SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2019
ABSTRAK
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.
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
DAFTAR GAMBAR
DAFTAR LAMPIRAN
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
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).
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.
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
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.
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 (%)
Analisis Deskriptif
Statistika Deskriptif digunakan untuk melihat gambaran umum dari data yang
digunakan. Adapun hasil analisis dijelaskan sebagai berikut.
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
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
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.
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.
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
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.
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
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
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
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
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
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
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
_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
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
Effects Specification
Weighted Statistics
Unweighted Statistics
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
_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
Weighted Statistics
Unweighted Statistics
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
_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
Weighted Statistics
Unweighted Statistics
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.