APBD) untuk daerah atau regional.

2.4 Statistika Deskriptif

Analisis statistik deskriptif digunakan untuk memberikan deskripsi tentang data setiap variabel-variabel penelitian yang digunakan di dalam penelitian ini. Data yang dilihat adalah jumlah data, nilai minimum, nilai maksimum, nilai rata-rata (mean), dan standar deviasi. (Ghozali, 2018:19)

2.5 Regresi Linier Berganda

Regresi Linier Berganda adalah Model regresi yang melibatkan lebih dari satu variabel prediktor (Montgomery, Peck, & Vining, 2012).

Seperti yang dijelaskan oleh Montgomery, Peck dan Vining Regresi linier berganda merupakan model persamaan matematika yang menjelaskan hubungan satu variabel response (Y) dengan dua atau lebih variabel prediktor (X1, X2,…, Xn). Tujuan dilakukannya analisis regresi linier berganda yakni untuk memprediksi nilai variabel tak bebas atau response (Y) apabila nilai-nilai variabel bebasnya atau prediktor (X1, X2,…, Xn) diketahui. Selain itu juga dapat mengetahui bagaimanakah arah hubungan antar variabel prediktor (X) dan response (Y).

Model matematika dari Regresi Linier Berganda adalah sebagai berikut : \[ Y_1 = \beta_0 + \beta_1X_{1i} + \beta_2X_{2i} + ...+ \beta_pX_{pi} + \epsilon_i \tag{1} \]

2.6 Uji Asumsi Klasik Model Regresi Linier Berganda

2.6.1 Uji Asumsi Normalitas Galat

Menurut Ghozali (2018:161) uji normalitas adalah pengujian yang bertujuan untuk mengetahui apakah variabel independen maupun dependen mempunyai distribusi yang normal atau tidak. Untuk mengetahui hal tersebut dilakukan uji normalitas pada galat sebagai perwakilan dari sebaran model.

Model regresi yang baik adalah regresi yang distribusi normal atau mendekati normal (Ghozali, 2018).

Untuk menguji normalitas dalam penelitian ini menggunakan uji Shapiro-Wilk pada galat. Dasar pengambilan keputusan adalah jika 2-tailed \(p-value\) > 0,05, maka model regresi memenuhi asumsi normalitas galat dan sebaliknya.

2.6.2 Uji Asumsi Non-autokorealsi

Uji Non-autokorelasi bertujuan untuk mengetahui apakah dalam model regresi ada korelasi antar galat pada periode (t) dengan periode t-1 (sebelumnya). Jika terjadi korelasi maka terdapat masalah korelasi. Masalah ini timbul karena galat (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah yang bebas dari autokorelasi. Cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi adalah dengan uji Durbin Watson (DW). Untuk pengambilan keputusan ada atau tidaknya autokorelasi dalam suatu model dapat digunakan patokan nilai dari DW hitung mendekati angka 2. Jika nilai DW hitung mendekati atau sekitar 2 maka model tersebut terbebas dari asumsi klasik autokorelasi (Ghozali, 2018:111). Kriteria pengambilan keputusan pengujian autokorelasi adalah sebagai berikut:

  • Nilai DW antara 0 sampai 1,5 berarti terdapat autokorelasi positif.
  • Nilai DW antara 1,5 sampai 2,5 berarti tidak ada autokorelasi
  • Nilai DW antara 2,5 sampai 4 berarti terdapat autokorelasi negatif.

Atau bisa juga menggunakan uji Breusch-Godfrey untuk menguji korelasi antar galat dengan order yang lebih tinggi dan lebih optimal.

2.6.3 Uji Asumsi Homoskedastisitas (Kehomogenan Ragam Galat)

Uji homoskedastisitas bertujuan menguji apakah dalam galat model regresi mempunyai varians yang sama dari galat satu pengamatan ke pengamatan lain, jika varians sama atau tetap maka disebut homokesdasitas dan jika berbeda disebut heteroskedastisitas (Ghozali, 2018:137).

Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas. Untuk menguji heterokedastisitas bisa menggunakan banyak uji salah satunya menggunakan uji Breusch-Pagan. Menurut Ghozali (2018:142), ada atau tidaknya heteroskedastisitas dapat dilihat dari probabilitas signifikansinya, jika nilai signifikansinya diatas tingkat kepercayaan 5% maka dapat disimpulkan tidak mengandung adanya heteroskedastisitas.

2.6.4 Uji Asumsi Non-Multikolinieritas

Uji multikolinearitas dilakukan untuk mengetahui apakah antara variabel bebas terjadi multikolinier atau tidak dan apakah pada regresi ditemukan adanya korelasi yang tinggi atau sempurna antar variabel bebas (Ghozali, 2018:107).

Model regresi yang baik yaitu model yang terbebas dari multikolinearitas. Ada tidaknya multikolinearitas dapat dideteksi berdasarkan nilai Variance Inflasion Factors (VIF) nya. Dalam model matematika VIF dapat dirumuskan sebagai berikut: \[ VIF=\frac{1}{1-R^2} \tag{2} \] Dimana \(R^2\) didapat dari model regresi variabel prediktor sebagai respon dengan variabel prediktor lain sebagai variabel prediktornya. Jika nilai VIF lebih dari 10 hal ini menunjukkan adanya multikolinearitas.

2.7 Estimasi Parameter Model Regresi Linier Berganda

Estimasi parameter ini bertujuan untuk mendapatkan model regresi linier berganda yang akan digunakan dalam analisis. Metode OLS ini bertujuan meminimumkan jumlah kuadrat galat. Berdasarkan persamaan: \[ \epsilon' \epsilon = (Y - X\beta)'(Y - X\beta) \tag{3} \] dengan meminimumkan jumlah kuadrat galat diperoleh penaksir (estimator) OLS untuk \(\beta\) sebagai berikut. \[ \hat{\beta}=(X^TX)^{-1}X^TY \tag{4} \]

Penaksir OLS pada persamaan di atas merupakan penaksir yang tidak bias, linier dan terbaik (best linear unbiased estimator/BLUE) (Gujarati, 2003).

2.8 Pengujian Parameter Model Regresi Linier Berganda

Setelah didapatkan estimasi dari parameter \(\beta\), dilakukan pengujian parameter. Pengujian parameter dilakukan untuk mengetahui ada atau tidaknya pengaruh variabel bebas (X) terhadap variabel tidak bebas (Y), baik secara serentak maupun secara parsial.

2.8.1 Pengujian parameter secara simultan

  • Hipotesis \[ \begin{aligned} {H}_0 &:\beta_1=\beta_2=...=\beta_{p-1}=0 \\ {H}_1 &:\beta_k\neq0 \end{aligned} \]

  • Menentukan tingkat signifikansi Tingkat signifikansi \(\alpha\) yang umum digunakan dalam penelitian adalah 5% atau 0.05

  • Menentukan statistik uji Statistik uji yang digunakan adalah: \[ F =\frac {KTR}{KTG} \tag{5} \]

    dengan: KTR adalah Kuadrat Tengah Regresi KTG adalah Kuadrat Tengah Galat

  • Menentukan daerah kritis Daerah kritis yang digunakan adalah \(H_0\) ditolak jika \(F > F_{(\alpha;p-1,n-p)}\) dengan \(F_{(\alpha;p-1,n-p)}\) disebut \(F_{tabel}\). Atau bisa juga dengan menggunakan jika $ p-value < $ maka \(H_0\) ditolak

  • Menarik kesimpulan

2.8.2 Pengujian parameter secara parsial

  • Hipotesis \[ \begin{aligned} {H}_0 &:\beta_k=0 \\ {H}_1 &:\beta_k\neq0 \end{aligned} \]

  • Menentukan tingkat signifikansi Tingkat signifikansi \(\alpha\) yang seringkali digunakan dalam penelitian adalah 5%

  • Menentukan statistik uji Statistik uji yang digunakan adalah: \[ t =\frac {b_k}{s_{(bk)}} \tag{6} \] dengan: \(b_k\) adalah nilai taksiran parameter \(\beta_k\) \(s_{(bk)}\) adalah standar deviasi nilai taksiran parameter \(\beta_k\)

  • Menentukan daerah kritis Daerah kritis yang digunakan adalah: \(H_0\) ditolak jika \(t > t_{(\alpha/2,n-p)}\) dengan \(t_{(\alpha/2,n-p)}\) disebut dengan \(t_{tabel}\)

  • Menarik kesimpulan

2.9 Uji Koefisien Determinasi

Koefisien Determinasi \(R^2\) digunakan untuk mengukur kemampuan model dalam menerangkan seberapa besar pengaruh yang diberikan oleh variabel prediktor (X) dalam menjelaskan keragaman variabel response (Y). Semakin \(R^2\) mendekati 1 semakin bagus model dalam menerangkan seberapa besar pengaruh yang diberikan oleh variabel prediktor (X) dalam menjelaskan keragaman variabel response (Y).

3 DATA DAN SUMBER DATA

3.1 Data

Jenis data yang digunakan adalah bangkitan dari data sekunder. Data bangkitan dari Data tenaga kerja Kabupaten Gowa (dalam satuan orang) sebagai variabel \(X_1\), data bangkitan dari data biaya pengeluaran pemerintah Kabupaten Gowa (dalam satuan Juta Rupiah) sebagai variabel \(X_2\) dan data bangkitan dari data PDRB Kabupaten Gowa (dalam satuan Juta Rupiah) sebagai variabel \(Y\).

3.2 Sumber Data

Data Sekunder didapatkan dari penelitian atau skripsi yang berjudul “PENGARUH TENAGA KERJA DAN PENGELUARAN PEMERINTAH TERHADAP PERTUMBUHAN EKONOMI DI KABUPATEN GOWA”, ditulis oleh Purwansyah Duri Ramadhan, mahasiswa program studi ekonomi pembangunan fakultas ekonomi dan bisnis Universitas Muhammadiyah Makassar. Ditulis dan dipublikasikan pada tahun 2020. Data yang digunakan dalam skripsi tersebut berasal dari data BPS Kabupaten Gowa.

3.3 Pembangkitkan Data

> data <- read.csv('Gowa.csv', sep = ";")
> View(data)
> str(data)
'data.frame':   10 obs. of  4 variables:
 $ Tahun: int  2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
 $ Y    : num  7132479 7664513 8289113 9070002 9720170 ...
 $ X1   : int  269398 277060 162415 297347 325075 314917 319047 312726 350780 347773
 $ X2   : num  964098 1010953 1054020 1083849 1103810 ...
> ## Uji apakah data berasal dari sebaran normal
> shapiro.test(data$Y)

    Shapiro-Wilk normality test

data:  data$Y
W = 0.96764, p-value = 0.8682
> tseries::jarque.bera.test(data$Y)

    Jarque Bera Test

data:  data$Y
X-squared = 0.62228, df = 2, p-value = 0.7326
> shapiro.test(data$X1)

    Shapiro-Wilk normality test

data:  data$X1
W = 0.81178, p-value = 0.02015
> tseries::jarque.bera.test(data$X1)

    Jarque Bera Test

data:  data$X1
X-squared = 5.8579, df = 2, p-value = 0.05345
> shapiro.test(data$X2)

    Shapiro-Wilk normality test

data:  data$X2
W = 0.94721, p-value = 0.6356
> tseries::jarque.bera.test(data$X2)

    Jarque Bera Test

data:  data$X2
X-squared = 0.92333, df = 2, p-value = 0.6302

Karena Hampir di semua uji kecuali uji shapiro-wilk pada variabel X1 menghasilkan \(p-value > \alpha (0.05)\) maka dapat disimpulkan bahwa ketiga variabel menyebar normal dan dapat dibangkitkan melalui sebaran normal.

> ## Mencari rata-rata dan standar deviasi
> rata2 <- c()
> for (i in c(2:4)) {
+   rataan <- mean(data[,i])
+   rata2 <- cbind(rata2,rataan)
+ }
> rata2
       rataan   rataan  rataan
[1,] 10200280 297653.8 1172845
> typeof(rata2)
[1] "double"
> 
> stdev <- c()
> for (i in c(2:4)) {
+   std <- sd(data[,i])
+   stdev <- cbind(stdev,std)
+ }
> stdev
         std      std      std
[1,] 2231939 54345.84 166954.4
> typeof(stdev)
[1] "double"
> ## Membangkitkan data dengan sebaran normal
> set.seed(12)
> dataY_bangkit <- rnorm(10, mean = rata2[1], sd = stdev[1])
> dataX1_bangkit <- as.integer(rnorm(10, mean = rata2[2], sd = stdev[2]))
> dataX2_bangkit <- rnorm(10, mean = rata2[3], sd = stdev[3])
> 
> data_bangkitan <- data.frame(Y = dataY_bangkit, 
+              X1 = dataX1_bangkit,
+              X2 = dataX2_bangkit)
> 
> knitr::kable(data_bangkitan, caption = "Data Bangkitan")
Data Bangkitan
Y X1 X2
6895743 255387 1210183
13720426 227336 1507956
8064885 255287 1341799
8146884 298303 1122348
5741665 289370 1001676
9592532 259423 1128204
9496441 362264 1139603
8798053 316159 1194736
9962659 325205 1197187
11155583 281713 1233293

4 HASIL DAN PEMBAHASAN

4.1 Statistika Deskriptif

> summary(data_bangkitan)
       Y                  X1               X2         
 Min.   : 5741665   Min.   :227336   Min.   :1001676  
 1st Qu.: 8085385   1st Qu.:256396   1st Qu.:1131054  
 Median : 9147247   Median :285542   Median :1195962  
 Mean   : 9157487   Mean   :287045   Mean   :1207699  
 3rd Qu.: 9870127   3rd Qu.:311695   3rd Qu.:1227516  
 Max.   :13720426   Max.   :362264   Max.   :1507956

Berdasarkan hasil tersebut dapat diinterpretasikan bahwa rata-rata dari PDRB selama sepuluh tahun (Y) adalah 9157487 Juta Rupiah, dan PDRB paling tinggi adalah 13720426 Juta Rupiah, sementara PDRB paling rendah adalah 5741665 Juta Rupiah.

Kemudian, untuk rata-rata dari Banyak Tenaga Kerja selama sepuluh tahun (X1) adalah 287045 orang, dan Banyak Tenaga Kerja paling tinggi adalah 362264 orang, sementara Banyak Tenaga Kerja paling rendah adalah 227336 orang.

Kemudian, untuk rata-rata dari biaya pengeluaran pemerintah selama sepuluh tahun (X2) adalah 1207699 Juta Rupiah, dan biaya pengeluaran pemerintah paling tinggi adalah 1507956 Juta Rupiah, sementara biaya pengeluaran pemerintah paling randah adalah 1001676 Juta Rupiah.

> scatter.smooth(data_bangkitan$X1,data_bangkitan$Y, xlab = "tenaga kerja", ylab = "PDRB")

Dari scatter plot di atas dapat dilihat bahwa X1 dan Y terlihat tidak berkorelasi atau berhubungan

> scatter.smooth(data_bangkitan$X2,data_bangkitan$Y, xlab = "Pengeluaran Pemerintah", ylab = "PDRB")

Dari scatter plot di atas dapat dilihat bahwa X1 dan Y terlihat berkorelasi atau berhubungan meskipun ada outlier yang membuat grafik berbelok

4.2 Model Regresi Linier Berganda

> reg2 <- lm(dataY_bangkit~dataX1_bangkit + dataX2_bangkit)
> summary(reg2)

Call:
lm(formula = dataY_bangkit ~ dataX1_bangkit + dataX2_bangkit)

Residuals:
     Min       1Q   Median       3Q      Max 
-2508682  -605158    68496   990477  2026458 

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)  
(Intercept)    -1.287e+07  9.269e+06  -1.389   0.2075  
dataX1_bangkit  1.619e+01  1.638e+01   0.988   0.3559  
dataX2_bangkit  1.439e+01  4.781e+00   3.010   0.0196 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1637000 on 7 degrees of freedom
Multiple R-squared:  0.5819,    Adjusted R-squared:  0.4625 
F-statistic: 4.872 on 2 and 7 DF,  p-value: 0.04725

Dari hasil tersebut didapat persamaan regresi sebagai berikut : \[ Y = -0.0000001287 + 16.19 X_1 + 14.39 X_2 \]

4.3 Uji Asumsi Klasik

4.3.1 Normalitas

> residual2 <- resid(reg2)
> qqnorm(residual2, pch = 1, frame = FALSE)
> qqline(residual2, col = "steelblue", lwd = 2)

> shapiro.test(residual2)

    Shapiro-Wilk normality test

data:  residual2
W = 0.96449, p-value = 0.8356

Berdasarkan hasil uji menggunakan qqplot menunjukkan bahwa residu berdistribusi normal dan shapiro-wilk tes menghasilkan nilai \(p-value(0.8356)>\alpha(0.05)\) yang berarti \(H_0\) diterima. Maka kesimpulan bahwa residual atau galat menyebar normal

4.3.2 Autokorelasi

> library(lmtest)
> dwtest(reg2)

    Durbin-Watson test

data:  reg2
DW = 2.2891, p-value = 0.5597
alternative hypothesis: true autocorrelation is greater than 0
> bgtest(reg2, order = 3)

    Breusch-Godfrey test for serial correlation of order up to 3

data:  reg2
LM test = 2.2263, df = 3, p-value = 0.5268

Berdasarkan hasil uji Durbin watson menghasilkan nilai \(p-value(0.5597)>\alpha(0.05)\) yang berarti \(H_0\) diterima, begitu pula pada uji yang lebih advance yakni uji Breusch-Godfrey menghasilkan nilai \(p-value(0.5268)>\alpha(0.05)\) yang berarti \(H_0\) diterima. Maka dapat disimpulkan bahwa asumsi nonautokorelasi terpenuhi atau dapat disimpulkan bahwa tidak terjadi autokorelasi antar galat.

4.3.3 Homoskedastisitas

> library(lmtest)
> bptest(reg2)

    studentized Breusch-Pagan test

data:  reg2
BP = 4.062, df = 2, p-value = 0.1312

Berdasarkan hasil uji Breusch-Pagan didapatkan nilai \(p-value(0.1312)>\alpha(0.05)\) yang berarti \(H_0\) diterima. Maka dapat disimpulkan bahwa ragam galat homogen.

4.3.4 Multikolinieritas

> library(olsrr)
> ols_vif_tol(reg2)
       Variables Tolerance      VIF
1 dataX1_bangkit 0.6909094 1.447368
2 dataX2_bangkit 0.6909094 1.447368

Dari hasil di atas didapat semua nilai VIF berada pada kisaran satu yang mengindikasikan bahwa tidak terjadi multikolinieritas pada variabel prediktor.

4.4 Uji Simultan Penduga Parameter

> summary(reg2)

Call:
lm(formula = dataY_bangkit ~ dataX1_bangkit + dataX2_bangkit)

Residuals:
     Min       1Q   Median       3Q      Max 
-2508682  -605158    68496   990477  2026458 

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)  
(Intercept)    -1.287e+07  9.269e+06  -1.389   0.2075  
dataX1_bangkit  1.619e+01  1.638e+01   0.988   0.3559  
dataX2_bangkit  1.439e+01  4.781e+00   3.010   0.0196 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1637000 on 7 degrees of freedom
Multiple R-squared:  0.5819,    Adjusted R-squared:  0.4625 
F-statistic: 4.872 on 2 and 7 DF,  p-value: 0.04725

Berdasarkan \(p-value\) statistik uji F pada hasil summary(reg2) tersebut menunjukkan bahwa \(p-value (0.04725) < \alpha (0.05)\), maka \(H_0\) ditolak. Dengan demikian, dapat disimpulkan bahwa variabel X1 (Tenaga Kerja) dan X2 (Biaya Pengeluaran Pemerintah) secara simultan berpengaruh signifikan pada variabel Y (PDRB).

4.5 Uji Parsial Penduga Parameter

> summary(reg2)

Call:
lm(formula = dataY_bangkit ~ dataX1_bangkit + dataX2_bangkit)

Residuals:
     Min       1Q   Median       3Q      Max 
-2508682  -605158    68496   990477  2026458 

Coefficients:
                 Estimate Std. Error t value Pr(>|t|)  
(Intercept)    -1.287e+07  9.269e+06  -1.389   0.2075  
dataX1_bangkit  1.619e+01  1.638e+01   0.988   0.3559  
dataX2_bangkit  1.439e+01  4.781e+00   3.010   0.0196 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1637000 on 7 degrees of freedom
Multiple R-squared:  0.5819,    Adjusted R-squared:  0.4625 
F-statistic: 4.872 on 2 and 7 DF,  p-value: 0.04725

4.5.1 Beta1

Berdasarkan \(p-value\) statistik uji t variabel X1 pada hasil summary(reg2) bagian coefficient tersebut menunjukkan bahwa \(p-value (0.3559) > \alpha (0.05)\), maka \(H_0\) ditolak. Dengan demikian, dapat disimpulkan bahwa variabel X1 (Tenaga Kerja) tidak berpengaruh signifikan pada variabel Y (PDRB).

Bila \(\hat\beta_1\) diterjemahkan maka setiap pertambahan 1 orang tenaga kerja, maka akan bertambah pula PDRB sebesar 16.19 juta Rupiah, namun pertambahan tersebut tidak signifikan.

4.5.2 Beta2

Berdasarkan \(p-value\) statistik uji t variabel X2 pada hasil summary(reg2) bagian coefficient tersebut menunjukkan bahwa \(p-value (0.0196) < \alpha (0.05)\), maka \(H_0\) ditolak. Dengan demikian, dapat disimpulkan bahwa variabel X2 (Biaya Pengeluaran Pemerintah) berpengaruh signifikan pada variabel Y (PDRB).

Bila \(\hat\beta_2\) diterjemahkan maka setiap pertambahan 1 juta biaya Pengeluaran Pemerintah, maka akan bertambah pula PDRB secara signifikan sebesar 14.39 juta Rupiah.

4.6 Uji Koefisien Determinasi

Koefisien Determinasi \(R^2\) dapat dilihat dari hasil summary(reg2) sebesar 0.5819 dan \(adjusted R^2\) sebesar 0.4625 Yang artinya, keragaman variabel respons dapat dijelaskan sebesar 58% atau 46% oleh variabel prediktor, dan sisanya dijelaskan oleh variabel lain yang tidak tercantum dalam model atau galat. Nilai tersebut tergolong cukup, maka dari itu disarankan untuk mengganti salah satu variabel prediktor yang tidak berpengaruh signifikan atau menambah variabel prediktor dengan variabel yang lebih memiliki hubungan dengan variabel response.

5 PENUTUPAN

5.1 Kesimpulan

Dari hasil di atas dapat ditarik beberapa kesimpulan yakni :

  • Didapat persamaan regresi sebagai berikut. \[ Y = -0.0000001287 + 16.19 X_1 + 14.39 X_2 \]
  • Variabel Tenaga Kerja (X1) dan Biaya Pengeluaran Pemerintah (X2) berpengaruh secara simultan pada variabel PDRB (Y).
  • Namun variabel Tenaga Kerja (X1) secara parsial tidak berpengaruh terhadap variabel PDRB (Y).
  • Dari Persamaan regresi di atas dapat diinterpretasikan bahwa setiap pertambahan 1 orang tenaga kerja, maka akan bertambah pula PDRB sebesar 16.19 juta Rupiah, namun pertambahan tersebut tidak signifikan. Juga setiap pertambahan 1 juta biaya Pengeluaran Pemerintah, maka akan bertambah pula PDRB secara signifikan sebesar 14.39 juta Rupiah.
  • Dengan melihat koefisien determinasi \(R^2 (0.5819)\), variabel prediktor (X) sudah cukup bisa menjelaskan keragaman dari variabel respon (Y). Namun akan lebih baik jika variabel prediktor lebih bisa menjelaskan keragaman variabel respons lebih besar lagi.

5.2 Saran

Dari hasil penelitian di atas ada beberapa saran yang dapat penulis sampaikan diantaranya :

  • Dikarenakan variabel X2 secara parsial berpengaruh terhadap variabel Y, maka bisa dilakukan analisis regresi linier sederhana dengan menggunakan hanya variabel X2 (Biaya Pengeluaran Pemerintah) dan variabel Y (PDRB) untuk membentuk persamaan regresi.
  • Mengganti salah satu variabel prediktor yang tidak berpengaruh signifikan dalam kasus ini Tenaga Kerja (X1) atau menambah variabel prediktor dengan variabel yang lebih memiliki hubungan dengan variabel respons.
  • Atau bisa juga dengan membangkitkan data yang lebih banyak agar data lebih beragam. Namun, untuk melakukan analisa ekonomi disarankan untuk menggunakan data asli berupa data primer atau sekunder bukan data bangkitan agar lebih riil dan sesuai dengan kenyataan dan kondisi sebenarnya.

6 Daftar Pustaka

  1. Ghozali, Imam. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Edisi 9. Semarang : Universitas Diponegoro.
  2. Gujarati, D. N., & Porter, D. C. (2003). Basic econometrics (ed.). Singapore: McGrew Hill Book Co.
  3. Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis. John Wiley & Sons.
  4. Ramadhan, P. D. 2020. PENGARUH TENAGA KERJA DAN PENGELUARAN PEMERINTAH TERHADAP PERTUMBUHAN EKONOMI DI KABUPATEN GOWA. Skripsi. Fakultas Ekonomi dan Bisnis. Universitas Muhammadiyah Makassar:Makassar.
  5. Sukirno, Sadono (2000). Makro Ekonomi Modern Perkembangan Pemikiran Dari Klasik Hingga Keynes Baru. Jakarta: Raja Grafindo Persada
  6. Suryana, 2000. Ekonomi Pembangunan: Problematika serta Pendekatan. Jakarta: Salemba Empat.