ANALISIS PENGARUH (JANGKA PENDEK & JANGKA PANJANG) JUMLAH PENDUDUK, JUMLAH PENGANGGURAN, UMK DAN PDRB SEKTOR INDUSTRI TERHADAP PENYERAPAN TENAGA KERJA SEKTOR INDUSTRI DI KABUPATEN PASURUAN TAHUN 1995-2017 JURNAL ILMIAH Disusun oleh : Rizky Firmansyah Akbar 155020101111001 JURUSAN ILMU EKONOMI FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS BRAWIJAYA MALANG 2019
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
ANALISIS PENGARUH (JANGKA PENDEK &
JANGKA PANJANG) JUMLAH PENDUDUK,
JUMLAH PENGANGGURAN, UMK DAN PDRB
SEKTOR INDUSTRI TERHADAP PENYERAPAN
TENAGA KERJA SEKTOR INDUSTRI DI
KABUPATEN PASURUAN TAHUN 1995-2017
JURNAL ILMIAH
Disusun oleh :
Rizky Firmansyah Akbar
155020101111001
JURUSAN ILMU EKONOMI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
MALANG
2019
ANALISIS PENGARUH (JANGKA PENDEK & JANGKA PANJANG) JUMLAH
PENDUDUK, JUMLAH PENGANGGURAN, UMK DAN PDRB SEKTOR INDUSTRI
TERHADAP PENYERAPAN TENAGA KERJA SEKTOR INDUSTRI DI KABUPATEN
PASURUAN TAHUN 1995-2017
Rizky Firmansyah Akbar, Nugroho Suryo Bintoro Fakultas Ekonomi dan Bisnis Universitas Brawijaya
Sumber: Hasil estimasi eviews 9 (data diolah), 2019.
Berdasarkan pada tabel 4.2, menunjukkan hasil dari uji lag length criteria dimana hasil yang
didapat yaitu pada lag 6, dibuktikan dengan tanda (*) yang paling banyak. Artinya variabel yang
berpengaruh dapat berdristibusi normal dengan penentuan panjang lag yang terbaik ketika berada
pada lag 6 (pada 6 kuartal = 1½ tahun). Maka dapat disimpulkan bahwa lag optimum yang
digunakan untuk tahap selanjutnya yaitu menggunakan lag 6, tahap selanjutnya yaitu uji stabilitas
VECM.
Uji Stabilitas VECM
Uji stabilitas VECM adalah uji yang digunakan untuk melihat apakah variabel yang digunakan
stabil dan valid pada lag yang telah ditentukan (lag optimum). Apabila stabil, maka uji impulse
response function (IRF) dan vector decomposition (VD) dapat digunakan. Kriteria syarat dapat
diterima ketika nilai roots yang memiliki modulus < 1. H0 ditolak dan H1 diterima artinya, uji
stabilitas menunjukkan hasil yang stabil dan valid untuk digunakan. Untuk lebih jelas dapat
disajikan dalam tabel 4.3 sebagai berikut:
Tabel 4.3 : Hasil Uji Stabilitas VECM
Root Modulus
0.998809 0.998809
0.891506 0.891506
0.827363 0.827363
0.748728 - 0.301816i 0.807271
0.748728 + 0.301816i 0.807271
0.576853 - 0.397197i 0.700375
0.576853 + 0.397197i 0.700375
0.652026 0.652026
0.600988 - 0.237104i 0.646069
0.600988 + 0.237104i 0.646069
Sumber: Hasil estimasi eviews 9 (data diolah), 2019.
Berdasarkan tabel 4.3, hasil estimasi uji stabilitas vecm valid dan stabil dengan nilai yang
ditunjukkan seluruh rootsnya yang memiliki modulus yaitu < 1 H0 ditolak dan H1 diterima.
Artinya hasil uji estimasi stabilitas vecm stabil dan valid, maka uji IRF dan VD dapat digunakan.
Tahap pengujian selanjutnya yang dapat dilakukan yaitu Uji Kointegrasi.
Johansen’S Cointegration Test
Uji Kointegrasi adalah tahap uji yang bertujuan untuk mengetahui ada/tidaknya pengaruh
keseimbangan dalam jangka panjang. Kriteria syarat pengujian yang digunakan yaitu niali trace
statistic > nilai critial value dan nilai max eigen value > nilai critical value H0 ditolak dan H1
diterima. Apabila kriteria yang didapat memenuhi syarat maka hasil Uji Kointegrasi dapat
dilanjutkan uji selanjutnya yaitu uji vector error correction model (VECM). Namun sebaliknya,
apabila tidak memenuhi kriteria syarat/tidak ada kointegrasi maka pengujian yang dapat dilakukan
yaitu model vector autoregression (VAR). Pada tabel 4.4 Uji Kointegrasi yang dilakukan yaitu
johansen’s cointegration test dengan hasil sebagai berikut:
Tabel 4.4: Johansen’s Cointegration Test
Unrestricted Cointegration Rank Test (Trace)
Hypothesized
No. of CE(s) Eigenvalue
Trace
Statistic
0.05
Critical Value Prob.**
None * 0.484349 108.8089 69.81889 0.0000
At most 1 * 0.335221 52.51131 47.85613 0.0171
At most 2 0.145589 17.80573 29.79707 0.5805
At most 3 0.050787 4.431561 15.49471 0.8658
At most 4 1.39E-05 0.001183 3.841466 0.9718
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized
No. of CE(s)
Eigenvalue Max-Eigen
Statistic
0.05
Critical Value
Prob.**
None * 0.484349 56.29763 33.87687 0.0000
At most 1 * 0.335221 34.70558 27.58434 0.0051
At most 2 0.145589 13.37417 21.13162 0.4184
At most 3 0.050787 4.430379 14.26460 0.8114
At most 4 1.39E-05 0.001183 3.841466 0.9718
Sumber: Hasil estimasi eviews (data diolah), 2019.
Berdasarkan pada tabel 4.4, menunjukkan terdapat 2 kointegrasi dalam pengaruh jangka
panjang/stabilitas keseimbangan dalam pengaruh jangka panjang dengan nilai yang memenuhi
syarat yaitu nilai trace statistic > critical value 5% pada none dan at most 1 dengan dibuktikan
dengan nilainya yaitu 108.8089 > 69.81889 pada none dan 52.51131 > 47.85613 pada at most 1
H0 ditolak dan H1 diterima. Kemudian kriteria syarat kedua dapat diterima apabila max eigen
value > critical value 5%. Dari tabel 4.4 juga terdapat 2 kointegrasi dengan nilai max eigen value
> critical value 5% pada none dan at most 1 dengan dibuktikan dengan nilainya yaitu 56.29763 >
33.87687 pada none dan 34.70558 > 27.58434 pada at most 1 H0 ditolak dan H1 diterima. Maka
dapat disimpulkan bahwa terdapat 2 kointegrasi (indikasi terdapatnya pengaruh jangka panjang).
Dengan adanya kointegrasi maka uji VECM dapat dilakukan.
Uji Kausalitas Granger
Di dalam uji kausalitas granger tidak ada perbedaan signifikan antara variabel dependent
dengan variabel independent karena uji kausalitas granger merupakan salah satu pengujian yang
bertujuan untuk menentukan pengaruh dua arah dari variabel penelitian. Adapun kriteria
pengujiannya adalah suatu variabel dikatakan mempengaruhi variabel yang lain secara signifikan
apabila nilai probabilitasnya < 0.05 H0 ditolak dan H1 diterima. Dalam penelitian ini uji Kausalitas
Granger juga digunakan untuk melihat pengaruh jangka pendek antar variabel. Hasil Uji
Kausalitas Granger dapat disajikan dalam tabel sebagai berikut:
Tabel 4.5: Pairwise Granger Causality Test
Null Hypothesis: Obs F-Statistic Prob.
JP does not Granger Cause P_TK
86
3.10221 0.0092
P_TK does not Granger Cause UNEMP 2.65561 0.0219
UMK does not Granger Cause P_TK 3.97131 0.0017
UMK does not Granger Cause UNEMP 3.31339 0.0061
PDRB does not Granger Cause UNEMP 2.2138 0.0511
UNEMP does not Granger Cause PDRB 3.73292 0.0027
Sumber: Hasil estimasi eviews 9 (data diolah), 2019.
Hasil dari uji Kausalitas Granger di atas dapat diintrepretasikan sebagai berikut:
1. Variabel JP mempengaruhi variabel P_TK secara statistik signifikan dengan nilai probabilitas
0.0092 < 0.05 H0 di tolak H1 diterima, artinya variabel JP berpengaruh secara positif signifikan
terhadap penyerapan tenaga kerja sektor industri. Jumlah populasi penduduk di indonesia semakin
bertambah dan meningkat setiap tahunnya, hal ini juga salah satu jumlah populasi di kabupaten
pasuruan di dalamnya. Hal ini sejalan dengan penelitian (Zilfiyah, 2013) bahwa semakin
meningkatnya populasi penduduk maka penyerapan tenaga kerja sektor industri juga akan
meningkat. Jumlah penduduk memiliki pengaruh positif dan signifikan terhadap penyerapan
tenaga kerja sektor industri di indonesia dikarenakan jumlah tenaga kerja yang tinggi diserap,
berasal dari jumlah penduduk yang tinggi pula. Apabila kualitas dari penduduk tersebut baik, maka
penyerapan tenaga kerja sektor industri akan meningkat agar menjadi pendorong pertumbuhan
ekonomi khususnya di sektor industri. Maka dapat disimpulkan bahwa hanya terdapat pengaruh
satu arah yaitu variabel JP mempengaruhi variabel P_TK, akan tetapi tidak berlaku untuk
sebaliknya.
2. Variabel P_TK mempengaruhi variabel UNEMP secara statistik signifikan dengan nilai
probabilitas yaitu 0.0219 < 0.05 H0 di tolak H1 diterima, artinya semakin tinggi kenaikan
penyerapan tenaga kerja sektor industri direspons dengan jumlah pengangguran yang semakin
turun. Maka dapat disimpulkan bahwa hanya terdapat pengaruh satu arah yaitu variabel P_TK
mempengaruhi variabel UNEMP, akan tetapi tidak berlaku juga sebaliknya.
3. Variabel UMK mempengaruhi variabel P_TK secara statistik signifikan dengan nilai
probabilitas 0.0017 < 0.05 H0 di tolak H1 diterima, artinya semakin tinggi tingkat umk maka
penyerapan tenaga kerja sektor industri akan menurun. Hal ini sejalan dengan penelitian
(Ardiansyah, 2018) peningkatan upah minimum bagi tenaga kerja pada suatu daerah menyebabkan
perusahaan sebagai pelaku industri mengalami inefisiensi, artinya kenaikan upah minimum
menyebabkan biaya produksi juga tinggi, maka kebijakan yang tepat dilakukan yaitu pengurangan
tenaga kerja. Hasil penelitian yang lain yaitu (Gindling & Terrel, 2009) bahwa upah menyebabkan
berkurangnya pekerjaan di Honduras yang mengakibatkan terciptanya pengangguran. Kesimpulan
dari hasil di atas yaitu terdapat pengaruh satu arah yaitu pengaruh variabel UMK mempengaruhi
variabel P_TK, akan tetapi tidak berlaku juga sebaliknya.
4. Variabel UMK mempengaruhi variabel UNEMP secara statistik signifikan dengan nilai
probabilitas 0.0061 < 0.05 H0 di tolak H1 diterima, artinya variabel UMK berpengaruh negatif
signifikan terhadap jumlah pengangguran di Kabupaten Pasuruan. Variabel upah minimum
mempunyai pengaruh negatif dan signifikan terhadap tingkat pengangguran terbuka. Artinya,
kenaikan upah minimum akan menurunkan tingkat pengangguran, hal ini sejalan dengan penelitian
(Priastiwi & Handayani, 2019). Hasil ini juga sejalan dengan hasil penelitian (Zuliadi, 2016)
menyimpulkan bahwa upah minimum mempengaruhi pengangguran secara signifikan. Artinya,
apabila terjadi kenaikan upah minimum sebesar 1% maka presentase pengangguran akan
mengalami kenaikan sebesar 0,929% dengan asumsi variabel lain yang berpengaruh terhadap
besaran nilai pengangguran bernilai tetap. Maka dapat ditarik kesimpulan yaitu bahwa terdapat
pengaruh kausalitas satu arah yaitu variabel UMK mempengaruhi variabel UNEMP, akan tetapi
tidak berlaku juga sebaliknya.
5. Variabel PDRB mempengaruhi variabel UNEMP secara statistik signifikan dengan nilai
probabilitas 0.0511 lemah pengaruhnya terhadap α 5% dan signifikan terhadap α 10%. PDRB
berpengaruh signifikan dengan pengaruh negatif terhadap tingkat pengangguran terbuka. Artinya,
peningkatan PDRB akan mengurangi tingkat pengangguran hasil ini sejalan dengan hasil
penelitian oleh (priastiwi & handayani, 2019).
Sejalan dengan pengaruh sebaliknya yaitu variabel UNEMP mempengaruhi variabel PDRB
secara signifikan dengan nilai probabilitas 0.0027 < 0.05 H0 di tolak H1 diterima. Hasil ini sesuai
dengan teori Hukum Okun yang menjelaskan bahwa ketika pengangguran terjadi, beberapa input
tenaga kerja yang tersedia tidak digunakan yang berarti hilangnya produksi. (Mankiw, 2006)
Hukum Okun menjelaskan pengaruh negatif antara pengangguran dengan PDRB. Maka diperoleh
kesimpulan bahwa terdapat pengaruh kausalitas dua arah yaitu variabel UNEMP mempengaruhi
variabel PDRB dan variabel PDRB berpengaruh terhadap variabel UNEMP.
Vector Eror Correction Model (VECM)
Vector Eror Correction Model (VECM) yaitu model yang berasal dari pengembangan model
Vector Autoregression (VAR) yang tidak stasioner dalam unit root test tingkat level. Analisis
Vector Error Correction Model (VECM) untuk mengetahui pengaruh jangka panjang dan
pengaruh jangka pendek antar variabel (Ekananda, 2016). Dalam hasil estimasi Uji VECM
penelitian ini yang dilihat yaitu pengaruh pengaruh jangka panjang. Hasil estimasi untuk
mengetahui pengaruh jangka panjang di sajikan pada tabel sebagai berikut:
Tabel 4.6: Hasil Estimasi VECM Jangka Panjang
Variabel Koefisien t-Statistik Parsial
JP(-1) -3.126256 -3.82751
UNEMP(-1) -0.274017 -4.57989
UMK(-1) 0.373386 3.20495
PDRB(-1) -0.141553 -4.45215
R-Squared 0.670
Sumber: Hasil estimasi eviews 9 (data diolah), 2019.
Berdasarkan tabel 4.6, hasil estimasi VECM dalam jangka panjang menunjukkan bahwa 4
variabel terdapat pengaruh dalam jangka panjang dengan kriteria syarat yang diterima yaitu nilai t-
statistik parsial > t-tabel H0 ditolak dan H1 diterima. Nilai dari t-tabel yang didapat yaitu sebesar
(1.662). Dapat diketahui nilai koefisien variabel JP pada lag 1 berpengaruh negatif signifikan
terhadap variabel P_TK dengan nilai sebesar -3.12 artinya apabila terjadi kenaikan JP sebesar 1
poin pada tahun sebelumnya maka terjadi penurunan P_TK sebesar -3.12 poin. Kemudian
diketahui nilai statistik parsial variabel JP sebesar -3.82751 < 1.662 H0 di tolak dan H1 diterima,
artinya variabel JP berpengaruh secara negatif signifikan terhadap variabel P_TK dalam jangka
panjang.
Hasil dari variabel kedua, dapat diketahui bahwa pada lag 1 nilai koefisien variabel UNEMP
yaitu sebesar -0.27 artinya, apabila terjadi kenaikan UNEMP sebesar 1 poin, maka terjadi
penurunan P_TK sebesar -0.27 poin. Selanjutnya diketahui nilai statistik parsial variabel UNEMP
yaitu sebesar -4.57989 < -1.662 H0 ditolak dan H1 diterima artinya, variabel UNEMP berpengaruh
secara negatif signifikan terhadap variabel P_TK dalam jangka panjang.
Hasil dari variabel ketiga yaitu, dapat diketahui pada lag 1 nilai koefisien variabel UMK
sebesar 0.37 artinya jika terjadi kenaikan 1 poin UMK, maka terjadi kenaikan P_TK sebsar 0.37
poin. Kemudian dapat diketahui nilai statistik parsial variabel UMK 3.20495 > 1.662 H0 ditolak
dan H1 diterima, artinya variabel UMK berpengaruh secara positif signifikan terhadap variabel
P_TK dalam jangka panjang.
Hasil dari variabel yang keempat yaitu diketahui pada lag 1 dengan nilai koefisien sebesar
-0.14 yang artinya ketika terjadi kenaikan 1 poin PDRB, maka terjadi penurunan P_TK sebesar
-0.14. Kemudian diketahui nilai statistik parsial variabel PDRB yaitu sebesar -4.45215 > 1.662 H0
ditolak dan H1 diterima, artinya bahwa variabel PDRB berpengaruh secara negatif signifikan
terhadap variabel P_TK dalam jangka panjang.
Hasil estimasi VECM dalam jangka panjang di atas memiliki hasil yang valid dengan nilai r-
squared sebesar 0,670 atau sebesar 67% dari total nilai 100%, artinya bahwa perubahan variabel
dependent (p_tk) mampu di jelaskan oleh variabel independent yaitu variabel JP, UNEMP, UMK
dan PDRB dengan nilai sebesar 67% dari total nilai sebesar 100% sedangkan sisanya yaitu 33%
mampu dijelaskan oleh variabel lain diluar variabel penelitian. Maka dapat disimpulkan bahwa
variabel JP, UNEMP, UMK dan PDRB memiliki pengaruh dalam jangka panjang terhadap
variabel P_TK.
1. Pengaruh Jumlah Penduduk Terhadap Penyerapan Tenaga Kerja Sektor Industri
Berdasarkan hasil penelitian didapatkan bahwa variabel JP mempengaruhi variabel P_TK
secara statistik signifikan dengan nilai probabilitas sebesar 0.0092 < α (0.05) artinya, H0 di tolak
dan H1 diterima dengan menggunakan uji Kausalitas Granger. Dalam jangka pendek variabel JP
berpengaruh positif signifikan terhadap variabel P_TK. Jumlah penduduk memiliki pengaruh
positif dan signifikan terhadap penyerapan tenaga kerja sektor industri di indonesia dikarenakan
jumlah tenaga kerja yang tinggi diserap berasal dari jumlah penduduk yang tinggi pula, apabila
kualitas dari penduduk tersebut baik, maka penyerapan tenaga kerja sektor industri akan
meningkat agar menjadi pendorong pertumbuhan ekonomi khususnya di sektor industri, hal ini
sejalan dengan hasil penelitian (Zilfiyah, 2013). Hasil penelitian jumlah penduduk dalam jangka
pendek juga sejalan dengan teori ekonomi klasik oleh Adam Smith. Menurut Adam Smith,
pertumbuhan penduduk dan pertumbuhan output total merupakan aspek utama dalam pertumbuhan
ekonomi. Sumber daya manusia merupakan sumber daya yang dapat diandalkan sehingga ketika
jumlah penduduk (populasi meningkat) maka penyerapan tenaga kerja juga akan meningkat
(Arsyad, 1988).
Kemudian dengan menggunakan uji VECM jangka panjang diketahui nilai t-statistik parsial
variabel JP sebesar -3.82751 < 1.660 H0 ditolak dan H1 diterima, artinya variabel JP berpengaruh
negatif signifikan terhadap variabel P_TK dalam jangka panjang. Dalam jangka panjang jumlah
penduduk berpengaruh negatif dan signifikan terhadap penyerapan tenaga kerja sektor industri
dikarenakan keadaan sektor industri kabupaten pasuruan dalam jangka panjang produksi akan
lebih besar apabila diproduksi menggunakan teknologi yang canggih, sehingga dengan adanya
teknologi kedepan mampu memberikan kontribusi output yang lebih besar. Hal ini sejalan dengan
penelitian (Shidiq, 2007) bahwa pada penelitiannya penyerapan pada tenaga kerja industri
manufaktur lebih memproduksi dengan mesin dari pada manusia, sehingga semakin meningkat
populasi penduduk akan semakin menurun penyerapan tenaga kerjanya. Hasil ini juga sejalan
dengan teori pertumbuhan Robert Malthus dan Michael Kremer. Malthus berpendapat bahwa
pertumbuhan penduduk (populasi) akan menyebabkan kesulitan bagi masyarakat itu sendiri untuk
memenuhi kebutuhannya dan akan berdampak pada kemiskinan (Mankiw, 2006). Kemudian
menurut ekonom Michael Kremer bahwa pertumbuhan penduduk yang meningkat akan membawa
perubahan terhadap teknologi. Semakin banyak penduduk, maka semakin banyak ilmuwan, pakar,
professor dan insinyur yang mampu memberikan sumbangan pemikirannya tentang kemajuan
teknologi. (Mankiw, 2006). Sehingga dapat disimpulkan bahwa dari teori Robert Malthus dan
Michael Kremer bahwa semakin meningkatnya penduduk akan menurunkan penyerapan tenaga
kerja dalam jangka panjang.
2. Pengaruh Jumlah Pengangguran Terhadap Penyerapan Tenaga Kerja Sektor Industri
Variabel UNEMP dalam jangka pendek menggunakan uji Kausalitas Granger nilai
probabilitasnya sebesar 0.5600 > 0.05 H0 diterima dan H1 ditolak artinya, variabel UNEMP tidak
berpengaruh secara signifikan terhadap variabel P_TK dalam jangka pendek. Pengaruh jumlah
pengangguran terhadap penyerapan tenaga kerja sektor industri dalam jangka pendek tidak
berpengaruh secara signifikan, hasil ini sejalan dengan penelitian (zilfiliyah, 2013) bahwa
pengangguran tidak berpengaruh secara signifikan terhadap penyerapan tenaga kerja sektor
industri di indonesia karena perubahan pada tingkat pengangguran ternyata tidak berdampak
terhadap sektor industri tetapi diakibatkan oleh sektor-sektor yang lain. Kenaikan atau penurunan
pengangguran biasanya akan lebih banyak mempengaruhi penyerapan tenaga kerja di sektor
informal.
Kemudian dalam jangka panjang dengan menggunakan uji VECM nilai t-statistik parsial
variabel UNEMP sebesar -4.57989 < 1.660 H0 ditolak dan H1 diterima artinya, variabel UNEMP
berpengaruh secara negatif signifikan terhadap variabel P_TK dalam jangka panjang. Dalam
pengaruh jangka panjang pengangguran memiliki dampak terhadap menurunnya pendapatan
perkapita yang mengakibatkan daya beli masyarakat menurun (Perdana, 2008). Hal ini sejalan
dengan hasil penelitian dalam jangka panjang, jumlah pengangguran berpengaruh negatif
signifikan terhadap penyerapan tenaga kerja sektor industri di kabupaten pasuruan. Artinya ketika
jumlah pengangguran naik akan menyebabkan penyerapan tenaga kerja sektor industri turun yang
di respons oleh kemampuan daya beli masyarakat turun karena tidak memiliki pendapatan.
3. Pengaruh UMK Terhadap Penyerapan Tenaga Kerja Sektor Industri
Variabel UMK mempengaruhi variabel P_TK secara statistik signifikan dengan nilai
probabilitas sebesar 0.0017 < 0.05 H0 ditolak dan H1 diterima, artinya variabel UMK berpengaruh
negatif signifikan terhadap variabel P_TK dalam jangka pendek. Pengaruh UMK terhadap
penyerapan tenaga kerja sektor industri di kabupaten pasuruan berpengaruh secara negatif
siginifikan. Hal ini sejalan dengan penelitian (Ardiansyah, 2018) peningkatan upah minimum bagi
tenaga kerja pada suatu daerah menyebabkan perusahaan sebagai pelaku industri mengalami
inefisiensi, artinya kenaikan upah minimum menyebabkan biaya produksi juga tinggi, maka
kebijakan yang tepat dilakukan yaitu pengurangan tenaga kerja. Hasil penelitian yang lain yaitu
(Gindling & Terrel, 2009) bahwa upah menyebabkan berkurangnya pekerjaan di Honduras yang
mengakibatkan terciptanya pengangguran.
Kemudian variabel UMK dengan nilai statistik parsial sebesar 3.20495 > 1.662 H0 ditolak dan
H1 diterima, artinya variabel UMK berpengaruh positif signifikan dalam jangka panjang terhadap
variabel P_TK. Dalam jangka panjang UMK berpengaruh positif dan signifikan terhadap
penyerapan tenaga kerja sektor industri di Kabupaten Pasuruan, dikarenakan kenaikan upah
minimum direspons juga dengan kenaikan tingkat daya beli masyarakat, ketika daya beli
masyarakat naik maka pelaku sektor industri akan berupaya untuk menambah jumlah industri
untuk kebutuhan permintaan daya beli masyarakat (Indradewa, 2015).
4. Pengaruh PDRB Sektor Industri Terhadap Penyerepan Tenaga Kerja Sektor Industri
Variabel PDRB tidak mempengaruhi variabel P_TK secara statistik signifikan dengan
ditunjukkan nilai probabilitasnya sebesar 0.1094 > 0.05 H0 diterima dan H1 ditolak, artinya
variabel PDRB tidak berpengaruh signifikan terhadap variabel P_TK. Pengaruh PDRB terhadap
penyerapan tenaga kerja sektor industri di Kabupaten Pasuruan tidak berpengaruh secara
signifikan dalam jangka pendek. Hal ini tidak sejalan dari penelitian (Indradewa, 2015) mengenai
analisis PDRB sektor industri terhadap penyerapan tenaga kerja di Bali menunjukkan hasil yang
positif dan signifikan, dampak kenaikan pdrb maka penyerapan tenaga kerja juga akan naik
berbanding lurus, akan tetapi pada penelitian yang lain menunjukkan bahwa PDRB tidak
signifikan terhadap penyerapan tenaga kerja sektor industri di indonesia, dikarenakan sektor
industri di indonesia lebih banyak yang bersifat padat modal. Sehingga meskipun PDRB sektor
industri di indonesia adalah relatif tinggi, namun tidak atau belum mampu diikuti dengan
perkembangan atau pertumbuhan penyerapan tenaga kerjanya (Zilfiliyah, 2013) dan sejalan
dengan penelitian (Perdana, 2008) bahwa pdrb sektor industri tidak berpengaruh secara signifikan,
karena sektor industri di Jawa Timur kurang memiliki kontribusi terhadap penyerapan tenaga
kerja.
Kemudian hasil estimasi uji VECM variabel PDRB yaitu nilai t-statistik parsial sebesar -4.45215 > 1.662 H0 ditolak dan H1 diterima artinya bahwa variabel PDRB memiliki pengaruh
negatif signifikan terhadap variabel P_TK dalam pengaruh jangka panjang. Artinya ketika PDRB
naik maka penyerapan tenaga kerja di sektor industri akan turun. Hal ini sejalan dengan kondisi
yang ada di Kabupaten Pasuruan saat ini, bahwa pertumbuhan ekonomi di lihat dari sisi PDRB
kabupaten pasuruan setiap tahun mengalami peningkatan yang signifikan dan kontribusi PDRB
oleh sektor industri merupakan yang paling besar akan tetapi pengangguran mengalami fluktuasi
dan cenderung mengalami kenaikan. Hasil ini sejalan dengan hasil penelitian (Andrei, 2015) dari
beberapa variabel ekonomi makro di Romania menunjukkan bahwa variabel impor, ekspor dan
PDB lebih tepatnya tidak mempengaruhi tenaga kerja, karena tenaga kerja sebagai sumber daya
yang dapat diandalkan. Hasil dari penelitian yang lain yaitu (Shidiq, 2007) PDRB berpengaruh
negatif signifikan terhadap penyerapan tenaga kerja dikarenakan PDRB sektor industri di jawa
timur lebih banyak sektor industri manufaktur. Jadi, dapat disimpulkan bahwa di Kabupaten
Pasuruan sektor industri lebih banyak yang padat modal (investasi modal dalam jangka panjang)
dengan produksi lebih banyak menggunakan mesin dari pada industri padat karya sehingga
kenaikan PDRB direspons dengan penurunan penyerapan tenaga kerja di sektor industri. Selain itu
dampak sekarang yang dirasakan yaitu revolusi industri 4.0, dimana industri berkembang melalui
perkembangan teknologi yang modern.
Impulse Response Function (IRF)
Analisis impluse response function (IRF) merupakan analisis yang digunakan untuk melihat
pengaruh (shock) variabel dependent terhadap variabel independent pada suatu penelitian. Dalam
analisis ini tidak hanya menganalisis dalam jangka pendek tetapi juga menganalisis pengaruh
jangka panjang. Jadi dalam analisis impulse respons melihat berapa lama periode pengaruh itu
terjadi. Sumbu vertikal merepresentasikan besarnya nilai response dalam presentase (%),
kemudian untuk sumbu horizontal merepresentasikan periode waktu (kuartal). Selanjutnya akan
dijelaskan analisis IRF response variabel P_TK terhadap variabel JP, UNEMP, UMK dan PDRB
dalam gambar 4.2 sebagai berikut:
Gambar 4.7: Hasil Estimasi Impuse Response Function (IRF)
Sumber: Hasil estimasi eviews 9 (data diolah), 2019.
Berdasarkan gambar 4.7, menunjukkan hasil estimasi analisis impulse response function (IRF)
pengaruh variabel P_TK terhadap variabel JP, UNEMP, UMK dan PDRB. Pengaruh response
variabel P_TK terhadap variabel JP pada periode ke 1-5 mengalami kenaikan dengan nilai yang
positif (+). Kemudian pada periode ke 6-9 mengalami penurunan dengan nilai negatif (-).
Kemudian pada periode ke 10 dengan menunjukkan response yang stabil.
Response selanjutnya yaitu pengaruh variabel P_TK terhadap variabel UNEMP. Pada periode
ke 1-7 mengalami kenaikan nilai yang positif. Kemudian pada periode ke 8-9 mengalami
penurunan dengan nilai negatif. Selanjutnya pada periode ke 10 kembali pada response yang stabil.
Selanjutnya yaitu response pengaruh variabel P_TK terhadap variabel UMK. Pada periode ke
1-5 mengalami penurunan dengan nilai yang negatif. Kemudian dari periode ke 6-9 menunjukkan
kenaikan yang positif. Pada periode ke 10 response kembali pada titik yang stabil.
Yang terkahir yaitu response pengaruh dari variabel P_TK terhadap variabel PDRB. Pada
periode ke 1-2 mengalami kenaikan yang positif. Kemudian pada periode ke 2-9 tidak mengalami
perubahan kenaikan yang positif maupun penurunan yang negatif. Selanjutnya pada periode ke 10
merespon dengan kembali pada titik yang stabil.
Variance Decomposition (VD)
Variance Decomposition (VD) merupakan analisis uji yang digunakan untuk mengukur
pengaruh variabel independent (x) terhadap variabel dependent (y). Fokus dari analisis Variance
Decomposition (VD) yang dilakukan dalam penelitian ini yaitu melihat pengaruh variabel
independent (JP, UNEMP, UMK dan PDRB) terhadap variabel dependent (P_TK). Dalam
penelitian ini data yang digunakan yaitu data kuartal (3 bulan) dari tahun 1995-2017. Hasil dari uji
Variance Decomposition (VD) disajikan dalam tabel sebagai berikut: