KAJIAN PUSTAKA
Pengangguran
a. Definisi Pengangguran
adalah suatu keadaan dimana seseorang yang termasuk dalam angkatan kerja
adalah penduduk yang tidak bekerja namun sedang mencari pekerjaan atau sedang
mempersiapkan suatu usaha baru atau penduduk yang tidak mencari pekerjaan
b. Teori-Teori Pengangguran
Indonesia yaitu :
1. Teori Klasik
11
penawaran. Menurut pandangan klasik, pengangguran terjadi karena mis-
2. Teori Keynes
6, 7, 8, dan seterusnya).
12
persediaan makanan, dalam hal ini menimbulkan manusia saling bersaing
makanan, dengan persaingan ini maka akan ada sebagian manusia yang
akan menghasilkan tenaga kerja yang semakin banyak pula, namun hal ini
tidak mampu beroperasi lagi, maka para pekerja yang semula bekerja
2006).
13
c. Ciri-Ciri Pengangguran
empat kelompok:
1. Pengangguran Terbuka
tidak dapat memperoleh pekerjaan. Efek dari keadaan ini di dalam suatu
pekerjaan. Jadi mereka menganggur secara nyata dan separuh waktu, dan
dapat pula sebagai akibat dari kegiatan ekonomi yang menurun, dari
14
2. Pengangguran Tersembunyi
kerja yang digunakan tergantung pada banyak faktor. Faktor yang perlu
contohnya ialah pelayan restoran yang lebih banyak dari yang diperlukan
3. Pengangguran Musiman
perikanan. Pada musim hujan penyadap karet dan nelayan tidak dapat
itu pada umumnya para petani tidak begitu aktif di antara waktu sesudah
penyadap karet, nelayan dan petani tidak melakukan pekerjaan lain maka
15
4. Setengah Menganggur
pesat. Sebagai akibatnya tidak semua orang yang pindah ke kota dapat
menganggur, tetapi tidak pula bekerja sepenuh waktu, dan jam kerja
mereka adalah jauh lebih rendah dari yang normal. Mereka mungkin hanya
bekerja satu hingga dua hari seminggu, atau satu hingga empat jam sehari.
16
Secara sederhana pengklasifikasian penduduk yang menganggur dapat dilihat
berdasarkan diagram ketenagakerjaan oleh Badan Pusat Statistik sebagai berikut :
17
angkatan kerja yang tidak terserap dalam pasar tenaga kerja. TPT dapat
JP
TPT = X 100 % (1)
AK
Keterangan :
TPT :Tingkat Pengangguran Terbuka
P : Jumlah Pengangguran
AK : Jumlah Angkatan Kerja
Sektor Pariwisata
a. Definisi Pariwisata
Badan Pusat Statistik (2019) yang mengacu pada definisi UNWTO, pariwisata
merujuk pada kegiatan berpergian ke suatu tempat atau pergi menginap di tempat
lainnya.
wisata dan didukung berbagai fasilitas serta layanan yang disediakan oleh
adalah kegiatan perjalanan yang dilakukan oleh seseorang atau sekelompok orang
18
dengan mengunjungi tempat tertentu untuk tujuan rekreasi, pengembangan
pribadi, atau mempelajari keunikan daya tarik wisata yang dikunjungi dalam
orang untuk sementara dan dalam jangka waktu pendek ke tujuan-tujuan diluar
tempat dimana mereka biasa hidup dan bekerja dan juga kegiatan-kegiatan mereka
berasal dari dua kata yaitu Pari dan Wisata. Pari dapat diartikan sebagai banyak,
sebagi perjalanan atau bepergian yang dalam hal ini sinonim dengan kata “travel”
dalam bahasa Inggris. Atas dasar itu maka kata “pariwisata” dapat juga diartikan
tempat ketempat yang lain yang dalam bahasa Inggris disebut juga dengan istilah
“Tour”.
Konsep dan definisi yang telah dikemukakan oleh para ahli dan beberapa
instansi merujuk pada satu kesamaan yaitu aktifitas berpergian atau melakukan
rekreasi.
Terbuka
19
seseorang yang melakukan wisata. Sementara wisata sendiri merupakan
jalan wisata yang sudah umum melainkan mencari hal yang tidak
environmental bubble.
20
Wisatawan Mancanegara Definisi wisatawan ini ditetapkan
catatan bermalam.
21
lingkungan sehari-hari meski tidak mengunjungi objek wisata dan
ditingkatkan, maka harus menjaga agar permintaan akan barang / jasa yang
dalam hal ini adalah permintaan akan hospitality melalui jumlah tamu
22
Berdasarkan definisi BPS, Tingkat Penghunian Kamar (TPK)
sebagai berikut :
tenaga kerja, hal ini dapat dijelaskan karena semakin banyak wisatawan
semakin tinggi pula, sehingga pemilik hotel akan menambah tenaga kerja
penghunian kamar maka semakin baik kualitas dari suatu hotel, hal ini
kamar maka semakin tinggi pula penyerapan tenaga kerja, yang mana akan
semakin tinggi dan stabil tingkat hunian kamar dari tahun ke tahun, maka
semakin baik kinerja suatu perhotelan. Kinerja dari sektor perhotelan ini
23
tak terlepas dari faktor input yang sangat berperan yaitu tenaga kerja,
terhadap pengunjung yang menghuni kamar hotel. Oleh karena itu hotel
tenaga kerja di suatu hotel dan secara otomatis tingkat pengangguran akan
menurun.
pramuwisma dan sering kali termasuk beberapa tambahan jasa dan fasilitas
24
Semakin tinggi usaha akomodasi hotel maka akan dibutuhkan
sebagainya maka jumlah tenaga kerja yang diserap akan semakin banyak
bersifat padat karya (Spillane, 2002). Menurut Aryadi (2019) bahwa untuk
kerja yang diminta oleh suatu lapangan pekerjaan akan semakin meningkat
menjalankan hotel tersebut dengan baik dan hal ini akan meningkatkan
25
penyerapan tenaga kerja yang berarti menurunkan tingkat pengangguran
perusahaan baru maupun untuk memperluas usaha yang telah ada pada
26
rendahnya pertumbuhan ekonomi, mencerminkan marak lesunya
input yang salah satunya adalah tenaga kerja, sehingga akan berpengaruh
pada penyerapan tenaga kerja yang semakin tinggi, dimana pada akhirnya
27
Metode analisis data yang digunakan untuk melihat pengaruh variabel
periode waktu tertentu adalah analisis regresi data panel. Gujarati (2004:28)
menyebutkan bahwa data panel merupakan gabungan antara data runtut waktu
(time series) dan data silang (cross section). Data time series merupakan data yang
terdiri atas satu atau lebih variabel yang akan diamati pada satu unit observasi
dalam kurun waktu tertentu. Sedangkan data cross section merupakan data
observasi dari beberapa unit observasi dalam satu titik waktu. Pemilihan data
tahun dan juga banyak perusahaan. Pertama penggunaan data time series
dimaksudkan karena dalam penelitian ini menggunakan rentang waktu lima tahun
yaitu dari tahun 2015-2019. Kemudian penggunaan cross section itu sendiri
karena penelitian ini mengambil data dari beberapa provinsi yang terdiri dari 33
provinsi di Indonesia.
3. Data panel mendasarkan diri pada observasi yang bersifat cross section
28
4. Data panel memiliki implikasi pada data yang lebih informatif, lebih
6. Data panel dapat mendeteksi lebih baik dan mengukur dampak yang
cross section.
Kesulitan utama dalam model penelitian data panel adalah faktor pengganggu
observasi runtun waktu (time series) dan antar unit obeservasi (cross section),
Secara umum persamaan model dasar yang digunakan dalam regresi data panel
Keterangan :
β0 = nilai intercept
29
Terdapat tiga model yang dapat digunakan untuk melakukan regresi data panel.
Ketiga model tersebut adalah Pooled OLS/ Common Effect, Fixed Effect dan
Random Effect.
Keterangan :
β0 = nilai intercept
30
Model ini mengasumsikan bahwa perbedaan antar individu dapat
karena itu, untuk mengestimasi data panel model fixed effect menggunakan
Keterangan :
βk = koefisien regresi
bisa terjadi antar individu dan antar waktu. Perbedaan tersebut dapat
(LSDV).
31
Y ¿ =α 0+ α 1 D1 i+ α 2 D 2 i+ …+α i D ¿ + β1 X 1¿+β 2 X 2¿+… + β X kit +u¿ ¿ ¿
k
(6)
Nilai dari variabel dummy antar individu ditunjukkan dalam DNi yang akan
Y ¿ =❑0 +❑1 Dum(t −1 )1 +❑2 Dum(t −1)2+ …+❑(t −1) Dum (t−1 )T + β 1 X 1¿+ β 2 X2¿+ …+ β X kit + u¿ ¿ ¿
k
(7)
Nilai dari variabel dummy antar waktu ditunjukkan dalam Dum( t−1) T yang
Apabila terjadi perbedaan intercept antar individu dan juga waktu, maka
Y ¿ =α 0+ α 1 D1 i+ α 2 D2 i+ …+α i D¿ +❑0+❑1 Dum(t−1)1 +❑2 Dum(t−1)2 +…+❑(t −1) Dum( t−1) T + β 1 X 1¿+β 2 X
(8)
metode estimasi yang digunakan dalam Fixed Effect Model adalah sebagai
berikut (Ekananda,2006) :
32
c) Seemingly Unrelated Regression (SUR), jika struktur matriks
dengan fixed effect model terletak pada perlakuan terhadap intercept. Pada
model Fixed Effect setiap unit cross section memiliki nilai intercept
tersendiri dan bersifat tetap (fixed), sementara pada Random Effect Model
berikut
β 0 i=β 0 +ε i (10)
dengan i=1 , … , n
ε imerupakan random error term dengan rata-rata nol dan varians σ 2u.
33
w ¿=ε i +u¿ (11)
residual gabungan antara cross section dan time series. Asumsi yang harus
2
u¿ N (0 , σ u)
E ( ε i u¿ )=0 E ( ε i ε j ) =0(i ≠ j)
selanjutnya akan dipilih model terbaik yang sesuai dengan kasusnya. Pemilihan
model dapat dilakukan dengan beberapa pengujian yaitu uji Chow untuk memilih
antara CEM dan FEM, kemudian uji Hausman yang digunakan untuk memilih
antara FEM dan REM, serta uji Breusch-Pagan Lagrange Multiplier untuk
1. Uji Chow
Uji ini dilakukan untuk menguji antara model common effect dan
Hipotesis :
fixed effect)
34
Statistik Uji :
RRSS−URSS
( )
n−1
F hitung = F(n−1 ,nT−n−k ) (12)
URSS
nT −n−k
Keterangan :
LSDV)
- Jika nilai Fhitung > F(n−1 ,nT −n−k) artinya H0 ditolak; maka digunakan
- Jika nilai Fhitung ≤ F(n−1 ,nT −n−k) artinya H0 diterima; maka digunakan
2. Uji Hausman
(Greene,2012:419).
Hipotesis :
35
H0 : E ( u¿ ∨X ¿ )=0 ( tidak ada korelasi antara residual dengan variabel
(13)
Keterangan :
^β
REM = matriks estimasi varians-kovarians slope pada REM (GLS)
Hipotesis :
2
H0 : σ u=0 (varians residual cross section = 0 , maka digunakan model
common effect)
36
H1 : σ 2u ≠ 0 (varians residual cross section ≠ 0 , maka digunakan model
random effect)
Statistik Uji :
nT
BPLM= ¿¿ (14)
2 (T −1 )
Keterangan :
dilakukan perbaikan model agar mendapatkan estimasi yang bersifat Best Linear
37
Untuk mengetahui struktur matriks varians-kovarians residual yang
Hipotesis :
homoskedastik)
Statistik Uji :
[ ]
2 2
T
n
σ^ i
LM = ∑ 2 −1
2
χ (n−1) (15)
2 i=1 σ^
Keterangan :
σ^
2
: varians residual persamaan system pada kondisi homoskedastik
38
b. Estimator Struktur Heteroskedastik tanpa Cross Sectional Correlation atau
sebagai berikut:
Hipotesis :
Statistik Uji :
n i−1
❑LM =T ∑ ∑ r ij χ
2 2
n (n−1 ) (16)
i=2 j=1 ( )
2
Keterangan :
2
r ij : residual correlation coefficient ke-ij
39
estimasi Feasible Generalized Least Square (FGLS) dengan
dilakukan pengujian asumsi klasik yang meliputi uji asumsi normalitas, uji
dilakukan agar estimasi yang dihasilkan bersifat Best Linear Unbiased Estimator
(BLUE).
- Uji Normalitas
atau tidak. Hal ini ditunjukkan dengan melihat apakah residual memiliki
40
Hipotesis nol akan ditolak apabila probabilitas dari nilai statistik ujinya
(Jarque, 2011:701) :
( )
2
NT 2 ( Kur −3 ) 2
JB= W + χ (2) (17)
6 4
sebagai berikut:
2
Jika nilai JB > χ (2) maka residual tidak berdistribusi normal
2
Jika nilai JB ≤ χ (2) maka residual berdistribusi normal
- Uji non-multikolinieritas
Selain itu juga koefisien determinasi (R2) akan bernilai tinggi dan uji F
dengan beberapa cara, yaitu yang pertama dengan melihat korelasi antar
independen tinggi dalam hal ini diatas 0,8 maka diduga terdapat
41
multikolinearitas yang cukup kuat (Gujarati, 2004:362). Cara berikutnya
yang lebih formal yaitu dengan melihat nilai Variance Inflation Factor
1 1
VIF= = (18)
tolerance 1−R 2k
Keterangan :
2
Rk : Koefisien determinasi variabel ke-k ; dengan k = 1,2,…,K
Multikolinearitas kuat terjadi apabila nilai VIF didapatkan lebih besar dari
sepuluh (Gujarati,2004:362)
- Uji Homoskedastisitas
- Uji non-autokorelasi
korelasi antara residual yang satu dengan lainnya pada pengamatan yang
berbeda waktu atau individu. Apabila asumsi ini tidak terpenuhi maka
42
F simultan dan uji t parsial menghasilkan kesimpulan yang tidak benar
Hipotesis :
autokorelasi)
Statistik Uji :
N T
∑ ∑ (^u¿ , u^ ¿−1)2
i=1 t =2
d= N T (19)
∑ ∑ u^ ¿
2
i=1 t =1
Keterangan :
batas atas (DU) dan nilai batas bawah (D L) pada tabel Durbin-Watson
43
Tabel 1. Tabel keputusan uji Durbin-Watson
Nilai d Keputusan
(1) (2)
adalah mengetahui seberapa baik dan berarti model yang terbentuk, untuk
2
R=
∑ (Y^ −Y )2 = ESS =(1− RSS )=(1− ∑ u^i2 ) (20)
∑ (Y i−Y )2 TSS TSS ∑ ( Y i −Y )2
Keterangan :
Regression
44
Terdapat pula adjusted R2 yang merupakan koefisien determinasi yang
2 2 nT−1
Adjusted R =1−(1−R ) (21)
nT −k−1
2 2 nT −1
Adjusted R =1−(1−R ) (22)
nT −n−k
Criterion (SIC)
Nilai AIC dan SIC merupakan salah satu kriteria untuk mengetahui
baiknya suatu model selain dari nilai koefisien determinasi (R2 atau adjusted
R2 ) yang tinggi mendekati 1. Nilai AIC dan SIC memiliki kelebihan khusus
dibandingkan dengan adjusted R2, yaitu mampu untuk melihat model dengan
jumlah variabel independen yang banyak atau model yang kompleks. Menurut
Gujarati (2004:531) sebuah model dikatakan baik apabila memiliki nilai AIC
dan SIC yang kecil, berikut merupakan persamaan AIC dan SIC (Gujarati,
2004:537-538) :
2k
RSS
AIC=e n
(23)
n
k
RSS
SIC=n n
(24)
n
Keterangan :
45
RSS : Residual Sum of Square
n : jumlah observasi
Hipotesis :
H0 : β 1=β 2=..=β k =0
Statistik uji :
ESS/(k−1) R2 /( k−1)
F Hitung= = F (25)
RSS/( nT −k −1) (1−R 2)/( nT −k −1) (k−1);(nT−k−1)
berikut :
- Jika nilai Fhitung > F (n+ k−1 ); (nT−n−k ) artinya H0 ditolak; maka terdapat
- Jika nilai Fhitung ≤ F (n+ k−1 ); (nT −n−k ) artinya H0 gagal ditolak; maka
46
Uji Koefisien Regresi Parsial
Hipotesis :
dependen)
dependen)
Atau
dependen)
dependen)
Statistik uji :
^β k
t Hitung = t (nT −k−1) (27)
s e ( ^β k )
47
^β k
t Hitung= t (nT−n− k ) (28)
se( ^βk )
Keterangan :
Pedoman dalam mengambil kesimpulan dari uji parsial adalah sebagai berikut:
- Jika nilai thitung >t (nT −n−k )(positif) atau thitung < −t (nT −n −k ) (negatif)
dependen.
variabel dependen.
Untuk nilai p-value satu arah dengan pengaruh negatif dapat dilihat
yang mana dalam kasus ini pengaruh positif terhadap penyerapan tenaga kerja
48
Pengangguran Terbuka, artinya semakin tinggi tenaga kerja yang diserap maka
domestik dan mancanegara di hotel, jumlah hotel dan kamar, serta jumlah UMK
dengan regresi data panel menunjukkan pengaruh positif dan signifikan terhadap
2015. Hasil yang sama didapatkan dalam penelitian Tulumang, George, dan
Imelda (2019) menggunakan variabel tingkat upah, jumlah kamar hotel, jumlah
terhadap penyerapan tenaga kerja di kota Manado. Hal ini sejalan dengan
penelitian yang dilakukan oleh Pavlic, Tolic dan Svilokos (2015) menggunakan
variabel PDB, nilai tukar riil, jumlah wisatawan di hotel, GFCF (Gross Fixed
Mojokerto. Hal ini dapat dijelaskan dalam penelitian Maulana (2016) kunjungan
karena apabila permintaan barang/jasa dalam hal ini hospitality dari wisatawan,
maka itu akan memengaruhi dan meningkatkan penyerapan tenaga kerjanya juga.
49
semakin tinggi penyerapan tenaga kerjanya yang otomatis menurunkan tingkat
pengangguran.
menggunakan variabel jumlah hotel dan restoran, jumlah objek wisata, jumlah
negara – negara kaya dan Afrika Selatan. Dengan adanya efek tersebut
Kerja, dan Tingkat Upah dengan metode regresi berganda menunjukkan ketiga
kerja di Kota Batu, dijelaskan pula bahwa semakin tinggi nilai tingkat hunian
kamar hotel maka penyerapan tenaga kerja yang terserap bisa bertambah juga.
Hasil yang sama juga didapatkan dalam penelitian Octarisza (2018) menggunakan
variabel TPKH, UMP, dan Wisatawan yang menginap di hotel dengan analisis
kerja di Jawa Tengah tahun 1987-2016. Hal tersebut dijelaskan dengaan adanya
jumlah wisatawan yang tinggi diharapkan dapat mendorong para pengusaha untuk
50
melihat bahwa ada peluang usaha yang menjanjikan pada sektor perhotelan.
Selain itu, dengan adanya tingkat hunian kamar hotel meningkat dan penyerapan
menunjukkan simulasi penanaman modal atau investasi sebesar Rp. 100 Miliar
perekonomian provinsi Banten sebesar Rp.21,57 Miliar, selain itu juga menyerap
tenaga kerja di seluruh sektor perekonomian sebesar 1.136 orang. Hasil ini
didukung oleh penelitian Arli (2018) dengan menggunakan variabel jumlah objek
wisata, jumlah wisatawan, jumlah hotel, tingkat investasi dan jumlah PDRB
dianalisis dengan regresi data panel menunjukkan bahwa ke lima variabel tersebut
investasi pariwisata yang di analisis dengan metode data panel, serta lokus
51
2.3 Kerangka Pikir
penelitian Pavlic, Tolic, dan Svilokos (2015) yang menggunakan salah satunya
variabel jumlah tamu hotel, kemudian Mbaiwa (2011) dengan variabel jumlah
TINGKAT PENGHUNIAN
KAMAR HOTEL
TINGKAT
PENGANGGURAN
TERBUKA
INVESTASI PARIWISATA
(HOTEL DAN RESTORAN)
JUMLAH TAMU
BERPENGARUH
MENGINAP DI HOTEL
NEGATIF
52
2.4 Hipotesis Penelitian
53