ANALISIS REGRESI DATA PANEL UNTUK PEMODELAN

TINGKAT PENGANGGURAN TERBUKA DI INDONESIA

ADE VREYYUNING MONIKA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2019
 ABSTRAK

ADE VREYYUNING MONIKA. Analisis Regresi Data Panel untuk Pemodelan

Tingkat Pengangguran Terbuka di Indonesia. Dibimbing oleh I MADE
SUMERTAJAYA dan UTAMI DYAH SYAFITRI.

Kependudukan merupakan tantangan besar bagi pembangunan Indonesia.

Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) menyebutkan
bahwa jumlah penduduk yang besar akan berdampak pada berbagai aspek kehidupan,
diantaranya masalah kebutuhan pangan, kemiskinan hingga lapangan kerja. Kondisi
pengangguran di Indonesia semakin meningkat dari tahun ke tahun. Berdasarkan data
Badan Pusat Statistik (BPS), Tingkat Pengangguran Terbuka (TPT) Agustus 2018
sebesar 5.34 persen meningkat dibanding sebelumnya (5.13 persen). Terlebih, jika
melihat Indonesia yang dihadapkan dengan pemberlakuan kerja sama dalam
Masyarakat Ekonomi ASEAN (MEA), bisa dikatakan Indonesia memasuki pasar bebas
tenaga kerja dalam kondisi yang kurang ideal. Berdasarkan latar belakang tersebut,
maka dilakukan penelitian terkait Pengaruh Indikator Kependudukan Terhadap
Tingkat Pengangguran Terbuka di Indonesia Dengan Pendekatan Regresi Panel,
sebagai solusi dalam mengurangi angka pengangguran. Adanya efek individu pada
model panel mengakibatkan pendekatan model yang sesuai adalah Fixed Effect Model
(FEM) yang menghasilkan nilai R2 sebesar 86 persen. Berdasarkan analisis, diperoleh
tiga variabel yang signifikan terhadap Tingkat Pengangguran Terbuka antara lain Laju
Pertumbuhan Penduduk, Angka Melek Huruf dan Angka Partisipasi Kasar
SMA/Sederajat.

Kata Kunci: Kependudukan, Tingkat Pengangguran Terbuka, Regresi Data Panel,

Fixed Effect Model.
 PRAKATA

Bismillahirrahmanirrahim
Alhamdulillahirabiil’alamin, segala puji bagi Allah Swt. atas berkat, rahmat
dan hidayahnya penulis bisa menyelesaikan tugas ini. Shalawat serta salam tidak lupa
penulis panjatkan kepada junjungan nabi besar Muhammad Saw. yang telah menjadi
panutan umat manusia dalam menjalankan kehidupan ini, semoga safaat beliau selalu
mengalir kepada kita sebagai pengikut ajaran agamanya hingga akhir zaman. Aamiin.
Tugas yang berjudul “Analisis Regresi Data Panel untuk Pemodelan Tingkat
Pengangguran Terbuka Di Indonesia” ini disusun untuk memenuhi syarat tugas ujian
tengah semester pada mata kuliah Kapita Selekta Statistika Terapan. Penulis
mengucapkan terima kasih kepada Bapak Dr. Ir. I Made Sumertajaya, MS. serta Ibu
Dr. Utami Dyah Syafitri selaku dosen pengampu mata kuliah ini.
Penulis sangat menyadari bahwa tugas ini masih jauh dari kata sempurna.
Oleh karena itu penulis mengharapkan saran dan kritik yang membangun. Besar
harapan penulis semoga tugas ini dapat bermanfaat, Aamiin.

Bogor, Maret 2019

Ade Vreyyuning Monika

G152180411
 DAFTAR ISI

DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang ............................................................................................ 1
Tujuan Penelitian ......................................................................................... 2
TINJAUAN PUSTAKA
Tingkat Pengangguran Terbuka .................................................................. 2
Regresi Data Panel ...................................................................................... 3
Common Effect Model ................................................................................. 4
Fixed Effect Model ...................................................................................... 4
Random Effect Model .................................................................................. 4
Uji Chow ..................................................................................................... 5
Uji Hausman ................................................................................................ 6
Uji Lagrange Multiplier .............................................................................. 6
METODE PENELITIAN
Data ............................................................................................................. 7
Prosedur Analisis Data ................................................................................ 7
HASIL DAN PEMBAHASAN
Analisis Deskriptif ....................................................................................... 8
Pemodelan Tingkat Pengangguran Terbuka ................................................ 10
Uji Chow ..................................................................................................... 11
Uji Hausman ................................................................................................ 12
Uji Lagrange Multiplier (LM) .................................................................... 12
Estimasi Model Regresi Data Panel ............................................................ 13
Pengujian Signifikansi Parameter Model Regresi ....................................... 14
Pengujian Asumsi Residual ......................................................................... 16
SIMPULAN DAN SARAN
Simpulan...................................................................................................... 17
Saran ............................................................................................................ 18
DAFTAR PUSTAKA .................................................................................... 19
LAMPIRAN .................................................................................................. 20
 DAFTAR TABEL

1 Variabel Penelitian ...................................................................................... 7

2 Statistika Deskriptif Variabel ...................................................................... 8
3 Hasil Deteksi Multikolinearitas ................................................................... 11
4 Hasil Uji Chow ............................................................................................ 11
5 Hasil Uji Hausman ...................................................................................... 12
6 Estimasi Intersep Provinsi di Indonesia ...................................................... 14
7 Hasil Uji Serentak FEM .............................................................................. 15
8 Hasil Uji Parsial FEM ................................................................................. 15
9 Nilai R2 Model FEM ................................................................................... 16
10 Hasil Uji Park .............................................................................................. 16

DAFTAR GAMBAR

1 Tingkat Pengangguran Terbuka .................................................................. 9

2 Tingkat Pengangguran Terbuka Tahun 2014 .............................................. 10
3 Plot Residual................................................................................................ 17

DAFTAR LAMPIRAN

1 Tabel Struktur Data Panel ........................................................................... 20

2 Model Common Effect Model...................................................................... 20
3 Model Fixed Effect Model ........................................................................... 21
4 Model Random Effect Model ....................................................................... 24
5 Hasil Uji Chow ............................................................................................ 27
6 Hasil Uji Hausman ...................................................................................... 27
 1

PENDAHULUAN

Latar Belakang
Kondisi kependudukan masih menjadi tantangan bagi pembangunan Indonesia.
Situasi kependudukan Indonesia saat ini dinilai masih kurang menguntungkan, baik
yang berkaitan dengan kuantitas, kualitas, administrasi kependudukan, maupun
persebarannya. Jika dilihat dari aspek kuantitas, Indonesia memiliki kuantitas
penduduk yang cukup banyak, sedangkan dari aspek kualitas, Indonesia memiliki
penduduk dengan kualitas rendah. Hal ini terlihat dari Laporan Pembangunan Manusia
2016 adalah Laporan Pembangunan Manusia yang diluncurkan oleh Program
Pembangunan Perserikatan Bangsa-Bangsa pada tahun 2016. Laporan yang berisi
Indeks Pembangunan Manusia (IPM) yang diluncurkan pada 21 Maret 2017
menyebutkan bahwa Indonesia berada pada peringkat 113 dari 188 negara. BKKBN
menyebutkan bahwa jumlah penduduk yang besar akan berdampak pada berbagai
aspek kehidupan, diantaranya masalah kebutuhan pangan, perumahan, kesehatan,
pendidikan, ekonomi, kemiskinan dan salah satunya adalah lapangan kerja, yang
dikhawatirkan akan berdampak pada masalah sosial seperti meningkatnya angka
kriminalitas.
Pengangguran menjadi salah satu masalah pokok yang dihadapi negara
berkembang, khususnya Indonesia. Masalah pengangguran timbul karena adanya
ketimpangan antara jumlah angkatan kerja dengan jumlah lapangan pekerjaan yang
tersedia. Pengangguran menjadi masalah yang kompleks karena sekaligus berpengaruh
baik langsung maupun tidak langsung pada kemiskinan, mendorong peningkatan
keresahan sosial dan serta dapat mengahambat pembangunan jangka panjang (Sukirno,
1994). Jika dilihat secara histori, angka pengangguran di Indonesia fluktuatif sejak
tahun 2005. Krisis ekonomi yang puncaknya terjadi pada tahun 1998 telah membawa
dampak yang besar terhadap ketenagakerjaan kala itu. Jumlah pengangguran semakin
bertambah karena banyak terjadi Pemutusan Hubungan Kerja (PHK).
Adapun 10 peringkat pengangguran tertinggi di Indonesia memiliki persebaran
wilayah yang rata, artinya masing-masing wilayah bagian memiliki provinsi yang dapat
mewakili tingginya tingkat pengangguran. Terlebih, jika melihat Indonesia yang
bekerja sama dalam Masyarakat Ekonomi ASEAN (MEA), bisa dikatakan Indonesia
memasuki pasar bebas tenaga kerja dalam kondisi yang kurang ideal. Hal ini
menunjukkan ketidaksiapan tenaga kerja terampil di Indonesia dalam menghadapi
MEA.
Dalam laporan ini, dijelaskan terkait pemodelan faktor-faktor yang
berpengaruh terhadap Tingkat Pengangguran Terbuka di Indonesia dari indikator
kependudukan dengan pendekatan Regresi Data Panel. Regresi data panel digunakan
karena dianggap paling baik dalam mendeteksi dan mengukur dampak yang secara
 2

sederhana tidak bisa dilihat pada data cross section murni atau time series murni. Selain
itu, dengan menggabungkan data antar observasi tersebut, data panel juga dapat
memberi banyak informasi, lebih banyak variasi, dan sedikit kolinieritas antar variabel.
Meningkatnya angka TPT dari tahun ke tahun untuk masing-masing daerah
mengindikasikan waktu dan lokasi berpengaruh terhadap TPT sehingga waktu (tahun)
diperhitungkan dalam pemodelan. Tujuannya adalah mendapatkan model regresi data
panel untuk TPT di Indonesia.

Tujuan Penelitian
Tujuan penelitian ini adalah:
1. Mendeskripsikan karakteristik variabel yang diduga berpengaruh terhadap Tingkat
Pengangguran Terbuka di Indonesia.
2. Mengetahui faktor-faktor apa saja yang berpengaruh terhadap Tingkat
Pengangguran Terbuka di Indonesia.

TINJAUAN PUSTAKA

Tingkat Pengangguran Terbuka

Konsep definisi dari angka Tingkat Pengangguran Terbuka (TPT) adalah
persentase jumlah pengangguran terhadap jumlah angkatan kerja. Dimana, TPT
memiliki kegunaan dalam mengindikasikan besarnya persentase angkatan kerja yang
termasuk dalam pengangguran (BPS, 2019). Adapun dalam perhitungannya digunakan
rumus sebagai berikut.
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑛𝑔𝑎𝑛𝑔𝑔𝑢𝑟𝑎𝑛
𝑇𝑃𝑇 = 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝐴𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐾𝑒𝑟𝑗𝑎
Adapun variabel yang terkait dalam penelitian ini diduga memiliki dampak dalam
perubahan angka Tingkat Pengangguran Terbuka (TPT) antara lain adalah sebagai
berikut.
a. Pertumbuhan Penduduk
Pertumbuhan penduduk adalah perubahan jumlah individu dalam sebuah
populasi pada suatu waktu. Jumlah penduduk yang semakin meningkat
membuat pengangguran terbuka terus bertambah selaras dengan pertambahan
penduduk dan minimnya kesempatan kerja. Besarnya jumlah pengangguran
terbuka masih didominasi pada usia muda (angkatan kerja).
b. Angka Melek Huruf (AMH)
(Simanjuntak, 1998) menyebutkan bahwa tingkat pendidikan yang dimiliki
tenaga kerja akan mempengaruhi keputusan kapan mereka bekerja dengan
membandingkan besarnya timbal balik yang didapat atau upah dengan tingkat
pendidikan yang telah mereka tempuh, jika dirasa upah yang didapat tidak
 3

sesuai keinginan, mereka akan memilih untuk menunggu pekerjaan yang sesuai
dengan keinginan mereka. Persentase angka melek huruf dalam suatu daerah
dapat menjelaskan kebutuhan fasilitas pendidikan terhadap pengembangan
kemampuan diri masyarakat didalamnya.
c. Angka Partisipasi Kasar (APK)
Angka Partisipasi Kasar menunjukkkan partisipasi penduduk yang sedang
mengenyam pendidikan sesuai dengan jenjang pendidikannya. Angka
Partisipasi Kasar (APK) merupakan persentase jumlah penduduk yang sedang
bersekolah pada suatu jenjang pendidikan (berapapun usianya) terhadap jumlah
penduduk usia sekolah yang sesuai dengan jenjang pendidikan tersebut. APK
digunakan untuk mengukur keberhasilan program pembangunan pendidikan
dalam mengukur daya serap penduduk usia sekolah di masing-masing jenjang
pendidikan.
d. Upah Minimum Provinsi
Penerapan upah minimum akan mempengaruhi permintaan dan penawaran
tenaga kerja, dimana penawaran tenaga kerja akan semakin meningkat
sedangkan permintaan tenaga kerja akan berkurang yang akhirnya
menyebabkan pengangguran. Penerapan upah minimum terutama untuk jumlah
penduduk yang banyak seperti Indonesia memberi dampak pengangguran
terbuka pada generasi muda yang baru menyelesaikan pendidikan dan sedang
berusaha untuk mencari pekerjaan yang sesuai dengan upah yang tinggi. Untuk
mendapatkan kesempatan itu mereka bersedia menunggu dalam waktu yang
lama. Hal inilah yang menyebabkan kecenderungan tingginya angka
pengangguran (Siregar, 1982).
e. Produk Domestik Regional Bruto (PDRB)
Tingkat PDRB akan berpengaruh pada besarnya tingkat pengangguran yang
terjadi. Pengukuran besaran PDRB yang digunakan adalah dengan melihat pada
besaran PDRB dengan harga konstan. Tingkat PDRB yang tinggi dalam suatu
daerah akan bisa mengurangi pengangguran melalui peningkatan produksi
dalam suatu perusahaan dengan menyerap tenaga kerja lebih banyak agar bisa
menghasilkan barang dan jasa lebih banyak. Dengan penyerapan tenaga kerja
yang banyak maka tingkat pengangguran dapat dikurangi (Mankiw, 2000).

Regresi Data Panel

Data panel merupakan gabungan dari data penampang-melintang (cross-
section) dan data deret waktu (time series), dengan kata lain data panel memiliki
dimensi waktu dan ruang. Struktur dua dimensi yang ada dalam data panel
memungkinkan peneliti untuk mengamati perubahan dinamis karakteristik suatu
observasi dari waktu ke waktu. Regresi data panel adalah teknik regresi yang
 4

menggabungkan antara data deret waktu dan data penampang-melintang, maka tentu
akan mempunyai observasi lebih banyak dibandingkan dengan data deret waktu atau
data penampang-melintang saja (Gujarati, 2004). Model umum regresi data panel
dinyatakan dalam bentuk persamaan berikut (Baltagi, 2005):
𝑌𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡𝑇 𝛽 + 𝑒𝑖𝑡
Di mana 𝑌𝑖𝑡 menyatakan peubah terikat pada observasi ke-𝑖 dan periode ke-𝑡, 𝑋𝑖𝑡
menyatakan peubah bebas pada observasi ke-𝑖 dan periode ke-𝑡, 𝛼 menyatakan
intersep, 𝛽 menyatakan kemiringan, serta 𝑒𝑖𝑡 menyatakan sisaan pada observasi ke-𝑖
dan periode ke-𝑡.
Pendugaan parameter model regresi data panel dapat dilakukan dengan
menggunakan beberapa pendekatan, diantaranya adalah common effect model, fixed
effect model dan random effect model.

Common Effect Model

Metode pendugaan parameter yang paling sederhana dalam regresi data panel
yaitu dengan pendekatan common effect model (Widarjono, 2007). Pendekatan ini tidak
memperhatikan pengaruh spesifik dari observasi maupun waktu, sehingga
mengasumsikan koefisien intersep maupun kemiringan yang konstan antar observasi
dan waktu. Model yang digunakan mengikuti bentuk regresi linier dengan komponen
sisaan yang berasal dari komponen sisaan pendugaan, dan dituliskan sebagai berikut:
𝑌𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡𝑇 𝛽 + 𝑒𝑖𝑡

Fixed Effect Model

Salah satu metode pendugaan parameter yang bisa digunakan pada model
regresi data panel adalah dengan pendekatan fixed effect model. Model regresi data
panel dengan pendekatan fixed effect model dituliskan sebagai berikut:
𝑌𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡𝑇 𝛽 + 𝑒𝑖𝑡
Pada model tersebut, indeks 𝑖 pada intersep menunjukkan bahwa intersep dari masing-
masing observasi berbeda-beda. Hal ini memberikan asumsi bahwa kemiringan 𝛽 tetap
sama, baik antar observasi maupun antar waktu.

Random Effect Model

Random effect model adalah pendugaan parameter yang menambahkan peubah
gangguan yang mungkin saja akan muncul pada hubungan antar waktu dan antar
observasi. Hal ini berawal dari asumsi bahwa pada random effect model terdapat
perbedaan intersep untuk setiap observasi yang bersifat acak. Dengan kata lain, semua
observasi dalam unit penampang-melintang memiliki rataan intersep yang sama dan
perbedaan observasi dalam nilai intersep dinyatakan dalam sisaan 𝑢𝑖 .
 5

Ide dasar dari random effect model muncul dari pendekatan fixed effect model
dengan penjabaran sebagai berikut:
𝑌𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡𝑇 𝛽 + 𝑒𝑖𝑡
dalam random effect model, 𝛼𝑖 diasumsikan sebagai peubah acak dengan nilai rataan
𝛼, sedemikian sehingga untuk setiap unit:
𝛼𝑖 = 𝛼 + 𝑢𝑖 , 𝑖 = 1,2, … , 𝑛.
dimana 𝑢𝑖 merupakan komponen sisaan dari masing-masing unit penampang-
melintang dengan rataan nol dan ragam 𝜎 2 . Selanjutnya, subtitusikan ke dalam fixed
effect model:
𝑌𝑖𝑡 = 𝛼 + 𝑢𝑖 + 𝑋𝑖𝑡𝑇 𝛽 + 𝑒𝑖𝑡
kemudian didapatkan model regresi data panel dengan pendekatan random effect model
yang dinyatakan sebagai berikut:
𝑌𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡𝑇 𝛽 + 𝑢𝑖 + 𝑒𝑖𝑡
dalam model tersebut terdapat dua komponen sisaan, yaitu 𝑢𝑖 yang merupakan
komponen sisaan dari masing-masing unit penampang-melintang, dan 𝑒𝑖𝑡 yang
merupakan kombinasi komponen sisaan penampang-melintang dan deret waktu.
Random effect model juga dikenal dengan istilah error components model karena terdiri
atas lebih dari satu komponen sisaan.

Uji Chow
Uji Chow digunakan untuk mengetahui model regresi data panel yang terbaik
diantara model yang diperoleh berdasarkan pendekatan common effect model dengan
model yang diperoleh dengan pendekatan fixed effect model. Prosedur pengujiannya
sebagai berikut (Baltagi, 2005):
1. Perumusan Hipotesis:
𝐻0 : Common effect model
𝐻1 : Fixed effect model
2. Statistik Uji:
(𝐽𝐾𝐺1 − 𝐽𝐾𝐺2 )
(𝑛 − 1)
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
𝐽𝐾𝐺2
(𝑛𝑡 − 𝑛 − 𝑘)
Dengan 𝐽𝐾𝐺1 menyatakan jumlah kuadrat galat dari common effect model,
𝐽𝐾𝐺2 menyatakan jumlah kuadrat galat dari fixed effect model, 𝑛 menyatakan banyak
observasi, 𝑛𝑡 menyatakan jumlah perkalian dari deret waktu dengan penampang-
melintang, dan 𝑘 menyatakan banyaknya peubah bebas.
3. Kriteria Uji:
Tolak 𝐻0 jika nilai 𝐹 hitung > 𝐹(𝛼;𝑛−1,𝑛𝑡−𝑛−𝑘)
 6

Dengan 𝛼 menyatakan taraf nyata, 𝑛 menyatakan banyak observasi, 𝑛𝑡

menyatakan jumlah perkalian dari deret waktu dengan penampang-melintang, dan 𝑘
menyatakan banyaknya peubah bebas.

Uji Hausman
Uji Hausman merupakan uji yang digunakan untuk mengetahui model regresi
data panel yang lebih baik antara model yang diperoleh berdasarkan pendekatan
random effect model dengan model yang diperoleh dengan pendekatan fixed effect
model. Dugaan awalnya yaitu tidak terdapat hubungan antara sisaan model dengan satu
atau lebih peubah penjelas. Prosedur pengujiannya adalah sebagai berikut (Baltagi,
2005):
1. Perumusan Hipotesis:
𝐻0 : Random effect model
𝐻1 : Fixed effect model
2. Statistik Uji:
′
𝑊 = (𝛽̂𝑅𝐸𝑀 − 𝛽̂𝐹𝐸𝑀 ) [𝑣𝑎𝑟(𝛽̂𝑅𝐸𝑀 − 𝛽̂𝐹𝐸𝑀 )]−1 (𝛽̂𝑅𝐸𝑀 − 𝛽̂𝐹𝐸𝑀 )
Dengan 𝛽̂𝑅𝐸𝑀 menyatakan vektor estimasi random effect model dan 𝛽̂𝐹𝐸𝑀
menyatakan menyatakan vektor estimasi fixed effect model.
3. Kriteria Uji:
Tolak 𝐻0 jika nilai 𝑊 > 𝜒 2 (𝛼,𝑘)
Dengan 𝛼 menyatakan taraf nyata, dan 𝑘 menyatakan derajat kebebasan.

Uji Lagrange Multiplier

Jika hasil dari uji Chow dan Hausman menyimpulkan bahwa model yang tepat
ada FEM, maka berikutnya adalah uji Lagrange Multiplier (LM) untuk mendeteksi
adanya heteroskedastisitas panel data model FEM (Greene, 2000). menyarankan uji
LM untuk menguji random effect yang didasarkan pada residual. Prosedur
pengujiannya adalah sebagai berikut:
1. Perumusan Hipotesis:
𝐻0 : FEM memiliki struktur yang homokedastik
𝐻1 : FEM memiliki struktur yang heterokedastik
2. Statistik Uji:
2 2
𝑁𝑇 ∑𝑁 𝑇
𝑖=1(∑𝑖=1 𝑒𝑖𝑡 )
𝐿𝑀 = [ 𝑁 − 1]
2(𝑇 − 1) ∑𝑖=1 ∑𝑇𝑖=1 𝑒𝑖𝑡2
3. Kriteria Uji:
Tolak 𝐻0 jika nilai LM > 𝜒 2 (𝛼,𝑘)
Dengan 𝛼 menyatakan taraf nyata, dan 𝑘 menyatakan derajat kebebasan.
 7

METODE PENELITIAN

Data
Data yang digunakan merupakan data sekunder, berupa data deret berkala (time
series) dengan periode tahun 2004 hingga 2014. Adapun data tersebut diperoleh dari
laporan Badan Kependudukan dan Keluarga Berencana (BKKBN), Badan Pusat
Statistik (BPS), dan Bank Indonesia (BI).
Adapun variabel penelitian yang digunakan adalah variabel dependen (Y) yaitu
angka Persentase Tingkat Pengangguran Terbuka (TPT) di 33 Provinsi di Indonesia
periode tahun 2006 hingga 2014. Berdasarkan data dan informasi yang diperoleh, maka
dalam penelitian ini diambil variabel independen atau prediktor (X) yang diduga
mempengaruhi Y sebagai berikut.
Tabel 1 Variabel Penelitian
Jenis Variabel Satuan
X1 Laju Pertumbuhan Penduduk Persentase (%)
X2 Angka Melek Huruf Persentase (%)
X3 APK SMA/Sederajat Persentase (%)
X4 Laju Kenaikan UMP Persentase (%)
X5 Laju Pertumbuhan PDRB Persentase (%)

Prosedur Analisis Data

Tahapan analisis data yang dilakukan dalam penelitian ini adalah sebagai
berikut:
1. Melakukan analisis deskriptif untuk mengetahui karakteristik variabel yang
diduga berpengaruh Tingkat Pengangguran Terbuka dan ditampilkan secara
visual.
2. Melakukan analisis Regresi Data Panel untuk mengetahui faktor-faktor yang
berpengaruh terhadap Tingkat Pengangguran Terbuka. Pemodelan yang
digunakan adalah pemodelan dengan efek individu.
3. Melakukan deteksi multikolinearitas.
4. Melakukan pemilihan model regresi panel yang sesuai dengan data Tingkat
Pengangguran Terbuka di Indonesia melalui Uji Chow, Uji Hausman, dan Uji
Lagrange Multiplier (LM).
5. Mendapatkan estimasi model regresi data panel.
6. Melakukan pengujian signifikansi parameter model regresi.
7. Melakukan pengujian asumsi residual IIDN, yaitu uji asumsi identik,
independen, dan berdistribusi normal.
8. Membuat kesimpulan dan saran.
 8

HASIL DAN PEMBAHASAN

Analisis Deskriptif
Statistika Deskriptif digunakan untuk melihat gambaran umum dari data yang
digunakan. Adapun hasil analisis dijelaskan sebagai berikut.

Tabel 2 Statistika deskriptif variabel

Provinsi Provinsi
Var Rata-rata Min Maks
Terendah Tertinggi
Y 6.764 1.830 16.3 Bali Banten
X1 1.779 0.370 5.39 Jawa Tengah Papua
X2 92.80 64.08 99.60 Papua Sulawesi Utara
X3 66.46 43.76 94.62 Kalimantan Barat DIY
X4 0.127 -0.004 0.488 DKI Jakarta DKI Jakarta
X5 5.999 -17.14 28.46 Papua Barat Papua

Berdasarkan Tabel 2 dapat diketahui bahwa rata-rata Tingkat Pengangguran

Terbuka (TPT) sebagai variabel Y di Indonesia pada tahun 2006 hingga 2014 mencapai
6.764. Nilai TPT terendah sebesar 1.83 persen pada Provinsi Bali di tahun 2013 dan
tertinggi pada Provinsi Banten sebesar 16.3 persen di tahun 2006.
Rata-rata Laju Pertumbuhan Penduduk (X1) di Indonesia pada tahun 2006
hingga 2014 sebesar 1.779. Nilai Laju Pertumbuhan Penduduk terendah sebesar 0.37
persen pada Provinsi Jawa Tengah di tahun 2010 dan tertinggi pada Provinsi Papua
sebesar 5.39 persen di tahun 2013.
Dilihat dari sisi pendidikan, Angka Melek Huruf (AMH) sebagai variabel X2
memiliki nilai rata-rata 92.80 persen untuk periode waktu tahun 2006 hingga 2014.
Sulawesi Utara menjadi provinsi dengan nilai AMH tertinggi yaitu sebesar 99.6 persen
di tahun 2014. Sedangkan Papua memiliki nilai terendah sebesar 64.08 persen pada di
2011.
Angka Partisipasi Kasar (APK) SMA/Sederajat (X3) memiliki nilai rata-rata
66.46 persen untuk periode waktu tahun 2006 hingga 2014. Daerah Istimewa
Yogyakarta menjadi provinsi dengan nilai APK SMA/Sederajat tertinggi yaitu sebesar
94.62 persen di tahun 2014. Sedangkan Kalimanta Barat memiliki nilai terendah
sebesar 43.76 persen di tahun 2006.
Dari sisi ekonomi, rata-rata X4 sebagai Laju Upah Minimum Provinsi (UMP)
di Indonesia di tahun 2006 hingga 2014 yaitu sebesar 0.13 persen. Nilai Laju UMP
tertinggi sebesar 0.488 persen pada Provinsi Provinsi DKI Jakarta sempat mengalami
penurunan nilai UMP hingga -0.004 persen pada tahun 2007.
Sedangkan untuk rata-rata laju Produk Domestik Regional Bruto (PDRB)
sebagai X5 di Indonesia pada tahun 2006 hingga 2014 sebesar 5.99 persen. Nilai Laju
 9

PDRB tertinggi sebesar 28.46 persen pada Provinsi Papua pada tahun 2010 dan
Provinsi Papua Barat mengalami penurunan nilai PDRB hingga -17.14 persen di tahun
2006. Adapun karakteristik dari data Tingkat Pengangguran Terbuka adalah sebagai
berikut.
7.10

7.00

6.90

6.80

6.70

6.60

6.50
2006 2007 2008 2009 2010 2011 2012 2013 2014

Gambar 1 Tingkat pengangguran terbuka

Berdasarkan Gambar 1 diperoleh informasi bahwa Tingkat Pengangguran

Terbuka relatif fluktuatif dari tahun 2006 hingga 2014. Pada Tahun 2010, TPT
mengalami penurunan hingga 6.55 persen. Namun, tahun selanjutnya kembali
meningkat dan fluktuatif hingga tahun 2014 menjadi TPT tertinggi selama periode 9
tahun hingga mencapai 7 persen.
Jika dilihat dari informasi pada tahun 2014, seperti pada Gambar 2 secara
umum dijelaskan bahwa wilayah dengan angka TPT tinggi didominasi oleh beberapa
wilayah provinsi di Sumatera. Kondisi ini dapat dilihat karena hampir semua provinsi
didominasi oleh sektor pertanian. Bahkan, pemerintah telah menjadikan pulau
Sumatera sebagai pusat pengembangan sektor pertanian dan perikanan. Namun, lahan
pertanian dan perkebunan di Sumatera dari tahun ke tahun terus mengalami penurunan
yang tidak diimbangi dengan kenaikan yang signifikan di sektor industri. Apabila terus
terjadi seperti ini jumlah penduduk yang menganggur di pulau Sumatera akan
bertambah akibat kekurangan lahan pekerjaan. Adapun sebaran TPT di Indonesia pada
tahun 2014 adalah sebagai berikut.
 10

14

12

10

NTT
NTB
Jambi

Bali
Riau

Sumatera Selatan
Bengkulu

Kep, Riau

Jawa Tengah

Banten

Kalimanatan Tengah
Kalimantan Selatan

Sulawesi Tengah
Sulawesi Selatan

Maluku
Gorontalo
Sumatera Utara

DKI Jakarta

DI Yogyakarta

Sulawesi Utara

Sulawesi Tenggara

Maluku Utara
Papua
NAD

Lampung
Kep, Bangka Belitung
Sumatera Barat

Jawa Barat

Kalimantan Barat

Sulawesi Barat

Papua Barat
Jawa Timur

Kalimantan Timur
Provinsi

Gambar 2 Tingkat pengangguran terbuka tahun 2014

Berdasarkan Gambar 2 dapat diketahui sebaran Tingkat Pengangguran Terbuka

(TPT) di 33 provinsi pada tahun 2014. Dari gambar tersebut dapat dilihat bahwa TPT
menurut wilayah sangat beragam. Adapun provinsi dengan TPT tertinggi yaitu Jambi
sebesar 13.08 persen, disusul oleh Provinsi Bengkulu sebesar 12.20 persen dan
Provinsi Kepulauan Riau sebesar 10.65 persen. Sedangkan angka TPT paling rendah
adalah Provinsi Gorontalo sebesar 3 persen.

Pemodelan Tingkat Pengangguran Terbuka

Pemodelan dilakukan untuk mengetahui faktor-faktor yang mempengaruhi
Tingkat Pengangguran Terbuka (TPT) di Indonesia dengan pendekatan regresi data
panel. Pada pemodelan ini, estimasi data panel Tingkat Pengangguran Terbuka hanya
memperhatikan efek individu. Pada analisis regresi data panel juga diperlukan deteksi
multikolinearitas. Deteksi multikolinearitas dilakukan untuk melihat hubungan
kolerasi linear yang tinggi antar variabel independen karena variabel bebas yang baik
adalah variabel bebas yang memiliki hubungan dengan variabel terikat, tetapi tidak
memiliki hubungan dengan variabel bebas lainnya. Adanya multikolinearitas dapat
dideteksi dari nilai VIF, apabila nilai VIF lebih dari 10 maka mengindikasikan ada
gejala multikolinearitas. Adapun hasil deteksi multikolinearitas dengan menggunakan
software Minitab dijelaskan sebagai berikut.
 11

Tabel 3 Hasil deteksi multikolinearitas

Variabel Independen VIF
Laju Pertumbuhan Penduduk 1.04
Angka Melek Huruf 1.10
Angka Partisipasi Kasar SMA/Sederajat 1.05
Laju Upah Minimum Provinsi 1.04
Laju Produk Domestik Regional Bruto 1.06

Berdasarkan Tabel 3 dapat diketahui hasil deteksi multikolinearitas pada data

Tingkat Pengangguran Terbuka di Indonesia. Adapun hasil yang diperoleh
menunjukkan bahwa seluruh variabel memiliki nilai VIF kurang dari 10, sehingga
dapat disimpulkan bahwa asumsi tidak ada multikolinearitas telah terpenuhi.
Untuk mengetahui model regresi panel yang sesuai dalam mengestimasi
hubungan antar variabel prediktor dari Indikator Kependudukan dengan Tingkat
Pengangguran Terbuka di Indonesia periode tahun 2006 hingga 2014, dilakukan
pemilihan model regresi panel. Beberapa model yang dapat dipilih antara lain adalah
Common Effect Model (CEM), Fixed Effect Model (FEM) dan Random Effect Model
(REM). Untuk memilih model regresi panel yang sesuai dilakukan dengan
menggunakan beberapa langkah yaitu uji Chow, uji Hasuman dan uji Lagrange
Multiplier (LM).

Uji Chow
Uji Chow merupakan pengujian yang dilakukan untuk memilih diantara CEM
atau FEM dalam mengestimasi data panel. Penentuan metode ini berdasarkan ada atau
tidaknya efek individu. Hipotesis yang digunakan dalam Uji Chow sebagai berikut.
H0 : Model yang sesuai Common Effect Model
H1 : Model yang sesuai Fixed Effect Model
Statistik uji : Fhitung
Adapun hasil perhitungan Uji Chow menggunakan software Eviews disajikan sebagai
berikut.
Tabel 4 Hasil uji Chow
Pengukuran Nilai
Fhitung 45.656
Ftabel 0.6158
df (32;261)
P-value 0.000

Berdasarkan Tabel 4 dapat diketahui bahwa uji Chow menghasilkan nilai Fhitung
sebesar 45.656 yang lebih besar jika dibandingkan dengan F0.05(32;261) sebesar 0.6158
dan nilai probabilitas sebesar 0.000 yang kurang dari α = 0.05. Sehingga cukup bukti
 12

untuk menyimpulkan bahwa pada taraf nyata 0.05 terdapat efek individu pada model
persamaan Tingkat Pengangguran Terbuka di Indonesia, sehingga model yang sesuai
adalah Fixed Effect Model.

Uji Hausman
Uji Chow yang telah dilakukan sebelumnya menunjukkan bahwa model
Tingkat Pengangguran Terbuka diketahui memiliki efek individu. Selanjutnya, untuk
membandingkan metode yang paling tepat diantara Fixed Effect Model atau Random
Effect Model dilakukan Uji Hausman. Hipotesis yang digunakan dalam uji Hausman
adalah sebagai berikut.
H0 : Model yang sesuai Random Effect Model
H1 : Model yang sesuai Fixed Effect Model
Statistik uji : W
Adapun hasil perhitungan Uji Hausman menggunakan software Eviews disajikan
sebagai berikut.

Tabel 5 Hasil uji Hausman

Pengukuran Nilai
Wald 29.513
2
𝜒𝑡𝑎𝑏𝑒𝑙 7.815
df 3
P-value 0.000

Berdasarkan Tabel 5 dapat diketahui bahwa hasil uji Hausman menghasilkan

2
nilai W sebesar 29.513 yang lebih besar jika dibandingkan dengan 𝜒0.05(3) sebesar
7.815 dan nilai probabilitas sebesar 0.000 yang kurang dari α = 0.05. Sehingga cukup
bukti untuk menyimpulkan bahwa pada taraf nyata 0.05 tidak terdapat korelasi antara
Xit dengan εit pada model Tingkat Pengangguran Terbuka di Indonesia, sehingga model
yang sesuai adalah model Fixed Effect Model.

Uji Lagrange Multiplier (LM)

Berdasarkan pengujian sebelumnya, didapatkan hasil bahwa dari uji Chow dan
uji Hausman menunjukkan bahwa metode estimasi yang sesuai adalah Fixed Effect
Model (FEM). Selanjutnya dilakukan uji LM untuk mengetahui adanya
heteroskedastisitas antar kelompok individu (cross section). Hipotesis yang digunakan
dalam uji LM adalah sebagai berikut.
H0 : FEM memiliki struktur yang homokedastik
H1 : FEM memiliki struktur yang heterokedastik
2
Statistik uji : 𝜒ℎ𝑖𝑡𝑢𝑛𝑔
 13

Adapun hasil perhitungan uji LM disajikan sebagai berikut.

2
33(9) 0.00000000000041
𝐿𝑀 = [ − 1]
2(9 − 1) 371.84

𝐿𝑀 = 18.563

2
Berdasarkan hasil perhitungan uji LM diperoleh nilai 𝜒ℎ𝑖𝑡𝑢𝑛𝑔 sebesar 18.563
2 2
yang lebih besar jika dibandingkan dengan 𝜒𝑡𝑎𝑏𝑒𝑙 = 𝜒0.05(1) sebesar 3.841. Sehingga
cukup bukti untuk menyimpulkan bahwa pada taraf nyata 0.05 terjadi
heteroskedastisitas atau terdapat efek cross section atau waktu atau keduanya pada
struktur panel model FEM. Akibat struktur yang belum homogen, maka dalam
mengestimasi model persamaan Tingkat Pengangguran Terbuka di Indonesia
digunakan FEM cross section weight.

Estimasi Model Regresi Data Panel

Berdasarkan hasil pengujian sebelumnya dapat disimpulkan bahwa model yang
sesuai untuk mengestimasi regresi panel data Tingkat Pengangguran Terbuka (TPT) di
Indonesia adalah FEM dengan cross section weight dan diperoleh model sebagai
berikut.

𝑦̂𝑖𝑡 = 20.799 + 𝛼𝑖 + 0.358 𝑋1𝑖𝑡 − 0.046 𝑋2𝑖𝑡 − 0.157 𝑋3𝑖𝑡

αi merupakan intersep untuk individu ke-i. Dalam penelitian ini, individu ke-i
merupakan 33 provinsi di Indonesia. Berdasarkan model persamaan tersebut dapat
diketahui bahwa nilai koefisien dari variabel Laju Pertumbuhan Penduduk sebesar
0.358. Tanda positif menunjukkan bahwa semakin tinggi Laju Pertumbuhan penduduk,
maka nilai TPT akan semakin tinggi pula. Jika Laju Pertumbuhan Penduduk meningkat
sebesar 1 persen, maka nilai TPT di Indonesia meningkat sebesar 0.358 persen.
Nilai koefisien dari variabel Angka Melek Huruf sebesar 0.046. Tanda negatif
menunjukkan bahwa semakin tinggi Angka Melek Huruf, maka nilai TPT akan
semakin rendah. Jika Angka Melek Huruf meningkat sebesar 1 persen, maka nilai TPT
di Indonesia menurun sebesar 0.046 persen.
Nilai koefisien dari variabel Angka Partisipasi Kasar SMA sebesar 0.157.
Tanda negatif menunjukkan bahwa semakin tinggi Angka Partisipasi Kasar SMA,
maka nilai TPT akan semakin rendah. Jika Angka Partisipasi Kasar SMA meningkat
sebesar 1 persen, maka nilai TPT di Indonesia menurun sebesar 0.157 persen.
 14

Dengan model FEM yang memberikan efek individu maka diperoleh nilai
intersep disajikan sebagai berikut

Tabel 6 Estimasi intersep provinsi di Indonesia

i Kab/Kota αi i Kab/Kota αi
1 NAD 4.557 18 NTB -1.298
2 Sumatera Utara 2.893 19 NTT -5.156
3 Sumatera Barat 2.456 20 Kalimantan Barat -3.438
4 Riau 0.988 21 Kalimanatan Tengah -3.846
5 Jambi -2.036 22 Kalimantan Selatan -2.431
6 Sumatera Selatan -0.368 23 Kalimantan Timur 4.797
7 Bengkulu -1.896 24 Sulawesi Utara 4.669
8 Lampung -1.139 25 Sulawesi Tengah -1.197
9 Kep. Ba Bel -2.409 26 Sulawesi Selatan 1.591
10 Kep, Riau 1.713 27 Sulawesi Tenggara -1.453
11 DKI Jakarta 5.051 28 Gorontalo -2.635
12 Jawa Barat 2.612 29 Sulawesi Barat -4.570
13 Jawa Tengah -0.259 30 Maluku 6.314
14 DI Yogyakarta 0.711 31 Maluku Utara 0.381
15 Jawa Timur -1.417 32 Papua -0.869
16 Banten 4.936 33 Papua Barat -5.539
17 Bali -1.709

Pengujian Signifikansi Parameter Model Regresi

Pengujian signifikansi parameter pada model regresi dilakukan melalui dua
tahap yaitu pengujian secara serentak dan pengujian secara parsial untuk mendapatkan
model terbaik dengan variabel yang berpengaruh signifikan. Adapun hasil yang
diperoleh adalah sebagai berikut.
a. Pengujian Serentak
Pengujian serentak dilakukan dengan cara menguji parameter pada model
regresi secara bersamaan (serentak) untuk melihat apakah variabel prediktor
berpengaruh terhadap Tingkat Pengangguran Terbuka di Indonesia.
Hipotesis yang digunakan adalah sebagai berikut.
H0 : β1 = β2 = ... = βk = 0
H1 : Paling sedikit ada satu βk ≠ 0
Statistik uji : Fhitung
Adapun hasil pengujian serentak menggunakan software Eviews disajikan sebagai
berikut.
 15

Tabel 7 Hasil uji serentak FEM

Pengukuran Nilai
Fhitung 48.567
Ftabel 2.635
P-value 0.000

Berdasarkan Tabel 7 dapat diketahui bahwa nilai Fhitung sebesar 48.567 yang
lebih besar jika dibandingkan dengan nilai Ftabel yaitu F0.05(3;293) sebesar 2.635 dan nilai
P-value sebesar 0.000 yang bernilai kurang dari jika dibandingkan dengan α = 0.05.
Sehingga cukup bukti untuk dapat menyimpulkan Tolak H0. Artinya secara serentak
model signifikan atau minimal terdapat satu variabel prediktor yang berpengaruh
signifikan terhadap Tingkat Pengangguran Terbuka di Indonesia.
b. Pengujian Parsial
Tahap selanjutnya dilakukan pengujian parsial untuk mengetahui variabel
prediktor secara individu berpengaruh signifikan terhadap Tingkat Pengangguran
Terbuka di Indonesia. Hipotesis yang digunakan adalah sebagai berikut.
H0 : βk = 0
H1 : βk ≠ 0
Statistik uji : t-hitung
Adapun hasil pengujian parsial menggunakan software Eviews disajikan sebagai
berikut.

Tabel 8 Hasil uji parsial FEM

Variabel Koefisien SE thitung P-value
C 20.799 1.641 12.672 0.0000
X1 0.358 0.173 2.070 0.0395
X2 -0.047 0.018 -2.489 0.0134
X3 -0.157 0.009 -16.577 0.0000

Pengujian parsial menjelaskan bahwa jika nilai |t-hitung| lebih besar daripada
nilai ttabel yaitu t0.025(293) sebesar 1.968 dan diketahui nilai P-value sebesar 0.000 yang
bernilai kurang dari jika dibandingkan dengan α = 0.05; maka tolak H0. Berdasarkan
Tabel 8 diperoleh hasil bahwa terdapat tiga variabel yang berpengaruh secara
signifikan terhadap Tingkat Pengangguran Terbuka di Indonesia antara lain adalah
Laju Pertumbuhan Penduduk (X1), Angka Melek Huruf (X2) dan Angka Partisipasi
Kasar SMA (X3).
Untuk melihat kebaikan model, dapat dilihat dari nilai R2. Adapun hasil R2
model FEM dengan cross section weight adalah sebagai berikut.
 16

Tabel 9 Nilai R2 model FEM

Nilai
R-Squared 0.866
Adjusted R-Squared 0.854

Berdasarkan Tabel 9 dapat diketahui bahwa nilai R2 untuk masing-masing

model FEM dengan cross section weight sebesar 0.866 atau 86.6 persen dan memiliki
arti bahwa variabel prediktor yang digunakan dapat menjelaskan variabilitas Y sebesar
86 persen dan sisanya yaitu 13.4 persen dijelaskan oleh variabel lain yang tidak masuk
ke dalam model.

Pengujian Asumsi Residual

Metode Regresi Data Panel memberikan hasil pendugaan yang bersifat Best
Linear Unbiased Estimation (BLUE) jika memenuhi semua asumsi. Asumsi tersebut
diantaranya adalah residual IIDN sebagai berikut.
a. Pengujian Asumsi Identik
Pengujian asumsi identik adalah pengujian yang dilakukan untuk mengetahui
homogenitas varian residual. Untuk mendeteksi adanya kasus heteroskedastisitas
digunakan uji Park, yaitu dengan meregresikan ln terhadap ln variabel prediktornya.
Hasil uji Park disajikan sebagai berikut

Tabel 10 Hasil uji Park

Model DF SS MS F P-value
Regresi 3 12.795 4.265 0.691 0.558
Residual 293 1808.924 6.174
Total 296 1821.719

Berdasarkan Tabel 10 dapat diketahui bahwa hasil uji Park menghasilkan P-

value sebesar 0.558 lebih besar daripada α = 0.05 maka tidak tolak H0. Berdasarkan
hasil uji Park tersebut cukup bukti untuk menyimpulkan bahwa varians residual telah
bersifat homogen atau tidak terjadi kasus heteroskedastisitas pada taraf nyata 0.05.
b. Pengujian Asumsi Independen
Pengujian asumsi independen adalah pengujian yang dilakukan untuk
mengetahui adanya autokorelasi yang sering muncul pada data time series. Untuk
mendeteksi adanya pelanggaran asumsi dapat dilakukan dengan membandingkan
statistik uji Durbin Watson. Berdasarkan tabel, diperoleh nilai batas bawah dL= 1.794
dan batas atas dU = 1.821, sedangkan nilai statistik uji Durbin Watson diperoleh sebesar
1.231. Dengan demikian nilai statistik uji berada pada wilayah d < dL, artinya terdapat
otokorelasi positif.
 17

Teknik estimasi model data panel dengan FEM mempunyai kelebihan

diantarnya tidak perlu mengasumsikan bahwa komponen error tidak berkorelasi
dengan variabel bebas yang mungkin sulit dipahami. Sehingga, hasil uji tentang
autokolerasi dapat diabaikan (Nachrowi, 2006).
c. Pengujian Asumsi Normalitas
Uji asumsi normalitas dilakukan untuk melihat apakah residual mengikuti
distribusi normal. Uji normalitas data residual dengan metode Kolmogorov-Smirnov.
Adapun hipotesis yang digunakan adalah sebagai berikut.
H0 : Residual mengikuti distribusi normal
H1 : Residual tidak mengikuti distribusi normal

Gambar 3 Plot Residual

Berdasarkan Gambar 3 dapat diketahui bahwa uji asumsi normal memiliki nilai
P-value sebesar 0.123 lebih besar daripada α = 0,05 sehingga tidak tolak H0. Artinya
residual telah memenuhi asumsi distribusi normal.
Semua asumsi residual dari model regresi panel dengan pendekatan FEM cross
section weight meliputi asumsi identik, independen dan berdistribusi normal telah
terpenuhi. Sehingga model dapat dikatakan layak untuk mengestimasi regresi panel
pada data Tingkat Pengangguran Terbuka di Indonesia.

SIMPULAN DAN SARAN

Simpulan
Tingkat Pengangguran Terbuka (TPT) relatif fluktuatif dalam periode tahun
2006 hingga 2014. Tahun 2014, TPT mengalami peningkatan mencapai 7 persen dari
 18

tahun sebelumnya. TPT tertinggi Provinsi Jambi sebesar 13.08 persen. Variabel yang
diduga berpengaruh terhadap TPT fluktiatif tiap tahunnya. Laju Pertumbuhan
Penduduk cenderung meningkat dengan rata-rata 1.78 persen, Angka Melek Huruf
dengan 92.80 persen, Angka Partisipasi Kasar SMA/Sederajat dengan 66.64 persen,
Laju kenaikan Upah Minimum Provinsi sebesar 0.13 persen dan Laju kenaikan PDRB
sebesar 5.99 persen.
Berdasarkan hasil analisis, model regresi data panel yang terbaik untuk
menggambarkan persentase kemiskinan yang ada di Pulau Jawa adalah model regresi
data panel melalui pendekatan FEM cross section weight, dengan nilai R2 sebesar 86.6
persen. Dari lima variabel yang dilakukan analisis, diperoleh tiga variabel yang
berpengaruh signifikan terhadap Tingkat Pengangguran Terbuka pada taraf nyata 0.05,
yaitu Laju Pertumbuhan Penduduk (X1), Angka Melek Huruf (X2) dan Angka
Partisipasi Kasar (APK) SMA/Sederajat (X3). Model terbaik yang didapat adalah
sebagai berikut:
𝑦̂𝑖𝑡 = 20.799 + 𝛼𝑖 + 0.358 𝑋1𝑖𝑡 − 0.046 𝑋2𝑖𝑡 − 0.157 𝑋3𝑖𝑡
Jika Laju Pertumbuhan Penduduk meningkat sebesar 1 persen, maka nilai TPT di
Indonesia meningkat sebesar 0.358 persen. Selanjutnya, jika Angka Melek Huruf
meningkat sebesar 1 persen, maka nilai TPT di Indonesia menurun sebesar 0.046
persen dan semakin tinggi Angka Partisipasi Kasar SMA/Sederajat, maka nilai TPT
akan semakin rendah. Jika Angka Partisipasi Kasar SMA meningkat sebesar 1 persen,
maka nilai TPT di Indonesia menurun sebesar 0.157 persen.

Saran
Pemerintah dapat mengurangi tingginya angka Tingkat Pengangguran Terbuka
dengan memperhatikan faktor-faktor yang berpengaruh terhadap TPT di Indonesia
berdasarkan hasil analisis yang telah dilakukan, yaitu dalam menekan Laju
Pertumbuhan Penduduk, dan meningkatkan kualitas pendidikan dalam meningkatkan
Angka Melek Huruf dan Angka Partisipasi Kasar (APK) SMA/Sederajat. Saran yang
diberikan untuk penelitian selanjutnya adalah sebaiknya menambah variabel yang
diduga berpengaruh dengan teori yang sesuai serta periode waktu yang ditambah dari
penelitian ini.
 19

DAFTAR PUSTAKA

Baltagi, B. H. 2005. Econometric Analysis of Panel Data (3rd ed.). England: John
Wiley & Sons, Ltd.
Bhattacarya, G.K. dan Johnson, R.A. 1977. Statistical Concepts and Methods. John
Wiley & Sons, New York
Badan Pusat Statistik. 2019. Tingkat Pengangguran Terbuka (TPT) Menurut Provinsi,
2002-2014. Jakarta (ID): Badan Pusat Statistik.
Draper, N. R., & Smith, H. 1992. Analisis Regresi Terapan. Jakarta : PT. Gramedia
Pustaka Utama.
Greene, W.H. 2000. Econometric Analysis 6th Edition. New Jersey: Prentice Hall.
Gujarati, D. 2004. Basic Econometrics, Fourth Edition. New York: Mc Grow Hill.
Hafiizh P, Neza. 2015. Analisis Pengaruh Investasi, Inflasi, pertumbuhan Ekonomi dan
Jumlah penduduk Terhadap Tingkat Pengangguran Terbuka di Provinsi NTB :
Skripsi Program Sarjana Ilmu Ekomi Universitas Brawijaya
Mankiw, N. G. 2000. Teori Makro Ekonomi. Jakarta: Penerbit Erlangga.
Nachrowi D., Nachrowi dan Hardius Usman, 2006. Pendekatan Populer dan Praktis
Ekonometrika untuk Analisis Ekonomi dan Keuangan. Jakarta: Fakultas
Ekonomi Universitas Indonesia.
Prasanti, Tyas Ayu. 2015. Aplikasi Regresi Data Panel Untuk Pemodelan Tingkat
Pengangguran Terbuka Kabupaten/Kota di Provinsi Jawa Tengah : Skripsi
Program Sarjana Statistika Universitas Diponegoro
Simanjuntak. 1998. Pengantar Ekonomi Sumber Daya Manusia. Jakarta: Lembaga
Penerbit Fakultas Ekonomi Universitas Indonesia.
Siregar, M. Arifin. 1982. Sumber Daya Manusia, Kesempatan Kerja dan
Pembangunan Ekonomi. Jakarta: Lembaga penerbit Fakultas Ekonomi UI.
Sukirno, Sadono. 1994. Pengantar Teori Ekonomi. Jakarta: PT. Raja Grafindo Persada.
Widarjono A. 2007. Ekonometrika Teori dan Aplikasi. Yogyakarta (ID): Ekonisia FE
UII.
 20

LAMPIRAN

Lampiran 1. Tabel Struktur Data Panel

No Tahun Provinsi Y X1 X2 X3 X4 X5
1 2006 Nanggroe Aceh Darussalam 10,43 0,60 92,93 73,70 0,32 1,56
1 2007 Nanggroe Aceh Darussalam 9,84 1,04 92,86 81,81 0,04 -2,36
1 2008 Nanggroe Aceh Darussalam 9,56 1,12 95,94 78,19 0,18 -5,24
1 2009 Nanggroe Aceh Darussalam 8,71 1,17 96,39 82,84 0,20 -5,51
1 2010 Nanggroe Aceh Darussalam 8,37 2,36 96,88 80,96 0,08 2,74
1 2011 Nanggroe Aceh Darussalam 7,43 0,02 95,84 79,29 0,04 4,84
1 2012 Nanggroe Aceh Darussalam 9,06 0,02 96,11 77,62 0,04 5,14
1 2013 Nanggroe Aceh Darussalam 10,12 2,08 96,66 75,09 0,11 4,18
1 2014 Nanggroe Aceh Darussalam 9,02 2,06 97,42 81,53 0,13 1,65
2 2006 Sumatera Utara 11,51 1,38 90,46 68,78 0,23 6,20
2 2007 Sumatera Utara 10,10 1,40 90,51 71,45 0,03 6,90
        
2 2014 Sumatera Utara 7,43 1,10 97,32 72,69 0,07 6,42
        
33 2013 Papua Barat 3,15 2,01 95,59 53,48 0,13 14,84
33 2014 Papua Barat 3,44 1,99 96,75 61,53 0,09 5,38

Lampiran 2. Model Common Effect Model

Dependent Variable: Y?
Method: Pooled Least Squares
Date: 05/20/16 Time: 03:28
Sample: 2006 2014
Included observations: 9
Cross-sections included: 33
Total pool (balanced) observations: 297

Variable Coefficient Std. Error t-Statistic Prob.

X1? 0.471996 0.210361 2.243742 0.0256

X2? 0.041595 0.027404 1.517867 0.1301
X3? -0.019526 0.016066 -1.215368 0.2252
X4? 0.813088 2.371464 0.342863 0.7319
X5? -0.053074 0.050886 -1.043004 0.2978
C 3.576283 2.714916 1.317272 0.1888

R-squared 0.029888 Mean dependent var 6.763636

Adjusted R-squared 0.013220 S.D. dependent var 2.916335
 21

S.E. of regression 2.896994 Akaike info criterion 4.985220

Sum squared resid 2442.240 Schwarz criterion 5.059841
Log likelihood -734.3051 Hannan-Quinn criter. 5.015093
F-statistic 1.793101 Durbin-Watson stat 0.134374
Prob(F-statistic) 0.114135

Dependent Variable: Y?
Method: Pooled Least Squares
Date: 05/20/16 Time: 03:33
Sample: 2006 2014
Included observations: 9
Cross-sections included: 33
Total pool (balanced) observations: 297

Variable Coefficient Std. Error t-Statistic Prob.

X1? 0.476532 0.209874 2.270558 0.0239

X2? 0.047520 0.026808 1.772619 0.0773
X3? -0.019709 0.016023 -1.230038 0.2197
C 2.815515 2.570129 1.095476 0.2742

R-squared 0.025510 Mean dependent var 6.763636

Adjusted R-squared 0.015532 S.D. dependent var 2.916335
S.E. of regression 2.893598 Akaike info criterion 4.976255
Sum squared resid 2453.263 Schwarz criterion 5.026002
Log likelihood -734.9739 Hannan-Quinn criter. 4.996171
F-statistic 2.556677 Durbin-Watson stat 0.134542
Prob(F-statistic) 0.055433

Lampiran 3. Model Fixed Effect Model

Dependent Variable: Y?
Method: Pooled Least Squares
Date: 05/20/16 Time: 03:29
Sample: 2006 2014
Included observations: 9
Cross-sections included: 33
Total pool (balanced) observations: 297

Variable Coefficient Std. Error t-Statistic Prob.

X1? 0.518978 0.188668 2.750740 0.0064

X2? -0.050483 0.022437 -2.249993 0.0253
X3? -0.168321 0.011528 -14.60139 0.0000
X4? 2.015919 1.008768 1.998396 0.0467
X5? -0.013227 0.025641 -0.515867 0.6064
C 21.53551 2.003102 10.75108 0.0000
Fixed Effects (Cross)
_1--C 4.669679
 22

_2--C 3.120520
_3--C 2.619186
_4--C 0.796815
_5--C -2.065265
_6--C -0.446752
_7--C -1.837240
_8--C -1.147572
_9--C -2.610522
_10--C 1.454312
_11--C 5.164804
_12--C 2.572104
_13--C -0.060200
_14--C 0.994113
_15--C -1.280929
_16--C 4.816599
_17--C -1.521903
_18--C -1.266371
_19--C -5.292047
_20--C -3.480154
_21--C -3.918224
_22--C -2.548294
_23--C 4.687022
_24--C 4.861105
_25--C -1.102079
_26--C 1.666619
_27--C -1.438583
_28--C -2.738569
_29--C -4.615628
_30--C 6.532517
_31--C 0.396553
_32--C -1.062285
_33--C -5.919332

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.854925 Mean dependent var 6.763636

Adjusted R-squared 0.834200 S.D. dependent var 2.916335
S.E. of regression 1.187489 Akaike info criterion 3.300547
Sum squared resid 365.2235 Schwarz criterion 3.773145
Log likelihood -452.1312 Hannan-Quinn criter. 3.489745
F-statistic 41.25096 Durbin-Watson stat 1.139939
Prob(F-statistic) 0.000000

Dependent Variable: Y?
Method: Pooled EGLS (Cross-section weights)
Date: 05/20/16 Time: 03:35
Sample: 2006 2014
Included observations: 9
Cross-sections included: 33
Total pool (balanced) observations: 297
 23

Linear estimation after one-step weighting matrix

Variable Coefficient Std. Error t-Statistic Prob.

X1? 0.357781 0.172876 2.069584 0.0395

X2? -0.045672 0.018345 -2.489614 0.0134
X3? -0.156989 0.009470 -16.57757 0.0000
C 20.79969 1.641452 12.67152 0.0000
Fixed Effects (Cross)
_1--C 4.557102
_2--C 2.892774
_3--C 2.455643
_4--C 0.987774
_5--C -2.035936
_6--C -0.367907
_7--C -1.896075
_8--C -1.139265
_9--C -2.409911
_10--C 1.712749
_11--C 5.051207
_12--C 2.612233
_13--C -0.259221
_14--C 0.710689
_15--C -1.416617
_16--C 4.935918
_17--C -1.708702
_18--C -1.298441
_19--C -5.155656
_20--C -3.437506
_21--C -3.846332
_22--C -2.430807
_23--C 4.797063
_24--C 4.668528
_25--C -1.196622
_26--C 1.590675
_27--C -1.453120
_28--C -2.635245
_29--C -4.570055
_30--C 6.313518
_31--C 0.380635
_32--C -0.869240
_33--C -5.539852

Effects Specification

Cross-section fixed (dummy variables)

Weighted Statistics

R-squared 0.866896 Mean dependent var 7.401767

Adjusted R-squared 0.849047 S.D. dependent var 3.349173
S.E. of regression 1.188241 Sum squared resid 368.5101
F-statistic 48.56776 Durbin-Watson stat 1.231101
Prob(F-statistic) 0.000000
 24

Unweighted Statistics

R-squared 0.851305 Mean dependent var 6.763636

Sum squared resid 374.3383 Durbin-Watson stat 1.053788

Lampiran 4. Model Random Effect Model

Dependent Variable: Y?
Method: Pooled EGLS (Cross-section random effects)
Date: 05/20/16 Time: 03:29
Sample: 2006 2014
Included observations: 9
Cross-sections included: 33
Total pool (balanced) observations: 297
Swamy and Arora estimator of component variances

Variable Coefficient Std. Error t-Statistic Prob.

X1? 0.513058 0.179802 2.853463 0.0046

X2? -0.043221 0.021522 -2.008201 0.0455
X3? -0.158336 0.011208 -14.12737 0.0000
X4? 1.964092 1.007028 1.950385 0.0521
X5? -0.018307 0.025427 -0.719970 0.4721
C 20.24555 1.980567 10.22210 0.0000
Random Effects (Cross)
_1--C 4.377797
_2--C 2.929610
_3--C 2.460996
_4--C 0.704392
_5--C -1.999786
_6--C -0.416667
_7--C -1.830824
_8--C -1.074718
_9--C -2.504544
_10--C 1.331260
_11--C 4.948520
_12--C 2.581096
_13--C -0.042279
_14--C 0.814749
_15--C -1.229258
_16--C 4.773998
_17--C -1.585010
_18--C -1.156928
_19--C -5.025537
_20--C -3.248971
_21--C -3.754791
_22--C -2.407246
_23--C 4.435205
_24--C 4.637933
_25--C -1.066367
_26--C 1.613488
_27--C -1.367661
 25

_28--C -2.554950
_29--C -4.376752
_30--C 6.174364
_31--C 0.296514
_32--C -0.832615
_33--C -5.605022

Effects Specification
S.D. Rho

Cross-section random 2.406494 0.8042

Idiosyncratic random 1.187489 0.1958

Weighted Statistics

R-squared 0.459016 Mean dependent var 1.097759

Adjusted R-squared 0.449721 S.D. dependent var 1.665852
S.E. of regression 1.235742 Sum squared resid 444.3743
F-statistic 49.38169 Durbin-Watson stat 0.894049
Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared -0.312894 Mean dependent var 6.763636

Sum squared resid 3305.189 Durbin-Watson stat 0.120203

Dependent Variable: Y?
Method: Pooled EGLS (Cross-section random effects)
Date: 05/20/16 Time: 03:34
Sample: 2006 2014
Included observations: 9
Cross-sections included: 33
Total pool (balanced) observations: 297
Swamy and Arora estimator of component variances

Variable Coefficient Std. Error t-Statistic Prob.

X1? 0.476111 0.179420 2.653615 0.0084

X2? -0.047705 0.021477 -2.221202 0.0271
X3? -0.156179 0.011203 -13.94120 0.0000
C 20.72398 1.963451 10.55488 0.0000
Random Effects (Cross)
_1--C 4.442936
_2--C 2.867075
_3--C 2.436419
_4--C 0.816693
_5--C -1.977720
_6--C -0.334862
_7--C -1.803344
_8--C -1.029732
_9--C -2.425628
_10--C 1.402707
 26

_11--C 4.986585
_12--C 2.573014
_13--C -0.113249
_14--C 0.737938
_15--C -1.268095
_16--C 4.732720
_17--C -1.635294
_18--C -1.204209
_19--C -5.033333
_20--C -3.242651
_21--C -3.692692
_22--C -2.349619
_23--C 4.537777
_24--C 4.606310
_25--C -1.132835
_26--C 1.626539
_27--C -1.441887
_28--C -2.574087
_29--C -4.435826
_30--C 6.139854
_31--C 0.314532
_32--C -1.027939
_33--C -5.498095

Effects Specification
S.D. Rho

Cross-section random 2.357921 0.7960

Idiosyncratic random 1.193598 0.2040

Weighted Statistics

R-squared 0.447405 Mean dependent var 1.125360

Adjusted R-squared 0.441747 S.D. dependent var 1.668219
S.E. of regression 1.246432 Sum squared resid 455.2029
F-statistic 79.07512 Durbin-Watson stat 0.871643
Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared -0.317433 Mean dependent var 6.763636

Sum squared resid 3316.616 Durbin-Watson stat 0.119632
 27

Lampiran 5. Hasil Uji Chow

Redundant Fixed Effects Tests

Pool: DATAPANEL
Test cross-section fixed effects

Effects Test Statistic d.f. Prob.

Cross-section F 45.655626 (32,261) 0.0000

Cross-section Chi-square 560.352773 32 0.0000

Lampiran 6. Hasil Uji Hausman

Correlated Random Effects - Hausman Test

Pool: DATAPANEL
Test cross-section random effects

Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.

Cross-section random 29.513367 3 0.0000