BAB III : METODOLOGI PENELITIAN
G. Teknik Analisis Data
Teknik analisis data yang digunakan untuk menjawab rumusan masalah adalah teknik analisis regresi linier berganda. Bentuk persamaan dari regresi linier berganda yang digunakan dalam penelitian ini adalah:
π = π·π+ π·ππΏπ+ π·ππΏπ+ πΊπ Keterangan:
Y : Tingkat Kemiskinan
Ξ²0 : Intercept, atau nilai Y ketika X = 0
Ξ²1 : Koefisien dari tingkat partisipasi angkatan kerja Ξ²2 : Koefisien dari tingkat pengangguran terbuka X1 : Tingkat partisipasi angkatan kerja
X2 : Tingkat pengangguran terbuka Ξ΅i : Error Term atau derajat kesalahan
Selain analisis linier berganda ada beberapa teknik analsis dan uji data lain yang digunakan untuk menjawab rumusan maslah dalam penelitian ini, yaitu:
1. Uji Prasyarat Data
Sebelum melakukan analisis linier, data yang akan dianalisis harus melewati tahap uji prasyarat data yang meliputi:
a. Uji Normalitas
Uji normalitas ini bertujuan untuk mengetahui kenormalan distribusi data yang digunakan dari masing-masing variabel. Uji normalitas ini menggunakan metode Kolmogorov Smirov (uji K-S), dengan kriteria sebagai berikut49:
1) Apabila nilai Sig. (2-tailed) suatu variabel lebih besar dari level of significant 5% (> 0.05) maka variabel tersebut terdistribusi normal.
2) Jika nilai Sig. (2-tailed) suatu variabel lebih kecil dari level of significant 5% (< 0.05) maka variabel tersebut tidak terdistribusi dengan normal.
49 Ari Apriyono, Analisis Overreaction pada Saham Perusahaan Manufaktur di Bursa Efek Indonesia (Bei)Periode 2005-2009, Jurnal Nomina, Vol.2, No.2, 2013, Hlm.82.
b. Uji Linieritas
Uji linearitas dilakukan untuk mengetahui apakah variabel bebas yaitu tingkat partisipasi angkatan kerja (X1) dan tingkat pengangguran terbuka (X2) mempunyai hubungan yang linear dengan variabel terikat yaitu tingkat kemiskinan (Y). Uji linieritas dilakukan dengan metode Anova Linearity.
Kriteria dalam uji ini adalah dengan cara membandingkan P-value (Sig) atau signifikansi dari hasil perhitungan Deviation from Linearity dengan taraf nyata yang telah ditentukan, yaitu 0.05 dengan kriteria50:
1) Apabila P-value (Sig) Ξ± berdasarkan perhitungan lebih kecil (<) dari taraf nyata 0.05 maka dinyatakan tidak Linier.
2) Apabila P-value (Sig) Ξ± berdasarkan perhitungan lebih besar (>) dari taraf nyata 0.05 maka dinyatakan Linier.
2. Uji Asumsi Klasik a. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi yang tinggi atau sempurna antar variabel independen. Jika antar variabel independen terjadi multikolinieritas sempurna, maka koefisien regresi variabel independen tidak dapat ditentukan dan nilai standard error menjadi tak terhingga. Jika multikolinieritas antar variabel independen tinggi, maka koefisien regresi variabel independen dapat ditentukan, tetapi memiliki nilai standard error tinggi berarti nilai koefisien regresi tidak dapat diestimasi dengan tepat.51
Untuk mengetahui ada atau tidaknya multikolinieritas antar variabel dengan melihat nilai dari variance inflation factor (VIF) dari masing-masing
50 Agung Wahyu Handaru, Pengaruh Kepuasan Gaji dan Komitmen Organisasi Terhadap Intensi Turnover pada Divisi PT Jamsostek, Vol.3, No.1, 2012, Hlm.12.
51 Dyah Nirmala Arum Janie, Statistik Deskriptif & Regresi Linier Berganda dengan SPSS, (Semarang: Semarang University Press, 2012), Hlm.19.
variabel independen terhadap variabel dependen. Pengambilan keputusanya adalah52:
1) Jika VIF > 10, maka terdapat persoalan multikolinieritas.
2) Jika VIF < 10, maka tidak terdapat multikolinieritas.
b. Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Salah satu metode pengujian ini dengan melakukan uji Glejser. Uji ini pada dasarnya bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual Satu pengamatan ke pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Model regresi yang baik seharusnya tidak terjadi heteroskedastisitas. Dasar pengambilan keputusan pada uji ini yakni53:
1) Jika nilai signifikansi > Ξ± = 0,05 kesimpulanya adalah tidak terjadi heteroskedastisitas.
2) Jika nilai signifikansi < Ξ± = 0,05 kesimpulanya adalah terjadi heteroskedastisitas.
c. Uji Autokorelasi
Uji Autokorelasi dilakukan untuk menguji apakah dalam model regresi terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya). Jika terjadi korelasi maka dapat dikatakan terdapat masalah Autokorelasi. Model regresi yang baik adalah regresi yang bebas dari gejala autokorelasi. Salah satu metode pengujian ini adalah dengan uji Durbin Watson (DW) dengan dasar pengambilan keputusanya adalah:
52 Firdaus, Metodologi Penelitian Kuantitatif, (Bengkalis: Dotplus Publisher, 2021), hlm.33.
53 Nikolaus Duli, Metodologi Penelitian Kuantitatif: Beberapa Konsep Dasar untuk Penulisan Skripsi & Analisis Data dengan SPSS, (Yogyakarta: Penerbit Deepublish, 2019), Hlm.122-123.
1) Jika dL > d > (4-dL), maka hipotesis nol ditolak, yang berarti terdapat autokorelasi.
2) Jika dU < d < (4-dU), maka hipotesis nol diterima, yang berarti tidak ada autokorelasi.
3) Kemudian dL < d < dU atau di antara (4-dU) < d < (4-dL), maka tidak menghasilkan kesimpulan yang pasti.
3. Uji Hipotesis a. Uji F
Untuk menjawab rumusan masalah nomor 1, maka perlu dilakukan uji F, yaitu uji statistik yang bertujuan untuk mengetahui apakah variabel bebas yaitu tingkat partisipasi angkatan kerja (X1) dan tingkat pengangguran terbuka (X2) memiliki pengaruh secara simultan (bersamaan) dan signifikan terhadap variabel terikat yaitu tingkat kemiskinan (Y). Pengujian dilakukan dengan cara membandingkan angka taraf signifikan hasil perhitungan dengan taraf signifikan 0,05 (5%).54 Ketentuanya adalah, variabel bebas dinyatakan berpengaruh terhadap variabel terikat jika nilai Sig > Ξ± (0,05).55 b. Uji t
Untuk menjawab rumusan masalah nomor 2, maka perlu dilakukan uji t, yaitu uji statistik yang bertujuan untuk mengetahui apakah variabel bebas yaitu tingkat partisipasi angkatan kerja (X1) dan tingkat pengangguran terbuka (X2) memiliki pengaruh secara parsial (terpisah) dan signifikan terhadap variabel terikat yaitu tingkat kemiskinan (Y). Pengujian ini dilakukan dengan asumsi bahwa variabel-variabel selain variabel yang diuji adalah nol.56 Kriteria dalam pengujian ini adalah:
1) Jika Sig < 0,05, maka terdapat variabel bebas dinyatakan memiliki pengaruh terhadap variabel terikat.
54 Edward S. Maabuat, Pengaruh Kepemimpinan, Orientasi Kerja, dan Budaya Organisasi Terhadap Kinerja Pegawai(Studi Pada DISPENDA Sulut UPTD Tondano), Jurnal Berkarya Ilmiah Efisiensi, Vol.16, No.01, 2016, Hlm.228.
55 Suyono, Analisis Regresi untuk Penelitian, (Yogyakarta: Deepublish, 2018), Hlm.71.
56 Edward S. Maabuat, Pengaruh Kepemimpinan, Orientasi Kerja, dan Budaya Organisasi Terhadap Kinerja Pegawai(Studi Pada DISPENDA Sulut UPTD Tondano), ..., Hlm.229.
2) Jika Sig > 0,05, maka terdapat variabel bebas dinyatakan tidak memiliki pengaruh terhadap variabel terikat.57
4. Adjusted R Square
Untuk menjawab rumusan masalah nomor 3, maka perlu dilakukan analisis R Square yang merupakan analisis yang digunakan untuk mengetahui persentase sumbangan pengaruh variabel bebas yaitu tingkat partisipasi angkatan kerja (X1) dan tingkat pengangguran terbuka (X2) terhadap variabel terikat yaitu tingkat kemiskinan (Y). Sedangkan, Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Nilai adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model. Nilai Koefisien Determinasi adalah antara 0 dan 1. Semakin besar angka yang ditunjukkan pada R2, semakin besar pengaruh variabel bebas terhadap variabel terikat. Disisi lain, semakin kecil angka yang menunjukkan R2, semakin kecil pengaruh variabel bebas terhadap variabel terikat.58
57 Jubile Enterprise, SPSS untuk Pemula, (Jakarta: Elex Media Komputindo, 2014), Hlm.98.
58 Putri Ayu Diana, Pengaruh Perputaran Kas, Piutang, Persediaan Terhadap Profitabilitas Pada Perusahaan Semen di BEI, Jurnal Ilmu dan Riset Manajemen, Vol.5, No.3, 2016, Hlm.7.
37 a. Hasil Uji Normalitas
Uji normalitas dilakukan untuk mengetahui kenormalan distribusi data dari masing-masing variabel penelitian. Hasil dari uji normalitas data dalam penelitian ini dapat dilihat pada tabel berikut:
Tabel 4.1 Hasil Uji Normalitas
Tests of Normality
Kolmogorov-Smirnova
Statistic df Sig.
TPAK ,046 95 ,200*
TPT ,124 95 ,001
T. Kemiskinan ,106 95 ,011
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Berdasarkan tabel diatas, dapat dilihat bahwa data variabel Tingkat Partisipasi Angkatan Kerja (X1) berdistribusi normal karna nilai Sig > 0,05.
Sedangkan data untuk variabel Tingkat Pengangguran Terbuka (X2) dan Tingkat Kemiskinan (Y) tidak berdistribusi normal karena nilai Sig < 0,05.
Untuk melanjutkan maka perlu dilakukan pengolahan data agar dapat berdistribusi normal, yaitu dengan cara membuang data outlier. Salah satu alasan mengapa ada yang data tidak normal adalah adanya outliers. Menurut Ghozali, outlier adalah kasus atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau variabel
kombinasi. Outlier harus kita buang jika data outlier tersebut memang tidak menggambarkan observasi dalam populasi.59
Untuk menentukan data outlier dapat dilakukan dengan menghitung Z-score dari data penelitian. Nilai suatu Z-Z-score adalah merupakan suatu ukuran yang menentukan seberapa besar jarak suatu nilai terhadap rata-ratanya dalam satuan standar deviasinya. Data yang dianggap outlier adalah data yang memiliki nilai Z-score > 1,96 atau Z-score < -1,96. Setelah data outlier diketahui dan dikeluarkan, kemudian kembali dilakukan uji normalitas data, dengan output sebagai berikut:
Tabel 4.2 Hasil Uji Normalitas
Tests of Normality
Kolmogorov-Smirnova
Statistic df Sig.
TPAK ,048 85 ,200*
TPT ,098 85 ,042
T. Kemiskinan ,080 85 ,200*
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Berdasarkan tabel diatas, dapat dilihat bahwa data variabel Partisipasi Angkatan Kerja (X1) dan Tingkat Kemiskinan (Y) berdistribusi normal karna nilai Sig > 0,05. Sedangkan data untuk variabel Tingkat Pengangguran Terbuka (X2) tidak berdistribusi normal karena nilai Sig < 0,05. Untuk melanjutkan penelitian perlu kembali dilakukan pembuang data outlier.
Setelah data outlier diketahui dan dikeluarkan, kemudian kembali dilakukan uji normalitas data, dengan output sebagai berikut:
59 Riza Fajarnia dkk, Properti Determinan Nilai Perusahaan dan Real Estate Pada Periode Gencarnya Pembangunan Infrastruktur, Jurnal Akuntansi Kontemporer, Vol.11, No.2, 2019, Hlm.112.
Tabel 4.3
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Berdasarkan tabel diatas, dapat dilihat bahwa data variabel Tingkat Partisipasi Angkatan Kerja (X1), Tingkat Pengangguran Terbuka (X2) dan Tingkat Kemiskinan (Y) memiliki nilai Sig > 0,05. Berdasarkan hasil tersebut dapat disimpulkan bahwa data yang akan diuji berdistribusi normal yang berarti terdapat banyak data yang mendekati mean dan jumlah data yang berada diatas dan di bawah mean adalah sama.
b. Hasil Uji Linieritas
Uji linearitas dilakukan untuk mengetahui apakah terdapat hubungan yang linear diantara variabel bebas dan variabel terikat. Hasil dari uji linieritas dalam penelitian ini dapat dilihat pada tabel berikut:
Tabel 4.4
Hasil Uji Linieritas X1 dan Y
ANOVA Table
Tabel 4.5
Hasil Uji Linieritas X2 dan Y
ANOVA Table Sum of Squares df
Mean
Square F Sig.
T.Kemiskinan
* TPT
Between Groups
(Combined) 351,577 76 4,626 ,934 ,633 Linearity 4,630 1 4,630 ,935 ,405 Deviation
from Linearity 346,947 75 4,626 ,934 ,633
Within Groups 14,861 3 4,954
Total 366,438 79
Berdasarkan tabel 4.4 diatas dapat dilihat nilai Sig. Deviation from Linierity antara variabel Tingkat Partisipasi Angkatan Kerja (X1) dan variabel Tingkat Kemiskinan (Y) lebih besar dari taraf nyata 0.05. Kemudian berdasarkan tabel 4.4 diatas dapat dilihat nilai Sig. Deviation from Linierity antara variabel Tingkat Pengangguran Terbuka (X2) dan variabel Tingkat Kemiskinan (Y) lebih besar dari taraf nyata 0.05 Berdasarkan hasil uji linieritas ini, dapat disimpulkan bahwa variabel Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) memiliki hubungan yang linier dengan variabel Tingkat Kemiskinan (Y), yang berarti pola hubungan kedua variabel independen dengan variabel dependen akan membentuk satu garis lurus.
2. Hasil Uji Asumsi Klasik a. Hasil Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk menguji apakah dalam model regresi terdapat korelasi yang tinggi atau sempurna antar variabel independen.
Hasil uji multikolinieritas dalam penelitian in dapat dilihat pada tabel berikut:
Tabel 4.6
Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF Tingkat Pengangguran Terbuka (X2) juga memiliki nilai VIF yang lebih kecil dari 10. Berdasarkan hasil uji multikolinieritas ini, dapat diambil kesimpulan bahwa tidak terdapat gejala multikolinieritas pada data penelitian ini, yang berarti dalam model regresi ini tidak terdapat hubungan yang kuat antar variabel bebas.
b. Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Hasil uji heteroskedastisitas dalam penelitian ini dapat dilihat pada tabel berikut:
Dari tabel 4.7 diatas dilihat nilai signifikansi Tingkat Partisipasi Angkatan Kerja (X1) lebih besar dari 0,05. Dan pada variabel Tingkat Pengangguran Terbuka (X2) lebih besar dari 0,05. Berdasarkan hasil uji heterokedastisitas ini, dapat disimpulkan bahwa data dalam penelitian ini tidak memiliki gejala heterokedastisitas yang berarti tidak terjadi perbedaan variance dari nilai residual satu pengamatan ke pengamatan yang lain.
c. Hasil Uji Autokorelasi
Uji Autokorelasi merupakan pengujian untuk mengetahui apakah terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya) dalam model regresi. Hasil uji auto korelasi dalam penelitian ini dapat dilihat pada tabel berikut:
Tabel 4.8 Hasil Uji Autokorelasi
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,144a ,021 -,005 2,159 ,504
a. Predictors: (Constant), X2Rem2, X1Rem2 b. Dependent Variable: YRem2
Berdasarkan distribusi nilai tabel Durbin-Watson, dengan level signifikan 0,05 dan dengan menggunakan dua variabel independen, maka diketahui nilai du = 1,696 dan 4-du = 2,034. Berdasarkan tabel 6.4 dapat dilihat bahwa nilai d tidak berada diantara du dan 4-du sehingga asumsi autokorelasi tidak bisa disimpulkan. Untuk melanjutkan penelitian perlu dilakukan tindakan terhadap data penelitian agar tidak terdapat masalah autokorelasi.
Salah satu cara untuk mengatasi masalah uji auto korelasi adalah dengan metode Cochrane Orcutt. Metode Cochrane-Orcutt dilakukan dengan menghitung nilai koefisien autokorelasi menggunakan nilai error pada model
regresi.60 Setelah melakukan transformasi data dengan metode Cochrane-Orcutt, maka kembali dilakukan pengujian autokorelasi dengan output pada tabel berikut:
Tabel 4.9 Uji Autokorelasi
Model Summaryc,d
Model R R Squareb
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,811a ,658 ,650 1,35031 1,903
a. Predictors: Lag_TPT, Lag_TPAK c. Dependent Variable: Lag_T.Kemiskinan d. Linear Regression through the Origin
Berdasarkan tabel 4.9 dapat dilihat bahwa nilai d lebih besar dari du = 1,696 dan lebih kecil dari 4-du = 2,034. Berdasarkan uji autokorelasi ini, dapat disimpulkan bahwa tidak terjadi masalah autokorelasi dalam model regresi yang berarti tidak terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1.
3. Hasil Uji Regresi Linier Berganda
Analisis regresi linier berganda merupakan suatu teknik analisis ada tidaknya pengaruh variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) terhadap variabel terikat Tingkat Kemiskinan (Y). Hasil uji regresi linier berganda dapat dilihat pada tabel berikut:
60 Ade Aprianto, Metode Cochrane-Orcutt untuk Mengatasi Autokorelasi Pada Estimasi Parameter Ordinary Least Squares, Buletin Ilmiah Matematika, Statistika dan Terapanya, Vol.09, No.1, 2020, Hlm.95.
Tabel 4.10
Hasil Uji Regresi Linier Berganda
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 1,245 ,755 1,649 ,103
TPAK ,025 ,042 ,067 ,589 ,558
TPT ,132 ,091 ,165 1,454 ,150
a. Dependent Variable: T.Kemiskinan
Berdasarkan tabel 4.10 di atas, dapat ditarik persamaan model regresi linier berganda dalam penelitian adalah:
π = π, πππ + π, ππππΏπ+ π, ππππΏπ+ πΊπ
Dari persamaan model regresi di atas dapat dilihat bahwa variabel Tingkat Kemiskinan (Y) memiliki nilai konstan sebesar 1,245, yang berarti tanpa adanya perubahan nilai variabel Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) maka nilai variabel Tingkat Kemiskinan (Y) akan tetap sebesar 1,245.
4. Hasil Uji Hipotesis a. Uji F
Uji F dilakukan untuk mengetahui apakah variabel bebas yaitu Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) memiliki pengaruh secara simultan (bersamaan) dan signifikan terhadap variabel terikat yaitu Tingkat Kemiskinan (Y). Hasil uji F dapat dilihat pada tabel berikut:
Tabel 4.11 Hasil Uji F
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 4,120 2 2,060 1,155 ,321b
Residual 135,546 76 1,784
Total 139,666 78
a. Dependent Variable: T.Kemiskinan b. Predictors: (Constant), TPT, TPAK
Berdasarkan tabel 4.11 diatas dapat dilihat nilai Sig lebih besar dari 0,05 yaitu 0,321. Hasil uji F ini menunjukkan bahwa variabel bebas yaitu Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) memiliki pengaruh secara simultan (bersamaan) dan signifikan terhadap variabel terikat yaitu Tingkat Kemiskinan (Y)
b. Uji t
Uji F dilakukan untuk mengetahui apakah variabel bebas yaitu Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) tidak memiliki pengaruh secara parsial (terpisah) yang signifikan terhadap variabel terikat yaitu Tingkat Kemiskinan (Y). Hasil uji t dapat dilihat pada tabel berikut:
Tabel 4.12 Hasil Uji t
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients t Sig.
B Std. Error Beta
1 (Constant) 1,245 ,755 1,649 ,103
TPAK ,025 ,042 ,067 ,589 ,558
TPT ,132 ,091 ,165 1,454 ,150
a. Dependent Variable: T.Kemiskinan
Berdasarkan tabel 4.11 di atas dapat dilihat nilai Sig variabel Tingkat Partisipasi Angkatan Kerja (X1) lebih besar dari 0,05 yaitu 0,558. Dan nilai Sig variabel Tingkat Pengangguran Terbuka (X2) lebih besar dari 0,05 yaitu 0,150. Hasil uji t ini menunjukkan bahwa variabel bebas baik itu variabel Tingkat Partisipasi Angkatan Kerja (X1) dan variabel Tingkat Pengangguran Terbuka (X2) tidak memiliki pengaruh secara parsial (terpisah) yang signifikan terhadap variabel terikat yaitu Tingkat Kemiskinan (Y).
5. Hasil Adjusted R Square
Adjusted R Square merupakan analisis yang digunakan untuk mengetahui persentase sumbangan pengaruh variabel bebas yaitu Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) terhadap variabel terikat yaitu Tingkat Kemiskinan (Y). Hasil uji Adjusted R Square dapat dilihat pada tabel berikut:
Tabel 4.13
Hasil Uji Adjusted R Square
Model Summary
Model R R Square
Adjusted R Square
Std. Error of the Estimate
1 ,172a ,029 ,004 1,335
a. Predictors: (Constant), TPT, TPAK
Berdasarkan tabel 4.13 diatas, dapat dilihat bahwa nilai adjusted R square adalah sebesar 0,004. Hasil uji adjusted R square ini menyatakan bahwa pengaruh variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) memiliki kontribusi pengaruh terhadap variabel terikat Tingkat Kemiskinan (Y) sebesar 0,4%, sedangkan 99,6% dipengaruhi oleh variabel-variabel lain.
B. Pembahasan
Berdasarkan teori, Tingkat Partisipasi Angkatan Kerja dan Tingkat Pengangguran Terbuka memiliki pengaruh terhadap Tingkat Kemiskinan.
Meningkatnya Tingkat Partisipasi Angkatan Kerja suatu daerah, berarti meningkat pula pendapatan perkapita dan tingkat konsumsi yang mempengaruhi berkurangnya tingkat kemiskinan. Sedangkan tingkat pengangguran yang tinggi akan menyebabkan pendapatan berkurang sehingga tidak dapat memenuhi kebutuhan sehari-hari yang pada akhirnya akan mengalami kemiskinan. Dengan demikian tingkat pengangguran memiliki hubungan positif terhadap tingkat kemiskinan.
Untuk menguji teori tersebut dengan keadaan di Provinsi Sumatera Barat, penulis melakukan analisis uji linier berganda. Pengujian ini menghasilkan model persamaan regresi Y = 1,245 + 0,025X1 + 0,132X2 + Ξ΅i . Dari persamaan tersebut dapat dilihat nilai konstan dari variabel terikat Tingkat Kemiskinan (Y) sebesar 1,245, yang berarti tanpa adanya perubahan nilai variabel Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) maka nilai variabel Tingkat Kemiskinan (Y) akan tetap sebesar 1,245. Kemudian nilai koefisien korelasi dari Tingkat Partisipasi Angkatan Kerja (X1) adalah 0,025 yang berarti perubahan 1 nilai Tingkat Partisipasi Angkatan Kerja (X1) akan mengubah nilai Tingkat Kemiskinan (Y) sebesar 0,025. Sedangkan untuk nilai koefisien korelasi dari Tingkat Pengangguran Terbuka (X2) adalah 0,132 yang berarti perubahan 1 nilai Tingkat Pengangguran Terbuka (X2) akan mengubah nilai Tingkat Kemiskinan (Y) sebesar 0,132.
Untuk menguji apakah terdapat pengaruh yang signifikan secara simultan (bersama-sama) antara variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) terhadap variabel terikat Tingkat Kemiskinan (Y) dilkukan uji F. Hasil uji F menghasilkan nilai signifikan lebih besar dari 0,05 yaitu 0,321. Berdasarkan hasil uji F ini dapat disimpulkan bahwa pada hipotesis 1 penelitian, Ha ditolak dan H0 diterima yang berarti bahwa variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) tidak memiliki pengaruh yang signifikan secara simultan (bersama-sama) terhadap variabel terikat Tingkat Kemiskinan (Y).
Dan untuk menguji apakah terdapat pengaruh yang signifikan secara parsial (terpisah) antara variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) terhadap variabel terikat Tingkat Kemiskinan
(Y) dilkukan uji t. Hasil uji t untuk variabel Tingkat Partisipasi Angkatan Kerja (X1) menghasilkan nilai signifikan lebih besar dari 0,05 yaitu 0,558. Berdasarkan hasil uji t ini dapat disimpulkan bahwa pada hipotesis 2 penelitian Ha ditolak dan H0 diterima yang berarti bahwa variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) tidak memiliki pengaruh yang signifikan secara parsial (terpisah) terhadap variabel terikat Tingkat Kemiskinan (Y). Dan hasil uji t untuk variabel Tingkat Pengangguran Terbuka (X2) menghasilkan nilai signifikan lebih besar dari 0,05 yaitu 0,150. Berdasarkan hasil uji t ini dapat disimpulkan bahwa pada hipotesis 3 penelitian Ha ditolak dan H0 diterima yang berarti bahwa variabel bebas Tingkat Pengangguran Terbuka (X2) tidak memiliki pengaruh yang signifikan secara parsial (terpisah) terhadap variabel terikat Tingkat Kemiskinan (Y).
Kemudian, untuk mengetahui kontribusi pengaruh yang diberikan oleh variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) terhadap Tingkat Kemiskinan (Y) dilakukan analisis adjusted R square. Nilai adjusted R square yang diperoleh dari hasil analisis ini adalah sebesar 0,004 yang berarti kontribusi pengaruh variabel Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) terhadap Tingkat Kemiskinan (Y) sangat kecil yaitu sebesar 0,4%. Sedangkan kontribusi sebesar 99,6% dipengaruhi oleh faktor-faktor lain.
BAB V
KESIMPULAN DAN SARAN A. Kesimpulan
Berdasarkan analisis data yang telah dilakukan, diperoleh model regresi linier berganda Y = 1,245 + 0,025X1 + 0,132X2 + Ξ΅i. Dengan menganalisis model regresi ini maka dapat disimpulkan secara keseluruhan dari penelitian ini adalah sebagai berikut :
1. Pada uji F, diperoleh nilai Sig 0,321 > 0,05 sehingga disimpulkan variabel bebas Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) tidak memiliki pengaruh yang signifikan secara simultan (bersama-sama) terhadap variabel terikat Tingkat Kemiskinan (Y).
2. Untuk uji t variabel bebas Tingkat Partisipasi Angkatan Kerja (X1), diperoleh nilai Sig 0,558 > 0,05 sehingga disimpulkan variabel Tingkat Partisipasi Angkatan Kerja (X1) tidak memiliki pengaruh yang signifikan secara parsial (terpisah) terhadap variabel terikat Tingkat Kemiskinan (Y). Dan untuk uji t variabel bebas Tingkat Pengangguran Terbuka (X2), diperoleh nilai Sig 0,150
> 0,05 sehingga disimpulkan variabel Tingkat Pengangguran Terbuka (X2) tidak memiliki pengaruh yang signifikan secara parsial (terpisah) terhadap variabel terikat Tingkat Kemiskinan (Y).
3. Kemudian, untuk hasil analisis nilai adjusted R square diperoleh nilai sebesar 0,004. Dari hasil analisis tersebut maka dapat disimpulkan bahwa kontribusi pengaruh variabel Tingkat Partisipasi Angkatan Kerja (X1) dan Tingkat Pengangguran Terbuka (X2) terhadap Tingkat Pengangguran Terbuka (X2)
sangat kecil, yaitu sebesar 0,4% dan 99,6% dipengaruhi oleh faktor-faktor lain.
B. Saran
Berdasarkan kesimpulan dalam penelitian ini, peneliti mengajukan sarat bagi penelitian selanjutnya dan bagi pemerintah terkait:
1. Saran bagi peneliti selanjutnya, diharapkan dalam penelitian selanjutnya dapat menemukan lebih banyak data-data yang akurat, serta referensi yang lebih memadai.
2. Saran bagi pihak pemerintahan yang terkait adalah untuk lebih memfokuskan usaha pengurangan tingkat kemiskinan kepada variabel-variabel selain variabel tingkat partisipasi angkatan dan tingkat pengangguran terbuka karena dua variabel tersebut mempunyai kontribusi pengaruh yang sangat kecil terhadap tingkat kemiskinan.
DAFTAR PUSTAKA
A Iskandar. Paradigma Baru Benchmarking Kemiskinan (Suatu Studi ke Arah Penggunaan Indikator Tunggal). Bogor: IPB Press. 2012.
Agusinta, Lira. Pengantar Metode Penelitian Manajemen. Surabaya: Jakad Media Publishing. 2020.
Ahmaddien, Iskandar. Faktor Determinan Keparahan dan Kedalaman Kemiskinan Jawa Barat dengan Regresi Data Panel. Jurnal Forum Ekonomi. Vol.21.
No.1. 2019.
Aprianto, Ade, dkk. Metode Cochrane-Orcutt untuk Mengatasi Autokorelasi Pada Estimasi Parameter Ordinary Least Squares. Buletin Ilmiah Matematika,
Aprianto, Ade, dkk. Metode Cochrane-Orcutt untuk Mengatasi Autokorelasi Pada Estimasi Parameter Ordinary Least Squares. Buletin Ilmiah Matematika,