06. Bab Iv Pembahasan 2 (baru).docx

BAB IV PEMBAHASAN 4.1

Kegiatan Kuliah Praktik Penulis melaksanakan kegiatan kuliah praktik di Badan Pusat Statistik Provinsi

Kalimantan Barat di Jalan Sutan Syahrir No.24/42, Sungai Bangkong, Kota Pontianak, Kalimantan Barat. Dalam pelaksanaan kegiatan kuliah praktik, penulis ditempatkan di bagian Bidang Statistik Distribusi. Penulis melaksanakan kuliah praktik mulai tanggal 25 Juni 2018 hingga 16 Agustus 2018. Adapun kegiatan kuliah praktik di BPS Provinsi Kalimantan Barat disajikan pada Tabel 4.1. Tabel 4.1 Berita Acara Kuliah Praktik di BPS Provinsi Kalimantan Barat Hari/Tanggal 25-26 Juni 2018

Kegiatan Editing coding dokumen SBH (Survei Biaya Hidup) 2018.

27 Juni 201 28-4 Juli 2018

Hari libur nasional. Editing coding dokumen SBH (Survei Biaya Hidup) 2018.

5 Juli 2018

 Editing coding dokumen SBH (Survei Biaya Hidup) 2018.  FGD penyusunan tabel AIO. Editing coding dokumen SBH (Survei Biaya Hidup) 2018.

6 Juli 2018 9 Juli 2018

10-17 Juli 2018 18-27 Juli 2018 30 Juli 2018 31 Juli 2018

1-6 Agustus 2018 7 Agustus 2018

8-16 Agustus 2018

 Editing coding dokumen SBH (Survei Biaya Hidup) 2018.  Membuat desain banner. Editing coding dokumen SBH (Survei Biaya Hidup) 2018. Izin sakit. Editing coding dokumen SBH (Survei Biaya Hidup) 2018.  Editing coding dokumen SBH (Survei Biaya Hidup) 2018.  Pencacahan Survei Harga Konsumen 1.1. Editing coding dokumen SBH (Survei Biaya Hidup) 2018.  Editing coding dokumen SBH (Survei Biaya Hidup) 2018.  Membuat desain banner. Editing coding dokumen SBH (Survei Biaya Hidup) 2018.

27

28

Penulis juga diberikan formulir penilaian kinerja kuliah praktik yang nantinya diisi oleh pembimbing di tempat kuliah praktik sebagai penilaian penulis selama melaksanakan kuliah praktik. Berikut adalah penilaian kinerja kuliah praktik pada Tabel 4.2. Tabel 4.2 Penilaian Kinerja Kuliah Praktik Jenis Kemampuan (1) Komunikasi Kerjasama Kemandirian Kreativitas Keterampilan

Tanggapan/Komentar Pihak Pengguna Sangat Baik (2) √

Baik

Cukup

Kurang

(3)

(4)

(5)

Sangat Kurang (6)

√ √ √ √

Sumber: Formulir Penilaian Kinerja Kuliah Praktik 2018

4.2

Kendala dalam Kuliah Praktik Dalam menjalankan setiap pekerjaan pastinya memiliki hambatan yang

berbeda-beda baik itu dari segi proses kerjanya ataupun dari alur sistem yang ada. Berikut ini beberapa kendala yang penulis alami selama bekerja di BPS Provinsi Kalimantan Barat: 1.

Kurangnya komunikasi dengan pegawai BPS dikarenakan kesibukan kerja yang terkadang pegawai tersebut tidak berada di tempat.

2.

Pekerjaan yang dilakukan oleh penulis hanya editing coding sehingga penulis tidak mengetahui banyak tentang BPS. Namun seiring berjalannya waktu, penulis mulai memahami cara dan proses

kerja di BPS dengan bantuan Ibu dan Bapak dari Bidang Distribusi. 4.3

Penyajian Data Untuk mengetahui angka harapan hidup dan indeks pembangunan manusia di

Provinsi Kalimantan Barat pada tahun 2010-2017, dapat dilihat pada Tabel 4.3.

29

Tabel 4.3 Data Angka Harapan Hidup dan Indeks Pembangunan Manusia di Provinsi Kalimantan Barat Tahun 2010-2017 Angka Harapan Hidup (tahun) 69.06 69.26 69.46 69.66 69.76 69.87 69.9 69.92

Tahun 2010 2011 2012 2013 2014 2015 2016 2017

IPM 61.97 62.35 63.41 64.3 64.89 65.59 65.88 66.26

Sumber: BPS Provisi Kalimantan Barat Tahun 2018

Sebelum melakukan analisis regresi, data diplotkan terlebih dahulu untuk mengetahui pola hubungan diantara data yang akan dianalisis. Dari data yang akan diplotkan, variabel IPM digunakan sebegai sumbu tegak (Y), sedangkan variabel Angka Harapan Hidup digunakan sebagai sumbu datar (X). Dengan bantuan software Minitab didapatkan plot sebagai berikut. Plot dari IPM dan AHH 66

IPM

65

64

63

62

61 69.0

69.1

69.2

69.3

69.4

69.5

69.6

69.7

69.8

69.9

AHH

Gambar 4.1 Plot Data Angka Harapan Hidup dan Indeks Pembangunan Manusia di Provinsi Kalimantan Barat Tahun 2010-2017

30

Dari plot di atas dapat didapatkan bahwa pencaran titik mengikuti garis linear dengan kemiringan positif, maka ada indikasi terdapat hubungan antara Indeks Pembangunan Manusia dan Angka Harapan Hidup. 4.4

Analisis Regresi Linear Sederhana Berdasarkan gambar 4.1, karena sebaran titiknya cenderung membentuk garis

maka dilakukan analisis regresi linear sederhana untuk menganalisis keberartian hubungan antara persentase penduduk miskin terhadap IPM. 4.4.1

Menaksir Koefisien Regresi Langkah selanjutnya sebelum memulai analisis regresi adalah mencari model

regresi linear sederhana. Untuk mencari model regresi linear maka harus mencari nilai taksiran koefisien regresi dengan menggunakan persamaan (3.5) dan (3.6). Dengan bantuan software SPSS didapat nilai taksiran koefisien regresi untuk 𝑏0 sebesar −282.319, sedangkan untuk 𝑏1 sebesar 4.980 (tabel hasil pengujian terdapat pada lampiran 5, tabel 4.4). Dari nilai taksiran koefisien regresi diatas, maka didapatkan model regresi sebagai berikut: 𝑌̂ = −282.319 + 4.980𝑋 4.4.2

Pemeriksaan Asumsi Regresi Linear Sebelum melakukan uji keberartian koefisien regresi, terlebih dahulu

dilakukan uji asumsi untuk mendapatkan taksiran dari koefisien regresi yang tak bias terbaik. 4.4.2.1 Uji Normalitas Dalam analisis ini, untuk menguji kenormalan digunakan Uji Shapiro-Wilk. Hipotesis dari pengujian ini adalah sebagai berikut.

31

𝐻0 = 𝜀𝑖 mengikuti distribusi normal 𝐻1 = 𝜀𝑖 tidak mengikuti distribusi normal Untuk melakukan Uji Shapiro-Wilk dapat menggunakan persamaan (3.11). Dengan bantuan software SPSS, didapatkan nilai Uji Shapiro-Wilk sebesar 0.107 (tabel hasil pengujian terdapat pada lampiran 5, tabel 4.5). Untuk kriteria uji, bandingkan nilai Shapiro-Wilk dengan taraf nyata (α). Dalam analisis kali ini digunakan α sebesar 5%. Berdasarkan kriteria uji, H0 ditolak jika sig < α. Dari pengujian didapatkan 0.107 > 0.05, sehingga diambil keputusan bahwa H0 diterima. Artinya sisaan mengikuti berdistribusi normal. 4.4.2.2 Uji Homogenitas Varians Dalam analisis ini, untuk uji homogenitas varians digunakan Uji Brown Forsythe. Bentuk hipotesis dari pengujian ini adalah sebagai berikut. 𝐻0 : Ragam homogen 𝐻1 : Ragam tidak homogen Dengan menggunakan hasil perhitungan Uji Brown Forsythe didapatkan nilai yang dibutuhkan untuk statistik uji. Nilai yang didapat sebesar |-2.1237| (pengujian terdapat pada lampiran 2). Untuk kriteria uji, dibutuhkan nilai t dari tabel t student dua arah (terdapat pada lampiran 3). Dengan taraf nyata (α) sebesar 5% dan db sebesar 6, didapatkan nila t tabel sebesar 2.447. Berdasarkan kriteria uji, H0 ditolak jika |thitung| ≥ ttabel, sedangkan H0 diterima jika |thitung| < ttabel. Dari pengujian yang dilakukan didapatkan 2.124 < 2.447 sehingga diambil kesimpulan bahwa H0 diterima, yang berarti ragam homogen.

32

4.4.2.3 Uji Autokorelasi Dalam analisis ini, untuk mendeteksi ada atau tidaknya masalah autokorelasi dapat digunakan Uji Durbin-Watson pada persamaan (3.12). Hasil Uji Durbin-Watson yang didapat dengan bantuan software SPSS adalah sebesar 1.041 (tabel hasil pengujian terdapat pada lampiran 5, tabel 4.6). Dengan taraf nyata 5% didapatkan nilai DL sebesar 0.763 dan DU sebesar 1.332 (terdapat pada lampiran 4). Dari pengujian yang dilakukan didapatkan 0.763 < 1.041 < 1.332, maka dapat disimpulkan bahwa pengujian tidak meyakinkan. Untuk mendapatkan kesimpulan yang meyakinkan, maka dilakukan Uji Runtun (Run Test). Pengambilan keputusan dilakukan dengan melihat nilai Asymp. Sig (2-tailed). Nilai tersebut bisa didapatkan dengan software SPSS, hasilnya adalah sebesar 0.252 (tabel hasil pengujian terdapat pada lampiran 5, tabel 4.7). Bandingkan nilai Asymp. Sig (2-tailed) dengan taraf nyata (α). Dalam analisis kali ini digunakan α sebesar 5%. Dikatakan bahwa apabila nilai Asymp.Sig (2-tailed) lebih besar dari tingkat signifikansi 0.05 maka dapat disimpulkan tidak terdapat autokorelasi. Dari pengujian didapatkan nilai Asymp.Sig (2-tailed) sebesar 0.252 yang mana nilai tersebut lebih besar dari 0.05, sehingga diambil kesimpulan bahwa tidak terdapat autokorelasi pada data yang diuji. 4.4.3

Uji Simultan Setelah semua uji asumsi terpenuhi, maka dapat dilakukan uji simultan untuk

menguji keberartian koefisien regresi variabel bebas, dengan hipotesis sebagai berikut. 𝐻0 : 𝛽1 = 0, koefisien regresi tidak berarti atau angka harapan hidup tidak mempengaruhi indeks pembangunan manusia

33

𝐻1 : 𝛽1 ≠ 0, koefisien regresi berarti atau angka harapan hidup mempengaruhi indeks pembangunan manusia Dari pengujian didapatkan nilai sig di tabel anova sebesar 0.000 (tabel hasil pengujian terdapat pada lampiran 5, tabel 4.8). Berdasarkan kriteria uji, H0 ditolak jika sig < α. Dari pengujian didapatkan 0.000 < 0.05, sehingga diambil keputusan bahwa H0 ditolak. Artinya artinya koefisien regresi berarti atau angka harapan hidup mempengaruhi indeks pembangunan manusia. 4.4.4

Ukuran Kualitas Model (𝑹𝟐 ) Untuk mengetahui seberapa besar model dalam menduga nilai respon y maka

digunakan koefisien determinasi (𝑅 2 ). Koefisien determinasi dapat dihitung menggunakan persamaan (3.13). Dari hasil perhitungan dengan menggunakan software SPSS, dapat diketahui bahwa koefisien determinasi (R2) yang diperoleh sebesar 0.973 atau 97.3% (tabel hasil pengujian terdapat pada lampiran 5, tabel 4.9), berarti model regresi yang telah diperoleh dapat memprediksi indeks pembangunan manusia sebesar 97.3%. Dapat diartikan bahwa kualitas model sebesar 97.3% dari kisaran 0%-100% adalah baik.