(Y) Jumlah Tenaga
3. Pengujian Multikolinieritas
4.4.2. Analisis Hasil Perhitungan Koefisien Regresi
Dalam analisa ini menggunakan model analisis regresi linier berganda yang digunakan untuk mengetahui ada atau tidaknya pengaruh diantara variabel bebas terhadap variabel terikat.
Dari hasil pengolahan penelitian tersebut dapat diambil suatu rumus persamaan model regresi linier berganda sebagai berikut :
Y = 12,376 – 0,225x1 + 0,242x2 – 0,021x3 - 0,222x4
Dari persamaan diatas dapat diuraikan dalam suatu persamaan sebagai berikut:
a. Konstanta (β0) = 12,376
Menunjukkan besarnya pengaruh berbagai faktor diluar model, artinya jika variabel bebas dianggap konstan, maka diprediksikan Tingkat Pengangguran di Kota Surabaya naik sebesar 12,376%.
b. Koefisien regresi X1 (β1) = -0,225
Menunjukkan besarnya untuk X1, artinya apabila Jumlah Industri naik sebesar 1%, maka Tingkat Pengangguran di Kota Surabaya diprediksikan mengalami penurunan sebesar 0,225 % dengan asumsi X2, X3 dan X4 adalah konstan.
c. Koefisien regresi X2 (β2) = 0,242
Menunjukkan besarnya untuk X2, artinya apabila angkatan kerja bertambah 1%, maka Tingkat Pengangguran di Kota Surabaya diprediksikan mengalami kenaikan sebesar 0,242% dengan asumsi X1, X3 dan X4 adalah konstan.
d. Koefisien regresi X3 (β3) = -0,021
Menunjukkan besarnya untuk X3, artinya apabila Pertumbuhan Ekonomi bertambah 1%, maka Tingkat Pengangguran di Kota Surabaya diprediksikan mengalami penurunan sebesar 0,021% dengan asumsi X1, X2 dan X4 adalah konstan.
e. Koefisien regresi X4 (β4) = -0,222
Menunjukkan besarnya untuk X4, artinya apabila Inflasi bertambah 1%, maka Tingkat Pengangguran di Kota Surabaya diprediksikan mengalami penurunan sebesar 0,222% dengan asumsi X1, X2 dan X3 adalah konstan.
4.4.3. Pengujian Hasil Analisis Regresi Linier Berganda Sesuai Dengan
Asumsi Klasik (Best Linear Unbiassed Estimator) Sidoarjo
Sebelum kita uji persamaan regresi linier berganda sesuai dengan pengujian secara simultan maupun parsial, maka kita lihat terlebih dahulu apakah Y = β0+β1X1+β2X2+β3X3+β4X4 yang diasumsikan tidak terjadi pengaruh antar variabel bebas atau regresi bersifat BLUE (Best Linear Unbiassed Estimator), artinya koefisien regresi pada persamaan tersebut benar-benar linear tidak bias.
1. Pengujian Autokorelasi
Asumsi pertama dari regresi linier adalah ada atau tidaknya autokorelasi yang dilihat dari besamya nilai Durbin Watson. Dalam analisis nilai Durbin Watson adalah sebesar 2,958. Untuk mengetahui ada atau tidaknya gejala autokorelasi, maka perlu dilihat tabel Durbin Watson. Jumlah variabel bebas adalah empat buah (K=4) dan jumlah data adalah sebanyak 15 (n=15) maka diperoleh DL=0,685 dan DU = 1,977. Selanjutnya nilai tersebut diplotkan ke dalam kurva Durbin Watson.
Tabel 14 : Durbin Watson Pada Model Summary
Model Summary Model R R Square Adjusted
R Square
Std. Error of the
Estimate Durbin-Watson
1 .799a .638 .287 .5.16724 2,958
a Predictors: (Constant), INFLASI, PERTUMBUHAN EKONOMI, JUMLAH INDUSTRI, ANGKATAN KERJA
b. Dependent Variable : TINGKAT PENGANGGURAN Sumber: Lampiran 2
Gambar 10 : Kurva Durbin Watson
Ada Autokorelasi Ada Autokorelasi Positif Negatif
Daerah Tidak ada Autokorelasi Daerah
keragu- Positif dan tidak ada keragu- 2,958 raguan Autokorelasi Negatif raguan
DL = 0,685 DU = 1,977 4-DU = 2,023 4-DL = 3,315. Sumber : Lampiran 2 dan lampiran 5
Dari gambar diatas dapat dilihat bahwa nilai Durbin-Watson berada pada daerah keragu-raguan hal itu disebabkan karena ada kemungkinan terjadi korelasi antara komponen pengganggu ke-t dengan komponen penggangu ke (ke-t).
2. Pengujian Heterokedastisitas
Heterokedatisitas diidentifikasikan dengan koefisien korelasi Rank Spearman Berdasarkan tabel dibawah, diperoleh tingkat signifikansi koefisien korelasi Rank Spearman untuk semua variabel bebas terhadap residual lebih besar dari 0.05 (5%).
Tabel 15 : Hasil Pengujian Heterokedastisitas
Variabel
Taraf Signifikansi Dari Korelasi Rank Spearman >/< Taraf α Uji Jumlah Industri (X1) 0,176 > 0,05 Angkatan Kerja (X2) 0,539 > 0,05 Pertumbuhan (X3) 0,140 > 0,05 Inflasi(X4) 0,383 > 0,05 Sumber: Lampiran 2
Dari hasil pengujian heterokedastisitas diperoleh tingkat signifikansi dari.korelasi Rank Spearman lebih besar dari taraf level of signifikan yaitu 5% (0,05).
3. PengujianMultikolinieritas
Asumsi klasik ketiga dari regresi linier berganda adalah ada atau tidaknya multikolinearitas antara sesama variabel bebas yang ada dalam model dengan kata lain tidak adanya hubungan sempurna antara variabel bebas yang ada dalam model.
Identifikasi secara statistik atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung Variance Inflation Factor (VIF), dengan rumus sebagai berikut :
1 1
VIF = = ………..(Algafri, 1997:79) 1 – Rj2 toleransi
VIF menyatakan tingkat "pembengkakan" varians. Apabila VIF lebih kecil dari 10 hal ini berarti tidak ada gejala multikolinearitas. Untuk lebih jelasnya dapat dilihat pada tabel 10 berikut ini :
Tabel 16 : Uji Multikolinearitas
Sumber : Lampiran 2
Variabel VIF >/< Ketentuan Kesimpulan
Jumlah Industri (X1) 1,975 < 10 Non Multikolinier Angkatan Kerja (X2) 2,100 < 10 Non Multikolinier Pertumbuhan Ekonomi (X3) 1,286 < 10 Non Multikolinier Inflasi (X4) 1,320 < 10 Non Multikolinier
Berdasarkan tabel uji multikolinearitas menunjukkan nilai VIF untuk Jumlah Industri (X1) sebesar 1,975, nilai VIF untuk Angkatan Kerja (X2) sebesar 2,100, nilai VIF untuk Pertumbuhan Ekonomi (X3) sebesar 1,286, dan nilai VIF untuk Inflasi (X4) sebesar 1,320. Hal ini berarti nilai VIF pada keempat variabel bebas X1, X2, X3 dan X4 lebih kecil dari 10, sehingga keempat variabel bebas tersebut pada penelitian ini tidak ada gejala multikolinearitas.
4.4.4. Analisis Hasil Perhitungan Koefisien Regresi
Dalam analisa ini menggunakan model analisis regresi linier berganda yang digunakan untuk mengetahui ada atau tidaknya pengaruh diantara variabel bebas terhadap variabel terikat.
Dari hasil pengolahan penelitian tersebut dapat diambil suatu rumus persamaan model regresi linier berganda sebagai berikut :
Y = 42,366 – 3,941 X1 – 3,903X2 - 1,728X3 – 2,633X4
Dari persamaan diatas dapat diuraikan dalam suatu persamaan sebagai berikut:
a. Konstanta (β0) = 42,366
Menunjukkan besarnya pengaruh berbagai faktor diluar model, artinya jika variabel bebas dianggap konstan, maka diprediksikan Tingkat Pengangguran di Kota Sidoarjo naik sebesar 42,366%.
b. Koefisien regresi X1 (β1) = -3,941%
Menunjukkan besarnya untuk X1, artinya apabila Jumlah Industri naik sebesar 1%, maka Tingkat Pengangguran di Kota Sidoarjo diprediksikan mengalami penurunan sebesar 3,941% dengan asumsi X2, X3 dan X4 adalah konstan.
c. Koefisien regresi X2 (β2) = -3,903
Menunjukkan besarnya untuk X2, artinya apabila angkatan kerja bertambah 1% maka, Tingkat Pengangguran di Kota Sidoarjo diprediksikan mengalami penurunan sebesar 3,903% dengan asumsi X1, X3 dan X4 adalah konstan.
d. Koefisien regresi X3 (β3) = -1,728
Menunjukkan besarnya untuk X3, artinya apabila Pertumbuhan Ekonomi bertambah 1%, maka Tingkat Pengangguran di Kota Sidoarjo diprediksikan mengalami penurunan sebesar 1,728% dengan asumsi X1, X2 dan X4 adalah konstan.
e. Koefisien regresi X4 (β4) = -2,633
Menunjukkan besarnya untuk X4, artinya apabila Inflasi bertambah 1%, maka Tingkat Pengangguran di Kota Sidoarjo diprediksikan mengalami penurunan sebesar 2,633% dengan asumsi X1, X2 dan X3 adalah konstan.
4.5. Hipotesis Secara Simultan Dan Parsial