3
3.1
METODE PENELITIAN
Jenis dan Sumber Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang
bersumber dari Badan Pusat Statistik (BPS). Data-data yang diperlukan adalah : 1.
PDRB Kabupaten/kota atas dasar harga konstan 2000.
2.
Total
tenaga kerja IBS dan seluruh tenaga kerja baik untuk tingkat
kabupaten/kota maupun agregat Jawa Barat. 3.
Ukuran perusahaan yang diproksi dengan rata-rata jumlah pekerja produksi di kabupaten per hari.
4.
Proporsi investasi asing menurut kabupaten/ kota yang di proksi dengan rata-rata rasio kepemilikan modal asing dari seluruh industri.
5.
Struktur pasar yang diproksi dengan indeks persaingan industri, yaitu rasio dari jumlah perusahaan dan output.
6.
Orientasi ekspor dan impor yaitu penjumlahan dari persentase output yang diekspor dan input yang diimpor oleh industri.
7.
Upah Minimum Kabupaten/kota.
8.
Panjang jalan beraspal yang kondisinya baik dan sedang, baik jalan negara, jalan
propinsi
maupun
jalan
kabupaten/kota
di
masing
masing
kabupaten/kota. Kondisi jalan yang baik dan sedang diharapkan lebih menentukan kelancaran kegiatan ekonomi dibandingkan jaan yang rusak, sehingga panjang jalan yang digunakan dalam penelitian ini tidak memasukkan jalan yang rusak. 9.
Jumlah energi listrik terjual kepada industri. Pemilihan variabel ini mengacu kepada konsumsi industri bukan pada jumlah energi listrik yang diproduksi. Analisis pada tahun 2001 diasumsikan sebagai penggambaran konsentrasi
industri manufaktur di Jawa Barat sebelum adanya kebijakan kenaikan harga BBM dan juga merupakan tahun awal pelaksanaan otonomi daerah. Analisis pada tahun 2008 diasumsikan sebagai penggambaran konsentrasi spasial pada era sesudah adanya kebijakan kenaikan BBM. Penetapan asumsi tidak berhubungan secara langsung dengan analisis akan tetapi hanya mencoba menjelaskan kenapa tahun 2001 dan tahun 2008 diambil sebagai tahun analisis.
32
3.2
Metode Analisis Data Alat analisis yang digunakan adalah analisis deskriptif dan analisis model
dengan menggunakan pendekatan ekonometrika. Pada penelitian ini analisis yang dilakukan dapat dikelompokkan menjadi beberapa tahap dalam satu kerangka analisis sesuai dengan tujuan yang ingin diperoleh. Informasi yang didapatkan dalam tiap tahapan diperlukan untuk menjustifikasi pentingnya mengapa analisis tahap berikutnya perlu dilakukan. Hal ini akan membuat metode analisis lebih terarah dan sistematis. Untuk menjawab tujuan pertama, dilakukan analisis tentang kesenjangan ekonomi dan kosentrasi industri manufaktur. Pada tahap ini, dengan formula indeks Entropi Theil ingin ditunjukkan berapa besar kesenjangan konsentrasi industri di Jawa Barat. Hasil analisis tahap awal diharapkan dapat menjawab tujuan pertama penelitian ini.
Konsentrasi industri memang penting sebagai
motor pertumbuhan ekonomi, namun jika mengakibatkan kesenjangan antar daerah maka masalah ini masih dianggap penting dan diperlukan peran pemerintah untuk meningkatkan pertumbuhan dan pemerataan.
Selanjutnya
analisis dilakukan dengan data panel untuk melihat kondisi yang memengaruhi konsentrasi industri di tiap kabupaten/kota di Jawa Barat pada beberapa titik periode yaitu 2001-2008.
3.2.1
Analisis Deskriptif Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan
mendeskripsikan dan mempermudah penafsiran yang dilakukan dengan memberikan pemaparan dalam bentuk tabel, grafik, dan diagram. Fungsi analisis deskriptif adalah untuk memberikan gambaran umum tentang data yang telah diperoleh. Gambaran umum ini bisa menjadi acuan untuk melihat karakteristik data yang akan diteliti. Dalam penelitian ini analisis deskriptif digunakan untuk memberikan suatu gambaran secara umum mengenai kondisi sosial ekonomi di Indonesia dan karakteristik variabel-variabel yang terkait dalam penelitian. Variabel-variabel tersebut
yaitu
pertumbuhan
ekonomi,
manufaktur dan disparitas antar daerah.
infrastruktur,
aglomerasi
industri
33
3.2.2
Indeks Entropi Theils Indeks Entropi Theils pada penelitian ini digunakan untuk menjawab
tujuan pertama yaitu menganalisis dinamika sektor yang terkonsentrasi dari industri manufaktur di Jawa Barat. Indeks ini digunakan untuk mengukur kesenjangan ekonomi dan kosentrasi industri, merupakan indeks kosentrasi spasial yang menyedianan ukuran derajat kosentrasi distribusi spasial pada sejumlah daerah dan sub daerah dalam suatu negara dan antar sub unit daerah dalam suatu kawasan pada suatu titik waktu. Nilai indeks entropi yang lebih rendah berarti menunjukkan adanya kesenjangan yang rendah, dan sebaliknya. Formula indeks Entropi Theil untuk Jawa Barat (antar kabupaten/kota)) adalah sebagai berikut:
(3.1) dimana: I(y) : indeks entropi total atas kesenjangan spasial di Jawa Barat. Yi
: pangsa kabupaten/kota terhadap total tenaga kerja industri manufaktur Propinsi Jawa Barat
N
: jumlah kabupaten/kota.
Formula Indeks entropi Theil untuk Jawa Barat (antar daerah pengembangan) adalah sebagai berikut: ∑ log
∑ ∑
log
(3.2)
dimana : Yr
: pangsa pasar untuk seluruh kabupaten/kota dalam Daerah Pengembangan
3.2.2
Nr
: jumlah kabupaten/kota dalam Daerah Pengembangan r, dan
R
: jumlah Daerah Pengembangan di Jawa Barat.
Indeks Hoover Balassa Salah satu pendekatan yang paling sering digunakan dalam menganalisis
konsentrasi spasial adalah LQ tenaga kerja atau bisa disebut juga Hoover-Balassa
34
koefisien. Pendekatan ini menyatakan bahwa spesialisasi dalam industri (terutama manufaktur) terjadi apabila share industri pada suatu wilayah lebih besar daripada share industri pada wilayah agregat. Industri akan terkonsentrasi pada suatu lokasi dimana share tenaga kerja untuk industri tersebut lebih besar daripada share industri secara agregat.
LQis = Sis / Xi
(3.3)
dimana : Ssi : share tenaga kerja industri manufaktur subsektor i pada wilayah kabupaten/kota di Jawa Barat Xi : share tenaga kerja industri manufaktur subsektor i pada seluruh wilayah Jawa Barat. Pendekatan yang dikemukakan oleh Ellison dan Glaeser (1997), ditujukan untuk mengisolasi efek dari konsentrasi spasial. Model yang dikemukakan diturunkan dari indeks yang berbasis tenaga kerja:
gEG ∑
(Sis - Xi)2
(3.4)
Indeks yang dikembangkan dari indeks tersebut telah digunakan untuk menganalisa konsentrasi spasial dari industri manufaktur di Amerika Serikat, Ellison dan Glaeser (1997) berkesimpulan bahwa pada industri yang terspesialisasi, konsentrasi spasial terjadi karena natural advantage dan knowledge
spillover
(disebut
juga
Marshal-Arrow-Romer
atau
MAR
eksternalitas). Akan tetapi sangat sulit untuk mengukur dorongan dari knowledge spillover terhadap konsentrasi spasial oleh karena itu, Ellison dan Glaeser (1997) mengemukakan tentang kontribusi natural advantages berdasarkan faktor endowment yang secara simultan mempengaruhi dan mendorong skala ekonomi internal perusahaan, untuk itu Ellison dan Glaeser membangun indikator untuk merefleksikan kontribusi dari natural advantages dan knowledge spillover yaitu:
γEG = GEG - H 1− H
(3.5)
Indikator tersebut dibangun dari persamaan (3.6) dan persamaan (3.7), dimana:
H
=
∑
(SiM)2
(3.6)
35
GEG =
gEG 1 - ∑
Xi2
(3.7)
dimana: H
: Herfindahl indeks, menunjukkan distribusi lokasi. Semakin tinggi H maka distribusi lokasi semakin tidak merata.
gEG; gMS : Gini lokasional, menunjukkan tingkat spesialisasi suatu sektor dan konsentrasi spasial antara beberapa wilayah. GEG; GMS : menunjukkan besarnya kekuatan agglomerasi yang mendorong konsentrasi spasial γEG; γMS
: menunjukkan pengaruh natural advantage dan knowledge spillover terhadap konsentrasi spasial dari industri.
Ss i
: menunjukkan share subsektor pada wilayah kabupaten/kota di Jawa Barat.
xi
: menunjukkan share subsektor pada seluruh Propinsi Jawa Barat Berdasar model yang dikemukakan oleh Ellison dan Glaeser (1997),
Maurel dan Sedillot (1999) mengembangkan model alternatif yang merupakan modifikasi dari indeks Ellison-Glaeser, dimana:
gMS ∑ GMS =
(Sis - Xi2)
(3.8)
gEG 1 - ∑
Xi2
(3.9)
Dengan menggabungkan persamaan (3.8) dan persamaan (3.9) dan disusun seperti persamaan (3.5) akan terbentuk:
γMS
=
GMS - H 1− H
(3.10)
36
3.2.3
Regresi Data Panel Regresi data panel digunakan untuk menjawab tujuan ketiga dari
penelitian ini yaitu mengetahui factor apa saja yang mempengaruhi aglomerasi industri manufaktur di Jawa Barat.
Data
panel
(panel
data)
merupakan
gabungan data cross section dan data time series. Dengan kata lain, data panel merupakan unit-unit individu yang sama yang diamati dalam kurun waktu tertentu. Secara umum, data panel dicirikan oleh T periode waktu (t = 1,2,...,T) yang kecil dan n jumlah individu (i = 1,2,...,n) yang besar. Melalui analisis data panel, kita dapat menangkap perilaku sejumlah
individu yang memiliki
karakteristik yang berbeda-beda dalam suatu rentang waktu yang terdiri atas unitunit waktu yang juga berbeda. Heterogenitas antar individu maupun antar waktu digambarkan dalam model dengan intersep dan koefisien slope yang berbedabeda. Nilai intersep dan koefisien slope yang berbeda-beda ini berasal dari pengaruh variabel yang tidak termasuk dalam variabel penjelas dalam persamaan regresi biasa. Menurut Baltagi (2005), beberapa keuntungan penggunaan data panel sebagai berikut : 1. Data panel mampu mengakomodasi tingkat heterogenitas variabel-variabel yang tidak dimasukkan dalam model 2. Data panel mampu mengindikasikan dan mengukur efek yang secara sederhana tidak dapat diperoleh dengan data cross section murni atau time series murni, 3. Data panel mampu mengurangi kolinieritas antar variabel, 4. Data panel dapat menguji dan membangun model perilaku yang lebih kompleks 5. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu karena unit data lebih banyak. Kendati demikian, analisis data panel juga memiliki beberapa kelemahan dan keterbatasan dalam penggunaannya
khususnya apabila data panel
dikumpulkan atau diperoleh dengan metode survei. Permasalahan tersebut antara lain:
37
1. Relatif besarnya data panel karena melibatkan komponen cross section dan time series menimbulkan masalah disain survei panel, pengumpulan dan manajemen data (masalah yang umumnya dihadapi di antaranya: coverage, nonresponse, kemampuan daya ingat responden (recall), frekuensi, dan waktu wawancara; 2. Distorsi kesalahan pengamatan (measurement error) yang umumnya terjadi karena kegagalan respon (contoh: pertanyaan yang tidak jelas, ketidaktepatan informasi, dan lain-lain); 3. Masalah selektivitas, yakni: selfselectivity, nonresponse, attrition (jumlah responden yang terus berkurang pada survey lanjutan); dan 4. Cross section dependence (contoh: apabila macro panel data dengan unit analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence maka dapat mengakibatkan kesimpulan yang tidak tepat (miss leading inference).
3.2.3.1 Two Way Component Error Fixed Effect Model (FEM) Model ini disusun berdasarkan fakta bahwa terkadang fixed effects tidak hanya berasal dari variasi antar individu (time invariants) tetapi juga berasal dari variasi antar waktu atau time effect, sehingga model dasar yang digunakan adalah: yit = α i + µt + X it′ β + uit
(3.11)
dimana µt merepresentasikan time effect. Jika masing-masing pengaruh individu (αi) dan time-effect (µt) diasumsikan berbeda, sehingga dengan menambahkan sejumlah zsit = 1 (s = t) peubah dummy akan diperoleh persamaan: yit = α1d1it + α 2 d 2it + ... + α N d Nit + g 2 z2it + .... + g 2 z2 it + X it′ β + uit
(3.12)
Penambahan sejumlah dummy variable ke dalam persamaan menyebabkan masalah pada penggunaan two way fixed effect yaitu berkurangnya derajat kebebasan, yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi.
38
3.2.3.2 Random Effect Model (REM) Bila αi diperlakukan sebagai parameter random, maka model disebut sebagai random effects model (REM). Dalam REM, perbedaan karakeristik individu diakomodasi oleh error dalam model. REM umumnya digunakan bila N relatif besar dan T relatif kecil. Secara umum model ini dapat diekspresikan sebagai: yit = α + X it' β + uit + τ i
(3.13)
dengan σ i = α + τ i dan memiliki rata-rata nol. Di sini, τi merepresentasikan gangguan individu (individual disturbance) yang tetap sepanjang waktu. Beberapa asumsi yang melekat dalam REM antara lain:
E (uit τ i ) = 0
(3.14)
E (uit2 τ i ) = σ u2
(3.15)
E (τ it xit ) = 0
(3.16)
E (τ it2 xit ) = σ τ2
(3.17)
E (uitτ j ) = 0; ∀i, t , j
(3.18)
E (uit u js ) = 0 ; i ≠ j atau t ≠ s
(3.19)
Untuk menduga REM umumnya digunakan metode generalized least square (GLS). Misalkan kombinasi error pada Persamaan (3.18) dituliskan menjadi wit = uit + τi, dengan E(wit) = 0
(3.20)
E ( wit2 ) = σ u2 + σ τ2 ; ∀i, t
(3.21)
E ( wit wis ) = σ τ2 ; ∀t ≠ s
(3.22)
E ( wit w js ) = 0 ; untuk i ≠ j atau t ≠ s
(3.23)
Apabila gangguan sejumlah T untuk individu i dikumpulkan dalam bentuk vektor wit = ( wi1 , wi 2 ,....., wiT ) ' maka dapat dituliskan bahwa
E ( wi wi' ) = Ω
dengan
(3.24)
39
σ u2 + σ τ2 σ τ2 σ τ2 2 σ u2 + σ τ2 σ τ2 στ σ τ2 σ τ2 σ u2 + σ τ2 Ω= . . . . . . 2 σ2 στ σ τ2 τ
... ... ... ... ... ...
σ τ2 σ τ2 σ τ2
. . σ u2 + σ τ2
(3.25)
Untuk keseluruhan observasi panel, matriks kovarian error w = ( w1 , w2 ,....., wT ) ' dapat diturunkan sebagai: Ω 0 0 ... 0 ... 0 0 Ω 0 0 Ω ... 0 V = = I it ⊗ Ω NTxNT . . . ... . . . . ... . 0 0 0 ... Ω
(3.26)
dengan IN menyatakan matriks identitas berdimensi N dan ⊗ merepresentasikan Kronecker product. Misalkan Y pada persamaan (3.13) direpresentasikan sebagai vektor stack dari yit yang dibentuk dengan pola yang sama dengan w (dengan struktur yang sama untuk X). Selanjutnya keseluruhan sistem yang dituliskan sebagai: Y = Xβ + w
(3.27)
dapat diestimasi dengan menggunaan metode GLS. Secara umum pendugaan GLS untuk persamaan regresi memerlukan transformasi untuk menghilangkan struktur yang tidak baku dari matriks kovarian E(ww') = V. Kemudian dengan mendefinisikan matriks penimbang P = V-1/2 dan mengalikannya ke kedua ruas pada Persamaan (3.33) diperoleh hasil transformasi sebagai berikut: PY = PXβ + Pw
(3.28)
Y* = X *β +w*
(3.29)
atau
sekarang E(w* w*’) = E(Pww’P) = PE(ww’)P = PVP = INT
(3.30)
40
Sehingga, penduga GLS pada persamaan regresi dapat dituliskan sebagai
βˆGLS = ( X 'V −1 X ) −1 X 'V −1Y
(3.31)
3.2.3.3 Hausman Test Dalam memilih apakah fixed atau random effects yang lebih baik, dilakukan pengujian terhadap asumsi ada tidaknya korelasi antara variabel bebas dan efek individu. Untuk menguji asumsi ini dapat digunakan Hausman Test. Dalam uji ini dirumuskan hipotesis sebagai berikut: H0 : E(τi / xit) = 0 atau REM adalah model yang tepat H1 : E(τi / xit) ≠ 0 atau FEM adalah model yang tepat Sebagai dasar penolakan H0 maka digunakan statistik Hausman dan membandingkannya dengan Chi-Square. Statistik Hausman dirumuskan dengan: H = (βREM – βfEM )’(MFEM –MREM)-1 (βREM – βfEM ) ~ χ2 (k) dimana: M : matriks kovarians untuk parameter β k
: degrees of freedom
Jika nilai H hasil pengujian lebih besar dari χ2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah model fixed effects, begitu juga sebaliknya.
3.2.3.4 Spesifikasi Model Variabel yang digunakan sebagai ukuran aglomerasi industri manufaktur yaitu indeks spesialisasi regional/ Location Quotient (LQ). Pemilihan indeks spesialisasi sebagai variabel tidak bebas didasarkan pada pertimbangan teori-teori ekonomi yang hendak diuji dan pertimbangan studi empiris sebelumnya (Kuncoro dan Wahyuni, (2009). Indeks spesialisasi regional merupakan ukuran untuk menentukan seberapa jauh suatu industri terkonsentrasi pada suatu daerah dibanding industri yang sama pada wilayah yang lebih besar. Model
yang
digunakan
untuk
menganalisis
faktor-faktor
yang
memengaruhi aglomerasi industri manufaktur didasarkan pada model yang digunakan Kuncoro dan Wahyuni (2009). Variabel bebas yang digunakan terdiri
41
atas karakteristik industri (spesifik-industri) dan karakteristik regional (spesifikregional) yang ditambahkan dengan variabel infrastruktur, hal tersebut sesuai dengan penelitian Diechman (2005). Dengan menggabungkan kedua model tersebut, maka model yang digunakan adalah sebagai berikut:
!"
#$ %& '()!" #* %&+',!" #- .,'!" #/ %& #0 12'!"
3$ %& 45+!" 3* %& 6,7!" 3- %& 8!" 3/ %& 9!" 30 ,45::5
;!"
(3.32)
Definisi operasional dari masing-masing variabel yaitu sebagai berikut: 1. Variabel ISit merupakan indeks spesialisasi industri manufaktur kabupaten i dan tahun t. Indeks spesialisasi menggambarkan adanya konsentrasi industri di kabupaten i dan tahun t. Indeks ini dihitung dengan menggunakan data tenaga kerja Industri Besar Sedang (IBS). Rumus yang digunakan sebagai berikut:
IS ir =
Eit Et Ei E
(3.33)
dimana: Eit adalah tenaga kerja IBS dalam suatu kabupaten i, Etr adalah total tenaga kerja pada kabupaten i, Ei adalah tenaga kerja IBS untuk seluruh kabupaten di Jawa Barat; E adalah total tenaga kerja di Jawa Barat 2. Variabel ISZit adalah ukuran perusahaan berdasarkan rata-rata jumlah pekerja produksi di kabupaten i dan tahun t. Variabel ini digunakan untuk mendekati skala ekonomi perusahaan di daerah tersebut. 3. Sedangkan RIDit atau indeks relative industrial diversity adalah ukuran yang digunakan untuk melihat keanekaragaman industri di kabupaten i dan tahun t. Rumus untuk penghitungan RID yaitu: <=>?
∑BFG@ABC ⁄@AC E ∑BFG@BC ⁄@C E
(3.34)
dimana L adalah tenaga kerja, i adalah kabupaten, j adalah industri dua digit, h adalah industri dua digit lainnya, dan t adalah waktu. 4. Variabel FDI adalah proporsi investasi oleh asing di kabupaten i tahun t.
42
5. IPSit adalah indeks persaingan industri yang digunakan untuk mendekati struktur pasar di kabupaten i dan tahun t, rumus yang digunakan yaitu: HI?
JK⁄LM?NM?AC JK⁄LM?NM?C
(3.35)
dimana firm menunjukan jumlah perusahaan dan output menunjukkan total produksi. 6. EXIit adalah orientasi ekspor dan impor yaitu penjumlahan dari persentase output yang diekspor dan input yang diimpor oleh industri di kabupaten i dan tahun t. 7. UMRit adalah upah minimum regional di kabupaten i dan tahun t. 8. GDPit adalah pendapatan daerah di kabupaten i dan tahun t. Pendapatan didekati dengan besarnya PDRB, sebagai proxy ukuran pasar di suatu daerah. 9. Jit merupakan infrastruktur jalan yaitu panjang jalan beraspal berkualitas baik yang meliputi jalan negara, propinsi maupun kabupaten di kabupaten i dan tahun t. 10. Lit merupakan ketersediaan energi listrik yang diwakili oleh konsumsi listrik industri besar sedang di kabupaten i dan tahun t. 11. DUMBBM merupakan dummy dari pelaksanaan kebijakan kenaikan harga BBM pada tahun 2005. Dengan nilai 0 untuk sebelum tahun 2005 dan 1 untuk sesudah tahun 2005
3.3
Definisi Peubah Operasional Batasan/definisi operasional variabel-variabel dan istilah-istilah yang
digunakan dalam penelitian ini adalah sebagai berikut : 1. Industri manufaktur. Industri manufaktur/pengolahan adalah suatu kegiatan ekonomi yang melakukan kegiatan mengubah suatu barang dasar secara mekanis, kimia, atau dengan tangan sehingga menjadi barang jadi/setengah jadi, dan atau barang yang kurang nilainya menjadi barang yang lebih tinggi nilainya, dan sifatnya lebih dekat kepada pemakai akhir. Termasuk di dalamnya adalah jasa industri dan pekerjaan perakitan (assembling).
43
2. Klasifikasi Industri Manufaktur/Pengolahan menurut BPS. Industri manufaktur/ dikelompokkan ke dalam 4 golongan berdasarkan banyaknya pekerja yaitu: a. Industri Besar adalah perusahaan yang mempunyai pekerja 100 orang atau lebih b. Industri Menengah adalah perusahaan yang mempunyai pekerja 20-99 orang c. Industri Kecil adalah perusahaan yang mempunyai pekerja 5-19 orang d. Industri Rumah Tangga adalah usaha kerajinan rumah tangga yang mempunyai pekerja antara 1-4 orang. 3. Klasifikasi Industri Manufaktur/Pengolahan berdasarkan ISIC 2 Digit: 15 Makanan dan minuman. 16 Pengolahan Tembakau. 17 Tekstil. 18 Pakaian jadi. 19 Kulit dan barang dari kulit dan alas kaki. 20 Kayu, barang dari kayu (tidak termasuk furnitur), dan barang nyaman. 21 Kertas dan barang dari kertas 22 Penerbitan, percetakan dan reproduksi media rekaman. 23 Batubara, pengilangan minyak murni pengolahan gas bumi. 24 Kimia dan barang-barang dari bahan kimia. 25 Karet dan barang-barang dari karet dan barang dari plastik. 26 Barang galian bukan logam. 27 Logam dasar. 28 Barang-barang dari logam kecuali mesin dan peralatannya. 29 Mesin dan perlengkapannya 30 Mesin dan peralatan kantor, akuntansi, dan pengolahan data. 31 Mesin lainnya dan perlengkapannya. 32 Radio, televisi, dan peralatan. komunikasi, serta perlengkapannya. 33 Peralatan kedokteran, alat-alat ukur, peralatan navigasi, peralatan optik. 34 Kendaraam bermotor.
.
44
35 Alat angkutan, selain kendaraan bermotor roda empat atau lebih. 36 Furnitur dan industri pengolahan lainnya. 37 Daur ulang.
4. Banyaknya Tenaga Kerja Industri Manufaktur. Pendekatan untuk mengukur banyaknya tenaga kerja industri manufaktur adalah rata-rata per hari jumlah semua pekerja/karyawan baik pekerja yang dibayar maupun pekerja tidak dibayar dikalikan jumlah hari kerja dalam satu tahun. Tidak termasuk di dalamnya orang yang dibayar hanya berdasarkan komisi, orang yang bekerja sendirian seperti konsultan dan kontraktor dan pegawai yang bekerja di sektor bukan industri pengolahan seperti pegawa unit perkebunan dan pegawai unit pertambangan.
3.4
Software Analisis yang Digunakan Dalam menyelesaikan penelitian ini, penulis menggunakan bantuan
beberapa software untuk melakukan analisis data. Software tersebut adalah sebagai berikut: 1. Microsoft Excel 2007 Ms Excel merupakan perangkat lunak berbasis spreadsheet buatan Microsoft Corp. Software ini digunakan dalam pembuatan tabel, grafik dan beberapa pengolahan data. 2. EViews 6.0 EViews adalah program komputer yang digunakan untuk mengolah data statistik dan data ekonometri. Program EViews dibuat oleh Quantitative Micro Software. Software ini digunakan untuk analisis data panel.
