{r include=FALSE} library(knitr) opts_chunk\(set(message = FALSE) opts_chunk\)set(warning = FALSE) opts_chunk\(set(comment = "") opts_chunk\)set(collapse = TRUE) opts_chunk\(set(error = TRUE) opts_chunk\)set(prompt = TRUE) opts_chunk$set(fig.align = ‘center’)
Notes Theme: - Kelas D: cayman
- Kelas C: tactile
- Kelas B: architect
- Kelas A: hpstr
Library:
# install.packages("knitr")
# install.packages("rmarkdown")
# install.packages("prettydoc")
# install.packages("equatiomatic")1 PENDAHULUAN
1.1 Latar Belakang
Berdasarkan Badan Pusat Statistik (BPS) kemiskinan di Jawa Timur tersebar di 39 kota dan kabupaten, Sebagian besar tingkat kemiskinan masih tinggi. Hal ini dikarenakan permasalahan kemiskinan dimasing-masing daerah bervariasi, sehingga solusi untuk memecahkan persoalan kemiskinan disetiap daerah juga akan berbeda-beda, untuk itu perlu dicari masalah yang menyebabkan kemiskinan di setiap daerah. (Kuncoro, 1997:131) menyatakan penduduk negara tresebut miskin karena menggantungkan diri pada sektor pertanian yang subsistem, metode produksi yang tradisional yang seringkali dibarengi dengan sikap apatis terhadap lingkungan.
Kualitas sumber daya manusia merupakan salah satu faktor penyebab terjadinya penduduk miskin. Kualitas sumber daya manusia dapat dilihat dari indeks kualitas hidup atau indeks pembangunan manusia. Rendahnya Indeks Pembangunan Manusia (IPM) akan berakibat pada rendahnya produktivitas kerja dari penduduk. Produktivitas yang rendah berakibat pada rendahnya perolehan pendapatan. Sehingga dengan rendahnya pendapatan menyebabkan tingginya jumlah penduduk miskin.
(Lanjouw dkk dalam Yani Mulyaningsih, 2008) menyatakan pembangunan manusia di Indonesia adalah identik dengan pengurangan kemiskinan. Investasi di bidang pendidikan dan kesehatan akan lebih bermakna bagi penduduk miskin dibandingkan penduduk tidak miskin, karena bagi penduduk miskin aset utama adalah pekerjaan fisik mereka. Keberadaan fasilitas pendidikan dan kesehatan yang murah akan sangat membantu untuk meningkatkan produktivitas, dan pada gilirannya meningkatkan pendapatan. Menurut penelitian sebelumnya oleh (Manik (2013) dan Ady Soejoto dkk (2015). Oleh karna itu, dalam upaya pembangunan ekonomi tidak lagi hanya berorientasi pada pendapatan ekonomi yang setinggitingginya, tetapi juga mengarah pada kualitas dari pembangunan. Pembangunan manusia dijadikan sebagai tujuan pembangunan, mengingat pentingnya peran manusia dalam proses pembangunan ekonomi, maka peningkatan sumber daya manusia perlu menjadi perhatian pemerintah.
Faktor lain penyebab terjadinya kemiskinan adalah pengangguran. Arsyad (1997) menyatakan bahwa ada hubungan yang erat sekali antara tingginya tingkat pengangguran dan kemiskinan. Berdasarkan Yesufu (2005) pengangguran mengganggu kemajuan sosial, terutama pertumbuhan ekonomi di Nigeria, meningkatkan secara umum hilangnya kesejahteraan dalam hal hilangnya produktivitas, sehingga membawa pendapatan yang lebih rendah.
Tingkat Pengangguran Terbuka (TPT), merupakan indikator untuk mengukur tenaga kerja yang tidak terserap oleh pasar kerja. Pengangguran Terbuka merupakan penduduk yang telah masuk dalam angkatan kerja tetapi tidak memiliki pekerjaan dan sedang mencari pekerjaan, mempersiapkan usaha, serta sudah memiliki pekerjaan tetapi belum mulai bekerja. Menurut Octaviani (2001), jumlah pengangguran erat kaitannya dengan kemiskinan di Indonesia yang penduduknya memiliki ketergantungan yang sangat besar atas pendapatan gaji atau upah yang diperoleh saat ini. Hiilangnya lapangan pekerjaan menyebabkan berkurangnya sebagian besar penerimaan yang digunakan untuk membeli kebutuhan sehari-hari. Yang artinya bahwa semakin tinggi pengangguran maka akan meningkatkan kemiskinan.
Menurut (Todaro, 2013) mengemukakan bahwa struktur pendidikan yang berlaku pada suatu daerah dapat mempengaruhi karakter sosial dan ekonomi masyarakat pada daerah yang bersangkutan. (Hong & Pandey, 2007) menyimpulkan bahwa penduduk dengan tingkat pendidikan yang lebih tinggi memiliki kemungkinan yang lebih kecil untuk menjadi miskin, yang menjadi salah satu penentu penurunan tingkat kemiskinan adalah faktor pendidikan.
Dari pemaparan diatas, peneliti tertarik untuk mengetahui pengaruh dari beberapa komponen Persentase Penduduk Miskin di Jawa Timus tahun 2020. Pada penelitian ini akan berfokus untuk meneliti pengaruh Indeks Pembangunan Masyarakat(IPM), Tingkat Pengangguran Terbuka (TPT) dan Lama Harapan Sekolah (LHS) terhadap Persentase Penduduk Miskin (PPM) di Jawa Timur tahun 2020
LatarBelakang LatarBelakang LatarBelakang
LatarBelakang Latar Belakang Latar Belakang
LatarBelakang
1.2 Tinjauan Pustaka
1.2.1 Analisis Regresi
hubungan satu variabel tak bebas/ response (Y) dengan dua atau lebih variabel bebas/predictor \((X_1, X_2,…X_n)\). Tujuan dari uji regresi linier berganda adalah untuk memprediksi nilai variable tak bebas/ response (Y) apabila nilai-nilai variabel bebasnya/ predictor \((X_1, X_2,..., X_n)\) diketahui. Disamping itu juga untuk dapat mengetahui bagaimanakah arah hubungan variabel tak bebas dengan variabel - variabel bebasnya. Persamaan regresi linier berganda secara matematik diekspresikan oleh : \[ Y_i = \beta_0 + \beta_1 X_{1k} + \beta_2 X_{2k} + … + \beta_k X_{ik}+ \epsilon_i \] Keterangan: \(Y_i\) = nilai observasi variabel respon ke-i \(X_{ik}\) = nilai observasi variabel prediktor ke-k pada pengamatan ke-i \(\beta_0\) = nilai intersep model regresi \(\beta_k\) = koefisien regresi variabel prediktor ke-k \(\epsilon_i\) = error pada pengamatan ke-i.
Pada pemodelan regresi terdapat syarat-syarat yang harus dipenuhi yaitu dengan memenuhi uji multikolinearitas dan uji asumsi residual yakni uji normalitas, uji homokedastisitas, dan uji autokorelasi.
1.2.2 Asumsi Analisis Regresi
(Manurung, 2007). Pemodelan regresi klasik dengan Ordinary Least Square (OLS) sangat ketat terhadap beberapa asumsi. Apabila ada asumsi yang tidak terpenuhi, maka terdapat indikasi adanya pengaruh spasial (Andra, 2007). Untuk melakukan analisis regresi diperlukan asumsi-asumi residual yang harus dipenuhi di antaranya adalah :
- Uji Multikolinearitas
independen atau tidak berkorelasi. Pada pengujian asumsi ini, diharapkan asumsi multikolinieritas tidak terpenuhi. | Gujarati menuliskan bahwa masalah multikolinieritas dapat diketahui dengan menggunakan nilai Tolerance (TOL) dan Variance Inflation Factor (VIF). Apabila nilai TOL kurang dari 0,1 atau nilai VIF lebih besar dari 10 maka dapat dikatakan bahwa terdapat masalah multikoliniritas, dengan nilai TOL dan VIF adalah sebagai berikut [Gujarati, 2004] : \[ VIF = \frac{1}{1-R^2_{Yjl}} \] dan \[ TOL=\frac{1}{VIF}=(1-R^2_{Yjl}) \] dengan \[ R^2_{Yjl}=\frac{R^2_{Yj}+R^2_{Yl}+2r_{Yj}r_{Yl}r_{jl}}{1-r^2_{jl}} \] dimana \(r^2_{Yj}\) : koefisien korelasi antara variabel Y dan variabel \(x_j\) \(r^2_{Yl}\) : koefisien korelasi antara variabel Y dan variabel \(x_l\) \(r_{jl}\) : koefisien korelasi antara variabel \(x_j\) dan variabel \(x_l\) \(R^2_{Yjl}\) : koefisien determinasi variabel Y ketika \(x_j\) dan \(x_l\) j = 1,2, ,k dan l = 1,2, ,k
- Uji Normalitas
\(H_0\) : Sisaan menyebar normal
\(H_1\) : Sisaan tidak menyebar normal
- Uji Heterokedastisitas
Pendeteksian penyimpangan asumsi homoskedastisitas ini dapat dilihat dari grafik plot nilai kuadrat residual. Jika nilai kuadrat residual membentuk pola yang sistematis maka dapat dikatakan terjadi heteroskedastisitas. Selain itu dapat juga dilakukan dengan pengujian Glejser. Uji Glejser dilakukan dengan cara meregresikan nilai absolute residual \(\mu_i\) dari regresi kuadrat terkecil biasa terhadap variabel X (Gujarati, 1997).
Hipotesis uji Glejser yakni :
\(H_0\) : Tidak terjadi masalah heteroskedastisitas
\(H_1\) : Terjadi masalah heteroskedastisitas
Keputusan tolak \(H_0\) jika nilai mutlak thitung ttabel atau p-value < \(\alpha\). Apabila \(H_0\) ditolak untuk setiap parameter maka dapat disimpulkan terjadi masalah heteroskedastisitas pada model yang dihasilkan.
- Uji Autokorelasi
Hal yang dilakukan untuk mendeteksi adanya autokorelasi dalam model regresi linier berganda adalah menggunakan metode Durbin-Watson. Durbin-Watson telah berhasil mengembangkan suatu metode yang digunakan untuk mendeteksi adanya
masalah autokorelasi dalam model regresi linier berganda menggunakan pengujian hipotesis dengan statistik uji yang cukup popular. Hipotesis untuk uji Durbin-Watson adalah sebagai berikut:
\(H_0\) : Tidak terdapat autokorelasi antar residu
\(H_1\) : Terdapat autokorelasi antar residu
Statistik uji: \[ d=\frac{\Sigma^n_{i=2}(e_i-e_{i-1})^2}{\Sigma^n_{i=1}e^2_i} \] Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas bawah (\(d_L\)) dan batas atas (\(d_U\)) sehingga jika nilai d hitung dari persamaan diatas terletak di luar nilai kritis ini, maka ada atau tidaknya autokorelasi baik positif atau negatif dapat diketahui. Deteksi autokorelasi pada model regresi linier berganda dengan metode Durbin-Watson (Widarjono, 2005).
1.3 Data
Data yang digunakan adalah data real. Data ini diambil dari dari website Badan Pusat Statistik (BPS) dengan judul “Persentase Penduduk Miskin di Jawa Timur tahun 2020”.
2 SOURCE CODE
2.1 Library yang Dibutuhkan
# Library(rmarkdown)
# Library(prettydoc)
# Library(tinytex)
# Library(readr)
# Library(equtiomatic)
# Library(car)
# Library(tseries)
# Library(lmtest)2.2 Import Data Csv
#Data IPM Kabupaten Bojonegoro
library(readr)
DATA <- read.csv("D:/PrakKomstat.csv", header = TRUE, sep = ",")2.3 Menampilkan Dataset
#Data IPM Kabupaten Bojonegoro
View(DATA)2.4 Melihat Dataset
#Data IPM Kabupaten Bojonegoro
DATA## Kabupaten.Kota Y X1 X2 X3 X X.1 X.2
## 1 Kabupaten Pacitan 14.54 68.39 2.28 12.64 NA NA NA
## 2 Kabupaten Ponorogo 9.95 70.81 4.45 13.73 NA NA NA
## 3 Kabupaten Trenggalek 11.62 69.74 4.11 12.35 NA NA NA
## 4 Kabupaten Tulungagung 7.33 73.00 4.61 13.31 NA NA NA
## 5 Kabupaten Blitar 9.33 70.58 3.82 12.46 NA NA NA
## 6 Kabupaten Kediri 11.40 72.05 5.24 13.15 NA NA NA
## 7 Kabupaten Malang 10.15 70.36 5.49 13.18 NA NA NA
## 8 Kabupaten Lumajang 9.83 65.46 3.36 11.81 NA NA NA
## 9 Kabupaten Jember 10.09 67.11 5.12 13.42 NA NA NA
## 10 Kabupaten Banyuwangi 8.06 70.62 5.34 12.80 NA NA NA
## 11 Kabupaten Bondowoso 14.17 66.43 4.13 13.28 NA NA NA
## 12 Kabupaten Situbondo 12.22 67.38 3.85 13.15 NA NA NA
## 13 Kabupaten Probolinggo 18.61 66.07 4.86 12.35 NA NA NA
## 14 Kabupaten Pasuruan 9.26 68.60 6.24 12.41 NA NA NA
## 15 Kabupaten Sidoarjo 5.59 80.29 10.97 14.93 NA NA NA
## 16 Kabupaten Mojokerto 10.57 73.83 5.75 12.88 NA NA NA
## 17 Kabupaten Jombang 9.94 72.97 7.48 13.27 NA NA NA
## 18 Kabupaten Nganjuk 11.62 71.72 4.80 12.86 NA NA NA
## 19 Kabupaten Madiun 11.46 71.73 4.80 13.16 NA NA NA
## 20 Kabupaten Magetan 10.35 73.92 3.74 14.03 NA NA NA
## 21 Kabupaten Ngawi 15.44 70.54 5.44 12.70 NA NA NA
## 22 Kabupaten Bojonegoro 12.87 69.04 4.92 12.39 NA NA NA
## 23 Kabupaten Tuban 15.91 68.40 4.81 12.21 NA NA NA
## 24 Kabupaten Lamongan 13.85 72.58 5.13 13.48 NA NA NA
## 25 Kabupaten Gresik 12.40 76.11 8.21 13.73 NA NA NA
## 26 Kabupaten Bangkalan 20.56 64.11 8.77 11.60 NA NA NA
## 27 Kabupaten Sampang 22.78 62.70 3.35 12.37 NA NA NA
## 28 Kabupaten Pamekasan 14.60 66.26 3.49 13.64 NA NA NA
## 29 Kabupaten Sumenep 20.18 66.43 2.84 13.20 NA NA NA
## 30 Kota Kediri 7.69 78.23 6.21 15.26 NA NA NA
## 31 Kota Blitar 7.78 78.57 6.68 14.32 NA NA NA
## 32 Kota Malang 4.44 81.45 9.61 15.51 NA NA NA
## 33 Kota Probolinggo 7.43 73.27 6.70 13.59 NA NA NA
## 34 Kota Pasuruan 6.66 75.26 6.33 13.62 NA NA NA
## 35 Kota Mojokerto 6.24 78.04 6.74 14.00 NA NA NA
## 36 Kota Madiun 4.98 80.91 8.32 14.40 NA NA NA
## 37 Kota Surabaya 5.02 82.23 9.79 14.80 NA NA NA
## 38 Kota Batu 3.89 75.90 5.93 14.13 NA NA NA
## 39 NA NA NA NA NA NA NA2.5 Analisis Regresi Linier Berganda
#Analisis Regresi Linier Bergenda Dengan Fungsi lm
REG<-lm(Y~X1+X2+X3,data=DATA)
summary(REG)##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = DATA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.4886 -1.8757 -0.0514 1.7908 5.4452
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 67.1936 8.3541 8.043 2.24e-09 ***
## X1 -0.8671 0.1997 -4.343 0.00012 ***
## X2 0.3473 0.3305 1.051 0.30066
## X3 0.3151 0.9277 0.340 0.73623
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.828 on 34 degrees of freedom
## (1 observation deleted due to missingness)
## Multiple R-squared: 0.6478, Adjusted R-squared: 0.6167
## F-statistic: 20.84 on 3 and 34 DF, p-value: 7.669e-08Perintah untuk analisis regresi dengan fungsi lm, Y sebagai respons, X1, X2 dan X3 prediktor dan data yang digunakan pada obyek DATA dan disimpan pada obyek REG. summarry adalah Perintah untuk menampilkan hasil analisis regresi.
2.6 Uji Asumsi Sisaan
#Pemeriksaan sisaan
par(mfrow=c(2,2))
plot(REG)
Perintah untuk menamilkan semua plot dalam satu layar, yang mengatur tampilan gambar pada dua baris, masing-masing baris berisi dua gambar
2.7 Uji Asumsi Multikolinieritas
#Pendeteksian Multikolinieritas
library(car)## Loading required package: carDatavif(REG)## X1 X2 X3
## 4.697001 2.028016 3.346588Digunakan fungsi vif untuk mendeteksi multikolinieritas
2.8 Uji Asumsi Normalitas
#uji normalitas galat
sisa<-residuals(REG)
library(tseries)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoojarque.bera.test(sisa)##
## Jarque Bera Test
##
## data: sisa
## X-squared = 0.50835, df = 2, p-value = 0.7756shapiro.test(sisa)##
## Shapiro-Wilk normality test
##
## data: sisa
## W = 0.98781, p-value = 0.9468Melakukan uji jarque bera dan uji shapiro pada obyek sisa
2.9 Uji Asumsi Homogenitas
#uji homogenitas ragam galat
library(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericbptest(REG)##
## studentized Breusch-Pagan test
##
## data: REG
## BP = 7.9019, df = 3, p-value = 0.04808Perintah untuk melakukan uji Breusch Pagan
2.10 Uji Asumsi Autokorelasi
#uji non autokorelasi galat
dwtest(REG)##
## Durbin-Watson test
##
## data: REG
## DW = 1.2102, p-value = 0.002598
## alternative hypothesis: true autocorrelation is greater than 0Perintah untuk melakukan uji Durbin Watson
3 HASIL DAN PEMBAHASAN
3.1 Analisis Regresi
3.1.1 Hipotesis
- Indeks Pembangunan Manusia(\(X_1\))
\(H_0 : \beta_1\) = Indeks Pembangunan Manusia (\(X_1\)) tidak mempunyai pengaruh yang signifikan secara parsial terhadap Persentase penduduk miskin di Jawatimur (Y).
\(H_1 : \beta_1\) = Indeks Pembangunan Manusia (\(X_1\)) mempunyai pengaruh yang signifikan secara parsial terhadap Persentase penduduk miskin di Jawatimur (Y).
- Tingkat Pengangguran Terbuka (\(X_2\))
\(H_0 : \beta_1\) = Tingkat Pengangguran Terbuka (\(X_2\)) tidak mempunyai pengaruh yang signifikan secara parsial terhadap Persentase penduduk miskin di Jawatimur (Y).
\(H_1 : \beta_1\) = Tingkat Pengangguran Terbuka (\(X_2\)) mempunyai pengaruh yang signifikan secara parsial terhadap Persentase penduduk miskin di Jawatimur (Y).
- Harapan Lama Sekolah (\(X_3\))
\(H_0 : \beta_1\) = Harapan Lama Sekolah (\(X_3\)) tidak mempunyai pengaruh yang signifikan secara parsial terhadap Persentase penduduk miskin di Jawatimur (Y).
\(H_1 : \beta_1\) = Harapan Lama Sekolah (\(X_3\)) mempunyai pengaruh yang signifikan secara parsial terhadap Persentase penduduk miskin di Jawatimur (Y).
3.1.2 Analisis Regresi Linier Berganda
Dari hasil analisis regresi didapatkan:
#Analisis Regresi Linier Bergenda Dengan Fungsi lm
REG<-lm(Y~X1+X2+X3,data=DATA)
summary(REG)##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = DATA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.4886 -1.8757 -0.0514 1.7908 5.4452
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 67.1936 8.3541 8.043 2.24e-09 ***
## X1 -0.8671 0.1997 -4.343 0.00012 ***
## X2 0.3473 0.3305 1.051 0.30066
## X3 0.3151 0.9277 0.340 0.73623
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.828 on 34 degrees of freedom
## (1 observation deleted due to missingness)
## Multiple R-squared: 0.6478, Adjusted R-squared: 0.6167
## F-statistic: 20.84 on 3 and 34 DF, p-value: 7.669e-08Berdasarkan summary diatas didapatkan model regresi linier berganda sebagai berikut: \[ Y = 67.1936 - 0.8671X_1 + 0.3473X_2 + 0.3151X_3 \]
Persamaan diatas dapat dijelaskan sebagai berikut:
Jika Indeks Pembangunan Manusia bertambah 1 satuan, maka persentase penduduk miskin di Jawa Timur akan berkurang 0.8671 sedangkan variabel yang lain konstan.
Jika Tingkat Pengangguran Terbuka naik sebesar 1 satuan, maka persentase penduduk miskin di Jawa Timur akan bertambah 0.3473 sedangkan variabel yang lain tetap
Jika Harapan Lama Sekolah naik sebesar 1 satuan, maka persentase penduduk miskin di Jawa Timur akan bertambah 0.3151 sedangkan variabel yang lain tetap
Dari ouput di atas dapat diketahui nilai R-Squared = 0.6478, dan Adjusted R-squared = 0.6167, dan nilai p sebesar = 7.669e-08
3.2 Uji Asumsi klasik
3.2.1 plot asumsi klasik
- plot Residuals vs Fitted
plot(REG,1)
plot Residuals vs Fitted menunjukkan ragam sisaan menyebar heterogen
- Q-Q plot
plot(REG,2)
Plot Normal Q-Q menunjukan tidak adanaya pelanggaran normalitas
- Plot Scale – Location
plot(REG,3)
Dari Plot Scale – Location dapat dilihat ada masalah heteroskedastisitas
3.2.2 Hasil Uji Asumsi Multikolinieritas
suatu data dikatakan terdapat multikolinieritas jika nilai vif>10, sedangkan suatu data dikatakan tidak terdapat multikolinieritas jika nilai vif<10 Dari perhitungan manual maupun perhitungan Rstudio menunjukan hasil:
#Pendeteksian Multikolinieritas
library(car)
vif(REG)## X1 X2 X3
## 4.697001 2.028016 3.346588karena nilai vif dari x1 dan x2 < 10, maka dapat dikatakan bahwa data tersebut tidak terdapat multikolinieritas
3.2.3 Hasil Uji Asumsi Normalitas
#Q-Q plot
plot(REG,2)
Plot Normal Q-Q menunjukan tidak adanaya pelanggaran normalitas
3.2.3.1 jarque bera test
Hipotesis
\(H_0\) : Sisaan menyebar normal
\(H_1\) : Sisaan tidak menyebar normal \[ \alpha = 0.05 \] Statistik Uji :
#uji normalitas galat
sisa<-residuals(REG)
library(tseries)
jarque.bera.test(sisa)##
## Jarque Bera Test
##
## data: sisa
## X-squared = 0.50835, df = 2, p-value = 0.7756Dari uji jarque bera didapatkan nilai p sebesar 0.7756 > \(\alpha(0.05)\), maka terima \(H_0\). Dengan demikian dapat disimpulkan bahwa sisaan model menyebar normal.
3.2.4 Uji Homogenitas Ragam Sisaan
Hipotesis
\(H_0\) : Sisaan model memiliki ragam homogen
\(H_1\) : Sisaan model memiliki ragam heterogen
#Uji breusch pagan
library(lmtest)
bptest(REG)##
## studentized Breusch-Pagan test
##
## data: REG
## BP = 7.9019, df = 3, p-value = 0.04808#Plot Scale – Location
plot(REG,1)
Dari ouput di atas, dapat diketahui bahwa nilai p sebesar 0.04808 < \(\alpha(0.05)\). Dengan demikian sisaan model memiliki ragam yang heterogen
3.2.5 Uji Asumsi Autokorelasi
Hipotesis
\(H_0\) : Tidak terdapat autokorelasi antar residu
\(H_1\) : Terdapat autokorelasi antar residu
#Uji durbin watson
dwtest(REG)##
## Durbin-Watson test
##
## data: REG
## DW = 1.2102, p-value = 0.002598
## alternative hypothesis: true autocorrelation is greater than 0Dari ouput di atas dapat diketahui nilai p sebesar 0.002598 < \(\alpha(0.05)\). Dengan demikian dapat disimpulkan bahwa terdapat masalah autokorelasi antar residu
3.3 Kesimpulan
Berdasarkan Data yang digunakan, diperoleh model regresi linier berganda \[ Y = 67.1936 - 0.8671X_1 + 0.3473X_2 + 0.3151X_3 \]
Pada uji asumsi klasik, model regresi linier berganda tidak terdapat masalah mutikolinieritas, sisaan model memiliki ragam heterogen, Sisaan menyebar normal dan ada masalah autokorelasi.
Jika Indeks Pembangunan Manusia bertambah 1 satuan, maka persentase penduduk miskin di Jawa Timur akan berkurang 0.8671 sedangkan variabel yang lain konstan sehingga dapat dikatakan model memenuhi asumsi.
Jika Tingkat Pengangguran Terbuka naik sebesar 1 satuan, maka persentase penduduk miskin di Jawa Timur akan bertambah 0.3473 sedangkan variabel yang lain tetap
Jika Harapan Lama Sekolah naik sebesar 1 satuan, maka persentase penduduk miskin di Jawa Timur akan bertambah 0.3151 sedangkan variabel yang lain tetap
Dapat diketahui nilai R-Squared = 0.6478, dan Adjusted R-squared = 0.6167, dan nilai p sebesar = 7.669e-08
4 DAFTAR PUSTAKA
Kuncoro, M. (2010). Masalah, kebijakan, dan politik: ekonomika pembangunan. UPP STIM YKPN: Yogyakarta:
Badan Pusat Statistik. (2020). Indeks Pembangunan Manusia (IPM) Provinsi Jawa timur. BPS Provinsi Jawa timur
Arsyad, Lincolin. (2014). Modul 1 Ekonomi Pembangunan dan Pembangunan Ekonomi. STIE YKPN: Yogyakarta
Arka, S., & I Komang, A. D. P. (2018). Analisis Pengaruh Tingkat Pengangguran Terbuka, Kesempatan Kerja dan Tingkat Pendidikan Terhadap Tingkat Kemiskinan Pada Kabupaten/Kota di Provinsi Bali. E-Jurnal EP Unud, 7(3), 616–444.