Ichwan Prayogi - TA

PENGARUH INDEKS PEMBANGUNAN MANUSIA, JUMLAH
ANGKATAN KERJA, TINGKAT PARTISIPASI ANGKATAN KERJA,

DAN TINGKAT PENDIDIKAN TERHADAP TINGKAT
PENGANGGURAN TERBUKA DI JAWA TENGAH
Tugas Akhir
Disusun sebagai salah satu syarat untuk memperoleh gelar Ahli Madya Program
Studi Statistika Terapan dan Komputasi
Oleh
Ichwan Prayogi 4112319020
PROGRAM STUDI STATISTIKA TERAPAN DAN KOMPUTASI

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2023
ABSTRAK
Ichwan Prayogi. 2024. Pengaruh Indeks Pembangunan Manusia, Jumlah Angkatan

Kerja, Tingkat Partisipasi Angkatan Kerja, dan Tingkat Pendidikan Terhadap Tingkat
Pengangguran Terbuka Di Jawa Tengah. Jurusan Matematika Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Negeri Semarang.
Kata Kunci: Pengangguran, Data Panel, Common Effect Model, Random Effect
Model, Fixed Effect Model
Tingginya tingkat pengangguran di suatu negara dapat memberikan dampak negatif

terhadap perekonomian negara tersebut. Tingkat pengangguran yang rendah
mencerminkan pertumbuhan ekonomi yang baik, meningkatkan kualitas hidup
penduduk dan meningkatkan distribusi pendapatan, sehingga meningkatkan tingkat
kebahagiaan peenduduk. Untuk menganalisis permasalahan pengangguran diperlukan
adanya pemodelan hubungan pengangguran dengan variabel-variabel prediktornya.
Penelitian ini bertujuan untuk: (1) Mengetahui model regresi data panel terbaik
untuk analisis data faktor-faktor yang mempengaruhi tingkat pengangguran terbuka
Kabupaten/Kota di Jawa Tengah; (2) Mengetahui pengaruh Indeks Pembangunan
Manusia, Jumlah Angkatan Kerja, Tingkat Partisipasi Angkatan Kerja dan Tingkat
Pendidikan, terhadap Tingkat Pengangguran Terbuka di Jawa Tengah; dan (3)
Mengetahui besarnya pengaruh Indeks Pembangunan Manusia, Jumlah Angkatan Kerja,
Tingkat Partisipasi Angkatan Kerja dan Tingkat Pendidikan, terhadap Tingkat
Pengangguran Terbuka di Jawa Tengah.
Adapun metode yang digunakan dalam penelitian ini adalah metode kuantitatif
dengan strategi berbentuk asosiatif berupa pemodelan regresi data panel menggunakan
pendekatan Common Effect Model (CEM), Random Effect Model (REM), dan Fixed
Effect Model (FEM). Data yang digunakan adalah data sekunder berupa Tingkat
Pengangguran Terbuka (TPT) kabupaten/kota di Jawa Tengah dan faktor-faktor yang
diduga mempengaruhi pengangguran seperti Indeks Pembangunan Manusia (IPM),
Jumlah Angkatan Kerja (AK), Tingkat Partisipasi Angkatan Kerja (TPAK), dan Tingkat
Pendidikan (PND) tahun 2017-2021.
Berdasarkan analisis, terpilih model estimasi terbaik yaitu dengan pendekatan
Random Effect Model (REM), didapatkan secara bersama-sama variabel IPM, AK,
TPAK, dan PND berpengaruh terhadap Tingkat Pengangguran Terbuka di
Kabupaten/Kota di Jawa Tengah Tahun 2017-2021. Sedangkan secara individu variabel
IPM tidak berpengaruh terhadap Tingkat Pengangguran Terbuka. Untuk dapat
menurunkan pengangguran maka harus dengan menciptakan lapangan kerja baru serta
meningkatkan pendidikan masyarakat.
i
ABSTRACT
Ichwan Prayogi. 2024. The Influence of the Human Development Index, Number of
Labor Force, Labor Force Participation Level, and Education Level on the Open
Unemployment Rate in Central Java. Department of Mathematics, Faculty of
Mathematics and Natural Sciences, Semarang State University.
Keyword: Unemployment, Panel Data, Common Effect Model, Random Effect Model,
Fixed Effect Model
A high level of unemployment in a country can have a negative impact on that

country's economy. A low unemployment rate reflects good economic growth, improving
the quality of life of the population and improving income distribution, thereby
increasing the level of happiness of the population. To analyze the problem of
unemployment, it is necessary to model the relationship between unemployment and the
predictor variables.
This research aims to: (1) Find out the best panel data regression model for
analyzing data on factors that influence the open unemployment rate of districts/cities
in Central Java; (2) Knowing the influence of the Human Development Index, Number
of Labor Force, Labor Force Participation Level and Education Level, on the Open
Unemployment Rate in Central Java; and (3) Knowing the magnitude of the influence of
the Human Development Index, Number of Labor Force, Labor Force Participation
Level and Education Level, on the Open Unemployment Rate in Central Java.
The method used in this research is a quantitative method with an associative
strategy in the form of panel data regression modeling using the Common Effect Model
(CEM), Random Effect Model (REM), and Fixed Effect Model (FEM) approaches. The
data used is secondary data in the form of district/city Open Unemployment Rates
(TPT) in Central Java and factors that are thought to influence unemployment such as
the Human Development Index (IPM), Total Labor Force (AK), Labor Force
Participation Rate (TPAK), and Education Level (PND) for 2017-2021.
Based on the analysis, the best estimation model was selected, namely the Random
Effect Model (REM) approach. It was found that together the IPM, AK, TPAK and PND
variables had an effect on the Open Unemployment Rate in Regencies/Cities in Central
Java in 2017-2021. Meanwhile, individually the IPM variable has no effect on the Open
Unemployment Rate. To reduce unemployment, you must create new jobs and improve
public education.
ii
DAFTAR ISI
DAFTAR ISI...............................................................................................................iii
BAB I............................................................................................................................1
PENDAHULUAN........................................................................................................1
1.1 Latar Belakang.........................................................................................................1
1.2 Rumusan Masalah...................................................................................................3
1.3 Tujuan Penelitian.....................................................................................................4
1.4 Manfaat Penelitian..................................................................................................4
BAB II...........................................................................................................................5
KAJIAN PUSTAKA.....................................................................................................5
2.1 Penelitian Terdahulu...............................................................................................5
2.2 Analisis Regresi.......................................................................................................5
2.3 Model Regresi Data Panel......................................................................................6
2.4 Estimasi Data Panel................................................................................................7
2.5 Pemilihan Model Estimasi Terbaik.......................................................................9
2.6 Uji Asumsi Klasik.................................................................................................11
2.6.1 Uji Linieritas.......................................................................................11
2.6.2 Uji Normalitas.....................................................................................12
2.6.3 Uji Autokorelasi..................................................................................12
2.6.4 Uji Multikolinieritas............................................................................13
2.6.5 Uji Heteroskedastisitas........................................................................13
2.7 Uji Kelayakan Model Regresi.............................................................................14
2.7.1 Uji F.....................................................................................................14
2.7.2 Uji t......................................................................................................15
2.7.3 Koefisien Determinasi.........................................................................15
2.8 Pengangguran.........................................................................................................16
2.9 Indeks Pembangunan Manusia............................................................................18
2.10 Angkatan Kerja......................................................................................................18
2.11 Tingkat Partisipasi Angkatan Kerja....................................................................19
2.12 Tingkat Pendidikan...............................................................................................20
2.13 Kerangka Pemikiran..............................................................................................21
iii
BAB III.......................................................................................................................22
METODE PENELITIAN............................................................................................22
3.1 Strategi Penelitian.................................................................................................22
3.2 Jenis dan Sumber Data Penelitian.......................................................................22
3.3 Populasi dan Sampel Penelitian..........................................................................23
3.4 Variabel Penelitian................................................................................................23
3.5 Teknik Analisis Data............................................................................................23
BAB IV.......................................................................................................................25
HASIL DAN PEMBAHASAN...................................................................................25
4.1 Hasil Penelitian......................................................................................................25
4.1.1 Pemodelan...........................................................................................25
4.1.2 Pemilihan Model Terbaik....................................................................27
4.1.3 Uji Asumsi Klasik...............................................................................27
4.1.4 Uji Kelayakan Model..........................................................................29
4.2 Pembahasan............................................................................................................30
BAB V........................................................................................................................33
PENUTUP...................................................................................................................33
5.1 Simpulan.................................................................................................................33
5.2 Saran........................................................................................................................33
DAFTAR PUSTAKA.................................................................................................35
LAMPIRAN................................................................................................................37
iv
BAB I
PENDAHULUAN
1.1 Latar Belakang
Sebagai negara berkembang, Indonesia menghadapi berbagai persoalan

serupa dengan negara berkembang lainnya. Salah satu persoalan yang dihadapi
berbagai negara berkembang, termasuk Indonesia adalah pengangguran.
Tingginya tingkat pengangguran di suatu negara dapat memberikan dampak
negatif terhadap perekonomian negara tersebut. Tingkat pengangguran yang
rendah mencerminkan pertumbuhan ekonomi yang baik, meningkatkan kualitas
hidup penduduk dan meningkatkan distribusi pendapatan, sehingga
meningkatkan tingkat kebahagiaan peenduduk. Pengangguran merupakan
tantangan ekonomi yang berkaitan erat dengan isu-isu sosial yang perlu diatasi
untuk mencapai kesejahteraan masyarakat. Individu yang mengalami
pengangguran menghadapi ketidakmampuan untuk memperoleh pendapatan,
sementara tetap dihadapkan pada tuntutan ekonomi yang perlu dipenuhi. Situasi
ini dapat mendorong mereka untuk terlibat dalam tindakan kriminal, yang pada
akhirnya dapat menimbulkan keresahan di masyarakat.
Salah satu indikator yang dapat digunakan untuk mengukur tingkat
pengangguran adalah Tingkat Pengangguran Terbuka (TPT). Besarnya nilai TPT
memberikan gambaran tentang seberapa besar jumlah penduduk usia kerja yang
termasuk dalam kategori pengangguran. Menurut Badan Pusat Statistik (BPS)
Indonesia pada tahun 2016, pengangguran terbuka mencakup individu yang
tidak memiliki pekerjaan dan sedang aktif mencari pekerjaan, yang tengah
mempersiapkan usaha, serta yang tidak mencari pekerjaan karena menganggap
sulit untuk mendapatkan pekerjaan. Selain itu, pengangguran terbuka juga
melibatkan individu yang telah memiliki pekerjaan tetapi belum memulai
aktivitas kerja.
Menurut Wahyuni (2005) pertumbuhan jumlah penduduk yang cepat dapat
menjadi salah satu faktor penyebab tingginya tingkat pengangguran, dan pada
dasarnya, peningkatan jumlah penduduk memiliki dua dampak yang berbeda.
Jumlah penduduk yang besar dapat dianggap sebagai modal dalam mencapai
5
tujuan pembangunan nasional, namun di sisi lain, jika tidak diatur dengan baik,
pertumbuhan jumlah penduduk yang cepat dapat menimbulkan masalah yang
signifikan, khususnya dalam sektor ketenagakerjaan. Pertumbuhan penduduk
yang tinggi, tanpa disertai Sumber Daya Manusia (SDM) yang berkualitas, dapat
menyebabkan kesulitan bagi mereka untuk mendapatkan pekerjaan yang tersedia
di wilayah tersebut. Kualitas SDM dapat diukur dengan menggunakan Indeks
Pembangunan Manusia (IPM). Menurut penjelasan Saputra (2011), Indeks
Pembangunan Manusia (IPM) adalah suatu angka yang mencerminkan
pencapaian pembangunan manusia berdasarkan beberapa komponen dasar
kualitas hidup yang dapat memengaruhi tingkat produktivitas individu..
IPM menjadi faktor kunci dalam upaya mengurangi tingkat pengangguran
terbuka. Penggunaan IPM memungkinkan identifikasi penduduk yang dapat
mengakses manfaat dari pembangunan ekonomi, melibatkan aspek pendapatan,
kesehatan, pendidikan, dan lain-lain. Saat ini, IPM telah mengadopsi metode
baru, di mana angka melek huruf digantikan oleh harapan lama sekolah, dan
produk domestik bruto digantikan oleh produk nasional bruto (Fikriah, 2020).
Menurut Mitha (2021), peningkatan tingkat IPM dapat berkontribusi pada
peningkatan produktivitas dan kualitas kerja, sehingga dapat mengurangi
persentase tingkat pengangguran. Oleh karena itu, pemerintah berupaya
meningkatkan IPM guna mengurangi tingkat pengangguran, baik yang bersifat
terbuka maupun tertutup.
Salah satu langkah yang diambil pemerintah untuk mengatasi masalah
pengangguran adalah menjaga pertumbuhan penduduk tetap stabil melalui
program keluarga berencana. Pada tahun 2017, jumlah penduduk Jawa Tengah
mencapai 34.257.865 jiwa, dan meningkat menjadi 36.742.501 jiwa pada tahun
2021, dengan selisih sebanyak 2.484.636 jiwa. Berdasarkan data BPS dari tahun
2017 hingga 2021, terlihat bahwa jumlah angkatan kerja secara keseluruhan di
Provinsi Jawa Tengah mengalami peningkatan. Kota Semarang mencatat jumlah
angkatan kerja tertinggi, dengan rata-rata keseluruhan dari 2017 hingga 2021
sebanyak 983.305 jiwa, sementara Kota Magelang memiliki jumlah angkatan
kerja terendah, rata-rata sebanyak 65.097 jiwa. Tingkat partisipasi angkatan
kerja juga memainkan peran dalam tingkat pengangguran. Mulyadi (2014)
6
menyatakan bahwa tingkat partisipasi angkatan kerja yang semakin tinggi
dianggap menggambarkan kondisi yang lebih baik. Namun, penting untuk
diimbangi dengan pertumbuhan partisipasi penduduk yang sedang bekerja agar
keseimbangan antara penawaran tenaga kerja dan lapangan pekerjaan tetap
terjaga. Jika sebaliknya terjadi, hal ini dapat mengakibatkan peningkatan
pengangguran karena keterbatasan peluang pekerjaan untuk menampung
angkatan kerja yang bertambah.
Faktor yang turut memengaruhi tingkat pengangguran adalah tingkat
pendidikan. Tingkat pendidikan memiliki peran penting dalam menentukan
status pekerjaan seseorang, karena individu yang memiliki pendidikan lebih
tinggi cenderung memperoleh pekerjaan yang lebih berkualitas. Hal ini
memungkinkan mereka untuk memenuhi kebutuhan hidup dan, pada gilirannya,
dapat mengurangi tingkat pengangguran. Selain itu, masyarakat dengan tingkat
pendidikan tinggi memiliki tingkat pengangguran yang lebih rendah jika
dibandingkan dengan mereka yang memiliki pendidikan rendah. Mereka juga
memiliki peluang untuk memperoleh upah yang berada di atas batas upah
minimum.
Diharapkan bahwa dengan menyelidiki isu pengangguran melalui analisis
data panel, kita dapat melakukan penelitian terhadap faktor-faktor yang
memengaruhi fenomena tersebut. Hal ini diharapkan dapat membantu
mengurangi jumlah pengangguran. Salah satu pendekatan statistika yang dapat
digunakan untuk mengidentifikasi faktor-faktor tersebut adalah metode regresi.
Dalam konteks ini, regresi data panel merupakan gabungan antara data silang
tempat (cross section) dan data runtun waktu (time series).
1.2 Rumusan Masalah
Berdasarkan latar belakang tersebut, beberapa masalah yang dapat dirumuskan

adalah:
1. Bagaimana model regresi data panel yang terbaik untuk analisis faktor-
faktor yang mempengaruhi tingkat pengangguran terbuka di
Kabupaten/Kota di Jawa Tengah?
7
2. Apakah Indeks Pembangunan Manusia, Jumlah Angkatan Kerja, Tingkat
Partisipasi Angkatan Kerja dan Tingkat Pendidikan berpengaruh terhadap
Tingkat Pengangguran Terbuka di Jawa Tengah?
3. Seberapa besar pengaruh Indeks Pembangunan Manusia, Jumlah Angkatan
Kerja, Tingkat Partisipasi Angkatan Kerja dan Tingkat Pendidikan, terhadap
Tingkat Pengangguran Terbuka di Jawa Tengah?
1.3 Tujuan Penelitian
Tujuan dari penilitian tugas akhir ini adalah :

1. Mengetahui model regresi data panel yang terbaik untuk analisis faktor-
faktor yang mempengaruhi tingkat pengangguran terbuka Kabupaten/Kota
di Jawa Tengah
2. Mengetahui pengaruh Indeks Pembangunan Manusia, Jumlah Angkatan
Kerja, Tingkat Partisipasi Angkatan Kerja dan Tingkat Pendidikan, terhadap
Tingkat Pengangguran Terbuka di Jawa Tengah.
3. Mengetahui besarnya pengaruh Indeks Pembangunan Manusia, Jumlah
Angkatan Kerja, Tingkat Partisipasi Angkatan Kerja dan Tingkat
Pendidikan, terhadap Tingkat Pengangguran Terbuka di Jawa Tengah.
1.4 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Bagi Penulis
Mengembangkan dan mengaplikasikan pengetahuan yang diperoleh selama
perkuliahan.
2. Bagi Pembaca
a. Memberikan innformasi tentang regresi data panel dalam kasus
pengangguran di Jawa Tengah, hingga menentukan model terbaik
dalam regresi dat panel.
b. Memberikan informasi tentang beberapa faktor yang mempengaruhi
pengangguran.
3. Bagi Lembaga
8
Memberikan informasi yang dapat digunakan sebagai acuan pemerintah
dalam mengurangi tingkat pengangguran.
BAB II
KAJIAN PUSTAKA
2.1 Penelitian Terdahulu
Sudah banyak penelitian yang dilakukan untuk mengkaji faktor-faktor yang

mempengaruhi tingkat pengangguran terbuka sebagai langkah untuk mengurangi
masalah tersebut, penelitian ini merujuk pada penelitian terdahulu yang telah
dilakukan, meliputi:
a. Berdasarkan penelitian Marwan (2019), menyebutkan bahwa Indeks
Pembangunan Manusia berpengaruh positif dan signifikan terhadap Tingkat
Pengangguran Terbuka.
b. Menurut Zahroh (2017), salah satu faktor yang memengaruhi tingkat
pengangguran adalah Jumlah Angkatan Kerja. Hal ini disebabkan oleh
peningkatan jumlah angkatan kerja yang tidak diimbangi dengan
pertumbuhan lapangan pekerjaan yang memadai. Akibatnya, semakin
meningkatnya jumlah angkatan kerja tanpa peningkatan lapangan pekerjaan
dapat menyebabkan peningkatan tingkat pengangguran.
c. Menurut Muslim (2021), Tingkat Partisipasi Angkatan Kerja (TPAK)
memiliki pengaruh yang signifikan terhadap tingkat pengangguran. Hal
serupa diungkapkan oleh Badria (2021) yakni TPAK mempengaruhi secara
signifikan terhadap pengangguran.
d. Menurut Prakoso (2020), Pendidikan memiliki pengaruh yang signifikan
dan bersifat negatif terhadap tingkat pengangguran. Peran penting
pendidikan terletak pada peningkatan kualitas sumber daya manusia.
Dengan meningkatkan tingkat pendidikan, diharapkan dapat meningkatkan
kualitas sumber daya manusia yang ada. Hal ini diharapkan mampu
berkontribusi pada penurunan tingkat pengangguran.
2.2 Analisis Regresi
9
Analisis regresi adalah studi yang memfokuskan pada hubungan antar
variabel. Hendikawati (2015) menjelaskan bahwa dalam analisis regresi,
terdapat dua variabel utama, yaitu variabel prediktor (juga disebut variabel
independen) dan variabel yang akan diprediksi (juga disebut variabel dependen).
Model umum dari regresi untuk populasi dapat dirumuskan sebagai berikut:
𝑌 = 𝛼 + 𝛽𝑋 + 𝜀
Di mana Y adalah variabel dependen, a adalah konstanta, β adalah koefisien
regresi, X adalah variabel independen, dan ε adalah kesalahan atau galat acak.
Selain persamaan regresi linear tersebut, ada berbagai bentuk persamaan regresi
lainnya, termasuk regresi kuadratik, eksponensial, kurva logistik, dan kurva
gompert, yang masing-masing sesuai dengan jenis hubungan yang ingin
dimodelkan antara variabel independen dan dependen.
2.3 Model Regresi Data Panel
Menurut Kuncoro (2011), regresi data panel merupakan jenis regresi yang
menggunakan data panel. Analisis regresi pada data panel diasumsikan berlaku
untuk seluruh unit pengamatan pada semua waktu. Regresi data panel
menggabungkan data silang tempat (cross section) dengan data runtun waktu
(time series). Terdapat beberapa keuntungan yang dapat diperoleh dengan
menggunakan data panel, sebagaimana dijelaskan oleh Baltagi (2005).
Keuntungan-keuntungan tersebut mencakup:
 Data Lebih Informatif: Data panel memberikan informasi lebih banyak dan
lebih kaya dibandingkan dengan data cross section atau time series murni.
 Variasi yang Lebih Bervariasi: Adanya variasi di antara unit-unit
pengamatan maupun selama rentang waktu tertentu dapat memberikan hasil
analisis yang lebih robust.
 Efisiensi yang Lebih Tinggi: Regresi data panel dapat menghasilkan
estimasi yang lebih efisien karena memanfaatkan variasi dari dua dimensi
data (cross section dan time series).
 Mengatasi Masalah Multikolinieritas: Dengan kombinasi data dari dua
dimensi, regresi data panel dapat membantu mengurangi masalah
multikolinieritas.
10
 Kemampuan dalam Memahami Perubahan yang Dinamis: Data panel lebih
unggul dalam mempelajari perubahan yang dinamis seiring waktu.
 Mengukur Pengaruh yang Tidak Dapat Diamati pada Data Cross Section
atau Time Series Murni: Regresi data panel memungkinkan pengukuran
pengaruh yang mungkin tidak terlihat pada data cross section atau time
series murni.
 Ketersediaan Data yang Lebih Banyak: Dengan memadukan data dari dua
dimensi, data panel dapat memberikan lebih banyak observasi,
meningkatkan jumlah data yang tersedia untuk analisis.
Dengan demikian, regresi data panel menjadi pilihan yang kuat dalam
menganalisis hubungan antar variabel dalam situasi di mana terdapat variasi
baik secara temporal maupun spasial.
2.4 Estimasi Data Panel
1. Common Effect Model (CEM)

Dalam konteks regresi data panel dengan teknik pendugaan (pooling). CEM
memang merupakan salah satu pendekatan paling sederhana dalam
mengestimasi model regresi data panel. Dalam CEM, diasumsikan bahwa
intersep (koefisien konstan) untuk setiap variabel memiliki nilai yang sama
untuk semua unit time series dan cross section. Begitu pula dengan
koefisien slope, yang dianggap seragam untuk semua unit tersebut. CEM
mengasumsikan bahwa tidak ada perbedaan efek antara sektor atau waktu.
Artinya, dalam model ini, hanya ada satu model regresi yang diterapkan
pada seluruh pengamatan tanpa mempertimbangkan perbedaan efek yang
mungkin terjadi antar sektor atau waktu. Persamaan CEM dirumuskan
sebagai berikut:
k
Y ¿ =α + ∑ β k X k¿ +ε
k=1
Dengan:
t : periode ke-t (t = 1, 2, 3,...., T)
i : unit observasi ke-i (i = 1, 2, 3, ...., N)
k :variabel independen yang diuji(k = 1, 2, 3, ...., K)
11
Y ¿: variabel terikat pada unit observasi ke-i dan waktu ke-t
α : konstanta
k
X ¿ : variabel bebas ke-k untuk observasi ke-i dan waktu ke-t
β k : parameter untuk variabel ke-k
ε : error
2. Random Effect Model (REM)
Variabilitas dalam efek individu di antara unit time series atau cross section
disimpulkan sebagai variabilitas acak yang tercermin dalam komponen
residual (Kuncoro, 2012). Ini memungkinkan REM untuk menangkap
variasi antar unit yang mungkin tidak terduga oleh variabel independen
yang diamati. REM memasukkan efek sektor atau efek waktu ke dalam
komponen residual model. Ini berarti bahwa efek individu dari sektor atau
waktu tertentu dimasukkan ke dalam model sebagai bagian dari variasi acak,
sehingga memperhitungkan perbedaan efek antar unit atau waktu. Residuals
dalam REM diasumsikan tidak berkorelasi dengan variabel dependen. Ini
adalah asumsi penting yang mendukung validitas hasil estimasi model.
REM memiliki keuntungan dibandingkan dengan pendekatan pooling
seperti Common Effect Model (CEM) karena dapat menangkap variasi antar
unit atau waktu. Namun, REM juga memiliki asumsi yang harus dipenuhi,
seperti tidak adanya korelasi antara residual dan variabel dependen serta
independensi dari variabel independen. Oleh karena itu, pemilihan antara
REM dan pendekatan lainnya harus mempertimbangkan karakteristik data
dan asumsi yang sesuai dengan konteks analisis.
3. Fixed Effect Model (FEM)
FEM mengasumsikan bahwa terdapat intersep yang berbeda untuk setiap
subjek (cross section) dalam data panel. Ini berarti bahwa setiap unit cross
section memiliki nilai intersep yang unik. tetapi nilai slope untuk setiap
subjek tetap tidak berubah seiring waktu. Artinya, hubungan antara variabel
independen dan dependen memiliki kemiringan yang konsisten untuk setiap
unit cross section. Variabel dummy atau variabel boneka digunakan dalam
FEM untuk membedakan satu subjek dengan subjek lainnya. Variabel
dummy ini memungkinkan terjadinya perbedaan nilai parameter di antara
12
unit cross section, sehingga dapat memodelkan efek individu dari setiap
subjek (Kuncoro, 2012). Salah satu cara untuk memperhatikan unit cross
section atau unit time series adalah dengan memasukkan variabel
boneka/semu (dummy variable) yang mengizinkan terjadinya perbedaan
nilai parameter yang berbeda-beda, baik lintas unit cross section maupun
antar unit time series (Astuti, 2010).
FEM mengasumsikan bahwa antar unit sektor ataupun antar unit waktu
mempunyai efek yang berbeda terhadap model. Perbedaannya terletak pada
42 nilai koefisien intersep, sehingga terdapat intersep yang berbeda untuk
setiap sektor. FEM dapat memberikan estimasi yang konsisten dan efisien,
terutama ketika terdapat perbedaan yang signifikan antar unit cross section
atau unit time series. Namun, penggunaan variabel dummy juga menambah
kompleksitas model dan dapat menyebabkan masalah multikolinieritas jika
tidak dikelola dengan baik. Oleh karena itu, pemilihan model harus
mempertimbangkan karakteristik data dan tujuan analisis.
2.5 Pemilihan Model Estimasi Terbaik
1. Uji Chow
Uji chow merupakan uji untuk membandingkan model Common Effect
dengan Fixed Effect (Widarjono, 2009). Uji chow menguji signifikansi
intersep ɑ, apakah terdapat perbedaan antara masing-masing sektor (FEM)
ataukah tidak berbeda (CEM). Hipotesis yang digunakan dalam Uji Chow
adalah:
H 0 : model terpilih common effect

H 1 : model terpilih fixed effect
Kriteria pengujian:
𝐻o diterima apabila prob F > 𝛼
𝐻o ditolak apabila prob F ≤ 𝛼
Uji Statistik:
Menghitung F statistik Uji Chow menggunakan rumus (Baltagi, 2005):
𝐹 = (𝑆𝑆𝐸1 − 𝑆𝑆𝐸2)/(𝑛 − 1) 𝑆𝑆𝐸2/(𝑛𝑡 − 𝑛 − 𝑘)
𝐹𝑡𝑎𝑏𝑒𝑙 = {𝛼: 𝑑𝑓(𝑛 − 1, 𝑛𝑡 − 𝑛, 𝑘)}
13
di mana:
𝑆S𝐸1 = sum square error dari model common effect
𝑆𝑆𝐸2 = sum square error dari model fixed effect
𝑛 = jumlah perusahaan (cross section)
𝑛𝑡 = jumlah cross section x jumlah time series
𝑘 = jumlah variabel independen

𝛼 = tingkat signifikansi
Apabila ditemukan nilai prob F > 𝛼 maka H 0 diterima, kesimpulan model
yang digunakan CEM; Apabila ditemukan nilai prob F ≤ 𝛼 maka H 0
ditolak, kesimpulan model yang digunakan FEM.
2. Uji Hausman
Uji Hausman merupakan pengujian yang dilakukan untuk mencari model
terbaik antara Random Effect Model (REM) dan Fixed Effect Model (FEM).
Jika hasilnya menghasilkan nilai p yang signifikan, maka kita menolak
hipotesis nol, yang menyiratkan bahwa terdapat perbedaan yang signifikan
dan sistematis antara REM dan FEM. Jika hipotesis nol ditolak, ini
menunjukkan bahwa FEM lebih efisien dan konsisten daripada REM.
Sebaliknya, jika kita gagal menolak hipotesis nol, kita cenderung memilih
REM. Langkah-langkah dalam melakukan Uji Hausman:
a. Formulasi hipotesis
𝐻o: Random Effect Model (REM)
𝐻a: Fixed Effect Model (FEM)
b. Menentukan tingkat signifikansi (𝛼)
c. Kriteria pengujian
H 0 diterima apabila prob F > 𝛼
H 0 ditolak apabila prob F ≤ 𝛼
d. Kesimpulan
Apabila ditemukan nilai prob F > 𝛼 maka H 0 diterima, kesimpulan model
yang digunakan REM; Apabila ditemukan nilai prob F ≤ 𝛼 maka H 0
ditolak, kesimpulan model yang digunakan FEM.
3. Uji Lagrange Multiplier
14
Uji Lagrange Multiplier (LM) merupakan pengujian yang memilih model
estimasi terbaik antara model Random Effect dan model Common Effect. Uji
ini digunakan untuk menguji kehadiran suatu efek atau kelompok efek
tertentu pada model. Uji LM bisa digunakan untuk menguji keberadaan efek
individu pada model regresi. Dalam konteks model data panel, REM
mengasumsikan adanya efek individu yang bersifat acak, sedangkan CEM
mengasumsikan adanya efek umum yang sama untuk semua unit cross
section atau time series. Uji LM mempunyai distribusi chi-squares dengan
derajat bebas yang sama banyaknya dengan jumlah variabel independen.
2.6 Uji Asumsi Klasik
Pengujian asumsi klasik dilakukan untuk memeriksa apakah model yang

terbentuk memenuhi syarat Best Linier Unbias Estimator (BLUE), untuk
menjadi model terbaik. BLUE adalah estimator yang memiliki varian yang
minimal di antara semua estimator linier yang tidak bias. Estimator ini diperoleh
saat semua asumsi klasik dari model regresi terpenuhi. Jika aturan BLUE tidak
dipenuhi, maka persamaan yang dihasilkan akan memiliki akurasi yang kurang
dalam memprediksi. Untuk memenuhi kaidah BLUE dilakukan uji asumsi
klasik, yaitu:
2.6.1 Uji Linieritas
Menurut Dewi (2016), Uji Linieritas digunakan untuk menguji apakah

hubungan antara variabel independen dan dependen dalam sebuah model
regresi bersifat linier atau tidak. Dalam konteks Ramsey test, uji ini dapat
digunakan untuk mengidentifikasi adanya nonlinieritas dalam model.
Ramsey test adalah salah satu metode yang digunakan dalam uji linieritas.
Uji ini mencoba mendeteksi apakah terdapat kebutuhan untuk
menambahkan bentuk-bentuk nonlinier dalam model regresi. Dengan kata
lain, Ramsey test menguji hipotesis bahwa hubungan antar variabel tidak
dapat dijelaskan dengan bentuk fungsi linier saja.
Pernyataan bahwa "model dianggap lolos" dapat diartikan bahwa jika
nilai probabilitas dari Ramsey test lebih besar dari nilai signifikansi (0,05),
15
maka hipotesis nol yang menyatakan bahwa model bersifat linier tidak dapat
ditolak. Dengan kata lain, tidak ada bukti yang cukup untuk menyimpulkan
adanya nonlinieritas dalam model. Namun, perlu dicatat bahwa hasil dari uji
linieritas, termasuk Ramsey test, harus diinterpretasikan dengan hati-hati.
Penggunaan nilai signifikansi 0,05 adalah suatu konvensi umum, tetapi
penilaian akhir tergantung pada konteks spesifik, sifat data, dan tujuan
analisis. Selain itu, interpretasi hasil uji harus melibatkan pertimbangan
secara menyeluruh terhadap asumsi dan karakteristik model.
2.6.2 Uji Normalitas
Uji Normalitas dilakukan untuk menguji apakah data yang diambil dari
suatu sampel atau populasi memiliki distribusi normal atau tidak. Asumsi
bahwa data harus berdistribusi normal harus dipenuhi. Metode Jarque-Bera
adalah salah satu metode uji normalitas yang umum digunakan. Statistik uji
Jarque-Bera dibangun berdasarkan skewness (kecondongan) dan kurtosis
(keruncingan) dari sampel data. Dalam distribusi normal, skewness dan
kurtosis memiliki nilai nol.
2.6.3 Uji Autokorelasi
Uji Autokorelasi dilakukan untuk menguji adanya hubungan residual

antara satu observasi dengan yang lainnya. Asumsi dasar adalah bahwa
residual seharusnya bersifat independen satu sama lain. Uji Durbin-Watson
adalah salah satu metode untuk mendeteksi autokorelasi dalam residual
regresi dengan hipotesis:
H 0 : tidak ada autokorelasi antar residual
H 1 : terdapat korelasi antar residual
Uji statistik Durbin-Watson didasarkan dari residual metode kuadrat
terkecil. Adapun kriteria uji untuk metode Durbin-Watson yaitu:
16
Gambar 2.1 Kriteria Uji Durbin-Watson
Nilai du dan dl pada tabel Durbin-Watson digunakan sebagai batas atas

(du) dan batas bawah (dl) dalam menguji autokorelasi pada residual. Jika
nilai yang diperoleh dari uji Durbin-Watson berada di antara du dan 4-du,
maka hipotesis nol H 0 diterima, yang berarti tidak ada autokorelasi antar
residual.
2.6.4 Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk mengidentifikasi sejauh mana

variabel independen dalam suatu model regresi saling terkait secara linear.
Keberadaan multikolinieritas dapat mempengaruhi keandalan estimasi dan
interpretasi parameter dalam model. Tidak adanya multikolinieritas pada
variabel indepen adalah asumsi yang harus dipenuhi. Untuk mengetahui
adanya multikolinieritas, salah satu indikator yang dapat digunakan adalah
melihat nilai korelasi antar variabel. Jika nilai korelasi antar variabel lebih
besar dari 0,85, hal ini menunjukkan adanya multikolinieritas (Gujarati,
2004).
2.6.5 Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk memeriksa apakah varian dari

residual (sisa) suatu model regresi tidak konstan di semua tingkat nilai
variabel independen. Asumsi homoskedastisitas (konstan varian residual)
17
adalah salah satu asumsi dasar dalam analisis regresi klasik. Metode White,
atau dikenal juga sebagai "White's test for heteroskedasticity," adalah salah
satu metode yang digunakan untuk mendeteksi heteroskedastisitas dalam
model regresi. Hipotesis untuk uji Heteroskedastisitas adalah:
H 0: tidak terjadi heteroskedastisitas
H 1: terjadi heteroskedastisitas
Menolak H 0 apabila nilai probabilitas kurang dari taraf signifikan (𝛼 =
0,05).
2.7 Uji Kelayakan Model Regresi
Uji kelayakan model atau uji kecocokan model adalah tahap penting dalam
analisis regresi untuk memastikan bahwa model yang dibentuk memiliki tingkat
kecocokan atau keakuratan yang memadai dalam menjelaskan hubungan antara
variabel bebas (independen) dan variabel terikat (dependen). Beberapa langkah
umum yang termasuk dalam uji kelayakan model melibatkan:
2.7.1 Uji F
Uji F digunakan untuk mengevaluasi apakah setidaknya satu variabel

bebas secara bersama-sama memiliki efek yang signifikan terhadap variabel
terikat dalam suatu model regresi. Uji F mengikuti distribusi F, yang
memiliki dua derajat kebebasan: satu untuk pembilang (variabel bebas) dan
satu untuk penyebut (residual).
Statistik uji:
R2 /(N + K−1)
F=
(1−R ¿¿ 2)/(NT−N −K )¿
Dengan:
2
R : Koefisien determinasi
K : jumlah variabel independen termasuk konstanta
N : Jumlah sampel
Hipotesis yang digunakan dalam uji F adalah:
H 0 : 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 0, variabel bebas secara simultan tidak
berpengaruh terhadap variabel terikat.
18
H 1 : 𝛽1 ≠ 𝛽2 ≠ 𝛽3 ≠ 𝛽4 ≠ 0, variabel bebas secara simultan berpengaruh
terhadap variabel terikat.
Menolak H 0 apabila nilai F-hitung lebih dari nilai F-tabel, artinya ada
pengaruh variabel independen secara bersama-sama (simultan) terhadap
variabel dependen.
2.7.2 Uji t
Uji t digunakan untuk mengevaluasi apakah koefisien regresi untuk suatu

variabel bebas secara individual signifikan tidak sama dengan nol. Dengan
kata lain, apakah variabel tersebut memberikan pengaruh yang signifikan
terhadap variabel terikat. Uji t memberikan informasi tentang apakah
masing-masing variabel bebas secara individu memberikan kontribusi yang
signifikan terhadap model regresi. Hal ini membantu dalam memahami
apakah variabel bebas tersebut memainkan peran yang penting dalam
menjelaskan variasi dalam variabel terikat.
Statistik uji:
r xy √ (n−2)
t=
√(1−r 2
xy )
Hipotesis yang digunakan dalam uji t adalah:
H 0 : 𝛽1, 𝛽2, 𝛽3, 𝛽4= 0, variabel bebas tidak berpengaruh di dalam model
H 1 : 𝛽1, 𝛽2, 𝛽3, 𝛽4 ≠ 0, variabel bebas berpengaruh di dalam model
Menolak H 0 jika nilai t-hitung lebih dari nilai t-tabel, yang berarti
variabel bebas berpengaruh di dalam model terhadap variabel terikat.
2.7.3 Koefisien Determinasi
Menurut Santosa & Ashari (2005), koefisien determinasi (R-squared)

memberikan indikasi seberapa besar variasi dalam variabel terikat yang
dapat dijelaskan oleh variabel bebas dalam suatu model regresi. Jika
nilainya kurang dari total koefisiensi yaitu 100%, maka sisa variansi
(variabilitas yang tidak dapat dijelaskan oleh variabel bebas) memberikan
19
gambaran tentang faktor-faktor lain yang memengaruhi variabel terikat
(Hendikawati, 2015). Semakin tinggi nilai koefisien determinasi, semakin
baik model regresi dalam menjelaskan variasi dalam variabel terikat.
2.8 Pengangguran
Pengangguran merujuk kepada kondisi seseorang yang tidak memiliki

pekerjaan atau sedang dalam upaya mencari pekerjaan. Biasanya,
ketidaktersediaan lapangan pekerjaan yang memadai menjadi penyebab umum
pengangguran, di mana jumlah pencari kerja tidak seimbang dengan jumlah
pekerjaan yang tersedia. Menurut Sukirno (2004), pengangguran mengacu pada
individu yang termasuk dalam angkatan kerja dan secara aktif mencari pekerjaan
dengan upah tertentu, namun tidak berhasil mendapatkan pekerjaan yang
diinginkan. Pengangguran sering menjadi permasalahan ekonomi karena dapat
mengurangi produktivitas dan pendapatan masyarakat, serta berpotensi
menimbulkan kemiskinan dan masalah sosial lainnya.
Terdapat jenis-jenis pengangguran berdasarkan penyababnya, antara lain:
a. Pengangguran Normal
Pengangguran jenis ini tidak disebabkan oleh ketidakmampuan individu
untuk mendapatkan pekerjaan, melainkan karena mereka sedang aktif
mencari pekerjaan yang dianggap lebih baik atau sesuai dengan preferensi
mereka.
b. Pengangguran Siklikal
Pengangguran ini terjadi akibat penurunan permintaan secara keseluruhan
dalam perekonomian, yang mungkin disebabkan oleh penurunan harga
komoditas. Dalam situasi ini, perusahaan cenderung mengurangi jumlah
pekerja, yang pada gilirannya dapat mengakibatkan terjadinya
pengangguran.
c. Pengangguran Struktural
Pengangguran struktural terjadi akibat perubahan dalam jenis barang dan
jasa yang dihasilkan, kemajuan teknologi yang mengurangi permintaan
terhadap produk tertentu, serta biaya produksi yang tinggi. Dampaknya
20
adalah penurunan kegiatan produksi, yang dapat menyebabkan sebagian
pekerja kehilangan pekerjaannya.
d. Pengangguran Teknologi
Pengangguran teknologi terjadi ketika tenaga kerja digantikan oleh mesin-
mesin dan teknologi otomatisasi. Hal ini mengakibatkan sebagian pekerja
kehilangan pekerjaan karena peran mereka dapat dilaksanakan secara
otomatis oleh teknologi modern.
Terdapat juga beberapa bentuk pengangguran berdasarkan ciri-cirinya,
antara lain:
a. Pengangguran Musiman merujuk pada kondisi ketika seseorang tidak dapat
bekerja pada saat terjadi perubahan musim. Contohnya, petani sawah yang
bekerja selama musim panen dan kemudian menganggur dalam periode
antarmusim. Hal serupa terjadi pada para nelayan yang mengalami
pengangguran ketika tidak ada musim yang mendukung aktivitas
penangkapan ikan.
b. Pengangguran Terbuka merujuk pada situasi di mana seseorang tidak
memiliki pekerjaan dan secara aktif berusaha mencari pekerjaan. Keadaan
pengangguran terbuka dapat disebabkan oleh kurangnya lapangan pekerjaan
atau ketidaksesuaian antara lowongan pekerjaan yang ada dan latar belakang
pendidikan atau keterampilan individu tersebut.
c. Pengangguran Tersembunyi merujuk pada situasi di mana seseorang
sebenarnya memiliki pekerjaan, tetapi tingkat produktivitasnya rendah. Hal
ini bisa disebabkan oleh ketidaksesuaian antara latar belakang pendidikan
dan pekerjaan, atau faktor-faktor lainnya. Jenis pengangguran ini dapat
mengakibatkan produktivitas kerja yang kurang optimal.
d. Setengah Menganggur, adalah kondisi di mana seseorang memiliki
pekerjaan, namun jam kerjanya hanya sebagian kecil dari standar normal,
biasanya kurang dari 7-8 jam per hari. Akibatnya, penghasilan yang
diperoleh mungkin tidak mencukupi kebutuhan hidup karena tingkat kerja
yang tidak optimal.
21
2.9 Indeks Pembangunan Manusia
Menurut Mitha (2021), Indeks Pembangunan Manusia (IPM) merupakan

salah satu indikator yang digunakan oleh suatu negara untuk mengukur tingkat
pencapaian pembangunan. Kualitas pembangunan suatu daerah dapat dinilai
melalui tiga komponen utama dalam IPM, yaitu harapan hidup, standar hidup,
dan pengetahuan. Pada komponen tersebut sekarang menggunakan metode baru,
yaitu lama sekolah dan produk nasional bruto.
Pembangunan manusia adalah suatu program yang memerlukan perhatian
khusus, karena manusia dianggap sebagai aset yang sangat berharga bagi suatu
negara. Penilaian tingkat kemajuan pembangunan manusia dapat diukur melalui
indikator-indikator tertentu, seperti dampak intelektualitas yang mencakup aspek
jasmani (kebugaran dan kesejahteraan fisik) dan aspek non-jasmani. Penilaian
ini dapat tercermin dalam tingkat harapan hidup dan kemampuan daya beli
individu. Selain itu, pengukuran aspek non-fisik dapat dilihat dari tingkat
pendidikan. Beberapa nilai yang digunakan dalam menghitung Indeks
Pembangunan Manusia di seluruh dunia mencakup angka harapan hidup (AHH),
angka melek huruf (AMH), dan standar hidup (Niniek, 2022).
Menurut teori pertumbuhan baru, fokus diberikan pada peran penting
pemerintah dalam proses pembangunan, khususnya dalam pengembangan modal
manusia dan peningkatan produktivitas. Investasi yang dilakukan pemerintah di
sektor pendidikan diharapkan dapat meningkatkan kualitas sumber daya manusia
(SDM), baik dari segi keterampilan maupun pengetahuan. Pandangan ini sejalan
dengan perspektif Adam Smith, yang menekankan bahwa kesejahteraan suatu
bangsa sangat ditentukan oleh kualitas rakyatnya. Efektifnya alokasi sumber
daya manusia dianggap mampu menyebabkan peningkatan pertumbuhan
ekonomi (Marwan, 2019).
2.10 Angkatan Kerja
Secara umum, tenaga kerja dapat didefinisikan sebagai penduduk yang

berada pada usia kerja, yaitu antara 15 hingga 64 tahun. Definisi ini mencakup
seluruh penduduk dalam suatu negara yang memiliki potensi untuk
memproduksi barang dan jasa jika ada permintaan terhadap tenaga mereka, dan
22
mereka bersedia berpartisipasi dalam aktivitas tersebut. Oleh karena itu, semua
individu yang berumur 15 tahun ke atas dapat dikategorikan sebagai tenaga
kerja. Hal ini telah diatur dalam Undang-Undang No. 25 Tahun 1997 Tentang
Ketenagakerjaan, yang mulai berlaku pada tanggal 1 Oktober 1998.
Pemilihan usia minimum 15 tahun didasarkan pada kenyataan bahwa
penduduk di Indonesia yang berusia 15 tahun sudah bekerja atau sedang mencari
pekerjaan, terutama di pedesaan. Demikian pula, Indonesia tidak menetapkan
batasan usia maksimal tenaga kerja karena belum adanya jaminan sosial
nasional. Hanya sebagian kecil masyarakat yaitu pegawai negeri dan sebagian
pegawai swata yang menerima tunjangan hari tua. Bahkan, pendapatan yang
diterima oleh kelompok ini tidak mencukupi untuk memenuhi kebutuhan sehari-
hari. Oleh karena itu, banyak individu dalam kelompok ini, yang sebenarnya
telah mencapai usia pensiun, masih terus bekerja untuk mencukupi kebutuhan
mereka. Hal ini menyebabkan mereka tetap dianggap sebagai bagian dari tenaga
kerja (Simanjuntak, 1998). Tenaga kerja terdiri dari angkatan kerja dan bukan
angkatan kerja.
Angkatan kerja merupakan segmen dari penduduk yang memiliki
kemampuan dan kesiapan untuk bekerja. Kemampuan tersebut mencakup aspek
fisik, jasmani, mental, dan yuridis, di mana individu tersebut tidak hanya mampu
secara fisik dan mental, tetapi juga memiliki kapasitas hukum serta kebebasan
untuk memilih dan menjalankan pekerjaan. Angkatan kerja juga bersedia secara
aktif atau pasif mencari dan melaksanakan pekerjaan (Sumarsono, 2004).
2.11 Tingkat Partisipasi Angkatan Kerja
Tingkat partisipasi angkatan kerja merupakan angka perbandingan antara

jumlah angkatan kerja dan jumlah penduduk usia kerja, biasanya dinyatakan
dalam persentase.
Istilah partisipasi angkatan kerja dan partisipasi kerja memiliki perbedaan
makna. Partisipasi angkatan kerja mengacu pada keikutsertaan dalam angkatan
kerja, yaitu persentase jumlah penduduk usia kerja yang masuk dalam angkatan
kerja. Sementara itu, partisipasi kerja merujuk pada keikutsertaan dalam
23
pekerjaan, yaitu persentase dari angkatan kerja yang sebenarnya memiliki
pekerjaan atau employment rate.
Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan ukuran yang
menunjukkan proporsi penduduk usia kerja yang secara aktif terlibat dalam
mencari pekerjaan di pasar tenaga kerja, baik mereka yang sudah bekerja
maupun yang sedang berusaha mendapatkan pekerjaan. TPAK memberikan
gambaran relatif tentang ketersediaan tenaga kerja yang dapat terlibat dalam
produksi barang dan jasa. Analisis angkatan kerja berdasarkan jenis kelamin dan
kelompok umur dapat memberikan insight mengenai distribusi penduduk yang
aktif secara ekonomi. Secara umum, TPAK digunakan untuk menunjukkan
jumlah penduduk dalam rentang usia produktif yang aktif secara ekonomi (15
tahun ke atas) di suatu negara atau wilayah, serta meunjukan jumlah relatif dan
pasokan tenaga kerja (labour supply) yang tersedia untuk produksi barang dan
jasa dalam suatu perekonomian.
2.12 Tingkat Pendidikan
Berdasarkan Pasal I Undang-Undang Republik Indonesia Nomor 20 Tahun

2003 tentang Sistem Pendidikan Nasional, pendidikan didefinisikan sebagai
usaha sadar dan terencana untuk menciptakan suasana belajar dan proses
pembelajaran, dengan tujuan agar peserta didik dapat berkembang secara aktif.
Pengembangan tersebut melibatkan potensi peserta didik dalam aspek kekuatan
spiritual keagamaan, pengendalian diri, pembentukan kepribadian,
pengembangan kecerdasan, pembentukan akhlak mulia, serta pengembangan
keterampilan yang diperlukan bagi dirinya, masyarakat, bangsa, dan negara.
Pendidikan merupakan suatu proses yang tujuannya untuk meningkatkan
keterampilan, pengetahuan serta meningkatkan kemandirian maupun
pembentukan kepribadian seseorang (Arfida,2003:77). Dari pengertian di atas
dapat disimpulkan bahwa pendidikan adalah suatu proses atau usaha yang
dilakukan individu untuk menambah pengetahuan dan pemahaman yang lebih
tinggi yang diperlukan bagi dirinya, masyarakat, bangsa dan negara.
24
2.13 Kerangka Pemikiran
Analisis regresi adalah sebuah metode dalam statistika yang digunakan

untuk mengukur sejauh mana satu atau lebih variabel bebas mempengaruhi
variabel terikat. Ada dua jenis analisis regresi utama, yaitu analisis regresi linier
dan non-linier. Kedua jenis ini dapat dibagi menjadi analisis regresi sederhana
dan regresi berganda. Dalam konteks ini, regresi linier menunjukkan hubungan
linier antara variabel bebas dan terikat, sementara regresi non-linier
mengakomodasi hubungan yang lebih kompleks antara variabel tersebut (Sari &
Dwidayati, 2018).
Terkadang data untuk penelitian berupa gabunagan data runtun waktu (time
sries) dan data silang (cross section) atau disebut dengan data panel. Terdapat
tiga pendekatan dalam pemodelan data panel yaitu model Common Effect, Fixed
Effect, dan Random Effect.
Keuntungan menggunakan regresi data panel adalah dapat menyediakan
lebih banyak data sehingga mampu menghasilkan derajat bebas yang lebih besar
dan meminimalkan adanya bias. Data seperti data ekonomi dan kependudukan
dinilai paling cocok untuk mempelajari dinamika perubahan. Kerangka berfikir
untuk penelitian ini disajikan pada Gambar 2.2.
Gambar 2.2 Kerangka Berpikir
25
BAB III
METODE PENELITIAN
3.1 Strategi Penelitian
Penelitian ini mengadopsi pendekatan kuantitatif dengan strategi asosiatif,

yang bertujuan untuk menyelidiki hubungan antar variabel yang berbeda namun
memiliki keterkaitan dan pola hubungan sebab-akibat. Strategi asosiatif
digunakan untuk mengukur tingkat keakuratan dan memperluas teori,
memberikan bukti pendukung terhadap hasil penelitian sebelumnya. Jenis data
yang digunakan dalam penelitian ini adalah data kuantitatif, yang
memungkinkan analisis numerik untuk memahami dan menggambarkan
fenomena yang diamati.
Dalam penelitian ini terdapat tiga variabel independen yang digunakan yaitu
Indeks Pembangunan Manusia, Jumlah Angkatan Kerja, Tingkat Partisipasi
Angkatan Kerja dan Tingkat Pendidikan, sedangkan variabel dependen yang
digunakan yaitu Tingkat Pengangguran Terbuka.
3.2 Jenis dan Sumber Data Penelitian
Penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat
Statistik (BPS) Jawa Tengah. Data sekunder merupakan data yang dikumpulkan
dan diolah dari sumber lain, umumnya dalam bentuk publikasi (Hendikawati,
2015). Penggunaan data sekunder memungkinkan peneliti untuk memanfaatkan
informasi yang telah ada dan diterbitkan oleh lembaga resmi, seperti BPS,
sehingga dapat memberikan keandalan dan keakuratan dalam analisis.
Jenis data yang digunakan dalam penelitian ini adalah data panel jumlah
pengangguran terbuka kabupaten/kota di Jawa Tengah dan faktor-faktor yang
diduga mempengaruhi pengangguran seperti Indeks Pembangunan Manusia,
Jumlah Angkatan Kerja, Tingkat Partisipasi Angkatan Kerja, dan Tingkat
Pendidikan tahun 2017-2021. Data panel terdiri dari gabungan data cross section
yaitu 35 kabupaten/kota di Jawa Tengah dan data time series yaitu periote 2017-
2021.
26
3.3 Populasi dan Sampel Penelitian
Data jumlah pengangguran terbuka kabupaten/kota di Jawa Tenah yang

digunakan dalam penelitian ini menggunakan sampel yang berasal dari pupulasi
pengangguran di 35 kabupaten/kota di Jawa Tengah pada tahun 2017-2021. Data
indeks pembangunan manusia, jumlah angkatan kerja, tingkat partisipasi
angkatan kerja, dan tingkat pendidikan merupakan data sampel yang terpilih dari
populasi penduduk Jawa Tengah tahun 2017-2021.
3.4 Variabel Penelitian
Variabel penelitian adalah atribut, sifat, atau nilai yang diberikan oleh
peneliti untuk dianalisis dan ditarik kesimpulan, yang dapat diukur dan memiliki
variasi tertentu (Sugiyono,2019:68). Dalam peneletian ini variabel yang
digunakan terdiri dari variabel independen dan variabel dependen
Variabel independen atau variabel bebas merupakan variabel yang
mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel
dependen (terikat). Variabel independen dalam penelitian ini adalah Indeks
Pembangunan Manusia ( X 1), Jumlah Angkatan Kerja ( X 2 ), Tingkat Partisipasi
Angkatan Kerja ( X 3 ), dan Tingkat Pendidikan( X 4).
Sedangkan Variabel dependen, atau sering disebut variabel terikat, adalah
variabel yang dipengaruhi atau menjadi hasil akibat dari variabel bebas. Dalam
penelitian ini, variabel dependen adalah Tingkat Pengangguran Terbuka (Y).
3.5 Teknik Analisis Data
Analisis regresi data panel (pooled data) merupakan teknik analisis data
yang digunakan dalam penelitian ini. Data panel diperoleh dari gabungan data
cross section yaitu 35 Kabupaten/Kota di Jawa Tengah dan data time series yaitu
dari periode tahun 2017 sampai 2021. Program yang digunakan dalam
membantu proses pengolahan data ialah program Eviews 10. Tahapan Analisiss
data dijabarkan sebagai berikut:
1. Melakukan analisis statistik deskriptif untuk mengidentifikasi
karakteristik dari masing-masing variabel dengan nilai mean, median,
minimal, maksimal, dan standar deviasi.
27
2. Mengestimasi model regresi data panel menggunakan Common Effect
Model (CEM), Random Effect Model (REM), dan Fixed Effect Model
(FEM).
3. Memilih model data panel terbaik menggunakan Uji Chow, Uji
Hausman, dan Uji Lagrange Multiplier (LM).
4. Melakukan uji kelayakan model regresi menggunakan Uji F, Uji t, dan
Koefisien Determinasi
Alur untuk melakukan analisis regresi data panel ditunjukkan pada gambar
3.1.
Gambar 3.1 Alur Penelitian
28
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
Hasil analisis data pengangguran dan faktor-faktornya dengan program

Eviews diperoleh hasil sebagai berikut:
4.1.1 Pemodelan
a. Common Effect Model

Setelah dilakukan pemodelan data pengangguran dan faktor-faktornya di
kabupaten/kota di Jawa Tengah tahun 2017-2021 dengan pendekatan
Common Effect diperoleh hasil sebagaimana ditunjukkan pada tabel 4.1
berikut:
Tabel 4.1 Hasil Model Common Effect
Variable Coefficient Std. Error t-Statistic Prob.
C 30,56103 5,750742 5,314276 0,0000
IPM -0,257857 0,113772 -2,266437 0,0247
AK 1,24E-06 6,65E-07 1,858203 0,0649
TPAK -0,237737 0,042548 -5,587461 0,0000
PND 1,159413 0,422060 2,747031 0,0067
Berdasarkan Tabel 4.1 diperoleh model estimasi dengan pendekatan

Common Effect pada persamaan:
Y^ =30 ,56−0,257 X 1 +1 , 24 ×10 X 2−0,237 X 3+1,159 X 4
−6
Dengan X 1 merupakan variabel Indeks Pembangunan Manusia, X 2

merupakan variabel Jumlah Angkatan Kerja, X 3 merupakan variabel
Tingkat Partisipasi Angkatan Kerja, dan X 4merupakan variabel Tingkat
Pendidikan. Sedangkan Y^ merupakan variabel dependen yaitu Tingkat
Pengangguran Terbuka. Nilai statistik yang diperoleh dari CEM terdapat
pada Lampiran.
b. Random Effect Model
Pemodelan Random Effect dengan bantuan program Eviews
menghasilkan keluaran seperti pada tabel 4.2 berikut:
29
Tabel 4.2 Hasil Model Random Effect
C 10,88050 6,918105 1,572758 0,1177
IPM -0,236071 0,140723 -1,677557 0,0953
AK 3,39E-06 1,03E-06 3,294878 0,0012
TPAK -0,034303 0,035752 -0,959483 0,3387
PND 1,524376 0,519532 2,934133 0,0038

Random Effect sebagai berikut:
Y^ =10 ,88−0 , 23 X 1 +3 , 39× 10 X 2−0,034 X 3 +1,524 X 4
−6

Tingkat Partisipasi Angkatan Kerja, dan X 4 merupakan variabel Tingkat
c. Fixed Effect Model
Pemodelan Fixed Effect dengan bantuan program Eviews menghasilkan
keluaran seperti pada tabel 4.3 berikut:
Tabel 4.3 Hasil Model Fixed Effect
C -10,35486 13,35520 -0,775343 0,4395
IPM -0,099703 0,239564 -0,416187 0,6779
AK 3,37E-05 8,61E-06 3,911896 0,0001
TPAK -0,188500 0,068250 -2,761895 0,0066
PND 2,321552 0,778292 2,982881 0,0034

Fixed Effect sebagai berikut:
Y^ =−10,354−0,099 X 1 +3 ,37 × 10 X 2−0,188 X 3+ 2,321 X 4
−5

30
Tingkat Partisipasi Angkatan Kerja, dan X 4 merupakan variabel Tingkat
4.1.2 Pemilihan Model Terbaik
Pemilihan model terbaik dilakukan dengan menganalisis hasil Uji Chow,

Uji Hasuman dan Uji Lagrange-Multiplier. Berikut adalah hasil dari
pengujian tersebut:
a) Uji Chow
Berdasarkan hasil analisis dengan Eviews 10 didapat nilai Prob-section
Chi-square sebesar 0,000. Nilai probabilitas chi-squares < taraf signifikansi
(0,05), artinya menolak H 0 atau memilih model Fixed Effect dibandingkan
model Common Effect.
b) Uji Hausman
Hasil Uji Hausman didapat nilai probabilitas sebesar 0,000. Nilai
probabilitas < taraf signifikansi (0,05) yang berarti model Fixed Effect lebih
tepat dibanding model Random Effect.
c) Uji Lagrange-Multiplier
Uji Lagrange Multiplier dilakukan jika model ynag terpilih dari uji
Hausman adalah model Random Effect. Pada penelitian ini tidak dilakukan
uji Lagrange Multiplier karena model terpilih pada uji Hausman adalah
model Fixed Effect.
4.1.3 Uji Asumsi Klasik
a. Uji Linieritas
Hasil analisis uji Ramsay RESET dengan nilai probabilitas F-statisitic
sebesar 0,9884. Data penelitian lolos uji linieritas karena nilai probabilitas >
taraf signifikansi sebesar 0,05.
31
b. Uji Normalitas
Gambar 4.1 Hasil Uji Normalitas

Hasil uji Normalitas menunjukkan nilai Jarque-Bera 7,36. Sebuah data
berdisribusi normal jika nilai Jarque-Bera > 0,05 yang berarti data
berdistribusi normal.
c. Uji Multikolinieritas
Hasil uji Multikolinieritas menunjukkan bahwa nilai korelasi variabel
bebas satu sama lain kurang dari 0,85 yang berarti menerima Ho, data tidak
terjadi masalah multikolinieritas.
d. Uji Autokorelasi
Tabel 4.4 Hasil Uji Autokorelasi
Kriteria Statistik Nilai
R-squared 0,369318
Adjusted R-squared 0,338924
Mean dependent var 5,95E-15
S.D. dependent var 1,714288
Akaike info criterion 3,552046
Schwarz criterion 3,714806
Hannan-Quinn criter. 3,618066
Durbin-Watson stat 2,094620
Dalam mendeteksi masalah autokorelasi, nilai Durbin-Watson Statistic

digunakan, dan hasilnya adalah 2,0946. Berdasarkan tabel Durbin-Watson
dengan jumlah variabel bebas sebanyak 4 dan taraf signifikansi 0,05,
diperoleh nilai batas atas (du) sebesar 1,7996 dan batas bawah (dl) sebesar
32
1,7062. Pada model terpilih nilai du < DW < 4-du, yang menunjukkan
bahwa tidak ada masalah autokorelasi dalam model tersebut.
e. Uji Heteroskedastisitas
Hasil uji Heteroskedastisitas dapat diketahui nilai probabilitas Chi-
Square dari uji White sebesar 0,0635. Nilai Chi-Square lebih dari taraf
signifikansi sebesar 0,05. H 0 diterima atau tidak ada masalah
heteroskedastisitas.
4.1.4 Uji Kelayakan Model
Setelah melakukan uji pemilihan model terbaik, model yang terpilih

adalah model Fixed Effect. Uji kelayakan model terpilih yaitu model Fixed
Effect dilakukan dengan cara sebagai berikut:
a. Uji F
Berdasarkan hasil pemodelan Fixed Effect pada Tabel, diperoleh nilai
Prob(F-statistic) sebesar 0,000, yang menunjukkan bahwa nilai tersebut
kurang dari taraf signifikansi sebesar 0,05. Oleh karena itu, H 0 ditolak, yang
berarti bahwa semua variabel bebas secara bersama-sama memiliki
pengaruh yang signifikan terhadap variabel terikat. Dengan demikian,
model ini dipilih, karena dianggap layak untuk diinterpretasikan dalam
konteks pengaruh variabel bebas terhadap variabel terikat.
b. Uji t
Pada Tabel model Fixed Effect dapat diketahui nilai probabilitas masing-
masing variabel bebas. Apabila nilai probabilitas < taraf siginifikansi 0,05
maka H 0 ditolak atau variabel bebas secara individu berpengaruh positif
terhadap variabel terikat. Variabel X 1, Indeks Pembangunan manusia (IPM)
memiliki nilai probabilitas sebesar 0,6779 > 0,05. Variabel X 2 , Angkatan
Kerja (AK) memiliki nilai probabilitas sebesar 0,0001 < 0,05. Variabel X 3 ,
Tingkat Partisipasi Angkatan Kerjaa (TPAK) memiliki nilai probabilitas
sebesar 0,0066 < 0,05. Variabel X 4, Tingkat Pendidikan (PND) memiliki
nilai probabilitas sebesar 0,0034 < 0,05. Dapat diartikan bahwa secara
individu variabel AK, TPAK, dan PND berpengaruh terhadap Tingkat
Pengangguran Terbuka (TPP) kabupaten/kota di Jawa Tengah, sedangkan
33
variabel IPM secara individu tidak berpengaruh terhadap Tingkat
c. Koefisien Determinasi
Berdasarkan hasil estimasi data panel menggunakan Fixed Effect Model
(FEM), diperoleh nilai determinasi (Adjusted R2) Weighted Statistics
sebesar 0,748998. Nilai ini menunjukkan bahwa sebesar 74,8998% tingkat
pengangguran pada kabupaten/kota di Jawa Tengah dapat dijelaskan oleh
variabel independen yang digunakan dalam penelitian ini. Sementara
sisanya, sebesar 25,1002%, dijelaskan oleh faktor-faktor lain di luar model
pada penelitian ini.
4.2 Pembahasan
Estimasi data panel memiliki tiga pendekatan yaitu Common Effect

Model (CEM), Random Effect Model (REM), dan Fixed Effect Model
(FEM). Berdasarkan CEM yang dilakukan variabel Angkatan Kerja ( X 2 )
diperoleh nilai probabilitas sebesar 0,0649 > 0.05, sehingga secara individu
variabel X 2 pada CEM tidak berpengaruh terhadap Tingkat Pengangguran
Terbuka (Y). Hasil dari REM terdapat dua variabel yang > 0,05. Variabel
tersebut adalah Indeks Pembangunan Terbuka ( X 1) sebesar 0,0953 dan
Tingkat Partisipasi Angkatan Kerja ( X 3 ) sebesar 0,3387. Secara individu
variabel X 1 dan X 3 pada REM tidak berpengaruh terhadap Y.
Dalam menentukan model penelitian ini, dilakukan Chow Test dan
Hausman Test. Hasil kedua uji tersebut menunjukkan bahwa Fixed Effect
Model (FEM) lebih tepat digunakan pada penelitian ini.
1. Chow Test digunakan untuk menentukan model yang paling sesuai
untuk penelitian, apakah Common Effect Model atau Fixed Effect
Model. Hasil pengujian menunjukkan bahwa nilai probabilitas Cross-
Section F adalah 0,0000, lebih kecil dari taraf signifikansi 5%.
Berdasarkan temuan ini, model yang paling tepat untuk digunakan
dalam penelitian ini adalah Fixed Effect Model.
2. Hausman Test digunakan untuk menentukan pilihan antara model
Random Effect atau model Fixed Effect dalam penelitian ini. Hasil
34
pengujian menunjukkan nilai probabilitas sebesar 0,000, yang lebih
kecil dari taraf signifikansi (0,05). Berdasarkan hasil ini, dapat
disimpulkan bahwa model yang lebih sesuai untuk digunakan dalam
penelitian ini adalah model Fixed Effect.
Hasil estimasi menggunakan model Fixed Effect diperoleh nilai
probabilitas masing-masing variabel bebas. Jika nilai probabilitas masing-
masing variabel bebas kurang dari taraf signifikansi 0,05, maka hipotesis
nol ditolak, yang berarti bahwa variabel bebas secara individu memiliki
pengaruh positif terhadap variabel terikat. Variabel X 1, Indeks
Pembangunan manusia (IPM) memiliki nilai probabilitas sebesar 0,6779 >
0,05. Variabel X 2 , Angkatan Kerja (AK) memiliki nilai probabilitas sebesar
0,0001 < 0,05. Variabel X 3 , Tingkat Partisipasi Angkatan Kerjaa (TPAK)
memiliki nilai probabilitas sebesar 0,0066 < 0,05. Variabel X 4, Tingkat
Pendidikan (PND) memiliki nilai probabilitas sebesar 0,0034 < 0,05. Dapat
diartikan bahwa secara individu variabel AK, TPAK, dan PND berpengaruh
terhadap Tingkat Pengangguran Terbuka (TPP) kabupaten/kota di Jawa
Tengah, sedangkan variabel IPM secara individu tidak berpengaruh
terhadap Tingkat Pengangguran Terbuka di Jawa Tengah.
Variabel Angkatan Kerja (AK) memiliki nilai koefisien 3,37 dan nilai
signifikansi 0,0001<0 , 05 . Variabel angkatan kerja secara signifikan dan
positif berpengaruh terhadap Tingkat Pengangguran Terbuka (TPT)
Kabupaten/Kota di Jawa Tengah, artinya jika AK mengalami kenaikan
sebanyak 1 orang mengakibatkan TPT mengalami peningkatan sebesar
3,37%. Hasil ini sesuai dengan penelitian yang dilakukan oleh Zahroh
(2017) bahwa salah satu yang mempengaruhi pengangguran adalah Jumlah
Angkatan kerja. Dikarenakan ketika angkatan kerja semakin bertambah
namun lapangan pekerjaan yang tersedia tidak sebanding, hal ini akan
mengakibatkan peningkatan jumlah pengangguran. Kurangnya pemanfaatan
tenaga kerja menjadi gejala umum, bukan hanya terjadi di negara-negara
berkembang dengan tingkat pengangguran tinggi, tetapi juga di negara-
negara maju. Perbedaan utama terletak pada spesifikasi penyebab dan
proporsi. Di negara-negara maju, penyebab utama pengangguran seringkali
35
terkait dengan tingkat pendidikan yang terlalu tinggi atau over edukasi,
sehingga banyak angkatan kerja yang mengalami pengangguran.
Variabel Tingkat Partisipasi Angkatan kerja (TPAK) memiliki nilai
koefisien −0 , 18 dan nilai signifikansi sebesar 0 , 006< 0 ,05. Dapat
disimpulkan bahwa variabel TPAK mempunyai pengaruh negatif dan
signifikan terhadap Tingkat Pengangguran Terbuka (TPT). Ketika TPAK
mengalami kenaikan 1% maka akan menyebabkan berkurangnya TPT
sebanyak −0 , 18 %. Hal ini sedikit bertentangan dengan hasil penelitian
yang dilakukan oleh Muslim (2021) bahwa TPAK memiliki pengaruh
positif dan signifikan terhadap tingkat pengangguran.
Variabel Pendidikan (PND), dari hasil estimasi didapat nilai koefisien
2,321 dan nilai signifikansi sebesar 0,0034 <0 , 05 yang artinya variabel
PND berpengaruh postif dan sinifikan terhadap Tingkat Pengangguran
Terbuka (TPT). Ketika tingkat pendidikan mengalami kenaikan 1% akan
menyebabkan peningkatan tingkat pengangguran terbuka sebesar 2,321%.
Hasil ini sedikit berbeda dengan apa yang dikatakan oleh Prakoso (2020),
Pendidikan memiliki pengaruh yang signifikan dan bersifat negatif terhadap
tingkat pengangguran. Peran penting pendidikan terletak pada peningkatan
kualitas sumber daya manusia, di mana peningkatan tingkat pendidikan
diharapkan mampu meningkatkan kualitas sumber daya manusia yang ada.
36
BAB V
PENUTUP
5.1 Simpulan
Berdasarkan hasil dan pembahasan pada penelitian ini dapat disimpulkan

sebagai berikut:
1. Dari tiga pendekatan estimasi data panel yaitu Common Effect Model
(CEM), Fixed Effect Model (FEM), dan Random Effect Model (REM),
model terbaik yang sesuai untuk memodelkan tingkat pengangguran terbuka
Kabupaten/Kota di Jawa Tengah dari tahun 2017-2021 adalah Fixed Effect
Model.
2. Secara bersama-sama Indeks Pembangunan manusia (IPM), Angkatan Kerja
(AK), Tingkat Partisipasi Angkatan Kerja (TPAK), dan Tingkat Pendidikan
(PND) berpengaruh terhadap Tingkat Pengangguran Terbuka (TPP)
kabupaten/kota di Jawa Tengah. Secara individu variabel Angkatan Kerja
(AK), Tingkat Partisipasi Angkatan Kerja (TPAK), dan Tingkat Pendidikan
(PND) berpengaruh terhadap Tingkat Pengangguran Terbuka
kabupaten/kota di Jawa Tengah, sedangkan variabel Indeks Pembangunan
manusia (IPM) secara individu tidak berpengaruh terhadap Tingkat
3. Berdasarkan estimasi data panel menggunakan Fixed Effect Model diperoleh
bahwa Indeks Pembangunan Manusia, Angkatan Kerja, Tingkat Pertisipasi
Angkatan kerja, dan Tingkat Pendidikan secara bersama-sama
mempengaruhi Tingkat Pengangguran Terbuka di Jawa Tengah dengan
pengaruh sebesar 74,89%, sedangkan sisanya 25,11% dipengaruhi oleh
variabel lain yang tidak diteliti pada penelitian ini.
5.2 Saran
Berdasarkan analisis dan pembahasan mengenai pengaruh indeks

pembangunan manusia, jumlah angkatan kerja, tingkat partisipasi angkatan
kerja, dan tingkat pendidikan terhadap tingkat pengangguran terbuka
kabupaten/kota di jawa tengah, diajukan beberapa saran sebagai berikut:
37
1. Peningkatan Indeks Pembangunan Manusia (IPM) setiap tahunnya
seharusnya juga diiringi oleh peningkatan kesejahteraan masyarakat secara
keseluruhan. Diharapkan pemerintah membuka pelatihan keterampilan
untuk melatih masyarakat agar dapat mandiri dan dapat berinovasi supaya
bisa membuka lapangan pekerjaan dan mandiri, maka diharapkan dapat
mengurangi jumlah pengangguran.
2. Peningkatan angkatan kerja dan Tingkat Partisipasi Angkatan Kerja yang
terus meningkat setiap tahunnya seharusnya diimbangi dengan ketersediaan
lapangan kerja yang memadai. Oleh karena itu, diharapkan pemerintah
dapat menciptakan lapangan kerja baru yang dapat menyerap sejumlah besar
tenaga kerja, sehingga dapat mengurangi tingkat pengangguran.
3. Pemerintah hendaknya mempertimbangkan faktor pendidikan dalam upaya
menekan tingkat pengangguran yang ada. Karena faktor pendidikan
memiliki pengaruh kuat terhadap penyerapan tenaga kerja, dengan
meningkatkan kualitas tenaga kerja untuk meningkatkan kesempatan dalam
mendapatkan pekerjaan.
38
DAFTAR PUSTAKA
Anggoro, M. H., & Soesatyo, Y. (2013). Pengaruh Pertumbuhan Ekonomi dan

Pertumbuhan Angkatan Kerja terhadap Tingkat Pengangguran di kota Surabaya.
Jurnal Pendidikan Ekonomi (JUPE). Vol. 3. No. 3. Hal. 1-13
http://ejournal.unesa.ac.id/index.php/jupe/article/view/12553/16292
Arizal, M., dan Marwan. 2019. Pengaruh Produk Domestik Regional Bruto dan Indeks
Pembangunan Manusia Terhadap Tingkat Pengangguran Terbuka di Provinsi
Sumatera Barat. Jurnal EcoGen. Vol. 10. No. 3. Hal. 433-442.
Ashari, Rafi T., Athoillah, M. 2023. Analisis Tingkat Pengangguran Terbuka, Tingkat
Partisipasi Angkatan Kerja, Upah Minimum, Indeks Pembangunan Manusia,
Pertumbuhan Ekonomi dan Jumlah Penduduk Terhadap Kemiskinan di Kawasan
Tapal Kuda. Journal of Development Economic and Social Studies.Vol. 2. No. 2.
Badria, Frida A. 2021. “Pengaruh Pertumbuhan Ekonomi, Tingkat Partisipasi Angkatan
Kerja, dan Upah Minimum Provinsi Terhadap Pengangguran di Indonesia Tahun
2011-2020.” Skripsi. Jurusan Ekonomi Syariah Institut Agama Islam Negeri
Ponorogo.
Baltagi, B. H. (2005). Econometric Analysis of Panel Data. J. Wiley & Sons.
Gujarati, D. N. (2004). Basic Econometrics, 4th Edition. Tata McGraw Hill.
Hendikawati, Putriaji. (2015). Statistika: Metode dan Aplikasinya dengan Excel dan
SPSS. Semarang: FMIPA Universitas Negeri Semarang.
Kartika, Rinta., dan Muslim, Irwan. 2021. Analisis Faktor-Faktor yang Mempengaruhi
Pengangguran di Indonesia.
Mahroji, D.,dan Nurkhasanah, I. 2019. Pengaruh Indeks Pembangunan Terhadap
Tingkat Pengangguran di Provinsi Banten. Jurnal Ilmu Ekonomi. Vol. 9. No. 1.
Hal. 51-72.
Mulyadi, S. 2003. Ekonomi Sum ber Daya Manusia: Dalam Perspektif Pembangunan.
Jakarta: PT Raja Grafindo Persada.
Prakoso, Elang S. 2020. Analisis Pengaruh Tingkat Pendidikan, Upah Minimum,
Inflasi, dan Investasi Terhadap Tingkat Pengangguran di Indonesia Periode 2010-
2019. Jurnal Ekonomi. Fakultas Ekonomi dan Bisnis Universitas Brawijaya
Malang.
39
Rahmaniar, A. 2019. “Aplikasi Regresi Data Panel untuk Analisis Faktor-Faktor yang
Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Tengah.” Skripsi. Jurusan
Matematika Universitas Negeri Semarang.
Saputra, Whisnu Adi (2011). “Analisis Pengaruh Jumlah Penduduk, PDRB, IPM,
Pengangguran Terhadap Tingkat Kemiskinan Di Kabupaten/Kota Jawa Tengah.”
Skripsi. Jurusan Ilmu Ekonomi Universitas Diponegoro.
Sugiyono. 2019. Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta
Bandung.
Wahyuni, Daru. 2005. Peran sektor informal dalam menanggulangi masalahan
pengangguran di Indonesia. Jurnal Economia, Vol. 1, No.1.
Yuliana, Ummi A. 2022. Pemodelan Regresi Data Panel Untuk Memprediksi
Ketersediaan Beras di Kabupaten Bojonegoro. Jurnal Statistika dan Komputasi.
Zahroh, Sofiatuz. 2017. Analisis Pengaruh PDRB, Angkatan Kerja, dan Upah Minimum
Terhadap Pengangguran di Kota Malang. Jurnal Ekonomi. Fakultas Ekonomi dan
Bisnis Universitas Brawijaya Malang.
40
LAMPIRAN
Lampiran 1. Data Penelitian
Kabupaten / Kota Tahun IPM AK TPAK PND TPT

Kabupaten Cilacap 2017 68.9 841,406 66.22 6.91 6.3
Kabupaten Banyumas 2017 70.75 823,279 65.19 7.4 4.62
Kabupaten Banyumas 2020 70.75 877,555 66.66 7.52 6
Kabupaten Purbalingga 2017 67.72 489,947 71.68 6.87 5.33
Kabupaten Purbalingga 2018 68.41 492,403 70.58 7 6.02
Kabupaten Banjarnegara 2017 65.86 487,457 70.95 6.27 4.72
Kabupaten Kebumen 2017 68.29 593,658 66.84 7.29 5.58
Kabupaten Purworejo 2017 71.31 355,356 64.48 7.69 3.64
Kabupaten Wonosobo 2017 66.89 422,200 72.37 6.51 4.18
Kabupaten Magelang 2017 68.39 722,295 74.49 7.41 2.44
Kabupaten Boyolali 2017 72.64 523,899 69.96 7.44 3.67
41
Kabupaten Klaten 2017 74.25 613,345 66.93 8.23 4.35
Kabupaten Sukoharjo 2017 75.56 460,717 67.29 8.71 2.27
Kabupaten Wonogiri 2017 68.66 544,557 71.22 6.68 2.38
Kabupaten Karanganyar 2017 75.22 472,241 70.24 8.5 3.17
Kabupaten Sragen 2017 72.4 488,876 71.12 7.04 4.55
Kabupaten Grobogan 2017 68.87 747,105 72.15 6.66 3.02
Kabupaten Blora 2017 67.52 468,609 70.21 6.45 2.85
Kabupaten Blora 2018 67.95 493,147 72.99 6.46 3.3
Kabupaten Blora 2019 68.65 466,149 68.54 6.58 3.82
Kabupaten Blora 2020 68.84 492,071 71.9 6.83 4.89
Kabupaten Blora 2021 69.37 485,525 70.54 6.99 3.81
Kabupaten Rembang 2017 68.95 346,570 70.78 6.94 3.19
Kabupaten Pati 2017 70.12 648,233 66.83 7.08 3.83
Kabupaten Pati 2018 70.71 656,788 66.78 7.18 3.57
Kabupaten Pati 2019 71.35 655,111 66.08 7.19 3.64
42
Kabupaten Pati 2020 71.77 637,950 63.85 7.44 4.74
Kabupaten Pati 2021 72.28 694,427 68.99 7.48 4.6
Kabupaten Kudus 2017 73.84 469,843 71.75 8.31 3.56
Kabupaten Kudus 2018 74.58 484,031 72.37 8.62 3.28
Kabupaten Kudus 2019 74.94 488,718 72.05 8.63 3.8
Kabupaten Kudus 2020 75 512,319 74.5 8.75 5.53
Kabupaten Kudus 2021 75.16 521,094 74.77 8.76 3.77
Kabupaten Jepara 2017 70.79 640,393 69.85 7.33 4.84
Kabupaten Demak 2017 70.41 574,999 67.73 7.47 4.47
Kabupaten Demak 2018 71.26 614,758 70.96 7.48 7.03
Kabupaten Demak 2019 71.87 594,113 67.72 7.55 5.42
Kabupaten Demak 2020 72.22 619,892 69.79 7.71 7.31
Kabupaten Demak 2021 72.57 595,111 66.23 7.86 5.28
Kabupaten Semarang 2017 73.2 607,096 76.37 7.87 1.78
Kabupaten Temanggung 2017 68.34 434,389 74.37 6.9 2.97
Kabupaten Kendal 2017 70.62 484,859 66.49 6.85 4.93
Kabupaten Batang 2017 67.35 388,307 67.7 6.61 5.82
Kabupaten Pekalongan 2017 68.4 461,536 70.98 6.73 4.39
Kabupaten Pemalang 2017 65.04 622,598 65.57 6.31 5.59
43
Kabupaten Tegal 2017 66.44 696,162 66.41 6.55 7.33
Kabupaten Tegal 2018 67.33 695,264 65.41 6.7 8.24
Kabupaten Tegal 2019 68.24 711,140 66.5 6.86 8.12
Kabupaten Tegal 2020 68.39 715,224 66.52 6.98 9.82
Kabupaten Tegal 2021 68.79 715,845 66.24 6.99 9.97
Kabupaten Brebes 2017 64.86 895,712 67.42 6.18 8.04
Kota Magelang 2017 77.84 62,775 65.32 10.3 6.68
Kota Magelang 2018 78.31 66,899 68.89 10.31 4.78
Kota Magelang 2019 78.8 63,418 64.95 10.33 4.37
Kota Magelang 2020 78.99 66,311 67.61 10.39 8.59
Kota Magelang 2021 79.43 66,086 67.07 10.62 8.73
Kota Surakarta 2017 80.85 271,527 66.1 10.38 4.47
Kota Surakarta 2018 81.46 274,109 66.01 10.53 4.35
Kota Surakarta 2019 81.86 289,269 69.27 10.54 4.16
Kota Surakarta 2020 82.21 288,959 68.84 10.69 7.92
Kota Surakarta 2021 82.62 282,178 66.89 10.9 7.85
Kota Salatiga 2017 81.68 104,989 70.53 10.15 3.96
Kota Salatiga 2018 82.41 109,761 72.15 10.4 4.23
Kota Salatiga 2019 83.12 103,519 66.96 10.41 4.33
Kota Salatiga 2020 83.14 110,256 70.23 10.42 7.44
Kota Salatiga 2021 83.6 112,124 70.36 10.66 7.26
Kota Semarang 2017 82.01 963,496 69.87 10.5 6.61
Kota Semarang 2018 82.72 931,954 65.93 10.51 5.21
Kota Semarang 2019 83.19 962,320 66.87 10.52 4.5
Kota Semarang 2020 83.05 1,023,964 69.89 10.53 9.57
Kota Semarang 2021 83.55 1,034,794 69.41 10.78 9.54
Kota Pekalongan 2017 73.77 157,445 69.28 8.56 5.05
Kota Pekalongan 2018 74.24 162,881 70.36 8.57 6.08
Kota Pekalongan 2019 74.77 169,603 72.46 8.71 5.8
Kota Pekalongan 2020 74.98 157,260 66.45 8.96 7.02
Kota Pekalongan 2021 75.4 181,210 75.77 9.18 6.89
Kota Tegal 2017 73.95 124,736 66.33 8.29 8.19
Kota Tegal 2018 74.44 124,913 65.54 8.3 7.81
Kota Tegal 2019 74.93 133,510 69.61 8.31 8.08
Kota Tegal 2020 75.07 124,590 64.57 8.51 8.4
Kota Tegal 2021 75.52 132,440 68.25 8.73 8.25
Lampiran 2. Hasil Pemodelan Common Effect
Dependent Variable: TPT

Method: Panel Least Squares
Date: 01/08/24 Time: 20:43
Sample: 2017 2021
44
Periods included: 5
Cross-sections included: 35
Total panel (unbalanced) observations: 171
C 30.56103 5.750742 5.314276 0.0000

IPM -0.257857 0.113772 -2.266437 0.0247
AK 1.24E-06 6.65E-07 1.858203 0.0649
TPAK -0.237737 0.042548 -5.587461 0.0000
PND 1.159413 0.422060 2.747031 0.0067
R-squared 0.213528 Mean dependent var 5.128421

Adjusted R-squared 0.194577 S.D. dependent var 1.934519
S.E. of regression 1.736141 Akaike info criterion 3.970010
Sum squared resid 500.3548 Schwarz criterion 4.061872
Log likelihood -334.4359 Hannan-Quinn criter. 4.007284
F-statistic 11.26730 Durbin-Watson stat 0.781918
Prob(F-statistic) 0.000000
Lampiran 3. Hasil Pemodelan Random Effect

Method: Panel EGLS (Cross-section random effects)
45
Date: 01/08/24 Time: 20:48
Sample: 2017 2021
Periods included: 5
Swamy and Arora estimator of component variances
C 10.88050 6.918105 1.572758 0.1177

IPM -0.236071 0.140723 -1.677557 0.0953
AK 3.39E-06 1.03E-06 3.294878 0.0012
TPAK -0.034303 0.035752 -0.959483 0.3387
PND 1.524376 0.519532 2.934133 0.0038
Effects Specification
S.D. Rho
Cross-section random 1.180416 0.5973

Idiosyncratic random 0.969195 0.4027
Weighted Statistics

S.E. of regression 1.157462 Sum squared resid 222.3933
Unweighted Statistics

Sum squared resid 618.8004 Durbin-Watson stat 0.446104
Lampiran 4. Hasil Pemodelan Fixed Effect

Method: Panel Least Squares
46
Date: 01/08/24 Time: 20:45
Sample: 2017 2021
Periods included: 5
C -10.35486 13.35520 -0.775343 0.4395

IPM -0.099703 0.239564 -0.416187 0.6779
AK 3.37E-05 8.61E-06 3.911896 0.0001
TPAK -0.188500 0.068250 -2.761895 0.0066
PND 2.321552 0.778292 2.982881 0.0034
Effects Specification
Cross-section fixed (dummy variables)

Lampiran 5. Hasil Uji Chow
Redundant Fixed Effects Tests

Equation: Untitled
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 11.784311 (34,132) 0.0000

Cross-section Chi-square 238.561034 34 0.0000
Lampiran 6. Hasil Uji Hausman
Correlated Random Effects - Hausman Test

Equation: Untitled
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Cross-section random 73.383861 4 0.0000
Lampiran 7. Hasil Uji Linieritas

Ramsey RESET Test
Equation: UNTITLED
47
Specification: TPT C IPM AK TPAK PND
Omitted Variables: Squares of fitted values
Value df Probability
t-statistic 0.014596 169 0.9884
F-statistic 0.000213 (1, 169) 0.9884
Likelihood ratio 0.000221 1 0.9881
F-test summary:
Sum of Sq. df Mean
Squares
Test SSR 0.000645 1 0.000645
Restricted SSR 511.3484 170 3.007932
Unrestricted SSR 511.3478 169 3.025727
LR test summary:
Value
Restricted LogL -342.1375
Unrestricted LogL -342.1373
Unrestricted Test Equation:

Method: Least Squares
Date: 01/10/24 Time: 09:15
Sample: 1 175
Included observations: 175
C 28.77027 44.39519 0.648049 0.5178

IPM -0.236341 0.413245 -0.571916 0.5681
AK 1.19E-06 2.20E-06 0.541545 0.5888
TPAK -0.224594 0.380130 -0.590835 0.5554
PND 1.067567 1.857737 0.574660 0.5663
FITTED^2 0.002332 0.159778 0.014596 0.9884

Lampiran 8. Hasil Uji Normalitas
48
Lampiran 9. Hasil Uji Multikolinieritas
IPM AK TPAK PND

IPM 1 -0.3352217566933826 0.009603653140106279 0.7640498947121439
AK -0.3352217566933826 1 -0.04959773095105029 -0.3737976336391581
TPAK 0.009603653140106279 -0.04959773095105029 1 -0.01510606639435781
PND 0.7640498947121439 -0.3737976336391581 -0.01510606639435781 1
Lampiran 10. Hasil Uji Autokorelasi

Breusch-Godfrey Serial Correlation LM Test:
F-statistic 24.30180 Prob. F(4,166) 0.0000

Obs*R-squared 64.63067 Prob. Chi-Square(4) 0.0000
Test Equation:
Dependent Variable: RESID
Date: 01/10/24 Time: 09:26
Sample: 1 175
Presample missing value lagged residuals set to zero.
R-squared 0.369318 Mean dependent var 5.95E-15

Lampiran 11. Hasil Uji Heteroskedastisitas
49
Heteroskedasticity Test: White
F-statistic 2.931529 Prob. F(14,160) 0.0005

Obs*R-squared 35.72520 Prob. Chi-Square(14) 0.0635
Scaled explained SS 22.80622 Prob. Chi-Square(14) 0.0011
Test Equation:
Dependent Variable: RESID^2
Date: 01/10/24 Time: 09:27
Sample: 1 175
C -291.0230 390.3706 -0.745505 0.4571

IPM^2 -0.256014 0.143894 -1.779181 0.0771
IPM*AK -2.89E-07 1.64E-06 -0.175900 0.8606
IPM*TPAK 0.021498 0.072944 0.294723 0.7686
IPM*PND 1.701669 0.907304 1.875523 0.0625
IPM 22.70625 14.53071 1.562638 0.1201
AK^2 1.76E-11 5.62E-12 3.126114 0.0021
AK*TPAK 4.34E-07 4.97E-07 0.873580 0.3837
AK*PND 1.14E-06 6.36E-06 0.178791 0.8583
AK -3.56E-05 8.40E-05 -0.423206 0.6727
TPAK^2 0.023761 0.018913 1.256332 0.2108
TPAK*PND 0.061081 0.286670 0.213069 0.8315
TPAK -5.731960 4.092134 -1.400726 0.1632
PND^2 -2.958188 1.569970 -1.884232 0.0613
PND -82.41333 47.35112 -1.740473 0.0837

50

Ichwan Prayogi - TA

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ichwan Prayogi - TA

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGARUH INDEKS PEMBANGUNAN MANUSIA, JUMLAH

ANGKATAN KERJA, TINGKAT PARTISIPASI ANGKATAN KERJA,

PROGRAM STUDI STATISTIKA TERAPAN DAN KOMPUTASI

Ichwan Prayogi. 2024. Pengaruh Indeks Pembangunan Manusia, Jumlah Angkatan

Tingginya tingkat pengangguran di suatu negara dapat memberikan dampak negatif

A high level of unemployment in a country can have a negative impact on that

1.1 Latar Belakang

Sebagai negara berkembang, Indonesia menghadapi berbagai persoalan

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, beberapa masalah yang dapat dirumuskan

1.3 Tujuan Penelitian

Tujuan dari penilitian tugas akhir ini adalah :

1.4 Manfaat Penelitian

2.1 Penelitian Terdahulu

Sudah banyak penelitian yang dilakukan untuk mengkaji faktor-faktor yang

2.2 Analisis Regresi

2.3 Model Regresi Data Panel

2.4 Estimasi Data Panel

1. Common Effect Model (CEM)

2.5 Pemilihan Model Estimasi Terbaik

H 0 : model terpilih common effect

𝑘 = jumlah variabel independen

2.6 Uji Asumsi Klasik

Pengujian asumsi klasik dilakukan untuk memeriksa apakah model yang

2.6.1 Uji Linieritas

Menurut Dewi (2016), Uji Linieritas digunakan untuk menguji apakah

2.6.2 Uji Normalitas

2.6.3 Uji Autokorelasi

Uji Autokorelasi dilakukan untuk menguji adanya hubungan residual

Nilai du dan dl pada tabel Durbin-Watson digunakan sebagai batas atas

2.6.4 Uji Multikolinieritas

Uji multikolinieritas dilakukan untuk mengidentifikasi sejauh mana

2.6.5 Uji Heteroskedastisitas

Uji heteroskedastisitas dilakukan untuk memeriksa apakah varian dari

2.7 Uji Kelayakan Model Regresi

Uji F digunakan untuk mengevaluasi apakah setidaknya satu variabel

Uji t digunakan untuk mengevaluasi apakah koefisien regresi untuk suatu

2.7.3 Koefisien Determinasi

Menurut Santosa & Ashari (2005), koefisien determinasi (R-squared)

Pengangguran merujuk kepada kondisi seseorang yang tidak memiliki

Menurut Mitha (2021), Indeks Pembangunan Manusia (IPM) merupakan

2.10 Angkatan Kerja

Secara umum, tenaga kerja dapat didefinisikan sebagai penduduk yang

2.11 Tingkat Partisipasi Angkatan Kerja

Tingkat partisipasi angkatan kerja merupakan angka perbandingan antara

2.12 Tingkat Pendidikan

Berdasarkan Pasal I Undang-Undang Republik Indonesia Nomor 20 Tahun

Analisis regresi adalah sebuah metode dalam statistika yang digunakan

Gambar 2.2 Kerangka Berpikir

3.1 Strategi Penelitian

Penelitian ini mengadopsi pendekatan kuantitatif dengan strategi asosiatif,

3.2 Jenis dan Sumber Data Penelitian

Data jumlah pengangguran terbuka kabupaten/kota di Jawa Tenah yang

3.4 Variabel Penelitian

3.5 Teknik Analisis Data

Gambar 3.1 Alur Penelitian

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

Hasil analisis data pengangguran dan faktor-faktornya dengan program

a. Common Effect Model

Berdasarkan Tabel 4.1 diperoleh model estimasi dengan pendekatan

Dengan X 1 merupakan variabel Indeks Pembangunan Manusia, X 2

Berdasarkan Tabel 4.2 diperoleh model estimasi dengan pendekatan