Salah satu wilayah otonom di Indonesia yang juga mengalami permasalahan pengurangan kemiskinan adalah Kabupaten Karo. Menurut data BPS Provinsi Sumatera Utara jumlah penduduk miskin di Kabupaten Karo dari tahun 2003 sampai dengan tahun 2008, bahwa persentase penduduk miskin di Kabupaten Karo cenderung mengalami penurunan, yakni dari 23,79 persen pada tahun 2003 turun menjadi 21, 73 persen pada tahun 2004, dan persentase penurunan penduduk miskin ini bukan terus berlanjut pada tahun-tahun berikutnya, karena bila dilihat dari data diketahui bahwa telah terjadi kenaikan jumlah penduduk miskin dari tahun 2005 ke tahun 2006 yakni sebesar 67.420 orang pada tahun 2005 menjadi 69.610 orang pada tahun 2006, angka penduduk miskin turun kembali pada tahun berikutnya, yakni dari 69.610 orang pada tahun 2006 menjadi sebesar 50.500 orang pada tahun 2007, terjadi lagi penurunan pada tahun 2008 yakni menjadi 48.490 orang. Menurut data yang dipublikasikan BPS Provinsi Sumatera Utara pada tahun 2007 penduduk Kabupaten Karo memiliki angka kemiskinan pada tingkat menengah yakni berada di bawah Kabupaten Deli Serdang, Kota Binjai, Kota Medan, Kota Pematang Siantar, Kota Tebing Tinggi, Kota Sibolga, Kabupaten Padang Sidempuan, Kota Tanjung Balai, Kabupaten Serdang Bedagai, Kabupaten Labuhan Batu, dan berada di atas Kabupaten Nias, Kabupaten Nias Selatan, Kabupaten Tapanuli Tengah, Kabupaten Samosir, Kabupaten Pakpak Barat, Kabupaten Tapanuli Selatan, Kabupaten Tapanuli Utara, Kabupaten Mandailing Natal, dan beberapa kabupaten lainnya di Sumatera Utara.
Berdasarkan uraian diatas maka penulis tertarik untuk menganalisa tentang masalah kemiskinan di Kabupaten karo, dengan melakukan penelitian dengan judul “Faktor yang Mempengaruhi Jumlah Penduduk Miskin di Kabupaten Karo”.
The document discusses statistics and statistical analysis. It explains that statistics involves counting, organizing, and classifying data from observations in order to make comparisons and draw conclusions. It then outlines the typical phases of a statistical study: data collection, data organization and representation, data analysis, and obtaining conclusions. The rest of the document appears to be an analysis report containing various tables and graphs analyzing data on food consumption, weight, and height of students. It includes analyses of the graphs and tables.
This document presents guidelines for statistics education from pre-K through 12th grade. It aims to develop statistical literacy in students so they can understand and intelligently interpret quantitative information they encounter. The guidelines establish a framework with three levels of learning objectives to mature students' statistical problem-solving abilities over time. It describes the objectives and examples for each level to illustrate key statistical concepts. The overarching goal is for students to gain the statistical understanding and reasoning skills needed for citizenship, employment, and personal decision-making.
This document is a student thesis titled "REKAYASA IDE STATISTIKA EKONOMI 'PENGOLAHAN DATA'" about data processing. It discusses several important topics:
1. The importance of organizing and presenting raw data collected in the field in a systematic way for reporting and analysis purposes. Tables and graphs are common methods of data presentation.
2. Different types of data presentation tables, including row-column tables, contingency tables, and cross tables. Examples of each are provided.
3. Different types of data presentation graphs, including histograms, polygons, curves and lines. Graphs are considered a more visually appealing way to present numeric data compared to tables.
4
This document outlines the contents and structure of a study on e-banking. It includes an introduction, scope, importance and objectives of the study. It describes the research methodology and limitations. It reviews relevant literature and profiles the banking industry and a company. It presents an analysis of data collected through a questionnaire, including tables and charts on respondents' demographics and perceptions of e-banking services. It concludes with findings, suggestions and a conclusion on the topic.
The Influence of Progress: Monitoring Data Presentations on Educator's’ Decis...crealcsuf
The document discusses a study examining how different presentations of progress monitoring (PM) data influence educators' decisions during the Response to Intervention (RTI) process. The study used an experimental design to compare educators' likelihood of referring students for special education evaluations and confidence in decisions when PM data was presented in graph versus table formats. A survey was administered to educators in two school districts. Preliminary findings showed educators were less likely to refer responding students for evaluation when data was in graph form compared to tables. Confidence in decisions also varied based on the data presentation format. The document recommends further professional development on using PM data to make informed instructional decisions.
LongSIS 2006 report uploaded to LinkedIn 1Nov2016Roshan Chitrakar
This document provides a summary of system indicators related to education in Nepal from 1999-2005. It analyzes trends in indicators such as the percentage of new students with early childhood education experience, student-teacher ratios, enrollment numbers, gender parity, and the number of students receiving scholarships. Some key findings are that the percentage of new students with early childhood education grew until 2003 but declined in 2004-2005, student-teacher ratios remained highest in the Tarai region and fluctuated between 1:30-1:40, and the number of students receiving scholarships, especially Dalits and girls, substantially increased in 2004-2005. The report aims to monitor progress on education goals in Nepal and help improve data collection.
This document is a thesis that investigates the determinants of unemployment rates in 5 ASEAN member states (Indonesia, Malaysia, Philippines, Singapore, and Thailand) using panel data analysis. It aims to identify the key determinants of unemployment rates across the 5 countries and within each country. It also examines trends in macroeconomic indicators like GDP and unemployment over time and tests for evidence of a short-run Phillips curve tradeoff between inflation and unemployment. The study uses secondary time series data from 1980-2011 on unemployment rates and variables like GDP, inflation, population, wages, education, and investment. It employs regression analysis to determine unemployment rate relationships with these factors both across the countries and within each individually. The results and trends are
The competitiveness of the tourism cluster in An Giang province.pdfHanaTiti
This document is the thesis of Phan Bich Tran submitted to the University of Economics in Ho Chi Minh City in 2011 for the degree of Master of Public Policy. The thesis examines rural women and stable employment through a case study of KrongPa village. It aims to understand why some women obtain better jobs than others, why some are more vulnerable to falling into poverty, and the importance of jobs for escaping poverty. The thesis reviews literature on poverty theories, poverty among ethnic minorities and women, and employment. It describes the methodology and data collection from KrongPa village to analyze factors affecting women's employment opportunities and poverty dynamics.
The document discusses statistics and statistical analysis. It explains that statistics involves counting, organizing, and classifying data from observations in order to make comparisons and draw conclusions. It then outlines the typical phases of a statistical study: data collection, data organization and representation, data analysis, and obtaining conclusions. The rest of the document appears to be an analysis report containing various tables and graphs analyzing data on food consumption, weight, and height of students. It includes analyses of the graphs and tables.
This document presents guidelines for statistics education from pre-K through 12th grade. It aims to develop statistical literacy in students so they can understand and intelligently interpret quantitative information they encounter. The guidelines establish a framework with three levels of learning objectives to mature students' statistical problem-solving abilities over time. It describes the objectives and examples for each level to illustrate key statistical concepts. The overarching goal is for students to gain the statistical understanding and reasoning skills needed for citizenship, employment, and personal decision-making.
This document is a student thesis titled "REKAYASA IDE STATISTIKA EKONOMI 'PENGOLAHAN DATA'" about data processing. It discusses several important topics:
1. The importance of organizing and presenting raw data collected in the field in a systematic way for reporting and analysis purposes. Tables and graphs are common methods of data presentation.
2. Different types of data presentation tables, including row-column tables, contingency tables, and cross tables. Examples of each are provided.
3. Different types of data presentation graphs, including histograms, polygons, curves and lines. Graphs are considered a more visually appealing way to present numeric data compared to tables.
4
This document outlines the contents and structure of a study on e-banking. It includes an introduction, scope, importance and objectives of the study. It describes the research methodology and limitations. It reviews relevant literature and profiles the banking industry and a company. It presents an analysis of data collected through a questionnaire, including tables and charts on respondents' demographics and perceptions of e-banking services. It concludes with findings, suggestions and a conclusion on the topic.
The Influence of Progress: Monitoring Data Presentations on Educator's’ Decis...crealcsuf
The document discusses a study examining how different presentations of progress monitoring (PM) data influence educators' decisions during the Response to Intervention (RTI) process. The study used an experimental design to compare educators' likelihood of referring students for special education evaluations and confidence in decisions when PM data was presented in graph versus table formats. A survey was administered to educators in two school districts. Preliminary findings showed educators were less likely to refer responding students for evaluation when data was in graph form compared to tables. Confidence in decisions also varied based on the data presentation format. The document recommends further professional development on using PM data to make informed instructional decisions.
LongSIS 2006 report uploaded to LinkedIn 1Nov2016Roshan Chitrakar
This document provides a summary of system indicators related to education in Nepal from 1999-2005. It analyzes trends in indicators such as the percentage of new students with early childhood education experience, student-teacher ratios, enrollment numbers, gender parity, and the number of students receiving scholarships. Some key findings are that the percentage of new students with early childhood education grew until 2003 but declined in 2004-2005, student-teacher ratios remained highest in the Tarai region and fluctuated between 1:30-1:40, and the number of students receiving scholarships, especially Dalits and girls, substantially increased in 2004-2005. The report aims to monitor progress on education goals in Nepal and help improve data collection.
This document is a thesis that investigates the determinants of unemployment rates in 5 ASEAN member states (Indonesia, Malaysia, Philippines, Singapore, and Thailand) using panel data analysis. It aims to identify the key determinants of unemployment rates across the 5 countries and within each country. It also examines trends in macroeconomic indicators like GDP and unemployment over time and tests for evidence of a short-run Phillips curve tradeoff between inflation and unemployment. The study uses secondary time series data from 1980-2011 on unemployment rates and variables like GDP, inflation, population, wages, education, and investment. It employs regression analysis to determine unemployment rate relationships with these factors both across the countries and within each individually. The results and trends are
The competitiveness of the tourism cluster in An Giang province.pdfHanaTiti
This document is the thesis of Phan Bich Tran submitted to the University of Economics in Ho Chi Minh City in 2011 for the degree of Master of Public Policy. The thesis examines rural women and stable employment through a case study of KrongPa village. It aims to understand why some women obtain better jobs than others, why some are more vulnerable to falling into poverty, and the importance of jobs for escaping poverty. The thesis reviews literature on poverty theories, poverty among ethnic minorities and women, and employment. It describes the methodology and data collection from KrongPa village to analyze factors affecting women's employment opportunities and poverty dynamics.
This document summarizes a study on the risk factors of commercial banks in Kota Bharu, Kelantan. It aims to identify the key risk factors, study their association with bank performance, and explain the relationships. The risk factors examined are liquidity and interest rate risk, credit risk, and exchange rate risk. A survey was conducted of 120 commercial bank staff in Kota Bharu. Statistical analysis using SPSS found the risk factors to be significantly related to bank performance. The study provides recommendations to improve banks' management of risks.
METHODS OF REPRESENTATION OF DATA . pptxcharuramesh
Presentation of Data is a valuable topic in data and management systems. Helpful for medical, dental and management students to understand the various methods wherein they can display their data from research.
A STUDYON THE AWARENESS OF LOCAL POLITICAL LEADERS IN THE DEVELOPMENT OF SLUM...Praveen S
The level of awareness is very much necessary for the political leaders, for the better development of the society. Policymakers, government agencies, NGOs, and other agencies working towards slum need to acknowledge the significance of acts and schemes of the government. For instance, policymakers could organize workshops to create an awareness of the development of the slums.
The document discusses approaches to non-formal basic education (NFBE) in Pakistan by examining NFBE programs, teachers, teaching practices, and community involvement. It analyzes data collected through surveys of over 100 NFBE centers run by different organizations across Pakistan to understand variations in student performance based on factors like program type, teacher characteristics, and community participation. The study aims to inform efforts to improve the quality and effectiveness of NFBE in meeting the education needs and rights of children in Pakistan.
THIS IS MY PH.D., VIVA VOCE POWERPOINT. MY THESIS TITLE IS "EFFECTIVENESS OF E-LEARNING MODULES IN TEACHING MATHEMATICS AMONG SECONDARY TEACHER EDUCATION LEVEL"
This study assessed the off-campus educational life problems faced by female students at Robe Teachers' College in Ethiopia. Data was collected through questionnaires given to teachers and female students. The study found that living situations like distance from home, lack of facilities, and financial difficulties impacted female students' academic performance and led some to dropout. Factors like gender-sensitive teaching methods and tutorial support were shown to improve female students' grades. The researchers concluded that off-campus issues influence female students' educational experiences and the college should take further responsibility to support them.
Statistics, data presentation, frequency distribution, histogram, frequency polygon, frequency curve.
Disclaimer: Some parts of the presentation are obtained from various sources. Credit to the rightful owners.
06-04-2024 - NYC Tech Week - Discussion on Vector Databases, Unstructured Data and AI
Discussion on Vector Databases, Unstructured Data and AI
https://www.meetup.com/unstructured-data-meetup-new-york/
This meetup is for people working in unstructured data. Speakers will come present about related topics such as vector databases, LLMs, and managing data at scale. The intended audience of this group includes roles like machine learning engineers, data scientists, data engineers, software engineers, and PMs.This meetup was formerly Milvus Meetup, and is sponsored by Zilliz maintainers of Milvus.
Global Situational Awareness of A.I. and where its headedvikram sood
You can see the future first in San Francisco.
Over the past year, the talk of the town has shifted from $10 billion compute clusters to $100 billion clusters to trillion-dollar clusters. Every six months another zero is added to the boardroom plans. Behind the scenes, there’s a fierce scramble to secure every power contract still available for the rest of the decade, every voltage transformer that can possibly be procured. American big business is gearing up to pour trillions of dollars into a long-unseen mobilization of American industrial might. By the end of the decade, American electricity production will have grown tens of percent; from the shale fields of Pennsylvania to the solar farms of Nevada, hundreds of millions of GPUs will hum.
The AGI race has begun. We are building machines that can think and reason. By 2025/26, these machines will outpace college graduates. By the end of the decade, they will be smarter than you or I; we will have superintelligence, in the true sense of the word. Along the way, national security forces not seen in half a century will be un-leashed, and before long, The Project will be on. If we’re lucky, we’ll be in an all-out race with the CCP; if we’re unlucky, an all-out war.
Everyone is now talking about AI, but few have the faintest glimmer of what is about to hit them. Nvidia analysts still think 2024 might be close to the peak. Mainstream pundits are stuck on the wilful blindness of “it’s just predicting the next word”. They see only hype and business-as-usual; at most they entertain another internet-scale technological change.
Before long, the world will wake up. But right now, there are perhaps a few hundred people, most of them in San Francisco and the AI labs, that have situational awareness. Through whatever peculiar forces of fate, I have found myself amongst them. A few years ago, these people were derided as crazy—but they trusted the trendlines, which allowed them to correctly predict the AI advances of the past few years. Whether these people are also right about the next few years remains to be seen. But these are very smart people—the smartest people I have ever met—and they are the ones building this technology. Perhaps they will be an odd footnote in history, or perhaps they will go down in history like Szilard and Oppenheimer and Teller. If they are seeing the future even close to correctly, we are in for a wild ride.
Let me tell you what we see.
Analysis insight about a Flyball dog competition team's performanceroli9797
Insight of my analysis about a Flyball dog competition team's last year performance. Find more: https://github.com/rolandnagy-ds/flyball_race_analysis/tree/main
ViewShift: Hassle-free Dynamic Policy Enforcement for Every Data LakeWalaa Eldin Moustafa
Dynamic policy enforcement is becoming an increasingly important topic in today’s world where data privacy and compliance is a top priority for companies, individuals, and regulators alike. In these slides, we discuss how LinkedIn implements a powerful dynamic policy enforcement engine, called ViewShift, and integrates it within its data lake. We show the query engine architecture and how catalog implementations can automatically route table resolutions to compliance-enforcing SQL views. Such views have a set of very interesting properties: (1) They are auto-generated from declarative data annotations. (2) They respect user-level consent and preferences (3) They are context-aware, encoding a different set of transformations for different use cases (4) They are portable; while the SQL logic is only implemented in one SQL dialect, it is accessible in all engines.
#SQL #Views #Privacy #Compliance #DataLake
06-04-2024 - NYC Tech Week - Discussion on Vector Databases, Unstructured Data and AI
Round table discussion of vector databases, unstructured data, ai, big data, real-time, robots and Milvus.
A lively discussion with NJ Gen AI Meetup Lead, Prasad and Procure.FYI's Co-Found
The Building Blocks of QuestDB, a Time Series Databasejavier ramirez
Talk Delivered at Valencia Codes Meetup 2024-06.
Traditionally, databases have treated timestamps just as another data type. However, when performing real-time analytics, timestamps should be first class citizens and we need rich time semantics to get the most out of our data. We also need to deal with ever growing datasets while keeping performant, which is as fun as it sounds.
It is no wonder time-series databases are now more popular than ever before. Join me in this session to learn about the internal architecture and building blocks of QuestDB, an open source time-series database designed for speed. We will also review a history of some of the changes we have gone over the past two years to deal with late and unordered data, non-blocking writes, read-replicas, or faster batch ingestion.
More Related Content
Similar to Faktor yang mempengaruhi jumlah penduduk miskin di kabupaten karo dikonversi
This document summarizes a study on the risk factors of commercial banks in Kota Bharu, Kelantan. It aims to identify the key risk factors, study their association with bank performance, and explain the relationships. The risk factors examined are liquidity and interest rate risk, credit risk, and exchange rate risk. A survey was conducted of 120 commercial bank staff in Kota Bharu. Statistical analysis using SPSS found the risk factors to be significantly related to bank performance. The study provides recommendations to improve banks' management of risks.
METHODS OF REPRESENTATION OF DATA . pptxcharuramesh
Presentation of Data is a valuable topic in data and management systems. Helpful for medical, dental and management students to understand the various methods wherein they can display their data from research.
A STUDYON THE AWARENESS OF LOCAL POLITICAL LEADERS IN THE DEVELOPMENT OF SLUM...Praveen S
The level of awareness is very much necessary for the political leaders, for the better development of the society. Policymakers, government agencies, NGOs, and other agencies working towards slum need to acknowledge the significance of acts and schemes of the government. For instance, policymakers could organize workshops to create an awareness of the development of the slums.
The document discusses approaches to non-formal basic education (NFBE) in Pakistan by examining NFBE programs, teachers, teaching practices, and community involvement. It analyzes data collected through surveys of over 100 NFBE centers run by different organizations across Pakistan to understand variations in student performance based on factors like program type, teacher characteristics, and community participation. The study aims to inform efforts to improve the quality and effectiveness of NFBE in meeting the education needs and rights of children in Pakistan.
THIS IS MY PH.D., VIVA VOCE POWERPOINT. MY THESIS TITLE IS "EFFECTIVENESS OF E-LEARNING MODULES IN TEACHING MATHEMATICS AMONG SECONDARY TEACHER EDUCATION LEVEL"
This study assessed the off-campus educational life problems faced by female students at Robe Teachers' College in Ethiopia. Data was collected through questionnaires given to teachers and female students. The study found that living situations like distance from home, lack of facilities, and financial difficulties impacted female students' academic performance and led some to dropout. Factors like gender-sensitive teaching methods and tutorial support were shown to improve female students' grades. The researchers concluded that off-campus issues influence female students' educational experiences and the college should take further responsibility to support them.
Statistics, data presentation, frequency distribution, histogram, frequency polygon, frequency curve.
Disclaimer: Some parts of the presentation are obtained from various sources. Credit to the rightful owners.
Similar to Faktor yang mempengaruhi jumlah penduduk miskin di kabupaten karo dikonversi (8)
06-04-2024 - NYC Tech Week - Discussion on Vector Databases, Unstructured Data and AI
Discussion on Vector Databases, Unstructured Data and AI
https://www.meetup.com/unstructured-data-meetup-new-york/
This meetup is for people working in unstructured data. Speakers will come present about related topics such as vector databases, LLMs, and managing data at scale. The intended audience of this group includes roles like machine learning engineers, data scientists, data engineers, software engineers, and PMs.This meetup was formerly Milvus Meetup, and is sponsored by Zilliz maintainers of Milvus.
Global Situational Awareness of A.I. and where its headedvikram sood
You can see the future first in San Francisco.
Over the past year, the talk of the town has shifted from $10 billion compute clusters to $100 billion clusters to trillion-dollar clusters. Every six months another zero is added to the boardroom plans. Behind the scenes, there’s a fierce scramble to secure every power contract still available for the rest of the decade, every voltage transformer that can possibly be procured. American big business is gearing up to pour trillions of dollars into a long-unseen mobilization of American industrial might. By the end of the decade, American electricity production will have grown tens of percent; from the shale fields of Pennsylvania to the solar farms of Nevada, hundreds of millions of GPUs will hum.
The AGI race has begun. We are building machines that can think and reason. By 2025/26, these machines will outpace college graduates. By the end of the decade, they will be smarter than you or I; we will have superintelligence, in the true sense of the word. Along the way, national security forces not seen in half a century will be un-leashed, and before long, The Project will be on. If we’re lucky, we’ll be in an all-out race with the CCP; if we’re unlucky, an all-out war.
Everyone is now talking about AI, but few have the faintest glimmer of what is about to hit them. Nvidia analysts still think 2024 might be close to the peak. Mainstream pundits are stuck on the wilful blindness of “it’s just predicting the next word”. They see only hype and business-as-usual; at most they entertain another internet-scale technological change.
Before long, the world will wake up. But right now, there are perhaps a few hundred people, most of them in San Francisco and the AI labs, that have situational awareness. Through whatever peculiar forces of fate, I have found myself amongst them. A few years ago, these people were derided as crazy—but they trusted the trendlines, which allowed them to correctly predict the AI advances of the past few years. Whether these people are also right about the next few years remains to be seen. But these are very smart people—the smartest people I have ever met—and they are the ones building this technology. Perhaps they will be an odd footnote in history, or perhaps they will go down in history like Szilard and Oppenheimer and Teller. If they are seeing the future even close to correctly, we are in for a wild ride.
Let me tell you what we see.
Analysis insight about a Flyball dog competition team's performanceroli9797
Insight of my analysis about a Flyball dog competition team's last year performance. Find more: https://github.com/rolandnagy-ds/flyball_race_analysis/tree/main
ViewShift: Hassle-free Dynamic Policy Enforcement for Every Data LakeWalaa Eldin Moustafa
Dynamic policy enforcement is becoming an increasingly important topic in today’s world where data privacy and compliance is a top priority for companies, individuals, and regulators alike. In these slides, we discuss how LinkedIn implements a powerful dynamic policy enforcement engine, called ViewShift, and integrates it within its data lake. We show the query engine architecture and how catalog implementations can automatically route table resolutions to compliance-enforcing SQL views. Such views have a set of very interesting properties: (1) They are auto-generated from declarative data annotations. (2) They respect user-level consent and preferences (3) They are context-aware, encoding a different set of transformations for different use cases (4) They are portable; while the SQL logic is only implemented in one SQL dialect, it is accessible in all engines.
#SQL #Views #Privacy #Compliance #DataLake
06-04-2024 - NYC Tech Week - Discussion on Vector Databases, Unstructured Data and AI
Round table discussion of vector databases, unstructured data, ai, big data, real-time, robots and Milvus.
A lively discussion with NJ Gen AI Meetup Lead, Prasad and Procure.FYI's Co-Found
The Building Blocks of QuestDB, a Time Series Databasejavier ramirez
Talk Delivered at Valencia Codes Meetup 2024-06.
Traditionally, databases have treated timestamps just as another data type. However, when performing real-time analytics, timestamps should be first class citizens and we need rich time semantics to get the most out of our data. We also need to deal with ever growing datasets while keeping performant, which is as fun as it sounds.
It is no wonder time-series databases are now more popular than ever before. Join me in this session to learn about the internal architecture and building blocks of QuestDB, an open source time-series database designed for speed. We will also review a history of some of the changes we have gone over the past two years to deal with late and unordered data, non-blocking writes, read-replicas, or faster batch ingestion.
Learn SQL from basic queries to Advance queriesmanishkhaire30
Dive into the world of data analysis with our comprehensive guide on mastering SQL! This presentation offers a practical approach to learning SQL, focusing on real-world applications and hands-on practice. Whether you're a beginner or looking to sharpen your skills, this guide provides the tools you need to extract, analyze, and interpret data effectively.
Key Highlights:
Foundations of SQL: Understand the basics of SQL, including data retrieval, filtering, and aggregation.
Advanced Queries: Learn to craft complex queries to uncover deep insights from your data.
Data Trends and Patterns: Discover how to identify and interpret trends and patterns in your datasets.
Practical Examples: Follow step-by-step examples to apply SQL techniques in real-world scenarios.
Actionable Insights: Gain the skills to derive actionable insights that drive informed decision-making.
Join us on this journey to enhance your data analysis capabilities and unlock the full potential of SQL. Perfect for data enthusiasts, analysts, and anyone eager to harness the power of data!
#DataAnalysis #SQL #LearningSQL #DataInsights #DataScience #Analytics
State of Artificial intelligence Report 2023kuntobimo2016
Artificial intelligence (AI) is a multidisciplinary field of science and engineering whose goal is to create intelligent machines.
We believe that AI will be a force multiplier on technological progress in our increasingly digital, data-driven world. This is because everything around us today, ranging from culture to consumer products, is a product of intelligence.
The State of AI Report is now in its sixth year. Consider this report as a compilation of the most interesting things we’ve seen with a goal of triggering an informed conversation about the state of AI and its implication for the future.
We consider the following key dimensions in our report:
Research: Technology breakthroughs and their capabilities.
Industry: Areas of commercial application for AI and its business impact.
Politics: Regulation of AI, its economic implications and the evolving geopolitics of AI.
Safety: Identifying and mitigating catastrophic risks that highly-capable future AI systems could pose to us.
Predictions: What we believe will happen in the next 12 months and a 2022 performance review to keep us honest.
Codeless Generative AI Pipelines
(GenAI with Milvus)
https://ml.dssconf.pl/user.html#!/lecture/DSSML24-041a/rate
Discover the potential of real-time streaming in the context of GenAI as we delve into the intricacies of Apache NiFi and its capabilities. Learn how this tool can significantly simplify the data engineering workflow for GenAI applications, allowing you to focus on the creative aspects rather than the technical complexities. I will guide you through practical examples and use cases, showing the impact of automation on prompt building. From data ingestion to transformation and delivery, witness how Apache NiFi streamlines the entire pipeline, ensuring a smooth and hassle-free experience.
Timothy Spann
https://www.youtube.com/@FLaNK-Stack
https://medium.com/@tspann
https://www.datainmotion.dev/
milvus, unstructured data, vector database, zilliz, cloud, vectors, python, deep learning, generative ai, genai, nifi, kafka, flink, streaming, iot, edge
Challenges of Nation Building-1.pptx with more important
Faktor yang mempengaruhi jumlah penduduk miskin di kabupaten karo dikonversi
1. FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK
MISKIN DI KABUPATEN KARO
TUGAS AKHIR
Rapika Rosalia
122407030
PROGRAM STUDI D3 STATISTIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
2. FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK
MISKINDI KABUPATEN KARO
TUGAS AKHIR
Diajukanuntukmelengkapitugasdanmemenuhisyaratmemperoleh gelar
AhliMadya
Rapika Rosalia
122407030
PROGRAM STUDI D3 STATISTIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
3. PERSETUJUAN
Judul : FAKTOR YANG MEMPENGARUHI JUMLAH
PENDUDUK MISKIN DI KABUPATEN KARO
Kategori : TUGAS AKHIR
Nama : RAPIKA ROSALIA
Nim : 122407030
Program Studi : D3 STATISTIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Juli 2015
Disetujui oleh:
Program Studi D3 Statistika FMIPA USU Pembimbing
Ketua,
Dr.Faigiziduhu Bu’ulölö,M.Si Dr.Ester Sorta M. Nababan,M.Si
NIP. 19531218 198003 1 003 NIP. 19531218 198003 1 003
4. PERNYATAAN
FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK
MISKIN DI KABUPATEN KARO
TUGAS AKHIR
Saya mengakui bahwa tugas akhir ini adalah hasil kerja saya, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2015
RAPIKA ROSALIA
122407030
5. PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, atas segala
berkat dan kasih karunia-Nya tugas akhir ini berhasil diselesaikan dalam waktu
yang telah ditetapkan dengan judul Faktor yang Mempengaruhi Jumlah
Penduduk Miskin di Kabupaten Karo Berdasarkan Data Tahun 2004-2013
Dengan Metode Regresi Linier Berganda.
Terimakasih penulis sampaikan kepada Ibu Dr. Ester Sorta M. Nababan,
M.Sc selaku pembimbing yang telah meluangkan waktunya selama penyusunan
tugas akhir ini. Terimakasih kepada Bapak Dr.Faigiziduhu Bu’ulölö,M.Si dan Dr.
Suwarno Ariswoyo, M.Si selaku Ketua dan Sekretaris Program Studi D3 Statistika
FMIPA USU, Bapak Prof. Dr. Tulus, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku
Ketua dan Sekretaris Departemen Matematika FMIPA USU Medan, Bapak Dr.
Sutarman, M.Sc selaku Dekan FMIPA USU, seluruh staff dan Dosen Program
Studi D3 Statistika FMIPA USU, pegawai FMIPA USU. Penulis juga
mengucapkan terima kasih kepada kedua orang tua saya, Bintang S. Depari (+)
dan Mariana Br Sitepu atas segala pengorbanan, bimbingan, dukungan moril dan
material selama ini serta seluruh saudara saya dan juga seluruh rekan-rekan kuliah
yang selama ini memberikan dukungan dan semangat kepada penulis. Semoga
Tuhan Yang Maha Esa membalasnya.
Penulis
Rapika Rosalia
6. DAFTAR ISI
Halaman
PERSETUJUAN i
PERNYATAAN ii
PENGHARGAAN iii
DAFTAR ISI iv
DAFTAR TABEL vi
DAFTAR GAMBAR vii
BAB 1. PENDAHULUAN 1
1.1. Latar Belakang 3
1.2. Perumusan Masalah 4
1.3. Batasan Masalah 4
1.4. Tujuan Penelitian 4
1.5. Manfaat Penelitian 4
1.6. Tinjauan Pustaka 5
1.7. Metode Penelitian 5
BAB 2. LANDASAN TEORI 8
2.1. Pengertian Analisa Regresi 8
2.2. Persamaan Regresi 9
2.3. Analisa Regresi Linier Sederhana 10
2.4. Analisa Regresi Linier Berganda 11
2.5. Kesalahan Standar Estimasi 13
2.6. Uji Regresi Berganda 13
2.7. Koefisien Determinasi 14
2.8. Koefisien Korelasi 15
2.9. Uji Koefisien Regresi Linier Berganda 19
BAB 3. ANALISIS DATA 20
3.1 Pengolahna Data 20
3.2 Membentuk Persamaan Regresi Linier Berganda 21
3.3 Kesalahan Standar estimasi 24
3.4 Uji Regresi Linier Berganda 25
3.5 Koefisien Determinasi 28
3.6 Perhitungan Koefisien Korelasi Antar Variabel 30
3.7 Pengujian Koefisien Regresi Linier Berganda 33
BAB 4. IMPLEMENTASI SISTEM 36
4.1 Pengertian Implementasi Sistem 36
4.2 SPSS Dalam Statistika 36
7. 4.3 Pengolah Data Dengan SPSS 37
4.3.1 Memasukkan Variabel dan Mengentri Data 37
4.3.2 Pegoprasian SPSS 37
4.3.3 Memasukan Variavel (Variable View) 38
4.3.4 Memasukan Data (Data View) 39
4.3.5 Menguji Normalitas Data 39
4.3.6 Menguji Homogenitas Data 42
4.3.7 Menganalisis Data denga Regresi 45
4.4 Hasil Output SPSS 48
BAB 5. PENUTUP 56
5.1 Kesimpulan 56
5.2 Saran 57
DAFTAR PUSTAKA
LAMPIRAN
8. DAFTAR TABEL
Halaman
Tabel 2.1 Interpretasi Koefisien Korelasi Nilai r. 15
Tabel 3.1 Jumlah Penduduk Miskin( ribuan jiwa), PDRB(juta/Rp),Tingkat 16
Pengangguran(%),Angka Partisipasi Sekolah (ribuan jiwa)
Dikabupaten Karo tahun 2004-2013
Tabel 3.2 Harga-Harga yang Diperlukan Untuk 21
Menghitung Koefisien b0 ,,,
Tabel 3.3 Nilai-Nilai ˆ
Y Yang Diperoleh Dari Persaman Regresi Linier 24
Berganda Untuk Menghitung Kekeliruan Tafsiran Baku
Tabel 3.4 Harga-harga yang Diperlukan untuk uji Regresi 26
Tabel 4.1 Uji Normalitas dengan Kolmogorov-Smirnov 48
Tabel 4.2 Uji Homoenitas dengan Gelejser 48
Tabel 4.3 Deskripsi Statistika 49
Tabel 4.4 Koefisien Korelasi Variabel 50
Tabel 4.5 Koefisien Determinasi Regresi linier Berganda 50
Tabel 4.6 Daftar ANOVA 50
Tabel 4.7 Daftar Koefisien Variabel Regresi Linier Berganda 50
Tabel 4.8 Nilai Koefisien Determinasi antar Jumlah Penduduk 50
Dengan PDRB
Tabel 4.9 Nilai Koefisien Determinasi antar Jumlah Penduduk Dengan 51
Tingkat Penganguran
Tabel 4.10 Nilai Koefisien Determinasi antar Jumlah Penduduk Dengan 51
Angka Partisipasi Sekolah
Tabel 4.11 Nilai Koefisien Determinasi antar Jumlah Penduduk 51
Dengan PDRB,Tingkat Penganguran dan
Angka Partisipasi Sekolah
Tabel 4.12 Nilai Koefisien Determinasi antar Jumlah Penduduk 52
Dengan PDRB Dan Tingkat Pengangguran
Tabel 4.13 Nilai Koefisien Determinasi antar Jumlah Penduduk 50
Dengan Tingkat Penganguran dan Angka Partisipasi Sekolah
Tabel 4.14 Nilai Koefisien Determinasi antar Jumlah Penduduk 50
Dengan PDRB dan Angka Partisipasi Sekolah
9. DAFTAR GAMBAR
Halaman
Gambar 4.1 Tampilan Pengaktifan SPSS 18.0 37
Gambar 4.2 Kotak dialog SPSS for Windows untuk Data View 37
Gambar 4.3 Kotak dialog SPSS for Windows untuk Variable View 38
Gambar 4.4 Tampilan jendela pengisian Variable View 39
Gambar 4.5 Tampilan jendela pengisian Data View 39
Gambar 4.6 Tampilan Pengolahan Data dengan Regresi Linier 40
Gambar 4.7 Kotak Dialog Linier Regression 40
Gambar 4.8 Kotak Dialog Linear Regression: Save 41
Gambar 4.9 Tampilan Pengolahan Data Residual 41
Gambar 4.10 Tampilan Pengolahan Data Uji Kolmogornov Smirnov 42
Gambar 4.11 Totak Dialog One Sample Kolmogorov-Smirnov Test 42
Gambar 4.12 Tampilan Pengolahan Data dengan Regresi Linier 43
Gambar 4.13 Kotak Dialog Linier Regression 43
Gambar 4.14 Kotak Dialog Linear Regression: Save 44
Gambar 4.15 Tampilan Pengolahan Data Residual 44
Gambar 4.16 Tampilan Pengolahan Uji Homogenitas dengan Glejser 45
Gambar 4.17 Kotak Dialog Compute Variabel 45
Gambar 4.18 Tampilan Pengolahan Data dengan Regresi Linier 46
Gambar 4.19 Kotak Dialog Linear Regression 46
Gambar 4.20 Kotak Dialog Linier Regression: Statistic 47
Gambar 4.21 Kotak Dialog Linier Regression: Plots 47
Gambar 4.22 Grafik Koefisien Determinasi jumlah penduduk miskin, PDRB,
tingkat pengganguran dan angka partisipasi sekolah 53
Gambar 4.23 Histogram Regression Standardizer Residual 55
Gambar 4.24 Normal Probability Plot 55
10. BAB 1
PENDAHULUAN
1.1 LATAR BELAKANG
Kemiskinan adalah masalah lintas zaman. Kenyataan ini kiranya menjadi latar
belakang mengapa kemiskinan selalu menjadi masalah yang mendapatkan
perhatian besar dan mengundang perdebatan, hingga pada level paradigmatik.
Perdebatan abadi kapitalisme dan sosialisme telah menjadikan kemiskinan sebagai
salah satu tema sentral. Perdebatan paradigmatik telah menjadikan masalah
kemiskinan menjadi semakin kompleks. Namun terlepas dari semua kontroversi
perdebatan yang ada tentang konsep kemiskinan, penuntasan penanggulangan
kemiskinan harus segera dilakukan dan setiap kebijakan yang dibuat harus
memihak kepada rakyat miskin yang sangat membutuhkan perhatian dari semua
pihak.
Pembangunan nasional merupakan rangkaian upaya pembangunan yang
berkesinambungan yang meliputi seluruh kehidupan bangsa dan negara. Untuk
melaksanakan tugas mewujudkan tujuan nasional yang terdapat dalam pembukaan
UUD 1945 yaitu, “melindungi segenap bangsa dan tumpah darah Indonesia,
mewujudkan kesejahteraan umum, mencerdaskan kehidupan bangsa, serta ikut
melaksanakan ketertiban dunia yang berdasarkan kemerdekaan, perdamaian abadi
dan keadilan sosial”.
Kebijakan pembangunan terus dilanjutkan dan ditingkatkan berupa
pemerataan pembangunan dan hasilnya yang menuju kepada terciptanya keadilan
sosial bagi seluruh rakyat Indonesia, pertumbuhan ekonomi yang cukup tinggi, dan
stabilitas nasional yang sehat dan dinamis. Jadi tujuan pembangunan nasional
bukan hanya mengejar pembangunan ekonomi yang tinggi, melainkan juga
memberikan penekanan pada aspek peningkatan pendapatan masyarakat dan
pemerataan. Ketiga aspek ini merupakan upaya mengurangi kemiskinan sekaligus
11. memperkecil kesenjangan pendapatan kelompok yang berpenghasilan rendah dan
kelompok yang berpenghasilan tinggi. Meskipun fenomena kemiskinan itu
merupakan sesuatu yang kompleks dalam arti tidak hanya berkaitan dengan
dimensi ekonomi, tetapi juga dimensi-dimensi lain di luar ekonomi, namun selama
ini kemiskinan lebih sering dikonsepsikan dalam konteks ketidakcukupan
pendapatan dan harta (lack of income and assets) untuk memenuhi kebutuhan
dasar seperti pangan, pakaian, perumahan, pendidikan, dan kesehatan, yang
semuanya berada dalam lingkungan dimensi ekonomi (Nanga, 2006). Pada
prinsipnya kemiskinan merupakan salah satu isu sentral dalam perekonomian di
Indonesia. Pertumbuhan ekonomi yang pesat telah berhasil meningkatkan taraf
hidup semua lapisan masyarakat.
Keberhasilan pembangunan nasional selama ini masih ditemukan beberapa
aspek kehidupan masyarakat yang belum banyak tersentuh oleh pembangunan.
Diantara aspek kehidupan masyarakat yang belum terjamah secara tuntas adalah
masalah kemiskinan yang menjadi ciri sebagian anggota masyarakat. Kemiskinan
dapat terjadi dimana saja, baik di negara yang sedang berkembang ataupun negara
maju, baik di kota maupun di desa.Salah satu penyebab kemiskinan tersebut
adalah rendahnya kualitas sumber daya manusia pada suatu daerah. Untuk melihat
kualitas sumber daya manusia adalah dengan cara melihat tingkat harapan hidup
seseorang, tingkat pendidikannya, seperti seberapa banyak penduduk di daerah
tersebut yang pandai membaca dan menulis, rata-rata pendidikan tertinggi yang
ditamatkan penduduk. Semakin tinggi tingkat pendidikan yang ditamatkan oleh
masing-masing penduduk pada suatu daerah, maka akan mengurangi tingkat
kemiskinan pada daerah tersebut.
Salah satu wilayah otonom di Indonesia yang juga mengalami
permasalahan pengurangan kemiskinan adalah Kabupaten Karo. Menurut data
BPS Provinsi Sumatera Utara jumlah penduduk miskin di Kabupaten Karo dari
tahun 2003 sampai dengan tahun 2008, bahwa persentase penduduk miskin di
Kabupaten Karo cenderung mengalami penurunan, yakni dari 23,79 persen pada
tahun 2003 turun menjadi 21, 73 persen pada tahun 2004, dan persentase
penurunan penduduk miskin ini bukan terus berlanjut pada tahun-tahun
berikutnya, karena bila dilihat dari data diketahui bahwa telah terjadi kenaikan
12. jumlah penduduk miskin dari tahun 2005 ke tahun 2006 yakni sebesar 67.420
orang pada tahun 2005 menjadi 69.610 orang pada tahun 2006, angka penduduk
miskin turun kembali pada tahun berikutnya, yakni dari 69.610 orang pada tahun
2006 menjadi sebesar 50.500 orang pada tahun 2007, terjadi lagi penurunan pada
tahun 2008 yakni menjadi 48.490 orang. Menurut data yang dipublikasikan BPS
Provinsi Sumatera Utara pada tahun 2007 penduduk Kabupaten Karo memiliki
angka kemiskinan pada tingkat menengah yakni berada di bawah Kabupaten Deli
Serdang, Kota Binjai, Kota Medan, Kota Pematang Siantar, Kota Tebing Tinggi,
Kota Sibolga, Kabupaten Padang Sidempuan, Kota Tanjung Balai, Kabupaten
Serdang Bedagai, Kabupaten Labuhan Batu, dan berada di atas Kabupaten Nias,
Kabupaten Nias Selatan, Kabupaten Tapanuli Tengah, Kabupaten Samosir,
Kabupaten Pakpak Barat, Kabupaten Tapanuli Selatan, Kabupaten Tapanuli Utara,
Kabupaten Mandailing Natal, dan beberapa kabupaten lainnya di Sumatera Utara.
Berdasarkan uraian diatas maka penulis tertarik untuk menganalisa tentang
masalah kemiskinan di Kabupaten karo, dengan melakukan penelitian dengan
judul “Faktor yang Mempengaruhi Jumlah Penduduk Miskin di Kabupaten
Karo”.
1.2 RUMUSAN MASALAH
Berdasarkan latar belakang yang telah dijelaskan, maka yang menjadi
permasalahan adalah bagaimana hubungan antara Produk Domestik Regional
Bruto (PDRB) Atas Dasar Harga Konstan, Tingkat penganguran dan Angka
Partisipasi Sekolah terhadap Jumlah Penduduk Miskin Kabupaten Karo dengan
regresi linier berganda.
1.3 BATASAN MASALAH
Tujuan yang hendak dicapai dari penelitian ini adalah:
1. Untuk mengetahui model persamaan regresi dari variabel-variabel yang
diteliti, yaitu Produk Domestik Regional Bruto (PDRB) Atas Dasar Harga
13. Konstan, Tingkat penganguran dan Angka Partisipasi Sekolah terhadap
Jumlah Penduduk Miskin kabupaten Karo.
2. Untuk mengetahui seberapa besar pengaruh/hubungan dari variabel-variabel
tersebut terhadap Jumlah Penduduk Miskin Kabupaten Karo.
1.4 TUJUAN PENELITIAN
Tujuan dari penelitian ini adalah sebagai berikut:
1. Untuk mengetahui seberapa besar pengaruh yang diberikan variabel-
variabel yang diteliti terhadap jumlah penduduk miskin di Kabupaten karo.
2. Mengetahui hubungan antar variabel yang diteliti.
3. Sebagai sarana aplikasi ilmu yang didapat saat perkuliahan.
1.5 MANFAAT PENELITIAN
Manfaat yang dapat diambil dari penelitian ini adalah:
1. Untik mengetahui pengaruh PDRB, tingkat penganguran dan angka
partisipasi sekolah terhadap jumlah penduduk miskin di Kabupaten karo.
2. Untuk mengetahui hubungan antara variabel terikat dan bebas.
3. Sebagai sarana meningkatkan pengetahuan dan wawasan penulis mengenai
riset dan menganalisis data.
1.6 TINJAUAN PUSTAKA
Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
variabel lain diperlukan alat analisis yang memungkinkan kita untuk membuat
perkiraan nilai variabel tersebut pada nilai tertentu variabel yang
mempengaruhinya (Algifari, 2000).
Dalam ilmu statistika, teknik yang umum digunakan untuk menganalisis
hubungan antara dua atau lebih variabel adalah analisa regresi. Model matematis
14. dalam menjelaskan hubungan antara variabel dalam analisis regresi menggunakan
persamaan regresi. Prinsip dasar yang harus dipenuhi dalam membangun suatu
persamaan regresi adalah bahwa antara variabel dependen dengan variabel
independen mempunyai sifat hubungan sebab akibat, baik yang didasarkan pada
teori, hasil penelitian sebelumnya, ataupun yang berdasarkan pada penjelasan logis
tertentu.
Bentuk hubungan antara variabel dapat searah atau dapat berlawanan arah.
Hubungan antara variabel searah artinya perubahan nilai yang satu dengan nilai
yang lain searah. Hubungan antara variabel berlawanan arah artinya perubahan
nilai yang satu dengan nilai yang lain berlawanan arah. (Usman dkk. 1995).
Regresi berganda berguna untuk mendapatkan pengaruh dua variabel kriterium
atau untuk mencari hubungan fungsional dua prediktor atau lebih dengan variabel
kriteriumnya atau untuk meramalkan dua variabel prediktor atau lebih terhadap
variabel kriteriumnya (Sujana, 2001).
Analisa regresi akan membedakan dua jenis variabel yaitu variabel bebas
(variabel predictor) dan variabel tidak bebas (variabel respon). Variabel yang
mudah didapat atau tersedia sering digolongkan dalam variabel bebas, sedangkan
variabel yang terjadi karena variabel bebas itu merupakan variabel tidak bebas
(Sujana, 2001.). Setelah mengetahui hubungan fungsional antara variabel-variabel
dimana persamaan regresinya telah ditentukan dan telah melakukan pengujian
maka persoalan berikutnya yang dirasakan perlu, jika data hasil pengamatan terdiri
dari banyak variabel adalah seberapa kuat hubungan antara variabel-variabel itu.
Dengan kata lain perlu ditentukan derajat hubungan antara variabel-variabel
tersebut. Studi yang membahas derajat hubunggan antara variabel-variabel
tersebut dikenal dengan nama analisis korelasi.
Ukuran yang dipakai untuk mengetahui derajat hubungan, terutama data
kuantitatif dinamakan koefisien korelasi (Iswardono, 1981). Jika kenaikan didalam
suatu variabel diikuti dengan kenaikan di dalam variabel lain, maka dapat
dikatakan bahwa kedua variabel tersebut mempunyai korelasi yang positip. Tetapi
jika kenaikan di dalam suatu variabel diikuti oleh penurunan di dalam variabel
lain, maka dapat dikatakan bahwa variabel tersebut mempunyai korelasi yang
negatip. Dan jika tidak ada perubahan pada variabel walaupun variabel lainnya
15. berubah maka dikatakan bahwa kedua variabel tersebut tidak mempunyai
hubungan.
1.7 METODE PENELITIAN
Dalam analisis regresi ini metode yang dipakai adalah metode regresi linier
berganda, dan langkah-langkah yang harus dilakukan adalah:
1. Penelitian kepustakaan
Penelitian kepustakaan yaitu metode pengumpulan data untuk memperoleh
data dan informasi dari perpustakaan, yaitu dengan membaca buku-buku,
referensi dan bahan-bahan yang bersifat teotitis yang mendukung penulisan
tugas akhir.
2. Metode pengumpulan data
Pengumpulan data untuk keperluan riset ini, telah dilakukan oleh penulis
dengan menggunakan data sekunder yang diperoleh dari kantor Badan Pusat
Statistik Kabupaten Karo. Data yang dikumpulkan tersebut kemudian disusun
dan disajikan dalam bentuk angka-angka dengan tujuan untuk mendapatkan
gambaran yang jelas tentang sekumpulan data tersebut.
3. Metode Pengolahan Data
Data dianalisa menggunakan metode regresi linier berganda untuk melihat
persamaan regresi linier yang akan diteliti dan untuk mengetahui hubungan
setiap variabel digunakan analisis korelasi. Langkah-langkah yang dilakukan
dalam pengolahan data adalah:
1. Mengelompokkan data menjadi variabel bebas (X) dan variabel terikat
(Y).
2. Menentukan hubungan antara vaiabel bebas (X) dengan variabel
terikat (Y) sehingga didapat regresi sebagai berikut:
𝑌=𝑏0+𝑏1𝑋1+𝑏2𝑋2+⋯+𝑏n𝑋𝑛
16. di mana:
𝑌 = variabel terikat (dependent variabel)
𝑏0 = dugaan bagi parameter konstanta 𝛽0
𝑏𝑛 = dugaan bagi parameter koefisien regresi 𝛽𝑛
𝑋𝑛 = variabel bebas (independent variabel)
3. Uji regresi linier berganda untuk mengetahui besarnya pengaruh
variabel bebas X secara bersama-sama terhadap variabel terikat Y.
4. Uji korelasi untuk mengetahui seberapa besar pengaruh hubungan
variabel-variabel bebas tersebut terhadap variabel terikat.
5. Uji koefisien regresi untuk menguji taraf nyata koefisien-koefisien
regresi yang didapat.
17. BAB 2
LANDASAN TEORI
2.1 PENGERTIAN ANALISIS REGRESI
Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak
mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang
pengetahuan, terutama para peneliti yang dalam penelitiannya banyak
menggunakan statistik sebagai dasar analisis maupun perancangan (Hartono,
Drs.2004) maka dapat dikatakan bahwa statistik mempunyai pengaruh yang
penting dan besar terhadap kemajuan berbagai bidang ilmu pengetahuan. Statistik
harus dan penting dipelajari oleh para peneliti.
Regresi adalah suatu proses memperkirakan secara sistematis tantang apa
yang paling mungkin terjadi dimasa yang akan datang berdasarkan informasi masa
lalu dan sekarang yang dimiliki agar kesalahannya dapat diperkecil. Regresi dapat
juga diartikan sebagai usaha memprediksi perubahan (Riduwan,Drs. M.B.A,2007).
Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan
(prediction). Dengan demikian analisis regresi juga dapat diartikan sebagai analisis
perkiraan. Karena dapat merupakan suatu prediksi maka nilai prediksi tidak
memberikan jawaban pasti tentang apa yang sedang dianalisis, semakin kacil
tingkat penyimpangan antara nilai prediksi dengan nilai rilnya, maka semakin
tepat persamaan regresi yang dibentuk. Tujuan utama regresi adalah untuk
membuat perkiraan nilai suatu variabel (variabel dependen) jika nilai variabel yang
lain yang berhubungan dengannya (variabel lainnya) sudah ditentukan.
Ada beberapa defenisi regresi yang dapat dijabarkan yaitu :
18. 1. Analisis regresi merupakan suatu teknik untuk membangun sebuah
persamaan garis lurus dan menggunakan persamaan tersebut untuk
membuat perkiraan (Mason, 1996:489)
2. Persamaan regresi adalah suatu formula matematis yang menunjukkan
hubungan keterkaitan antara satu atau beberapa variabel yang nilainya
sudah diketahui dengan variabel yang nilainya belum diketahui (Algifri,
2002: 2)
3. Analisis regresi adalah hubungan yang didapat dan dinyatakan dalam
bantuk persamaan matematik yang menyatakan hubungan fungsional antar
variabel – variabel. (Sudjana, 2005: 310)
2.2 PERSAMAAN REGRESI
Model analisis regresi merupakan suatu model yang parameternya linier (biasanya
fungsinya berbentuk garis lurus). Dan secara kuantitatif dapat digunakan untuk
menganalisis pangaruh suatu variabel terhadap variabel lainnya. Analisis regresi
menyangkut studi tentang hubungan antara suatu variabel Y yang disebut variabel
respon atau variabel dependen yaitu variabel yang keberadaannya dipengaruhi
oleh variabel lainnya (Sugiyono.Dr,2010). Dan variabel X merupakan variabel
predictor atau variabel independen yaitu variabel bebas (tidak dipengaruhi variabel
lainnya).
Sifat hubungan antara variabel dalam persamaan regresi merupakan
hubungan sebab akibat. Oleh karena itu, sebelum menggunakan persamaan regresi
dalam menjelaskan hubungan antara dua atau lebih variabel, maka perlu dilakukan
analisis data untuk mengetahui apakah variabel – variabel tersebut berkolerasi,
sehingga membentuk sebuah pola garis lurus seperti gambar 2.1 berikut ini:
19. Gambar 2.1 pola garis lurus
Antara variabel babas (X) dan variabel terikat (Y) membentuk pola sebuah garis
yang lurus, dan dalam aflikasinya jika nilai X meningkat maka nilai Y juga akan
meningkat, jika nilai X mengalami penurunan maka nilai Y juga akan mengalami
penurunan. Untuk mengetahui hubungan – hubungan antara variabel bebas maka
regresi linier terdiri dari dua bentuk, yaitu:
1. Analisis Regresi Linier Sederhana (simple analisis regresi)
2. Analisis Regresi Linier Berganda (multiple analisis regresi)
2.3 ANALISIS REGRESI LINIER SEDERHANA
Regresi linier sederhana digunakan untuk mendapatkan hubungan matematis
dalam bentuk suatu persamaan antara variabel tak bebas dengan variabel bebas
tunggal. Regresi linier sederhana hanya memiliki satu perubahan regresi linier
untuk populasi adalah
Y= a + bx 2.1
dengan :
Y = Subyek dalam variabel dependen yang diprediksikan
X = Subyek pada variabel independen yang mempunyai nilai tertentu.
a = parameter intercept
b = parameter koefisien regresi variabel bebas
20. Persamaan model regresi sederhana hanya memungkinkan bila pengaruh yang
ada itu hanya dari variabel bebas (independent variabel) terhadap variabel tak
bebas (dependent variabel). Jadi harga b merupakan fungsi dari koefisien korelasi.
Bila koefisien korelasi tinggi, maka harga b juga besar, sebaliknya bila koefisien
korelasi negatif maka harga b juga negatif, dan sebaliknya bila koefisien korelasi
positif maka harga b juga positif (Sudjana,2005).
2.4 ANALISIS REGRESI LINIER BERGANDA
Jika dalam regresi linier sederhana hanya memiliki dua variabel saja yaitu satu
variabel terikat (Y) dan satu variabel bebas (X) dengan satu predictor (a).
Pada regresi linier berganda terdapat lebih dari dua variabel, satu variabel terikat,
dan lebih dari satu untuk variabel bebas.
Regresi berganda berguna untuk mencari pengaruh dua atau lebih variabel
bebas atau untuk mencari hubungan fungsional dua variabel bebas atau lebih
terhadap variabel terikatnya. Dengan demikian regresi berganda (multiple
regression) digunakan untuk untuk penelitian yang menyertakan beberapa variabel
sekaligus. Dalam hal ini regresi juga dapat dijadikan pisau analisis terhadap
penelitian yang diadakan, tentu saja jika diarahkan untuk menguji variabel –
variabel yang ada (Supranto.J.MA.2009).
Tujuan analisis regresi linier adalah untuk mengukur intensitas hubungan
antara dua variabel atau lebih dan memuat prediksi / perkiraan nilai Y dan nilai X.
bentuk umum persamaan regresi linier berganda yang mencakup dua atau lebih
variabel, yaitu:
k
k
o x
a
x
a
x
a
a
Y +
+
+
+
=
....
2
2
1
1 2.2
dengan :
=
Y variabel tidak bebas (dependen)
=
o
a konstanta
=
k
a koefisien regresi ke k
=
k
x variabel bebas (indpenden) ke k
21. Koefisien-koefisien k
o a
a ,..., dapat dihitung dengan menggunakan persamaan :
)
(
...
........
...
)
(
...
)
(
...
2
2
1
1
2
2
2
2
2
1
1
2
2
1
2
1
2
2
1
1
1
1
2
2
1
1
1
+
+
+
+
=
+
+
+
+
=
+
+
+
+
=
+
+
+
+
=
ki
k
ki
i
ki
i
ki
o
i
ki
ki
i
k
i
i
i
i
o
i
i
ki
i
k
i
i
i
i
o
i
i
ki
k
i
i
o
X
a
X
X
a
X
X
a
X
a
Y
X
X
X
a
X
a
X
X
a
X
a
Y
X
X
X
a
X
X
a
X
a
X
a
Y
X
X
a
X
a
X
a
n
a
Y
2.3
Untuk hal ini, penulis menggunakan regresi linier berganda satu variabel terikat
(dependent variable) dan tiga variabel bebas (independent variable). Bentuk
umum regresi linier berganda tersebut, yaitu:
0 1 1 2 2 3 3
Ŷ a a x a x a x
= + + + 2.4
dengan
𝑌 = Jumlah Penduduk Miskin
𝑋1 = pertumbuhan ekonomi
𝑋2 = jumlah penganguran
𝑋3 = angka partisipasi sekolah
Sedangkan koefisien-koefisien a1, a2, dan a3 dapat dihitung dengan persamaan
sebagai berikut:
0 1 1 2 2 3 3
2
1 0 1 1 1 2 1 2 3 1 3
2
2 0 2 1 1 2 2 2 3 2 3
2
3 0 3 1 1 3 2 2 3 3 3
y a n a x a x a x
yx a x a x a x x a x x
yx a x a x x a x a x x
yx a x a x x a x x a x
= + + +
= + + +
= + + +
= + + +
2.5
22. 2.5 KESALAHAN STANDART ESTIMASI
Untuk mengetahui ketepatan persamaan estimasi dapat digunakan kesalahan
standar estimasi (standard error of estimate). Besarnya kesalahan standar estimasi
menunjukkan ketepatan persamaan estimasi untuk menjelaskan nilai variabel tidak
bebas yang sesungguhnya. Semakin kecil nilai kesalahan standar estimasi, makin
tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai
variable tidak bebas sesungguhnya. Sebaliknya, semakin besar nilai kesalahan
standar estimasi, makin rendah ketepatan persamaan estimasi yang dihasilkan
untuk menjelaskan nilai variable tidak bebas sesungguhnya. Kesalahan standar
estimasi dapat ditentukan dengan rumus:
1
)
ˆ
( 2
,...,
2
,
1
,
−
−
−
=
k
n
Y
Y
S
i
k
y
2.6
Dengan : Yi adalah nilai data sebenarnya,
i
Y adalah nilai taksiran.
n = ukuran sampel
k = banyak variabel bebas
2.6 UJI REGRESI LINIER BERGANDA
Pengujian hipotesa bagi koefisien – koefisien regresi linier berganda dapat
dilakukan secara serentak atau keseluruhan. Pengujian regresi linier perlu
dilakukan untuk mengetahui apakah variabel – variabel bebas secara bersamaan
memiliki pengaruh terhadap variabel tak bebas. Langkah – langkah pengujiannya
sebagai berikut:
1. Menentukan Formulasi hipotesis
H0 : b1=b2=b3=…=bk = 0 (X1,X2,…,Xk tidak mempengaruhi Y)
H1 : minimal ada satu parameter koefisien regresi yang tidak sama dengan nol
atau mempengaruhi Y.
2. Menentukan taraf nyata dan nilai Ftabel dengan derajat kebebasan v1 = k dan v2 =
n-k-1
23. 3. Menentukan kriteria pengujian
H0 diterima bila Fhitung ≤ Ftabel
H0 ditolak bila Fhitung > Ftabel
4. Menentukan nilai statistic F dengan rumus
F =
)
1
/(
/
−
−k
n
JK
k
JK
res
reg
2.7
dengan:
JKreg = jumlah kuadrat regresi
JKres = jumlah kuadrat residu (sisa)
(n-k-1) = derajat kebebasan
dengan:
x1i = X1i -X1
x2i = X2i -X2
xki = Xki -Xk
JKres =
2
)
(
−
Y
Y
1 1 2 2 ...
reg i i i i k ki i
JK b x y b x y b x y
= + + +
2.8
5. Membuat kesimpulan apakah H0 diterima atau ditolak.
2.7 KOEFISIEN DETERMINASI
Koefisien determinasi dinyatakan dengan R2
untuk pengujian regresi linier
berganda yang mencakup lebih dari dua variabel, untuk mengetahui proporsi
keragaman total dalam variabel tak bebes (Y) yang dapat dijelaskan atau
diterangkan oleh variabel – variabel bebas (X) yang ada didalam model persamaan
regresi linier berganda secara bersama – sama. Maka R2
akan ditentukan dengan
rumus, yaitu:
didalam model persamaan regresi linier berganda secara bersama – sama. Maka R2
akan ditentukan dengan rumus, yaitu:
2
2
R
y
JKreg
= . 2.10
24. Dengan:
JKreg = Jumlah Kuadrat Regresi
Harga R2
yang diperoleh sesuai dengan variansi yang dijelaskan masing – masing
variabel yang tinggal dalam regresi.
2.8 KOEFISIEN KORELASI
Setelah mendapatkan hasil jumlah pengaruh pada variabel yang diteliti selanjutnya
penulis akan mencari seberapa besar hubungan antara variabel terikat dengan
variabel bebas atau antara variabel bebas itu sendiri.
Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua
variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi
menunjukkan kekuatan hubungan linear dan arah hubungan dua variabel acak. Jika
koefesien korelasi positif, maka kedua variabel mempunyai hubungan searah.
Artinya jika nilai variabel 𝑋 tinggi, maka nilai variabel 𝑌 akan tinggi pula.
Sebaliknya, jika koefesien korelasi negatif, maka kedua variabel mempunyai
hubungan terbalik. Artinya jika nilai variabel 𝑋 tinggi, maka nilai variabel 𝑌 akan
menjadi rendah dan sebaliknya. Dengan kata lain koefisien korelasi sederhana (𝑟)
merupakan akar dari koefisien determinasi. Besarnya hubungan antara variabel
yang satu dengan variabel yang lain dinyatakan dengan koefisien korelasi yang
disimpulkan dengan huruf “𝑟”. Besarnya koefisien korelasi akan berkisar antara -1
(negatif satu) sampai dengan +1 (positif satu).
dengan:
+ menunjukkan korelasi positif
- menunjukkan korelasi negatif
0 menunjukkan tidak adanya hubungan
Apabila koefisien korelasi mendekati + 1 atau – 1, berarti hubungan antar variabel
tersebut semakin kuat. Sebaliknya, apabila koefisien korelasi mendekati angka 0,
berarti hubungan antar variabel tersebut semakin lemah. Dengan kata lain,
besarnya nilai korelasi bersifat absolut, sedangkan tanda “ + “ atau “–“ hanya
menunjukkan arah hubungan saja.
25. Untuk menganalisis keterkaitan antar variabel, perlu diukur besarnya nilai
koefisien korelasi. Untuk menghitung koefisien korelasi (r) antara dua variabel
dapat digunakan rumus:
−
−
−
=
}
)
(
}{
)
(
{
)
)(
(
2
2
2
2
i
i
ki
ki
i
ki
i
ki
yx
Y
Y
n
X
X
n
Y
X
Y
X
n
r 2.11
bebas
tidak
Variabel
Y
bebas
Variabel
X
X
dan
Y
antara
korelasi
Koefisien
r
dengan
i
ki
yx
=
=
=
:
Nilai r selalu terletak antara -1 dan 1, sehingga nili r tersebut dapat ditulis :
1
1 +
− r
Untuk r = +1, berarti ada korelasi positip sempurna antara X dan Y, sebaliknya
jika r = -1, berarti korelasi negatip sempurna antara X dan Y, sedangkan r = 0,
berarti tidak ada korelasi antara X dan Y.
Jika kenaikan didalam suatu variabel diikuti dengan kenaikan di dalam
variabel lain, maka dapat dikatakan bahwa kedua variabel tersebut mempunyai
korelasi yang positip. Tetapi jika kenaikan di dalam suatu variable diikuti oleh
penurunan di dalam variabel lain, maka dapat dikatakan bahwa variable tersebut
mempunyai korelasi yang negatip. Dan jika tidak ada perubahan pada variable
walaupun variabel lainnya berubah maka dikatakan bahwa kedua variabel tersebut
tidak mempunyai hubungan. Interpretasi harga r akan disajikan dalam table berikut
:
Tabel 2.1. : Interpretasi Koefisien Korelasi Nilai r.
R Interpretasi
0
0,01 – 0,20
0,21 – 0,40
0,41 – 0,60
0,61 – 0,80
0,81 – 0,99
1
Tidak berkorelasi
Sangat rendah
Rendah
Agak rendah
Cukup
Tinggi
Sangat tinggi
26. dengan:
𝑟 = koefisien korelasi
+ = menunjukkan korelasi positif
–. = menunjukkan korelasi negatif
0 = menunjukkan tidak ada korelasi (korelasi nihil)
Hubungan antara variabel dapat dikelompokkan menjadi tiga jenis:
1. Korelasi positif
Terjadinya korelasi potitif apabila perubahan antara variabel yang satu
diikuti dengan variabel yang lainnya dengan arah yang sama (berbanding
lurus). Artinya variabel yang satu meningkat, maka akan diikuti
peningkatan variabel yang lainnya.
2. Korelasi negatif
Terjadinya korelasi negatif apabila perubahan antara variabel yang satu
diikuti dengan variabel yang lainnya dengan arah yang berlawanan
(berbanding terbalik). Artinya apabila variabel yang satu meningkat, maka
akan diikuti penurunan variabel lainnya.
3. Korelasi nihil
Korelasi nihil artinya tidak adanya korelasi antara variabel.
Dalam hal ini penulis menggunakan empat variabel dalam penelitiannya,
untuk hubungan empat variabel dapat dihitung dengan menggunakan rumus
sebagai berikut:
a. Koefisien Korelasi antara Y dan X1
( )( )
( ) ( )
1
1 1
2 2
2 2
1 1
yx
n x y x y
r
n x x n y y
−
=
− −
2.12
b. Koefisien Korelasi antara Y dan X2
27. ( )( )
( ) ( )
2
2 2
2 2
2 2
2 2
yx
n x y x y
r
n x x n y y
−
=
− −
2.13
c. Koefisien Korelasi antara Y dan X3
( )( )
( ) ( )
3
3 3
2 2
2 2
3 3
yx
n x y x y
r
n x x n y y
−
=
− −
2.14
d. Koefisien Korelasi antara X1 dan X2
( )( )
( ) ( )
1 2
1 2 2 1
2 2
2 2
2 2 1 1
x x
n x x x x
r
n x x n x x
−
=
− −
2.15
e. Koefisien Korelasi antara X1 dan X3
( )( )
( ) ( )
1 3
1 3 3 1
2 2
2 2
3 3 1 1
x x
n x x x x
r
n x x n x x
−
=
− −
2.16
f. Koefisien Korelasi antara X2 dan X3
( )( )
( ) ( )
2 3
2 2 2 1
2 2
2 2
2 2 1 1
x x
n x x x x
r
n x x n x x
−
=
− −
2.17
2.9 UJI KOEFISIEN REGRESI LINIER BERGANDA
Perumusan Hipotesa:
H0 : bi = 0 dimana i = 1,2,…,k (variabel bebas (X1 dan X2) tidak
mempengaruhi variabel dependen (Y))
H1 : bi≠ 0 dimana i = 1,2,…,k (minimal ada satu parameter koefisien
regresi yang tidak sama dengan nol atau mempengaruhi
28. variabel dependen (Y))
Dengan:
Ttab dapat dilihat pada tabel distribusi t dengan derajat kebebasan (dk = n – k – 1 )
Kriteria Pengujian
H0 diterima jika thitung≤ ttabel
H0 ditolak jika thitung > ttabel
Bentuk kekeliruan baku koefisien bi, yaitu:
( )( )
2
2
2
...
12
.
1 i
i
k
y
bi
R
x
s
s
−
=
2.18
Selanjutnya hitung Statistik t, yaitu:
i
i
i
sb
b
t =
2.19
29. BAB 3
ANALISIS DATA
3.1 PENGOLAHAN DATA
Data yang diambil dari Kantor Badan Pusat Statistik Kabupaten Karo
adalah data jumlah penduduk miskin (ribuan jiwa), PDRB (juta/Rp), tingkat
penganguran (%),Angka Partisipasi Sekolah (ribuan jiwa) di kabupaten karo
tahun 2003-2013.
Tabel 3.1. jumlah penduduk miskin (ribuan jiwa), PDRB (juta/Rp), tingkat
penganguran (%),Angka Partisipasi Sekolah (ribuan jiwa) di kabupaten karo
tahun 2003-2013.
Tahun
Jumlah
Penduduk
Miskin
PDRB
Tingkat
Penganguran
Angka Partisipasi
Sekolah
2004 68,71 2,48 4,90 13,16
2005 67,42 2,60 7,19 13,16
2006 69,61 2,72 7,00 14,97
2007 50,50 2,87 6,64 15,62
2008 48,49 3,02 6,18 16,69
2009 41,82 3,17 2,06 17,24
2010 38,70 3,37 1,55 12,20
2011 37,22 3,59 4,46 13,47
2012 36,70 3,82 2,00 12,63
2013 36,90 3,99 2,08 10,29
Sumber:Badan Pusat Statistik Kabupaten Karo
Dari data tersebut maka variabel-variabelnya adalah sebagai berikut:
31. jumlah 1985,91 1510,44 2405,97 6969,33 131,31 436,23 631,92
Dari Tabel 3.2 maka diperoleh hasil sebagai berikut:
n
=11
ΣX3
2
=1985,91
ΣY
=496,07
ΣYX1
=1510,44
ΣX1
=31,63
ΣYX2
=2405,97
ΣX2
=44,06
ΣYX3
=6969,33
ΣX3
=139,43
ΣX1X2
=131,31
ΣY2
=26354,03
ΣX1X3
=436,23
ΣX1
2
=102,47
ΣX2X3
=631,92
ΣX2
2
=241,85
Dari data tersebut maka selanjutnya akan dicari persamaan normal dengan
persaaan 2.5 sebagai berikut:
0 1 1 2 2 3 3
2
1 0 1 1 1 2 1 2 3 1 3
2
2 0 2 1 1 2 2 2 3 2 3
2
3 0 3 1 1 3 2 2 3 3 3
y a n a x a x a x
yx a x a x a x x a x x
yx a x a x x a x a x x
yx a x a x x a x x a x
= + + +
= + + +
= + + +
= + + +
Dengan persamaan di atas dapat disubstitusikan ke dalam nilai-nilai yang
bersesuaian, sehingga diperoleh:
0 1 2 3
0 1 2 3
0 1 2 3
0 1 2 3
496,07 11 31,63 44,06 139,43
1510,44 31,63 102,47 131,31 436,23
2405,97 44,06 131,31 241,85 631,92
6969,33 139,43 436,23 631,92 1985,91
a a a a
a a a a
a a a a
a a a a
= + + +
= + + +
= + + +
= + + +
Setelah persamaan diselesaikan, maka dapat diperoleh koefisien-koefisien regresi
linier berganda sebagai berikut:
0
1
2
3
146,033
23,525
1,391
2,019
a
a
a
a
=
= −
=
= −
Dengan demikian, persamaan regresi linier ganda X1, X2, X3, terhadap Y adalah:
32. 1 2 3
ˆ 146,033 23,525 1,391 2,019
Y x x x
= − + −
Variabel Pendapatan Per kapita berpengaruh negatif terhadap jumlah
penduduk miskin di Kabupaten Karo. Hal ini dibuktikan dengan nilai koefisien
sebesar -23,525, artinya setiap kenaikan Rp 1 juta PDRB akan menurunkan atau
mengurangi jumlah penduduk miskin di Kabupaten Karo sebesar 23.525 orang .
Berdasarkan hasil yang diperoleh bahwa apabila terjadi kenaikan PDRB akan
menurunkan jumlah penduduk miskin. PDRB suatu daerah dapat dijadikan suatu
parameter kesejahteraan masyarakat di daerah tersebut. Dengan meningkatkan
kesejahteraan masyarakat, hal ini akan mengurangi tingkat kemiskinan di
wilayahnya. Karena pertumbuhan ekonomi adalah syarat keharusan dalam
mengurangi kemiskinan
Variabel tingkat pengangguran mempunyai pengaruh positif terhadap
jumlah penduduk miskin, hal ini diperlihatkan dengan nilai koefisien sebesar
1,391, artinya setiap kenaikan 1 persen tingkat penganguran per tahun akan
meningkatkan jumlah penduduk miskin di Kabupaten Karo sebesar 1.391 orang.
Menurut (Todaro; 2000) menyatakan bahwa mereka yang berada di dalam keadaan
miskin adalah mereka yang tidak bekerja secara teratur atau terus menerus, atau
yang bekerja paruh waktu saja. Salah satu yang paling utama sekaligus faktor
penyebab ialah rendahnya taraf hidup masyarakat di negara- negara berkembang
dan terbatasnya penyerapan tenaga kerja. Diharapkan kepada pemerintah Provinsi
Sumatera Utara dapat membuka lebih banyak lagi lapangan pekerjaan dan
memberikan pelatihan keterampilan kepada masyarakat di Sumatera Utara,
sehingga mereka dapat bekerja.
Variable angka partisipasi sekolah mempunyai pengaruh negatif terhadap
jumlah penduduk miskin, hal ini diperlihatkan dengan nilai koefisien sebesar 2,019
, artinya jika peningkatan jumlah angka partisipasi sekolah sebesar 1000 orang
maka jumlah penduduk miskin akan menurun sebesar 2.019 orang. Berdasarkan
hasil yang diproleh bahwa apabila terjadi kenaikan angka partisipasi sekolah akan
menurunkan jumlah penduduk miskin.
33. 3.3 KESALAHAN STANDAR ESTIMASI
Untuk mengetahui seberapa besar tingkat kesalahan standar estimasi taksiran dari
persamaan regresi yang telah didapatkan, maka diperlukan harga ˆ
Y .Setelah
diperoleh persamaan regresi linier berganda, langkah selanjutnya adalah
menghitung kesalahan standar estimasi ini diperlukan harga ˆ
Y yang diperoleh dari
persamaan regresi diatas untuk tiap harga 𝑋1, 𝑋2, dan 𝑋3 yang diketahui. Maka
untuk mencari kesalahan standar estimasi tersebut dibuat terlebih dahulu Tabel
3.3.
Tabel 3.3 Nilai-Nilai ˆ
Y Yang Diperoleh Dari Persaman Regresi Linier
Berganda Untuk Menghitung Kekeliruan Tafsiran Baku
Tahun Y ˆ
Y ˆ
Y Y
−
2
ˆ
( )
Y Y
−
2004 68.71 67.9425 0.7675 0.5890
2005 67.42 68.3054 -0.8854 0.7839
2006 69.61 61.5644 8.0456 64.7312
2007 50.50 56.2227 -5.7227 32.7497
2008 48.49 49.8941 -1.4041 1.9715
2009 41.82 39.5233 2.2967 5.2749
2010 38.70 44.2823 -5.5823 31.1623
2011 37.22 40.5916 -3.3716 11.3679
2012 36.70 33.4540 3.2460 10.5363
2013 36.90 34.2895 2.6105 6.8147
jumlah 496.07 496.07 0.00 165.98
Setelah memperoleh harga yang terdapat pada Tabel 4.3, maka kesalahan standar
estimasinya dapat dihitung dengan menggunakan rumus (2.6) sebagai berikut:
259
,
5
66
,
27
6
98
,
165
1
3
10
98
,
165
1
)
ˆ
(
3
,
2
,
1
,
3
,
2
,
1
,
3
,
2
,
1
,
3
,
2
,
1
,
2
3
,
2
,
1
,
=
=
=
−
−
=
−
−
−
=
y
y
y
y
i
y
S
S
S
S
k
n
Y
Y
S
34. Dengan penyimpangan nilai yang didapat ini berarti bahwa rata-rata jumlah
penduduk miskin yang sebenarnya akan menyimpang dari rata-rata hasil jumlah
penduduk miskin yang diperkirakan sebesar 5,259.
3.4 UJI REGRESI LINIER BERGANDA
Pengujian hipotesa dalam regresi linier berganada perlu dilakukan agar tidak
terjadi kesalahan penarikan kesimpulan.
3.4.1 Uji F (Simultan)
Perumusan hipotesa :
𝐻0: Tidak terdapat pengaruh yang signifikan antara variabel bebas yaitu PDRB,
tingkat pengangguran, angka partisipasi sekolah terhadap variabel terikat yaitu
jumlah penduduk miskin.
𝐻1: Terdapat pengaruh yang signifikan antara variabel bebas yaitu PDRB, tingkat
pengangguran, angka partisipasi sekolah terhadap variabel terikat yaitu jumlah
penduduk miskin. Dengan :
H0 diterima jika Fhit ≤ Ftab.
H0 ditolak Jika Fhit > Ftab.
Untuk menguji model regresi yang telah terbentuk, maka dapat diambil :
1
1
1 X
X
x −
= 3
3
3 X
X
x −
=
2
2
2 X
X
x −
= Y
Y
y −
=
Dengan :
1
X =3.16 3
X =13,94
2
X =4,41 Y = 49,61
Maka nilai-nilai diatas akan dimasukkan ke dalam Tabel 3.4
Tabel 3.4 Harga-harga yang diperlukan untuk Uji Regresi
36. 1 1 2 2 3 3
( 23,525) ( 58,63) (1,391) (220,29) ( 2,019) (52.63)
1379,27 306,42 106,25
1579,44
reg
reg
reg
reg
JK a yx a yx a yx
JK
JK
JK
= + +
= − − + + −
= + −
=
Untuk JKres dapat dilihat dari tabel 4.3 yaitu
2
)
(
−
Y
Y = 165,98, maka nilai
Fhit dapat dicari dengan persamaan :
19,034
=
F
66
,
27
48
,
526
=
F
)
1
3
10
/(
98
,
165
3
/
44
,
1579
=
F
)
1
/(
/
=
F
−
−
−
− k
n
JK
k
JK
res
reg
Untuk 𝐹𝑡𝑎𝑏𝑒𝑙, yaitu nilai statistik 𝐹 jika dilihat dari tabel distribusi 𝐹 dengan derajat
kebebasan pembilang 𝑣1=𝑘 yaitu 3 dan penyebut 𝑣2=𝑛−𝑘−1 yaitu 6, dan 𝛼 = 5%
= 0,05 maka:
𝐹𝑡𝑎𝑏𝑒𝑙= (𝛼)(𝑣1;𝑣2)
𝐹𝑡𝑎𝑏𝑒𝑙= (0,05)(𝑘;𝑛−𝑘−1)
𝐹𝑡𝑎𝑏𝑒𝑙= (0,05)(3;6)
𝐹𝑡𝑎𝑏𝑒𝑙= 4.75706
Dengan demikian dapat kita lihat bahwa nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔= 19,034 >𝐹𝑡𝑎𝑏𝑒𝑙= 4,75706.
Maka 𝐻0 ditolak, hal ini berarti persamaan linier berganda 𝑌 atas 𝑋1,X2 dan 𝑋3
bersifat terdapat pengaruh signifikan antara PDRB, tingkat pengangguran, angka
partisipasi sekolah terhadap terjadinya jumlah penduduk miskin.
3.5 KOEFISIEN DETERMINASI
Dari Tabel 3.4 dapat dilihat harga Ʃy2
= 1151,74 dan nilai 𝐽𝐾𝑟𝑒𝑔= 1579,44 telah
dihitung sebelumnya, maka diperoleh nilai koefisien determinasi :
37. 905
,
0
R
74
,
1151
44
,
1579
R
R
2
2
2
2
=
=
=
y
JKreg
Untuk koefisien korelasi ganda digunakan persamaan :
951
,
0
R
905
,
0
R
R 2
=
=
= R
Dari hasil perhitungan didapat korelasi (𝑅) antara PDRB, tingkat pengangguran,
angka partisipasi sekolah terhadap jumlah penduduk miskin sebesar 0,951. Nilai
korelasi tersebut menyatakan bahwa hubungan antara PDRB, tingkat
pengangguran, angka partisipasi sekolah terhadap jumlah penduduk miskin sangat
tinggi.
Dari hasil perhitungan diperoleh nilai korelasi (R) yaitu sebesar 0,951 yang
menunjukkan bahwa korelasi antara variabel bebas X dengan variabel terikat Y
berhubungan secara positif dengan tingkat yang tinggi. Adapun Didapat nilai
koefisien determinasi 0,905. Hal ini berarti bahwa sekitar 90,5 % jumlah penduduk
miskin dapat ditentukan oleh PDRB, tingkat pengangguran, angka partisipasi
sekolah melalui hubungan regresi linier berganda sedangkan sisanya 9,5%
dipengaruhi oleh faktor lain.
Untuk lebih jelasnya perbandingan Koefisien Determinasi dapat dilihat
sebagai berikut:
• 1 2 3
2
; 0,905
Y X X X
R = yang berarti sekitar 90,5% Jumlah penduduk miskin
Kabupaten Karo dipengaruhi PDRB, Tingkat Pengangguran dan
Angka partisipasi sekolah sedangkan 9,5% sisanya dipengaruhi oleh
faktor-faktor lainnya.
38. • 1 2
2
; 0,830
Y X X
R = yang berarti sekitar 83% Jumlah penduduk miskin
Kabupaten Karo dipengaruhi PDRB dan Tingkat pengangguran
sedangkan 17% sisanya dipengaruhi oleh faktor-faktor lainnya.
• 1 3
2
; 0,882
Y X X
R = yang berarti sekitar 88,2% Jumlah penduduk miskin
Kabupaten Karo dipengaruhi PDRB dan Angka partisipasi sekolah
sedangkan 11,8% sisanya dipengaruhi oleh faktor-faktor lainnya.
• 2 3
2
; 0,596
Y X X
R = yang berarti sekitar 59,6% Jumlah penduduk miskin
Kabupaten Karo dipengaruhi Tingkat pengangguran dan Angka
partisipasi sekolah sedangkan 40,4% sisanya dipengaruhi oleh faktor-
faktor lainnya.
Dapat disimpulkan bahwa faktor yang paling dominan terhadap Jumlah penduduk
miskin memanglah PDRB , Tingkat penganguran dan juga Angka Partisipasi
Sekolah yang terlihat dari Koefisien Determinasi ( 2
R ) yang paling besar yaitu
sebesar 1 2 3
2
; 0,905
Y X X X
R = atau 90,5%.
3.6 PERHITUNGAN KOEFISIEN KORELASI ANTAR VARIABEL
Dari Tabel 4.2 dapat diperoleh koefisien korelasi antara variabel terikat (𝑌)
dengan variabel bebas (𝑋) sehingga diketahui seberapa besar pengaruh antar
variabel tersebut.
3.6.1 Perhitungan Korelasi antara Variabel Bebas dan VariabeTerikat
1. Koefisien Korelasi Antara Jumlah Penduduk Miskin (𝑌) dengan PDRB
(𝑋1)
39. ( )( )
( ) ( )
( ) ( )( )
( )
1
1
1
1 1
2 2
2 2
1 1
2 2
(11)(11510,44) (31,63)(496,07)
10 (102,47) 31,63 10 26354,03 496,07
0,901
yx
yx
yx
n x y x y
r
n x x n y y
r
r
−
=
− −
−
=
− −
= −
Koefisien korelasi antara jumlah penduduk miskin (𝑌) dan PDRB (𝑋1)
adalah -0,901 yang menunjukkan korelasi yang tinggi dengan arah negatif. Hal ini
berarti jika PDRB meningkat maka jumlah penduduk miskin menurun dan
sebaliknya jika PDRB menurun maka jumlah penduduk miskin meningkat.
2. Koefisien Korelasi Antara Jumlah Penduduk Miskin (𝑌) dengan Tingkat
Pengangguran (𝑋2)
( )( )
( ) ( )
( )( )
( ) ( ) ( ) ( )
2
2
2
2 2
2 2
2 2
2 2
2 2
11(2405,97) 44,06 496,07
10 241,85 44,06 10 26354,03 496,07
0,763
yx
yx
yx
n x y x y
r
n x x n y y
r
r
−
=
− −
−
=
− −
=
Koefisien korelasi antara jumlah penduduk miskin (𝑌) dan tingkat
pengganguran (𝑋2) adalah 0,763 yang menunjukkan korelasi yang tinggi dengan
arah positif. Hal ini berarti jika tinggkat pengangguran bertambah akan
meningkatkan jumlah penduduk miskin, dan sebaliknya jika tinggkat
pengangguran menurun maka jumlah penduduk miskin menurun.
3. Koefisien Korelasi Antara Jumlah Penduduk Miskin (𝑌) dengan Angka
Partisipasi Sekolah (𝑋3)
40. ( ) ( )( )
( ) ( )
( ) ( )( )
( ) ( ) ( ) ( )
3
3
3
3 3
2 2
2 2
3 3
2 2
10 6969,33 139,43 496,07
10 1985,91 139,43 10 26354,03 496,07
0,195
yx
yx
yx
n x y x y
r
n x x n y y
r
r
−
=
− −
−
=
− −
=
Koefisien korelasi antara jmlah penduduk miskin (𝑌) dan Angka
Partisipasi Sekolah (𝑋3) adalah -0,195 , yang menunjukkan korelasi yang sangat
rendah dengan arah positif. Hal ini berarti jika Angka Partisipasi Sekolah meni
ngkat maka jumlah penduduk miskin akan meningkat dan sebaliknya jika Angka
Partisipasi Sekolah menurun maka jumlah penduduk miskin menurun.
4. Koefisien Korelasi Antara PDRB (𝑋1) Dengan Tingkat Pengangguran (𝑋2)
( )( )
( ) ( )
( ) ( )( )
( ) ( ) ( ) ( )
1 2
1 2
1 2
1 2 2 1
2 2
2 2
2 2 1 1
2 2
10 131,31 44,06 31,63
10 241,85 44,06 10 102,47 31,63
0,748
x x
x x
x x
n x x x x
r
n x x n x x
r
r
−
=
− −
−
=
− −
= −
Koefisien korelasi antara PDRB (𝑋1) dan Tingkat Pengangguran (𝑋2) adalah
−0,748 yang menunjukkan korelasi sangat tinggi dengan arah negatif. Hal ini
berarti jika bertambahnya PDRB maka tingkat pengangguran menurun, dan jika
PDRB semakin kecil maka tingkat penganguran meningkat.
5. Koefisien Korelasi Antara PDRB (𝑋1) Dengan Angka Partisipasi Sekolah
(𝑋3)
41. ( )( )
( ) ( )
( ) ( )( )
( ) ( ) ( ) ( )
1 3
1 3
1 3
1 3 3 1
2 2
2 2
3 3 1 1
2 2
10 436,23 139,43 31,63
11 1985,91 139,43 10 102,47 31,63
0,475
x x
x x
x x
n x x x x
r
n x x n x x
r
r
−
=
− −
−
=
− −
= −
Koefisien korelasi antara PDRB (𝑋1) dan Angka Partisipasi Sekolah (𝑋3) adalah -
0,475 yang menunjukkan korelasi cukup dengan arah negatife. Hal ini berarti jika
PDRB meningkat maka Angka Partisipasi Sekolah akan menurun , begitu
sebaliknya jika PDRB menurun maka Angka Partisipasi Sekolah juga meningkat.
6. Koefisien Korelasi Antara Tingkat Pengangguran (𝑋2) Dengan Angka
Partisipasi Sekolah (𝑋3)
( )( )
( ) ( )
( ) ( )( )
( ) ( ) ( ) ( )
2 3
2 3
2 3
2 3 3 2
2 2
2 2
3 3 2 2
2 2
10 631,92 139,43 44,06
10 1985,91 139,43 10 241,85 44,06
0,394
x x
x x
x x
n x x x x
r
n x x n x x
r
r
−
=
− −
−
=
− −
=
Koefisien korelasi antara Tingkat Pengangguran (𝑋2) dan Angka Partisipasi
Sekolah (𝑋3) adalah 0,394 yang menunjukkan korelasi yang agak rendah dengan
arah positif. Hal ini berarti jika kepadatan penduduk meningkat maka tingkat
pengangguran terbuka akan meningkat dan sebaliknya jika kepadatan penduduk
menurun maka tingkat pengangguran akan menurun.
3.7 PENGUJIAN KOEFISIEN REGRESI LINIER GANDA
Keberartian adanya variabel – variabel bebas dalam regresi linier ganda perlu diuji
untuk menunjukkan seberapa besar pengaruh yang diberikan pada variabel tak
bebas. Pengujian yang dilakukan merupakan uji satu arah atau uji satu pihak
(pihak kanan) dengan distribusi student t. Pengujian dapat dilakukan dengan
merumuskan hipotesis berikut :
42. 1 2 3
ˆ 146,033 23,525 1,391 2,019
Y x x x
= − + −
H0 : bi = 0 dimana i = 1, 2, ...k ( variabel bebas Xi tidak berpengaruh terhadap Y )
H1 : bi ≠ 0 dimana i = 1,2, ....k ( variabel bebas Xi berpengaruh terhadap Y )
Tolak H0, jika : thitung ≥ ttabel
Terima H0, jika : thitung < ttabel
Untuk menguji hipotesis ini digunakan
2
123
.
y
s = 27,66 ,
2
1
x
= 102,47,
2
2
x
=
241,85 ,dan
2
3
x
= 1985,91
R1 = r12 = -0,748 , R2 = r12 = r21 =-0,748,dan R3 = r13 = -0,475
Dengan besaran – besaran ini, dibentuk kekeliruan baku masing – masing
koefisien sesuai dengan rumus, yakni :
( )( )
2
2
2
...
12
.
1 i
i
k
y
bi
R
x
s
s
−
=
Selanjutnya untuk menentukan nilai thitung, digunakan rumus :
i
i
i
sb
b
t =
Maka kekeliruan baku masing – masing Koefisien bi adalah sebagai berikut :
( )( )
( ) ( )
( )
1
1
1
2
.123
2 2
1 1
2
1
27,66
102,47 1 0,748
0,469
y
a
a
a
s
s
x R
s
s
=
−
=
− −
=
43. ( )( )
( ) ( )
( )
2
2
2
2
.123
2 2
2 2
2
1
27,66
241,85 1 0,748
0,270
y
a
a
a
s
s
x R
s
s
=
−
=
− −
=
( )( )
( ) ( )
( )
3
3
3
2
.123
2 2
3 3
2
1
27,66
1985,91 1 0,475
0,1066
y
a
a
a
s
s
x R
s
s
=
−
=
− −
=
Sehingga diperoleh distribusi ti dengan perhitungan
i
i
i
sb
b
t = sebagai berikut :
1
1
1
1
1
23,525
0,469
50,14
a
a
t
s
t
t
=
−
=
= −
2
2
2
2
2
1,391
0,270
5,152
a
a
t
s
t
t
=
=
=
3
3
3
3
3
2,019
0,1066
18,94
a
a
t
s
t
t
=
−
=
=−
Dari tabel distribusi t dengan dk = v2 = n – k – 1 = 6 dan α = 0.05 diperoleh ttabel
sebesar 2.447
dan dari hasil perhitungan diatas diperoleh :
1. t1 = 50,14(nilai mutlak) > ttabel = 2,447
44. 2. t2 = 5,152(nilai mutlak) < ttabel = 2,447
3. t3 = 18,94(nilai mutlak) < ttabel = 2,447
Sehingga dari keempat koefisien regresi tersebut variabel X1 (PDRB), X2
(Tingkat Pengangguran) dan X3 (Angka Partisipasi Sekolah) memiliki pengaruh
yang berarti atau signifikan terhadap Jumlah Penduduk Miskin di Kabupaten Karo.
45. BAB 4
IMPLEMENTASI SISTEM
4.1 PENGERTIAN IMPLEMENTASI SISTEM
Implementasi system merupakan prosedur yang digunakan untuk menyelesaikan
desain sistem yang ada dalam desain yang telah disetujui, menginstal dan mulai
menggunakan peogram yang dibuat. Tahapan implementasi sistem merupakan
tahapan penerapan hasil desain tertulis ke dalam programming (coding). Dalam
pengolahan data pada karya tulis ini, penulis menggunakan salah satu perangkat
lunak sebagai implementasi system yaitu program SPSS 17.0 For Windows dalam
masalah memperoleh hasi hitungan.
4.2 SPSS DALAM STATISTIKA
SPSS (Statistical Product and Service Solution) merupakan program aplikasi yang
digunakan untuk melakukan perhitungan statistik dengan menggunakan komputer
dan paling banyak digunakan dalam berbagai riset. SPSS pertama kali ditemukan
oleh tiga mahsiswa Stanford University pada tahun 1968. Pada saat itu, SPSS
dioperasikan hanya di komputer mainframe untuk pengolahan data statistik ilmu-
ilmu sosial karena sebelumnya SPSS merupakan singkatan dari Statistical
Package for the Social Sciences.
Dalam perkembangannya, SPSS yang tadinya hanya ditujukan pada
pengolahan data statistik untuk ilmu sosial berubah menjadi Statistical Product
and Service Solution. Fungsi SPSS diperluas untuk melayani berbagai kegunaan
seperti untuk proses produk di pabrik, riset ilmu sains, dan lain sebagainya.
46. 4.3 PENGOLAHAN DATA DENGAN SPSS
4.3.1 Memasukkan Variabel dan Mengentri Data
Dalam pengolahan data menggunakan SPSS 18.0 harus dipastikan terlebih dahulu
bahwa SPSS 18.0 telah terinstal di komputer. Jika pada menu pilihan windows
sudah tersedia SPSS, maka SPSS dapat dibuka dengan cara memilih menu Start
kemudian klik SPSS 18.0 seperti gambar berikut.
Gambar 4.1 Tampilan Pengaktifan SPSS 18.0
4.3.2 Pengoperasian SPSS
Setelah mengklik pilihan SPSS 18.0, maka akan muncul tampilan jendela seperti
gambar berikut.
Gambar 4.2 Kotak dialog SPSS for Windows untuk Data View
47. Gambar 4.3 Kotak dialog SPSS for Windows untuk Variable View
4.3.3 Memasukkan Variabel (Variable View)
Setelah jendela variable view terbuka, maka lakukan pengisian variabel-variabel
yang akan dianalisis seperti berikut.
a) Name : untuk memasukkan nama variabel yang akan diuji
b) Type : untuk menentukan tipe variabel
c) Width : untuk menuliskan panjang pendek variabel
d) Decimals : untuk menuliskan jumlah desimal di belakang koma
e) Labels : untuk menuliskan label variabel
f) Values : untuk menuliskan nilai kuantitatif dari variabel yang
skala pengukurannya ordinal atau nominal bukan scale
g) Missing : untuk menuliskan ada atau tidaknya jawaban kosong
h) Columns : untuk menuliskan lebar kolom
i) Align : untuk menuliskan rata kiri, kanan atau tengah teks
j) Measure : untuk menentukan skala pengukuran variabel misalnya
skala nominal, ordinal maupun scale
48. Gambar 4.4 Tampilan jendela pengisian Variable View
4.3.4 Memasukkan Data (Data View)
Setelah selesai mengisi Variable View, klik pilihan Data View dan masukkan data
berdasarkan jenis variabel yang telah didefenisikan terlebih dahulu di Variable
View.
Gambar 4.5 Tampilan jendela pengisian Data View
4.3.5 Menguji Normalitas Data
Pada layar kerja Data View, klik Analyze yang terdapat pada menu kemudian pilih
Regression dan klik Linier, seperti gambar berikut ini.
49. Gambar 4.6 Tampilan Pengolahan Data dengan Regresi Linier
Kemudian dilanjutkan dengan melengkapi jendela-jendela Linier Regression. Pada
kotak Dependent isikan variabel jumlah penduduk miskin dan pada kotak
Independent isikan variabel PDRB,tingkat penganguran, dan angka partisipasi
sekolah. Pilih method: Enter.
Gambar 4.7 Kotak Dialog Linier Regression
Kemudian klik Statistics dan pilih Estimates, Casewise Diagnostics, Descriptive,
Part and Partial Correlations lalu klik Continue.
50. Lanjutkan dengan menyimpan nilai residualnya yaitu dengan pilih Save pada kotak
residual: klik standardized, continue, yang bertujuan untuk membuat kolom baru
pada data yaitu (RES_1).
Gambar 4.8 Kotak Dialog Linear Regression: Save
Gambar 4.9 Tampilan Pengolahan Data Residual
Kemudian untuk melakukan uni normalitas data dengan Uji Kolmogornov
Smirnov, pilih Analyze lalu pilih Non Parametrics Test, kemudian pilih 1-Sample
K-S. Masukkan variabel Standardized Residual pada kotak Test Variabel List.
Kemudian klik OK.
51. Gambar 4.10 Tampilan Pengolahan Data Uji Kolmogornov Smirnov
Gambar 4.11 Kotak Dialog One Sample Kolmogorov-Smirnov Test
4.3.6 Menguji Homogenitas Data
Pada layar kerja Data View, klik Analyze yang terdapat pada menu kemudian pilih
Regression dan klik Linier, seperti gambar berikut ini.
52. Gambar 4.12 Tampilan Pengolahan Data dengan Regresi Linier
Kemudian dilanjutkan dengan melengkapi jendela-jendela Linier Regression. Pada
kotak Dependent isikan variabel jumlah penduduk miskin dan pada kotak
Independent isikan variabel PDRB,tingkat penganguran, dan angka partisipasi
sekolah. Pilih method: Enter.
Gambar 4.13 Kotak Dialog Linier Regression
Kemudian klik Statistics dan pilih Estimates, Casewise Diagnostics, Descriptive,
Part and Partial Correlations lalu klik Continue.
Lanjutkan dengan menyimpan nilai residualnya yaitu dengan pilih Save pada kotak
residual: klik standardized, continue, yang bertujuan untuk membuat kolom baru
pada data yaitu (RES_1).
53. Gambar 4.14 Kotak Dialog Linear Regression: Save
Gambar 4.15 Tampilan Pengolahan Data Residual
Langkah selanjutnya dengan melakukan analisis Uji Homogenitas dengan uji
gelejser dengan cara klik transporm, pilih compute variabel, kemudian akan
muncul kotak dialog compute variabel,pada target variavel diisi dengan ABRES,
pada numeric expression diisi dengan ABS(RES_1), lalu klik OK. Setelah itu
regresikan veriabel tersebut dengan variable bebas dengan pilih
analyze,regression,linier,masukan variable ABRES pada kotak dependent dan
PDRB, tingkat penganguran,dan angka partisipasi sekolah pada kotak
independent, lalu pilih ok
54. Gambar 4.16 Tampilan Pengolahan Uji Homogenitas dengan glejser
Gambar 4.17 Kotak Dialog compute variabel
4.3.6 Menganalisis Data dengan Regresi
Pada layar kerja Data View, klik Analyze yang terdapat pada menu kemudian pilih
Regression dan klik Linier, seperti gambar berikut ini.
55. Gambar 4.18 Tampilan Pengolahan Data dengan Regresi Linier
Kemudian dilanjutkan dengan melengkapi jendela-jendela Linier Regression. Pada
kotak Dependent isikan variabel jumlah penduduk miskin dan pada kotak
Independent isikan variabel PDRB,tingkat penganguran, dan angka partisipasi
sekolah. Pilih method: Enter.
Gambar 4.19 Kotak Dialog Linier Regression
Kemudian klik Statistics dan pilih Estimates, Casewise Diagnostics, Descriptive,
Part and Partial Correlations lalu klik Continue.
56. Gambar 4.20 Kotak Dialog Linier Regression: Statistic
Untuk menampilkan grafik klik Plots pada kotak dialog Regression lalu pilih
Histogram, Normal Probability Plot dan Produce all partial plots lalu klik
Continue.
Gambar 4.21 Kotak Dialog Linier Regression: Plots
4.4 HASIL OUTPUT SPSS
Pengisian telah selesai maka klik OK, maka output SPSS Viewer akan
menampilkan hasil sebagai berikut.
a) Output Uji Normalitas Data
57. Tabel 4.1 Uji Normalitas dengan Kolmogorv-Smirnov
Dari output diatas dapat diketahui bahwa nilai signifikansi > 0,05 yaitu sebesar
0,998 maka tidak signifikan yang artinya data relative sama dengan rata-ratanya
sehingga dapat disimpulkan bahwa data berdistribusi normal.
b) Output Uji Homogenitas Data
Tabel 4.2 Uji Homogenitas dengan Spearman’s rho
Dari output diatas diketahui bahwa nilai signifikan ketiga variabel independen
dengan Unstandardized Residual memiliki nilai signifikansi lebih dari 0,05 maka
dapat disimpulkan bahwa data lulus Uji Homogenitas.
c) Output Hasil Analisis Regresi Linier Berganda
59. Tabel 4.6 Daftar ANOVA
Tabel 4.7 Daftar Koefisien Variabel Regresi Linier Berganda
d) Output Perbandingan Koefisien Determinasi 2
R
Tabel 4.8 Nilai Koefisien Determinasi antara jumlah penduduk miskin dengan
PDRB
60. Tabel 4.9 Nilai Koefisien Determinasi antara jumlah penduduk miskin dengan
tingkat penganguran
Tabel 4.10 Nilai Koefisien Determinasi antara jumlah penduduk miskin dengan
angka partisipasi sekolah
Tabel 4.11 Nilai Koefisien Determinasi antara jumlah penduduk miskin dengan
PDRB, tingkat penganguran dan angka partisipasi sekolah
Tabel 4.12 Nilai Koefisien Determinasi antara jumlah penduduk miskin dengan
PDRB dan tingkat penganguran
61. Tabel 4.13 Nilai Koefisien Determinasi antara jumlah penduduk miskin dengan
tingkat penganguran dan angka partisipasi sekolah
Tabel 4.14 Nilai Koefisien Determinasi antara jumlah penduduk miskin dengan
PDRB dan angka partisipasi sekolah
Perbandingan Koefisien Determinasi ( 2
R ) dapat dilihat pada grafik berikut:
Gambar 4.22 Grafik Koefisien Determinasi jumlah pendudk miskin,
PDRB, tingkat penganguran dan angka partisipasi sekolah
Perbandingan Koefisien Determinasi ( 2
R ):
• 1
2
; 0,811
Y X
R = yang berarti sekitar 81,1% Jumlah Penduduk Miskin
Kabupaten Karo dipengaruhi PDRB sedangkan 18,9% sisanya
dipengaruhi oleh faktor-faktor lainnya.
0.81
0.58
0.04
0.83
0.88
0.60
0.91
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
Grafik Perbandingan Koefisien Determinasi
Series1
62. • 2
2
; 0,583
Y X
R = yang berarti sekitar 58,3% Jumlah Penduduk Miskin
Kabupaten Karo dipengaruhi Tingkat Penganguran sedangkan 41,7%
sisanya dipengaruhi oleh faktor-faktor lainnya.
• 3
2
; 0,038
Y X
R = yang berarti sekitar 3,8% Jumlah Penduduk Miskin
Kabupaten Karo dipengaruhi Angka Partisipasi Sekolah sedangkan
96,2% sisanya dipengaruhi oleh faktor-faktor lainnya.
• 1 2 3
2
; 0,905
Y X X X
R = yang berarti sekitar 90,5% Jumlah Penduduk Miskin
Kabupaten Karo dipengaruhi PDRB, Tingkat Penganguran, dan Angka
Partisipasi sekolah sedangkan 9,5% sisanya dipengaruhi oleh faktor-
faktor lainnya.
• 1 2
2
; 0,830
Y X X
R = yang berarti sekitar 83% Jumlah Penduduk Miskin
Kabupaten Karo dipengaruhi PDRB dan Tingkat Penganguran
sedangkan 17% sisanya dipengaruhi oleh faktor-faktor lainnya.
• 1 3
2
; 0,882
Y X X
R = yang berarti sekitar 88,2% Jumlah Penduduk Miskin
Kabupaten Karo dipengaruhi PDRB dan Angka Partisipasi Sekolah
sedangkan 11,8% sisanya dipengaruhi oleh faktor-faktor lainnya.
• 2 3
2
; 0,596
Y X X
R = yang berarti sekitar 59,6% Jumlah Penduduk Miskin
Kabupaten Karo dipengaruhi Tingkat Penganguran dan Angka
Partisipasi sekolah sedangkan 40,4% sisanya dipengaruhi oleh faktor-
faktor lainnya.
Dapat disimpulkan bahwa faktor yang paling dominan terhadap jumlah Penduduk
Miskin memanglah PDRB, Tingkat Penganguran, dan Angka Partisipasi sekolah
yang terlihat dari Koefisien Determinasi ( 2
R ) yang paling besar yaitu sebesar
1 2 3
2
; 0,905
Y X X X
R = atau 86,2%.
64. PENUTUP
5.1 KESIMPULAN
Dari perhitungan dengan menggunakan regersi linier berganda, diperoleh
persamaan regresi linier berganda: 1 2 3
ˆ 146,033 23,525 1,391 2,019
Y x x x
= − + −
yang artinya jika nilai 1
X (PDRB), 2
X (Tingkat Pengangguran) dan 3
X (Angka
partisipasi Sekolah) = 0 maka Jumlah Penduduk Miskin akan sebesar 146,033,
jika nilai 1
X (PDRB) naik sebesar 1 satuan maka Jumlah Penduduk Miskin akan
menurun sebesar -23,525, jika 2
X ( Tingkat Pengangguran) naik sebesar 1 satuan
maka PAD akan meningkat sebesar 1,391, dan jika 3
X ( Angka partisipasi
Sekolah) naik sebesar 1 satuan maka Jumlah Penduduk Miskin akan meningkat
sebesar -2,019.
Pada uji regresi linier berganda, dengan taraf nyata 0,05 dk pembilang = 3,
dk penyebut = 6, maka 1 2
( )( ; )
tabel V V
F F
= (0,05)(3;6)
F
= 4,7570
= dan hitung
F = 19,034
sehingga nilai hitung
F > tabel
F = 19,034 > 4,7570. Dengan demikian maka 0
H ditolak
dan 1
H diterima. Ini menunjukkan terdapat hubungan fungsional yang signifikan
antara variabel bebas yaitu PDRB ( 1
X ),Tingkat Pengangguran ( 2
X ) dan Angka
partisipasi Sekolah 3
( )
X dengan Jumlah Penduduk Miskin (Y ).
Nilai koefisien determinasi ( 2
R ) yang paling tinggi terjadi antara Jumlah
Penduduk Miskin dengan semua variabel bebasnya yaitu PDRB ( 1
X ),Tingkat
Pengangguran ( 2
X ) dan Angka partisipasi Sekolah 3
( )
X yaitu sebesar 0,905. Hal
ini menunjukkan bahwa korelasi antara semua variabel bebas X dengan variabel
terikat Y berhubungan secara positif sebesar 90,5% sedangkan sisanya 9,5%
dipengaruhi oleh variabel lain.
65. Perhitungan korelasi baik antar variabel bebas dan variabel terikat maupun
antara variabel bebas dengan variabel bebas menunjukkan bahwa Produk
Domestik Regional Bruto (PDRB) merupakan variable dominan yang berkorelasi
tinggi dengan Jumlah Penduduk Miskin dengan koefisien korelasi 1
0,901
YX
r = − ;
dan berkorelasi tinggi dengan Tingkat Pengangguran dengan koefisien determinasi
1 2
0,748
X X
r = − ; serta berkorelasi rendah dengan Angka Partisipasi Sekolah,
dengan koefisien determinasi 1 3
0,475
X X
r = − . Tingkat Pengangguran berkorelasi
tinggi atau dominan mempengaruhi Jumlah Penduduk Miskin dengan 2
0,763
YX
r =
, dan berkorelasi lemah terhadap Angka Partisipasi Sekolah dengan koefisien
korelasi 2 3
0,394
X X
r = Hasil penelitian juga menunjukkan adanya korelasi yang
sangat rendah antara Angka Partisipasi Sekolah dengan Jumlah Penduduk Miskin
dengan koefisien korelasi 3
0,195
YX
r = .
5.2 SARAN
Dari analisis dan kesimpulan yang didapat, penulis memberikan beberapa saran
untuk penelitian lanjutan agar diperoleh hasil penelitian yang lebih representatif,
antara lain dengan :
1. Meneliti variabel yang belum termasuk dalam penelitian
2. Melakukan analisis jalur (path methods) sehingga diperoleh gambaran yang
lebih rinci mengenai jalur antar faktor yang berpengaruh terhadap Jumlah
Penduduk Miskin di Kabupaten Karo.
3. Melakukan analisis yang lebih dalam mengenai hubungan sebab-akibat antar
faktor yang mempengaruhi Jumlah Penduduk Miskin di Kabupaten Karo.
66. DAFTAR PUSTAKA
Basri, Faisal, 2002. Perekonomian Indonesia: Tantangan dan Harapan bagi
Kebangkitan Indonesia, Jakarta: Erlangga.
Gujarati, Damodar. (2002), .Ekonometrika Dasar., Erlangga, Surabaya.
Halim. (2001), .Kinerja Keuangan terhadap Pertumbuhan Ekonomi,
Pengangguran,dan Kemiskinan. Universitas Indonesia, Jakarta.
Sahdan, G. (2004), .Kemiskinan Desa, Menanggulangi Kemiskinan Desa., Jurusan
STMP, APMD, Yogyakarta.
Salim, Emil, 1984. Perencanaan Pembangunan dan Pemerataan Pendapatan,
Jakarta: Inti Dayu Press.
Sudjana. 1989. Metoda Statistika. Edisi Kelima. Bandung: Tarsito.
Walizer, Michael H. Metode Penelitian Analisis Penelitian. Jakarta: Erlangga.
http://repository.usu.ac.id/bitstream/123456789/42830/4/Chapter%20I.pdf
http:// repository.usu.ac.id/bitstream/123456789/41997/4/Chapter%20I.pdf