1 PENDAHULUAN

1.1 Latar Belakang

Permasalahan kemiskinan salah satunya dipengaruhi oleh inflasi. Berbagai upaya dilakukan oleh pemerintah untuk menanggulangi masalah kemiskinan, salah satunya adalah pengendalian laju inflasi. Laju inflasi dikendalikan pada tingkat yang ringan tidak terlalu rendah sehingga mampu menciptakan permintaan agregat yang direspon oleh peningkatan kapasitas produksi untuk menciptakan kesempatan kerja. Penciptaan kesempatan kerja tersebut akan menciptakan pendapatan selanjutnya mampu mempercepat pengentasan kemiskinan.

Kemiskinan secara absolut diukur berdasarkan ketidakmampuan untuk mencukupi kebutuhan pokok minimum seperti pangan, sandang, kesehatan, perumahan dan pendidikan yang diperlukan untuk bisa hidup dan bekerja. Kebutuhan pokok minimum diterjemahkan sebagai ukuran finansial dalam bentuk uang. Nilai kebutuhan minimum kebutuhan dasar tersebut dikenal dengan istilah garis kemiskinan. Penduduk yang pendapatannya di bawah garis kemiskinan digolongkan sebagai penduduk miskin.

Inflasi merupakan kenaikan harga barang secara keseluruhan dan terus menerus. Jika yang naik hanya satu barang saja tidak bisa disebut inflasi kecuali kenaikan harga barang tersebut mempengaruhi harga barang lain. Dengan meningkatnya tingkat inflasi menyebabkan kemampuan masyarakat dalam memenuhi kebutuhan hidupnya menurun, akibatnya tingkat kemiskinan semakin tinggi.

Tingkat kemiskinan di Indonesia meningkat setiap tahunnya dan tingkat inflasi di Indonesia 10 tahun terakhir mengalami fluktuasi. Berdasarkan fenomena yang terjadi tentang inflasi dan tingkat kemiskinan, maka perlu diakukan penelitian. Pada penelitian ini, peneliti mengambil sampel 7 kota di Provinsi Jawa Barat tahun 2021.

1.2 Analisis Regresi Sederhana

Regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Dalam analisis regresi dikenal 2 jenis variabel yaitu:
1. Variabel Respon disebut juga variabel dependen yaitu variabel yang keberadaannya dipengaruhi oleh variabel lainnya dan dinotasikan dengan variabel.
2. Variabel Prediktor disebut juga dengan variabel independen yaitu variabel yang bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan dengan X.

Analisis regresi berguna untuk mendapatkan hubungan fungsional antara dua variabel atau lebih. Selain itu analisis regresi berguna untuk mendapatkan pengaruh antar variabel prediktor terhadap variabel kriteriumnya atau meramalkan pengaruh variabel prediktor terhadap variabel kriteriumnya (Usman & Akbar, 2006). Hubungan fungsional antara satu variabel prediktor dengan satu variabel kriterium disebut analisis regresi sederhana (tunggal). Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini:

Y=a+b*X

Keterangan:
* Y = Variabel response atau variabel akibat (dependent)
* X = Variabel predictor atau variabel faktor penyebab (independent)
* a = Konstanta
* b = Koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh predictor

1.3 Data

Data yang digunakan adalah data persentase laju inflasi dan persentase penduduk miskin dari 7 kota di Provinsi Jawa Barat pada tahun 2021 yang diambil dari buku Provinsi Jawa Barat Dalam Angka 2022.

2 SOURCE CODE

2.1 Library yang Dibutuhkan

# Library(rmarkdown)  
# Library(prettydoc)  
# Library(tinytex)  
# Library(car)  
# Library(lmtest)  
# Library(tseries)

2.2 Menginputkan Data

Y=c(7.24, 8.25, 4.37, 10.03, 4.74, 2.58, 13.13)
Y
## [1]  7.24  8.25  4.37 10.03  4.74  2.58 13.13
X=c(1.93, 1.71, 1.65, 1.81, 1.61, 1.81, 1.17)
X
## [1] 1.93 1.71 1.65 1.81 1.61 1.81 1.17
Data_regresi<-data.frame(X,Y)
Data_regresi
##      X     Y
## 1 1.93  7.24
## 2 1.71  8.25
## 3 1.65  4.37
## 4 1.81 10.03
## 5 1.61  4.74
## 6 1.81  2.58
## 7 1.17 13.13

Syntax di atas digunakan untuk mendefinisikan variabel X yang merupakan persentase laju inflasi dan mendefinisikan variabel Y yang merupakan persentase penduduk miskin yang kemudian dibentuk data frame dari variabel X dan Y dengan nama Data_regresi.

3 HASIL DAN PEMBAHASAN

3.1 Statistika Deskriptif

summary(Data_regresi)
##        X              Y         
##  Min.   :1.17   Min.   : 2.580  
##  1st Qu.:1.63   1st Qu.: 4.555  
##  Median :1.71   Median : 7.240  
##  Mean   :1.67   Mean   : 7.191  
##  3rd Qu.:1.81   3rd Qu.: 9.140  
##  Max.   :1.93   Max.   :13.130
var(Data_regresi$X)
## [1] 0.0604
var(Data_regresi$Y)
## [1] 13.28038
sd(Data_regresi$X)
## [1] 0.2457641
sd(Data_regresi$Y)
## [1] 3.644226

Pada variabel laju inflasi (X), dapat dilihat bahwa nilai terkecil adalah 1.17 dan nilai terbesar 1.93 dengan nilai rata-rata 1.67, median (nilai tengah) 1.71, serta ragam dan simpangan baku 0.0604 dan 0.2457641 sedangkan pada variabel penduduk miskin (Y), dapat dilihat bahwa nilai terkecil adalah 2.580 dan nilai terbesar 13.130 dengan nilai rata-rata 7.191, median (nilai tengah) berada pada 7.240, serta ragam dan simpangan baku 13.28038 dan 3.644226.

3.2 Analisis Regresi

anreg<-lm(Y~X, data=Data_regresi)
anreg
## 
## Call:
## lm(formula = Y ~ X, data = Data_regresi)
## 
## Coefficients:
## (Intercept)            X  
##      20.827       -8.165
  • Fungsi lm digunakan untuk untuk melakukan analisis regresi. Dengan argumen Y ~ X, Y sebagai variabel respons, X sebagai variabel prediktor, data=Data_regresi artinya data yang digunakan dalam analisis regresi menggunakan data yang bernama Data_regresi.

3.3 Uji Asumsi Regresi

sisa<-residuals(anreg)

Fungsi tersebut merupakan pendefinisian sisa sebagai residuals dari anreg.

3.3.1 Uji Normalitas Galat

library(tseries)
## Warning: package 'tseries' was built under R version 4.1.3
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
jarque.bera.test(sisa)
## 
##  Jarque Bera Test
## 
## data:  sisa
## X-squared = 0.81443, df = 2, p-value = 0.6655
shapiro.test(sisa)
## 
##  Shapiro-Wilk normality test
## 
## data:  sisa
## W = 0.85294, p-value = 0.1307

Uji Jarque Bera - Diperoleh nilai X^2 = 0.81443; p-value = 0.6655
- Menggunakan alfa=0.05
- Keputusan: Karena nilai p > 0.05, maka terima H0.
- Kesimpulan: Dengan taraf nyata 5%, belum cukup bukti untuk menyatakan ada pelanggaran asumsi normalitas galat pada model X sebagai fungsi dari Y.

Uji Shapiro Wilk
- Diperoleh nilai W = 0.85294; p-value = 0.1307
- Menggunakan alfa=0.05
- Keputusan: Karena nilai p > 0.05, maka terima H0.
- Kesimpulan: Dengan taraf nyata 5%, belum cukup bukti untuk menyatakan ada pelanggaran asumsi normalitas galat pada model X sebagai fungsi dari Y.

3.3.2 Uji Homogenitas Ragam Galat

library(lmtest)
## Warning: package 'lmtest' was built under R version 4.1.3
## Loading required package: zoo
## Warning: package 'zoo' was built under R version 4.1.3
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
bptest(anreg)
## 
##  studentized Breusch-Pagan test
## 
## data:  anreg
## BP = 1.0158, df = 1, p-value = 0.3135

Uji Breusch-Pagan
- Diperoleh nilai BP = 1.0158; p-value = 0.3135
- Menggunakan alfa=0.05
- Keputusan: Karena nilai p > 0.05, maka terima H0.
- Kesimpulan: Dengan taraf nyata 5%, belum cukup bukti untuk menyatakan ada pelanggaran asumsi homogenitas ragam galat pada model X sebagai fungsi dari Y.

3.3.3 Uji Non Autokorelasi Galat

library(lmtest)
dwtest(anreg)
## 
##  Durbin-Watson test
## 
## data:  anreg
## DW = 2.608, p-value = 0.7965
## alternative hypothesis: true autocorrelation is greater than 0

Uji Durbin-Watson
- Diperoleh nilai DW = 2.608; p-value = 0.7965
- Menggunakan alfa=0.05
- Keputusan: Karena nilai p > 0.05, maka terima H0.
- Kesimpulan: Dengan taraf nyata 5%, belum cukup bukti untuk menyatakan ada pelanggaran asumsi autokorelasi pada model X sebagai fungsi dari Y.

Berdasarkan tiga uji asumsi yang dilakukan didapatkan bahwa:
- Memenuhi asumsi normalitas
- Memenuhi asumsi homogenitas ragam galat
- Memenuhi asumsi autokorelasi

3.4 Anova

Anova<-aov(Y~X, data=Data_regresi)
summary(Anova)
##             Df Sum Sq Mean Sq F value Pr(>F)
## X            1  24.16   24.16   2.176    0.2
## Residuals    5  55.52   11.10

Dari hasil analisis anova dapat dilihat bahwa p-value dari laju inflasi cukup besar yakni >α (5%) yang artinya persentase laju inflasi tidak berpengaruh secara signifikan terhadap persentase penduduk miskin.

3.5 Pembentukan Model Regresi

summary(anreg)
## 
## Call:
## lm(formula = Y ~ X, data = Data_regresi)
## 
## Residuals:
##      1      2      3      4      5      6      7 
##  2.171  1.385 -2.985  3.982 -2.941 -3.468  1.856 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)  
## (Intercept)   20.827      9.330   2.232   0.0759 .
## X             -8.165      5.535  -1.475   0.2002  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.332 on 5 degrees of freedom
## Multiple R-squared:  0.3032, Adjusted R-squared:  0.1638 
## F-statistic: 2.176 on 1 and 5 DF,  p-value: 0.2002

Interpretasi:
- Jika persentase laju inflasi (X) adalah 0, maka persentase penduduk miskin adalah 20.827.
- Koefisien regresi (X) sebesar -8.165 artinya jika persentase laju inflasi mengalami kenaikan 1%, maka persentase penduduk miskin mengalami penurunan sebesar 8.165.

Uji Parsial
- t tabel = 2.5706
- t hitung b0 duga = 2.232
Keputusan: t hitung < t tabel maka terima H0.
Kesimpulan: Dengan taraf nyata 5%, belum cukup bukti untuk menyatakan bahwa keragaman persentase laju inflasi(X) mempengaruhi keragaman persentase penduduk miskin(Y).
- t hitung b1 duga = -1.475
Keputusan: t hitung < t tabel maka terima H0.
Kesimpulan: Dengan taraf nyata 5%, belum cukup bukti untuk menyatakan bahwa persentase laju inflasi berpengaruh terhadap persentase penduduk miskin.

Uji Simultan
- F-hitung = 2.176
- F tabel = 6.61
Keputusan: F-hitung < F tabel maka terima H0.
Kesimpulan: Dengan taraf nyata 5%, belum cukup bukti untuk menyatakan bahwa persentase laju inflasi berpengaruh terhadap persentase penduduk miskin.

4 DAFTAR PUSTAKA

Primandari, N. R. (2018). INFLASI DAN TINGKAT KEMISKINAN DI INDONESIA. Kolegial, 6(1), 57-67.
Suhandi, N., Putri, E.A.K.,& Agnisa, S. (2018). Analisis Pengaruh Jumlah Penduduk terhadap Jumlah Kemiskinan Menggunakan Metode Regresi Linear di Kota Palembang. JURNAL ILMIAH INFORMATIKA GLOBAL, 9(2),77-82.