73
Gambar 4.5 Uji Normalitas
2 4
6 8
10 12
-2 -1
1 2
Series: Standardized Residuals Sample 2008S2 2013S2
Observations 88 Mean
1.34e-16 Median
-0.041454 Maximum
2.700477 Minimum
-2.031005 Std. Dev.
0.991493 Skewness
0.540592 Kurtosis
3.225801 Jarque-Bera
4.473127 Probability
0.106825
Sumber: Lampiran 6 diolah
Gambar 4.5 menunjukkan nilai probabilitas yang lebih besar dari α
= 5 maka dapat diketahui bahwa data dalam penelitian ini terdistribusi normal.
b. Uji Multikolinearitas
Menurut Ajija dkk 2011:35, multikolinearitas berarti adanya hubungan linier yang sempurna atau pasti, diantara beberapa atau
semua variabel yang menjelaskan dari model regresi. Ada atau tidaknya multikolinearitas dapat diketahui atau dilihat dari koefisien
korelasi masing-masing variabel bebas. Jika koefisien korelasi masing- masing variabel bebas lebih besar dari 0,8 maka terjadi
multikolinearitas.
74
Tabel 4.4 Correlation Matrix
PDRB UMK
IPM PDRB
1.000000 0.356306
0.584250 UMK
0.356306 1.000000
0.467289 IPM
0.584250 0.467289
1.000000
Sumber: Lampiran 7 diolah
Dilihat dari tabel 4.6, dimana nilai correlation matrix tidak lebih dari 0,8 yang berarti tidak terdapat gejala multikolinearitas. Dengan
terpenuhinya uji mutikolinearitas maka model regresi tidak ditemukan adanya korelasi linier yang sempurna antar variabel-variabel bebas
Ajija dkk, 2011:36.
c. Uji Heteroskedastisitas
Menurut Geri 2014 heterokedastisitas dapat dideteksi dengan pendekatan atau metode General Least Square Cross section
Weighted. Dapat dilihat dengan membandingkan Sum Square Resid Weighted Statistic dengan Sum Square Resid Unweighted , yaitu Sum
Square Resid Weighted Statistic lebih kecil dibandingkan Sum Square Resid Unweighted.
Tabel 4.5 Hasil Uji Heteroskedastisitas
Sum squared resid Weighted 87.83190
Sum squared resid Unweighted 85.52613
Sumber
:
Lampiran 8
diolah
75
Pada tabel 4.7 diperoleh hasil regresi Sum squared resid pada Weighted sebesar 87.83190, sedangkan Sum squared resid pada
Unweighted sebesar 85.52613. Hal tersebut menunjukkan bahwa nilai Sum squared resid pada Weighted lebih besar dibandingkan dengan
nilai Sum squared resid pada Unweighted. Oleh karena itu data regresi penelitian ini terbebas dari masalah heteroskedastisitas.
d. Uji Autokorelasi
Autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Autokorelasi lebih mudah timbul
pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi oleh data pada masa-masa sebelumnya
Wing Wahyu, 2007:5.24. Dalam mengidentifikasi ada atau tidaknya autokorelasi adalah
dengan Uji Durbin-Watson. Uji D-W adalah salah satu uji yang banyak dipakai untuk mengetahui ada tidaknya autokorelasi.
Tabel 4.6 Durbin-Watson
Tolak H berarti
ada autokorelasi positif
Tidak dapat diputuskan
Tidak menolak H berarti
tidak ada autokorelasi Tidak
dapat diputuskan
Tolak H berarti
ada autokorelasi negative
d
L
1,60 d
u
1,73 2 4-d
u
2.27 4-d
L
2,40 4 0,67
Sumber
:
Lampiran 9
diolah
76
Masalah autokorelasi dapat dilihat dari nilai Durbin Watson statistic yaitu sebesar 0.677797 dimana nilai DW 0.677797 d
L
= 1.6039 dan nilai d
U
= 1.7326. Hal tersebut menjelaskan bahwa nilai d
L
dan d
U
DW, yang artinya terdapat autokorelasi pada data regresi. Untuk mengatasi terjadinya autokorelasi perlu diadakan cross-section
SUR pada Fixed Effect Model. Dalam pengujian ini dilakukan hipotesis sebagai berikut:
H :
Tidak terdapat autokorelasi H
1
: Terdapat autokorelasi
Pada hasil regresi cross-section SUR didapatkan nilai DW sebesar 1.805209, sedangkan nilai d
L
= 1.6039 dan nilai d
U
= 1.7326. hasil tersebut menjelaskan bahwa nilai DW lebih besar dari d
U
maka hipotesis nol diterima yang artinya tidak terdapat autokorelasi.
5. Pengujian Hipotesis
Uji signifikansi merupakan prosedur yang digunakan untuk diterima atau ditolaknya secara statistik hasil hipotesis nol H
dari sample keputusan untuk mengolah H
dibuat berdasarkan nilai uji statistik yang diperoleh dari data yang ada. Dari hasil pengolahan data didapatkan model
terbaik adalah dengan pendekatan Fixed Effect Model FEM dengan hasil sebagai berikut:
77
Tabel 4.7 Hasil Estimasi Variable
Coefficient Std.
Error t-
Statistic
Prob.
DPDRB? 5.60E-07
5.67E-07 0.987981 0.3263 UMK?
-3.05E-06 9.74E-07
- 3.129772
0.0025 IPM?
-1.690547 0.472262
- 3.579679
0.0006 C
69.01106 16.54720 4.170557 0.0001
Fixed Effects Cross KABPANDEGLANG
— C
-3.952284 KABLEBAK
—C -4.485714
KABTANGERANG--C 0.701289
KABSERANG —C
-1.495007 KOTTANGERANG--C
2.747827 KOTCILEGON
—C 3.795026
KOTSERANG —C
0.295365 KOTTANGSEL
—C 2.393498
Effects Specification Cross-section fixed dummy variables
R-squared 0.652831
Mean dependent var
6.350064 Adjusted R-squared
0.607744 S.D. dependent var
1.682749 S.E. of regression
1.053911 Akaike info
criterion 3.059362
Sum squared resid 85.52610
Schwarz criterion 3.369029
Log likelihood -123.6119
Hannan-Quinn criter.
3.184119 F-statistic
14.47941 Durbin-Watson stat
0.677797 ProbF-statistic
0.000000 Mean dependent
var 6.350064
Sumber : Lampiran 6
diolah
Dari tabel 4.10 diatas yang dimana menggunakan pendekatan Fixed Effect Model FEM didapatkan hasil persamaan sebagai berikut:
TP = 69.0116 + 5.6047E-07PDRB – 3.0474E-06UMK –
1.690647IPM + e
78
Dimana: Y
: TP Tingkat Pengangguran X
1
: PDRB Produk Domestik Regional Bruto X
2
: UMK Upah Minimum KabupatenKota X
3
: IPM Indeks Pembangunan Manusia e
: error term Berdasarkan persamaan regresi diatas dapat ditarik
kesimpulan sebagai berikut: a Jika variabel-varibel independen dianggap konstan atau bernilai nol,
maka besarnya tingkat pengangguran di Provinsi Banten secara keseluruhan adalah sebesar 69,01.
b Nilai koefisien regresi variabel PDRB sebesar 5,6047 yang berarti setiap terjadi peningkatan PDRB sebesar 1 maka akan meningkatkan
tingkat pengangguran sebesar 5,6. c Nilai koefisien regresi variabel upah minimum kabupatenkota sebesar
3,0474 yang berarti setiap terjadi peningkatan upah minimum kabupatenkota sebesar 1 maka akan menurunkan tingkat
pengangguran sebesar 3,04. d Nilai koefisien regresi varibel indeks pembangunan manusia sebesar
1,6906 atau dibulatkan menjadi 1,7 yang berarti setiap terjadi peningkatan indeks pembangunan manusia sebesar 1 maka akan
menurunkan tingkat pengangguran sebesar 1,7.
79
a. Uji Koefisien Determinan Adjusted R