BAB IV HASIL PENELITIAN DAN PEMBAHASAN
C. Hasil Analisis Data
1. Uji Asumsi Klasik
Analisis uji prasyarat dalam penelitian ini yaitu menggunakan asumsi klasik sebagai salah satu syarat dalam menggunakan analisis regresi. Adapun pengujiannya terbagi dalam beberapa tahap pengujian yaitu :
a. Uji Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya memiliki distribusi normal atau tidak. Model regresi yang baik adalah model yang memiliki data residual terdistribusi secara normal. Normal tidaknya residual dengan membandingkan nilai Probabilitas JB (Jarque-Bera) hitung dengan tingkat alpha 0,05 (5%).
Apabila Prob. JB hitung lebih besar dari 0,05 maka dapat disimpulkan bahwa residual terdistribusi normal dan sebaliknya, apabila nilai-nya lebih kecil maka tidak cukup bukti untuk menyatakan bahwa residual terdistribusi normal. Berikut ini gambaran hasil dari pengujian Normality Test :
Tabel 4.6 Uji Normalitas
Jarque-Bera Probability
0,476986 0,787814
Sumber : Eviews 10, 2021
Berdasarkan hasil output yang telah didapatkan, dari nilai probabilitas JB hitung menunjukkan bahwa nilai Prob. JB hitung 0,476> 0,05. Dengan demikian, dapat disimpulkan bahwa asumsi normalitas telah terpenuhi dan layak untuk digunakan.
66
b. Uji Multikolinieritas
Pengujian ini bertujuan untuk menguji apakah dalam model regresi menentukan korelasi antar variabel independen. Adapun hasil uji multikolinieritas dapat dilihat pada tabel berikut :
Tabel 4.7 Uji Multikolinieritas Sumber : Eviews 10, 2021
Pada tabel multikolinieritas diatas, variabel Jumlah Penduduk dan pengangguran menunjukkan angka kurang dari 0,90 maka dalam penelitian ini bisa ditarik suatu kesimpulan bahwa gejala multikolinieritas tidak terjadi.
c. Uji Autokorelasi
Autokorelasi dapat dikatakan sebagai korelasi antara anggota-anggota dari serangkaian observasi yang berderetan waktu. Uji ini berfungsi untuk mengetahui apakah terdapat suatu penyimpangan dari hipotesis autokorelasi, yaitu hubungan timbal balik dengan observasi lainnya dalam model regresi. Dan hasil uji autokorelasi untuk penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.8 Uji Autokorelasi
Model Breusch-Godfrey Serial Correlation LM Test:
1 F-statistic 0.268667 Prob. F(2,10) 0.7697 Obs*R-squared 0.764899 Prob. Chi-Square(2) 0.6822 2 F-statistic 0.041847 Prob. F(2,9) 0.9592 Obs*R-squared 0.138204 Prob. Chi-Square(2) 0.9332 Sumber: Eviews 10, 2021
Berdasarkan pengujian dengan menggunakan Godfrey Serial Correlation LM test menunjukkan bahwa Prob. Chi Square (2) nya dalam model 1 sebesar
0.6822 dan pada model 2 sebesar 0.9332 artinya tidak terjadi autokorelasi karena lebih besar dari 0,05.
d. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah dalam sebuah model regresi, terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians dari residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas, dan jika varians berbeda, maka disebut Heteroskedastisitas. Pengujian heteroskedastisitas yang digunakan pada penelitian ini adalah model Uji Glejser sebagai berikut :
Tabel 4.9 Uji Heteroskedastisitas Heteroskedasticity Test: Glejser
F-statistic 3.265004 Prob. F(3,11) 0.0631 Obs*R-squared 7.065404 Prob. Chi-Square(3) 0.0698 Scaled explained SS 4.820573 Prob. Chi-Square(3) 0.1854
Sumber : Eviews 10, 2021
Berdasarkan tabel di atas menunjukkan bahwa nilai probabilitas Chi Square dari Obs* R-Squared sebesar 0,0698 yang besarnya lebih besar dari 0,05, hal ini berarti dalam penelitian ini tidak terjadi masalah heteroskedastisitas.
2. Uji Hipotesis a. Uji simultan (uji f)
Uji f digunakan untuk mengetahui apakah seluruh variabel independen yang dimasukkan dalam model regresi mempunyai pengaruh secara simultan terhadap variabel dependen. Untuk hasil analisis bisa dilihat dalam tabel berikut ini :
68
Tabel 4.10 Hasil Uji Simultan (Uji F)
Model 1 F-statistic 51,69935
Prob(F-statistic) 0,000001
Model 2 F-statistic 9,433576
Prob(F-statistic) 0,002240 Sumber : Eviews 10, 2021
Dari hasil regresi model persamaan 1 yang ditunjukkan pada tabel pengaruh variabel jumlah penduduk (X1), dan pengangguran (X2) terhadap kemiskinan (Y1), maka diperoleh nilai signifikan 0,000 < 0,05. Hal ini menunjukkan bahwa variabel independen secara bersama-sama berpengaruh signifikan dan simultan terhadap variabel kemiskinan di Provinsi Sulawesi Selatan.
Sedangkan dalam model persamaan 2 yang ditunjukkan pada tabel pengaruh variabel jumlah penduduk (X1), dan pengangguran (X2) terhadap kemiskinan (Y1)melalui variabel intervening yakni pertumbuhan ekonomi (Y2) , maka diperoleh nilai signifikan 0,002< 0,05 . Hal ini menunjukkan bahwa variabel independen secara bersama-sama berpengaruh signifikan dan simultan terhadap variabel pertumbuhan ekonomi di Provinsi Sulawesi Selatan.
b. Uji secara parsial (uji t)
Uji t pada dasarnya untuk menunjukkan secara parsial mengenai pengaruh variabel independen terhadap variabel dependen. Perhitungan t tabel dilihat dari hasil pengujian parsial terhadap masing-masing variabel, sedangkan nilai t-tabel diperoleh dari :
Diketahui N=15 k=4 α=0,05 Nilai t-tabel = (α/2 ; N-k)
= (0,05/2 ; 15-4)
= (0,025 ; 11)
Kemudian distribusi nilai t-tabel ditemukan nilai sebesar 2,20099.
Adapun dasar pengambilan keputusan yaitu :
1. Jika nilai signifikansi < 0,05 dan thitung> ttabel, maka H0 ditolak dan Ha diterima.
2. Jika nilai signifikansi > 0,05 dan thitung< ttabel, maka Ha ditolak dan H0
diterima.
Persamaan 1
Tabel 4.11 Hasil Uji Parsial (Uji T) Model Y1
Variable Coefficient Std. Error t-Statistic Prob.
C 12.34434 2.387343 5.170743 0.0002 X1 -1.253128 0.306363 -4.090338 0.0015 X2 0.235070 0.065954 3.564146 0.0039 Sumber : Eviews 10, 2021
Pengujian parsial masing-masing variabel pada model persamaan 1 yakni jumlah penduduk (X1) dan pengangguran (X2) secara parsial terhadap variabel kemiskinan di Provinsi Sulawesi Selatan dapat dianalisis sebagai berikut :
1. Pengaruh Jumlah Penduduk terhadap kemiskinan
Berdasarkan hasil analisis regresi yang diperoleh nilai probabilitas t-hitung adalah sebesar -4,090 lebih kecil dari t-tabel (df = 2,20099), sehingga hipotesis H0 diterima. Artinya variabel jumlah penduduk berpengaruh negatif dan signifikan terhadap kemiskinan. Nilai t negatif menunjukkan bahwa jumlah penduduk mempunyai hubungan yang tidak searah dengan peningkatan kemiskinan di Provinsi Sulawesi Selatan. Ini dikarenakan bahwa jumlah
70
penduduk bukanlah satu-satunya faktor paling berpengaruh peningkatan kemiskinan di Provinsi Sulawesi Selatan.
2. Pengaruh Pengangguran terhadap kemiskinan
Berdasarkan hasil analisis regresi yang diperoleh nilai probabilitas t-hitung adalah sebesar 3,564 lebih besar dari t-tabel (df = 2,20099), sehingga hipotesis H0 ditolak. Artinya variabel pengangguran tidak berpengaruh signifikan dan positif terhadap kemiskinan. Nilai t negatif menunjukkan bahwa pengangguran tidak mempunyai hubungan dengan peningkatan kemiskinan di Provinsi Sulawesi Selatan.
Persamaan 2
Tabel 4.12 Hasil Uji Parsial (Uji T) Model Y2
Variable Coefficient Std. Error t-Statistic Prob.
C 951.5554 277.1513 3.433343 0.0056 X1 -114.9553 30.63035 -3.752988 0.0032 X2 -17.14056 6.114485 -2.803271 0.0172 Y1 -11.52575 18.65269 -0.617914 0.5492 Sumber :Eviews 10, 2021
Pengujian parsial masing-masing variabel pada model persamaan 2 yakni jumlah penduduk (X1), pengangguran (X2) melalui variabel kemiskinan (Y1) secara parsial terhadap variabel pertumbuhan ekonomi di Provinsi Sulawesi Selatan dapat dianalisis sebagai berikut :
1. Pengaruh Jumlah Penduduk terhadap Pertumbuhan Ekonomi
Berdasarkan hasil analisis regresi yang diperoleh nilai probabilitas t-hitung adalah sebesar -3,752 lebih kecil dari t-tabel (df = 2,20099), sehingga hipotesis H0 diterima. Artinya variabel jumlah penduduk berpengaruh negatif dan
signifikan terhadap pertumbuhan ekonomi. Nilai t negatif menunjukkan bahwa jumlah penduduk mempunyai hubungan yang tidak searah dengan peningkatan pertumbuhan ekonomi di Provinsi Sulawesi Selatan. Ini dikarenakan bahwa jumlah penduduk bukanlah satu-satunya faktor paling berpengaruh peningkatan pertumbuhan ekonomi di Provinsi Sulawesi Selatan.
2. Pengaruh Pengangguran terhadap Pertumbuhan Ekonomi
Berdasarkan hasil analisis regresi yang diperoleh nilai probabilitas t-hitung adalah sebesar -2,803 lebih kecil dari t-tabel (df = 2,20099), sehingga hipotesis H0 diterima. Artinya variabel pengangguran berpengaruh negatif dan signifikan terhadap pertumbuhan ekonomi. Nilai t negatif menunjukkan bahwa pengangguran mempunyai hubungan yang tidak searah dengan peningkatan pertumbuhan ekonomi di Provinsi Sulawesi Selatan. Ini dikarenakan bahwa pengangguran bukanlah satu-satunya faktor paling berpengaruh peningkatan pertumbuhan ekonomi di Provinsi Sulawesi Selatan.
3. Pengaruh Kemiskinan terhadap Pertumbuhan Ekonomi
Berdasarkan hasil analisis regresi yang diperoleh nilai probabilitas t-hitung adalah sebesar -0,617 lebih kecil dari t-tabel (df = 2,20099), sehingga hipotesis H0 diterima. Artinya variabel kemiskinan berpengaruh negatif dan tidak signifikan terhadap pertumbuhan ekonomi. Nilai t negatif menunjukkan bahwa kemiskinan mempunyai hubungan yang tidak searah dengan peningkatan pertumbuhan ekonomi di Provinsi Sulawesi Selatan. Ini dikarenakan bahwa kemiskinan bukanlah satu-satunya faktor paling berpengaruh peningkatan pertumbuhan ekonomi di Provinsi Sulawesi Selatan.
72
c. Koefisien Determinasi (R2)
Uji koefisien determinasi ini digunakan untuk mengukur seberapa jauh variabel-variabel bebas dalam menerangkan variabel terikatnya. Nilai koefisien determinasi untuk dua variabel bebas ditentukan dengan R square, adapun hasil koefisien determinasi dapat dilihat pada tabel berikut :
Tabel 4.13 Hasil Uji Koefisien Determinasi (R2)
Model R Square Adjusted R Square
1 0.896 0.878
2 0.720 0.643
Sumber : Eviews 10, 2021
Tabel hasil regresi pada model 1 di atas pengaruh jumlah penduduk dan pengangguran terhadap kemiskinan di Provinsi Sulawesi Selatan diperoleh nilai R2 sebesar 0,896 . Hal ini berarti variasi dari variabel jumlah penduduk dan pengangguran terhadap kemiskinan di Provinsi Sulawesi Selatan adalah sebesar 89,6 persen. Adapun sisanya variasi variabel lain dijelaskan diluar model sebesar 10,4 persen.
Tabel hasil regresi pada model 2 menunjukkan pengaruh variabel jumlah penduduk dan pengangguran terhadap kemiskinan melalui pertumbuhan ekonomi di Provinsi Sulawesi Selatan diperoleh nilai R2 sebesar 0,720 . Hal ini berarti variasi dari variabel jumlah penduduk dan pengangguran terhadap kemiskinan melalui pertumbuhan ekonomi di Provinsi Sulawesi Selatan sebesar 72 persen.
Adapun sisanya variasi dari variabel lain dijelaskan diluar model sebesar 28 persen.
3. Analisis Jalur (Path Analysis)
Analisis jalur merupakan suatu teknik pengembangan dari regresi linier berganda, dengan menggunakan teknik hubungan sebab-akibat untuk menganalisis pengaruh variabel bebas dalam suatu model terhadap variabel terikatnya. Dalam analisis ini juga dapat dilihat pengaruh secara langsung maupun tidak langsung dalam suatu model regresi yang dianalisis.
Berdasarkan model analisis regresi maka diperoleh hubungan antara setiap variabel. Adapun pengaruh masing-masing variabel bebas terhadap variabel terikat dalam sebuah model regresi dapat dilihat nilai-nilai koefisien dan tingkat signifikan di masing-masing pada tabel 4.14 dibawah. Pada analisis jalur dapat dibedakan pengaruh langsung maupun tidak langsung dari variabel dependen ke variabel independennya. Jalur langsung merupakan pengaruh langsung dari satu variabel bebas ke variabel terikat, sedangkan jalur tidak langsung merupakan pengaruh yang melalui suatu variabel antara atau variabel intervening.
Tabel 4.14 Pengaruh jumlah penduduk dan pengangguran terhadap kemiskinan dan pertumbuhan ekonomi
Ket : * adalah data signifikan (0,05) Sumber : Eviews 10, 2021
Berdasarkan model struktural di atas dapat ditulis kembali menjadi persamaan regresi sebagai berikut:
74
Persamaan 1 : Y1 = α0 + α1X1 + α2X2 + e1
Y1 = 12,344 – 1,253 X1 + 0,235 X2 + 0,05
Hasil dari persamaan regresi di atas dapat di interpretasikan sebagai berikut :
1. Nilai koefisien β0 sebesar 12,344. Jika variabel jumlah penduduk (X1), dan pengangguran (X2), statis tidak mengalami perubahan atau konstan, maka kemungkinan akan terjadi peningkatan kemiskinan (Y1) sebesar 12,344.
2. Nilai koefisien β1 sebesar -1,253, hal ini menunjukkan bahwa jika terjadi peningkatan kemiskinan sebesar 1 persen maka akan menurunkan jumlah penduduk (X1) sebesar -1,253 dengan asumsi bahwa variabel pengangguran (X2) dianggap konstan.
3. Nilai koefisien β2 sebesar 0,235, hal ini menunjukkan bahwa jika terjadi peningkatan kemiskinan sebesar 1 persen maka akan menurunkan pengangguran (X2) sebesar 0,235 dengan asumsi bahwa variabel jumlah penduduk (X1) dianggap konstan.
Persamaan 2 : Y2 = β0 +β1X1 + β2X2 + β3Y1 + e2
Y2 = 951,555 – 114,955X1 – 17,140X2 -11,525 Y1 + 0,05
Hasil dari persamaan regresi di atas dapat di interpretasikan sebagai berikut :
1. Nilai koefisien β0 sebesar 951,555, jika variabel jumlah penduduk (X1), pengangguran (X2) dan kemiskinan (Y1) status tidak mengalami
perubahan atau konstan, maka kemungkinan akan terjadi peningkatan pertumbuhan ekonomi sebesar 951.555.
2. Nilai koefisien β1 sebesar -114,955, hal ini menunjukkan bahwa jika terjadi peningkatan jumlah penduduk sebesar 1 persen maka akan menurunkan pertumbuhan ekonomi sebesar -114,955 dengan asumsi bahwa variabel pengangguran(X2) dan kemiskinan (Y1) dianggap konstan.
3. Nilai koefisien β2 sebesar -17,140, hal ini menunjukkan bahwa jika terjadi peningkatan pengangguran sebesar 1 persen maka akan menurunkan pertumbuhan ekonomi sebesar -17,140 dengan asumsi bahwa variabel jumlah penduduk (X1) dan kemiskinan (Y1) dianggap konstan.
4. Nilai koefisien β3 sebesar -11,525, hal ini menunjukkan bahwa jika terjadi peningkatan kemiskinan sebesar 1 persen maka akan menurunkan pertumbuhan ekonomi sebesar -11,525 dengan asumsi bahwa variabel jumlah penduduk (X1) dan pengangguran (X2) dianggap konstan.
76
Gambar 4.1 Model Kausalitas Pengaruh Jumlah Penduduk dan Pengangguran terhadap Kemiskinan dan Pertumbuhan Ekonomi
Gambar 4.1 memaparkan mengenai distribusi nilai pengaruh langsung, intervening dan tolak antar variabel. Jalur langsung adalah nilai t dari variabel bebas ke variabel terikat, sedangkan jalur tidak langsung adalah pengaruh melalui variabel perantara.