Berdasarkan persamaan tersebut dapat digambarkan sebagai berikut :
a. Konstanta a = - 0,971, ini menunjukkan harga constant, dimana jika variabel
Tingkat Upah X
1
, dan Angkatan Kerja X
2
= 0, maka Pengangguran = - 0,971 turun sebesar 0,971 persen
b. Koefisien X
1
b
1
= -0,009, ini berarti bahwa variabel Tingkat Upah X
1
berpengaruh negatif terhadap Pengangguran, atau dengan kata lain jika Tingkat Upah X
1
meningkat sebesar satu-satuan, maka Pengangguran akan berkurang sebesar 0,009. Koefesien bernilai negatif artinya terjadi hubungan negatif antara
variabel Tingkat Upah dengan Pengangguran, semakin meningkat Tingkat Upah maka akan semakin menurun Pengangguran.
c. Koefisien X
2
b
2
= 0,008, ini berarti bahwa variabel Angkatan Kerja X
2
berpengaruh positif terhadap Pengangguran, atau dengan kata lain jika Angkatan Kerja X
2
meningkat sebesar satu-satuan, maka Pengangguran akan bertambah sebesar 0,008. Koefesien bernilai positif artinya terjadi hubungan positif antara
variabel Angkatan Kerja dengan Pengangguran, semakin tinggi Angkatan Kerja maka akan semakin meningkat pula Pengangguran.
4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas
Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal. Ada dua cara
untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorv-Smirnov.
Universitas Sumatera Utara
1. Analisis Grafik
Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histogram, dan grafik normal p-p plot, yang membandingkan antara dua observasi
dengan distribusi yang mendekati distribusi normal. Hasil output SPSS terlihat seperti gambar 4.2 dan gambar 4.3
Sumber: Hasil Penelitian, 2016 data diolah
Gambar 4.2 Pengujian Normalitas Histogram
Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan pola distribusi normal maka model regresi
memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis
Universitas Sumatera Utara
diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi data normal yang tidak melenceng kanan maupun
melennceng kiri. Jadi, berarti data residual berdistibusi normal. Terbukti bahwa data maupun model yang digunakan memenuhi asumsi normalitas
Sumber: Hasil Penelitian, 2016 data diolah
Gambar 4.3 Pengujian Normalitas P-P Plot
Pada P-P plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data
yang dipergunakan dalam penelitian ini memenuhi asumsi normalitas sehingga layak untuk diuji dengan model regresi.
2. Analisis Statistik
Universitas Sumatera Utara
Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, padahal secara statistik tidak berdistribusi normal. Jika nilai sig probability lebih
besar dari 0,05 maka Ho ditolak dengan pengertian bahwa data yang dianalisis berdistribusi normal. Demikian juga sebaliknya jika nilai sig probability lebih
kecil dari 0,05 maka Ho diterima dengan pengertian bahwa data yang dianalisis tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan
dengan uji statistik nonparametik Kolmogorov-Smirnov K-S.
Tabel 4.5 Uji Kolmogorov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parameters
a
Mean .0000000
Std. Deviation 1.83345754
Most Extreme Differences Absolute
.112 Positive
.112 Negative
-.074 Kolmogorov-Smirnov Z
.612 Asymp. Sig. 2-tailed
.848 a. Test distribution is Normal.
Sumber: Hasil Penelitian, 2016 data diolah
Universitas Sumatera Utara
Berdasarkan Tabel 4.5, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,848, ini berarti nilainya diatas nilai signifikan 5 0.05, dengan kata lain
variabel tersebut berdistribusi normal.
4.3.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan
yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu :
1. Analisis Grafik
Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas,
sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Universitas Sumatera Utara
Sumber: Hasil Penelitian, 2016 data diolah
Gambar 4.4 Pengujian Heteroskedastisitas Scatterplot
Berdasarkan Gambar 4.4 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka
berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi. 2.
Analisis Statistik Dasar analisis metode statistik adalah jika variabel bebas signifikan secara
statistik mempengaruhi variabel terikat, maka ada indikasi terjadi heteroskedastisitas.
Universitas Sumatera Utara
Tabel 4.6 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 2.044
.549 3.722
.001 X1
-.001 .001
-.471 -1.293
.207 X2
.000 .001
.141 .387
.702 a. Dependent Variable: absut
Sumber: Hasil Penelitian, 2016 data diolah
Berdasarkan Tabel 4.6 dapat diketahui bahwa tidak satupun variabel bebas yang signifikan secara statistik mempengaruhi variabel terikat RES2. Hal ini
terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
4.3.3 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor, kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance 0,1, dan VIF 5, maka tidak terjadi multikolinieritas.
Universitas Sumatera Utara
Tabel 4.7 Uji Multikolinieritas
Sumber: Hasil Penelitian, 2016 data diolah
Berdasarkan Tabel 4.7 dapat terlihat bahwa data variabel tidak terkena multikolinieritas karena nilai VIF 5 dan nilai Tolerance 0,1 sehingga model
regresi layak dipakai untuk memprediksi pengangguran berdasarkan tingkat upah dan angkatan kerja.
4.4 Uji Hipotesis 4.4.1 Uji Signifikan Parsial Uji-t
Kategori