HASIL DAN PEMBAHASAN
B. Deskriptif Variabel
5. Perkembangan Jumlah Industri
5. Perkembangan Jumlah Industri
Jumlah industri adalah banyaknya industri yang tersebar di Kota Makassar. Industri adalah suatu kegiatan ekonomi yang melakukan kegiatan mengubah suatu barang dasar secara mekanis, kimia, atau dengan tangan sehingga menjadi barang jadi/setengah jadi, dan atau barang yang kurang nilainya menjadi barang yang lebih tinggi nilainya, dan sifatnya lebih dekat kepada pemakai akhir. Termasuk dalam kegiatan ini adalah jasa industri/makloon dan pekerjaan perakitan. usaha industri adalah suatu unit (kesatuan) usaha yang melakukan kegiatan ekonomi, bertujuan menghasilkan barang atau jasa, terletak pada suatu bangunan atau lokasi tertentu, dan mempunyai catatan administrasi tersendiri mengenai produksi dan struktur biaya serta ada seorang atau lebih yang bertanggung jawab atas usaha tersebut.
Pada tabel 4.6, jumlah industri dari tahun ke tahun mengalami kenaikan secara signifikan namun presentase kenaikannya menurun pada tahun 2012 sampai 2016. Kenaikan jumlah industri disebabkan karena investasi yang ada di Kota Makassar digunakan untuk membangun industri-industri dan berdampak pada kenaikan jumlah industri setiap tahunnya.
55
Tabel 4.6
Jumlah Industri Kecil Menengah/Besar di Kota Makassar Periode 2007-2016
Tahun Jumlah industri (unit) Presentase
(%) 2007 4.512 - 2008 4.629 2,59 2009 4.732 2,22 2010 4.860 2,70 2011 4.997 2,81 2012 5.093 1,92 2013 5.131 0,74 2014 5.151 0,38 2015 5.162 0,21 2016 5.181 0,36
Sumber: Laporan Disperindag Tahun 2017
C. Analisis Statistik 1. Uji Asumsi Klasik
a. Normalitas Data
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Salah satu metode untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik, baik dengan melihat grafik secara histogram ataupun dengan melihat secara Normal Probability Plot. Normalitas data dapat dilihat dari penyebaran data (titik) pada sumbu diagonal pada grafik normal P-Plot atau dengan melihat histogram dari residualnya.
56
Gambar 4.1 Grafik P-Plot
Sumber: Output SPSS 21 Yang Diolah, Tahun 2017
b. Uji Multikolonearitas
Uji ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel independent. Model yang baik seharusnya tidak terjadi korelasi antara yang tinggi diantara variabel bebas. Torelance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai toleransi rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance) dan menujukkan adanya kolinearitas yang tinggi. Nilai cotuff yang umum dipakai adalah tolerance 0,10 atau sama dengan nilai VIF diatas 10.
Berdasarkan aturan variance inflation factor (VIF) dan tolerance, maka apabila VIF melebihi angka 10 atau tolerance kurang dari 0,10 maka dinyatakan
57
terjadi gejalah multikolinieritas. Sebaliknya apabila nilai VIF kurang dari 10 atau
tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinieritas.
Tabel 4.7 Uji Multikolinearitas
Coefficientsa
Model Collinearity Statistics Tolerance VIF 1 (Constant) Investasi .203 .669 PDRB .202 .684 Belanja Pemerintah .282 .641 Jumlah Industri .204 .689
Sumber: Output SPSS 21 Yang Diolah, Tahun 2017
Berdasarkan tabel 4.7 di atas, maka dapat diketahui nilai VIF untuk masing-masing variabel penelitian sebagai berikut :
1) Nilai VIF untuk variabel investasi sektor industri sebesar 0,669< 10 dan nilai toleransi sebesar 0,203> 0,10 sehingga variabel investasi sektor industri dinyatakan tidak terjadi gejala multikolinieritas.
2) Nilai VIF untuk variabel PDRB sektor industri sebesar 0,684< 10 dan nilai toleransi sebesar 0,202> 0,10 sehingga variabel PDRB di sektor industri nyatakan tidak terjadi multikolonieritas.
3) Nilai VIF untuk variabel belanja pemerintah sektor industri sebesar 0,641< 10 dan nilai toleransi sebesar 0,282> 0,10 sehingga variabel belanja pemerintah sektor industri dinyatakan tidak terjadi multikolonieritas.
58
4) Nilai VIF untuk variabel jumlah industri sebesar 0,689< 10 dan nilai toleransi sebesar 0,204> 0,10 sehingga variabel jumlah industri dinyatakan tidak terjadi multikolonieritas.
c. Uji autokorelasi
Autokorelasi dapat diartikan sebagai korelasi diantara anggota-anggota dari serangkaian observasi yang berderetan waktu. Uji autokorelasi digunakan untuk mengetahui ada tidaknya penyimpangan asumsi klasik autokorelasi, yaitu korelasi antara residual satu pengamatan dengan pengamatan lain pada model regresi. Pengujian ini menggunakan Durbin Watson. Dan hasil uji autokorelasi untuk penelitian ini dapat dilihat pada tabel uji Durbin Watson berikut:
Tabel 4.8 Uji Autokorelasi
Model Summaryb
Model
Change Statistics Durbin-Watson df1 df2 Sig. F Change
1 4 5 ,000 3.191
Sumber: Output SPSS 21 Yang Diolah, Tahun 2017
Pada tabel 4.8 dapat dilihat nilai Durbin Watson untuk penelitian ini adalah sebesar 3.191, selanjutnya nilai ini akan dibandingkan dengan nilai tabel signifikansi 5%, jumlah sampel N=10 dan jumlah variabel independen K=4 maka dapat dilihat pada tabel Durbin Watson nilai du 2.413.
59
Nilai DW sebesar 3.191 lebih besar dari batas atas (du) yakni 2.413 dan kurang dari (4-du) 4-2.413 = 1.586 sehingga dapat di simpulkan bahwa penelitian ini bebas dari masalah autokorelasi.
d. Uji Heteroksedastisitas
Tujuan dari pengujian ini adalah untuk menguji apakah dalam sebuah model regresi, terjadi ketidaksamaan varians dari residual dari 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, disebut Heteroskedastisitas.
Gambar 4.2 Grafik Scatterplot
60
Dari grafik Scatterplot tersebut, terlihat titik –titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heretoskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi jumlah penyerapan tenaga kerja berdasar masukan variabel independent-nya.
2. Uji Hipotesis
a. Pengujian hipotesis secara simultan (uji f)
Uji f pada dasarnya menunjukkan apakah seluruh variabel independen yang dimasukkan dalam model regresi mempunyai pengaruh secara simultan terhadap variabel dependen. Tabel 4.9 Hasil Uji f ANOVAa Model Sum of Squares df Mean Square F Sig. 1 Regression 4.383 4 1.096 56.656 .000b Residual .001 5 .000 Total 4.384 9
Sumber: Output SPSS 21 Yang Diolah, Tahun 2017
Dari hasil regresi yang ditunjukkan pada tabel 4.11, pengaruh variabel investasi sektor industri (X1), PDRB sektor industri (X2), belanja pemerintah sektor industri (X3), jumlah industri (X4) terhadap penyerapan tenaga kerja sektor industri (Y), maka diperoleh nilai signifikan 0,000< 0,05. Hal ini menunjukkan bahwa variabel investasi sektor industri, PDRB sektor industri, belanja pemerintah sektor
61
industri dan jumlah industri secara simultan berpengaruh signifikan terhadap variabel penyerapan tenaga kerja sektor industri.
b. Pegujian hipotesis secara parsial (uji t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh masing-masing variabel investasi sektor industri, PDRB sektor industri, belanja pemerintah sektor industri dan jumlah industri secara individual dalam menerangkan variasi variabel penyerapan tenaga kerja sektor industri. Dengan menguunakan hipotesis:
jika t-hitung >t-tabel maka H0 ditolak jika t-hitung <t-tabel maka H0 diterima
Tabel 4.10 Uji t Coefficientsa Model Standardized Coefficients T Sig. Beta 1 (Constant) .647 .046 Investasi .575 4.890 .005 PDRB -.103 -.632 .555 Belanja Pemerintah .066 2.824 .037 Jumlah Industri .465 4.186 .009
Sumber: Output SPSS 21 Yang Diolah, Tahun 2017
Pada tabel 4.11 perhitungan uji t dapat dilihat hasil pengujian parsial terhadap masing-masing variabel investasi sektor industri, PDRB sektor industri, belanja pemerintah sektor industri, dan jumlah industri secara parsial terhadap variabel penyerapan tenaga kerja sektor industri dapat dianalisis sebagai berikut:
62
Variabel investasi sektor industri, nilai t probabilitas 0,005 lebih kecil dari taraf nyata sebesar 0,05 sehingga dapat disimpulkan bahwa variabel investasi sektor industri memiliki pengaruh yang signifikan terhadap jumlah penyerapan sektor industri. Nilai t positif menunjukkan bahwa investasi sektor industri mempunyai hubungan yang searah dengan jumlah penyerapan tenaga kerja sektor industri.
Variabel PDRB sektor industri, nilai t probabilitas 0,555 lebih besar dari taraf nyata sebesar 0,05 sehingga dapat disimpulkan bahwa variabel PDRB sektor industri memiliki pengaruh tidak signifikan terhadap jumlah penyerapan tenaga kerja sektor industri. Nilai t negatif menunjukkan bahwa tingkat PDRB sektor industri mempunyai hubungan yang berlawanan arah dengan jumlah penyerapan tenaga kerja sektor industri.
Variabel belanja pemerintah sektor industri, nilai t probabilitas 0,037 lebih kecil dari taraf nyata sebesar 0,05 sehingga dapat disimpulkan bahwa variabel belanja pemerintah sektor industri memiliki pengaruh yang signifikan terhadap jumlah penyerapan tenaga kerja sektor industri. Nilai t positif menunjukkan bahwa belanja pemerintah sektor industri mempunyai hubungan yang searah dengan jumlah penyerapan tenaga kerja sektor industri.
Variabel jumlah industri, nilai t probabilitas 0.037 yang lebih kecil dari taraf nyata sebesar 0,05 sehingga dapat disimpulkan bahwa variabel jumlah industri memiliki pengaruh signifikan terhadap jumlah penyerapan tenaga kerja sektor industri. Nilai t positif menunjukkan bahwa jumlah industri memiliki hubungan yang searah dengan jumlah penyerapan tenaga kerja sektor industri.
63
c. Koefisien Determinasi Ganda (R2)
Uji koefisien determinasi ini digunakan untuk mengukur seberapa jauh variabel-variabel bebas dalam menerangkan variabel terikatnya. Nilai koefisien determinasi untuk empat variabel bebas ditentukan dengan R square, adapun hasil koefisien determinasi dapat dilihat pada tabel 4.11 berikut:
Tabel 4.11
Hasil Perhitungan Koefisien Determinasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .986a .972 .944 .01404
Sumber: Output SPSS 21 Yang Diolah, Tahun 2017
Dari tabel hasil regresi di atas pengaruh variabel investasi sektor industri, belanja pemerintah sektor industri, PDRB sektor industri, dan jumlah industri terhadap penyerapan tenaga kerja sektor industri diperoleh nilai R2 sebesar 0.972. Hal ini berarti variasi dari variabel investasi sektor industri, PDRB sektor industri, belanja pemerintah sektor industri dan jumlah industri menjelaskan variasi penyerapan tenaga kerja sektor industri di Kota Makassar sebesar 97,2%. Adapun sisanya variasi variabel lain dijelaskan diluar model sebesar 2,8%.