Mikro Mankiw Bab1 180723
Mikro Mankiw Bab1 180723
BAGIAN 1
BAB 1
In general, the DDI of the agricultural sector in the period 2009–2018 increased. The
decrease was only in 2013.
The DDI in agricultural sector is still dominated by Papua Island as much as 65.80%,
Kalimantan Island as much as 43.32%, then Bali and Nusa Tenggara as much as 26.74%.
While the last four are Sumatra, Sulawesi, Java, and Maluku respectively as much as
20.43%, 15.14%, 1.41% and 0.61%.
Kantor Pertanahan Kota Salatiga 2023
3
Literatures Reviews
From my previous study related to the impact of geographical location to industry
output, released conclucion that the located of industry in slopes and valleys have
correlation with productivity. While another variables, which nominal wages also showed
the same relation.
According to the theoretical analysis in chapter 4, the changes in FDI flows are
influenced by the setting of regional minimum wages, gross regional domestic revenue,
and infrastructure development. The setting of regional minimum wages above or below
the average of regional minimum wages in each province in Java affects the amount of
the FDI inflows by industrial sector (this is in line with the theory of Sichei (2012) and
Marcelia) (41) . On the other hand, the increase in regional minimum wages in each
province in Java Island affects the reduction in employment in the industrial sector there,
and causes a decrease in the FDI inflows by industry sector. The increase or decrease in
gross regional domestic revenue is also influenced by the amount of regional minimum
wages. In addition, the infrastructure development has a positive influence on the
increase of FDI by industry inflows in Java.
The elucidation of the data and the results of the study show findings that are in line
with the details of the theoretical analysis shown by the theories that have been
previously stated. The details of theoretical analysis are shown from at least 1 province
results that are in line with theory 1 (Sichei, 2012) and theory 4 (Marcelia) which explain
the influence of high labor costs on low FDI flows. We found that the results for DKI
Jakarta Province were compatible but for Banten Province were not. For theory 2
(Yogatama, 2012) and theory 5 (Mankiw, 2003) (23) , low labor costs promoting high FDI.
This is compatible for provinces in West Java and East Java but incompatible for
provinces in Central Java and DI Yogyakarta.
Theory 3 (Frederica and Juwita, 2010) describes that the increase in wages promotes the
FDI decrease. It shows a compatible result for all industries FDI in West Java Province,
FDI of labor-intensive industries in Banten Province, and FDI of capital-intensive
industries in East Java Province. On the other hand, other provinces show incompatible
results. Theories 6 and 9, both of which are put forward by Makiw in 2003, explain that if
there is an increase in wages, the income of the company and the productivity of
workers will also increase. It shows a compatible result for provinces of DKI Jakarta and
Banten. Theory 7 (Aschaeur, 2010) explains that if wages are high, the number of
workers decreases–showing compatible result for DKI Jakarta but the other way around
for Banten province. Another case is related to theory 10 (Jayne, 2010). If transportation
infrastructure increases, FDI then increases. It shows a compatible result for all provinces.
Furthermore, there is a theory that is impossible to prove, namely theory 8 (theory 3
Mankiw, (2003) of the third wage efficiency theory) due to the absence of expected
policies or conditions. For example, in theory 8 wages are decreased, so the number of
workers changes. Therefore, it cannot be proven because in Java there was no decreased
in wages in the industrial sector.
Value Addes responsed negative and significant to total Factors Production ( Ilyas, et.al,
2010) (15) by 5 %. While the FDI and market share showed the positive and significant
by 1 %, too.
Based on the forest zones enactment policy, it can be seen that Papua Island has the
largest forest area with 40 million hectares. This is followed by the island of Kalimantan
with 36 million hectares. In the third place is Sumatra with 22 million hectares. Sulawesi
is in the fourth place with 13 million hectares. The last three are Maluku, Java, and Bali
and Nusa Tenggara respectively with 12 million hectares, 3 million hectares, and 2
million hectares.
1. Methodologie
parameter is based on the availability of data at the Central Statistics Agency in the
period of 2009–2018.
Result and Discussions are the beginning of analysis from the variables which are
predicted affected the use of land the infrastructures development.
From Productivity of Textiles and Appareals Industries, the number of valleys, slopes,
and lands in Java are still the biggest in number. The same condition are happened in
Bali and Nusa Tenggara and Kalimantan. The reverse condition are in Sulawesi and
Sumatera, in condition that the number of valleys, slopes, and lands in Java are still are
more than Bali and Nusa Tenggara and Kalimantan, but the productivity of Textiles and
Appareals Industries are less.
Based on the average minimum wages in each island/archipelago, the scoring is done by
giving the highest score for the island/archipelago with the lowest minimum wages and
the lowest score for the island/archipelago with the highest minimum wages.
Sumatera 47924 6
Jawa 105295 7
Bali dan Nusa Tenggara 23444 5
Kalimantan 21866 4
Sulawesi 20221 3
Maluku 2339 2
Papua 1983 1
From the amount of clean water production in each island island/archipelago, the scoring is
done by giving the highest score for the island/archipelago with the highest amount of clean
water production while the lowest score is for the island/archipelago with the least amount
of clean water production.
From the number of field areas in each island/archipelago, the scoring is done by giving
the highest score for the island/archipelago with the highest amount of field area while
the lowest score is for the island/archipelago with the least percentage of field area.
Based on Table about Indication Location of Prioritized Zones according to National
Spatial Planning and The Table entitled Value Added Realization, still with theme of
Industry of Textiles and Appareals in every provinces during period 2010 – 2014 showed
that there were unsuitable condition of indication locations and that’s realization.
From 32provinces, 27 of it are suitable (Aceh, Sumatera Utara, Sumatera Barat, Riau,
Kepulauan Riau, Jambi, Sumatera Selatan, Bangka Belitung, Lampung, Daerah Ibukota
Jakarta, Banten, Jawa Barat, Jawa Tengah, Daerah Ibukota Yogyakarta, Jawa Timur, Bali,
Nusa Tenggara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Tengah,
Kalimantan Selatan, Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah, Sulawesi
Selatan dan Sulawesi Barat),while 5 of them are not (Bengkulu, Maluku, Maluku Utara,
Papua Barat, dan Papua). And another province had recorded it’s realization eventough
not listed yet in National Spatial Planning ( Gorontalo).
If we looked more details, there are connection with survivability of business actors. If
we compared with the business permit which are released during 2010 – 2014 there
were a unconsistency of value added and also the enlargement of the scales of
industries ( textiles to appareals).
While compared with the regional development policies there were 7 provinces with run
a bussines in two lines (circular provinces), while other 20 are not ( linear Provices).
Conclusion
Conclusion are list of End Calculations from relevant datas and calculations.
Based on Econometrics Analysis, there were some result as that are : valleys and slopes
had negative but significant relations at alfa 1 % to productivity of Textiles and Appareal
Industries. While nominal wages also showed the same result.
There are several variables one of which is the minimum wages which is a control
variable that is affected by the foreign direct investment (FDI) inflows. On the other hand,
the electricity variable, CPI, and dummy of island or islands spatial planning are variables
affect significantly to the flow of FDI by industry in Sumatra, Java, and Sulawesi. At the
same time, other variables, namely road and labor, do not significantly affect the flow of
FDI by industry in those three islands.
Analysis and results are obtained by sum up the scores of each variable as follows:
The calculation shows the following results: The highest score is Java Island with total
score of 26. The second place is Sumatra island with total score of 21, Bali and Nusa
Tenggara in the third place with total score of 16. Kalimantan and Maluku is 15 at the
score, while in rank 6 and 7 are Sulawesi and Papua with total scores of 12 and 7,
respectively.
Table 18. The Comparison of the total scoring and the change in the number of
forest zones
Island/Archipelago The need for Forest zone Changes
non-forest
zone
Sumatera 2 3 addition
Jawa 1 6 reduction
Bali dan Nusa 3 7 reduction
Tenggara
Kalimantan 5 2 reduction
Sulawesi 6 4 Addition
Maluku 4 5 Reduction
Papua 7 1 unchanged
source: researcher’s analysis, 2021
Policies Recommendations
Policies Recommendation are aimed to address the gaps between current condition and
future goals.
In therm of arrangement policies related to permit and funding, the Central and Local
Government have to make priorities based on significancies variables impacted
productivity of Textiles and Appareal Industries. Which are : increasing nominal wages,
reducing the industries locations on the valleys and slopes to control the fluctuation.
In formulating licensing and funding policies, the central government and local
governments need to scale up priorities according to the significance of the variables
affecting FDI flows and should also prioritize increasing the amount of electricity
distribution to industry and CPI to encourage FDI by industry inflows in Sumatra, Java,
and Sulawesi. In addition, government should increase the minimum wages and limit the
area of industrial area to control the flow of FDI by industrial sector in Java, Sumatra,
and Sulawesi.
When it comes to forest zone enactment policy, the proposed policy recommendations
are as follows:
• Protecting forest zones in Papua Island according to the current conditions;
Adding forest zones in Sumatera and Sulawesi;
Reducing the forest zones in Java, Kalimantan, Bali and Nusa Tenggara, and also
Maluku.
d. Prinsip 4 : orang yang merespon terhadap insentif.
Insentif merupakan segala sesuatu ( misalnya berupa pemberian
hukuman atau imbalan ) yang memperngaruhi seseorang dalam
bertindak.
Dilain pihak, dari sisi nilai jual , keluaran dari industri sebagaimana dilihat
dari tabel 1.3 terkait dengan Indeks Harga Perdagangan Besar pada tahun 2016 - 2018,
terlihat bahwa harga bahan baku, barang konsumsi dan barang modal untuk sektor
industri selalu berada di peringkat ke-2 setelah pertanian dan lebih tinggi dari
pertambangan.
Dengan rincian sebagai berikut : 122,54; 129,36;132,21 untuk bahan baku
pertambangan. Lebih tinggi adalah bahan baku industri sebesar 136,57; 141,66; dan
142,74. Teringgi 138,82; 143,58; 144,78 tercatat dari bahan baku sektor pertanian.
170,78; 170,25;173,91 untuk barang konsumsi pertambangan. Lebih tinggi adalah
barang konsumsi industri sebesar 148,36; 152,81; dan 154,91. Teringgi 523,47; 524,13;
526,19 tercatat dari barang konsumsi sektor pertanian. 93,07; 104,36;106,73 untuk
barang modal pertambangan. Lebih tinggi adalah barang modal industri sebesar 118,93;
123766; dan 1125174. Teringgi 205,91; 179,33; 154,57 tercatat dari barang modal
sektor pertanian.
Industri kayu, barang dari kayu dan gabus (tidak termasuk furnitur) dan
barang anyaman dari bambu, rotan dan sejenisnya 1.22 1.42 1.34 1.37
Industri kertas dan barang dari kertas 0.21 0.20 0.21 0.23
Industri pencetakan dan reproduksi media rekaman 0.29 0.24 0.29 0.29
Industri produk dari batu bara dan pengilangan minyak bumi 0.04 0.01 0.05 0.05
Industri bahan kimia dan barang dari bahan kimia 0.28 0.26 0.35 0.34
Industri farmasi, produk obat kimia dan obat tradisional 0.12 0.08 0.11 0.11
Industri karet, barang dari karet dan plastic 0.49 0.39 0.44 0.45
Industri barang galian bukan logam 1.02 1.04 0.99 0.99
Industri logam dasar 0.20 0.16 0.20 0.18
Industri barang logam, bukan mesin dan peralatannya 0.42 0.43 0.44 0.51
Industri komputer, barang elektronik dan optic 0.17 0.10 0.14 0.14
Tabel 1.2. Penyerapan Tenaga Kerja Sektor Industri di Indonesia pada periode 2015 – 2018
sumber : bps.go.id, 2019
[Metode
Baru] Indeks
Provinsi / Kabupaten / Kota Pembangunan
Manusia
2018
ACEH 71.19
SUMATERA UTARA 71.18
SUMATERA BARAT 71.73
RIAU 72.44
JAMBI 70.65
SUMATERA SELATAN 69.39
BENGKULU 70.64
LAMPUNG 69.02
KEP. BANGKA BELITUNG 70.67
KEP. RIAU 74.84
DKI JAKARTA 80.47
JAWA BARAT 71.30
JAWA TENGAH 71.12
DI YOGYAKARTA 79.53
JAWA TIMUR 70.77
BANTEN 71.95
BALI 74.77
NUSA TENGGARA BARAT 67.30
NUSA TENGGARA TIMUR 64.39
KALIMANTAN BARAT 66.98
KALIMANTAN TENGAH 70.42
KALIMANTAN SELATAN 70.17
KALIMANTAN TIMUR 75.83
KALIMANTAN UTARA 70.56
SULAWESI UTARA 72.20
SULAWESI TENGAH 68.88
SULAWESI SELATAN 70.90
SULAWESI TENGGARA 70.61
GORONTALO 67.71
SULAWESI BARAT 65.10
MALUKU 68.87
MALUKU UTARA 67.76
PAPUA BARAT 63.74
PAPUA 60.06
INDONESIA 71.39
Lebih lanjut lagi, terkait modal manusia, persebarannya di masing – masing provinsi cukup merata dengan nilai dengan kisaran 60 –
85 %. 12 provinsi IPM nya masih berada di kisaran 61 % - 70 %, yaitu provinsi Sumatera Selatan, Lampung, Nusa Tenggara Barat, Nusa
Tenggara Timur, Kalimantan Barat, Sulawesi Tengah, Gorontalo, Sulawesi Barat, Maluku, Maluku Utara, Papua Barat, dan Papua.
Sehingga walaupun Pulau Jawa IPMnya di atas 71 %, namun masih ada beberapa provinsi di pulau / kepulauan lainnya yang masih layak
untuk pengembangan nilai tambah.
Sektor/Kelompok
2017 2018 2019
Barang IHPB
Persentase
dan Andil
Persentase dan Andil Persentase dan Andil
Perubahan
Perubahan Indeks Harga Perubahan Indeks Harga
Indeks Harga
Perdagangan Besar (IHPB) Perdagangan Besar (IHPB)
Perdagangan
Besar (IHPB)
1.3 Industri 136.57 0.41 0.22 141.66 0.16 0.08 142.74 0.21 0.11
Impor 104.58 0.25 0.05 109.30 0.02 0.00 109.79 0.16 0.04
II. Barang Konsumsi 195.00 0.75 0.75 199.22 0.37 0.37 201.29 0.02 0.02
1.1 Pertanian 523.47 1.28 0.42 524.13 0.56 0.18 526.19 -0.71 -0.23
1.2 Pertambangan dan
Penggalian 170.78 0.20 0.00 170.25 0.32 0.00 173.91 0.12 0.00
1.3 Industri 148.36 0.51 0.32 152.81 0.29 0.19 154.91 0.38 0.25
Impor 155.96 0.11 0.01 166.52 0.00 0.00 168.04 0.10 0.00
III. Barang Modal 122.75 0.10 0.10 126.98 0.40 0.40 128.24 0.29 0.29
1.1 Pertanian 205.91 1.08 0.02 179.33 -2.05 -0.03 194.57 0.18 0.01
1.2 Pertambangan dan
Penggalian 93.07 -0.24 0.00 104.36 -1.02 -0.01 106.73 0.00 0.00
1.3 Industri 118.93 0.06 0.05 123.76 0.61 0.48 125.14 0.33 0.26
Impor 135.93 0.18 0.03 139.11 -0.22 -0.04 138.92 0.12 0.02
Tabel 1.3. Indeks Harga Perdagangan Besar di Indonesia pada periode 2016 – 2019
sumber : bps.go.id, 2019
Ekspor
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Migas 51927.4 48291.5 45710.9 44800.9 46072.8 55925.1 59053.9 48446.0 44041.9 41743.1 44964.7 43328.8 42505.0 37055.5
Non Migas 206804.1 278880.8 297062.6 310253.1 332926.3 422921.7 523165.9 551690.6 655963.2 507722.4 463862.5 468399.3 503341.6 571852.0
Jumlah 258731.5 327172.3 342773.5 355054.0 378999.1 478846.8 582219.8 600136.6 700005.0 549465.5 508827.2 511728.1 545846.6 608907.5
Masih dari sumber yang sama, bahwa output juga merupakan faktor penentu besaran nilai tambah, dari data volume ekspor dan
impor non migas pada periode tahun 2005 – 2018, menunjukkan bahwa nilai ekpor selalu lebih besar daripada nilai impor . walaupun
besarannya masih berfkultuasi.
Tabel 1.7. Realisasi Foreign Direct Investment dan Domestic Direct Investment di Indonesia pada tahun 2017 dan 2018
sumber : nswi.bkpm.go.id, 2019
Tabel 1.8. Realisasi Foreign Direct Investment dan Domestic Direct Investment berdasarkan sektor di Indonesia pada tahun
2017
sumber : nswi.bkpm.go.id, 2019
Tabel 1.9. Realisasi Foreign Direct Investment dan Domestic Direct Investment berdasarkan wilayah di Indonesia pada tahun
2017
sumber : nswi.bkpm.go.id, 2019
Tabel 1.10. Realisasi Foreign Direct Investment dan Domestic Direct Investment berdasarkan klasifikasi sektor di Indonesia
pada periode 2012 - 2017
sumber : nswi.bkpm.go.id, 2019
Tabel 1.11. Realisasi Foreign Direct Investment dan Domestic Direct Investment berdasarkan sektor penerimadi Indonesia
pada periode 2012 - 2017
sumber : nswi.bkpm.go.id, 2019
30. Maluku Utara Kawasan Ternate, Tidore, Sidangoli, Sofifi, Weda dsk
Kawasan Kepulauan Sula
31. Papua Barat Kawasan Fak – Fak dsk
Kawasan Sorong dsk
32. Papua Kawasan Timika dsk
Kawasan Biak
Kawasan Merauke dsk
Tabel 1.12. Indikasi Lokasi Kawasan Andalan Menurut Rencana Tata Ruang Wilayah Nasional
sumber : Direktorat Penataan Ruang Wilayah Nasional, 2008
2. Sumatera Utara
3. Sumatera Barat
4. Riau
5. Kepulauan Riau
6. Jambi
7. Sumatera Selatan
8. Bengkulu
9. Bangka Belitung
10. Lampung
12. Banten
17. Bali
29. Maluku
32. Papua
33. Gorontalo
Tabel 1.12. Realisasi Nilai Tambah Sektor Industri Tekstil dan Pakaian Jadi per Provinsi pada periode 2010 - 2014
sumber : Kementerian Perindustrian, 2016
Berdasarkan Tabel 1.12. Indikasi Lokasi Kawasan Andalan Menurut Rencana Tata Ruang Wilayah Nasional dan Tabel 1.12. Realisasi
Nilai Tambah Sektor Industri Tekstil dan Pakaian Jadi per Provinsi pada periode 2010 - 2014 menunjukkan bahwa masih terdapat ketidak
sesuaian antara indikasi lokasi kawasan andalan dan realisasi nilai tambah per provinsi dalam kurun waktu tersebut. Sebanyak 27 dari 32
provinsi sesuai (Aceh, Sumatera Utara, Sumatera Barat, Riau, Kepulauan Riau, Jambi, Sumatera Selatan, Bangka Belitung, Lampung, Daerah
Ibukota Jakarta, Banten, Jawa Barat, Jawa Tengah, Daerah Ibukota Yogyakarta, Jawa Timur, Bali, Nusa Tenggara Barat, Nusa Tenggara Timur,
Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah, Sulawesi Selatan dan
Sulawesi Barat), dan 5 provinsi lainnya tidak sesuai (Bengkulu, Maluku, Maluku Utara, Papua Barat, dan Papua). Sedangkan terdapat tambahan
1 provinsi (Gorontalo) yang telah berkontribusi dalam pengumpulan nilai tambah yang belum diakomodir pada dokumen RTRWN.
Dilihat lebih detil lagi, kesesuaian dan ketidaksesuaian tersebut erat kaitannya dengan tingkat survivabilitas pengusaha industri tekstil
dan pakaian jadi. Sebagaimana dapat dicermati dari kedua tabel tersebut, walaupun izin lokasi yang ada di RTRWN berlaku untuk selama
periode 2010 – 2014, masih ada provinsi yang menunjukkan ketidak adaaan kontribusi di tahun- tahun tertentu dan ada juga yang menambahkan
perluasan industri tekstil saja menjadi industri pakaian jadi. Ketidakstabilan nilai tambah terdapat di 5 provinsi berikut, yaitu Riau, Kalimantan
Barat, Kalimantan Tengah, Sulawesi Utara, dan Sulawesi Barat. Sedangkan provinsi – provinsi lainnya menunjukkan kondisi yang stabil.
Lebih lanjut, terkait hilirisasi industri antara industri tekstil dan pakaian jadi, masih belum terealisasi di semua provinsi yang sesuai
peruntukan lokasi kawasan andalannya. Sebanyak provinsi memiliki keduanya dan sebagian provinsi masih bersifat linear ( hanya memiliki
industri tekstil / pakaian jadi saja. Sebanyak 20 provinsi (Aceh, Sumatera Utara, Sumatera Barat, Kepulauan Riau, Sumatera Selatan, Lampung,
Daerah Khusus Ibukota Jakarta, Banten, Jawa Barat, Jawa Tengah, Daerah Khusus Istimewa Yogyakarta, Jawa Timur, Bali, Nusa Tenggara
Barat, Nusa Tenggara Timur, Kalimantan Selatan, Kalimantan Timur, Sulawesi Selatan, Sulawesi Tenggara, dan Gorontalo) menunjukkan
hilirasi industri tekstil dan pakaian jadi dan 7 provinsi lainnya (Riau, Bangka Belitung, Kalimantan Barart, Kalimantan Tengah, Sulawesi Utara,
Sulawesi Tenggara, dan Sulawesi Barat) menunjukkan lineraritas kedua industri tersebut.
1.4 Tujuan
Tujuan dari penelitian ini adalah:
1. Untuk menguji dampak biaya investasi, modal, dan keterbukaan pasar dari fluktuasi nilai tambah (industri tekstil dan pakaian jadi) di
Indonesia, kecuali Kepulauan Maluku dan Pulau Papua.
2. Untuk menemukan faktor-faktor lain (infrastruktur dan kebijakan lokasi kegiatan industri yang mempunyai dampak terhadap
fluktuasi nilai tambah (industri tekstil dan pakaian jadi) di Indonesia, kecuali Kepulauan Maluku dan Pulau Papua.
BAB 2
TINJAUAN PUSTAKA
Tingkat tenaga kerja yang rendah diyakini sebagai salah satu faktor pendorong investasi asing langsung. Hal ini dapat terjadi karena
biaya tenaga kerja yang rendah dapat mengurangi biaya produksi. Konsekuensi dari biaya produksi yang rendah dapat meningkatkan laba
perusahaan. Dengan demikian, harga produk akan relatif rendah sehingga permintaanpun akan meningkat (Yogatama, 2011).
permintaan meningkat
Bagan 2.2. Hubungan antara biaya tenaga kerja dan FDI menurut Yogatama (2011)
Peningkatan upah minimum regional di Indonesia memiliki korelasi dengan biaya produksi suatu perusahaan. Jika peningkatan upah
tidak diikuti oleh peningkatan produktivitas tenaga kerja, maka produk suatu perusahaan akan berkurang. Akibatnya, tingkat investasi akan
berkurang juga (Frederica dan Juwita, 2013).
Peningkatan UMR
Output Investasi
produksi berkurang
Peningkatan berkurang
produktivitas pekerja
Bagan 2.3. Hubungan antara biaya tenaga kerja dan FDI menurut Frederica dan Juwita (2013)
Sumber: J u r n a l M a n a j e m e n T e k n o l o g i, 2013
Biaya tenaga kerja memiliki hubungan dengan biaya produksi suatu perusahaan. Ketika ada peningkatan biaya tenaga kerja, biaya
produksi akan meningkat. Tingkat biaya tenaga kerja rendah adalah salah satu faktor pendorong foreign direct investment (FDI) karena jika
biaya tenaga kerja lebih rendah, maka akan menjaga biaya produksi juga lebih rendah. Biaya produksi yang rendah akan diikuti oleh
meningkatnya laba perusahaan. Biaya tenaga kerja yang tinggi menyebabkan harga output yang tinggi dan persaingan yang buruk. Dalam
kondisi lain, biaya tenaga kerja yang rendah menyebabkan rendahnya harga output dan daya saing tinggi sehingga permintaan akan meningkat.
Oleh karena itu, investor didorong untuk berinvestasi di negara-negara yang memiliki biaya tenaga kerja rendah (Marcelia, et al.).
Bagan 2.4. Hubungan antara biaya tenaga kerja dan FDI menurut Marcelia
Sumber : analisis penulis
Harga output
Biaya tenaga kerja Permintaan tinggi
rendah
rendah
Daya saing tinggi
Rekomendasi
investasi
2.2.3 Metode
Sebagian besar penelitian terkait nilai tambah menggunakan data panel. Keuntungan menggunakan metode ini adalah memberikan data
yang bersifat informatif, lebih bervariasi, menambahkan derajat kemerdekaan, lebih efisien, mengurangi kolinearitas antar variabel,
memperkirakan derajat heteroganitas yang lebih besar yang dapat menjadi ciri khas individu dari waktu ke waktu, memungkinkan analisis
masalah ekonomi yang krusial yang tidak dapat dijawab dengan analisis deret waktu dan penampang lintang, serta relatif lebih fleksibel saat
memodelkan perilaku yang berbeda dari tiap individu dibandingkan dengan data lintas bagian, serta dapat menjelaskan penyesuaian dinamis
dengan cara yang lebih baik (Asmara, 2013).
Lebih spesifik, data model yang digunakan adalah panel balanced, sedangkan setiap unit cross section memiliki jumlah observasi deret
waktu yang sama (Ruth, 2014). Penelitian lain yang menerapkan panel data dilakukan dengan menggunakan fixed effect method (FEM) untuk
menguji determinannya.
Vektor autoregression model (VAR) diterapkan karena fakta bahwa model seperti itu umumnya digunakan untuk meramalkan sistem seri
waktu yang saling terkait dan untuk menganalisis dampak dinamis gangguan acak pada sistem variabel. Sebagai informasi tambahan, dalam
vector autoregression model (VAR) beberapa variabel diperlakukan sebagai endogen dan beberapa sebagai diperlakukan sebagai eksogenous
atau yang telah ditentukan (exogeneous plus lagged endogeneous) (Mutasen).
2.2.4 Hasil
Nilai tambah merespon secara negatif dan signifikan terhadap Faktor Produksi Total (Ilyas,et.al, 2010) dengan nilai signifikansi 5 %.
Tingkat harga Investasi dan Keterbukaan Pasar berpengaruh positif terhadap nilai tambah (Ilyas, et.al 2010) dengan nilai signifikansi 1 %.
BAB 3
METODOLOGI
Langsung Industri Besar dan Sedang, Upah Minimum Regional, Biaya Bangunan, Biaya Mesin, Biaya Angkutan, Panjang Jalan, Distribusi
Listrik untuk Industri, Jumlah Kawasan Industri, Jumlah Sentra Industri, Jumlah Lingkungan Industri Kecil, Jumlah perkampunganindustrikecil,
Indeks Harga Konsumen, Produk Domestik Regional Bruto, Keterbukaan Pasar, Ekspor Barang, Impor Barang, Impor Bahan Bakar, Impor
Makanan Minuman Industri, Impor Bahan Baku Industri, Impor Bahan Bakar dan Pelumas, Impor Suku Cadang dan Peralatan, Penyerapan
Tenaga Kerja, RTR Pulau / Kepulauan. Ada kerangka empiris dan teoretis yang mendukung menjembatani variabel dependen dan independen.
Beberapa orang mengklaim koneksi antara variabel independen dan dependen.
11. Jumlah Lingkungan Industri Kecil: Badan Pusat Statistik (BPS), Jumlah Lingkungan Industri Kecil untuk masing – masing provinsi di
24 provinsi;
12. Jumlah Perkampungan Industri Kecil: Badan Pusat Statistik (BPS), Jumlah Perkampungan Industri Kecil untuk masing – masing
provinsi di 24 provinsi;
13. Indeks Harga Konsumen: Badan Pusat Statistik (BPS), Indeks Harga Konsumen untuk masing – masing provinsi di 24 provinsi;
14. Produk Domestik Regional Bruto: Badan Pusat Statistik (BPS), Produk Domestik Regional Bruto untuk masing – masing provinsi di 24
provinsi;
15. Keterbukaan Pasar : Badan Pusat Statistik (BPS), Keterbukaan Pasar untuk masing – masing provinsi di 24 provinsi;
16. Ekspor Barang: Badan Pusat Statistik (BPS), Ekspor Barang untuk masing – masing provinsi di 24 provinsi;
17. Impor Barang: Badan Pusat Statistik (BPS), Impor Barang untuk masing – masing provinsi di 24 provinsi;
18. Impor Bahan Bakar: Badan Pusat Statistik (BPS), Impor Bahan Bakar untuk masing – masing provinsi di 24 provinsi;
19. Impor Makanan Minuman Industri: Badan Pusat Statistik (BPS), Impor Makanan Minuman Industri untuk masing – masing provinsi di 24
provinsi;
20. Impor Bahan Baku Industri: Badan Pusat Statistik (BPS), Impor Bahan Baku Industri untuk masing – masing provinsi di 24 provinsi;
21. Impor Bahan Bakar dan Pelumas: Badan Pusat Statistik (BPS), Impor Bahan Bakar dan Pelumas untuk masing – masing provinsi di 24
provinsi;
22. Impor Suku Cadang dan Peralatan: Badan Pusat Statistik (BPS), Impor Suku Cadang dan Peralatan untuk masing – masing provinsi di 24
provinsi;
23. Penyerapan Tenaga Kerja: Badan Pusat Statistik (BPS), Penyerapan Tenaga Kerja untuk masing – masing provinsi di 24 provinsi;
24. RTR Pulau / Kepulauan: Kementerian Agraria dan Tata Ruang, dummy kebijakan, sudah atau belumnya ditetapkan RTR Pulau / Kepulauan.
VA1314it : Nilai Tambah Industri Tekstil dan Pakaian Jadi di provinsi i pada tahun t
pjktdklangsungIBSit : Pajak Tidak Langsung Industri Besar dan Sedang untuk di provinsi i pada tahun t.
UMRit : Upah Minimum Regional di provinsi i tahun t.
BiBangit : Biaya Bangunan di provinsi i tahun t.
BiMesit : Biaya Mesin di provinsi i tahun t.
BiAngit : Biaya Angkutan di provinsi i tahun t.
PjJlit : Panjang Jalan di provinsi i tahun t.
DisLisIndit : Distribusi Listrik di provinsi i tahun t.
JmlhKwsIndit : Jumlah Kawasan Industri di provinsi i tahun t.
JmlhSntrIndit : Jumlah Sentra Industri di provinsi i tahun t.
JmlhLingIndKclit : Jumlah Lingkungan Industri Kecil di provinsi i tahun t.
industri tekstil dan pakaian jadi di provinsi – provinsi i Pulau Sumatera, sPulau Jawa, Pulau Kalimantan dan Pulau Sulawesi; Pilihan
variabel non biaya dan keterbukaan pasar mengenai arah tesis adalah ekonomi daerah sehingga variabel-variabel tersebut telah terbukti
menunjukkan dampak yang signifikan dari beberapa jurnal penelitian, baik di dalam maupun di luar negeri; Pilihan variabel utama mengenai
kutipan satu jurnal yang menunjukkan hubungan antara nilai tambah dan variabel-variabel tersebut; Pilihan kebijakan dummy RTR Pulau /
Kepulauan, mengenai ada kebijakan nasional sebagai panduan izin untuk perencanaan, jadi kita harus tahu dampak dari kebijakan ini terhadap
nilai tambah, sebelum dan sesudah kebijakan ini ditetapkan. Sehingga apakah kebijakan tersebut terkai juga dengan pilihan menjadi Pulau
dengan nilai tambah industri vertikal atau horizontal atau sebaliknya.
Setelah memperkirakan model penelitian, kita akan mendapatkan nilai dan tanda masing-masing parameter dari model tersebut. Entah itu
positif atau negatif, selanjutnya akan digunakan untuk menguji hipotesis penelitian (Raharjo, et al., 2005).
8) β 8> 0; Jumlah Kawasan Industri. Jika jumlah kawasan industri meningkat maka nilai tambah juga meningkat melalui peningkatan nilai
tambah nyata karena meningkatkan laba perusahaan melalui perluasan pangsa pasar dan perluasan wilayah pemasaran, dan sebaliknya,
ceteris paribus.
9) β 8> 0; Jumlah Sentra Industri. Jika jumlah sentra industri meningkat maka nilai tambah juga meningkat melalui peningkatan nilai
tambah nyata karena meningkatkan laba perusahaan melalui perluasan pangsa pasar dan perluasan wilayah pemasaran, dan sebaliknya,
ceteris paribus.
10) β 8> 0; Jumlah Lingkungan Industri Kecil. Jika jumlah lingkungan industri kecil meningkat maka nilai tambah juga meningkat melalui
peningkatan nilai tambah nyata karena meningkatkan laba perusahaan melalui perluasan pangsa pasar dan perluasan wilayah pemasaran,
dan sebaliknya, ceteris paribus.
11) β 8> 0; Jumlah Perkampungan Industri Kecil. Jika jumlah perkampungan industri kecil meningkat maka nilai tambah juga meningkat
melalui peningkatan nilai tambah nyata karena meningkatkan laba perusahaan melalui perluasan pangsa pasar dan perluasan wilayah
pemasaran, dan sebaliknya, ceteris paribus.
12) β 2 <0; Indeks Harga Konsumen. Tingkat inflasi yang tinggi mempengaruhi total nilai realisasi nilai tambah. Semakin tinggi inflasi akan
terjadi kenaikan harga termasuk harga barang sebagai input produksi. Kondisi ini akan memaksa kenaikan biaya produksi secara
keseluruhan sehingga menurunkan tingkat keuntungan yang mungkin bisa didapat oleh investor dan pengusaha. Kondisi ini akan
mengurangi faktor dorongan investasi dan pada akhirnya akan menurunkan nilai total nilai tambah, ceteris paribus.
13) β 8> 0; Produk Domestik Regional Bruto. Jika produk domestik regional bruto meningkat maka nilai tambah juga meningkat melalui
peningkatan nilai tambah nyata karena meningkatkan laba perusahaan, dan sebaliknya, ceteris paribus.
14) β 8> 0; Keterbukaan Pasar . Jika rasio beban dan bongkar meningkat maka nilai tambah akan meningkat melalui peningkatan laba
perusahaan, dan sebaliknya, ceteris paribus.
15) β 8> 0; Ekspor Barang. Jika ekspor barang meningkat maka nilai tambah juga meningkat melalui peningkatan nilai tambah nyata karena
meningkatkan laba perusahaan, dan sebaliknya, ceteris paribus.
16) β 2 <0; Impor Barang. Peningkatan impor barang akan mengurangi nilai tambah, karena jika terjadi peningkatan impor barang akan
menambah biaya variabel yang harus dikeluarkan oleh perusahaan sebagai konsekuensi ketidakmenentuan rencana anggaran di masa depan,
ceteris paribus.
17) β 2 <0; Impor Bahan Bakar. Peningkatan impor bahan bakar akan mengurangi nilai tambah, karena jika terjadi peningkatan impor bahan
bakar akan menambah biaya variabel yang harus dikeluarkan oleh perusahaan sebagai konsekuensi ketidakmenentuan rencana anggaran di
masa depan, ceteris paribus
18) β 2 <0; Impor Makanan Minuman Industri. Peningkatan impor makanan dan minuman industri akan mengurangi nilai tambah, karena
jika terjadi peningkatan impor makanan dan minuman industri akan menambah biaya variabel yang harus dikeluarkan oleh perusahaan
sebagai konsekuensi ketidakmenentuan rencana anggaran di masa depan, ceteris paribus
19) β 2 <0; Impor Bahan Baku Industri. Peningkatan impor bahan baku industri akan mengurangi nilai tambah, karena jika terjadi
peningkatan impor bahan baku industri akan menambah biaya variabel yang harus dikeluarkan oleh perusahaan sebagai konsekuensi
ketidakmenentuan rencana anggaran di masa depan, ceteris paribus
20) β 2 <0; Impor Bahan Bakar dan Pelumas. Peningkatan impor bahan bakar dan pelumas akan mengurangi nilai tambah, karena jika terjadi
peningkatan impor bahan bakar dan pelumas akan menambah biaya variabel yang harus dikeluarkan oleh perusahaan sebagai konsekuensi
ketidakmenentuan rencana anggaran di masa depan, ceteris paribus
21) β 2 <0; Impor Suku Cadang dan Peralatan. Peningkatan impor suku cadang dan peralatan akan mengurangi nilai tambah, karena jika
terjadi peningkatan impor suku cadang dan peralatan akan menambah biaya variabel yang harus dikeluarkan oleh perusahaan sebagai
konsekuensi ketidakmenentuan rencana anggaran di masa depan, ceteris paribus
22) β 8> 0; Penyerapan Tenaga Kerja. Jumlah tenaga-tenaga kerja yang besar dan berkualitas akan meningkatkan minat investor karena tidak
ada kesulitan mencari tenaga kerja, dan sebaliknya sejumlah kecil akan mengurangi investasi, ceteris paribus.
23) β 8> 0; RTR Pulau / Kepulauan. Kebijakan dummy. Jika industri bilangan dan lokasi telah ditata dalam national spatial planning maka
nilai tambah akan meningkat melalui peningkatan laba pserusahaan, dan sebaliknya, ceteris paribus.
BAB 4
ANALISIS DAN HASIL
1. Chow test:
> ---------
sigma_u | 8.661e+09
sigma_e | 2.459e+09
rho | .92540492 (fraction of variance due to u_i)
---------------------------------------------------------------------
> ---------
F test that all u_i=0: F(23, 80) = 18.63 Prob > F
> = 0.0000
Karena P Value < α maka pilihan terbaik adalah menggunakan fixed effect
3. Hausman test:
Dilihat nilai P Value dari hauman test adalah 0.0042 artinya < α, maka H1 diterima dan pilihan terbaik berarti fixed effect.
Pemeriksaan awal terhadap pemilihan model terbaik dilakukan dengan membandingkan antara model pooled least square (PLS) dengan
fixed effect model (FEM) dengan uji Chow. Jika hasil pengujian diperoleh nilai p-value uji Chow kurang dari alpha 5% maka FEM adalah model
terbaik. Selanjutnya dilakukan pengujian antara model pooled least square (PLS) dengan random effect model (REM) dengan uji Breusch Pagan
Lagrange multiplier (LM). Bila hasil pengujian diperoleh p-value uji Breusch Pagan Lagrange multiplier kurang dari alpha 5% maka REM
adalah model yang terbaik. Selanjutnya dilakukan pengujian fixed effect model (FEM) dengan random effect model (REM) dengan uji Hausman.
Namun, bila hasil pengujian diperoleh p-value uji Hausman kurang dari alpha 5% maka REM adalah model yang terbaik. Dari hasil pengolahan
data menunjukkan bahwa regresi pada model hanya bisa dilakukan dengan fixed effect model (FEM), sedangkan regresi dengan ke-2 model
lainnya tidak bisa dilakukan.
Antar variabel pajak dengan impor industri, impor bahan baku, impor bahan bakar, dan impor suku cadang peralatan; biaya bangunan
dengan impor bahan bakar; biaya mesin dengan impor barang; biaya; biaya angkutan dengan impor angkutan, impor bahan baku, dan impor
bahan bakar; dan ihk dengan impor bahan bakar memiliki nilai multikolinearitas > 0.75 yang artinya menerima H1 atau dengan kata lain
hubungan antar variabel-variabel tersebut memiliki nilai multikolinearitas yang tinggi.
Saat diuji nilai variance inflating factor setelah fe juga menghasilkan nilai mean VIFnya 182.25 atau > 10, hal ini berarti ada indikasi
multikolinearitas yang tinggi, sesuai dengan tes yang sebelumnya dilakukan.
Note:
Dari hasil diatas beberapa variabel dihapus oleh stata karena masalah kolinearitas pada pengujian fixed effect, PLS dan random effect. Setelah
terpilih yang terbaik yaitu fixed effect ternyata masih bermasalah pada uji asumsi klasik terindikasi terdapat multikolinearitas yang tinggi antar
variabel dengan alasan tersebut maka disarankan untuk mencari model yang lebih stabil.
Dalam model dummy upah minimum, penyerapan tenaga kerja, kawasan industri, pajak tidak langsung, pendapatan regional bruto, RTR Pulau /
Kepulauan, sentra indutsri, perkampungan industri, listrik, lingkungan industri, dan keterbukaan pasar memiliki nilai VIF kurang dari 10,
sehingga tidak ditemukan multikol di variabel - variabel tersebut. Sementara itu, untuk variabel-variabel lainnya memiliki nilai VIF lebih dari 10,
sehingga ditemukan multikol di variabel-variabel tersebut.
TAMBAH
6. Lampung 2010 TINGGI RENDAH, SESUAI
767.500 8.060.702
630.000 SESUAI
3.444.671.166
Kesesuaian = 20 % 2011 TINGGI RENDAH, SESUAI
705.000 3.814.104.719
2012 745.000 RENDAH RENDAH, TIDAK
8.222.591.823 SESUAI
2013 RENDAH 9.817.319.142 RENDAH, TIDAK
866.250 SESUAI
2014 1.000.000 RENDAH RENDAH, TIDAK
6.434.342.522 SESUAI
829.316
1.400.000
Sebagaimana dirinci di lampiran Tabel 4.3 terkait dengan Analisis 2 : teori Yogatama (2012), bahwa mengacu pada teori bahwa apabila biaya
tenaga kerja tinggi, seharusnya nilai tambah industri tekstil dan pakaian jadi di provinsi tersebut juga rendah.
Bagan 4.2. Analisis Teori 2 (Yogatama, 2012)
permintaan meningkat
Peningkatan UMR
Kantor Pertanahan Kota Salatiga 2023
Output Investasi
produksi berkurang
74
970.426
975.000
2012 MENINGKAT BERKURANG,
832.271.020 SESUAI
1.015.000
2013 MENINGKAT BERTAMBAH,
1.284.176.397 TIDAK SESUAI
1.365.087
1.665.000
892.660
2013 MENINGKAT BERTAMBAH,
947.114 1.365.693.054 TIDAK SESUAI
2014 MENINGKAT BERTAMBAH,
988.500 2.325.994.997 TIDAK SESUAI
745.000
2013 MENINGKAT BERTAMBAH,
TIDAK SESUAI
866.250 9.817.319.142
2014 MENINGKAT BERKURANG,
6.434.342.522 SESUAI
1.000.000
955.300
8.782.646.866
3.148.543
2013 MENINGK BERTAMBAH,
1.100.000 AT 10.674.83 TIDAK SESUAI
5
2014 MENINGK BERKURANG,
1.210.000 AT SESUAI
8.651.984
O N TAMBAH
20. Sulawesi Tengah 2010 MENINGK
777.500 AT 1.104.560
Kesesuaian = 50 % 2011 MENINGK BERKURANG,
AT 58.800 SESUAI
827.500
2012 MENINGK BERTAMBAH,
AT 1.232.658 TIDAK SESUAI
885.000
2013 MENINGK BERKURANG,
995.000 AT 1.104.560 SESUAI
2014 MENINGK BERTAMBAH,
1.250.000 AT 1.487.360 TIDAK SESUAI
O N TAMBAH
22. Sulawesi Tenggara 2010 860.000 MENINGK 1.011.614
AT
AT
Kesesuaian = 50 % 2011 MENINGK 2.885.600 BERTAMBAH,
1.006.000 AT TIDAK SESUAI
2012 1.127.000 MENINGK 379.212 BERKURANG,
AT SESUAI
2013 1.165.000 MENINGK 2.931.474 BERTAMBAH,
AT TIDAK SESUAI
2014 MENINGK 1.980.593 BERKURANG,
1.400.000 AT SESUAI
Bila disetarakan dengan data yang tersedia, teori 3 ini bisa diartikan apabila biaya tenaga kerja meningkat, seharusnya nilai tambah industri
tekstil dan pakaian jadi di provinsi tersebut juga berkurang. Dari hasil pengolahan data dan analisis dari teori ke-3 itu dapat dirinci sebagai
berikut: 1 provinsi menunjukkan tingkat kesesuaian mencapai 100 %, yaitu Jambi. Provinsi Aceh dan Nusa Tenggara Barat menunjukkan tingkat
kesesuaian 75 %, 11 provinsi menunjukkan tingkat kesesuaian 50 % ( Sumatera Selatan, Lampung, Kepulauan Riau, Daerah Khusus Ibukota
Jakarta, Bali, Kalimantan Selatan, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo dan Sulawesi Barat. Sumatera Utara,
Bangka Belitung, Jawa Barat, Jawa Tengah, Jawa Timur, Banten, Nusa Tenggara Timur, dan Kalimantan Timur, 8 provinsi dengan nilai
kesesuaian 25 %, Sedangkan ke-2 provinsi lainnya menunjukkan tingkat kesesuaian 0 % yaitu Sumatera Barat dan Daerah Istimewa Yogyakarta.
Bila disetarakan dengan data yang tersedia, teori 3 ini bisa diartikan apabila biaya tenaga kerja meningkat, seharusnya nilai tambah industri
tekstil dan pakaian jadi di provinsi tersebut juga berkurang. Dari hasil pengolahan data dan analisis dari teori ke-3 itu dapat dirinci sebagai
berikut: 1 provinsi menunjukkan tingkat kesesuaian mencapai 0 %, yaitu Jambi. Provinsi Aceh dan Nusa Tenggara Barat menunjukkan tingkat
kesesuaian 25 %, 11 provinsi menunjukkan tingkat kesesuaian 50 % ( Sumatera Selatan, Lampung, Kepulauan Riau, Daerah Khusus Ibukota
Jakarta, Bali, Kalimantan Selatan, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo dan Sulawesi Barat. Sumatera Utara,
Bangka Belitung, Jawa Barat, Jawa Tengah, Jawa Timur, Banten, Nusa Tenggara Timur, dan Kalimantan Timur, 8 provinsi dengan nilai
kesesuaian 75 %, Sedangkan ke-2 provinsi lainnya menunjukkan tingkat kesesuaian 100 % yaitu Sumatera Barat dan Daerah Istimewa
Yogyakarta.
BAB 5
KESIMPULAN DAN REKOMENDASI KEBIJAKAN
5.1 Kesimpulan
Keterkaitan Hasil Statistik Deskriptif dengan Kerangka Teori
Sebagaimana hasil analisis teori di Bab 4 menunjukkan bahwa perubahan nilai tambah dipengaruhi oleh Penetapan Upah Minimum Regional,
Pendapatan Domestik Regional Bruto dan Pembangunan Infrastruktur. Penetapan Upah Minimum Regional di atas atau di bawah rata – rata
Upah Minimum Regional di masing – masing Provinsi mempengaruhi rendah atau tingginya nilai tambah sektor industri tekstil dan pakaian jadi
di 24 provinsi (sesuai dengan teori Sichei (2012) dan Marcelia . Sedangkan kenaikan Upah Minimum Regional di masing – masing Provinsi
tersebut mempengaruhi berkurangnya penyerapan tenaga kerja di sektor industri tekstil dan pakaian jadi dan menyebabkan berkurangnya nilai
tambah industri tekstil dan pakaian jadi. Kenaikan / Penurunan Pendapatan Domestik Regional Bruto juga dipengaruhi oleh rendah atau
tingginya Upah Minimum Regional. Hal yang serupa ditunjukkan juga dari pembangunan infrastruktur, dimana dengan adanya pembangunan
infrastruktur memberikan pengaruh positif terhadap kenaikan nilai tambah sektor industri tekstil dan pakaian jadi di 24 provinsi.
Untuk provinsi-provinsi, dengan keterkaitan UMR rendah dan nilai tambah tinggi dan UMR tinggi dengan nilai tambah rendah sudah sesuai
100 %, diperbolehkan adanya kenaikan UMR, yaitu Aceh, Sumatera Utara, Sumatera Barat, Jambi, Sumatera Selatan, Lampung, Bangka
Belitung, Riau, DKI Jakarta, Banten, Bali, Nusa Tenggara Barat, Kalimantan Selatan, Kalimantan Timur, Sulawesi Tengah, Sulawesi Selatan,
Sulawesi Tenggara, Gorontalo, dan Sulawesi Barat. Sedangkan Provinsi – provinsi lainnya, yaitu Jawa Barat, Jawa Tengah, DI. Yogyakarta,
Jawa Timur dan Nusa Tenggara Timur disarankan mengurangi UMR sampai berada di bawah UMR rata-rata per provinsi.
Berbeda halnya dengan variabel listrik, perkampungan industri, perkampungan industri dan sentra industri kecil yang signifikan
mempengaruhi aliran nilai tambah industri tekstil dan pakaian jadi di 24 provinsi. Sedangkan variabel lainnya, yaitu jalan IHK, dan RTR
Pulau/kepulauan tidak signifikan mempengaruhi nilai tambah di 24 provinsi.
Island - Sulawesi. While in 2018 the order changed as follows: the first and second order respectively Kalimantan Island - Sulawesi and Java Island.
While the island of Sumatra in third and the island of Bali - Nusa Tenggara - Maluku - Papua in fourth. (BPS, 2021).
In general, the value of sales in Indonesia increased, despite changes in order in 2017 and 2018. In 2017 the largest in Java Island in the first place,
followed by Sumatra Island in second place. Third and fourth respectively Bali Island - Nusa Tenggara-Maluku- Papua and Kalimantan Island -
Sulawesi. While in 2018 the order changed as follows: the first and second order respectively Kalimantan Island - Sulawesi and Java Island. While
the island of Sumatra in third and the island of Bali - Nusa Tenggara - Maluku - Papua in fourth. (BPS, 2021).
Table 2. Sales Values
In general, the trade balance in Indonesia increased, despite changes in order in 2017 and 2018. In 2017 the largest in Java Island in the first place,
followed by Sumatra Island in second place. Third and fourth respectively – Kalimantan Island – Sulawesi and Bali Island – Nusa Tenggara-Maluku
- Papua. While in 2018 the order changed as follows: the first and second order respectively Kalimantan Island - Sulawesi and Java Island. While
the island of Sumatra in third and the island of Bali - Nusa Tenggara - Maluku - Papua in fourth.
From the purchase value data, sales value data, and trade balance this shows that development in Indonesia has not been fully successful, it is
said to be successful where the economy in Indonesia is no longer dependent on the island of Java with the improving economy on the island of
Kalimantan - Sulawesi, but has not succeeded in strengthening the role of Sumatra Island and Bali-Nusa TenggaraMaluku-Papua Island. So we
need to know what factors affect the condition.
I try to look in depth on the usage of land, for the forest and non forest area, the infrastructures development, about road, electricity, fuel station,
telecommunication and transportation (port and air port).
b. Prinsip 6 : pasar adalah tempat yang baik untuk mengorganisasikan kegiatan ekonomi;
Hanya pemerintah yang dapat mengorganisasikan kegiatan ekonomi sedemikian rupa sehingga kemakmuran suatu negara
dapat tercapai.
Perekonomian pasar ( market economy), keputusan – keputusan dari suatu perencana yang terpusat digantikan oleh
keputusan – keputusan dari jutaan perusahaan dan rumah tangga.
A. INTRODUCTION
1. Background
Small and micro enterprises are already known as the sector that plays important role on saving and recovering national economics. Those
role can endorse economic growth rate and absorbs labors in order to it would be beginning steps of Government to activate production sector on
various work field (Asty, 2010). Industry sector has already known as one of main prime over economic. It can be seen from the contribution to
Gross Domestic Product, labor absorbance, and the number of industry itself. (Tuti, 2010)
According to data of Ministry of Cooperation and Small and Medium Enterprises, the value of Gross Domestic Product based on current
price which was contributed by the Small, Micro, and Medium Enterprises on 2013, reached value 5.440.007,9 (thousands rupiah) or equals to
60.34 %, can be detailed as follows micro had contributed 3.326.564,8 (thousands rupiah) or equaled to 36.90 %, small Enterprises had
contributed 876.385,3 (thousands rupiah) or equals 9.72 %, and medium Enterprises had contributed 1.237.057,8 (thousands rupiah) or equals
13.72 %. Another 3,574,943.3 (thousands rupiah) or equals 39.66 % for sure was contributed by Big Enterprises. The growth of Gross Domestic
Product based on current price during 2012 – 2013 was by 9.38 %, higher than Big Enterprises by 6.01 %.
The number of micro, small, and medium Enterprises on 2013 was 57.895.721 or equals to 99,99 %, can be detailed as follows : micro
Enterprises 57.189.393 or equals to 98, 77 %, small Enterprises 654.222 or equals to 1, 13 %, and medium Enterprises 52.106 or equals to 0,09 %.
Growth number of micro, small, and medium Enterprises on 2012 – 2013 was 2, 41 % nearly doubled than big Enterprises on the same period which
was 1, 97 %.
In terms of absorbing labors, micro, small, and medium Enterprises also had absorbed more labors than big Enterprises did. On 2013, micro, small,
and medium Enterprises had absorbed 114.144.082 people or equals to 96,99 % from total workers in Enterprises sectors, this number had
increased if we compared with the labors absorbance in 2012 which was 107.657.509 people or equals to 97,16 %. The aggregate labor absorbance
by micro, small, and medium Enterprises can be detailed as follows, micro Enterprises had absorbed 104.624.466 people or equals to 88.90 %, small
Enterprises had contributed 5.570.231 or equals to 4.73 %, and medium Enterprises 3.949.385 people or equals to 3.36 %. Big Enterprises
Labors absorbance on 2013 was 3.537.162 people or equals to 3.01 %, this number was increased than on 2012 which was 3.150.645 or
equals to 2.84 %.
There are some factors that influence the growth number of micro, small, and medium enterprises. According to the research result conducted
by Purwaningsih (2015), factors influencing performance of micro, small, and medium enterprises were external factors consist of government
policy aspect, social - culture and economic aspect, organization role aspect, while the internal factors were human resources aspect, spatial aspect,
operation and technical production aspect, market and marketing aspect, and labor.
Another research conducted by Adrianto Trimarjono (2015) resulting different factors influencing the growth of micro, small, and medium
enterprises were hard workers, confidence, want to learn, ambition to move on, communication skill, the nearest of location and industry, easiness to
get new market, information about competitors, information if chance, information of product development, easiness toi capital access, government
policy support, and finance management.
The rate of industry sector contribution toward economy, make this sector needs to be encouraged the role in the future. But, until now,
industry sector still face some problems, mainly on the limited of energy source and electricity. Tuti (2010), in her research also stated that textile
and product textile industry are depend on the two main energy source, which are fuel and electricity.
2. Objectives
The objective of this research is to analyze the impact of energy factors (electricity basic rate and fuel price) to the growth of micro and small
Industry as consideration for policy makers on establishing fuel price and basic electricity rate.
3. Previous Studies
This study considers previous studies regarding micro and small medium enterprises. Here are some of them:
1. Tuti Ernawati (2010): “The affect of policy on fuel price and electricity basic rate to textile industry and textile product sector in West Java
province (2010).”
This research had examined the affect of energy policy (fuel price and basic electricity rate) towards big and medium industry which is included
compact energy. The result of this examination gives some recommendation policy such as some adjustment ways in order to give minimum
impact towards economic activity in industry field.
2. Ratna Purwatiningsih (2015) : “Analysis factors affecting performance of small and medium enterprises with Structural Equation Modeling
Method.”
This study focus on examination the correlation between external and internal factors in terms of theirs affect to performance of small and
medium enterprises on creative industry sector with Partial Least Squares Equation Modeling (PLS – SEM) method.
3. Kristiningsih and Adrianto Trimarjono (2015): “Analysis factors affecting the growth of small and medium enterprises (study case of small and
medium enterprises in Surabaya).
This research aimed to find factors affect the growth of small and medium enterprises in Surabaya.
4. Hypothesis :
Hypothesis that will be examined in this research are:
a. Fuel price influences the number of micro and small industry;
b. Basic electricity rate influences the number of micro and small industry; and
c. Population and expenditure per capita influences the quantity of micro and small industry.
B. Literature Review
There are some criterias of micro, small, and medium industry which were established by government as follows:
1. As is established by Ministry of Cooperation, Small, and Medium Industry ( Law no 9, 1995);
Table 1.1
Micro, small, and medium enterprises are having maximum omzet Rp. 600.000.000, - per year an or having maximum Rp.600.000.000- (land and
building are not included).
7. As is established by Law no 20 , 2008 about micro, small, and minimum enterprises
Micro, Small, and Medium enterprises are:
a. Micro enterprise is productive business owned by individual or individual business with these criteria micro business as was established by law;
b. Small enterprise as productive economy business which can be stand out, which was done by individual or part of business organization which
can be owned or become an part directly or indirectly from medium enterprise or big enterprise which was fulfilled criteria of small enterprises
which was established in this laws.
c. Medium enterprises are economic productive business which can stands out, can be done by individual or business board which was not a part of
company or part of company which was owned directly or indirectly of small enterprises or big enterprises with amount of wealth or annual
omzet as was established by this law.
Table 1.3
Determinant Micro Enterprises Small Enterprises Medium Enterprises
Assets Maximum Between Rp.50.000.000,- Between Rp.500.000.000,- and
Rp.500.000.000,- and Rp.500.000.000,- Rp.10.000.000.000,-
Omzets Maximum Between Rp. Between Rp.2.500.000.000,- and
Rp.300.000.000,- 300.000.000,- and Rp. Rp.50.000.000.000,-
2.500.000.000,-
Source: Law no 20, 2008 about micro, small, and minimum enterprises
labors
Assets not more than $100.000,- Not more than Less than $15.000.000,-
$ 3.000.000.000,-
Omzets Not more than $100.000 Not more than Less than $15.000.000,-
$ 3.000.000.000,-
Source: Law no 20, 2008 about micro, small, and minimum enterprises
C. METHOD
1. Sample
Sample of this research uses data of micro and small industry in 33 provinces during 2014 and 2015 by quarterly as the dependent variable,
which is issued by BPS. To examine elasticity fluctuation on energy price to the growth of micro and small industries, we chose data of fuel price
and basic electricity rate on the same period. As control variables we also consider data of population, expenditure per capita.
The details of data as follows:
a. Number of small and micro industry in 33 province, 2014 – 2015 (source : BPS);
b. Number of population in 33 province, 2014 – 2015 (source : BPS);
c. Expenditure per capita in 33 province, 2014 – 2015 (source : BPS);
d. Fuel price, 2014 – 2015 ; and
e. Basic electricity rate, 2014 – 2015
2. Model
The function of micro and small industry can be written as follows:
log (���) = �� + �1 log (���1 ) + �2 log (���2 ) + �3 log (���3 ) + �4 log (���4) + �
��� = increasing number of small and micro industry (%)
���1 = increasing of basic electricity rate (%)
3. Model Examination
After got the model, we continued with model examination, which is consist of:
a. Economy examination
With, the initial hypothesis (Ho): fuel price and basic electricity rate do not gve impact to the growth of micro and small industry;
And the alternative hypothesis (Ha): fuel price or basic electricity rate give the impact to the growth of micro and small industry
b. Statistic examination
Model examination that already done is F-test, to examine the influence of independent variable simultaneously to the growth of micro and small
industry and t test to examines the impact of basic electricity rate and fuel price independently to the growth of micro and small industry.
c. Econometric examination
We need to examine whether in this model contains heteroscedasticity, multicollinearity, and autocorrelation or not.
The probability of F equals to 0,000. This result implies that by comparing α 0.05, all independence variables affect the quantity of micro-
small enterprise simultaneously. The value of Constanta is 30.86. It means that if all independent variables (electricity price, fuel price, population,
expenditure per capita) equal to zero (0), the increasing of small micro enterprise is 30.86 %.
From the table 1, we also obtain that the value of electricity price equals to - 0,533. This implies that between electricity price elasticity and
the quantity of small micro enterprise have a negative correlation. If electricity price increases by 1 %, then the quantity of micro small enterprise will
decrease by 0.533 %. However, from the T test, we know that the probability of t more than α 0.05 (0,151). This means that electricity price has no
significant correlation with the quantity of micro small enterprise.
On the other hand, the increasing of fuel price will significantly affect the quantity of small micro enterprise in a negative correlation (P <|t| <
α). We also can obtain the coefficient of fuel price is - 0.98. It means that if fuel price increases by 1 %, the quantity of micro small enterprise will
decrease by 0.98 %. This value is nearly close to the value of unitary elasticity (E=1).
From both energy variables which are electricity price and fuel price, they give different impact to the quantity of micro and small enterprise.
Adjustment on electricity has no significance impact to micro and small enterprise, while the adjustment on fuel price has a significant impact to the
quantity of micro and small industry.
Furthermore, the increasing of population also has a strong relationship with the quantity of micro and small enterprise. The coefficient
equals to 1.107, it implies that the increasing of population by 1 % will lead to the rising of small micro enterprise quantity by 1.107 %. Meanwhile,
the coefficient of expenditure per capita is - 1,746. It implies that if the expenditure per capita increases by 1 %, the quantity of small micro enterprise
will decrease by 1,746 %.
The Tests
As an initial hypothesis (H0) is electricity price and fuel price have no significant impact to the quantity of micro-small enterprise, while, as
an alternative hypothesis is one of both variables have significant impact to the quantity of micro-small enterprise. Based on table 1, although
electricity price has no impact to the quantity of micro small enterprise, we also can obtain that the increasing of fuel price will lead to the increasing
of micro-small enterprise quantity. As a consequence, we cannot accept the initial hypothesis (H0).
From the table 1, we also can derive the determinant coefficient (R-squared). This R-squared has a quite significance value by 0.8154. It
indicates that the model can be explained by all variables as much as 81.54 %, while a 18.66 % cannot be explained by all variables. As previous
explanation, F test give a significance value with the probability less than α 0.05. Therefore, all variables simultaneously affect the quantity of micro
small enterprise by using α 0.05. Meanwhile, from the partial test (t-test), we can derive that all variables except electricity price have a significance
impact to micro small enterprise by using α 0.05.
From the OLS violation tests which are heteroscedasticity, multicollinierity and auto correlation, we can obtain the results as follows:
1. Heteroscedasticity
Table 2.2. White Test
. estat imtest, white
chi2(14) = 24.32
Prob > chi2 = 0.0419
Source chi2 df p
From table 2.2, the white test results give evidence that there is a heteroscedasticity. We can derive from the probability of chi squared. The value
of probability of chi squared is 0.049. It means that by using α 0.05, the probability of chi squared less than α, so that there is a heteroscedasticity.
Therefore, to overcome this problem, we do white robust estimator treatment. The result is as explained in table 2.3 below
Table 2.3. White Robust Estimator
Robust
lnumk Coef. Std. Err. t P>|t| [95% Conf. Interval]
F 286.0380 382.2506
After this treatment, almost all standard error decrease from its initial value except standard error of fuel price that experiences a slight increasing.
Then, we continue to second white test to the model, but the result still experiences the heteroscedasticity.
2. Multicollinierity
Tabel 2.4. VIF Test
. vif
In order to test the multicollinierity, we calculate Variance Inflation Factor (VIF). As the result, the value of VIF is 1.06, so that we can conclude
that there is no multicollinierity (value of VIF < 10). For further evidence, we do partial correlation test among variables. The result can be seen
on table. 2.5
Tabel 2.5. Partial Correlation Test
lnumk 1.0000
lntdl -0.0118 1.0000
lnpbensin -0.0348 -0.2957 1.0000
lnpop 0.8544 0.0014 0.0041 1.0000
lnexp -0.3747 -0.0232 -0.0665 -0.1083 1.0000
From table. 5 above, we obtain that all partial correlation value less than 0,75, so that there is no multicollinierity.
3. Autocorrelation
The data is a panel data, so we do not need to test the autocorrelation.
E. Conclusion
The increasing of small and micro industry is significantly affected by fuel price. Moreover, between them have a negative correlation. It means that
the increasing of fuel price will lead to the rising of small and micro enterprise. However, for the other energy variable which is electricity price has no
significant impact to the small micro enterprise. Furthermore, population and expenditure per capita as control variables also have significant impact to
the amount of small micro industry.
F. Study Limitation
1. The data has only two years interval (2014-2015), so that, further study may consider long time series data.
2. This study only observes the impact of energy factors to the increasing of small micro enterprise with population and expenditure per capita as control
variables. The further research can consider other macro indicators, such as inflation rate, interest rate and Gross Domestic Product.
Kekuatan pasar (market power),yaitu kemampuan seseorang atau perusahaan (atau sekelompok orang) untuk mengatur
harga di pasar.
Nilai Output dari industri tekstil dan pakaian jadi masih dengan kontribusi terbesar dari Pulau Jawa. Kedua adalah Pulau Sumatera. Diikuti oleh Pulau Bali
dan Kepulauan Nusa Tenggara di peringkat ketiga. Pulau Sulawesi dan Pulau Kalimantan berada di peringkat keempat dan Kelima. Adapun rinciannnya
sebagaimana tabel di atas.
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
JAWA 99,59% 98,99% 99,11% 98,56% 98,76% 98,36% 98,60% 97,65% 98,97% 98,34%
SULAWESI 0,02% 0,08% 0,06% 0,06% 0,03% 0,03% 0,04% 0,05% 0,07% 0,08%
BALI - NUSA TENGGARA 0,29% 0,35% 0,28% 0,30% 0,27% 0,26% 0,21% 1,32% 0,15% 0,48%
SUMATERA 0,09% 0,58% 0,54% 1,07% 0,92% 1,33% 1,12% 0,96% 0,80% 1,03%
KALIMANTAN 0,01% 0,00% 0,01% 0,01% 0,02% 0,02% 0,02% 0,02% 0,02% 0,07%
Terjadi fluktuasi Produktivitas industri tekstil dan pakaian jadi. Meskipun masih didominasi oleh Pulau Jawa sebesar 97,65 % sampai dengan 99,59 % diikuti
oleh Pulau Bali dan Kepulauan Nusa Tenggara sebesar 0,21 % - 1,32 % . Pulau Sumatera di peringkat ketiga sebesar 0,09 % sampai dengan 1,33 %. Peringkat
keempat adalah Pulau Sulawesi 0,02 % sampai dengan 0,08 Persen. Dengan presentase sebesar 0,00% sampai dengan 0,07 % adalah Pulau Kalimantan.
Bila dilihat dari kondisi morfologi dari setiap pulau/kepulauan, bisa dilihat bahwa semua pulau / kepulauan tersebut sebagian besar terdiri dari wilayah
daratan. Hanya saja jumlah desa yang merupakan daratan terbanyak ada di Pulau Jawa sebanyak 20.036 desa. Sedangkan Pulau Sumatera berada di peringkat
kedua dengan 16.969 desa. Sulawesi dengan jumlah desa di daratan sebanyak 7.676 berada di peringkat ketiga. Sedangkan di peringkat 4 dan 5 adalah Bali
dan Nusa Tenggara sebanyak masing – masing 3.129 dan 2.745.
Dilihat dari jumlah usaha pada kurun waktu 2005 – 5014, berdasarkan grafik garis di atas menunjukkan bahwa Pulau Jawa selalu menjadi peringkat
terbanyak pada kurun waktu 2005 – 2013. Sedangkan untuk keempat Pulau / Kepulauan lainnya selalu lebih rendah pada kurun waktu yang sama. Hanya
saja pada tahun 2014 terjadi perubahan konfigurasi, dimana jumlan unit usaha di Pulau Sulawesi dan Sumatera lebih tinggi dibandingkan dengan Pulau
Jawa. Sedangkan untuk Pulau Bali – Kepulauan Nusa Tenggara dan Pulau Kalimantan masih berada di bawah Pulau Jawa.
Dilihat dari jumlah tengaa kerja pada kurun waktu 2005 – 5014, berdasarkan grafik garis di atas menunjukkan bahwa Pulau Jawa selalu menjadi peringkat
terbanyak pada kurun waktu 2005 – 2013. Sedangkan untuk keempat Pulau / Kepulauan lainnya selalu lebih rendah pada kurun waktu yang sama. Hanya
saja pada tahun 2014 terjadi perubahan konfigurasi, dimana jumlan tenga kerja di Pulau Sulawesi lebih tinggi dibandingkan dengan Pulau Jawa. Pulau
Sumatera mencatat jumlah tenaga kerja yang sama. Sedangkan untuk Pulau Bali – Kepulauan Nusa Tenggara dan Pulau Kalimantan masih berada di
bawah Pulau Jawa.
Dilihat dari nilai produksi pada kurun waktu 2005 – 5014, berdasarkan grafik garis di atas menunjukkan bahwa Pulau Jawa selalu menjadi peringkat
terbanyak pada kurun waktu 2005 – 2013. Sedangkan untuk keempat Pulau / Kepulauan lainnya selalu lebih rendah pada kurun waktu yang sama. Hanya
saja pada tahun 2014 terjadi perubahan konfigurasi, dimana jumlan unit usaha di Pulau Sulawesi dan Pulau Bali –Kepulauan Nusa Tenggara lebih tinggi
dibandingkan dengan Pulau Jawa. Sedangkan untuk Pulau Sumatera dan Pulau Kalimantan masih berada di bawah Pulau Jawa.
Dilihat dari nilai input pada kurun waktu 2005 – 5014, berdasarkan grafi garis di atas menunjukkan bahwa Pulau Jawa selalu menjadi peringkat terbanyak
pada kurun waktu 2005 – 2013. Sedangkan untuk keempat Pulau / Kepulauan lainnya selalu lebih rendah pada kurun waktu yang sama. Hanya saja pada
tahun 2014 terjadi perubahan konfigurasi, dimana jumlan input di Pulau Sulawesi dan Pulau Bali – Kepulauan Nusa Tenggara lebih tinggi dibandingkan
dengan Pulau Jawa. Sedangkan untuk Pulau Sumatera dan Pulau Kalimantan masih berada di bawah Pulau Jawa.
1.2. Definisi Permasalahan
1.4 Tujuan
Tujuan dari penelitian ini adalah:
1. Untuk menguji dampak kondisi wilayah dari besaran output industri tekstil dan pakaian jadi di 24 provinsi.
2. Untuk menemukan faktor-faktor lain yang mempunyai dampak terhadap dari besaran output industri tekstil dan pakaian jadi di 24 provinsi.
Kerangka Empiris
Kerangka Empiris diperlukan sebagai penguat argumentasi dan pemilihan variabel- variabel, dan metode. Selain juga acuan dalam
penyusunan hipotesis penelitian.
Variabel Dependen
Jurnal yang ada menggunakan produktivitas sebagai variabel dependen (Islam, 2005). Perlu diketahui bahwa menurut teori Ekonomi
Klasik, produktivitas merupakan output yeng tersisa yang tidak dapat dijelaskan dengan input sumberdaya dari kontribusi secara langsung.
Sisa ini yang biasa disebut sebagai Total Factor Productivity (TFP). (Kim, 2017).
Variabel Independen
Keterbukaan ekonomi adalah faktor utama yang mempengaruhi produktivitas. (Islam, 2005). Variabel lain yang digunakan di jurnal
ini adalah lokasi dari negara tersebut.
Metode
Penelitian terkait produktivitas menggunakan data panel. Keuntungan menggunakan metode ini adalah memberikan data yang
bersifat informatif, lebih bervariasi, menambahkan derajat kemerdekaan, lebih efisien, mengurangi kolinearitas antar variabel,
memperkirakan derajat heteroganitas yang lebih besar yang dapat menjadi ciri khas individu dari waktu ke waktu, memungkinkan analisis
masalah ekonomi yang krusial yang tidak dapat dijawab dengan analisis deret waktu dan penampang lintang, serta relatif lebih fleksibel saat
memodelkan perilaku yang berbeda dari tiap individu dibandingkan dengan data lintas bagian, serta dapat menjelaskan penyesuaian dinamis
dengan cara yang lebih baik (Asmara, 2013).
Lebih spesifik, data model yang digunakan adalah panel balanced, sedangkan setiap unit cross section memiliki jumlah observasi
deret waktu yang sama (Ruth, 2014). Penelitian lain yang menerapkan panel data dilakukan dengan menggunakan fixed effect method (FEM)
untuk menguji determinannya.
Vektor autoregression model (VAR) diterapkan karena fakta bahwa model seperti itu umumnya digunakan untuk meramalkan sistem
seri waktu yang saling terkait dan untuk menganalisis dampak dinamis gangguan acak pada sistem variabel. Sebagai informasi tambahan,
dalam vector autoregression model (VAR) beberapa variabel diperlakukan sebagai endogen dan beberapa sebagai diperlakukan sebagai
eksogenous atau yang telah ditentukan (exogeneous plus lagged endogeneous) (Mutasen).
Hasil
Produktivitas merespon secara positif terhadap Keterbukaan Ekonomi (Islam, 2005).
Kondisi geografis tidak berpengaruh signifikan terhadap produktivitas (Islam, 2005).
REGRESI IRSA
1. CHOW TEST
a. OLS
. reg Y FDI DDI IHK LEMBAH LERENG DARATAN EKSPOR UPAHNOMINAL RTRWPROV
b. Fixed effect
. xtreg Y FDI DDI IHK LEMBAH LERENG DARATAN EKSPOR UPAHNOMINAL RTRWPROV, fe
F(9,216) = 9.08
corr(u_i, Xb) = -1.0000 Prob > F = 0.0000
sigma_u 2.552e+16
sigma_e 7.597e+09
rho 1 (fraction of variance due to u_i)
F test that all u_i=0: F(24, 216) = 2.49 Prob > F = 0.0003
Hasil dari uji chow test menunjukkan bahwa P Value 0.0003 < α 0.05 maka H1 diterima, artinya fixed effect
merupakan pilihanterbaik.
2. UJI HAUSMAN
. xtreg Y FDI DDI IHK LEMBAH LERENG DARATAN EKSPOR UPAHNOMINAL RTRWPROV, re
sigma_u 0
sigma_e 7.597e+09
rho 0 (fraction of variance due to u_i)
. hausman fe re
Note: the rank of the differenced variance matrix (7) does not equal the number of
coefficients being tested (9); be sure this is what you expect, or there may
be problems computing the test. Examine the output of your estimators for
anything unexpected and possibly consider scaling your variables so that the
coefficients are on a similar scale.
Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fe re Difference S.E.
chi2(7) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 51.35
Prob>chi2 = 0.0000
(V_b-V_B is not positive definite)
Dari hasil uji hausman diatas, didapatkan P Value 0.00 < α 0.05 maka tolak H0 yang artinya model fixed effect yang
diterima. Uji hausman dan chos test memiliki hasil yang konsisten sehingga tidak perlu dilanjutkan dengan uji lagrang.
Nilai VIF >10 atau tolerance 4,5/10 adalah .45 mengindikasikan tidak adanya masalah multikolinearitas.
b. Uji heteroskedastisitas
. xttest3
c. Uji Autokorelasi
. xtserial Y FDI DDI IHK LEMBAH LERENG DARATAN EKSPOR UPAHNOMINAL RTRWPROV
Dari hasil uji diatas, didapatkan nilai P value < α 0.05 yang artinya terjadi masalah autokorelasi.
d. Khsadh
b. Prinsip 9 : harga – harga meningkat jika pemerintah mencetak uang terlalu banyak;
Inflasi ( inflation), ketika semua harga secara keseluruhan mengalami peningkatan dalam suatu perekonomian.
INFLASI
Wilayah Inflasi Inflasi
2013
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Tahunan
- -
Salatiga 0.89 0.93 0.63 0.32 0.07 0.99 3.55 0.81 -0.49 0.06 0.27 0.21 -
- -
Jawa Tengah 1.09 0.81 0.92 0.34 0.27 0.96 3.41 1.15 -0.27 0.20 0.30 0.25 -
- -
INDONESIA (Pusat) 1.03 0.75 0.63 0.10 0.03 1.03 3.29 1.12 -0.35 0.09 0.12 0.55 -
Inflasi
2014
Wilayah Inflasi Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Tahunan
-
Salatiga 0.89 0.28 0.11 0.11 0.21 0.50 0.63 0.44 0.31 0.49 1.39 2.45 -
-
Jawa Tengah 1.00 0.33 0.25 0.12 0.24 0.73 0.72 0.45 0.22 0.52 1.36 2.25 -
-
INDONESIA (Pusat) 1.07 0.26 0.08 0.02 0.16 0.43 0.93 0.47 0.27 0.47 1.50 2.46 -
Inflasi
2015
Wilayah Inflasi Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Tahunan
Salatiga -0.41 -0.60 0.19 0.17 0.53 0.62 0.91 0.27 -0.16 -0.14 0.20 1.01 -
Jawa Tengah -0.35 -0.62 0.16 0.17 0.51 0.61 0.92 0.29 -0.15 -0.04 0.23 0.99 -
INDONESIA (Pusat) -0.24 -0.36 0.17 0.36 0.50 0.54 0.93 0.39 -0.05 -0.08 0.21 0.96 -
Inflasi
2016
Wilayah Inflasi Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Tahunan
-
Salatiga 0.42 -0.25 0.37 0.49 0.11 0.41 1.01 -0.26 0.10 0.05 0.52 0.20 2.19
-
Jawa Tengah 0.48 -0.24 0.39 0.46 0.13 0.41 1.00 -0.28 0.09 0.05 0.56 0.21 2.36
DarINDONESIA -
(Pusat) 0.51 -0.09 0.19 0.45 0.24 0.66 0.69 -0.02 0.22 0.14 0.47 0.42 3.02
Inflasi
2017
Wilayah Inflasi Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Tahunan
Salatiga 1.09 0.43 -0.14 0.22 0.57 0.53 0.22 -0.42 0.16 -0.12 0.25 0.20 3.50
Jawa Tengah 1.16 0.51 -0.12 0.15 0.58 0.61 0.14 -0.51 0.20 -0.06 0.29 0.71 3.71
INDONESIA (Pusat) 0.97 0.23 -0.02 0.09 0.39 0.69 0.22 -0.07 0.13 0.01 0.20 0.71 3.61
Wilayah Inflasi Inflasi
2018
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Tahunan
- -
Salatiga 0.69 0.34 0.03 0.17 0.05 0.62 0.08 -0.30 -0.09 0.31 0.22 0.41 2.47
-
Jawa Tengah 0.88 0.36 -0.00 0.00 0.01 0.70 0.10 -0.21 -0.01 0.30 0.24 0.44 2.82
INDONESIA (Pusat) 0.62 0.17 0.20 0.10 0.21 0.59 0.28 -0.05 -0.18 0.28 0.27 0.62 3.13
bulanan tertinggi. Sedangkan secara nasional inflasi bulanan terendah adalah -0,18 dan inflasi bulanan tertinggi adalah
sebesar 3,13;
7. Inflasi bulanan terendah Kota Salatiga lebih rendah dari inflasi bulanan terendah Provinsi Jawa Tengah, terjadi pada
tahun 2013, 2014, 2016, dan 2018;
8. Inflasi bulanan terendah kota Salatiga lebih tinggi dari inflasi bulanan terendah bulanan Provinsi Jawa Tengah terjadi
pada tahun 2015 dan 2017;
9. Inflasi bulanan terendah kota Salatiga lebih rendah dari inflasi bulanan terendah nasional terjadi pada tahun 2013, 2016,
2017, dan 2018;
10. Inflasi bulanan terendah kota Salatiga lebih tinggi dari inflasi bulanan terendah nasional terjadi pada tahun 2014 dan
2015;
11. Inflasi bulanan tertinggi kota Salatiga lebih rendah dari inflasi bulanan tertinggi provinsi Jawa Tengah terjadi pada tahun
2016, 2017, dan 2018;
12. Inflasi bulanan tertinggi kota Salatiga lebih tinggi dari inflasi bulanan tertinggi provinsi Jawa Tengah terjadi pada tahun
2013, 2014, dan 2015;
13. Inflasi bulanan tertinggi kota Salatiga lebih rendah dari inflasi bulanan tertinggi nasional terjadi pada tahun 2014, 2016,
2017, dan 2018;
14. Inflasi bulanan tertinggi kota Salatiga lebih tinggi dari inflasi bulanan tertinggi nasional terjadi pada tahun 2013 dan
2015;
c. Prinsip 10 : masyarakat menghadapi trade – off jangka pendek antara inflasi dan pengangguran.
Meningkatnya jumlah uang dalam perekonomian menstimulasi seluruh tingkat pembelanjaan dan juga permintaan
akan barang dan jasa.
Tingginya permintaan yang berlangsung dalam jangka waktu yang lama menyebabkan perusahaan menaikkan
harganya, namun dalam waktu yang sama juga mendorong perusahaan untuk mempekerjakan lebih banyak pekerja
dan menghasilkan barang dan jasa dalam jumlah yang besar.
Semakin banyak pekerja yang dipekerjakan berarti semakin rendah tingkat pengangguran.
Hal tersebut melandasi salah satu trade – off terbesar dalam perekonomian : trade – off jangka pendek antara inflasi dan
pengangguran.
Siklus bisnis ( business cycle) fluktuasi yang tidak menentu dan pada umumnya tidak dapat ditebak dalam kegiatan
ekonomi, yang diukur berdasarkan jumlah barang dan jasa yang dihasilkan atau banyaknya orang yang dipekerjakan.
Tabel
Perbandingan antara Indeks Harga Konsumen dengan Jumlah Tenaga Kerja di Provinsi Banten pada tahun 2005 -
2014
Province Province
number Name Year Cpi labour
1 Banten 2005 136,79 686210
1 Banten 2006 147,28 660742
1 Banten 2007 102,67 695161
1 Banten 2008 116,95 705831
1 Banten 2009 122,29 842303
1 Banten 2010 129,85 1053922
1 Banten 2011 133,46 1140427
1 Banten 2012 139,34 1190185
1 Banten 2013 152,11 1201656
1 Banten 2014 124,82 1273015
Gambar
Perbandingan antara Indeks Harga Konsumen dan
Pengangguran di Provinsi Banten pada periode 2005 -2014
Tabel
Perbandingan antara Indeks Harga Konsumen dengan Jumlah Tenaga Kerja di Provinsi DKI Jakarta pada tahun
2005 - 2014
Province Province
number Name Year Cpi Labour
2 DKI Jakarta 2005 134,55 650392
2 DKI Jakarta 2006 142,66 556086
2 DKI Jakarta 2007 151,27 708643
2 DKI Jakarta 2008 113,08 674949
2 DKI Jakarta 2009 115,73 667883
2 DKI Jakarta 2010 122,92 754985
2 DKI Jakarta 2011 127,8 690816
2 DKI Jakarta 2012 133,58 706871
2 DKI Jakarta 2013 144,27 682257
2 DKI Jakarta 2014 119,41 669033
Gambar
Perbandingan antara Indeks Harga Konsumen dan Pengangguran di
Provinsi DKI Jakarta pada periode 2005 -2014
Tabel
Perbandingan antara Indeks Harga Konsumen dengan Jumlah Tenaga Kerja di Provinsi Jawa Barat pada tahun
2005 - 2014
Province Province
number Name Year Cpi labour
3 Jawa Barat 2005 142,48 2616946
3 Jawa Barat 2006 150,08 2699250
3 Jawa Barat 2007 157,96 2767105
3 Jawa Barat 2008 112,7 2935324
3 Jawa Barat 2009 115,08 3073499
3 Jawa Barat 2010 120,29 3389287
3 Jawa Barat 2011 123,6 3571915
3 Jawa Barat 2012 128,57 3863392
3 Jawa Barat 2013 138,82 3916702
3 Jawa Barat 2014 117,11 3902850
Gambar
Perbandingan antara Indeks Harga Konsumen dan
Pengangguran di Provinsi Jawa Barat
pada periode 2005 -2014
Tabel
Perbandingan antara Indeks Harga Konsumen dengan Jumlah Tenaga Kerja di Provinsi Jawa Tengah tahun 2005 -
2014
Province Province
number Name Year Cpi labour
4 Jawa Tengah 2005 138,6 2782008
4 Jawa Tengah 2006 147,02 2662078
4 Jawa Tengah 2007 156,94 2765644
4 Jawa Tengah 2008 112,66 2703427
4 Jawa Tengah 2009 116,25 2656673
4 Jawa Tengah 2010 124,51 2815292
4 Jawa Tengah 2011 128,08 3046724
4 Jawa Tengah 2012 134,29 3297707
4 Jawa Tengah 2013 145,29 3044428
4 Jawa Tengah 2014 118,73 3173217
Gambar
Perbandingan antara Indeks Harga Konsumen dan
Pengangguran di Provinsi Jawa Tengah pada periode 2005 -
2014
Tabel
Perbandingan antara Indeks Harga Konsumen dengan Jumlah Tenaga Kerja di Provinsi DI Yogyakarta pada tahun
2005 - 2014
Province Province
number Name Year Cpi labour
5 DI Yogyakarta 2005 136,75 223818
5 DI Yogyakarta 2006 150,97 239829
5 DI Yogyakarta 2007 103,13 209456
5 DI Yogyakarta 2008 113,32 250507
5 DI Yogyakarta 2009 116,64 237240
5 DI Yogyakarta 2010 125,25 247093
5 DI Yogyakarta 2011 130,11 266768
5 DI Yogyakarta 2012 135,72 282602
5 DI Yogyakarta 2013 145,65 248473
5 DI Yogyakarta 2014 116,84 273329
Gambar
Perbandingan antara Indeks Harga Konsumen dan
Pengangguran di Provinsi DI Yogyakarta pada periode 2005 -
2014
Tabel
Perbandingan antara Indeks Harga Konsumen dengan Jumlah Tenaga Kerja di Provinsi Jawa Timur pada tahun
2005 - 2014
Province Province
number Name Year Cpi Labour
6 Jawa Timur 2005 133,33 2323652
6 Jawa Timur 2006 142,27 2361798
6 Jawa Timur 2007 102,38 2458401
6 Jawa Timur 2008 111,32 2412284
6 Jawa Timur 2009 115,09 2385686
6 Jawa Timur 2010 123,53 2482563
6 Jawa Timur 2011 129,36 2665473
6 Jawa Timur 2012 135,04 2834939
6 Jawa Timur 2013 145,65 2774504
6 Jawa Timur 2014 145,19 2776552
Gambar
Perbandingan antara Indeks Harga Konsumen dan
berkurang, sebagaimana data yang ditunjukkan pada tahun 2005 – 2006; 2008 – 2009; dan 2012 – 2013. Dan fenomena
terakhir dibuktikan dengan adanya kenaikan jumlah tenaga kerja setelah terjadi penurunan cpi sebagaimana telah terjadi
pada periode 2007 – 2008 dan 2013 - 2014;
5. Untuk Provinsi DI Yogyakarta secara umum pada saat cpi naik, maka jumlah tenaga kerja bertambah. Sebagaimana
dibuktikan pada data dalam kurun waktu 2005 – 2006; 2008 – 2009; 2009- 2012. Ketiga tren lainnya akan diperinci sebagai
berikut: apabila cpi naik, maka jumlah tenaga kerja berkurang seperti data pada periode 2008 – 2009 dan 2012 – 2013. Pada
kategori ketiga adalah dimana terjadi penurunan cpi, maka jumlah tenaga kerja juga berkurang. Bisa dilihat kembali pada
kurun waktu 2006 – 2007. Tren terakhir adalah terjadinya pengurangan jumlah tenaga kerja setelah terjadi penurunan cpi,
yaitu pada periode 2013 – 2014;
6. Untuk Provinsi Jawa Timur secara umum dimana terjadi kenaikan cpi, maka diikuti dengan peningkatan jumlah tenaga kerja,
sebagaimana data yang terekam pada kurun waktu sebagai berikut : 2005 – 2006; 2009 – 2012. Tren lainnya adalah apabila
terjhadi penurunan cpi, maka jumlah tenaga kerja meningkat. Hal ini sudah terjadi pada 2 periode berikut ini : 2006 – 2007
dan 2013 – 2014. Sedangkan tren terakhir adalah dimungkinkan terjadi pengurangan tenaga kerja apabila sebelumnya
terjadi kenaikan cpi. Berdasarkan data yang tercatat pada 2007 – 2009 dan 2012 – 2013;
7. Kesimpulan terakhir adalah berdasarkan data pengamatan korelasi antara cpi dan jumlah tenaga kerja selama kurun waktu
2005 -2014 di keenam provinsi di Pulau Jawa bahwa ada 3 macam hubungan, yaitu :
a. Apabila cpi naik, maka jumlah tenaga kerja menurun;
b. Apabila cpi naik, maka jumlah tenaga kerja meningkat;
c. Apabila cpi turun, maka jumlah tenaga kerja bertambah; dan
d. Apabila cpi turun, maka jumlah tenaga kerja berkurang.
B. Dari keenam diagram garis di atas, dapat ditarik kesimpulan bahwa :
1. Untuk Provinsi Banten pada rentang cpi 102,67 sampai dengan 152,11 menunjukkan tren jumlah pekerja yang meningkat
dengan peningkatan yang bertahap pada kisaran jumlah pekerja 800.000 hingga 1.400.000;
2. Untuk Provinsi DKI Jakarta pada rentang cpi 113,08 sampai dengan 151,27 menunjukkan tren stabil dengan peningkatan dan
penurunan yang cenderung fluktuatif pada kisaran jumlah pekerja 400.000 hingga 800.000;
3. Untuk provinsi Jawa Barat pada rentang cpi 112,70 sampai dengan 157,96 menunjukkan tren meningkat dengan
peningkatan bertahap pada kisaran jumlah pekerja 200.000 hingga 400.000;
4. Untuk provinsi Jawa Tengah pada rentang cpi 112,66 sampai dengan 156,94 menunjukkan tren stabil dengan peningkatan
dan penurunan yang cenderung fluktuatif pada kisaran jumlah pekerja 200.000 hingga 400.000;
5. Untuk provinsi DI Yogyakarta pada rentang cpi 113,32 sampai dengan 150,97 menunjukkan tren tren stabil dengan
peningkatan dan penurunan yang cenderung fluktuatif pada kisaran jumlah pekerja 100.000 hingga 200.000; dan
6. Untuk provinsi Jawa Timur pada rentang cpi 102,38 sampai dengan 145,65 menunjukkan tren tren stabil dengan
peningkatan dan penurunan yang cenderung fluktuatif pada kisaran jumlah pekerja 200.000 hingga 300.000;
7. Dari Jumlah Pekerja selama periode 2005 -2014 dapat diurutkan sebagai berikut : Provinsi Banten menjadi tertinggi dengan
rentang 800.000 hingga 1.400.000; diikuti oleh Provinsi DKI Jakarta dengan 400.000 hingga 800.000 pekerja; dengan jumlah
pekerja 200.000 hingga 400.000 adalajj provinsi Jawa Barat dan Jawa Tengah; terendah kedua adalah provinsi Jawa Timur
dengan 200.000 – 300.000 pekerja; dan yang terakhir adalah provinsi DI Yogyakarta dengan 100.000 hingga 200.000 pekerja;