analisis proyeksi investasi, tenaga kerja...
TRANSCRIPT
ANALISIS PROYEKSI INVESTASI, TENAGA KERJA DAN
PERTUMBUHAN EKONOMI DI KABUPATEN/KOTA
PROVINSI JAWA BARAT TAHUN 2015-2019
SKRIPSI
Diajukan Kepada Fakultas Ekonomi Dan Bisnis
Untuk Memenuhi Syarat-Syarat Guna Meraih Gelar Sarjana Ekonomi
Disusun oleh
VALLERIO RAGA ARMADHAN
NIM : 1111084000015
JURUSAN ILMU EKONOMI DAN STUDI PEMBANGUNAN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
1436 H/2015 M
i
ANALISIS PROYEKSI INVESTASI, TENAGA KERJA DAN
PERTUMBUHAN EKONOMI DI KABUPATEN/KOTA
PROVINSI JAWA BARAT TAHUN 2015-2019
Oleh
VALLERIO RAGA ARMADHAN
NIM : 1111084000015
JURUSAN ILMU EKONOMI DAN STUDI PEMBANGUNAN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
1436 H/2015 M
ANALISIS PROYEKSI INVESTASI,TENAGA KERJA DAN
PERTUMBUHAN EKONOMI DI KABUPATENIKOTA PROVINSI JAWA
BARAT TAHUN 2OI5-2A$
SKRIPSI
Diajukan Kepada Fakultas Ekonomi dan Bisnis
untuk Memenuhi Syarat Guna Memperorr;h Gelar sarjana Ekonomi
Disusun Oleh:
Vatrlerio Raga Armadhan
1 1 1 108400001s
Dibawah Bimbingan:
Pembimbing I
Prof.D r.A bdul Hamid,MSNIP: 19570617198503 1 002 NIP : 1977L1118200s011003
JURUSAN ILMU EKONOMI DAN STUDI PEMBANGUNAN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARTF HIDAYATULLAH
JAKARTA
1437 }It2015 M
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF
Hari inijumat, 13 Februari20l5 telah dilakukan Ujian Koniprehensif atas mahasiswa:
Nama : Vallerio Raga ArmadhanNIM : 11110840000i5Jurusan : Ilmu Ekonomi dan Studi Pembangunan
4. Judul Skripsi : Proyelsi Investasi,Tenaga Kerja danPertumbuhan Ekonomi di KabupatenlKota provinsi JawaBarat tahun 2015-2019
Setelah mencermati dan memperhatikan penampilan serta kemampuan yangbersangkutan selama proses ujian Komprehensif, maka diputuskan bahwa mahasiswatersebut di atas dinyatakan LULUS dan diberi kesempatan untuk melanjutkan ketahap Ujian Slaipsi sebagai salah satu syarat untuk memperoleh gelar SarjanaEkonomi pada Fakultas Ekonomi dan Bisnis Universitas Islam Negeri Syar1fHidayatullah Jakarta.
Jakalta, .Iuinat 12 if.ei 2AI5
i. ZAenalMuttaqin,MPPNIP: 197905$ 2A1101 1006
Fitri Arnalia, S.Pd., M.SiNIP : i 98207 lA 2009122002
M.Hartana I.P. ,M.SiNIP: 19680605 200801 10203
1.
2.aJ.
2.
-1-
111
Y
LEMBAR PENGESAHAN UJIAN SKRIPSI
F{ari ini Selasa,l5 Desember 2015 telah dilakukan Ujian Skripsi atas mahasiswa :
1. Nama
2. NIM3. Jurusan
4. Judul Skripsi
: Vallerio Raga Armadhan
:1111084000015
: Ilmu Ekonomi dan Studi Pembangunan
: Analisis Proyeksi Investasi,Tenaga Kerja dan Pertumbuhan
Ekonomi di Provinsi Jawa Barat Tahun 2015-2019.
Setelah mencermati dan memperhatikan penampilan serta kemampuan yang
bersangkutanselama proses ujian Skripsi,maka diputuskan bahwa mahasiswa di atas
dinyatakan I-ULUS dan skripsi ini diterima sebagai salah satu syarat untukmemperoleh gelar Sarjana Ekonomi pada Fakultas Ekonomi dan Bisnis Universitas
Islam Negeri Syarif Hidayatullah .Iakarta.
Jakarta,l5 Desember 201 5
l. Dr. Desmadi Saharuddin. MANiP : I 97207 11200501 107
2. Rizqon Halal Syah Aji, M.Si
NIP : 19790405201101 1005
3. M.Hartana.i.Putra, M.SiNIP : 1 968060520080110203
4. Prof,Dr. Abdul Hamid, MSNIP : 1957061 71985031002
5. Arief Fitrijanto, M.SiNIP : 1977111 18200501 1003
Sekretaris
Pembimbing I
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAII
Yang bertanda tangan dibawah ini :
Nama
No. Induk Mahasiswa
Fakultas
Jurusan
Vallerio Raga
1 I 1 1084000015
Ekonomi dan Bisnis
Ilmu Ekonomi dan Studi Pembangunan
Dengan ini menyatakan bahwa dalam penulisan skripsi ini saya :
Tidak menggunakan ide orang lain tanpa mampu mengembangkan dan
mempertanggun gi awabkan
Tidak melakukan plagiat terhadap naskah karya orang Iain
Tidak menggunakan karya orang lain tanpa menyebutkan sumber asli atau
tanpa ijin pemilik karya
Tidak melakukan pemanipulasian dan pemalsuan data
Mengerjakan sendiri karya ini dan mampu bertanggung jawab atas karya
ini
Jikalau dikemudian hari ada tuntutan dari pihak lain atas karya saya, dan telah melalui
pembuktian yang dapat dipertanggung-jawabkan, ternyata memang ditemukan bahwa
bukti bahwa saya telah melanggar pernyataan di atas, maka saya siap untuk dikenakan
sanksi berdasarkan aturan yang berlaku di Fakultas Ekonomi dan Bisnis UIN Syarif
Hidayatullah Jakarta.
Demikian pemyataan ini saya buat dengan sesungguhnya.
Jakarta, 20 November 2015
Yang menyatakan
1.
2.
3.
4.
5.
IV
Vallerio Raga Armadhan
v
DAFTAR RIWAYAT HIDUP
I. IDENTITAS PRIBADI
Nama : Vallerio Raga Armadhan
Tempat, Tanggal Lahir : Surabaya, 28 Maret 1992
Alamat : Bumi Sentosa blok B5 no 3 RT.02 RW.07,
Nanggewer, Cibinong, Kabupaten Bogor.
Telepon : 085852716291
II. PENDIDIKAN
SD : SDN Manukan Wetan 2/555 Surabaya
SMP : SMPN 124 Jakarta Selatan
SMA : SMAN 55 Jakarta Selatan
III. LATAR BELAKANG KELUARGA
Ayah : Edy Hernowo
Tempat, Tanggal Lahir : Surabaya, 7 Juli 1960
Ibu : Suryana Widjaya
Tempat, Tanggal Lahir : Surabaya, 12 September 1965
Alamat : Bumi Sentosa blok B5 no 3 RT.02 RW.07,
Nanggewer, Cibinong, Kabupaten Bogor.
Anak Ke : 2 (dua) dari 3 (tiga) bersaudara
vi
ABSTRAK
Penelitian ini mencoba untuk menjelaskan analisis proyeksi
investasi,tenaga kerja dan pertumbuhan ekonomi di Provinsi Jawa Barat. Data
yang di gunakan dalam penelitian ini adalah data runtun waktu dari tahun 1994-
2014 dan di analisis dengan menggunaka metode analisis ARIMA
(Autoregressive Moving Avverage). Model ARIMA digunakan untuk
memproyeksikan investasi,tenaga kerja dan pertumbuhan ekonomi.
Hasil penelitian ini menjelaskan bahwa: (1) PMA Jawa Barat sebesar 3,9%
pada tahun 2015, 6,2% pada tahun 2016, 3,6% pada tahun 2017, 5,1% pada tahun
2018 lalu 3,73% pada tahun 2019.(2) PMDN Jawa Barat sebesar 10,9% pada
tahun 2015, 2,3% pada tahun 2016, 23% pada tahun 2017, 9,1% pada tahun 2018,
2,2% pada tahun 2019 .(3) Tenaga Kerja sebesar 0,4% pada tahun 2015, 3,5%
pada tahun 2016, penurunan 2,2% pada tahun 2017, 2,08%, pada tahun 2018 ,
1,7% pada tahun 2019. (4) PDRB 5,54% pada tahun 2015, 5,94% pada tahun
2016, 6,12% pada tahun 2017, 6,24% pada tahn 2018,dan sebesar 6,29% pada
tahun 2019,
Kata Kunci: Proyeksi, Investasi (PMA dan PMDN), Tenaga Kerja,Pertumbuhan
Ekonomi (PDRB) dan ARIMA.
vii
ABSTRACT
This research attempted to explain the analysis of economic growth projections,
investment needs, and labourabsorption in the Province of West Java. The data
used in this study was time series from 1990-2012 and it was analyzed using
ARIMA (Autoregressive Moving Average). ARIMA model were used to project the
economic growth, ICOR were used to explain the value of the capital ratio for
investment needs related to the economic growth
The result of this study suggested that: (1) the PMA of West Java were 3,9% in
2015, 6,2% in 2016, 3,6% in 2017, 5,1% in 2018, and 3,73% in 2019.(2) PMDN
of West Java were 10,9% in 2015, 2,3% in 2016, 23% in 2017, 9,1% in 2018, and
2,2% in 2019.(3) Labour of West Java were 0,4% in 2015,3,5 % in 2016, 2,2% in
2017, 2,08% in 2018, and 1,7% in 2019. (4) the economic growth of West Java
were 5,54% in 2015, 5,94% in 2016, 6,12% in 2017, 6,24% in 2018, and 6,29% in
2019.
Keyword(s): Projection, Investment(PMA and PMDN), Labour, Economic
Growth(PDRB) and ARIMA,
viii
KATA PENGANTAR
Alhamdulillahi Rabbil 'Alamin, segala puji hanya milik Allah SWT yang
telah memberikan Rahmat dan Karunia-Nya sehingga penulis dapat
menyelesaikan skripsi yang berjudul “Analisis Proyeksi Investasi,Tenaga
Kerja dan Pertumbuhan Ekonomi di Kabupaten/Kota Provinsi Jawa Barat
Tahun 2015-2019”. Shalawat serta salam semoga selalu tercurah kepada Baginda
Rasulullah SAW beserta para sahabat dan para pengikutnya hingga akhir zaman
kelak, Amin.
Dengan diselesaikannya skripsi ini tidak terlepas dari bantuan, dorongan,
bimbingan, serta doa dari berbagai pihak. Pada kesempatan ini, penulis ingin
menyampaikan ucapan terima kasih dan penghargaan yang setinggi-tingginya
kepada pihak-pihak yang terkait dalam penyelesaian skripsi ini, kepada :
1. Bapak Edy Hernowo dan Ibu Suryana Widjaya, selaku orang tua kandung
penulis yang selalu menjadi inspirasi, motivasi serta kekuatan dalam
hidup. Terima kasih untuk seluruh pengorbanan, pengajaran, serta doa
yang tidak pernah putus kepada penulis, terutama keyakinannya kepada
penulis untuk dapat menyelesaikan kuliah serta dapat mendapat gelar
sarjana yang dapat membawa penulis ke kehidupan yang lebih baik lagi
2. Bapak Edy Rosadi dan Ibu Santi, selaku orang tua dan guru penulis yang
selalu menjadi inspirasi, motivasi serta kekuatan dalam hidup. Terima
kasih untuk seluruh pengorbanan, pengajaran, serta doa yang tidak pernah
putus kepada penulis, terutama keyakinannya kepada penulis untuk dapat
ix
menyelesaikan kuliah serta dapat mendapat gelar sarjana yang dapat
membawa penulis ke kehidupan yang lebih baik lagi
3. Bapak Dr. Arief Mufraini selaku Dekan FEB.
4. Bapak Prof.Dr.H. Abdul Hamid, Ms, selaku Dosen Pembimbing I atas
kesediaan waktu, tenaga, dan pikirannya dalam membimbing penulis
5. Bapak Arief Fitrijanto MS,i , selaku Dosen Pembimbing II serta ketua jurusan
prodi Ilmu Ekonomi Study Pembangunan atas kesediaan waktu, tenaga, dan
pikirannya dalam membimbing penulis .
6. Seluruh Dosen FEB atas seluruh ilmu yang telah diberikan, semoga dapat
menjadi amalan baik untuk di akhirat kelak
7. Saudara-saudariku El Rezza Bangoen Eryzenda,Indra Hanjaya,Kiki Rizkih
dan juga Nikyta Meidiana Mutiara Nuraini terima kasih atas support, doa,
serta dorongan kalian yang sangat menjadi inspirasi penulis.
8. Fatma Arfiana kekasih tercinta, terima kasih atas doa,pengertiannya serta
semangat dan motivasinya yang telah menjadi ambisi penulis dalam
menyelesaikan penulisan ini.
9. Teman-teman terbaikku Dimas Brianto, Rudy Suwardi, Abdur Rozaq,
Septian Puguh, Ariad Ditya, Aprian Subhan, Barep Prajitno, Riri Ruhiana,
Novanda Dwi Saputra, Kemal, Kharisma Susetyo, M. Ihsan, M. Arief
Budiman, Dwika Julia Mutiara, Annisa Rahmadani, Vina Refriana, Isti
Destriani, Ella Dhanila, Indri Filiyana, Nilam, Nurlaela, Tami, Amel,
Annisa Febriyanti, Nuni, Nunu, Revi, Weli, Wihda Nur Afifah terima
kasih untuk semua motivasi, semangat, dan kenangan yang sangat
x
berkesan selama 4 tahun ini yang akan menjadi ambisi penulis untuk
meraih kesuksesan
10. Teman seperjuangan IESP angkatan 2011 yang tidak bisa penulis sebutkan
satu per satu, terima kasih untuk 4 tahun yang sangat indah serta berkesan
dan tidak akan pernah penulis lupakan
11. Sahabat-sahabat KKN SUKSES Rudi Suwardi, Salman Farisi, Harmanto,
Mustafa, Riki, Windi Prabowo, Rini, Andin, Chintya, Nabila, Lilis, Nia,
Diana, Iin, Rifah terima kasih untuk 30 hari yang begitu berharga dan
berkesan.
12. Dan untuk semua pihak yang tidak bisa penulis sebutkan satu per satu,
terima kasih yang sebesar-besarnya untuk seluruh doa, dukungan, dan
motivasinya. Semoga keberkahan dan kesuksesan menyertai kita semua.
Amin.
Akhirnya semoga skripsi ini dapat menambah wawasan serta informasi
kepada para pembaca. Jika ada kritik dan saran yang bersifat membangun
untuk kebaikan skripsi ini penulis akan terima dengan senang hati.
Jakarta, 2015
Penulis
Vallerio Raga Armadhan
xii
DAFTAR ISI
HALAMAN JUDUL .................................................................................. i
LEMBAR PENGESAHAN SKRIPSI ...................................................... ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF ........................ iii
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ................. iv
DAFTAR RIWAYAT HIDUP .................................................................. v
ABSTRACT ................................................................................................. vi
ABSTRAK .................................................................................................. vii
KATA PENGANTAR ................................................................................ viii
DAFTAR ISI ............................................................................................... xii
DAFTAR TABEL ...................................................................................... xv
DAFTAR GAMBAR .................................................................................. xvii
DAFTAR LAMPIRAN .............................................................................. xviii
BAB I PENDAHULUAN
A. Latar Belakang Penelitian ........................................ 1
B. Rumusan Masalah .................................................... 8
C. Tujuan Penelitian dan Manfaat Penelitian ............... 9
BAB II TINJAUAN PUSTAKA
A. Teori Yang Berkenaan Dengan Variabel ....................... 11
1. Investasi .................................................................... 11
2. Tenaga Kerja ............................................................ 17
3. Teori Pembangunan dan Pertumbuhan Ekonomi ..... 22
xiii
4. Produk Domestic Regional Bruto (PDRB) .............. 26
B. Penelitian Terdahulu ...................................................... 30
C. Kerangka Berpikir .......................................................... 35
BAB III METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian .............................................. 37
1. Wilayah Penelitian ................................................... 37
2. Ruang Lingkup Penelitian ........................................ 37
B. Metode Penentuan Sampel ............................................. 37
C. Metode Pengumpulan Data ............................................ 38
1. Jenis dan Sumber Data ............................................. 38
2. Metode Pengumpulan Data ...................................... 39
D. Metode Analisis ............................................................. 39
1. Uji Stasioneritas Data ............................................... 40
2. Transformasi Data dan Identifikasi Model .............. 42
3. Estimasi Parameter Dari Model ............................... 42
4. Diagnostic Checking Atau Evaluasi Model ............. 43
5. Prediksi ..................................................................... 44
E. Operasional Variabel Penelitian ..................................... 44
BAB IV ANALISIS DAN PEMBAHASAN
A. Gambaran Umum Obyek Penelitian .............................. 47
1. Letak Geografis ........................................................ 47
2. Investasi .................................................................... 50
3. Penduduk dan Tenaga Kerja .................................... 51
xiv
4. Pertumbuhan Ekonomi ............................................. 54
B. Estimasi Model ARIMA ................................................ 56
1. Penanaman Modal Asing (PMA) ............................. 56
2. Penanaman Modal Dalam Negeri (PMDN) ............. 65
3. Tenaga Kerja ............................................................ 73
4. Pertumbuhan Ekonomi ............................................. 81
C. Analisis Hasil Forecasting .............................................. 88
1. PMA ......................................................................... 89
2. PMDN ...................................................................... 91
3. Tenaga Kerja ............................................................ 93
4. PDRB ....................................................................... 94
BAB V KESIMPULAN DAN SARAN
A. Kesimpulan .................................................................... 98
B. Saran ............................................................................... 101
DAFTAR PUSTAKA ................................................................................. 103
LAMPIRAN ................................................................................................ 106
xv
DAFTAR TABEL
2.1 Penelitian Terdahulu ......................................................... 31
3.1 Pola ACF dan PACF Pembentukan Model ....................... 43
3.2 Operasional Variabel Penelitian ........................................ 45
4.1 Jumlah Kecamatan dan Desa di Kabupaten/Kota
Provinsi Jawa Barat Tahun 2014 ....................................... 49
4.2 Luas Daerah, Jumlah Penduduk dan Kepadatan
Penduduk Menurut Kabupaten/Kota Di Provinsi Jawa
Barat Tahun 2014 .............................................................. 53
4.3 Distribusi Persentase PDRB Jawa Barat Menurut
Lapangan Usaha ADHB Dengan Migas Tahun 2011-
2013 ................................................................................... 55
4.4 ADF Tingkat Level PMA .................................................. 58
4.5 ADF 1st Different PMA ..................................................... 59
4.6 Correlogram 1st Different PMA ........................................ 60
4.7 Kualifikasi Model ARIMA PMA ..................................... 61
4.8 Rangkuman Estimasi Model ARIMA PMA ..................... 62
4.9 Uji Q Statistik PMA .......................................................... 63
4.10 Hasil Forecasting PMA Tahun 2015-2019 ....................... 65
4.11 ADF Tingkat Level PMDN ............................................... 66
4.12 ADF 1st Different PMDN .................................................. 67
4.13 Correlogram 1st Different PMDN ..................................... 69
xvi
4.14 Kualifikasi Model ARIMA PMDN ................................... 69
4.15 Rangkuman Estimasi Model ARIMA PMDN .................. 70
4.16 Uji Q Statistik PMDN ....................................................... 71
4.17 Hasil Forecasting PMDN Tahun 2015-2019 .................... 73
4.18 ADF Tingkat Level Tenaga Kerja ..................................... 74
4.19 ADF 1st Different Tenaga Kerja ........................................ 75
4.20 Correlogram 1st Different Tenaga Kerja ........................... 76
4.21 Kualifikasi Model ARIMA Tenaga Kerja ........................ 77
4.22 Rangkuman Estimasi Model ARIMA Tenaga Kerja ........ 78
4.23 Uji Q Statistik Tenaga Kerja ............................................. 79
4.24 Hasil Forecasting Tenaga Kerja Tahun 2015-2019 .......... 81
4.25 ADF Tingkat Level PDRB ................................................ 82
4.26 Correlogram Tingkat Level PDRB ................................... 84
4.27 Kualifikasi Model ARIMA PDRB .................................... 84
4.28 Rangkuman Estimasi Model ARIMA PDRB ................... 85
4.29 Uji Q Statistik PDRB ........................................................ 86
4.30 Hasil Forecasting PDRB Tahun 2015-2019 ...................... 88
xvii
DAFTAR GAMBAR
1.1 Proyeksi Pertumbuhan Ekonomi Indonesia 2010-2045 ....... 2
1.2 Koridor Ekonomi Jawa Barat dalam MP3EI ....................... 6
1.3 Proyeksi Pembangunan Ekonomi Jawa Barat ...................... 7
2.1 Arus Sederhana Pendapatan ................................................. 18
2.2 Alur Kerangka Berpikir Teoritis .......................................... 36
4.1 Peta Provinsi Jawa Barat ...................................................... 48
4.2 Trend PMA Provinsi Jawa Barat 1994-2014 ....................... 57
4.3 Forecasting PMA 1994-2019 ............................................... 64
4.4 Trend PMDN Provinsi Jawa Barat 1994-2014 .................... 66
4.5 Forecasting PMDN 1994-2019 ............................................ 72
4.6 Trend Tenaga Kerja Provinsi Jawa Barat 1994-2014 .......... 74
4.7 Forecasting Tenaga Kerja 1994-2019 .................................. 80
4.8 Trend PDRB Provinsi Jawa Barat 1994-2014 ..................... 82
4.9 Forecasting PDRB 1994-2019 ............................................. 87
xviii
DAFTAR LAMPIRAN
Lampiran 1. Data Penelitian ......................................................... 107
Lampiran 2. ADF Tingkat Level PDRB ...................................... 107
Lampiran 3. Correlogram Tingkat Level PDRB .......................... 108
Lampiran 4. Model ARIMA 1 PDRB .......................................... 109
Lampiran 5. Model ARIMA 2 PDRB .......................................... 109
Lampiran 6. Model ARIMA 3 PDRB ......................................... 110
Lampiran 7. Uji Q Statistik PDRB ............................................... 110
Lampiran 8. Forecasting PDRB ................................................... 111
Lampiran 9. ADF Tingkat Level PMA ........................................ 111
Lampiran 10. ADF 1st Different PMA ......................................... 112
Lampiran 11. Correlogram Tingkat Level PMA .......................... 113
Lampiran 12. Model ARIMA 1 PMA .......................................... 113
Lampiran 13. Model ARIMA 2 PMA .......................................... 114
Lampiran 14. Model ARIMA 3 PMA ......................................... 114
Lampiran 15. Uji Q Statistik PMA .............................................. 115
Lampiran 16. Forecasting PMA ................................................... 115
Lampiran 17. ADF Tingkat Level PMDN ................................... 116
Lampiran 18. ADF 1st Different PMDN ...................................... 117
Lampiran 19. Correlogram Tingkat Level PMDN ....................... 118
Lampiran 20. Model ARIMA 1 PMDN ....................................... 118
Lampiran 21. Model ARIMA 2 PMDN ....................................... 119
xix
Lampiran 22. Model ARIMA 3 PMDN ...................................... 119
Lampiran 23. Uji Q Statistik PMDN ............................................ 120
Lampiran 24. Forecasting PMDN ................................................ 120
Lampiran 25. ADF Tingkat Level Tenaga Kerja ........................ 121
Lampiran 26. ADF 1st Different Tenaga Kerja ............................ 121
Lampiran 27. Correlogram Tingkat Level Tenaga Kerja ............. 122
Lampiran 28. Model ARIMA 1 Tenaga Kerja ............................. 123
Lampiran 29. Model ARIMA 2 Tenaga Kerja ............................. 123
Lampiran 30. Model ARIMA 3 Tenaga Kerja ............................ 124
Lampiran 31. Uji Q Statistik Tenaga Kerja ................................. 124
Lampiran 32. Forecasting Tenaga Kerja ...................................... 125
1
BAB I
PENDAHULUAN
A. Latar Belakang Penelitian
Pola pembangunan nasional dan daerah di Indonesia secara
keseluruhan telah berubah dengan dilaksakannya otonomi daerah sejak
tanggal 1 januari 2001 sesuai dengan Undang-undang No. 22 tentang
pemerintahan daerah dan Undang-undang no. 25 tahun 1999,tentang
perimbangan Keuangan Pusat dan Daerah.Dengan adanya undang-
undang tersebut maka jelas telah mengindikasikan bahwa pemerintah
daerah sudah memiliki kewenangannya masing-masing untuk mengurus
dan mengatur sendiri rumah tangga nya,dimana hal ini ditujukan agar
setiap pemerintah daerah mampu mandiri untuk mampu membangun
daerahnya masing-masing yang selanjutnya akan mendorong
pembangunan nasional secara keseluruhan.
Perkembangan pembangunan ekonomi di Indonesia yang sesuai
dengan Undang-Undang No.17 tahun 2007 Tentang Rancangan
Pembangunan Jangka Panjang Nasional 2005-2025,pemerintah Indonesia
melakukan perencanaan pembangunan yang dikenal dengan Masterplan
Percepatan dan Perluasan Pembangunan Ekonomi Indonesia
(MP3EI),Melalui langkah MP3EI,percepatan dan perluasan
pembangunan akan menempatkan Indonesia sebagai negara maju pada
tahun 2025 dengan pendapatan perkapita yang berkisar antara USD
2
14.250 – USD 15.500 dengan nilai total (PDB) berkisar USD 4,0–4,5
triliun.Untuk mewujudkannya diperlukan pertumbuhan ekonomi riil
sebesar 6,4–7,5 persen pada 2011-2014, dan sekitar 8,0 – 9,0 persen
pada 2015-2025.Pertumbuhan ekonomi tersebut akan dibarengi oleh
penurunan inflasi sebesar 6,5 persen pada 2011-2014 menjadi 3,0 persen
pada tahun 2025.Kombinasi pertumbuhan dan inflasi seperti itu
mencerminkan karakteristik negara maju seperti yang di tunjukkan oleh
gambar 1.1, (Kementerian Koordinator Bidang Perekonomian, 15: 2011).
Gambar 1.1
Proyeksi Pertumbuhan Ekonomi Indonesia 2010-2045
Sumber: Provinsi dan kabupaten dalam angka, Badan Pusat Statistik; Analis
tim 2009 MP3EI (Meteri Koordinator Bidang Perekonomian)
3
Tentunya untuk mendukung kesuksesan pembangunan jangka panjang
dibutuhkan usaha masing-masing daerah dalam memperbaiki kualitas
daerahnya,dimana kualitas yang lebih baik dari daerah tersebut akan
menghasilkan pertumbuhan ekonomi yang lebih baik pula dari derah
tersebut.Dari pertumbuhan yang membaik atau meningkat inilah yang
nantinya akan mendorong pertumbuhan ekonomi secara
keselurahan,sehingga pembangunan nasional dapat terlaksana dengan
baik sesuai dengan cita-cita serta tujuan pembangunan jangka panjang
dari program Masterplan Percepatan dan Perluasan Pembangunan
Ekonomi Indonesia(MP3EI). Selain itu pertumbuhan ekonomi
merupakan salah satu unsur utama dalam pembangunan ekonomi
regional dan mempunyai kebijakan yang cukup luas. Kebijakan
pembangunan ekonomi regional pada dasarnya merupakan intervensi
pemerintah,baik secara nasional maupun regional untuk mendorong
proses pembangunan daerah secara keseluruhan yang ditujukan untuk
meningkatkan kesejahteraan masyarakat.
Pertumbuhan ekonomi tidak dapat meningkat atau berjalan dengan
baik tanpa adanya faktor pendukung lainnya.Hal ini juga yang dapat
menjelaskan bahwa pertumbuhan ekonomi suatu wilayah membutuhkan
faktor lain agar pertumbuhan ekonomi di daerah tersebut dapat tercapai
sehingga pembangunan dapat terlaksana dengan baik pula.Seperti yang
telah dijelaksan di paragraf sebelumnya bahwa pertumbuhan ekonomi
tidak akan bisa meningkat atau tumbuh dengan baik bila tidak dengan
4
adanya faktor lain.Dimana faktor tersebut salah satunya adalah
modal,karena modal merupakan syarat pertama yang harus dimiliki suatu
daerah untuk memulai membangun daerahnya.Namun pada
kenyataannya faktor tersebut lah yang sering menjadi penghambat suatu
daerah atau wilayah dalam membangun daerahnya.
Menurut Sadono Sukirno (2008: 439) kekurangan modal adalah suatu
ciri penting dari setiap negara memulai pembangunannya dan
kekurangan ini bukan saja mengurangi kepesatan pembangunan
perekonomian yang dapat dilaksanakan, tetapi juga menyebabkan
kesukaran kepada negara tersebut untuk keluar dari keadaan kemiskinan.
Perkembangan dan moderenisasi suatu perekonomian memerlukan
modal yang sangat banyak. Infrastruktur perlu dibangun, sistem
pendidikan harus dikembangkan dan kegiatan pemerintah perlu
diperluas, dan lebih penting lagi adalah berbagai jenis kegiatan
perusahaan dan industri modern perlu dikembangkan. Ini berarti pihak
pemerintah dan swasta memerlukan modal yang banyak untuk
memujudkan modernisasi diberbagai kegiatan ekonomi.
Dengan keadaan daerah yang sedang berkembang membutuhkan
modal yang banyak maka yang akan diperlukan adalah investasi sebagai
solusi dalam mengatasi kekurangan modal yang dialami oleh pemerintah
maupun pihak swasta dalam mengembangkan perekonomiannya.Model
yang mendukung dalam penguatan investasi dalam meningkatan
pertumbuhan ekonomi adalah model Harrod-Domar menjelaskan bahwa
5
investasi memberikan peran penting dalam proses pertumbuhan
ekonomi, khususnya mengenai watak ganda yang dimiliki investasi.
Pertama, menciptakan pendapatan disebut dengan dampak permintaan
dan kedua memperbesar kapasitas produksi perekonomian dengan cara
meningkatkan stok modal yang disebut dengan dampak penawaran.
Dalam era desentralisai otonomi daerah saat ini pemerintah
daerah dapat menerapkan beberapa kebijakan dalam pembangunan dan
pengembangan ekonomi salah satunya dengan meningkatkan investasi
yang diharapkan terjadinya efek mutliplier terhadap penyerapan tenaga
kerja (Jonni Afriadi, 2007: 2). Investasi juga dapat diartikan dalam
pembinaan sumberdaya manusia juga dapat meningkatkan kualitas modal
manusia, sehingga pada akhirnya akan membawa dampak positif yang
sama terhadap angka produksi, bahkan akan lebih besar lagi seiring
dengan bertambahnya jumlah penduduk (Todaro, 1998: 125).
Dengan kata lain hal ini merujuk bahwa dengan adanya investasi
diharapkan dapat berdampak juga terhadap semakin banyak nya
lapangan kerja yang tersedia sehingga memungkinkan untuk lebih
banyak nya di butuhkan tenaga kerja.Dengan semakin banyaknya
investor yang masuk ke dalam suatu wilayah untuk berinvestasi maka hal
ini akan berdampak pada adanya kemungkinan peningkatan permintaan
tenaga kerja.Tenaga kerja merupakan faktor lain juga yang dapat
membantu untuk meningkatkan pertumbuhan ekonomi.Semakin banyak
masyarakat atau penduduk suatu wilayah berpenghasilan baik maka hal
6
itu akan meningkatkan pendapatan per kapita yang artinya juga akan
meningkatkan pertumbuhan ekonomi.
Wilayah Jawa Barat sebagai bagian dari wilayah Indonesia juga
perlu mendukung pembangunan nasional yang pada saat ini
direncanakan dalam MP3EI terletak dalam dalam koridor ekonomi Jawa
yang merupakan sentra produksi barang dan jasa. Secara geostrategis,
Jawa diharapkan menjadi gerbang ekonomi nasional ke pasar Eropa,
Afrika, Asia Selatan, Asia Timur, serta Australia. Jawa Barat sebagai
salah satu daerah yang tergabung dalam koridor ekonomi Jawa yang
ditunjukkan pada gambar 1.2 perlu mendukung rencana tersebut untuk
memajukan perekonomian daerah tersebut dan meningkatkan
kesejahteraan masyarakat.
Gambar 1.2
Koridor Ekonomi Jawa Barat dalam MP3EI
7
Sumber : Analis tim 2009 MP3EI (Meteri Koordinator Bidang
Perekonomian)
Dengan akan dilaksanakannya berbagai macam proyek,maka yang
diharapkan adalah berubahnya kawasan Jawa Barat menjadi kawasan
yang lebih modern seperti yang ditunjukan pada gambar 1.3 sebagai
berikut.
Gambar 1.3
Proyeksi Pembangunan Ekonomi Jawa barat
Sumber : Analis tim 2009 MP3EI (Menteri Koordinator Bidang
Perekonomian)
Seperti yang telah terlihat di gambar 1.3 bahwa Jawa Barat akan
menjadi salah satu kawasan metropolitan di Indonesia.Hal ini diharapkan
juga akan meningkatkan minat para investor baik dalam negeri atau luar
negeri untuk menanamkan uang nya di Jawa Barat sehingga hal tesebut
8
juga akan berdampak peningkatan permintaan tenaga kerja.Dari dua
faktor tersebut diharapkan pertumbuhan ekonomi di Jawa Barat juga
akan meningkat sehingga kesejahteraan masyarakat yang lebih baik juga
dapat tercapai.
Dengan latar belakang yang dijelaskan di halaman-halaman
sebelumnya maka diperlukan Proyeksi yang merupakan bagian dari
perencanaan untuk melihat seberapa besar investasi yang dibutuhkan
untuk menciptakan iklim ekonomi mengembangkan potensi ekonomi di
Provinsi Jawa Barat yang terlebih dahulu harus memperbaiki
infrastruktur nya sehingga akan berdampak dengan penyerapan tenaga
kerja sehingga meningkatan pendapatan masyarakat yang dapat
meningkatkan pertumbuhan ekonomi di Provinsi Jawa Barat.
B. Rumusan Masalah.
Dengan latar belakang penelitian yang dikemukakan pada Bab I
bagian A, maka rumusan masalah yang dalam penelitian ini adalah
sebagai berikut:
1. Seberapa besar proyeksi investasi pada tahun 2015-2019 di Provinsi
Jawa Barat?
2. Seberapa besar proyeksi tenaga kerja pada tahun 2015-2019 di Provinsi
Jawa Barat?
3. Seberapa besar proyeksi pertumbuhan ekonomi pada tahun 2015-2019
di Provinsi Jawa Barat?
C. Tujuan dan Manfaat Penelitian
9
1. Tujuan Penelitian
Beradasarkan permasalahan yang di rumuskan di Bab I pada bagian B,
maka tujuan penelitian ini dilakukan oleh peneliti adalah sebagai
berikut :
a. Untuk mengetahui dan menganalisis berapa besar proyeksi
investasi di Provinsi Jawa Barat pada tahun 2015-2019?
b. Untuk mengetahui dan menganalisis berapa besar proyeksi tenaga
kerja di Provinsi Jawa Barat pada tahun 2015-2019?
c. Untuk mengetahui dan menganalisis berapa besar proyeksi
pertumbuhan ekonomi di Provinsi Jawa Barat pada tahun 2015-
2019?
2. Manfaat penelitian.
Penelitian diharapkan menjadi rujukan atau inspirasi sebagai pedoman
bagi peneliti lainnya yang berminat di bidang ini:
a. Bagi Peneliti, penelitian ini merupakan kesempatan bagi peneliti
untuk menyelaraskan ilmu pengetahuan yang didapat dalam
kegiatan akademik sehingga dapat dapat menambah pengetahuan
bagi peneliti dalam bidang ekonomi pembangunan yang menjadi
minat peneliti.
b. Penelitian ini dapat dipergunakan bagi pihak lain yang berminat
pada penelitian ini sebagai referensi untuk penelitian selanjutnya
dan dapat menjadi bahan bacaan untuk menambah pengetahuan.
10
c. Hasil dari penelitian ini juga dapat dipergunakan oleh universitas
untuk menambah bahan pustaka dalam mengembangkan kualitas
pendidikan universitas tersebut dalam masa yang akan datang.
d. Bagi lembaga atau instansi di Provinsi Jawa Barat penelitian ini
dapat dijadikan sebagai referensi untuk perbaikan di Provinsi Jawa
Barat yang merupakan objek penelitian.
11
BAB II
TINJAUAN PUSTAKA
A. Teori yang Berkenaan Dengan Variable
1. Investasi
Bila dilihat secara makro ekonomi, investasi (I) adalah bagian dari
pendapatan nasional (Y), disamping bagian lainnya, yaitu konsumsi
masyarakat (C), konsumsi pemerintah (G), ekspor (X), dan belanja impor
(M), sehingga secara makro ekonomi, dikenal model keseimbangan
pendapatan domestik sebagai berikut:
Y = C + G + I + X-M
Dalam skenario dalam pembangunan ekonomi , tujuan makro yang
ingin dicapai dalam pembangunan ekonomi pada hakekatnya pertumbuhan
ekonomi yang menjadi modal bagi kesejahteraan masyarakat. Untuk
mencapai kondisi tersebut, diperlukan adanya investasi yang memadai
baik dari segi kuantitas maupun kualitasnya (Henry Faizal Noor, 2009:
47,48).
Menurut Dumairy (1996:132) penanaman modal merupakan
langkah awal kegiatan produksi. Dengan posisi semacam itu, investasi
pada hakekatnya juga merupakan langkah awal kegiatan pembangunan
ekonomi. Dinamika penanaman modal mempengaruhi tinggi rendahnya
pertumbuhan ekonomi, mencerminkan marak lesunya pembangunan.
Dalam upaya menumbuhkan perekonomian, setiap negara senantiasa
12
berusaha menciptakan iklim yang dapat menarik investasi. Sasaran utama
bukan hanya masyarakat atau kalangan swasta dalam negeri, tapi juga
investor asing.
Menurut Pheni Chalid (2005:109) penerapan desentralisasi fiskal
menjadi pintu masuk bagi daerah untuk mendorong akselerasi
pembangunan dan pertumbuhan ekonomi di daerah. Sebagai strategi untuk
menarik investasi ke daerah, maka yang perlu menjadi perhatian adalah
kesiapan semua sumber daya yang akan meningkatkan daya tarik daerah
bagi para investor.
Dalam meningkatkan investasi terdapat hambatan dalam menarik
investor untuk melakukan investasi di daerahnya (Pheni Chalid, 2005:
111). Beradasarkan rata-rata nilai skor dalam laporan ADB dan Bank
dunia, terdapat enam permasalahan yang menjadi hambatan utama bagi
investasi, yaitu:
a. Ketidakpastian kebijakan ekonomi dan peraturan serta ketidakstabilan
ekonomi.
b. Korupsi, baik oleh aparat pusat maupun daerah.
c. Peraturan ketenagakerjaan.
d. Biaya keuangan.
e. Pajak tinggi, lebih menjadi masalah dibandingkan dengan administrasi
pajak dan pabean.
f. Ketidak tersediaan listrik (infrastruktur).
13
Menurut (Pheni Chalid, 2005:126) Adapun strategi daerah yang
perlu dilakukan dalam menarik investasi yaitu:
a. Posisi dan peran pemerintah (trobosan pemegang kebijakan).
b. Pemetaan potensi ekonomi dan subsidi usaha.
c. Proposal spesifik investasi (Variabel ekonomi, politik dan
pemerintahan, sosial, pasar, dan persaingan, dan kondisi geografi).
Pada dasarnya setiap perekonomian memang harus senantiasa
mencadangkan atau menabung sebagian tertentu dari pendapatan
nasionalnya untuk menambah atau menggantikan barang-barang modal
(gedung, alat-alat, dan bahan baku) yang telah susut atau rusak. Namun
untuk memacu pertumbuhan ekonomi, dibutuhkan investasi baru yang
merupakan tambahan neto terhadap cadangan atau stok modal (capital
stock) model ini yang dikenal dengan istilah model Harrod-Domar
(Todaro, 1998:85).
Pernyataan diatas didukung dengan model pertumbuhan Harrod-
Domar (Todaro, 1998: 85,86), yang menyusun sebuah model pertumbuhan
ekonomi sederhana sebagai berikut:
a. Tabungan (S) adalah bagian dalam jumlah tertentu, atau S, dari
pendapatan nasional (Y). Oleh karena itu, kitapun dapat menuliskan
hubungan tersebut dalam bentuk persamaan:
S = s Y ....(1)
14
b. Investasi (I) didefinisikan sebagai perubahan stok modal (K) yang
dapat diwakili oleh ∆K, sehingga kita dapat menuliskan persamaan
sederhana yang kedua sebagai berikut:
I = ∆K ......(2)
Akan tetapi, karena jumlah stock modal (K) mempunyai hubungan
langsung dengan jumlah pendapatan nasional atau output (Y), seperti telah
ditunjukkan oleh rasio modal-output (k), maka:
atau
atau, akhirnya ∆K = k∆Y ......(3)
c. Mengingat jumlah seluruh tabungan nasional (S) harus sama dengan
keseluruhan investasi (I), maka persamaan berikutnya dapat ditulis
sebagai berikut:
S = I ......(4)
Dari persamaan (1) diatas telah diketahui bahwa S = sY dan dari
persamaan (2) dan (3), kita juga telah mengetahui bahwasanya:
I = ∆K = k∆Y
Dengan demikian, identitas tabungan yang merupakan persamaan modal
dalam persamaan (4) adalah sebagai berikut:
S = sY = k∆Y = ∆K = I .......(5)
atau bila diringkas menjadi sY = k∆Y .......(6)
15
Selanjutnya, apabila kedua sisi persamaan (6) dibagi mula-mula dengan
(Y) dan kemudian dengan (k), maka akan didapat:
.......(7)
Persamaan (7) yang merupakan versi sederhana dalam
pertumbuhan ekonomi Harrod-Domar dalam teori pertumbuhan ekonomi
mereka sangat populer, secara lebih spesifik, persamaan itu menyatakan
bahwa tingkat pertumbuhan pendapatan nasional akan secara “positif”
berbanding lurus dengan rasio tabungan (semakin banyak GNP yang di
investasikan, maka pada akhirnya nanti akan lebih besar lagi pertumbuhan
GNP yang dihasilkannya) dan secara “negatif” atau perbandingan terbalik
terhadap rasio modal-output dari suatu perekonomian (semakin besar rasio
modal-output nasional atau (k), maka tingkat pertumbuhan GNP akan
semakin rendah), Analisis Harrod-Domar bertujuan untuk menunjukkan
panjang kemampuan masyarakat yang bertambah dari masa ke masa (yang
diakibatkan oleh pembentukan modal pada masa sebelumnya) akan selalu
sepenuhnya digunakan (Adisasmita, 2013:63).
Dengan penjelasan diatas diharapkan bahwa investasi memiliki
keterkaitan dalam pengembangan perekonomian masyarakat luas, dalam
rangka memenuhi kebutuhan maupun untuk keperluan bisnis. Menurut
Henry Faizal Noor (2009, 29) alasan yang menjadi kaitan antara investasi
dan pengembangan ekonomi masyarakat dapat dilihat sebagai berikut:
16
a. Investasi dan pengembangan ekonomi masyarakat adalah kegiatan
yang dilakukan hari ini (sekarang), untuk mendapatkan manfaat
dimasa datang.
b. Investasi dan pengembangan ekonomi masyarakat, sama-sama
menjadikan masyarakat sebagai sasarannya.
c. Sebagian dari program pengembangan ekonomi masyarakat,
merupakan kegiatan investasi.
d. Kegiatan investasi merupakan awal dari kegiatan ekonomi, yang
menghasilkan nilai tambah (value added), berupa balas jasa faktor
produksi, yang merupakan tujuan dari pengembangan ekonomi
masyarakat, sekaligus sebagai sumber dari kesejahteraan masyarakat.
Investasi merupakan kegiatan penciptaan tambah (value added)
yang berakumulasi menjadi Produk Domestik Bruto (PDB), oleh karena
itu antara investasi dan pertumbuhan ekonomi (PDB) mempunyai
keterkaitan yang ditunjukkan oleh koefisien ICOR (Henry Faizal, 2009:
52). Dengan menghitung ICOR maka dapat diperkirakan seberapa besar
tambahan kapital yang dibutuhkan untuk menuju target pertumbuhan
ekonomi tertentu (Menurut Handoko & Kurnia Astuti,2007: 165). Angka
ICOR ini akan dihitung secara total dengan perkiraan makro dengan
perhitungan ICOR mengadopsi formula yang digunakan Meier dalam
(Astuti & Handoko, 2007: 165). Dengan rumus:
atau
17
Keterangan:
It (∆K) = adalah jumlah investasi pada tahun sebelumnya
ICORt = adalah ICOR pada tahun t
∆PDRBt = adalah peningkatan PDRB pada tahun t
Untuk mengetahui kebutuhan investasi, diasumsikan bahwa (Y)
adalah pendapatan domestik suatu wilayah dan (g) adalah pertumbuhan
pendapatan tersebut dibandingkan tahun sebelumnya (Handoko & Kurnia
Astuti, 2007: 165), maka:
It = k . g . Yt
Keterangan:
It = jumlah investasi yang dibutuhkan
k =∆Y/∆K = ICOR
g = tingkat pertumbuhan ekonomi
Yt = PDRB atas dasar harga konstan tahun t
2. Tenaga Kerja
Ilmu ekonomi tenaga kerja merupakan suatu sistem hubungan yang
terorganisasi, dan juga merupakan suatu subsistem pada sistem ekonomi
yang lebih luas. Menurut pengertian yang ditampilkan dalam gambar 2.1,
ilmu ekonomi tenaga kerja memusatkan perhatian pada tingkah laku
perorangan dalam peran mereka sebagai pemasok tenaga kerja dan sebagai
pihak peminta yang membutuhkan jasa tenaga kerja (Arfida, 2003: 35).
18
Gambar 2.1
Arus Sederhana Pendapatan
catatan: Suatu arus sederhana tentang pendapatan. Anggota-anggota rumah tangga
merupakan penyedia faktor dan merupakan peminta barang dalam pasar produk.
Perusahaan merupakan peminta faktor produksi dan penyedia barang-barang dalam
pasar produk.
Sumber utama penawaran tenaga kerja adalah penduduk. Tidak
semua penduduk menawarkan tenaga kerjanya dipasar tenaga kerja.
Pertimbangan utama disini adalah kelayakan bekerja menurut umur.
Penduduk yang layak bekerja ditinjau dari segi umur tersebut sebagai
penduduk usia kerja . Jumlah ini yang pantas disebut sebagai tenaga kerja
yang dapat dimanfaatkan oleh masyarakat untuk kegiatan produksi sumber
daya manusia (Sumarsono, 2009:4).
Menurut Sumarsono (2009: 4,6) Dalam hubungannya dengan pasar
tenaga kerja prilaku mereka dibedakan menjadi 2 (dua) golongan, yaitu
yang aktif secara ekonomi dan bukan. Golongan yang aktif secara
ekonomi adalah terdiri dari penduduk yang menawarkan tenaga kerjanya
Pasar barang
Pengeluaran uang
Barang-barang dan jasa
Faktor Produksi
Pendapatan nominal
Pasar faktor
Rumah tangga Perusahaan
19
dan berhasil memperolehnya (employed) dan penduduk yang menawarkan
tenaga kerjanya tetapi belum memperolehnya (unemployed). Atas diskripsi
angkatan kerja (labor force) dianggap mewakili penawaran tenaga kerja
yang dikenal dengan supply of labor. Ada 4 (empata) hal yang berkaitan
dengan tenaga kerja:
a. Bekerja (employed) secara agregat jumlah orang yang bekerja dimuat
dalam Biro Pusat Statistik hasil kegiatan sensus, SUPAS (survei
penduduk antar sensus) atau SAKERNAS (survei tenaga kerja
nasional). Jumlah ini sering dipakai sebagai petunjuk tentang luasnya
kesempatan kerja (employment).
b. Pencari kerja (unemloyed) adalah penduduk yang menawarkan tenaga
kerja tetapi belum berhasil memperoleh pekerjaan dianggap terus
mencari pekerjaan. Mereka dikelompokkan ke dalam kategori
penganggur, karena secara konsep penganggur harus memenuhi
persyaratan bahwa mereka juga aktif mencari pekerjaan. Mereka tidak
bekerja atau tidak aktif mencari pekerjaan mereka dikategorikan bukan
pengangguran tetapi iddle atau menikmati masa senggang (leisure)
mereka, atau aktif tetapi tidak dipasarkan di pasar tenaga kerja.
c. Tingkat partisipasi angkatan kerja (labor force participation rate)
d. Profil angkatan kerja ; 1) umur, 2) jenis kelamin, 3) wilayah kota dan
pedesaan, 4) pendidikan.
Secara makro, laju pertumbuhan kesempatan kerja dapat
dihubungkan dengan laju pertumbuhan ekonomi. Menurut Budiono
20
dalam Handoko & Kurnia Astuti (2007:161) perluasan kesempatan
kerja dapat terjadi melalui pertumbuhan ekonomi yaitu proses
kenaikan output perkapita secara konstan dalam jangka panjang.
Menurut Smith dalam Handoko & Kurnia Astuti, (2007:161),
permintaan tenaga kerja ditentukan oleh stok kapital (K) yang tersedia
dan oleh tingkat output masyarakat (Q), sebab tenaga kerja diminta
karena dibutuhkan dalam proses produksi. Oleh karena itu, laju
pertumbuhan permintaan tenaga kerja ditentukan oleh laju
pertumbuhan stok kapital (akumulasi kapital) dan laju pertumbuhan
output (Handoko & Kurnia Astuti, 2007: 161).
Dalam perencanaan tenaga kerja yang terpadu dan menyeluruh
terus ditingkatkan untuk menjamin terciptanya perluasan kesempatan kerja
sebanyak mungkin (Sumarsono, 2009: 374). Adapun perhitungannya
untuk memproyeksikan tenaga kerja adalah sebagai berikut:
a. Proyeksi penduduk dan angkatan kerja dengan Metode Geometris dan
Exponensial, metode ini mengasumsikan bahwa angka pertumbuhan
tidak berubah dari tahun ketahun, asumsi ini seiring sesuai dengan
kenyataan dibandingkan dengan asumsi metode aritmatris.
Rumus metode geometris:
Pt = Po . (1 + r)t
Keterangan:
Pt = jumlah penduduk di tahun t (suatu masa depan)
Po = jumlah penduduk awal
21
r = angka pertumbuhan (dalam desimal) pertahun, yang diasumsikan
konstan
b = jarak waktu (tahun) dari Po ke Pt
Rumus Exponensial:
Pt = Po . ert
Keterangan:
Pt = jumlah penduduk di tahun t (suatu masa depan)
Po= jumlah penduduk awal
e = bilangan alamiah= 2,718....
r = angka pertumbuhan pertahun, yang diasumsikan konstan
t = jarak waktu (tahun) dari Po ke Pt
Berdasarkan fungsi Harrod-Domar yang menyebutkan bahwa
output adalah fungsi kapital dan tenaga kerja maka selain diturunkan
fungsi penggunaan kapital, juga diturunkan fungsi penggunaan tenaga
kerja dan untuk memproyeksikannya dengan menggunakan konsep rasio
modal-tenaga kerja (capital-labor ratio) yaitu ∆K/∆L. Proyeksi
penyerapan tenaga kerja juga dapat dihitung dengan menggunakan konsep
ILOR (incrementallabour Out-put ratio) atau jumlah temaga kerja yang
dibutuhkan untuk memproduksi satu unit output(Handoko & Kurnia
Astuti, 2007: 166). Menghitung ILOR dengan rumus:
atau
22
Keterangan:
KKt =peningkatan kesempatan kerja tahun t
ILORt = ILOR pada tahun t
∆PDRBt = peningkatan PDRB pada tahun t
Setelah diketahui ILOR maka dapat digunakan untuk mengetahui
kebutuhan tenaga kerja pada tahun tertentu dengan menggunakan rumus:
TK= ∆PDRBt . ILORt
Keterangan:
TK = tenaga kerja yang dibutuhkan.
∆PDRBt = peningkatan jumlah PDRB pada tahun t dibandingkan
tahun sebelumnya.
ILORt = ILOR pada tahun t.
3. Teori Pembangunan dan Pertumbuhan Ekonomi.
Pada mulanya pembangunan ekonomi merupakan sebuah usaha
untuk membenahi serta meningkatkan kondisi ekonomi pada suatu wilayah
yang bertujuan untuk meningkatkan kesejahteraan masyarakat di wilayah
tersebut. Dalam upaya pembangunan ekonomi di negara berkembang pada
mulaya berpusat pada upaya peningkatan pertumbuhan ekonomi dengan
mengacu pada peningkatan pendapatan perkapita dengan harapan dapat
mengurangi masalah-masalah seperti pengangguran, kemiskinan, serta
ketimpangan ekonomi dari suatu wilayah dengan wilayah lainnya yang
dikenal dengan “dampak merembes ke bawah” (trikle down
effect)(Mudrajad, 2010:4).
23
Mudrajad(2010:4) mengemukakan Kecenderungan ini dapat dilihat
dalam pemikiran-pemikiran awal mengenai pembangunan, seperti teori
Harrod Domar, Arthur Lewis, W.W. Rostow, Hirschman, Rosenstein
Rodan, Nurkse, dan Lebeinstein. Ini mencerminkan munculnya teori
pertumbuhan ekonomi sepanjang dasawarsa 1950-an, sementara
pembangunan ekonomi diidentikkan dengan pertumbuhan ekonomi,
ekonomi pembangunan sebagai cabang ilmu ekonomi yang relatif baru
memusatkan perhatian pada faktor-faktor penentu pada pertumbuhan
ekonomi.
Mungkin telah banyak teori yang membahas tentang konsep
pembangunan akan tetapi hakikat pembangunan itu lebih penting seperti
yang dikemukakan oleh Todaro dan Smith (2002:3), hakikat pembangunan
dalam Perencanaan ekonomi (economic planning) upaya-upaya yang
dilakukan secara sengaja oleh pemerintah untuk mengkoordinasikan
segenap proses pembuatan keputusan ekonomi dalam jangka panjang,
serta untuk mempengaruhi, mengarahkan, dan dalam beberapa kasus
tertentu juga untuk mengendalikan tingkat dan pertumbuhan variabel-
variabel ekonomi pokok dari suatu negara (pendapatan, konsumsi,
penyerapan tenaga kerja, investasi, tabungan, ekspor, impor, dan
sebagainya) demi tercapainya tujuan-tujuan pembangunan yang telah
ditetapkan sebelumnya.
Robinson Tarigan (2009:1), mengemukakan bahwa ekonomi
regional menganalisis suatu wilayah (atau bagian wilayah) secara
24
keseluruhan atau dengan melihat berbagai wilayah dengan potensinya
yang beragam dan bagaimana mengatur suatu kebijakan yang dapat
mempercepat pertumbuhan ekonomi seluruh wilayah. Dalam analisis
ekonomi regional diperlukannya kebijakan pembangunan ekonomi
regional, menurut Sjafrijal (2008:154) dalam kebijakan pembangunan
ekonomi regional sasaran akhirnya adalah untuk dapat mendorong dan
meningkatkan pertumbuhan ekonomi dan kesejahteraan sosial secara
menyeluruh sesuai dengan keinginan dan aspirasi yang berkembang di
masyarakat.
Menurut Sjafrizal (2008: 156,157) Untuk dapat merumuskan
kebijakan pembangunan regional yang baik dan terarah , perlu pula
ditetapkan terlebih dahulu sasaran yang ingin dicapai. Dalam hal ini
terdapat dua alternatif sasaran yaitu mewujudkan kemakmuran wilayah
(Place Prosperity), kemakmuran masyarakat (People Prosperity) atau
kedua-duanya sekaligus. Sasaran ini perlu ditetapkan secara jelas dan
tegas, karena masing-masingnya mempunyai starategi dan kebijakan
pembangunan daerah yang berbeda dan bahkan dapat berlawanan satu
sama lainnya. Aspek ini semula dibahas oleh Winnick (1966) dan
kemudian dilanjutkan oleh Richardson (1978).
Dijelaskan oleh Nadiatulhuda (2007:16) Terdapat juga beberapa
teori yang penting dalam pembangunan ekonomi wilayah (regional)
diantaranya menurut aliran ekonom klasik yang dipopulerkan oleh Adam
Smith dikatakan bahwa pertumbuhan ekonomi disebabkan oleh kemajuan
25
teknologi dan perkembangan jumlah penduduk. Sumbangan pemikiran
aliran Neo Klasik dalam pertumbuhan ekonomi yaitu sebagai berikut:
a. Akumulasi modal merupakan faktor sangat penting dalam pertumbuhan
ekonomi.
b. Pertumbuhan ekonomi merupakan peroses yang gradual.
c. Pertumbuhan ekonomi merupakan proses yang harmonis dan kumulatif.
d. Aliran Neo Klasik sangat optimis dengan pertumbuhan
(perkembangan).
e. Meskipun model pertumbuhan Neo Klasik ini telah banyak digunakan
dalam analisis regional namun terdapat beberapa asumsi mereka yang
tidak tepat antara lain, Pertama Full Employment yang terus menerus
tidak dapat diterapkan pada sistem multi regional dimana persoalan-
persoalan regional muncul disebabkan oleh perbedaan geografis dalam
hal tingkat penggunaan sumber daya. Kedua, persaingan sempurna
tidak dapat diberlakukan dalam perekonomian regional dan spasial.
Menurut Todaro dan Smith (2002: 3) adanya dua komponen pokok
dalam perencanaan pembangunan di negara-negara yang menganut sistem
perekonomian campuran. Kedua komponen tersebut adalah sebagai
berikut:
a. Keputusan pemerintah yang sengaja menggunakan tabungan domestik
dan dana-dana keuangan dari luar negeri untuk diinvestasikan pada
proyek-proyek pemerintah yang untuk memobilisasi dan menyalurkan
sumber-sumber daya yang sangat langka di bidang-bidang tertentu
26
misalnya, pembangunan jaringan jalan raya dan kereta api, sekolah
proyek hidroelktrik, dan pembangunan sarana infrastruktur ekonomi
(economic infrastructure) lainnya, serta penciptaan industri-industri
subtitusi impor yang diharapkan nantinya dapat memberikan
sumbangan berarti demi merealisasikan tujuan-tujuan ekonomi jangka
panjang.
b. Kebijakan-kebijakan ekonomi pemerintah (mulai dari perpajakan,
lisensi industri, penetapan tarif-tarif, serta manipulasi kuota, upah, suku
bunga, dan harga-harga) yang secara langsung dapat mendorong, dan
dalam banyak hal bahkan mengendalikan, kegiatan ekonomi sektor
swasta demi menjaminterciptanya suatu hubungan yang serasiantara
keinginan perusahaan swasta dalam mengejar keuntungan dengan
tujuan-tujuan sosial untuk kepentingan seluruh anggota masyarakat)
yang dikehendaki dan diutamakan oleh pemerintah pusat.
4. Produk Domestik Regional Bruto (PDRB)
Ada berbagai konsep dan definisi yang bisa dipakai dalam
membicarakan pendapatan regional/nilai tambah akan dikemukakan
sebagai berikut:
a. Produk Domestik Regional Bruto (PDRB) atas Dasar Harga Pasar
Produk domestik regional bruto atas dasar harga pasar adalah
jumlah nilai yang tambah bruto (gross value added) yang timbul dari
seluruh sektor perekonomian di wilayah itu. Yang dimaksud dengan
nilai tambah bruto adalah nilai produksi (output) dikurangi dengan
27
biaya antara (intermediate cost). Nilai tambah bruto mencakup
komponen-komponen faktor pendapatan (upah dan gaji, bunga, sewa
tanah, dan keuntungan), penyusutan, dan pajak tidak langsung neto.
Jadi, dengan menghitung nilai tambah bruto dari masing-masing sektor
dan menjumlahkannya, akan menghasilkan produk domestik regional
bruto atas dasar harga pasar (Robinson Tarigan, 2009: 18).
Menurut Emilia Imelia (2006:39) produk domestik regional
bruto atas dasar harga pasar adalah jumlah nilai tambah (gross value
added) yang timbul dari seluruh sektor perekonomian di wilayah itu.
Nilai tambah bruto adalah nilai produksi (out put) dikurangi biaya
(inetrmediate cost). Biaya antar daerah adalah biaya pembelian/biaya
perolehan dari sektor lain yang telah dihitung sebagai produksi dari
sektor lain atau berasal dari impor. Nilai tambah bruto mencakup
komponen pendapatan (upah, gaji, bunga, sewa, tanah dan keuntungan),
penyusutan, pajak tidak langsung.
b. Produk Domestik Regional Bruto (PDRB) atas Dasar Harga Berlaku
dan Harga Konstan.
Menurut Robinson Tarigan (2009:20) pendapatan regional dalam
beberapa tahun menggambarkan kenaikan dan penurunan tingkat
pendapatan masyarakat di daerah tersebut. Kenaikan/penurunan dapat
dibedakan menjadi dua faktor berikut:
1) Kenaikan/penurunan riil, yaitu kenaikan/penurunan tingkat
pendapatan yang tidak dipengaruhi oleh faktor perubahan harga.
28
Apabila terjadi kenaikan riil pendapatan penduduk berarti daya beli
penduduk di daerah tersebut meningkat, misalnya dapat membeli
barang yang sama kualitasnya dalam jumlah yang lebih banyak.
2) Kenaikan/penurunan pendapatan yang disebabkan adanya faktor
perubahan harga. Apabila terjadi kenaikan pendapatan yang hanya
disebabkan inflasi (menurunnya nilai beli uang) maka walaupun
pendapatan meningkat tetapi jumlah barang yang mampu dibeli
belum tentu meningkat. Perlu dilihat mana yang meningkat lebih
tajam, tingkat pendapatan atau tingkat harga.
Menurut Robinson (2009:21) Harga konstan artinya harga produk
didasarkan atas dasar harga pada tahun tertentu. Tahun yang
dijadikan patokan harga disebut tahun dasar untuk penentuan harga
konstan. Jadi kenaikan pendapatan hanya disebabkan oleh
meningkatnya jumlah fisik produksi, karena harga dianggap tetap
(konstan). Akan tetapi, pada sektor jasa yang tidak memiliki unit
produksi, nilai produksi dinyatakan dalam harga jual. Oleh karena itu
harga jual harus dideflasi dengan menggunakan indeks inflasi atau
deflator lain yang dianggap lebih sesuai.
Dalam perhitungannya pendapatan regional dapat dibagi dalam dua
metode, yaitu metode langsung dan tidak langsung (Robinson, 2009:
23,26).
a. Metode langsung adalah perhitungan dengan menggunakan data
daerah atau data asli yang menggambarkan kondisi daerah dan digali
29
dari data yang ada di daerah itu sendiri. Adapun pendekatan yang
dilakukan gunakan adalah:
1) Pendekatan produksi adalah perhitungan nilai tambah barang dan
jasa yang diproduksi oleh suatu kegiatan/sektor ekonomi dengan
cara mengurangkan biaya antara dari total nilai produksi bruto
sektor atau subsektor tersebut.
2) Pendekatan pendapatan, nilai tambah dari setiap kegiatan
ekonomi diperkirakan dengan menjumlahkan semua balas jasa
yang diterima faktor produksi, yaitu upah dan gaji dan surplus
usaha, penyusutan, dan pajak tidak langsung netto.
3) Pendekatan pengeluaran adalah menjumlahkan nilai penggunaan
akhir dari barang dan jasa yang diproduksi di dalam negeri.
b. Metode tidak langsung adalah suatu cara mengalokasikan produk
domestik bruto dari wilayah yang lebih luas ke masing-masing bagian
wilayah, dengan menggunakan alokator yaitu:
1) Nilai produksi bruto atau neto setiap sektor/subsektor, pada
wilayah yang dialokasikan,
2) Jumlah produksi fisik,
3) Tenaga kerja,
4) Penduduk, dan
5) Alokator tidak langsung lainnya.
Menurut Handoko & Kurnia Astuti (2007:165) secara umum proyeksi
angka PDRB dapat dilakukan dengan membuat persamaan trend PDRB.
30
Dalam penelitian ini digunakan metode trend linier, garis trend linier dapat
ditulis dengan persamaan garis lurus sebagai berikut:
Y’ = a + bX
Keterangan:
Y’ = adalah data berkala time series PDRB.
X = adalah waktu yang berupa data tahunan
a = adalah bilangan konstan, apabila X= 0 yaitu PDRB awal tahun
b = adalah lereng garis tren, yaitu rata-rata perubahan PDRB untuk
setiap tahunnya.
Kegunaan data pendapatan nasional adalah memberikan informasi yang
berguna mengenai berbagai aspek dari kegiatan ekonomi dalam satu tahun
tertentu memberikan gambaran tentang tingkat kegiatan ekonomi suatu
wilayah yang dicapai dan nilai output yang diproduksi, komposisi dari
pembelanjaan agregat, sumbangan berbagai sektor dalam mewujudkan
pendapatan nasional, dan taraf kemakmuran yang dicapai (Sukirno,
2011:55).
B. Penelitian Terdahulu
Penelitian yang berkaitan dengan proyeksi investasi, penyerapan tenaga
kerjadanpertumbuhan ekonomitelah banyak dilakukan oleh para peneliti.
Dalam berbagai macam penelitian yang berhubungan dengan proyeksi
tersebut dengan berbagai macam studi kasus terdapat beberapa metode yang
dilakukan oleh para peneliti terdahulu, secara lengkap penelitian terdahulu
dapat di lihat pada tabel 2.1
31
Tabel 2.1
Penelitian Terdahulu
No Peneliti Judul Metodologi
Hasil Persamaan Perbedaan
1
Dr. Nisar
Ahmad
(2013)
Populasi:
Sebuah
Sumber Daya
Berharga
dalam
Pertumbuhan
Ekonomi
dengan Khusus
Merujuk
Prospek
Pertumbuhan
Pakistan
Persamaan nya
yaitu sama-sama
meneliti tentang
pertumbuhan
ekonomi di suatu
wilayah atau
daerah.
Perbedaannya adalah
terletak pada dalam
penelitian ini adanya
variabel sumber daya
berharga sebagai
variabel penunjang.
Kesimpulan pendekatan
ini pada kenyataannya,
panggilan untuk
pembalikan dalam
kebijakan pertumbuhan
ekonomi negara-negara
berkembang sehingga
kebijakan distribusi
sumber daya nasional
dibuat untuk
mencerminkan
kebutuhan orang-orang
biasa di antara program
investasi prioritas utama
dari sektor publik.
32
Bersambung ke halaman berikutnya
No Peneliti Judul Metodologi
Hasil Persamaan Perbedaan
2
Oana Simona
Hudea dan
Stelian
Stancu (2012)
Investasi
Asing
langsung,
Perpindahan
teknologi dan
Pertumbuhan
Ekonomi.
Sama-sama
meneliti tentang
investasi asing
dan pertumbuhan
ekonomi,diamana
kedua nya
memiliki
keterkaitan.
Dalam penelitian
ini ditambahkan
variabel
perpindahan
teknologi.
hubungan jangka
panjang antara FDI , DI,
TG, INF, EDU, dan
PDB. Akhirnya uji
kausalitas Granger
menunjukkan hubungan
sebab akibat dua arah
antara produk domestik
bruto dan investasi asing
langsung, memperkuat
pentingnya FDI dalam
menopang pertumbuhan
ekonomi, yang pada
gilirannya menarik,
dengan meningkatkan
tingkat infrastruktur dan
pendidikan, lebih banyak
investasi asing, sumber
permanen difusi
teknologi, dan
mengurangi kesenjangan
teknologi, konvergen ke
status negara maju.
3 Sri Maryanti
(2012)
Analisis
Perencanaan
Tenaga Kerja
Terhadap
Kebutuhan
Tenaga Kerja
di Provinsi
Riau 2006-
2010
Persamaan nya
yaitu sama sama
meneliti tentang
kebutuhan tenaga
kerja di suatu
daerah atau
wilayah.
Dalam penelitian
ini yang
membedakan
adalah adanya
variabel
perencanaan tenaga
kerja.
Persediaan tenaga kerja
pada tahun 2006 di
perkirakan mencapai
2.205.863 orang dan
pada tahun 2010 sekitar
2.472.516 orang.
Sementara kebutuhan
tenaga kerja untuk
periode yang sama
masing-masing sebesar
2.009.757 orang dan
2.179.694 orang. Dengan
demikian tingkat
pengangguran terbuka
diperkirakan berkisar
antara 8,89 persen
sampai dengan 11,84
persen..
33
Bersambung ke halaman berikutnya
No Peneliti Judul Metodologi
Hasil Persamaan Perbedaan
4
Sri
Handayani
(2011)
Upaya
Pemerintah
Sumatera
Selatan
Menarik
Investor Asing
Dalam
kegiatan
Penanaman
Modal
Memiliki
persamaan
meneliti tentang
investasi dan
memiliki konsep
sama dengan
MP3EI yaitu
imngin menarik
investor agar
berinvestasi di
suatu wilayah.
Perbedaannya
hanya meneliti
tentang investasi
saja.
Pertama, meningkatkan
komitmen kepala daerah
dan Stakeholder untuk
dapat melaksanakan
kegiatan penanaman
modal di Sumatera
Selatan. Apabila iklim
investasi dapat dibangun
lebih kondusif yang
didukung oleh kepala
daerah dan stakeholder
yang ada, maka dalam
jangka panjang secara
makro akan dapat
meningkatkan insentif
pajak dan pertumbuhan
ekonomi akan
meningkat. Kedua,
membuat peraturan
kebijakan yang tetap dan
konsisten yang tidak
terlalu cepat berubah dan
dapat menjamin adanya
kepastian hukum.
Ketiga, prosedur
perizinan yang tidak
berbelit-belit yang dapat
mengakibatkan high cost
economy
5
1. Kurnia
Astuti
2. Budiono Sri
Handoko
(2007)
Analisis
Pertumbuhan
Ekonomi,
Kebutuhan
Investasi, dan
Penyerapan
Tenaga Kerja
di Kabupaten
Sleman.
Persamaan nya
adalah sama-sama
meneliti tentang
pertumbuhan
ekonomi,investasi
dan tenaga kerja.
Perbedaanya
adalah terletak
pada alat
pengujiam yang
digunakan,dalam
penelitian ini
ditambahkan ICOR
dan ILOR.
Berdasarkan hasil
analisis dapat
disimpulkan hasil
penelitian. Proyeksi
PDRB Kabupaten
Sleman tahun 2005 –
2009 meningkat
yaitu sebesar
Rp1.791.423.000.000,00
pada tahun 2005,
Rp1.847.121.000.000,00
34
pada tahun 2006,
Rp1.902.819.000.000,00
pada tahun 2007,
Rp1.958.517.000.000,00,
dan Rp2.014.215.
000.000,00 pada tahun
2009. Pertumbuhan
ekonomi menurun dari
3,09% pada tahun 2005
menjadi 2,84% pada
tahun 2009. Proyeksi ini
dihitung dengan asumsi
bahwa perekonomian
daerah dalam kondisi
normal Nilai Rata- rata
ICOR Kabupaten
Sleman periode 1999 –
2003 adalah 2,847
artinya untuk
meningkatkan PDRB
sebesar Rp1.000,00
dibutuhkan investasi
sebesar Rp2.847,00.
Rasio modal-tenaga
kerja di Kabupaten
Sleman adalah sebesar
65.748.166 artinya setiap
pekerja pada tahun 1999-
2004 menggunakan
modal sebesar
Rp65.748.166,00 per
tahun. Berdasarkan rasio
modal- tenaga kerja,
semakin besar investasi
maka diproyeksikan
penyerapan tenaga kerja
semakin banyak. Nilai
rata-rata ILOR adalah
0,35 artinya bahwa untuk
meningkatkan PDRB
sebesar PDRB sebanyak
Rp100.000.000,00
dibutuhkan tenaga kerja
sebanyak 35 orang.
Penyerapan tenaga kerja
tergantung pada ILOR.
35
C. Kerangka Berpikir
Dalam pembangunan ekonomi tujuannya adalah untuk meningkat
kesejahteraan masyarakat di daerah tersebut. salah satu indikator dalam
pembangunan ekonomi adalah tingkat pertumbuhan ekonomi. dalam meningkatkan
pertumbuhan ekonomi tentunya dibutuhkan modal atau investasi karena secara
makro investasi menjadi bagian penting dalam pertumbuhan ekonomi yang didasari
teori pertumbuhan Harrod-Domar.
Dengan adanya investasi diharapakan memberikan kesempatan kerja yang
lebih banyak sehingga berdampak kepada masyarakat yang memperoleh pendapatan
untuk memenuhi kebutuhan hidupnya, dan dapat terjadi peningkatan pertumbuhan
ekonomi.
Dibutuhkan perencanaan pembangunan salah satunya dengan
memproyeksikan pertumbuhan ekonomi, investasi dan penyerapan tenaga kerja yang
dapat menjadi informasi dalam mengambil kebijakan dalam pembangunan ekonomi
dimasa yang akan datang. Sehingga dari kerangka pemikiran tersebut dapat
disimpulkan dengan gambaran yang terdapat pada gambar 2.2.
36
Gambar 2.2.
Model: Alur Kerangka Berpikir Teoritis
Latar Belakang
1. Perekonomian masih bergantung pada sektor konsumsi yang tidak
memberikan pertumbuhan ekonomi berkesinambungan
2. MP3EI (master plan percepatan perluasan pembangunan eknonomi Indonesia)
menjadikan Indonesia negara maju 2045
3. Desentralisasi pengelolaan sumber keuangan dalam proses pembangunan
ekonomi
4. Desentralisasi fiskal menjadi pintu masuk bagi daerah untuk mendorong
akselerasi pembangunan dan pertumbuhan ekonomi di daerah
5. Investasi sebagai solusi dalam mengatasi kekurangan modal yang dialami
oleh pemerintah maupun pihak swasta dalam mengembangkan
perekonomiannya.
1. Investasi (X1)
2. Tenaga kerja
(X2)
Pertumbuhan
ekonomi (Y)
1. Uji Stasioneritas
data
2. Uji Akar Unit
3. Identifikasi model
4. Estimasi model
5. Evaluasi model
6. Prediksi atau
proyeksi
Analisis dan Pembahasan
Kesimpulan dan Saran
37
BAB III
METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian
1. Wilayah Penelitian
Penelitian ini dilakukan dengan objek penelitian adalah wilayah di
Provinsi Jawa Barat dan penelitian dilakukan pada tahun 2015.
Pembahasan yang dilakukan dalam penelitian ini adalah memproyeksikan
pertumbuhan ekonomi, investasi dan penyerapan tenaga kerja didaerah
tersebut.
2. Ruang Lingkup Penelitian
Penelitian ini dilakukan hanya untuk mengetahui seberapa besar
proyeksi investasi (Xt1),tenaga kerja (Xt2) dan pertumbuhan ekonomi di
kabupataen atau Kota Provinsi Jawa Barat.Dimana penelitian dapat
digunakan untuk melakukan perencanaan perekonomian dalam jangka
pendek, jangka menengah maupun jangka panjang dengan tujuan untuk
meningkatkan pembangunan ekonomi dan kesejahteraan masyarakat di
Provinsi Jawa Barat dan juga untuk mendukung pembangunan ekononomi
secara nasional.
B. Metode Penentuan Sampel
Penelitian ini adalah penelitian diskriptif karena meneliti suatu objek,
suatu set kondisi, suatu sistem, atau suatu kelas peristiwa pada masa
sekarang. Pernyataan diatas diperkuat oleh Nazir (1998:63, dalam Prastowo,
38
2011:186) bahwa metode diskriptif adalah suatu metode yang digunakan
untuk meneliti status sekelompok manusia, suatu objek, suatu kondisi, suatu
set kondisi, suatu sistem pemikiran, ataupun suatu kelas peristiwa pada masa
sekarang.
Berdasarkan latar belakang yang dikemukakan pada Bab I bagian A maka
penelitian ini dilakukan dengan sampel daerah Provinsi Jawa Barat
berdasarkan cluster sampling atau sampling daerah, sample daerah
merupakan salah satu penarikan metode sample probabilitas dimana sampel-
sampel dikelompokkan menurut petak-petak daerah dan setiap petak daerah
memiliki kesempatan yang sama untuk terpilih menjadi sample (Hamid,
2011: 20).
C. Metode Pengumpulan Data
1. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data time series
merupakan fenomena waktu tertentu yang didapat dalam beberapa
interval waktu tertentu yang bersifat kuantitatif yang sudah diolah
sehingga dinyatakan dalam bentuk angka (numeric) yang merupakan data
sekunder karena sumber atau pengumpulan data diperoleh dari
pemanfaatan sumber-sumber dari pengolahan pihak kedua dari hasil
penelitian lapangannya melalui kepustakaan atau data-data yang
dipublikasikan oleh instansi atau lembaga terkait (Teguh, 2005:118, 121),
adapaun sumber data:
39
a. Badan Pusat Statistik (BPS) Indonesia
b. Badan Pusat Statistik (BPS) Provinsi Jawa Barat
c. Badan Perancanaan Pembangunan Daerah Jawa Barat (BAPPEDA)
d. Badan Perencanaan Pembangunan Nasional (BAPPENAS).
e. Badan Koordinasi Penanaman Modal (BKPM).
f. Instansi atau Lembaga terkait lainnya.
2. Metode Pengumpulan Data
Data yang dipakai merupakan data sekunder maka pengumpulan data
melalui telaah kepustakaan atau melalui monografi yang dipublikasikan
oleh lembaga-lembaga yang berhubungan dengan penelitian berupa
laporan-laporan, buku-buku profil, literatur, dan media (Teguh,
2005:121), adapun data yang di pakai adalah:
a. Data PDRB Provinsi Jawa Barat menurut lapangan usaha di atas
Harga konstan sejak tahun 1994-2014.
b. Data Investasi di Provinsi Jawa barat sejak tahun 1994-2014
c. Data Tenaga kerja di Provinsi Sumatera Selatan sejak tahun 1994-
2014.
D. Metode Analisis
Permodelan ARMA/ARIMA Non-Musiman
ARIMA merupakan suatu teknik yang mengabaikan independent
variable dalam melakukan peramalan. Model ini hanya menggunakan
nilai-nilai sekarang dan masa lalu dari dependent variable untuk
melakukan peramalan jangka pendek. Model ARIMA (non-musiman)
40
disebut juga dengan metode Box-Jenkins. Secara umum bentuk model
ARIMA adalah (p, d, q) (Rosadi, 2012:141).
Langkah-langkah dalam permodelan ARIMA ialah sebagai berikut:
1) Uji Stasioneritas Data.
Terdapat tiga cara yang umum digunakan dalam melakukan pendugaan
terhadap kestasioneran data, sebagai berikut:
a) Pemerikasaan Kestasioneran dengan Koefesien Autokorelasi dan
Korelogram ACF.
Ketidakstasioneran data dapat dilihat dari koefesien autokorelasi
dan korelogramnya (correlogram). Koefesien autokorelasi adalah
angka yang menunjukkan tingkat keeratan hubungan linier antara
nilai-nilai dari peubah yang sama dengan periode waktu yang
berbeda. Selanjutnya, jika fungsi autokorelasi tersebut
digambarkan dalam bentuk kurva, dikenal dalam bentuk kurva,
dikenal dengan istilah korelogram ACF (Juanda, 2012:23-24). Jika
data tidak stasioner akan memiliki pola korelogram yang menurun
mendekati titik nol, apabila data memiliki pola korelogram dengan
nilai positif-negatif secara bergantian disekitar titik nilai nol atau
tidak berbeda dengan signifikan dengan nol (Juanda, 2012:23-24).
untuk menunjukkan signifikan atau tidaknya nilai
autokorelasi, dapat dilakukan uji statistik berdasarkan standar
error (Se). untuk selang kepercayaan ialah (1-α)x100%, dengan α
= 5% untuk ρk adalah :
41
1.96(Se)< ρk <1,96(Se)........................................................(3.1)
1.96(√1/n)< ρk <1,96(√1/n)
Hipotesis nol (H0) untuk nilai uji ρk = 0. jika ρk terletak dalam
selang persamaan 3.1, maka keputusannya belum cukup bukti
untuk menolak H0, berarti data stasioner. sebaliknya jika diluar
selang persamaan 3.1, keptusan menolak H0, yang berarti data tidak
stasioner (Juanda, 2012:24).
b) Uji Akar Unit (Unit Root Test)
Stationaritas data diperiksa dengan mengamati apakah data runtun
waktu mengandung akar unit (unit root), yakni apakah terdapat
komponen trend yang berupa random walk dalam data dengan
dapat menggunakan Augmented Dickey Fuller (ADF) (Rosadi,
2012:38).
Pengujian ADF dilakukan dengan menguji hipotesis H0 : ρ = 0
(terdapat unit root) dalam persamaan regresi :
∆ Yt = α + δt + ρYt–1 + ∑ j∆Yt-1 + et
dengan ∆ Yt = Yt – Yt-1 dan ρ = a – 1
Hipotesis nol ditolak jika nilai satistik uji ADF memiliki nilai
kurang (lebih negatif) dibandingkan nilai daerah kritik (nilai kritik
ini ditabelkan), jika hipotesis nol ditolak, maka data stationer.
Dalam mengaplikasikan uji ADF ditentukan banyaknya lag dari
komponen diferensi yang akan dimasukkan kedalam model (untuk
uji ADF digunakan k>0). Dalam praktek biasanya dipilih k yang
42
dapat korelasi serial dari residual, yang dapat dilihat dengan lag
yang masih signifikan dalam model regresi ADF (Rosadi, 2012:
42).
2) Transformasi Data dan Identifikasi Model
Apabila data tidak stationer dalam level, maka diperlukan
transformasi untuk membentuk data yang staioner. Salah satu cara
melakukan tranformasi data untuk membuang komponen trend dengan
metode diferensiasi terhadap data dan dilakukan uji akar unit dengan
PACF, ACF dan uji ADF dengan melihat apakah terdapat akar unit
atau tidak dengan cara mengamati nilai satistik uji ADF memiliki nilai
kurang (lebih negatif) dibandingkan nilai daerah kritik (nilai kritik ini
ditabelkan), jika hipotesis nol ditolak, maka data stationer dan dapat
dilakukan indetifikasi dari model Autoregressivce Moving Average
(ARMA)/ Autoregressivce Moving Integrated Average (ARIMA),
(Rosadi, 2012:151).
3) Estimasi Parameter dari Model
Untuk menggambarkan data hasil diferensiasi menggunakan plot
ACF/PACF yang akan membentuk grafik ACF dan PACF dengan
melihat hasil estimasi korelogram data yang akan menampilkan nilai
stasioneritas untuk pembentukan model ARIMA dengan
membandingkan nilai AC dan PAC dengan ±1.96(√1/n) yang berarti
signifikan (keluar dari batas interval), apabila AC dan PAC diantara Se
maka datanya sationer, selanjutnya dapat dilakukan pembemtukan
43
model ARIMA adapun ketentuannya menurut Juanda (2012: 76) yang
ditunjukkan pada tabel 3.1 sebagai berikut:
Tabel 3.1
Pola ACF dan PACF Pembentukan Model
Model Pola ACF Pola PACF
AR(p) Exponential, exponential-
Oscillation atau sinewave
Menurun drastis pada lag
tertentu (cut off)
MA(q) Menurun drastis pada lag
tertentu (cut off)
Exponential, exponential-
Oscillation atau sinewave
ARMA(p,q) Exponential, exponential-
Oscillation atau sinewave
Exponential, exponential-
Oscillation atau sinewave
Sumber: Rosadi, Dedi. “Ekonometrika dan Analisis Runtun Waktu
Terapan dengan Eviews”. Yogyakarta: ANDI, 2012.
setelah dilakukan pembentukan model, maka mengestimasi
parameter-parameter dari model dengan menggunakan metode
Least Square (Rosadi, 2012:151-153)
4) Diagnostic Cheking/Evaluasi Model.
Untuk melakukan diagnostic cheking dengan menggunakan
beberapa kriteria sebagai berikut (Rosadi, 2012:155-158):
a) Dengan melakukan uji t, Uji F, maupun nilai koefesien determinasi
(R2) hasil estimasi untuk parameter/koefesien dari model yang
dibuat dengan melihat tingkat signifikasi α=5% koefesien dari
semua model.
44
b) Dengan melihat nilai Schwarz Criterion (SC), Akaike info criterion
(AIC), dan Sum of Squared Regression (SSR) yang paling
minimum dari berbagai model yang dibuat.
c) Selanjutnya dengan melakukan uji Q-Ljung-Box/Q-statistik dan
plot ACF/PACF untuk melihat apakah terdapat korelasi serial
dalam residual dari hasil estimasi dengan model yang diamati yang
ditandai dengan nilai p-value (prob) dari Q-statistik yang lebih
besar dari α=5%.
5) Prediksi
Tahap terakhir adalah melakukan prediksi atau peramalan
berdasarkan model yang dipilih. untuk mengevaluasi kesalahan
peramalan bisa menggunakan Root Mean Squares Error (RMSE),
Mean Absolute Error (MAE) atau Mean Absolute Error (MAPE).
dalam kasus pengujian satu model, besar kecilnya kesalahan
peramalan lebih tepat dideteksi melalui MAPE (Juanda, 2012:91).
E. Operasional Variabel Penelitian.
Operasional variabel merupakan penjabaran yang diterapkan dalam
penelitian agar secara jelas dapat ditetapkan indikatornya. Batasan
operasional variabel merupakan pendefinisian dari serangkaian variabel
yang digunakan dalam penulisan. Hal ini dipandang perlu agar ada
kesamaan makna atas suatu variabel yang mungkin mempunyai makna ganda.
Dalam pendefinisian variabel-variabel sampai dengan kemungkinan
pengukuran dan cara pengukurannya.
45
Tabel 3.2
Operasional Variable
Variabel Skala Satuan
Investasi (PMA dan PMDN) Ratio Numeric
Tenaga Kerja Ratio Numeric
Pertumbuhan Ekonomi (PDRB) Ratio Numeric
Sumber: Rosadi, Dedi. “Ekonometrika dan Analisis Runtun Waktu
Terapan dengan Eviews”. Yogyakarta: ANDI, 2012.
1. Investasi
Secara konsep, Investasi adalah kegiatan mengalokasikan atau
menanamkan sumberdaya atau (resources) saat ini (sekarang), dengan
harapan mendapatkan manfaat dikemudian hari (masa mendatang). Untuk
memudahkan pengertian dan perhitungan, maka sumber daya (resources)
ini biasanya diterjemahkan (dikonversi) kedalam satuan moneter atau
uang. Dalam penelitian ini investasi yang digunakan adalah investasi
berupa PMA dan PMDN yang terdapat di Provinsi.Dimana
PMA(Penanaman Modal Asing) bersumber dari modal atau investasi
yang ditanamkan oleh pihak luar negeri(asing),sedangkan
PMDN(Penanaman Modal Dalam Negeri) bersumber dari modal atau
investasi yang ditanamkan oleh pihak dalam negeri(lokal).
2. Tenaga Kerja
Jumlah penduduk yang sedang dan siap untuk bekerja dan
pengertian kualitas kerja yang diberikan secara umum.Dalam penelitian
46
ini tenaga kerja yang dimaksud adalah tenaga kerja yang terdapat di
Provinsi Jawa Barat.
3. Pertumbuhan Ekonomi
Perhitungan tingkat pertumbuhan ekonomi secara langsung
dihitung dari data pendapatan nasional riil yang tersedia. Pertumbuhan
ekonomi yang dimaksudkan adalah pertumbuhan dengan indikator PDRB
Provinsi Sumatera Selatan yang dihitung dengan formula, (Sukirno,
50:2011):
dimana g adalah tingkat pertumbuhan ekonomi yang dinyatakan dalam
persen. PNriil1 adalah pendapatan nasional untuk tahun perhitungan dan
PNriil0 adalah pendapatan nasional tahun sebelumnya.
PDRB (Produk Domestik Reginal Bruto) Merupakan suatu
indikator dalam kegiatan ekonomi yang dihasilkan oleh suatu daerah
tertentu berdasarkan atas harga berlaku atau atas dasar harga konstan.
PDRB yang dimaksudkan merupakan hasil dari kegiatan sektor-sektor
ekonomi yang terdapat di daerah tersebut dengan batasan jangka waktu
tertentu yang biasanya dalam jangka waktu satu tahun. PDRB dalam
penelitian ini menggunakan data perkembangan PDRB atas dasar harga
konstan di Provinsi Jawa Barat tahun 1994-2014.
47
BAB IV
ANALISIS DAN PEMBAHASAN
A. Gambaran Umum Objek Penelitian
Gambaran umum objek penelitian adalah menyajikan keadaan
objek penelitian secara umum (Hamid, 2006:51), dalam
penelitian ini menyajikan letak geografis, kependudukan dan
ketenagakerjaan, tingkat pertumbuhan ekonomi, dan invetasi di
daerah Provinsi Jawa Barat.
1. Letak Geografis
Provinsi Jawa Barat secara geografis terletak di antara 5?50’ -
7?50’ Lintang Selatan dan 104 ?48’ - 108? 48’ Bujur Timur, dengan
batas-batas wilayah:
a) Sebelah Utara, dengan Laut Jawa dan DKI Jakarta
b) Sebelah Timur, dengan Provinsi Jawa Tengah
c) Sebelah Selatan, dengan Samudra Indonesia
d) Sebelah Barat, dengan Provinsi Banten.
Provinsi Jawa Barat memiliki kondisi alam dengan struktur geologi
yang kompleks dengan wilayah pegunungan berada di bagian tengah
dan selatan serta dataran rendah di wilayah utara. Memiliki kawasan
hutan dengan fungsi hutan konservasi, hutan lindung dan hutan
produksi yang proporsinya mencapai 22,10% dari luas Jawa Barat;
curah hujan berkisar antara 2000-4000 mm/th dengan tingkat intensitas
48
hujan tinggi; memiliki 40 Daerah Aliran Sungai (DAS) dengan debit
air permukaan 81 milyar m3/tahun dan air tanah 150 juta
m3/th.Provinsi Jawa Barat merupakan bagian dari Negara Kesatuan
RepIndonesia yang terletak di kawasan pulau Jawa seperti yang
ditunjukkan pada Gambar 4.1.
Gambar 4.1 Peta Provinsi Jawa Barat
Sumber:Jawa Barat Dalam Angka 2013
Secara administratif pemerintahan, wilayah Jawa Barat terbagi
kedalam 27 kabupaten/kota, meliputi 18 kabupaten yaitu Kabupaten
Bogor, Kabupaten Sukabumi, Kabupaten Cianjur, Kabupaten
Bandung, Kabupaten Garut, Kabupaten Tasikmalaya, Kabupaten
Ciamis, Kabupaten Pangandaran, Kabupaten Kuningan, Kabupaten
Cirebon, Kabupaten Majalengka, Kabupaten Sumedang,
Kabupaten Indramayu, Kabupaten Subang, Kabupaten Purwakarta,
Kabupaten Karawang, Kabupaten Bekasi, Kabupaten Bandung Barat
49
dan 9 kota yaitu Kota Bogor, Kota Sukabumi, Kota Bandung, Kota
Cirebon, Kota Bekasi, Kota Depok, Kota Cimahi, Kota Tasikmalaya,
dan Kota Banjar serta terdiri dari 626 kecamatan, 641 kelurahan, dan
5.321 desa. Lebih jelasnya dapat dilihat pada tabel 4.1.
Tabel 4.1
Jumlah Kecamatan dan Desa, di Kabupaten/Kota Provinsi Jawa
Barat,Tahun 2014
No
Kabupaten/Kota
Jumlah
Kecamatan Desa
1. Kab Bogor 40 430
2. Kab Sukabumi 47 360
3. Kab Cianjur 32 360
4. Kab Bandung 31 276
5. Kab Garut 42 442
6. Kab Tasikmalaya 39 351
7. Kab Ciamis 36 353
8. Kab Kuningan 32 376
9. Kab Cirebon 40 424
10. Kab Majalengka 26 336
11. Kab Sumedang 26 274
12. Kab Indramayu 31 316
13. Kab Subang 30 253
14. Kab Purwakarta 17 192
50
15. Kab Karawang 30 309
16. Kab Bekasi 23 187
17. Kab Bandung Barat 16 165
18. Kota Bogor 6 68
19. Kota Sukabumi 7 33
20. Kota Bandung 30 151
21. Kota Cirebon 5 22
22. Kota Bekasi 12 56
23. Kota Depok 11 63
24. Kota Cimahi 3 15
25. Kota Tasikmalaya 10 69
26. Kota Banjar 4 25
Total 626 5948
Sumber: BPS, Jawa Barat Dalam Angka 2014
2. Investasi
Investasi merupakan kegiatan menciptakan iklim ekonomi pada suatu
wilayah atau daerah untuk mengembangkan dan meningkatkan potensi
ekonomi yang dimiliki daerah tersebut dalam hal ini daerah Sumatera
Selatan sebagai mana yang dikemukakan oleh Noor (2009: 283),
Investasi merupakan kegiatan penciptaan tambah (value added) yang
berakumulasi menjadi Produk Domestik Bruto (PDB), bahwa tingkat
51
kesejahteraan masyarakat berkaitan erat dengan perkembangan
investasi yaitu berupa nilai tambah oleh kegiatan investasi tersebut.
Perkembangan investasi di Provinsi Jawa Barat mengalami fluktuasi
dalam 12 tahun terakhir dimana pada investasi Penanaman Modal
Dalam Negeri (PMDN) tertinggi pada tahun 2012 sebesar 17,45
(milliar Rp) dan terendah pada tahun 2002 sebesar (milliar Rp)
sedangkan investasi Penanaman Modal Asing (PMA) tertinggi pada
tahun 2013 sebesar (ribu US$) dan terendah pada tahun 2002 sebesar
4.283 (ribu US$).
3. Penduduk dan Tenaga Kerja
a) Penduduk
Pada tahun 2013 penduduk Jawa Barat terbanyak berada di
Kabupaten Bogor, yaitu sebesar 5,2 juta jiwa dan diikuti oleh
Kabupaten Bandung 3,4 juta jiwa. Hal ini tidak berbeda dengan
kondisi di tahun sebelumnya. Sedangkan penduduk terkecil
berada di kota Banjar yaitu sebanyak 0,18 juta jiwa.
Jumlah rumah tangga pada tahun 2012 di Jawa Barat mencapai
12,1 Juta rumah tangga, dengan rata-rata per rumah tangga 4
anggota.Rata-rata Jumlah Penduduk di Jawa Barat lebih banyak
laki-laki dibandingkan perempuan, dengan Sex rasio 102,99. Sex
rasio tertinggi adalah Kabupaten Cianjur 106,31 disusul oleh
Kabupaten Karawang sebesar 105,58.
52
Kepadatan Penduduk di Jawa Barat Pada tahun 2013 sebesar
1.219 orang/km, dengan luas wilayah sebesar 37.173,97 km2.
Diantara Kabupaten/kota se Jawa Barat kepadatan penduduk
tertinggi adalah di Kota Bandung yaitu sebesar 14.613
orang/km2, disusul oleh Kota Cimahi 13.859 orang/km2 dan
terendah di kabupaten Ciamis 421,59 orang/km2.
b) Tenaga kerja
a. Komposisi penduduk usia kerja
Penduduk Usia Kerja didefinisikan sebagai penduduk yang
berumur 15 tahun dan lebih. Mereka terdiri dari "Angkatan
Kerja" dan "Bukan Angkatan Kerja". Proporsi penduduk yang
tergolong "Angkatan Kerja" adalah mereka yang aktif dalam
kegiatan ekonomi. Keterlibatan penduduk dalam kegiatan
ekonomi diukur dengan porsi penduduk yang masuk dalam
pasar kerja yakni yang bekerja atau mencari pekerjaan.
Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan
ukuran yang menggambarkan jumlah angkatan kerja untuk
setiap 100 penduduk usia kerja.
Kesempatan kerja memberikan gambaran besarnya tingkat
penyerapan pasar kerja, tenaga kerja yang tidak terserap di
kategorikan sebagai penganggur. Pada tahun 2013, jumlah
angkatan kerja di seluruh provinsi Jawa Barat sebanyak
20.620.610 orang, yang aktif bekerja sebanyak 18.731.943
53
orang atau sebesar 90,84 persen dan yang menganggur
sebanyak 1.888.667 orang sebesar 9,16 persen.
b. Komposisi penduduk yang bekerja
Proporsi pekerja menurut lapangan pekerjaan merupakan
salah satu ukuran untuk melihat potensi sektor perekonomian
dalam menyerap tenaga kerja. Hal lain dapat pula
mencerminkan struktur perekonomian suatu wilayah.
Tabel 4.2
Luas Daerah, Jumlah Penduduk dan Kepadatan Penduduk menurut
Kabupaten/Kota di Provinsi Jawa Barat, 2014
No. Kabupaten Luas Wilayah
(Km2)
Penduduk Kepadatan
Penduduk/Km2
1. Bogor 2997,13 5 202 097 1 735,69
2. Sukabumi 4160,75 2 408 417 578,84
3. Cianjur 3594,65 2 225 313 619,06
4. Bandung 1756,65 3 405 475 1 938,62
5. G a r ut 3094,40 2 502 410 808,69
6. Tasikmalaya 2702,85 1 720 123 636,41
7. C i a m is 2740,76 1 541 600 421,59
8. Kuningan 1189,60 1 042 789 876,59
9. Cirebon 1071,05 2 093 075 1 954,32
10. Majalengka 1343,93 1 170 505 870,96
11. Sumedang 1560,49 1 125 125 721,01
54
12. Indramayu 2092,10 1 672 683 799,52
13. Subang 2164,48 1 496 886 691,57
14. Purwakarta 989,89 898 001 907,17
15. Karawang 1914,16 2 225 383 1 162,59
16. B e ka si 1269,51 3 002 112 2 364,78
17. BandungBarat 1335,60 1 588 781 1 189,56
18. Bogor 111,73 1 013 019 9 066,67
19. Sukabumi 48,96 311 822 6 368,91
20. Bandung 168,23 2 458 503 14 613,94
21. Cirebon 40,16 301 728 7 513,15
22. Bekasi 213,58 2 570 397 12 034,82
23. Depok 199,44 1 962 182 9 838,46
24. Cimahi 41,20 570 991 13 859,00
25. Tasikmalaya 184,38 651 676 3 534,42
26. Banjar 130,86 179 706 1 373,27
Jawa Barat 37173,97 45 340 799 1219,69
Sumber : BPS, Jawa Barat Dalam Angka 2014
4. Pertumbuhan Ekonomi
Struktur perekonomian Jawa Barat selama dalam tiga tahun
terakhir, Produk Domestik Regional Bruto (PDRB ADHB)
Jawa Barat dengan migas mengalami peningkatan. Pada tahun
2011 nilai tambah yang terbentuk sebesar 862.234.648miliar
55
rupiah. Pada tahun 2012, angka ini sebesar 949.761.265miliar
rupiah dan tahun 2013 sebesar 1.070.177.138 miliar rupiah.
Pada tahun 2013 terdapat empat sektor yang memberikan
sumbangan terbesar berdasarkan harga berlaku dengan migas,
empat sektor tersebut adalah sektor industri pengolahan, sektor
perdagangan hotel dan restoran, sektor pertanian, serta sektor
jasa-jasa seperti ditunjukkan pada tabel 4.3. Menurut data dari
Badan Pusat Statistik (BPS) tahun 2013, terjadi beberapa
pergeseran struktur ekonomi bila dibandingkan kondisi tahun
sebelumnya dimana hampir semua sektor mengalami
peningkatan walaupun tidak semuanya mengalami peningkatan
yang signifikan.
Tabel 4.3
Distribusi Persentase PDRB Jawa Barat Menurut Lapangan Usaha Atas
Dasar Harga Berlaku Dengan Migas (persen), 2011-2013
Lapangan Usaha 2011 2012 2013
Pertanian
104 557 476 111 047 189 127 884 693
Pertambangan &
Penggalian
17 362 819 17 587 827 18 608 261
Industri Pengolahan 319 983 632 338 968 111 369 830 981
Listrik, Gas & Air
Bersih
21 943 285 24 169 676 29 190 228
Bangunan 35 034 275 41 721 346 47 133 450
56
Sumber: BPS Jawa Barat Dalam Angka 2013
Dilihat dari pertumbuhan ekonomi, perekonomian Jawa Bara
mengalami peningkatan yang cukup baik. Hal ini ditunjukkan
dari angka pertumbuhan ekonomi Jawa Barat dengan migas
meningkat dari tahun ke tahunt.Begitu juga pertumbuhan
eknomi tanpa migas meningkat dari tahin ke tahun.Dari
berbagai macam sektor semuanya mengalami peningkatan
yang cukup signifikan.
B. Estimasi Model ARIMA
1. Penanaman Modal Asing (PMA)
1) Preprocessing Data dan Indentifikasi Model
a) Plot Data
Untuk melihat perkiraan kasar dari bentuk model yang
sesuai yaitu dengan melihat plot data deret waktu dari
Perdagangan Hotel
dan Restoran
194 615 660 226 849 565 261 537 327
Pengangkutan dan
Komunikasi
66 336 491 73 802 070 87 721 801
Keuangan
Persewaan dan Jasa
Perusahaan
24 479 916 27 913 245 32 212 810
Jasa-Jasa 77 921 093 87 702 235 96 057 585
PDRB Dengan
Minyak dan Gas
Bumi
862 234 648 648 949 761 265 1 070 177 138
57
obyek PMA Jawa Barat 1994-2014 apakah pola data
dari grafik yang ditandai adanya kenaikan atau
penurunan dalam perubahan waktu (Rosadi,
2012).Seperti yang tampilkan pada Gambar 4.4 di
bawah pada data tersebut terlihat bahwa data PMA
Jawa Barat memiliki trend sehingga non stasioner
pada mean dan selanjutnya dapat dilakukan dengan uji
Stasioneritas data dengan menggunakan uji augmented
Dickey-Fuller/ADF yang menyatakan terdapat akar
unit atau tidak.
Gambar 4.2
Trend PMA Provinsi Jawa Barat Tahun 1994-2014
0E+00
1E+10
2E+10
3E+10
4E+10
5E+10
6E+10
7E+10
8E+10
94 96 98 00 02 04 06 08 10 12 14 16 18
PMA
58
b) Uji Stasioneritas Data
Tabel 4.4
ADF tingkat Level
Sumber : Data diolah tahun 2015
Pada Tabel 4.4 terlihat bahwa data mengandung
trend maka dilakukan Uji Stasioneritas data
menggunakan uji akar unit dengan uji augmented
Dickey-Fuller/ADF atau menggunakan Plot
ACF/PACF. Dari hasil Uji ADF data PMA Jawa
Barat pada level (data Sebenarnya) ADF test
statistik bernilai 1.295424 sedangkan nilai test
critical values t-statistik batas α=5% bernilai
3.029970 yang berarti terdapat akar unit dan data
tidak stasioner selain itu dapat dilihat dari nilai
probabilitasADF sebesar 0,9975 yang dapat
disimpulkan bahwa data yang digunakan tidak
stasioner karena lebih dari α=5%.
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 1.295424 0.9975
Test critical values: 1% level -3.831511
5% level -3.029970
10% level -2.655194
59
Tabel 4.5
ADF 1st Different
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.436249 0.0000
Test critical values: 1% level -3.831511
5% level -3.029970
10% level -2.655194 Sumber : Data diolah tahun 2015
Selanjutnya akan dilakukan Transformasi data
(Lagged differences)Lag 1, dari hasil Lagged
differences ADF bernilai 1 didapat nilai ADF test
statistik adalah 6.436249 sedangkan nilai test
critical values t-satistik batas α=5% adalah
3.029970 yang berarti tidak terdapat akar unit dan
data stasioner, selain itu dapat dilihat dari nilai
probabilitasADF sebesar 0,0000 yang dapat
disimpulkan bahwa data yang digunakan stasioner
karena kurang dari α=5%. Dengan didapatnya data
yang stationer maka dapat dilanjutkan dengan
pembentukan model dalam analisis Least Square
Method ARIMA dengan Menggunakan Eviews 6.
2) Analisis Leat Square Method dengan ARIMA
a) Metode ARIMA (Autoregressive Moving Average)
merupakan metode alternatif dalam menganalisis
data deret waktu yang terdapat komponen trend
tetapi tidak terdapat komponen musiman (Rosadi,
60
2012:118). Agar dapat dimodelkan dengan ARMA
atau ARIMA maka hal pertama adalah data harus
stationer. Berdasarkan pengujian stasioneritas data
PMA didapatkan hasil bahwa data tidak stasioner
pada tingkat level, dan stasioner pada different
tingkat pertama.Pada different tingkat pertama dari
data PMA, diberikan dalam bentuk tabel sebagai
berikut :
Tabel 4.6
Correlogram 1st Different
Autocorrelation Partial Correlation AC PAC Q-Stat Prob ***| . | ***| . | 1 -0.417 -0.417 4.0211 0.045
. |**. | . |* . | 2 0.238 0.078 5.4048 0.067
. | . | . |* . | 3 -0.022 0.125 5.4168 0.144
. | . | . | . | 4 0.006 0.024 5.4178 0.247
. *| . | . *| . | 5 -0.073 -0.111 5.5734 0.350
. | . | . | . | 6 0.071 0.004 5.7309 0.454
. *| . | . *| . | 7 -0.117 -0.066 6.1907 0.518
. | . | . *| . | 8 -0.018 -0.109 6.2022 0.625
. |* . | . |* . | 9 0.169 0.188 7.3461 0.601
. *| . | . | . | 10 -0.111 0.064 7.8918 0.639
. *| . | .**| . | 11 -0.099 -0.246 8.3751 0.679
. | . | .**| . | 12 -0.048 -0.271 8.5006 0.745
Sumber : Data diolah tahun 2015
Pada Tabel 4.6 dapat terlihat bahwa probabilitas
keseluruhan data diatas lebih besar dari α=5% yang dapat
disimpulkan bahwa data yang digunakan sudah stasioner,
selain itu dari kolom autocorrelation dan partial
correlation menunjukkan bahwa data yang digunakan
tidak mengandung autokorelasi.
61
Selanjutnya dilakukan analisis pembentukan model
dengan mengklasifikan model-model ARIMA dan
melihat nilai R-square, probabilitas, AIC, SIC, dan SSR,
seperti yang terlihat dalam Tabel 4.13 berikut ini :
Tabel 4.7 Klasifikasi Model ARIMA
Model AR dan MA ARIMA
Model 1 AR (1) (1,1,0)
Model 2 MA (1) (0,1,1)
Model 3 AR (1) MA (1) (1,1,1)
Setelah diperoleh model-model alternatif maka
dapat dilanjutkan dengan estimasi menggunakan
program Eviews6.
b) Estimasi dari Model
Untuk mengestimasi model dari parameter pada
Tabel 4.7 peneliti menggunakan program Eviews6
dan diperoleh ringkasan hasil estimasi dari model-
model tersebut seperti yang terlihat pada Tabel 4.8
sebagai berikut :
62
Tabel 4.8
Rangkuman Estimasi Model ARIMA
Sumber : Data diolah tahun 2015
Pada Tabel 4.8 nilai probabilitas yang signifikan
atau lebih kecil dari α=5% adalah model 3, dengan
kata lain model 1 dan model 2 tidak signifikan atau
tidak memenuhi diagnostic cheking. Selanjutnya
dilakukan pengamatan melalui nilai R-squared
yaitu diantara 3 model diatas yang paling besar
adalah model 3, dan terakhir dengan melihat nilai
SSR, AIC, dan SIC dimana jika nilainya rendah
maka dapat disimpulkan bahwa model tersebut
yang paling baik, dalam Tabel 4.3 diatas maka
dapat disimpulkan bahwa model 3 merupakan
model yang layak dalam penelitian ini dan
merupakan model terbaik yang memenuhi kriteria
karena prilaku data deret waktu akan lebih baik
dijelaskan melalui penggabungan antara model AR
Model Prob
R-squared
Sum Squared
Residual (SSR) AIC SIC
model 1 0,0755 0,174 2,57E+21 49,4 49,5
model 2 0.1830 0,134 2,70E+21 49,39 49,49
model 3 0,0007
(0,0123)
0,34 2,05E+21 49,27 49,42
63
dan MA. Dengan kata lain, nilai Yt tidak hanya
dipengaruhi oleh nilai peubah tersebut, tetapi juga
oleh residual peubah tersebut pada periode
sebelumnya (Juanda, 2012:73).
c) Evaluasi Model
Dalam melakukan evaluasi dari model yang dipilih
maka dilakukan uji statistik dari model sebagai
berikut:
Tabel 4.9
Uji Q-Statistik
Autocorrelation Partial Correlation AC PAC Q-Stat Prob .**| . | .**| . | 1 -0.229 -0.229 1.1649
. |* . | . | . | 2 0.108 0.059 1.4390
. |* . | . |* . | 3 0.125 0.171 1.8261 0.177
. *| . | . *| . | 4 -0.121 -0.070 2.2142 0.331
. | . | . *| . | 5 0.007 -0.070 2.2157 0.529
. |* . | . |* . | 6 0.095 0.091 2.4918 0.646
.**| . | . *| . | 7 -0.216 -0.156 4.0425 0.543
. |* . | . | . | 8 0.074 -0.031 4.2411 0.644
. |* . | . |* . | 9 0.135 0.185 4.9730 0.663
. *| . | . | . | 10 -0.108 0.012 5.4885 0.704
. *| . | .**| . | 11 -0.101 -0.243 5.9937 0.741
. *| . | .**| . | 12 -0.086 -0.215 6.4171 0.779
Sumber : Data diolah tahun 2015
Pada Tabel 4.9 dapat terlihat bahwa pengujian
residual yang dilakukan pada model 3 didapatkan
hasil bahwa ACF dan PACF dari nilai residual
tidak ada yang signifikan sampai pada lag ke 12
yang berarti model baik untuk melakukan proyeksi.
64
d) Prediksi atau Peramalan.
Terdapat dua metode dalam melakukan proyeksi,
yaitu static forcast untuk satu langkah kedepan dan
model dynamic forcast untuk beberapa langkah
kedepan (Rosadi, 2012:160). Dalam analisis ini
metode yang dipakai adalah metode dynamic
forcast untuk memproyeksikan dalam beberapa
tahun kedepan.Hasil dari peramalan dari model 3
untuk PMA 5 tahun kedepan, diperoleh grafik yang
ditunjukkan pada Gambar 4.3 sebagai berikut :
Gambar 4.3 Forecasting PMA Tahun 1994-2019
Sumber : Data diolah tahun 2015
Dari Gambar 4.3 memberikan output RMSE, MAE, dan
MAPE untuk mengukur kesalahan peramalan. Pada
Gambar 4.3 dihasilkan nilai rata-rata kuadrat kesalahan
sebesar 1.03E+10(RMSE), sedangkan rata-rata absolut
kesalahan sebesar 7.71E+09 (MAE) dan rata-rata
persentase absolut kesalahan sebesar 103.3955
-4E+10
-3E+10
-2E+10
-1E+10
0E+00
1E+10
2E+10
3E+10
4E+10
5E+10
96 98 00 02 04 06 08 10 12 14 16 18
PMAFDYN ± 2 S.E.
Forecast: PMAFDYN
Actual: D(PMA)
Forecast sample: 1994 2019
Adjusted sample: 1996 2019
Included observations: 19
Root Mean Squared Error 1.03E+10
Mean Absolute Error 7.71E+09
Mean Abs. Percent Error 103.3955
Theil Inequality Coefficient 0.516389
Bias Proportion 0.001986
Variance Proportion 0.538648
Covariance Proportion 0.459365
65
(MAPE).Berdasarkan ukuran RMSE maka diketahui
bahwa tingkat kesalahan peramalan relatif kecil yaitu
sebesar 1.03% yang berarti model baik untuk melakukan
peramalan, berikut hasil peramalan PMA Jawa Barat 5
tahun kedepan pada tabel 4.10.
Tabel 4.10
Hasil Forecasting PMA Tahun 2015-2019
Tahun PMA
2015 73243836
2016 77842327
2017 80684570
2018 84844348
2019 88015713
Sumber : Hasil data diolah tahun 2015
2. Penanaman Modal Dalam Negeri (PMDN)
1) Preprocessing Data dan Identifikasi Model
a. Plot Data
Untuk melihat perkiraan kasar dari bentuk model yang
sesuai yaitu dengan melihat plot data deret waktu dari
obyek PMDN Jawa Barat 1994-2014 apakah pola data
dari grafik yang ditandai adanya kenaikan atau
penurunan dalam perubahan waktu (Rosadi, 2012).
Seperti yang tampilkan pada Gambar 4.6 pada data
66
tersebut terlihat bahwa data PMDN Jawa Barat
memiliki trend sehingga non stasioner pada mean dan
selanjutnya dapat dilakukan dengan uji Stasioneritas
data dengan menggunakan uji augmented Dickey-
Fuller/ADF yang menyatakan terdapat akar unit atau
tidak.
Gambar4.4
Trend PMDN Provinsi Jawa Barat Tahun 1994-2014
b. Uji Stasioneritas Data
Tabel 4.11
ADF tingkat Level
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 3.944967 1.0000
Test critical values: 1% level -3.920350
5% level -3.065585
10% level -2.673459 Sumber : Data diolah tahun 2015
0.0E+00
5.0E+09
1.0E+10
1.5E+10
2.0E+10
2.5E+10
3.0E+10
3.5E+10
4.0E+10
94 96 98 00 02 04 06 08 10 12 14 16 18
PMDN
67
Pada Tabel 4.11 terlihat data mengandung trend maka
dilakukan Uji Stasioneritas data menggunakan uji akar
unit dengan uji augmented Dickey-Fuller/ADF atau
menggunakan Plot ACF/PACF. Dari hasil Uji ADF
data PDRB Jawa Barat pada level (data Sebenarnya)
ADF test statistik bernilai 3.944967 sedangkan nilai
test critical values t-statistik batas α=5% bernilai
3.065585 yang berarti tidak terdapat akar unit dan data
tetap tidak stasioner dikarenakandari nilai
probabilitasADF sebesar 1.0000 yang dapat
disimpulkan bahwa data yang digunakan tidak stasioner
karena lebih dari α=5%.
Tabel 4.12
ADF 1st Different
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.125319 0.0054
Test critical values: 1% level -3.831511
5% level -3.029970
10% level -2.655194
Sumber : Data diolah tahun 2015
Selanjutnya akan dilakukan Transformasi data (Lagged
differences) Lag 1, dari hasil Lagged differences ADF
bernilai 1 didapat nilai ADF test statistik adalah
4.125319 sedangkan nilai test critical values t-satistik
batas α=5% adalah 3.029970 yang berarti tidak terdapat
68
akar unit dan data stasioner, selain itu dapat dilihat dari
nilai probabilitasADF sebesar 0,0054 yang dapat
disimpulkan bahwa data yang digunakan stasioner
karena kurang dari α=5%. Dengan didapatnya data
yang stationer maka dapat dilanjutkan dengan
pembentukan model dalam analisis Least Square
Method ARIMA dengan Menggunakan Eviews 6.
2) Analisis Leat Square Method dengan ARIMA
a) Metode ARIMA (Autoregressive Moving Average)
merupakan metode alternatif dalam menganalisis data
deret waktu yang terdapat komponen trend tetapi tidak
terdapat komponen musiman (Rosadi, 2012:118). Agar
dapat dimodelkan dengan ARMA atau ARIMA maka
hal pertama adalah data harus stationer. Berdasarkan
pengujian stasioneritas data PMDN didapatkan hasil
bahwa data tidak stasioner pada tingkat level, dan
stasioner pada differen tingkat ke-1.Pada differen
tingkat ke-1 dari data PMA, diberikan dalam bentuk
tabel sebagai berikut :
69
Tabel 4.13
Correlogram 1st Different
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . *| . | . *| . | 1 -0.089 -0.089 0.1826 0.669
. | . | . | . | 2 -0.040 -0.048 0.2216 0.895
. |**. | . |**. | 3 0.232 0.226 1.6147 0.656
. | . | . | . | 4 -0.002 0.038 1.6148 0.806
. |* . | . |* . | 5 0.120 0.147 2.0353 0.844
. *| . | .**| . | 6 -0.201 -0.249 3.3044 0.770
. | . | . | . | 7 0.060 0.033 3.4274 0.843
. |* . | . |* . | 8 0.160 0.096 4.3693 0.822
.**| . | . *| . | 9 -0.210 -0.094 6.1257 0.727
. | . | . | . | 10 0.054 0.017 6.2528 0.794
. *| . | .**| . | 11 -0.170 -0.230 7.6690 0.743
. | . | . | . | 12 -0.027 -0.030 7.7088 0.807
Sumber : Data diolah tahun 2015
Pada Tabel 4.13 dapat terlihat bahwa probabilitas
keseluruhan data diatas lebih besar dari α=5% yang dapat
disimpulkan bahwa data yang digunakan sudah stasioner,
selain itu dari kolom autocorrelation dan partial correlation
menunjukkan bahwa data yang digunakan tidak mengandung
autokorelasi.Selanjutnya dilakukan analisis pembentukan
model dengan mengklasifikan model-model ARIMA dan
melihat nilai R-square, probabilitas, AIC, SIC, dan SSR,
seperti yang terlihat dalam Tabel 4.14 berikut ini :
Tabel 4.14
Klasifikasi Model ARIMA
Model AR dan MA ARIMA
Model 1 AR (9) (9,1,0)
Model 2 MA (1) (0,1,1)
Model 3 AR (9) MA (1) (9,1,1)
70
Setelah diperoleh model-model alternatif maka dapat
dilanjutkan dengan estimasi menggunakan program
Eviews6.
b) Estimasi dari Model
Untuk mengestimasi model dari parameter pada tabel
4.14 peneliti menggunakan program Eviews6 dan
diperoleh ringkasan hasil estimasi dari model-model
tersebut sebagai berikut:
Tabel 4.15
Rangkuman Estimasi Model ARIMA
Sumber : Data diolah tahun 2015
Pada Tabel 4.15 nilai probabilitas yang signifikan atau
lebih kecil dari α=5% adalah model 2 dan 3, dengan
kata lain model 1 tidak signifikan atau tidak memenuhi
diagnostic cheking. Selanjutnya dilakukan pengamatan
melalui nilai R-squared yaitu diantara 3 model diatas
yang paling besar adalah model 3, dalam Tabel
Model Prob
R-
squared
Sum
Squared
Residual
(SSR)
AIC SIC
model 1 0,2175 0,163 3,02E+14 34,14 34,21
model 2 0,6579 0,011 5,26E+14 33,93 34,03
model 3 0,000
(0,01)
0,408 21,14E+14 33,98 34,08
71
4.22diatas maka dapat disimpulkan bahwa model 3
merupakan model yang layak dalam penelitian ini dan
merupakan model terbaik yang memenuhi kriteria
karena prilaku data deret waktu akan lebih baik
dijelaskan melalui penggabungan antara model AR dan
MA. Dengan kata lain, nilai Yt tidak hanya dipengaruhi
oleh nilai peubah tersebut, tetapi juga oleh residual
peubah tersebut pada periode sebelumnya (Juanda,
2012:73).
c) Evaluasi Model
Dalam melakukan evaluasi dari model yang dipilih
maka dilakukan uji statistik dari model sebagai berikut:
Tabel 4.16
Uji Q-Statistik
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . **| . | . **| . | 1 -0.293 -0.293 1.2292
. **| . | . **| . | 2 -0.213 -0.327 1.9506
. |** . | . | . | 3 0.233 0.066 2.9169 0.088
. |* . | . |* . | 4 0.110 0.185 3.1637 0.206
. **| . | . | . | 5 -0.227 -0.058 4.3920 0.222
. *| . | . **| . | 6 -0.157 -0.287 5.0978 0.277
. |* . | . *| . | 7 0.160 -0.143 6.0107 0.305
. *| . | . *| . | 8 -0.118 -0.183 6.6734 0.352
. | . | . |* . | 9 0.004 0.078 6.6745 0.464
. | . | . | . | 10 0.002 0.019 6.6752 0.572
Sumber : Data diolah tahun 2015
Pada Tabel 4.16 dapat terlihat bahwa pengujian residual yang
dilakukan pada model 3 didapatkan hasil bahwa ACF dan
PACF dari nilai residual tidak ada yang signifikan sampai
72
pada lag ke 12 yang berarti model baik untuk melakukan
proyeksi.
d) Prediksi atau Peramalan.
Terdapat dua metode dalam melakukan proyeksi, yaitu
static forcast untuk satu langkah kedepan dan model
dynamic forcast untuk beberapa langkah kedepan
(Rosadi, 2012:160). Dalam analisis ini metode yang
dipakai adalah metode dynamic forcast untuk
memproyeksikan dalam beberapa tahun kedepan.Hasil
dari peramalan dari model 3 untuk PMDN 5 tahun
kedepan maka diperoleh grafik yang ditunjukkan pada
Gambar 4.5 sebagai berikut
Gambar 4.5
Forecasting PMDN Tahun 2015-2019
Forecasting
Sumber : Data diolah tahun 2015
Pada Gambar 4.5 menunjukan peramalan dari tahun
2015-2019 dengan menggunakan metode model 3,
-30,000,000
-20,000,000
-10,000,000
0
10,000,000
20,000,000
30,000,000
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
PMDNFDYN ± 2 S.E.
Forecast: PMDNFDYN
Actual: D(PMDN)
Forecast sample: 1994 2019
Adjusted sample: 2004 2019
Included observations: 11
Root Mean Squared Error 5897910.
Mean Absolute Error 4587581.
Mean Abs. Percent Error 196.1476
Theil Inequality Coefficient 0.493978
Bias Proportion 0.058458
Variance Proportion 0.265537
Covariance Proportion 0.676005
73
berikut hasil peramalan PMA Jawa Barat 5 tahun
kedepan pada tabel 4.17.
Tabel 4.17
Hasil Forecasting PMDN Tahun 2015-2019
Sumber : Hasil data diolah tahun 2015
3. Tenaga Kerja
1) Preprocessing Data dan Indentifikasi Model
a. Plot Data
Untuk melihat perkiraan kasar dari bentuk model yang
sesuai yaitu dengan melihat plot data deret waktu dari
obyek Tenaga Kerja Jawa Barat 1994-2014 apakah pola
data dari grafik yang ditandai adanya kenaikan atau
penurunan dalam perubahan waktu (Rosadi, 2012).
Seperti yang tampilkan pada Gambar 4.8 pada data
tersebut terlihat bahwa data Tenaga Kerja Jawa Barat
memiliki trend sehingga non stasioner pada mean dan
Tahun PMDN
2015 42067947
2016 43053515
2017 53064450
2018 57897029
2019 56567823
74
selanjutnya dapat dilakukan dengan uji Stasioneritas
data dengan menggunakan uji augmented Dickey-
Fuller/ADF yang menyatakan terdapat akar unit atau
tidak.
Gambar 4.6
Trend Tenaga Kerja Provinsi Jawa Barat Tahun 1994-2014
b. Uji Stasioneritas Data
Tabel 4.18
ADF tingkat Level
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.048533 0.9527
Test critical values: 1% level -3.808546
5% level -3.020686
10% level -2.650413
Sumber : Data diolah tahun 2015
Pada Tabel 4.18 terlihat bahwa data mengandung trend
maka dilakukan Uji Stasioneritas data menggunakan uji
akar unit dengan uji augmented Dickey-Fuller/ADF
13,000,000
14,000,000
15,000,000
16,000,000
17,000,000
18,000,000
19,000,000
20,000,000
94 96 98 00 02 04 06 08 10 12 14 16 18
TENAGA KERJA
75
atau menggunakan Plot ACF/PACF. Dari hasil Uji
ADF data Tenaga Kerja Jawa Barat pada level (data
Sebenarnya) ADF test statistik bernilai 0.048533
sedangkan nilai test critical values t-statistik batas
α=5% bernilai 3.020686 yang berarti terdapat akar unit
dan data tidak stasioner selain itu dapat dilihat dari nilai
probabilitasADF sebesar 0,9527 yang dapat
disimpulkan bahwa data yang digunakan tidak stasioner
karena lebih dari α=5%.
Tabel 4.19
ADF 1st Different
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.516988 0.0191
Test critical values: 1% level -3.831511
5% level -3.029970
10% level -2.655194 Sumber : Data diolah tahun 2015
Selanjutnya akan dilakukan Transformasi data (Lagged
differences) Lag 1, dari hasil Lagged differences ADF
bernilai 1 didapat nilai ADF test statistik adalah
3.516988 sedangkan nilai test critical values t-satistik
batas α=5% adalah 3.029970 yang berarti tidak terdapat
akar unit dan data stasioner, selain itu dapat dilihat dari
nilai probabilitasADF sebesar 0,0191 yang dapat
disimpulkan bahwa data yang digunakan stasioner
karena kurang dari α=5%.Dengan didapatnya data yang
76
stationer maka dapat dilanjutkan dengan pembentukan
model dalam analisis Least Square Method ARIMA
dengan Menggunakan Eviews 6.
2) Analisis Least Square Method dengan ARIMA
a) Metode ARIMA (Autoregressive Moving Average)
merupakan metode alternatif dalam menganalisis data
deret waktu yang terdapat komponen trend tetapi tidak
terdapat komponen musiman (Rosadi, 2012:118). Agar
dapat dimodelkan dengan ARMA atau ARIMA maka
hal pertama adalah data harus stationer. Berdasarkan
pengujian stasioneritas data Tenaga Kerja didapatkan
hasil bahwa data tidak stasioner pada tingkat level, dan
stasioner pada differen tingkat ke-1.Pada differen
tingkat ke-1 dari data PMA, diberikan dalam bentuk
tabel sebagai berikut,
Tabel 4.20
Correlogram 1st Different
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |* . | . |* . | 1 0.112 0.112 0.2920 0.589
. *| . | . *| . | 2 -0.148 -0.163 0.8265 0.662
. |* . | . |* . | 3 0.128 0.172 1.2511 0.741
. | . | . | . | 4 0.013 -0.058 1.2557 0.869
. *| . | . *| . | 5 -0.198 -0.152 2.4048 0.791
. *| . | . *| . | 6 -0.112 -0.094 2.7999 0.834
. | . | . | . | 7 -0.017 -0.045 2.8094 0.902
. | . | . | . | 8 -0.061 -0.039 2.9469 0.938
. |* . | . |* . | 9 0.124 0.169 3.5650 0.938
. *| . | .**| . | 10 -0.178 -0.296 4.9668 0.893
. | . | . | . | 11 -0.061 0.053 5.1496 0.924
. | . | .**| . | 12 -0.032 -0.210 5.2070 0.951
77
Sumber : Data diolah tahun 2015
Pada Tabel 4.20 dapat terlihat bahwa probabilitas keseluruhan
data diatas lebih besar dari α=5% yang dapat disimpulkan
bahwa data yang digunakan sudah stasioner, selain itu dari
kolom autocorrelation dan partial correlation menunjukkan
bahwa data yang digunakan tidak mengandung autokorelasi.
Selanjutnya dilakukan analisis pembentukan model dengan
mengklasifikan model-model ARIMA dan melihat nilai R-
square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat
dalam Tabel 4.21 berikut ini :
Tabel 4.21
Klasifikasi Model ARIMA
Model AR dan MA ARIMA
Model 1 AR (9) (9,1,0)
Model 2 MA (2) (0,1,2)
Model 3 AR (9) MA (2) (9,1,2)
Setelah diperoleh model-model alternatif maka dapat
dilanjutkan dengan estimasi menggunakan program
Eviews6.
b) Estimasi dari Model
Untuk mengestimasi model dari parameter pada tabel
4.21 peneliti menggunakan program Eviews6 dan
diperoleh ringkasan hasil estimasi dari model-model
78
tersebut seperti yang terlihat pada Tabel 4.22 sebagai
berikut :
Tabel 4.22
Rangkuman Estimasi Model ARIMA
Sumber : Data diolah tahun 2015
Pada Tabel 4.22 nilai probabilitas yang signifikan atau
lebih kecil dari α=5% adalah model 2 dan 3, dengan
kata lain model 1 tidak signifikan atau tidak memenuhi
diagnostic cheking. Selanjutnya dilakukan pengamatan
melalui nilai R-squared yaitu diantara 3 model diatas
yang paling besar adalah model 3, dan terakhir dengan
melihat nilai SSR, AIC, dan SIC dimana jika nilainya
rendah maka dapat disimpulkan bahwa model tersebut
yang paling baik, dalam Tabel 4.3 diatas maka dapat
disimpulkan bahwa model 3 merupakan model yang
layak dalam penelitian ini dan merupakan model
terbaik yang memenuhi kriteria karena prilaku data
deret waktu akan lebih baik dijelaskan melalui
Model Prob
R-squared
Sum Squared
Residual (SSR) AIC SIC
model 1 0,1397 0,225 9,71E+11 28,404 28,477
model 2 0.0000 0,028 8,39E+12 29,8 29,9
model 3 0,0429
(0,0000)
0,536 5,81E+11 28,07 28,18
79
penggabungan antara model AR dan MA. Dengan kata
lain, nilai Yt tidak hanya dipengaruhi oleh nilai peubah
tersebut, tetapi juga oleh residual peubah tersebut pada
periode sebelumnya (Juanda, 2012:73).
c) Evaluasi Model
Dalam melakukan evaluasi dari model yang dipilih
maka dilakukan uji statistik dari model sebagai berikut:
Tabel 4.23
Uji Q-Statistik
Autocorrelation Partial Correlation AC PAC Q-Stat Prob .***| . | .***| . | 1 -0.453 -0.453 2.9309
. *| . | .***| . | 2 -0.151 -0.447 3.2912
. |* . | . *| . | 3 0.208 -0.147 4.0636 0.044
. *| . | . *| . | 4 -0.108 -0.171 4.3021 0.116
. | . | . | . | 5 0.060 -0.010 4.3885 0.222
. |* . | . |** . | 6 0.192 0.321 5.4453 0.245
. **| . | . | . | 7 -0.293 0.072 8.5159 0.130
. *| . | . **| . | 8 -0.068 -0.240 8.7369 0.189
. |** . | . *| . | 9 0.255 -0.144 13.401 0.063
. *| . | . *| . | 10 -0.143 -0.183 16.332 0.038
Sumber : Data diolah tahun 2015
Pada Tabel 4.23 dapat terlihat bahwa pengujian residual yang
dilakukan pada model 3 didapatkan hasil bahwa ACF dan
PACF dari nilai residual tidak ada yang signifikan sampai
pada lag ke 12 yang berarti model baik untuk melakukan
proyeksi.
d) Prediksi atau Peramalan.
Terdapat dua metode dalam melakukan proyeksi, yaitu
static forcast untuk satu langkah kedepan dan model
80
dynamic forcast untuk beberapa langkah kedepan
(Rosadi, 2012:160). Dalam analisis ini metode yang
dipakai adalah metode dynamic forcast untuk
memproyeksikan dalam beberapa tahun kedepan.Hasil
dari peramalan dari model 3 untuk Tenaga Kerja 5
tahun kedepan maka diperoleh grafik yang ditunjukkan
pada Gambar 4.7 sebagai berikut
Gambar 4.7
Forecasting Tenaga Kerja Tahun 2015-2019
Sumber : Data diolah tahun 2015
Dari Gambar 4.7 memberikan output RMSE, MAE,
dan MAPE untuk mengukur kesalahan peramalan. Pada
Gambar 4.9 dihasilkan nilai rata-rata kuadrat kesalahan
sebesar 263436.1(RMSE), sedangkan rata-rata absolut
kesalahan sebesar 196478.8 (MAE) dan rata-rata
persentase absolut kesalahan sebesar 59.017
(MAPE).Berdasarkan ukuran MAPE maka diketahui
-800,000
-400,000
0
400,000
800,000
1,200,000
1,600,000
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
TENAGA_KERFDYN ± 2 S.E.
Forecast: TENAGA_KERFDYN
Actual: D(TENAGA_KERJA)
Forecast sample: 1994 2019
Adjusted sample: 2004 2019
Included observations: 11
Root Mean Squared Error 263436.1
Mean Absolute Error 196478.8
Mean Abs. Percent Error 59.01791
Theil Inequality Coefficient 0.296328
Bias Proportion 0.183735
Variance Proportion 0.459516
Covariance Proportion 0.356749
81
bahwa tingkat kesalahan peramalan relatif kecil yaitu
sebesar 59.01% yang berarti model baik untuk
melakukan peramalan, berikut hasil peramalan Tenaga
Kerja Jawa Barat 5 tahun kedepan pada tabel 4.24.
Tabel 4.24
Hasil Forecasting Tenaga KerjaTahun 2015-2019
Tahun Tenaga Kerja
2015 19537649
2016 20240641
2017 20699362
2018 21122111
2019 21478349
Sumber :Hasil data diolah tahun 2015
4. Pertumbuhan Ekonomi
1) Preprocessing Data dan Indentifikasi Model
a) Plot Data
Untuk melihat perkiraan kasar dari bentuk model yang
sesuai yaitu dengan melihat plot data deret waktu dari
obyek PDRB Jawa Barat 1994-2014 apakah pola data
dari grafik yang ditandai adanya kenaikan atau
penurunan dalam perubahan waktu (Rosadi, 2012).
Seperti yang tampilkan pada Gambar 4.2 pada data
tersebut terlihat bahwa data PDRB sumatera selatan
memiliki trend sehingga non stasioner pada mean dan
selanjutnya dapat dilakukan dengan uji Stasioneritas
82
data dengan menggunakan uji augmented Dickey-
Fuller/ADF yang menyatakan terdapat akar unit atau
tidak.
Gambar 4.8
Grafik Trend PDRB ADHK Provinsi Jawa Barat
Tahun 1994-2014
b) Uji Stasioneritas Data
Tabel 4.25
Unit Root Test (ADF) Tingkat Level
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.016054 0.0255
Test critical values: 1% level -4.498307
5% level -3.658446
10% level -3.268973 Sumber : Data diolah tahun 2015
Pada Tabel 4.25 terlihat bahwa data PDRB ini diketahui
bahwa data mengandung trend, oleh sebab itu dilakukan
-20
-15
-10
-5
0
5
10
94 96 98 00 02 04 06 08 10 12 14 16 18
PDRB
83
Uji Stasioneritas data menggunakan uji akar unit dengan
uji augmented Dickey-Fuller/ADF atau menggunakan
Plot ACF/PACF. Dari hasil Uji ADF data PDRB Provinsi
Jawa Barat pada tingkat level (data Sebenarnya) ADF test
statistik bernilai 4.016054sedangkan nilai test critical
values t-statistik batas α=5% bernilai 3.658446yang berarti
tidak terdapat akar unit dan data stasioner, selain itu dapat
dilihat dari nilai probabilitasADF sebesar 0,0255 yang
dapat disimpulkan bahwa data yang digunakan stasioner
karena kurang dari α=5%.Dengan didapatnya data yang
stationer maka dapat dilanjutkan dengan pembentukan
model dalam analisis Least Square Method ARIMA
dengan Menggunakan Eviews 6.
2) Analisis Leat Square Method dengan ARIMA
a. Metode ARIMA (Autoregressive Moving Average)
merupakan metode alternatif dalam menganalisis data
deret waktu yang terdapat komponen trend tetapi tidak
terdapat komponen musiman (Rosadi, 2012:118). Agar
dapat dimodelkan dengan ARMA atau ARIMA maka
hal pertama adalah data harus stationer. Berdasarkan
pengujian stasioneritas data PDRB didapatkan hasil
bahwa data stasioner pada tingkat level, seperti yang
terlihat dalam plot korelogram pada tabel 4.26
84
Tabel 4.26
Korelogram Tingkat Level Data PDRB
Tahun 1994-2019
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |* . | . |* . | 1 0.092 0.092 0.2026 0.653
. *| . | . *| . | 2 -0.093 -0.102 0.4211 0.810
. *| . | . *| . | 3 -0.124 -0.108 0.8370 0.841
. *| . | . | . | 4 -0.067 -0.056 0.9657 0.915
. | . | . | . | 5 -0.003 -0.014 0.9659 0.965
. | . | . | . | 6 -0.016 -0.040 0.9738 0.987
. | . | . | . | 7 -0.028 -0.040 1.0002 0.995
. | . | . | . | 8 -0.053 -0.061 1.1046 0.997
. | . | . *| . | 9 -0.064 -0.072 1.2718 0.999
. | . | . | . | 10 -0.046 -0.061 1.3655 0.999
. | . | . | . | 11 0.034 0.011 1.4223 1.000
. | . | . *| . | 12 -0.042 -0.086 1.5184 1.000
Sumber : Data diolah tahun 2015
Pada Tabel 4.26 dapat terlihat bahwa probabilitas keseluruhan
data diatas lebih besar dari α=5% yang dapat disimpulkan bahwa
data yang digunakan sudah stasioner, selain itu dari kolom
autocorrelation dan partial correlation menunjukkan bahwa data
yang digunakan tidak mengandung autokorelasi.
Selanjutnya dilakukan analisis pembentukan model dengan
mengklasifikan model-model ARIMA dan melihat nilai R-
square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat
dalam Tabel 4.27 berikut ini :
Tabel 4.27 Klasifikasi Model ARIMA
Model AR dan MA ARIMA
Model 1 AR (1) (1,1,0)
Model 2 MA (1) (0,1,1)
Model 3 AR (1) MA (1) (1,1,1)
85
Setelah diperoleh model-model alternatif maka dapat
dilanjutkan dengan estimasi menggunakan program
EViews6.
b. Estimasi Model
Untuk mengestimasi model dari parameter pada tabel 4.6
peneliti menggunakan program EViews6 dan diperoleh
ringkasan hasil estimasi dari model-model tersebut
sebagai berikut:
Tabel 4.28
Rangkuman Estimasi Model ARIMA
Sumber : Data diolah tahun 2015
Pada Tabel 4.28 nilai probabilitas yang signifikan atau
lebih kecil dari α=5% adalah model 3, dengan kata lain
model 1 dan model 2 tidak signifikan atau tidak memenuhi
diagnostic cheking. Selanjutnya dilakukan pengamatan
melalui nilai R-squared yaitu diantara 3 model diatas yang
paling besar adalah model 3, dan terakhir dengan melihat
nilai SSR, AIC, dan SIC dimana jika nilainya rendah maka
dapat disimpulkan bahwa model tersebut yang paling baik,
Model Prob
R-squared
Sum
Squared
Residual
(SSR)
AIC SC
Model 1 0,6996 0,008 587,17 6,417 6,517
Model 2 0.6331 0.01 592,789 6,36 6,46
Model 3 0.0001
(0.0000)
0.24 446,022 6,24 6,39
86
dalam Tabel 4.28 diatas maka dapat disimpulkan bahwa
model 3 merupakan model yang layak dalam penelitian ini
dan merupakan model terbaik yang memenuhi kriteria
karena prilaku data deret waktu akan lebih baik dijelaskan
melalui penggabungan antara model AR dan MA. Dengan
kata lain, nilai Yt tidak hanya dipengaruhi oleh nilai
peubah tersebut, tetapi juga oleh residual peubah tersebut
pada periode sebelumnya (Juanda, 2012:73).
c. Evaluasi Model
Dalam melakukan evaluasi dari model yang dipilih maka
dilakukan uji statistik dari model sebagai berikut:
Tabel 4.29
Uji Q-Statistik Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |* . | . |* . | 1 0.094 0.094 0.2032
.**| . | .**| . | 2 -0.238 -0.249 1.5866
. | . | . |* . | 3 0.039 0.097 1.6260 0.202
. | . | . | . | 4 0.059 -0.019 1.7230 0.423
. | . | . | . | 5 -0.008 0.021 1.7251 0.631
. | . | . | . | 6 -0.000 0.006 1.7251 0.786
. | . | . | . | 7 -0.040 -0.047 1.7795 0.879
. | . | . | . | 8 -0.038 -0.025 1.8324 0.934
. *| . | . *| . | 9 -0.085 -0.108 2.1197 0.953
. | . | . | . | 10 -0.044 -0.032 2.2067 0.974
. | . | . | . | 11 0.011 -0.021 2.2131 0.988
. | . | . | . | 12 -0.050 -0.061 2.3482 0.993
Sumber : Data diolah tahun 2015
Pada Tabel 4.29 dapat terlihat bahwa pengujian residual
yang dilakukan pada model 3 didapatkan hasil bahwa
ACF dan PACF dari nilai residual tidak ada yang
87
signifikan sampai pada lag ke 12 yang berarti model baik
untuk melakukan proyeksi.
d. Prediksi atau Peramalan.
Terdapat dua metode dalam melakukan proyeksi, yaitu
static forcast untuk satu langkah kedepan dan model
dynamic forcast untuk beberapa langkah kedepan (Rosadi,
2012:160). Dalam analisis ini metode yang dipakai adalah
metode dynamic forcast untuk memproyeksikan dalam
beberapa tahun kedepan.Hasil dari peramalan dari model 3
untuk PDRB 5 tahun kedepan maka diperoleh grafik yang
ditunjukkan pada Gambar 4.9 sebagai berikut
Gambar 4.9 Forecasting PDRB Tahun 1994-2019
Sumber : Data diolah tahun 2015
Dari Gambar 4.9 memberikan output RMSE, MAE, dan
MAPE untuk mengukur kesalahan peramalan. Pada
Gambar 4.9 dihasilkan nilai rata-rata kuadrat kesalahan
sebesar 5.220260 (RMSE), sedangkan rata-rata absolut
kesalahan sebesar 2.6777302 (MAE) dan rata-rata
-12
-8
-4
0
4
8
12
16
20
24
96 98 00 02 04 06 08 10 12 14 16 18
PDRBFDYN ± 2 S.E.
Forecast: PDRBFDYN
Actual: PDRB
Forecast sample: 1994 2019
Adjusted sample: 1995 2019
Included observations: 20
Root Mean Squared Error 5.220260
Mean Absolute Error 2.677302
Mean Abs. Percent Error 32.98800
Theil Inequality Coefficient 0.443656
Bias Proportion 0.000342
Variance Proportion 0.510277
Covariance Proportion 0.489381
88
persentase absolut kesalahan sebesar 32.98
(MAPE).Berdasarkan ukuran MAE maka diketahui bahwa
tingkat kesalahan peramalan relatif kecil yaitu sebesar
2,67% yang berarti model baik untuk melakukan
peramalan, berikut hasil peramalan PDRB Sumatera
Selatan 5 tahun kedepan pada tabel 4.30.
Tabel 4.30
Hasil Forecasting PDRB Tahun 2015-2019
2015 5.54
2016 5.94
2017 6.12
2018 6.24
2019 6.29
Sumber : Hasil data diolah tahun 2015
Dapat dilihat hasil forecasting PDRB Jawa Barat
dari tahun 2015-2019, dimana pada 5 tahun kedepan
PDRB Jawa Barat akan mengalami kenaikan setiap
tahunnya.
C. Analisis Hasil Forecasting
Dari hasil forecasting yang telah di dapatkan telah menunjukan
bahwa dari masing-masing variabel yang telah diteliti menunujukkan
adanya peningkatan dari tahun ke tahun.
89
Pada tahun 2015 yang merupakan tahun awal dilakukan nya
forecasting dalam penelitian ini telah menunjukan bahwa semua variabel
mengalami peningkatan dari tahun sebelumnya,variabel tersebut yaitu:
1) Investasi yang terdiri dari Penanaman Modal Asing(PMA) dan
Penanaman Modal Dalam Negeri(PMDN).
2) Tenaga Kerja
3) Produk Domestik Regional Bruto (PDRB)
Dari hasil forecasting tahun 2015 yang telah di dapatkan dengan
menggunakan model yang telat ditentukan maka untuk menguji apakah
model tersebut sudah tepat maka dapat dikaitkan dengan kondisi rill pada
saat ini,ulasan nya dari masing-masing variabel adalah sebagai berikut :
1. Penanaman Modal Asing(PMA)
Sumber : Data diolah tahun 2015
Dari grafik di atas maka dapat terlihat bahwa Penanaman
Modal Asing(PMA) dari tahun 2014 ke tahun 2015 pada semester
0
1E+10
2E+10
3E+10
4E+10
5E+10
6E+10
7E+10
8E+10
2014 semester 1 hasil forecast
PMA
PMA
90
pertama hanya meningkat sebesar 0.08%,sedangkan dari semester
pertama tahun 2015 ke hasil forecasting yang telah di dapatkan dari
model yang telah ditentukan yaitu hanya meningkat sebesar
3,09%,sehingga dengan range atau jarak yang tidak jauh maka dapat
disimpulkan bahwa model yang digunakan untuk memforecasting
Penanaman Modal Asing(PMA) tepat.
Berdasarkan hasil proyeksi dengan menggunakan metode
least squares dengan alternatif model Autoreggresive Integrated
Moving Average(ARIMA) berdasarkan trend peningkatan PMA
di Provinsi Jawa Barat dihasilkan bahwa PMA di Jawa Barat
mengalami peningkatan sebesar Rp73.243.836 pada tahun 2015,
Rp77.842.327 pada tahun 2016,Rp80.684.570 pada tahun 2017,
Rp84.844.348 pada tahun 2018, Rp88.015.713 pada tahun 2019
(Semua dalam Triliun Rupiah), Berdasarkan tingkat laju
Penanaman Modal Asing di Provinsi Jawa Barat maka terjadi
peningkatan ataupun penurunan dibandingkan dengan tahun
sebelumnya yang berkisar meningkat sebesar 3,9% pada tahun
2015, mengalami peningkatan 6,2% pada tahun 2016, dan
kembali mengalami penurunan 3,6% pada tahun 2017,kembali
naik lagi pada tahun 2018 menjadi 5,1%, pada tahun 2019
mengalami penurunan lagi sebesar 3,73%,yang berarti tingkat
PMA cenderungan mengalami penurunan dari pertumbuhan
sebelumnya 3,9% pada tahun 2015 hingga hampir mencapai
3,73% pada tahun 2019.
91
2. Penanaman Modal Dalam Negeri (PMDN)
Sumber : Data diolah tahun 2015
Dari grafik di atas maka dapat terlihat bahwa Penanaman
Modal Dalam Negeri(PMDN) dari tahun 2014 ke tahun 2015 pada
semester pertama hanya meningkat sebesar 1,4%,sedangkan dari
semester pertama tahun 2015 ke hasil forecasting yang telah di
dapatkan dari model yang telah ditentukan yaitu hanya meningkat
sebesar 9,53%,sehingga dengan range atau jarak yang tidak jauh maka
dapat disimpulkan bahwa model yang digunakan untuk memforecasting
Penanaman Modal Dalam Negeri(PMDN) tepat.
Berdasarkan hasil proyeksi dengan menggunakan metode
least squares dengan alternatif model Autoreggresive Integrated
Moving Average(ARIMA) berdasarkan trend peningkatan PMDN
di Provinsi Jawa Barat dihasilkan bahwa PMDN di Jawa Barat
0
5E+09
1E+10
1.5E+10
2E+10
2.5E+10
3E+10
3.5E+10
4E+10
4.5E+10
2014 semester 1 hasil forecast
PMDN
PMDN
92
mengalami peningkatan sebesar Rp42.067.947 pada tahun 2015,
Rp43.053.515 pada tahun 2016,Rp53.064.450 pada tahun 2017,
Rp57.897.029 pada tahun 2018, Rp56.567.823 pada tahun 2019
(Semua dalam Triliun Rupiah), Berdasarkan tingkat laju
Penanaman Modal Dalam Negeri di Provinsi Jawa Barat maka
terjadi peningkatan ataupun penurunan dibandingkan dengan
tahun sebelumnya yang berkisar meningkat sebesar 10,9% pada
tahun 2015, mengalami penurunan drastis 2,3% pada tahun 2016,
dan kembali mengalami peningkatan yang sangat signifikan
sebesar 23% pada tahun 2017,kembali turun lagi pada tahun 2018
menjadi 9,1%, pada tahun 2019 mengalami penurunan lagi
sebesar 2,2%,yang berarti tingkat PMDN cenderungan
mengalami penurunan dari pertumbuhan sebelumnya 10,9% pada
tahun 2015 hingga hampir mencapai 2,2% pada tahun 2019.
3. Tenaga Kerja
Sumber : Data diolah tahun 2015
0
5000000
10000000
15000000
20000000
25000000
2014 semester 1 hasil forecast
Tenaga Kerja
tenaga kerja
93
Dari grafik di atas maka dapat terlihat bahwa tenaga kerja dari
tahun 2014 ke tahun 2015 pada semester pertama hanya meningkat
sebesar 5,2%,sedangkan dari semester pertama tahun 2015 ke hasil
forecasting yang telah di dapatkan dari model yang telah ditentukan
yaitu hanya menurun sebesar 4,4%,sehingga dengan range atau jarak
yang tidak jauh maka dapat disimpulkan bahwa model yang digunakan
untuk memforecasting Tenaga Kerja sudah tepat.
Berdasarkan hasil proyeksi dengan menggunakan metode
least squares dengan alternatif model Autoreggresive Integrated
Moving Average(ARIMA) berdasarkan trend peningkatan tenaga
kerja di Provinsi Jawa Barat dihasilkan bahwa tenaga kerja di
Jawa Barat mengalami peningkatan sebesar 19.537.649 pada
tahun 2015, 20.240.641 pada tahun 2016, 20.699.362 pada tahun
2017, 21122111 pada tahun 2018, 21.478349 pada tahun 2019
(Semua dalam juta orang), Berdasarkan tingkat laju tenaga kerja
di Provinsi Jawa Barat maka terjadi peningkatan ataupun
penurunan dibandingkan dengan tahun sebelumnya yang berkisar
meningkat sebesar 0,4% pada tahun 2015, mengalami
peningkatan 3,5% pada tahun 2016, dan kembali mengalami
penurunan 2,2% pada tahun 2017,cenderung stabil pada tahun
2018 menjadi 2,08%, pada tahun 2018 mengalami penurunan
lagi sebesar 1,7%,yang berarti tingkat tenaga kerja cenderung
mengalami peningkatan dari pertumbuhan sebelumnya 0,4% pada
tahun 2015 hingga hampir mencapai 1,7% pada tahun 2019.
94
4. Produk Domestik Regional Bruto (PDRB)
Sumber : Data diolah tahun 2015
.Dari ke empat data yang di dapatkan kemudian dapat
diketahui bahwa jarak atau range masing-masing data yang sudah
ada dengan hasil forecasting hanya berkisar pada 0-0,5%,maka
dapat disimpulkan model forecasting yang di pakai sudah tepat.
Berdasarkan hasil proyeksi dengan menggunakan metode
least squares dengan alternatif model Autoreggresive Integrated
Moving Average(ARIMA) tingkat pertumbuhan PDRB ADHK di
Provinsi Jawa Barat terjadi peningkatan dibandingkan dengan
tahun sebelumnya yang berkisar 5,54% pada tahun 2015, sedikit
sekali mengalami peningkatan 5,94% pada tahun 2016, dan
mengalami sedikit peningkatan lagi 6,12% pada tahun 2017,
cenderung stabil pada tahun 2018 menjadi 6,24%,dan pada tahun
2019 sebesar 6,29%,yang berarti tingkat pertumbuhan
berdasarkan PDRB ADHK cenderungan mengalami peningkatan
0
1
2
3
4
5
6
triwulan 3 triwulan 4 triwulan 1 hasil forecast
PDRB
PDRB
95
dari pertumbuhan sebelumnya 5,1% pada tahun 2014 hingga
hampir mencapai 6,29% pada tahun 2019.
Sumber pertumbuhan ekonomi menurut para ahli-ahli
ekonomi sering merujuk pada dua sumber,yaitu peningkatan
modal atau investasi dan juga peningkatan tenaga kerja.Jumlah
tenaga kerja dapat meningkat jika pekerja yang telah tersedia
bekerja lebih lama,atau jika ada tambahan tenaga kerja
baru.Sedangkan persediaan modal dapat meningkat jika
perusahaan atau investor mendorong kapasitas produktifnya
dengan menambah pabrik dan peralatan (investasi).
Solow dan Swan seperti dinyatakan kembali oleh Boediono
(1999) dalam Saptomo (2008) menyatakan bahwa pertumbuhan
ekonomi tergantung pada pertumbuhan penyediaan faktor-faktor
produksi yang berupa penduduk, tenaga kerja, dan akumulasi modal
(Investasi).
Penelitian di atas bila dihubungkan dengan pandangan
para ahli ekonomi maka tepat yang mana pertumbuhan ekonomi
memiliki trend yang terus meningkat dimana hal itu dikarenakan
investasi di daerah Jawa Barat mengalami peningkatan yang
disebabkan karena pemerintah mengeluarkan kebijakan
Masterplan Percepatan dan Perluasan Pembangan Ekonomi
Indonesia(MP3EI) dimana dari kebijakan tersebut pemerintah
membuka kesempatan yang sebesar-besar nya bagi para investor
asing maupun domestik untuk menginvestasikan dana nya di
96
daearah Jawa Barat, sehingga para investor tersebut tertarik untuk
menanamkan dana nya di Jawa Barat yang secara otomatis
tingkat tenaga kerja yang dibutuhkan juga akan meningkat karena
adanya permintaan tenaga kerja baru di daerah Jawa
Barat,sehingga karena semakin banyak nya penduduk yang
bekerja maka pendapatan per kapita meningkat yang
menyebabkan tingkat pertumbuhan ekonomi juga meningkat.
Meningkatnya investasi dan tenaga kerja yang berdampak
pada meningkatnya pertumbuhan ekonomi ini juga akan
berdampak pada pembangunan daerah alasannya jelas karena
pertumbuhan ekonomi merupakan salah satu unsur utama dalam
pembangunan ekonomi regional dan mempunyai kebijakan yang
cukup luas. Kebijakan pembangunan ekonomi regional pada
dasarnya merupakan intervensi pemerintah, baik secara nasional
maupun regional untuk mendorong proses pembangunan daerah
secara keseluruhan yang ditujukan untuk meningkatkan
kesejahteraan masyarakat.
97
BAB V
KESIMPULAN DAN SARAN
A. Kesimpulan
Dalam analisis yang dilakukan oleh peneliti maka
diperoleh beberapa kesimpulan dari hasil analisis sebagai berikut:
1. Berdasarkan hasil proyeksi dengan menggunakan metode least squares
dengan alternatif model Autoreggresive Integrated Moving Average
(ARIMA) berdasarkan trend peningkatan PMA di Provinsi Jawa Barat
dihasilkan bahwa PMA di Jawa Barat mengalami peningkatan sebesar
Rp73.243.836 pada tahun 2015, Rp77.842.327 pada tahun
2016,Rp80.684.570 pada tahun 2017, Rp84.844.348 pada tahun 2018,
Rp88.015.713 pada tahun 2019 (Semua dalam Triliun Rupiah),
Berdasarkan tingkat laju Penanaman Modal Asing di Provinsi Jawa Barat
maka terjadi peningkatan ataupun penurunan dibandingkan dengan tahun
sebelumnya yang berkisar meningkat sebesar 3,9% pada tahun 2015,
mengalami peningkatan 6,2% pada tahun 2016, dan kembali mengalami
penurunan 3,6% pada tahun 2017,kembali naik lagi pada tahun 2018
menjadi 5,1%, pada tahun 2019 mengalami penurunan lagi sebesar
3,73%,yang berarti tingkat PMA cenderungan mengalami penurunan dari
pertumbuhan sebelumnya 3,9% pada tahun 2015 hingga hampir
mencapai 3,73% pada tahun 2019.
98
2. Berdasarkan hasil proyeksi dengan menggunakan metode least squares
dengan alternatif model Autoreggresive Integrated Moving Average
(ARIMA) berdasarkan trend peningkatan PMDN di Provinsi Jawa Barat
dihasilkan bahwa PMDN di Jawa Barat mengalami peningkatan sebesar
Rp42.067.947 pada tahun 2015, Rp43.053.515 pada tahun
2016,Rp53.064.450 pada tahun 2017, Rp57.897.029 pada tahun 2018,
Rp56.567.823 pada tahun 2019 (Semua dalam Triliun Rupiah),
Berdasarkan tingkat laju Penanaman Modal Dalam Negeri di Provinsi
Jawa Barat maka terjadi peningkatan ataupun penurunan dibandingkan
dengan tahun sebelumnya yang berkisar meningkat sebesar 10,9% pada
tahun 2015, mengalami penurunan drastis 2,3% pada tahun 2016, dan
kembali mengalami peningkatan yang sangat signifikan sebesar 23%
pada tahun 2017,kembali turun lagi pada tahun 2018 menjadi 9,1%, pada
tahun 2019 mengalami penurunan lagi sebesar 2,2%,yang berarti tingkat
PMDN cenderungan mengalami penurunan dari pertumbuhan
sebelumnya 10,9% pada tahun 2015 hingga hampir mencapai 2,2% pada
tahun 2019.
3. Berdasarkan hasil proyeksi dengan menggunakan metode least squares
dengan alternatif model Autoreggresive Integrated Moving Average
(ARIMA) berdasarkan trend peningkatan tenaga kerja di Provinsi Jawa
Barat dihasilkan bahwa tenaga kerja di Jawa Barat mengalami
peningkatan sebesar 19.537.649 pada tahun 2015, 20.240.641 pada tahun
2016, 20.699.362 pada tahun 2017, 21122111 pada tahun 2018,
99
21.478349 pada tahun 2019 (Semua dalam juta orang), Berdasarkan
tingkat laju tenaga kerja di Provinsi Jawa Barat maka terjadi peningkatan
ataupun penurunan dibandingkan dengan tahun sebelumnya yang
berkisar meningkat sebesar 0,4% pada tahun 2015, mengalami
peningkatan 3,5% pada tahun 2016, dan kembali mengalami penurunan
2,2% pada tahun 2017,cenderung stabil pada tahun 2018 menjadi 2,08%,
pada tahun 2018 mengalami penurunan lagi sebesar 1,7%,yang berarti
tingkat tenaga kerja cenderung mengalami peningkatan dari pertumbuhan
sebelumnya 0,4% pada tahun 2015 hingga hampir mencapai 1,7% pada
tahun 2019.
4. Berdasarkan hasil proyeksi dengan menggunakan metode least squares
dengan alternatif model Autoreggresive Integrated Moving Average
(ARIMA) tingkat pertumbuhan PDRB ADHK di Provinsi Jawa Barat
terjadi peningkatan dibandingkan dengan tahun sebelumnya yang
berkisar 5,54% pada tahun 2015, sedikit sekali mengalami peningkatan
5,94% pada tahun 2016, dan mengalami sedikit peningkatan lagi 6,12%
pada tahun 2017, cenderung stabil pada tahun 2018 menjadi 6,24%,dan
pada tahun 2019 sebesar 6,29%,yang berarti tingkat pertumbuhan
berdasarkan PDRB ADHK cenderungan mengalami peningkatan dari
pertumbuhan sebelumnya 5,1% pada tahun 2014 hingga hampir
mencapai 6,29% pada tahun 2019.
100
B. Saran
Jika merujuk kepada latar belakang penelitian dalam
MP3EI maka pertumbuhan ekonomi Provinsi Jawa Barat masih
dibawah target pertumbuhan yang direncanakan sebesar dan 8,9 –
9,0 % pada 2015 – 2019 secara nasional, sehingga diperlukan
peninjauan kembali perencanaan pembangunan yang telah
dilakukan.
Secara makro perekonomian Jawa Barat perlu melakukan
kebijakan yang dapat meningkatkan efektifitas dan efesiensi
investasi dengan berbagai upaya seperti memangkas biaya-biaya
yang tidak penting yang ditanggung oleh investor, investasi yang
dilakukan dialokasikan pada sektor-sektor ekonomi yang
potensial di wilayah Jawa Barat, agar investasi yang dilakukan
berdampak positif pada output yang dihasilkan. Dengan
efektifitas dan efesiensi investasi maka diharapkan akan dapat
menstabilkan nilai investasi yang dilakukan sehingga menjadi
tepat sasaran yang dapat menaikkan pertumbuhan ekonomi yang
seharusnya dicapai di Provinsi Jawa Barat.
Peningkatan pertumbuhan ekonomi yang didasarkan
dengan penguatan investasi diharapkan juga berdampak kepada
penyerapan tenaga kerja baru, dengan demikian dapat dirasakan
hasil proyeksi ini dapat digunakan oleh instansi terkait dalam
perencanaan untuk mengurangi tingkat pengangguran serta untuk
101
menjadikan struktur perekonomian di Jawa Barat stabil secara
terus menerus.
Bagi para peneliti yang ingin melakukan penelitian lebih
lanjut tentang pertumbuhan ekonomi, investasi dan penyerapan
tenaga kerja di Provinsi Jawa Barat dapat juga meneliti variabel
ekonomi makro lain di Provinsi Jawa Barat seperti PAD
(pendapatan asli daerah) dan potensi ekonomi, yang dapat
berdampak pada alokasi investasi yang tepat dengan melihat
potensi-potensi ekonomi yang dapat menyerap tenaga kerja lebih
banyak sehingga dampak pertumbuhan ekonomi di Jawa Barat
berdampak langsung pada masyarakat di wilayah tersebut
diharapkan meningkatkan kejahteraan mereka.
102
DAFTAR PUSTAKA
Adisasmita, Raharjo. “Teori-Teori Pembangunan dan Pertumbuhan Ekonomi
Wilayah”. Yogyakarta: Graha Ilmu, 2013.
Afriandi, Jhonny. “Tesis: Proyeksi Pertumbuhan Ekonomi Kebutuhan Investasi,
dan Penyerapan Tenaga Kerjabupaten Ogan Komering Ulu Provinsi
Sumatera Selatan 2006-2010”. Universitas gajah Mada, Yogyakarta,
2007.
Ahmad, Nisar. “Population: A Valuable Resource in Economic Growth With
Special Reference to Pakistan’s Growth Prospects”. Vol.I, Issue 2
(pp.11-19), eCanadian Journal of Bussines and Economics, 2013
Aryanto, Rudi. “Analisis Kemandirian dan Keuangan Daerah dan Pertumbuhan
Ekonomi Kabupaten/Kota di Provinsi Sumatera Selatan”. Volume III
No.2. ILMIAH, 2011.
Arfida. “Ekonomi Sumberdaya Manusia”. Jakarta: Ghalia Indonesia, 2003.
Astuti, Kurnia dkk. “Analisis Pertumbuhan Ekonomi, Kebutuhan Investasi, dan
Tenaga Kerja di Kabupaten Sleman”. Vol. 1, No.3, November, Hal.
161-137, JURNAL EKONOMI dan BISNIS, 2007.
Chalid, Pheni. “Keuangan Daerah: Investasi dan Desentralisasi”. Jakarta:
Kemitraan, 2005.
Dumairy. “Perekonomian Indonesia”. Jakarta: Erlangga (Cetakan ke-5), 1996.
Hamid, Abdul.”Buku Panduan Skripsi FEB UIN Jakarta”. Jakarta:
www.feb.uinjakarta.ac.id, 2011.
Handayani, Sri. “Upaya Pemerintah Sumatera Selatan Menarik Investor Asing
Dalam Kegiatan Penanaman Modal”. Vol. 11, No 1 Januari, Jurnal
Dinamika Hukum, 2011.
Hudea, Oana Simona dan Stelian Stancu. “Foreign Direct Invesments,
Technology Transfer, and Economic Growth. A Pael Approach”.
Romanian Journal of Economic Forecasting-2, 2012.
103
Imelia, Emilia. “Modul Ekonomi Regional Fakultas Ekonomi, Ilmu Ekonomi”.
Universitas Jambi, Jambi, 2006.
Jhingan, ML. “Ekonomi Pembangunan dan Perencanaan”. Jakarta: PT.
Grafindo Persada, 2010.
. “Ekonomi Pembangunan dan Perencanaan”. Jakarta: PT.
Grafindo Persada, 2012.
Kuncoro, Mudrajad.” Ekonomika Pembangunan: Masalah, Kebijakan, Politik”.
Jakarta: Erlangga, 2010.
Juanda, Bambang dan Junaidi. “Ekonometrika Deret Waktu: Teori dan
Aplikasi”. Bogor: IPB Press, 2012.
Lewis, W. Arthur. “Perencanaan Pembangunan: Dasar-dasar Kebijakan
Ekonomi (Terjemahan: Karta Sapoetra dan E.Komaruddin)”. Jakarta:
Aksara Baru, 1986.
Lungan, Richard. “Aplikasi Statistika dan Hitung Peluang”. Edisi pertama:
Cetakan Pertama, Yogyakarta: Graha Ilmu, 2006.
Mangun, Nadiatulhuda. “Analisis Potensi Ekonomi, Studi Kasus Provinsi
Sulawesi Selatan”, (Tesis S2, Program Pasca Sarjana Universitas
Diponegoro Semarang), 2007.
Maryanti, Sri. “Analisis Perencanaan Tenaga Kerja terhadap Kebutuhan
Tenaga Kerja di Provinsi Riau Tahun 2006-2010”. Vol. 4, No.1, Maret,
Hal. 54-62, Pekbis Jurnal, 2012.
Noor, Henry Faiszal. “Investasi: Pengelolaan Keuangan Bisnis dan
Pengembangan Ekonomi Masyarakat”. Jakarta: Indeks, 2009.
Prastowo, Andi. “Metode Penelitian Kualitatif dalam Presfektif Rancangan
Penelitian”. Jogjakarta: Ar-Ruzz Media, 2011.
Priadana, H. Moh Sidik dan Saludin Muis. “ Metode Penelitian Ekonomi dan
Bisnis (Edisi Pertama)”. Yogyakarta: Graha Ilmu, 2009.
104
Rosadi, Dedi. “Ekonometrika dan Analisis Runtun Waktu Terapan dengan
Eviews”. Yogyakarta: ANDI, 2012.
Ruswana, Bachdi dkk. Data Series Sumatera Selatan. Sumatera Selatan: BPS
Sumatera Selatan, 2013.
Samuelson, Paul.A dan William Nordhaus. “Ilmu Makro Ekonomi”. Jakarta: PT.
Media Global Edukasi (Terjemahan), 2004.
Sari, Lapeti. “Analisa Perencanaan Kebutuhan Tenaga Kerja di Kabupaten
Indragiri Hilir”. Tahun II No.5, Maret, Jurnal Sosial Ekonomi
Pembangunan, 2012.
Sjafrizal. “Ekonomi Regional : Teori dan Aplikasi”. Padang: Baduose Media,
2008.
Sri, Mulyono. “Statistika Untuk Ekonomi”, (Edisi Kedua). Jakarta: Lembaga
Penerbit Fakultas Ekonomi UI, 2003.
Sukirno, Sadono. “Makro Ekonomi Teori Pengantar”. Jakarta: Rajawali Pers
(Cetakan ke-19), 2008.
______________. “Makro Ekonomi Teori Pengantar”. Jakarta: Rajawali Pers
(Edisi Ketiga), 2011.
Sumarsono, Sonny. “Teori dan Kebijakan Publik: Ekonomi Sumberdaya
Manusia (Edisi Pertama)”. Yogyakarta: Graha Ilmu, 2009.
Tarigan, Robinson. “Ekonomi Regional: Teori dan Aplikasi Edisi Revisi”,
Jakarta: Bumi Aksara, 2009.
Teguh, Muhammad. “Metodologi Penelitian Ekonomi: Teori dan Aplikasi,
Jakarta: Raja Grafindo Persada, 2005.
Todaro, Michael. P. “Pembangunan Ekonomi: di Dunia Ketiga (Edisi
Pertama)”. Jakarta: Erlangga, 1998.
Todaro, Michael.P & Smith, Stephen C. “Pembangunan Ekonomi( Jilid Ke-2
Edisi ke Sembilan”. Jakarta: Erlangga, 2002.
105
LAMPIRAN
106
LAMPIRAN-LAMPIRAN
Lampiran1 : Data Penelitian
Tahun PDRB PMA PMDN TENAGA KERJA
1994 7.04 2078976710 4125531800 14180000
1995 7.9 2680725440 2900620100 14330000
1996 8.34 27521287400 3102422000 15401000
1997 5.05 3398358040 6848927100 15441639
1998 -18.74 16305456890 4076866700 15720000
1999 3.42 12469338160 3096458800 16300000
2000 4.15 17441007560 4732038200 16465000
2001 4.76 6002371510 1331051900 14649647
2002 3.94 10648365380 8021465700 13750448
2003 4.84 9511043350 2517762000 14795297
2004 5.16 10676654510 3027163500 14598311
2005 5.47 24786373130 3483011500 15011002
2006 6.01 14854574270 5320965200 15441639
2007 6.48 11660297080 11805068400 15853822
2008 6.21 23923281470 5075016600 16480395
2009 4.19 19112185090 5926662000 16901430
2010 6.2 15381065920 15799857100 16942444
2011 6.6 33672847410 11194259000 17454781
2012 6.3 36656600000 16024000000 18321108
2013 6.1 67500904580 26018005180 18413984
2014 5.07 70986388210 37907601190 19443783
Lampiran2 : Augment Dickey Fuller PDRB
Null Hypothesis: PDRB has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=4) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.016054 0.0255
Test critical values: 1% level -4.498307
5% level -3.658446
10% level -3.268973 *MacKinnon (1996) one-sided p-values.
107
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PDRB)
Method: Least Squares
Date: 09/05/15 Time: 13:15
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments Variable Coefficient Std. Error t-Statistic Prob. PDRB(-1) -0.955772 0.237988 -4.016054 0.0009
C 1.783164 2.718221 0.656004 0.5206
@TREND(1994) 0.227771 0.225798 1.008735 0.3272 R-squared 0.487611 Mean dependent var -0.098500
Adjusted R-squared 0.427330 S.D. dependent var 7.543682
S.E. of regression 5.708679 Akaike info criterion 6.459333
Sum squared resid 554.0132 Schwarz criterion 6.608693
Log likelihood -61.59333 Hannan-Quinn criter. 6.488490
F-statistic 8.088961 Durbin-Watson stat 2.028236
Prob(F-statistic) 0.003401
Lampiran3 :Correlogram Tingkat Level PDRB
Date: 09/05/15 Time: 13:16
Sample: 1994 2019
Included observations: 21 Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |* . | . |* . | 1 0.092 0.092 0.2026 0.653
. *| . | . *| . | 2 -0.093 -0.102 0.4211 0.810
. *| . | . *| . | 3 -0.124 -0.108 0.8370 0.841
. *| . | . | . | 4 -0.067 -0.056 0.9657 0.915
. | . | . | . | 5 -0.003 -0.014 0.9659 0.965
. | . | . | . | 6 -0.016 -0.040 0.9738 0.987
. | . | . | . | 7 -0.028 -0.040 1.0002 0.995
. | . | . | . | 8 -0.053 -0.061 1.1046 0.997
. | . | . *| . | 9 -0.064 -0.072 1.2718 0.999
. | . | . | . | 10 -0.046 -0.061 1.3655 0.999
. | . | . | . | 11 0.034 0.011 1.4223 1.000
. | . | . *| . | 12 -0.042 -0.086 1.5184 1.000
108
Lampiran4 : Model AR 1 PDRB
Dependent Variable: PDRB
Method: Least Squares
Date: 11/10/15 Time: 05:05
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments
Convergence achieved after 3 iterations Variable Coefficient Std. Error t-Statistic Prob. C 4.362577 1.406059 3.102697 0.0061
AR(1) 0.091523 0.233437 0.392068 0.6996 R-squared 0.008468 Mean dependent var 4.372500
Adjusted R-squared -0.046618 S.D. dependent var 5.582814
S.E. of regression 5.711460 Akaike info criterion 6.417466
Sum squared resid 587.1740 Schwarz criterion 6.517039
Log likelihood -62.17466 Hannan-Quinn criter. 6.436904
F-statistic 0.153718 Durbin-Watson stat 1.991977
Prob(F-statistic) 0.699611 Inverted AR Roots .09
Lampiran5 :Model MA 1 PDRB
Dependent Variable: PDRB
Method: Least Squares
Date: 11/10/15 Time: 05:06
Sample (adjusted): 1994 2014
Included observations: 21 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1993 Variable Coefficient Std. Error t-Statistic Prob. C 4.511787 1.347729 3.347695 0.0034
MA(1) 0.110616 0.227982 0.485198 0.6331 R-squared 0.010311 Mean dependent var 4.499524
Adjusted R-squared -0.041778 S.D. dependent var 5.472500
S.E. of regression 5.585645 Akaike info criterion 6.368670
Sum squared resid 592.7893 Schwarz criterion 6.468148
Log likelihood -64.87103 Hannan-Quinn criter. 6.390259
F-statistic 0.197947 Durbin-Watson stat 2.007588
Prob(F-statistic) 0.661410 Inverted MA Roots -.11
109
Lampiran6 :Model ARIMA 3 PDRB
Dependent Variable: PDRB
Method: Least Squares
Date: 11/10/15 Time: 05:06
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments
Convergence achieved after 18 iterations
MA Backcast: 1994 Variable Coefficient Std. Error t-Statistic Prob. C 4.321798 1.241100 3.482232 0.0029
AR(1) -0.742812 0.145277 -5.113077 0.0001
MA(1) 0.999872 0.152459 6.558306 0.0000 R-squared 0.246823 Mean dependent var 4.372500
Adjusted R-squared 0.158214 S.D. dependent var 5.582814
S.E. of regression 5.122169 Akaike info criterion 6.242514
Sum squared resid 446.0224 Schwarz criterion 6.391874
Log likelihood -59.42514 Hannan-Quinn criter. 6.271671
F-statistic 2.785533 Durbin-Watson stat 1.807020
Prob(F-statistic) 0.089872 Inverted AR Roots -.74
Inverted MA Roots -1.00
Lampiran7 :Uji Q-Statistik PDRB
Date: 09/05/15 Time: 13:17
Sample: 1995 2014
Included observations: 20 Q-statistic
probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |* . | . |* . | 1 0.094 0.094 0.2032
.**| . | .**| . | 2 -0.238 -0.249 1.5866
. | . | . |* . | 3 0.039 0.097 1.6260 0.202
. | . | . | . | 4 0.059 -0.019 1.7230 0.423
. | . | . | . | 5 -0.008 0.021 1.7251 0.631
. | . | . | . | 6 -0.000 0.006 1.7251 0.786
. | . | . | . | 7 -0.040 -0.047 1.7795 0.879
. | . | . | . | 8 -0.038 -0.025 1.8324 0.934
. *| . | . *| . | 9 -0.085 -0.108 2.1197 0.953
. | . | . | . | 10 -0.044 -0.032 2.2067 0.974
. | . | . | . | 11 0.011 -0.021 2.2131 0.988
. | . | . | . | 12 -0.050 -0.061 2.3482 0.993
110
Lampiran8 : Forecasting PDRB
Lampiran9 : Augment Dickey Fuller Tingkat Level PMA
Null Hypothesis: PMA has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=4) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.626791 0.7451
Test critical values: 1% level -4.498307
5% level -3.658446
10% level -3.268973 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PMA)
Method: Least Squares
Date: 11/10/15 Time: 05:18
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments Variable Coefficient Std. Error t-Statistic Prob. PMA(-1) -0.405383 0.249192 -1.626791 0.1222
C -1.54E+09 5.71E+09 -0.270015 0.7904
@TREND(1994) 1.18E+09 6.36E+08 1.858552 0.0805 R-squared 0.180019 Mean dependent var 3.45E+09
Adjusted R-squared 0.083551 S.D. dependent var 1.28E+10
S.E. of regression 1.23E+10 Akaike info criterion 49.43752
Sum squared resid 2.56E+21 Schwarz criterion 49.58688
Log likelihood -491.3752 Hannan-Quinn criter. 49.46668
F-statistic 1.866098 Durbin-Watson stat 2.252747
Prob(F-statistic) 0.185068
-12
-8
-4
0
4
8
12
16
20
24
96 98 00 02 04 06 08 10 12 14 16 18
PDRBFDYN ± 2 S.E.
Forecast: PDRBFDYN
Actual: PDRB
Forecast sample: 1994 2019
Adjusted sample: 1995 2019
Included observations: 20
Root Mean Squared Error 5.220260
Mean Absolute Error 2.677302
Mean Abs. Percent Error 32.98800
Theil Inequality Coefficient 0.443656
Bias Proportion 0.000342
Variance Proportion 0.510277
Covariance Proportion 0.489381
111
Lampiran10 : Augment DickeyFuller1st Different PMA
Null Hypothesis: D(PMA) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=4) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.436249 0.0000
Test critical values: 1% level -3.831511
5% level -3.029970
10% level -2.655194 *MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 19
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PMA,2)
Method: Least Squares
Date: 09/22/15 Time: 14:01
Sample (adjusted): 1996 2014
Included observations: 19 after adjustments Variable Coefficient Std. Error t-Statistic Prob. D(PMA(-1)) -1.416698 0.220112 -6.436249 0.0000
C 5029833. 2923034. 1.720758 0.1034 R-squared 0.709030 Mean dependent var 151775.5
Adjusted R-squared 0.691914 S.D. dependent var 22169825
S.E. of regression 12305465 Akaike info criterion 35.58829
Sum squared resid 2.57E+15 Schwarz criterion 35.68770
Log likelihood -336.0887 Hannan-Quinn criter. 35.60511
F-statistic 41.42531 Durbin-Watson stat 1.681125
Prob(F-statistic) 0.000006
Date: 09/22/15 Time: 14:04
Sample: 1994 2019
Included observations: 20 Autocorrelation Partial Correlation AC PAC Q-Stat Prob ***| . | ***| . | 1 -0.417 -0.417 4.0211 0.045
. |**. | . |* . | 2 0.238 0.078 5.4048 0.067
. | . | . |* . | 3 -0.022 0.125 5.4168 0.144
. | . | . | . | 4 0.006 0.024 5.4178 0.247
. *| . | . *| . | 5 -0.073 -0.111 5.5734 0.350
. | . | . | . | 6 0.071 0.004 5.7309 0.454
. *| . | . *| . | 7 -0.117 -0.066 6.1907 0.518
. | . | . *| . | 8 -0.018 -0.109 6.2022 0.625
. |* . | . |* . | 9 0.169 0.188 7.3461 0.601
. *| . | . | . | 10 -0.111 0.064 7.8918 0.639
. *| . | .**| . | 11 -0.099 -0.246 8.3751 0.679
. | . | .**| . | 12 -0.048 -0.271 8.5006 0.745
Date: 09/22/15 Time: 14:04
Sample: 1994 2019
Included observations: 20
112
Lampiran11 :Correlogramtingkat 1st Different PMA
Date: 09/22/15 Time: 14:04
Sample: 1994 2019 Included observations: 20
Autocorrelation Partial Correlation AC PAC Q-Stat Prob ***| . | ***| . | 1 -0.417 -0.417 4.0211 0.045
. |**. | . |* . | 2 0.238 0.078 5.4048 0.067
. | . | . |* . | 3 -0.022 0.125 5.4168 0.144
. | . | . | . | 4 0.006 0.024 5.4178 0.247
. *| . | . *| . | 5 -0.073 -0.111 5.5734 0.350
. | . | . | . | 6 0.071 0.004 5.7309 0.454
. *| . | . *| . | 7 -0.117 -0.066 6.1907 0.518
. | . | . *| . | 8 -0.018 -0.109 6.2022 0.625
. |* . | . |* . | 9 0.169 0.188 7.3461 0.601
. *| . | . | . | 10 -0.111 0.064 7.8918 0.639
. *| . | .**| . | 11 -0.099 -0.246 8.3751 0.679
. | . | .**| . | 12 -0.048 -0.271 8.5006 0.745
Lampiran12 :Model ARIMA 1 PMA
Dependent Variable: D(PMA)
Method: Least Squares
Date: 11/10/15 Time: 05:07
Sample (adjusted): 1996 2014
Included observations: 19 after adjustments
Convergence achieved after 2 iterations Variable Coefficient Std. Error t-Statistic Prob. C 3.60E+09 1.99E+09 1.803861 0.0890
AR(1) -0.416639 0.220116 -1.892821 0.0755 R-squared 0.174087 Mean dependent var 3.60E+09
Adjusted R-squared 0.125503 S.D. dependent var 1.32E+10
S.E. of regression 1.23E+10 Akaike info criterion 49.40383
Sum squared resid 2.57E+21 Schwarz criterion 49.50324
Log likelihood -467.3363 Hannan-Quinn criter. 49.42065
F-statistic 3.583273 Durbin-Watson stat 1.681213
Prob(F-statistic) 0.075517 Inverted AR Roots -.42
113
Lampiran13 :Model ARIMA 2 PMA
Dependent Variable: D(PMA)
Method: Least Squares
Date: 11/10/15 Time: 05:08
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments
Convergence achieved after 23 iterations
MA Backcast: 1994 Variable Coefficient Std. Error t-Statistic Prob. C 3.24E+09 1.89E+09 1.714753 0.1036
MA(1) -0.337605 0.243796 -1.384786 0.1830 R-squared 0.134621 Mean dependent var 3.45E+09
Adjusted R-squared 0.086544 S.D. dependent var 1.28E+10
S.E. of regression 1.23E+10 Akaike info criterion 49.39141
Sum squared resid 2.70E+21 Schwarz criterion 49.49098
Log likelihood -491.9141 Hannan-Quinn criter. 49.41085
F-statistic 2.800135 Durbin-Watson stat 2.097871
Prob(F-statistic) 0.111546 Inverted MA Roots .34
Lampiran14 :Model ARIMA 3 PMA
Dependent Variable: D(PMA)
Method: Least Squares
Date: 11/10/15 Time: 05:09
Sample (adjusted): 1996 2014
Included observations: 19 after adjustments
Convergence achieved after 28 iterations
MA Backcast: 1995 Variable Coefficient Std. Error t-Statistic Prob. C 3.60E+09 2.65E+09 1.354192 0.1945
AR(1) -0.750199 0.179047 -4.189955 0.0007
MA(1) 0.792488 0.281096 2.819283 0.0123 R-squared 0.343636 Mean dependent var 3.60E+09
Adjusted R-squared 0.261590 S.D. dependent var 1.32E+10
S.E. of regression 1.13E+10 Akaike info criterion 49.27931
Sum squared resid 2.05E+21 Schwarz criterion 49.42844
Log likelihood -465.1535 Hannan-Quinn criter. 49.30455
F-statistic 4.188356 Durbin-Watson stat 2.431390
Prob(F-statistic) 0.034448 Inverted AR Roots -.75
Inverted MA Roots -.79
114
Lampiran15 :Uji Q-Statistik PMA
Date: 09/22/15 Time: 14:14
Sample: 1996 2014
Included observations: 19 Q-statistic
probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob .**| . | .**| . | 1 -0.229 -0.229 1.1649
. |* . | . | . | 2 0.108 0.059 1.4390
. |* . | . |* . | 3 0.125 0.171 1.8261 0.177
. *| . | . *| . | 4 -0.121 -0.070 2.2142 0.331
. | . | . *| . | 5 0.007 -0.070 2.2157 0.529
. |* . | . |* . | 6 0.095 0.091 2.4918 0.646
.**| . | . *| . | 7 -0.216 -0.156 4.0425 0.543
. |* . | . | . | 8 0.074 -0.031 4.2411 0.644
. |* . | . |* . | 9 0.135 0.185 4.9730 0.663
. *| . | . | . | 10 -0.108 0.012 5.4885 0.704
. *| . | .**| . | 11 -0.101 -0.243 5.9937 0.741
. *| . | .**| . | 12 -0.086 -0.215 6.4171 0.779
Lampiran16 : Forecasting PMA
-4E+10
-3E+10
-2E+10
-1E+10
0E+00
1E+10
2E+10
3E+10
4E+10
5E+10
96 98 00 02 04 06 08 10 12 14 16 18
PMAFDYN ± 2 S.E.
Forecast: PMAFDYN
Actual: D(PMA)
Forecast sample: 1994 2019
Adjusted sample: 1996 2019
Included observations: 19
Root Mean Squared Error 1.03E+10
Mean Absolute Error 7.71E+09
Mean Abs. Percent Error 103.3955
Theil Inequality Coefficient 0.516389
Bias Proportion 0.001986
Variance Proportion 0.538648
Covariance Proportion 0.459365
115
Lampiran17 : Augment Dickey Fuller Tingkat Level PMDN
Null Hypothesis: PMDN has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 4 (Automatic - based on SIC, maxlag=4) t-Statistic Prob.* Augmented Dickey-Fuller test statistic 2.946224 1.0000
Test critical values: 1% level -4.667883
5% level -3.733200
10% level -3.310349 *MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 16
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PMDN)
Method: Least Squares
Date: 11/10/15 Time: 05:19
Sample (adjusted): 1999 2014
Included observations: 16 after adjustments Variable Coefficient Std. Error t-Statistic Prob. PMDN(-1) 2.295560 0.779153 2.946224 0.0163
D(PMDN(-1)) -3.057582 0.918673 -3.328260 0.0088
D(PMDN(-2)) -2.725539 0.937122 -2.908414 0.0174
D(PMDN(-3)) -1.641637 0.769050 -2.134630 0.0616
D(PMDN(-4)) -0.814869 0.501504 -1.624851 0.1386
C -1.04E+10 3.80E+09 -2.739164 0.0229
@TREND(1994) 1.23E+08 3.97E+08 0.310024 0.7636 R-squared 0.689924 Mean dependent var 2.11E+09
Adjusted R-squared 0.483207 S.D. dependent var 5.74E+09
S.E. of regression 4.13E+09 Akaike info criterion 47.41820
Sum squared resid 1.53E+20 Schwarz criterion 47.75620
Log likelihood -372.3456 Hannan-Quinn criter. 47.43550
F-statistic 3.337531 Durbin-Watson stat 1.828914
Prob(F-statistic) 0.051451
116
Lampiran18 : Augment DickeyFullerTingkat 1st Different PMDN
Null Hypothesis: D(PMDN) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=4) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.125319 0.0054
Test critical values: 1% level -3.831511
5% level -3.029970
10% level -2.655194 *MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 19
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PMDN,2)
Method: Least Squares
Date: 09/22/15 Time: 15:11
Sample (adjusted): 1996 2014
Included observations: 19 after adjustments Variable Coefficient Std. Error t-Statistic Prob. D(PMDN(-1)) -1.108121 0.268615 -4.125319 0.0007
C 1967054. 1303357. 1.509221 0.1496 R-squared 0.500268 Mean dependent var 690237.2
Adjusted R-squared 0.470872 S.D. dependent var 7586753.
S.E. of regression 5518692. Akaike info criterion 33.98448
Sum squared resid 5.18E+14 Schwarz criterion 34.08390
Log likelihood -320.8526 Hannan-Quinn criter. 34.00131
F-statistic 17.01826 Durbin-Watson stat 1.795360
Prob(F-statistic) 0.000707
117
Lampiran19 :Correlogram PMDN
Date: 09/22/15 Time: 15:12
Sample: 1994 2019
Included observations: 20 Autocorrelation Partial Correlation AC PAC Q-Stat Prob . *| . | . *| . | 1 -0.089 -0.089 0.1826 0.669
. | . | . | . | 2 -0.040 -0.048 0.2216 0.895
. |**. | . |**. | 3 0.232 0.226 1.6147 0.656
. | . | . | . | 4 -0.002 0.038 1.6148 0.806
. |* . | . |* . | 5 0.120 0.147 2.0353 0.844
. *| . | .**| . | 6 -0.201 -0.249 3.3044 0.770
. | . | . | . | 7 0.060 0.033 3.4274 0.843
. |* . | . |* . | 8 0.160 0.096 4.3693 0.822
.**| . | . *| . | 9 -0.210 -0.094 6.1257 0.727
. | . | . | . | 10 0.054 0.017 6.2528 0.794
. *| . | .**| . | 11 -0.170 -0.230 7.6690 0.743
. | . | . | . | 12 -0.027 -0.030 7.7088 0.807
Lampiran20 :Model ARIMA 1 PMDN
Dependent Variable: D(PMDN)
Method: Least Squares
Date: 11/10/15 Time: 05:10
Sample (adjusted): 2004 2014
Included observations: 11 after adjustments
Convergence achieved after 2 iterations Variable Coefficient Std. Error t-Statistic Prob. C 3.22E+09 1.93E+09 1.665898 0.1301
AR(9) -0.353700 0.569242 -0.621353 0.5498 R-squared 0.080272 Mean dependent var 3.22E+09
Adjusted R-squared -0.021920 S.D. dependent var 6.01E+09
S.E. of regression 6.08E+09 Akaike info criterion 48.05621
Sum squared resid 3.32E+20 Schwarz criterion 48.12855
Log likelihood -262.3092 Hannan-Quinn criter. 48.01061
F-statistic 0.785503 Durbin-Watson stat 1.497473
Prob(F-statistic) 0.398526 Inverted AR Roots .84-.30i .84+.30i .45-.77i .45+.77i
-.15-.88i -.15+.88i -.68-.57i -.68+.57i
-.89
118
Lampiran21 :Model ARIMA 2 PMDN
Dependent Variable: D(PMDN)
Method: Least Squares
Date: 11/10/15 Time: 05:12
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments
Convergence achieved after 4 iterations
MA Backcast: 1994 Variable Coefficient Std. Error t-Statistic Prob. C 1.69E+09 1.08E+09 1.564695 0.1351
MA(1) -0.127350 0.282379 -0.450991 0.6574 R-squared 0.011381 Mean dependent var 1.69E+09
Adjusted R-squared -0.043542 S.D. dependent var 5.29E+09
S.E. of regression 5.40E+09 Akaike info criterion 47.75317
Sum squared resid 5.26E+20 Schwarz criterion 47.85274
Log likelihood -475.5317 Hannan-Quinn criter. 47.77260
F-statistic 0.207221 Durbin-Watson stat 1.731185
Prob(F-statistic) 0.654397 Inverted MA Roots .13
Lampiran22 :Model ARIMA 3 PMDN
Dependent Variable: D(PMDN)
Method: Least Squares
Date: 11/10/15 Time: 05:12
Sample (adjusted): 2004 2014
Included observations: 11 after adjustments
Failure to improve SSR after 16 iterations
MA Backcast: 2003 Variable Coefficient Std. Error t-Statistic Prob. C 3.22E+09 2.07E+09 1.557792 0.1579
AR(9) -0.683005 0.196124 -3.482518 0.0083
MA(1) 0.999877 0.322466 3.100719 0.0146 R-squared 0.408641 Mean dependent var 3.22E+09
Adjusted R-squared 0.260801 S.D. dependent var 6.01E+09
S.E. of regression 5.17E+09 Akaike info criterion 47.79637
Sum squared resid 2.14E+20 Schwarz criterion 47.90489
Log likelihood -259.8801 Hannan-Quinn criter. 47.72797
F-statistic 2.764076 Durbin-Watson stat 2.479812
Prob(F-statistic) 0.122294 Inverted AR Roots .90+.33i .90-.33i .48+.83i .48-.83i
-.17+.94i -.17-.94i -.73-.62i -.73+.62i
-.96
Inverted MA Roots -1.00
119
Lampiran23 :Uji Q-Statistik PMDN
Date: 09/22/15 Time: 15:14
Sample: 2004 2014
Included observations: 11 Q-statistic
probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . **| . | . **| . | 1 -0.293 -0.293 1.2292
. **| . | . **| . | 2 -0.213 -0.327 1.9506
. |** . | . | . | 3 0.233 0.066 2.9169 0.088
. |* . | . |* . | 4 0.110 0.185 3.1637 0.206
. **| . | . | . | 5 -0.227 -0.058 4.3920 0.222
. *| . | . **| . | 6 -0.157 -0.287 5.0978 0.277
. |* . | . *| . | 7 0.160 -0.143 6.0107 0.305
. *| . | . *| . | 8 -0.118 -0.183 6.6734 0.352
. | . | . |* . | 9 0.004 0.078 6.6745 0.464
. | . | . | . | 10 0.002 0.019 6.6752 0.572
Lampiran24 : Forecasting PMDN
-30,000,000
-20,000,000
-10,000,000
0
10,000,000
20,000,000
30,000,000
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
PMDNFDYN ± 2 S.E.
Forecast: PMDNFDYN
Actual: D(PMDN)
Forecast sample: 1994 2019
Adjusted sample: 2004 2019
Included observations: 11
Root Mean Squared Error 5897910.
Mean Absolute Error 4587581.
Mean Abs. Percent Error 196.1476
Theil Inequality Coefficient 0.493978
Bias Proportion 0.058458
Variance Proportion 0.265537
Covariance Proportion 0.676005
120
Lampiran25 : Augment Dickey Fuller Tingkat Level TenagaKerja
Null Hypothesis: TENAGA_KERJA has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=4) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.967336 0.9264
Test critical values: 1% level -4.498307
5% level -3.658446
10% level -3.268973 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(TENAGA_KERJA)
Method: Least Squares
Date: 11/10/15 Time: 05:22
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments Variable Coefficient Std. Error t-Statistic Prob. TENAGA_KERJA(-1) -0.164635 0.170194 -0.967336 0.3469
C 2315896. 2422465. 0.956008 0.3525
@TREND(1994) 52594.75 38142.95 1.378885 0.1858 R-squared 0.100710 Mean dependent var 263189.2
Adjusted R-squared -0.005089 S.D. dependent var 674374.4
S.E. of regression 676088.2 Akaike info criterion 29.82352
Sum squared resid 7.77E+12 Schwarz criterion 29.97288
Log likelihood -295.2352 Hannan-Quinn criter. 29.85267
F-statistic 0.951899 Durbin-Watson stat 1.623355
Prob(F-statistic) 0.405647
Lampiran26 : Augment Dickey Fuller Tingkat 1st Different TenagaKerja
Null Hypothesis: D(TENAGA_KERJA) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=4) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.516988 0.0191
Test critical values: 1% level -3.831511
5% level -3.029970
10% level -2.655194 *MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 19
121
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(TENAGA_KERJA,2)
Method: Least Squares
Date: 11/10/15 Time: 05:22
Sample (adjusted): 1996 2014
Included observations: 19 after adjustments Variable Coefficient Std. Error t-Statistic Prob. D(TENAGA_KERJA(-1)) -0.878488 0.249784 -3.516988 0.0026
C 242068.7 171585.7 1.410774 0.1763 R-squared 0.421162 Mean dependent var 46305.21
Adjusted R-squared 0.387113 S.D. dependent var 903695.5
S.E. of regression 707477.0 Akaike info criterion 29.87610
Sum squared resid 8.51E+12 Schwarz criterion 29.97551
Log likelihood -281.8229 Hannan-Quinn criter. 29.89292
F-statistic 12.36920 Durbin-Watson stat 1.788139
Prob(F-statistic) 0.002645
Lampiran27 :Correlogram 1stDifferentTenagaKerja
Date: 09/22/15 Time: 15:33
Sample: 1994 2019
Included observations: 20 Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |* . | . |* . | 1 0.112 0.112 0.2920 0.589
. *| . | . *| . | 2 -0.148 -0.163 0.8265 0.662
. |* . | . |* . | 3 0.128 0.172 1.2511 0.741
. | . | . | . | 4 0.013 -0.058 1.2557 0.869
. *| . | . *| . | 5 -0.198 -0.152 2.4048 0.791
. *| . | . *| . | 6 -0.112 -0.094 2.7999 0.834
. | . | . | . | 7 -0.017 -0.045 2.8094 0.902
. | . | . | . | 8 -0.061 -0.039 2.9469 0.938
. |* . | . |* . | 9 0.124 0.169 3.5650 0.938
. *| . | .**| . | 10 -0.178 -0.296 4.9668 0.893
. | . | . | . | 11 -0.061 0.053 5.1496 0.924
. | . | .**| . | 12 -0.032 -0.210 5.2070 0.951
122
Lampiran28 :Model ARIMA 1 TenagaKerja
Dependent Variable: D(TENAGA_KERJA)
Method: Least Squares
Date: 11/10/15 Time: 05:13
Sample (adjusted): 2004 2014
Included observations: 11 after adjustments
Convergence achieved after 7 iterations Variable Coefficient Std. Error t-Statistic Prob. C 510306.7 141376.4 3.609560 0.0057
AR(9) 0.201759 0.124531 1.620155 0.1397 R-squared 0.225800 Mean dependent var 422589.6
Adjusted R-squared 0.139778 S.D. dependent var 354080.3
S.E. of regression 328403.0 Akaike info criterion 28.40484
Sum squared resid 9.71E+11 Schwarz criterion 28.47718
Log likelihood -154.2266 Hannan-Quinn criter. 28.35923
F-statistic 2.624903 Durbin-Watson stat 1.332395
Prob(F-statistic) 0.139651 Inverted AR Roots .84 .64+.54i .64-.54i .15-.82i
.15+.82i -.42-.72i -.42+.72i -.79-.29i
-.79+.29i
Lampiran29 :Model ARIMA 2 TenagaKerja
Dependent Variable: D(TENAGA_KERJA)
Method: Least Squares
Date: 11/10/15 Time: 05:14
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments
Convergence achieved after 2 iterations
MA Backcast: 1993 1994 Variable Coefficient Std. Error t-Statistic Prob. C 263189.1 133329.8 1.973971 0.0639
MA(2) -0.156522 0.025477 -6.143660 0.0000 R-squared 0.028691 Mean dependent var 263189.2
Adjusted R-squared -0.025271 S.D. dependent var 674374.4
S.E. of regression 682842.3 Akaike info criterion 29.80056
Sum squared resid 8.39E+12 Schwarz criterion 29.90013
Log likelihood -296.0056 Hannan-Quinn criter. 29.81999
F-statistic 0.531687 Durbin-Watson stat 1.592385
Prob(F-statistic) 0.475280 Inverted MA Roots .40 -.40
123
Lampiran30 :Model ARIMA 3 TenagaKerja
Dependent Variable: D(TENAGA_KERJA)
Method: Least Squares
Date: 11/10/15 Time: 05:14
Sample (adjusted): 2004 2014
Included observations: 11 after adjustments
Convergence achieved after 8 iterations
MA Backcast: 2002 2003 Variable Coefficient Std. Error t-Statistic Prob. C 423112.2 188626.2 2.243125 0.0552
AR(9) 0.175019 0.072797 2.404213 0.0429
MA(2) 0.795227 3.12E-06 254952.5 0.0000 R-squared 0.536403 Mean dependent var 422589.6
Adjusted R-squared 0.420504 S.D. dependent var 354080.3
S.E. of regression 269542.4 Akaike info criterion 28.07384
Sum squared resid 5.81E+11 Schwarz criterion 28.18236
Log likelihood -151.4061 Hannan-Quinn criter. 28.00543
F-statistic 4.628183 Durbin-Watson stat 2.431287
Prob(F-statistic) 0.046192 Inverted AR Roots .82 .63+.53i .63-.53i .14+.81i
.14-.81i -.41-.71i -.41+.71i -.77+.28i
-.77-.28i
Lampiran31 :Uji Q-StatistikTenagaKerja
Date: 09/22/15 Time: 15:35
Sample: 2004 2014
Included observations: 11 Q-statistic
probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob .***| . | .***| . | 1 -0.453 -0.453 2.9309
. *| . | .***| . | 2 -0.151 -0.447 3.2912
. |* . | . *| . | 3 0.208 -0.147 4.0636 0.044
. *| . | . *| . | 4 -0.108 -0.171 4.3021 0.116
. | . | . | . | 5 0.060 -0.010 4.3885 0.222
. |* . | . |** . | 6 0.192 0.321 5.4453 0.245
. **| . | . | . | 7 -0.293 0.072 8.5159 0.130
. *| . | . **| . | 8 -0.068 -0.240 8.7369 0.189
. |** . | . *| . | 9 0.255 -0.144 13.401 0.063
. *| . | . *| . | 10 -0.143 -0.183 16.332 0.038
124
Lampiran32 : Forecasting TenagaKerja
-800,000
-400,000
0
400,000
800,000
1,200,000
1,600,000
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
TENAGA_KERFDYN ± 2 S.E.
Forecast: TENAGA_KERFDYN
Actual: D(TENAGA_KERJA)
Forecast sample: 1994 2019
Adjusted sample: 2004 2019
Included observations: 11
Root Mean Squared Error 263436.1
Mean Absolute Error 196478.8
Mean Abs. Percent Error 59.01791
Theil Inequality Coefficient 0.296328
Bias Proportion 0.183735
Variance Proportion 0.459516
Covariance Proportion 0.356749