PEMODELAN TINGKAT PENGANGGURAN DI JAWA BARAT …

30

PEMODELAN TINGKAT PENGANGGURAN DI JAWA BARAT DENGAN

ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)

MODELING UNEMPLOYMENT RATE IN WEST JAVA WITH

GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) ANALYSIS

Euis Sartika

Jurusan Administrasi Niaga Politeknik Negeri Bandung

[email protected]

ABSTRAK

Penelitian yang membahas masalah tingkat pengangguran sudah banyak dilakukan.

Namun, penelitian yang memasukkan unsur lokasi atau unsur spasial dalam pemodelan tingkat pengangguran dengan objek kota / kabupaten Jawa Barat untuk periode tahun 2017 - 2018 belum

pernah dilakukan. Untuk itu, dalam penelitian ini akan dikaji faktor-faktor yang memengaruhi

tingkat pengangguran terbuka kota / kabupaten di Jawa Barat dengan memasukkan unsur lokasi atau spasial dalam pemodelannya. Data yang digunakan adalah data sekunder periode tahun 2017

- 2018. Variabel respon dalam penelitian ini adalah tingkat pengangguran terbuka (Y) dan peubah

prediktor adalah Produk Daerah Regional Bersih (PDRB) atau X1, indeks pembangunan manusia

(IPM) atau X2, jumlah penduduk miskin (JPM) atau X3, tingkat kepadatan penduduk (TKP) atau X4, upah minimum regional (UMR) atau X5, tingkat partisipasi aktif (TPAK) atau X6, inflasi atau

X7, angka melek huruf (AMH) atau X8, dan persentase penduduk yang berumur 15 tahun

berdasarkan pendidikan tertinggi yang ditamatkan (PAK15BPD) atau X9. Metode yang digunakan adalah analisis deskriptif, analisis berdasarkan model regresi berganda (global), dan GWR (lokal)

dengan pembobot Adaftif Kernel. Hasil menunjukkan bahwa model GWR mempunyai nilai

koefisien determinasi 0,7289. Artinya, sekitar 72,93% dari variasi tingkat pengangguran terbuka

dapat dijelaskan oleh peubah-peubah prediktor, sisanya 27,07% dijelaskan oleh peubah lain yang tidak dijelaskan dalam penelitian ini. Nilai koefisien determinasi regresi GWR lebih tinggi dari

nilai koefisien determinasi regresi Global yakni sebesar 30,56%. Selain itu, diperoleh 27 model

GWR (lokal) sesuai dengan jumlah kota/ kabupaten di Jawa Barat.

Kata kunci: GWR, Tingkat Pengangguran Terbuka, Koefisien Determinasi

ABSTRACT

Many researches discussing the problem of unemployment rates have been carried out,

but research that includes location or spatial elements in the modeling of the unemployment rate

with the objects of West Java cities / regencies for the period 2017 - 2018 has never been done. For this reason, this research will examine the factors that influence the open unemployment rate

in cities / regencies in West Java by including a location or spatial element in the modeling. The

data used are secondary data for the period 2017-2018.The response variable in this study is the open unemployment rate (Y) and the predictor variables are Net Regional Product (GRDP) or

X1, the human development index (HDI) or X2, the number of poor people. (JPM) or X3,

population density (TKP) or X4, regional minimum wage (UMR) or X5, active participation rate (TPAK) or X6, inflation or X7, literacy rate (AMH) or X8, and the percentage of 15 years old

based on the highest education completed (PAK15BPD) or X9. The method used is descriptive

analysis, analysis based on multiple regression models (global), and GWR (local) with a Kernel

weight adaptive. The results show that the GWR model has a determination coefficient value of 0.7289, meaning that around 72.93% of the variation in the open unemployment rate can be

explained by predictor variables, the remaining 27.07% is explained by other variables not

Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 31 Analisis Geographically Weighted Regression (GWR)

explained in this study. The coefficient of determination of the GWR regression is higher than the

coefficient of determination of the Global regression, which is 30.56%. In addition, 27 (local)

GWR models were obtained according to the number of cities / regencies in West Java. Keywords: GWR, Open Unemployment Rate, Coefficient of Determination

PENDAHULUAN

Pengangguran di Jawa Barat

merupakan masalah yang sangat kompleks

karena bisa memicu masalah sosial lainnya.

BPS menyatakan bahwa angka tingkat

pengangguran terbuka di Jawa Barat lebih

tinggi dibandingkan angka nasional, yakni

sebesar 5,01 (BPS Jawa Barat, 2017).

Tingginya tingkat pengangguran berdampak

pada rendahnya tingkat pendapatan

masyarakat Jawa Barat. Tingkat pendidikan

yang rendah dan tingkat pengangguran yang

tinggi menyebabkan masalah sosial yang

lebih kompleks yakni kemiskinan. Pada

tahun 2017, tingkat pengangguran tertinggi

di Indonesia tercatat di provinsi Jawa Barat

sebesar 7,73% dan tingkat pengangguran

terendah berdasarkan provinsi berada di Bali

dengan jumlah sebesar 1,19%

(https://finance.detik.com/berita-ekonomi-

bisnis/d-4537849/pengangguran-paling-

banyak-di-jawa-barat-capai-527000-orang)

Tingkat pengangguran yang

berbeda-beda pada setiap daerah disebabkan

berbedanya beberapa faktor tertentu di

masing-masing daerah. Tingkat populasi dan

jumlah lapangan pekerjaan yang berbeda di

masing-masing kabupaten/kota pasti akan

berpengaruh terhadap jumlah masyarakat

yang tidak memiliki pekerjaan di daerah

tersebut. Di Jawa Barat, terdapat beberapa

lapangan pekerjaan utama yaitu pertanian,

industri, dan yang lain. Masing- masing

daerah memiliki persentase lapangan

pekerjaan utama yang berbeda-beda juga.

Berbedanya sektor-sektor potensial di

masing-masing daerah akan berpengaruh

terhadap kebijakan pemerintah daerah.

Kebijakan yang tepat dengan jumlah

anggaran belanja pemerintah daerah yang

tepat akan mendorong tumbuhnya lapangan

pekerjaan dan mengurangi tingkat

pengangguran secara signifikan

https://tumoutounews.com/2017/10/28/lapa

ngan-pekerjaan-terbesar-di-indonesia-

tahun-2017/).

Dalam penelitian ini, dikaji

informasi mengenai faktor-faktor apa saja

yang memengaruhi tingkat pengangguran di

Jawa Barat untuk perode tahun 2017 - 2018.

Analisis yang tepat untuk mengkaji faktor-

faktor yang memengaruhi faktor lain adalah

analisis regresi. Model regresi yang

melibatkan unsur spasial dalam analisisnya

adalah model GWR. Informasi dari model

GWR yang terbentuk dapat dijadikan

panduan untu pengambilan kebijakan dari

Pemkab / Pemkot di Jawa Barat dalam

mengatasi masalah pengangguran. Untuk

mengukur tingkat pengangguran,

digunakan konsep ketenagakerjaan yang

memasukkan indikator tingkat

pengangguran terbuka (TPT), rasio antara

banyaknya pencari kerja dengan jumlah

angkatan kerja. Berbagai faktor yang

memengaruhi tingat pengangguran, antara

lain, kepadatan penduduk, PDRB, inflasi,

persentase penduduk usia kerja yang

berumur 15 tahun berdasarkan pendidikan

tertinggi yang ditamatkan, angka melek

huruf, tingkat partisipasi angkatan kerja,

jumlah penduduk miskin, dan upah

minimum kabupaten/kota (Utami, Rohman,

Prahutama, 2016). Analisis data yang

digunakan untuk mengetahui pengaruh

variabel-variabel prediktor terhadap variabel

respon selain analisis deskriptif, digunakan

model regresi klasik atau regresi berganda

(Global). Beberapa syarat atau asumsi yang

harus dipenuhi untuk memodelkan regresi

klasik, yaitu normalitas data,

nonautokorelasi, homokedastisitas, tidak

https://finance.detik.com/berita-ekonomi-bisnis/d-4537849/pengangguran-paling-banyak-di-jawa-barat-capai-527000-orang



https://tumoutounews.com/2017/10/28/lapangan-pekerjaan-terbesar-di-indonesia-tahun-2017/



32 Sigma-Mu Vol.12 No.2 – September 2020

ada multikolinearitas, dan penduga

parameter yang diperoleh sifatnya berlaku

global (Supranto, 2010). Penelitian tentang

tingkat pengangguran telah banyak

dilakukan, namun penelitian yang

memasukkan unsur lokasi (spasial) dalam

pemodelan dan mengambil objek lokasi kota

/ kabupaten di Jawa Barat dengan periode

tahun 2017-2018 belum pernah dilakukan.

Untuk itu, penelitian ini mengambil objek

lokasi Jawa Barat karena secara geografis

kota/kabupaten di Jawa Barat cukup

bervariasi. Penelitian ini memasukkan aspek

spasial pada model yang menggambarkan

karakteristik dari masing-masing daerah di

Jawa Barat. Analisis yang mengakomodasi

aspek lokasi (spasial) adalah analisis dengan

model GWR. Model GWR merupakan

salah satu metode statistika yang

digunakan untuk memodelkan variabel

respon dengan variabel prediktor yang

berbasis wilayah atau area (Anselin dan

Bera, 1998). Model GWR mempunyai

keunggulan dibandingkan model regresi

klasik. Model GWR mampu menyajikan

model regresi secara lokal karena model

regesi lokal mampu memasukkan unsur

karakteristik lokasi.

Berdasarkan hal yang telah

diuraikan, pada penelitian ini ditentukan

model terbaik tingkat pengangguran

kota/kabupaten di Jawa Barat dengan model

GWR

Model Spasial Geografically Weighted

Regression (GWR)

Geographically Weighted Regression

(GWR) yang didefinisikan oleh

Fotheringham (2002) merupakan metode

regresi yang menghasilkan penduga

parameter yang dapat memprediksi respon

setiap lokasi dan ditulis sebagai

=

++=p

j

iiijiioi vuvuy1

),()( (1)

dengan :

),( iij vu adalah koefisien regresi

peubah prediktor ke-j untuk setiap lokasi

),( ii vu

),( ii vu adalah longitude dan latitude

untuk lokasi ke-i

i adalah peubah acak pengamatan ke-i

Uji asumsi model GWR

a. Uji Normalitas sisaan menggunakan

Kolmogorov-Smirnov

b. Uji Multikolinearitas spasial : untuk

menguji multikolinieritas lokal

digunakan kriteria VIF (Varians

Inflation Factor) dengan

multikolinieritas lokal terdeteksi

jika nilai VIF > 10. Menurut

Fotheringham, Brundson dan

Charlthon (2002) nilai VIF

dinyatakan sebagai berikut.

),(1

1),(

2

ii

iiivujR

vuVIF−

= .

(2)

dengan ),(2

ii vujR adalah

koefisien determinasi antara Xj

dengan prediktor lain pada lokasi

ke-i.

c. Uji Heterogenitas spasial

menggunakan Uji Breusch-Pagan

(BP).

Pendugaan Parameter GWR

Metode Least Square digunakan

untuk melakukan pendugaan parameter

model GWR yang diberi pembobot

(Weighted Least Square) berupa titik

koordinat lokasi. Pendugaan parameter

dilakukan dengan cara matriks

YvuWXXvuWXvu iiiiiij ),('),('),(1−

=

(3)


dengan :

X adalah matriks prediktor berdimensi n x

(p+1)

Y adalah matriks respon berdimensi n x 1

j

adalah vektor penduga parameter GWR

peubah prediktor ke-j untuk setiap lokasi ke-

i.

Pembobot berfungsi untuk memberikan

hasil pendugaan parameter yang berbeda

pada setiap lokasi. Matriks pembobot lokasi

ke-i bergantung pada jenis fungsi pembobot.

Karena titik-titik pada data tersebar secara

beraturan, digunakan Fixed Bisquare

Kernel. Pembobot Fixed Bisquare Kernel

didefinisikan oleh Leung, Mei dan Zhang

(2000) dan dirumuskan sebagai berikut.

dengan : iiW jarak Euclidean antar lokasi

),(ii

vu

iid =22 )()( −+− iiiiii vvuu (5)

dan bandwidth (h) adalah lingkaran radius

bandwidth dari titik pusat lokasi.

Untuk menentukan bandwidth optimum,

digunakan cross validation (CV)

(Fotheringham, Brundson dan Charlthon

(2002) yang dirumuskan sebagai berikut.

=

−=n

ii

i hyhCV y1

2))(()('

. (6)

dengan 'i

y

adalah penduga yi (fitting value)

dan pengamatan lokasi ),( ii vu dihilangkan

dari proses pendugaan.

Pengujian parameter secara simultan

dan parsial

a. Pengujian signifikansi parameter

model GWR pada setiap lokasi

parameter secara simultan

menggunakan kriteria

tolak Ho jika statistik uji >

)1,(*

1

21 −−pnF

.

Jika Ho benar, statistik uji:

)1,(*

0

1

2

11

1

21~

1/)(

/)(

−−

−−pnF

pnHSSE

HSSE

(7)

dengan SSE(H0)=yT(1-L)Ty ; SSE

(H1)= yT(1-H)Ty

H=X(XTX)-1XT : iT

i LLtr ))1(()1( −−=

L(nxn)=

−

−

−

)(])([

.

)(])([

)(])([

33

1

333

22

1

222

11

1

111

vuWXXvuWXX

vuWXXvuWXX

vuWXXvuWXX

TTT

TTT

TTT

(8)

b. Pengujian parameter secara parsial

dilakukan dengan kriteria

tolak H0 jika statitik uji |t|> )1,( −−pnt

Jika H0 benar maka statistik uji:

)1(^~

),(−−

pnt

jj

iij

c

vu

. (9)

Uji Kesesuaian Model

Uji Kesesuaian Model menggunakan

koefisien determinasi (R2) yang dirumuskan

sebagai berikut.

=

−

−

−

−=p

j

i

j

p

j

j

W

Wii

yy

yy

JKT

JKRvuR

1

2

^2

12

)(

)(

),( .

(10)

Koefisien determinasi dapat menjelaskan

seberapa besar keragaman peubah respon


yang dijelaskan oleh peubah prediktor

pada setiap lokasi.

Pengangguran

ILO (International Labor

Organization) menyatakan bahwa "The rules

of the global economy should be aimed at

improving the rights, livelihoods, security,

and opportunities of people, families and

communities around the world." - World

Commission on the Social Dimension of

Globalization, 2004 ( ILO: A Fair

Globalization: Creating opportunities for

all, Report of the World Commission on the

Social Dimension of Globalization Artinya,

Organisasi ketenagakerjaan dunia ini

menginginkan agar perekonomian dunia

haruslah memfokuskan diri pada

pengembangan standar hidup masyarakat

yang layak melalui pemberian kesempatan

bagi semua orang untuk dapat memperoleh

haknya. Untuk mewujudkan hal ini

(kesejahteraan), seseorang haruslah

memiliki penghasilan yang layak melalui

kesempatan kerja yang bebas serta terbuka.

Hal inilah yang sampai sekarang masih

menjadi permasalahan utama bagi pakar-

pakar ekonomi maupun pemerintahan di

seluruh dunia untuk memberikan kehidupan

yang layak bagi masyarakatnya karena

terbatasnya kesempatan kerja bagi individu

atau kelompok masyarakat tersebut.

Kurangnya kesempatan kerja tersebut

mengakibatkan suatu fenomena ekonomi

yang disebut dengan pengangguran

(Unemployment).

METODE PENELITIAN

Data Penelitian

Data penelitian ini adalah data

sekunder yang diperoleh dari BPS provinsi

Jawa Barat periode tahun 2017 - 2018.

Definisi Operasional Variabel

Tingkat Pengangguran Terbuka

(TPT), yaitu rasio antara banyaknya pencari

kerja dengan jumlah angkatan kerja

kota/kabupaten Jawa Barat merupakan

peubah respon dalam penelitian ini (Y) dan

berjenis data spasial/lokasi. Banyaknya TPT

tidak sama bergantung lokasi. Peubah

prediktor adalah

Tabel 1. Definisi Operasional Variabel

No Variabel Skala Variabel Kode

1 Peubah Respon : Tingkat Pengangguran Terbuka (TPT) Numerik Y

2 Peubah Prediktor :

a. Produk Domestik Refional Broto (PDRB) Numerik (milyar) X1

b. Indeks Pembangunan Manusia (IPM) Numerik X2

c. Tingkat Kepadatan Penduduk (TKP) Numerik (orang/m2) X3

d. Upah Minimum Regional (UMR) Numerik (Rupiah) X4

e. Jumlah Penduduk Miskin (JPM) Numerik (orang) X5

f. Tingkat Partisipasi Aktif Kerja) (TPAK) Numerik (%) X6

g. Inflasi Numerik X7

h. Angka Melek Huruf (AMH) Numerik X8

i. Persentase Angkatan Kerja 15 tahu yang Berhasil

Menamatkan Sekolahnya

Numerik X9

Langkah Penelitian

1. Melakukan analisis deskriptif untuk

menggambarkan distribusi tingkat

pengangguran menurut

kota/kabupaten di Jawa Barat tahun

2017 – 2018.

2. Melakukan uji asumsi untuk regresi

Global : normalitas, multikolinearitas,

heterokedastisitas, dan autokorelasi.


3. Membentuk dan menganalisis regresi

Global

4. Menganalisis model regresi GWR

dengan langkah berikut:

a. Menghitung jarak euclidian

antara lokasi ke-i terhadap lokasi

ke-j yang terletak pada koordinat

)v,u( ii

b. Menentukan bandwith optimum

menggunakan cross validation

(CV).

c. Menghitung matriks pembobot

menggunakan fungsi kernel

Gaussian.

d. Melakukan estimasi parameter

model GWR.

e. Membandingkan kesesuaian

model regresi Global dengan

regresi GWR.

5. Pemilihan model terbaik antara model

regresi Global dan regresi GWR

(Lokal).

HASIL DAN PEMBAHASAN Analisis Deskriptif

Berdasarkan gambar 1, TPT tertinggi adalah

kabupaten Bekasi dan terendah adalah di

Pangandaran hampir sama baik tahun 2017

- 2018.

Gambar 1. Tingkat Pengagguran Terbuka Jawa Barat tahun 2017-2018

Gambar 2. PDRB Jawa Barat tahun 2017 – 2018

Berdasarkan gambar 2, dapat ditunjukkan

bahwa PDRB tertinggi adalah kabupaten

Bekasi dan terendah adalah Banjar.


Gambar 3. IPM Jawa Barat tahun 2017-2018


bahwa IPM tertinggi adalah kota Bekasi dan

Bandung dan terendah adalah Cianjur.

Gambar 4. Tingkat Kepadatan Penduduk Jawa Barat tahun 2017-2018


bahwa Tingkat Kepadatan Penduduk

tertinggi adalah kota Cianjur dan Bandung

dan terendah adalah Subang.

Gambar 5. UMR Jawa Barat trahun 2017-2018


bahwa UMR tertinggi adalah kota Bekasi

dan terendah adalah Banjar.


Gambar 6. JPM Jawa Barat tahun 2017-2018


bahwa IPM tertinggi adalah kota Tasik,

Kuningan, dan Indramayu dan terendah

adalah Depok.

Gambar 7. TPAK Jawa Barat tahun 2017 – 2018


bahwa TPAK tertinggi adalah Kabupaten

Tasikmalaya dan terendah adalah Depok.


Gambar 8. Inflasi Jawa Barat Tahun 2017-2018


bahwa Inflasi tertinggi adalah Indramyu dan

terendah adalah Depok..

Gambar 9. AMH Jawa Barat tahun 2017-2018


bahwa nilai variabel AMH tertinggi adalah

kota Bekasi dan Depok dan terendah adalah

Kabupaten Sukabumi.

Gambar 10. Persentse Angkatan Kerja umur 15 tahun Berdarkan pendidikan yang ditamatkan



bahwa tertimggi Indramayu, Kuningan dan

tererndajh di Depok.

Uji Asumsi Model Regresi Berganda

Uji Normalitas

Gambar 11. Kurva Normal Q Plot-Plot


bahwa data tersebar berkisar pada garis

diagonal. Hal ini menunjukkan bahwa

asumsi distribusi nornal terpenuhi.

Asumsi Heterokedastisitas

Gambar 12. Scatterplot TPT

Berdasarkan gambar 12, ditunjukkan bahwa

titik-titik data bersebaran membentuk pola

sembarang, dan data menyebar pada sumbu

positif dan sumbu negartif artinya tidak

terjadi heterokedastisitas.

Asumsi Multikolinearitas

Tabel 2. Nilai VIF

Variabel PDRB

(X1)

IPM

(X2)

TKP

(X3)

UMR

(X4)

JPM

(X5)

TPAK

(X6)

Inflasi

(X7)

AMH

(X8)

PAK15BP

(X9)

VIF 1,182 1 2,047 1,003 1,182 1,678 1,396 2,504 1,951

Berdasarkan tabel 2, dapat ditunjukkan

semua nilai VIF > 10, artinya asumsi

multikolinearitas dipenuhi.

Uji Autokorelasi

Nilai Durbin Watson adalah 2,224, berada

pada rentang nilai 4-DU dan 4-DL, dimana

DU dan DL masing-masing dapat dilihat

dari tabel DW. Kesimpulan asumsi

autokorelasi dapat dipenuhi.

Model Regresi Berganda

TPT= 7,946265 + 0,915014 X1 +

0,321962 X2+ -0,032311 X3 +0,117675

X4-0,856267 X5 -0,473579 X6 + 0,458586

X7 -0,050556 X8 + 1,214999 X9

Semua koefisien bernilai positif yang

artinya penambahan 1 unit satuan variabel-

variabel menyebabkan peningkatan %

tingkat pengangguran terbuka, kecuali

peningkatan UMR, TPAK, dan AMH dapat

menurunkan tingkat pengangguran terbuka,

karena nilai koefisien negatif.


Estimasi Regresi Berganda

Tabel 3. Estimasi Regresi Berganda menggunakan Output Geoda

Variabel Coefficient Standar error Z-value Probability

TPT (Y) 0.819581 0.0949439 8.63227 \0.00000

Constant -6.44451 4.94418 1.30345 0.19242

PDRB (X1) 2.96387e-006 1.07582e-005 3.62976 0.00028

IPM (X2) 0.103324 0.0732296 1.41096 0.15826

TKP (X3) 5.24876e-006 5.31761e-005 0.0987053 0.92137

UMR (X4) 1.58008e-008 5.41346e-008 0.29188 0.77038

JPM (X5) -0.272434 0.301534 0.903496 0.36626

TPAK (X6) 0.837462 0.498672 1.67939 0.09308

Inflasi (X7) -2.30585 1.96971 -1.17065 0.24174

AMH (X8) -4.00348e-006 3.01619e-006 -1.32733 0.18440

PAK15BP (X9) 0.440139 0.261281 1.68454 0.09208

Berdasarkan tabel 3, dengan menggunakan

nilai taraf nyata 0,10, dapat ditunjukkan

bahwa peubah-peubah prediktor yang

signifikan berpengaruh terhadap tingkat

pengangguran terbuka adalah PDRB(X1),

TPAK (X6), dan PAK15BP (X9) karena

masing-masing menunjukkan nilai sig.(P-

value)kurang dari 0,10. Nilai koefisien

determinasi model regresi berganda adalah

0,305570 yang artinya 30,56% dari tingkat

pengangguran terbuka kota/kabupaten Jawa

Barat dipengaruhi oleh variabel-variabel

prediktor, sisanya sebesar 69,44%

dipengaruhi oleh faktor lain. Nilai error

(AIC ) sebesar 216,23.

Asumsi Model Regresi GWR

Gambar 13. Diagram Indeks Moran


bahwa nilai Indeks Moran adalah 0,417708

> 0,05 yang artinya tidak terjadi autokorelasi

spasial.

Uji Heterokedastisitas Spasial

Berdasarkan uji ini, ditunjukkan

oleh nilai Breusch-Pagan tes dengan nilai

probabilitas sebesar 0,50610 > 0,10 yang

artinya tidak terjadi heterokedastisitas.

Langkah pertama dalam model GWR

adalah menentukan bandwith optimum

dengan menggunakan metode cross

validation (CV). Dalam penelitian ini,

diperoleh nilai bandhwith optimum 10 dan

CV sebesar 281,638. Artinya, jika jarak

antar kota/kabupaten melebihi 281,638 km,

pengaruhnya akan berkurang.


Tabel 4. Nilai Estimasi Koefisien Regresi GWR (lokal) dari 27 kota/kabupaten di Jawa Barat

Variabel Mean Standard Deviasi Min Max Range

Intercept 7,989856 0,644717 7,108165 9,024487 1,916322

PDRB(X1) 0,800815 0,383554 0,347512 1,428341 1,080830

IPM(X2) 0,089705 0,37941 -0,477381 0,628819 1,106200

TKP(X3) 0,164978 0,340204 -0,315509 0,776793 1,092302

UMR(X4) 0,066015 0,066777 -0,049840 0,206707 0,256547

JPM(X5) -0,102384 0,801029 -1,181630 1,702764 2,884394

TPAK(X6) -1,388002 1,567056 -4,580885 0,968888 5,549773

Inflasi(X7) 0,992428 1,142259 -0,940128 3,293218 4,233346

AMH(X8) -0,095549 0,448875 -0,702491 0,664381 1,366872

PAK15BP(X9) 1,214999 0,944876 -0,761847 2,299026 3,060873

Tabel 4 memperlihatkan rentang

nilai estimasi koefisien regresi masing-

masing variabel bebas dari 27

kota/kabupaten di Jawa Barat. Model regresi

lokal dari 27 kota/kabupaten di Jawa Barat,

antara lain

Model Regresi Lokal tingkat pengangguran

terbuka kota Karawang :

TPT=8,990309+0,442455 X1-0,417336 X2-

0,847180 X6+0,144868 X7 -0,102359 X8

Dengan nilai kofisien determinasi lokal

R2=0,729292, artinya 72,93% dari tingkat

pengangguran terbuka dipengaruhi oleh

variabel-variabel bebasnya, sisanya sebesar

27,07% dipengaruhi faktor lain. Nilai error

atau AIC adalah 185,70 . Masing-masing

kota/kabupaten di Jawa Barat mempunyai

model regresi GWR (lokal) yang berbeda

dengan nilai koefisien determinasi yang

bervariasi.

Tabel 5. Uji Variabilitas untuk Koefisien Lokal Regresi GWR

Variabel F DOF for F test DIFF of Criterion

Intercept 11,706281 0,677 33,830 0,102476

PDRB(X1) 3,943191 0,873 33,830 -1,515047

IPM(X2) 0,603272 0,829 33,830 0,031347

TKP(X3) 3,400776 0,732 33,830 -0,159280

UMR(X4) 1,483336 0,308 33,830 3,055402

JPM(X5) 10,870134 0,758 33,830 -7,789185

TPAK(X6) 11,542575 1,688 33,830 -330,719265

Inflasi (X7) 455,862963 0,350 33,830 -38194,094031

AMH(X8) 3,056805 1,050 33,830 0,224386

PAK15BP(X9) 12,473352 0,328 33,830 -92,822049

Tabel 5 menjelaskan bahwa nilai Diff of

Criterion negatif menunjukkan bahwa tidak

terdapat variasi spasial dalam model.

Peubah-peubah dengan nilai Diff of

Criterion negatif adalah PDRB (X1),

TKP(X2), JPM(X5), TPAK(X6), Inflasi (X7),

dan PAK15BP(X9), sedangkan variabel

dengan nilai Diff of Criterion positif adalah

IPM (X2), UMR (X4), dan AMH (X8).


SIMPULAN

Berdasarkan hasil pembahasan

diperoleh bahwa Model GWR dengan

pembobot Adaptif Kernell untuk Tingkat

Pengangguran di Jawa Barat mempunyai

nilai AIC sebesar 185,703107 dan nilai

koefisien determinasi 72,93%. Artinya,

72,93% dari variasi model tingkat

pengangguran terbuka dapat dijelaskan oleh

peubah-peubah prediktor, sisanya 27,07%

dapat dijelaskan oleh faktor lain. Faktor-

faktor yang berpengaruh signifikan terhadap

tingkat pengangguran terbuka kota /

kabupaten Jawa Barat adalah PDRB (X1),

TPAK (X6), dan PAK15BP(X9). Penelitian

ini menghasilkan model GWR (regresi

lokal) sebanyak 27 buah, sesuai dengan ban

yaknya kota/kabupaten di Jawa Barat.

DAFTAR PUSTAKA

Anselin, L. dan Bera, A.1998. Spatial

Dependence In Linear Regression

Models With An Introduction To Spatial

Econometrics. dalam Ullah, A. & Giles,

D. Handbook of Applied Economics

Statistic. Selected Reading, pp. 237-

289. New York: Marcel Dekker.

Adam. 2018. Menentukan Dimensi Spasial

Determinan Kemiskinan Pada

Kabupaten/Kota di Provinsi Jawa

Tengah dan DIY Periode 2010 dan

2016 menggunakan Geographic

Information System (GIS) dan Spatial

Exploratory Data Analysis (ESDA).

(Skripsi). Yogyakarta: UII

BPS JAWA BARAT, 2018

BPS JAWA BARAT, 2017

Brunsdon, C., Fotheringham, A.S. dan

Charlton, M. 2000. Geographically

Weighted Regression as a Statistical

Model, Spatial Analysis Research

GroupDepartment of

GeographyUniversity of Newcastle-

upon-TyneNewcastle-Upon-Tyne

UKNE1 7RU.

Fotheringham, A.S., Brunsdon, C. dan

Charlton, M. 2002. Geographically

Weighted Regresion: The Analysis of

Spatially Va (Charlton, 2000)rying

Relationship. United Kingdom: John

Wiley & Sons.

Leung, Y., Mei, C.L., & Zhang, W.X. 2000.

“Statistic Tests for Spatial Non-

Stationarity Based on the


Model, Environment and Planning A”,

vol. 32, issue 1, 9-32

Nadra. 2006. “Pemodelan Regresi Auto-

Gaussian untuk Analisis Hubungan

Spasial di 68 kelurahan di Kota Bogor

terhadap jumlah penderita demam

berdarah tahun 2005 di Kota Bogor”.

Repository IPB Bogor.

https://finance.detik.com/berita-ekonomi-

bisnis/d-4537849/pengangguran-

paling-banyak-di-jawa-barat-capai-

527000-orang

https://tumoutounews.com/2017/10/28/lapa

ngan-pekerjaan-terbesar-di-indonesia-

tahun-2017/

Kartika, (2007), “Statistik pengukuran

Indeks Moran, Geary’s Ratio dan Chi-

Square Statistic untuk melihat

hubungan spasial jumlah penderita DB

tahun 2005 di Kota Bogor”. Repository

IPB Bogor.

Putri.Z. (2018), “Pemodelan Indeks

Pembangunan Manusia menggunakan


(GWR) (Studi Kasus Indeks









Pembangunan Manusia di Indonesia

Tahun 2016)”. Repository Universitas

Islam Indonesia Yogjakarta

Rahayu. S.N, ( 2017), “Geographically

Weighted Panel Regression untuk

Pemodelan Persentasi Penduduk

Miskin Di Provinsi Jawa Tengah “.

Tesis, Repository ITS Surabaya.

Supranto, J. (2001) “Statistik teori dan

aplikasi Ed.6”, Erlangga. Jakarta

Journal Article, (2004) ,“The World

Commission on the Social Dimension

of Globalization: On the Cross-Border

Movement of People”. Population and

Development Review Vol. 30, No. 2

(Jun., 2004), pp. 375-380. Published

by: Population Council.

Utami T.W, Rohman. A, Prahutama A,

2016, “Pemodelan Regresi Berganda

Dan Geographically Weighted

Regression Pada Tingkat Pengangguran

Terbuka Di Jawa Tengah”, Media

Statistika 9 (2) 2016: 133-147

https://www.jstor.org/publisher/popcouncil

PEMODELAN TINGKAT PENGANGGURAN DI JAWA BARAT …

Documents

Transcript of PEMODELAN TINGKAT PENGANGGURAN DI JAWA BARAT …