ANALISIS FAKTOR-FAKTOR YANG MEMENGARUHI MIGRASI KE PROVINSI DKI JAKARTA SEBAGAI BAGIAN DARI INVESTASI SUMBER DAYA MANUSIA (SDM) HAIRUL H

i

ANALISIS FAKTOR-FAKTOR YANG MEMENGARUHI MIGRASI KE PROVINSI DKI JAKARTA SEBAGAI BAGIAN DARI INVESTASI SUMBER DAYA MANUSIA (SDM)

HAIRUL H14080035

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2012

ii

RINGKASAN

HAIRUL. Analisis Faktor-Faktor yang Memengaruhi Migrasi ke Provinsi DKI Jakarta sebagai Bagian dari Investasi Sumber Daya Manusia (SDM) (dibimbing oleh TANTI NOVIANTI). Pertumbuhan ekonomi di wilayah perkotaan dan pedesaan yang tidak seimbang menimbulkan berbagai dampak positif dan negatif yang seharusnya mendapat perhatian serius dari pemerintah dan berbagai pihak, terutama dikaitkan dengan isu kemiskinan dan pemerataan (Sunario, 1999). Pembangunan yang tidak seimbang dan disparitas antar daerah menyebabkan perpindahan penduduk yang dapat menimbulkan masalah baik di daerah yang ditinggalkan maupun daerah yang dituju. Daya tarik kota seperti, kesempatan memperoleh pendidikan, pekerjaan, wiraswasta dan penawaran jasa lainnya, sebagai bagian dari proses modernisasi, merupakan komponen yang dapat memotivasi sehingga memperbesar arus perpindahan itu baik untuk tujuan menetap, sementara, atau perpindahan sirkuler (Artika, 2003). Tujuan dari penelitian ini adalah untuk menganalisis faktor-faktor yang memengaruhi migrasi ke Provinsi DKI Jakarta sebagai bagian dari investasi sumber daya manusia. Data yang digunakan dalam penelitian ini adalah data sekunder yang didapatkan dari Badan Pusat Statistik serta Departemen Tenaga Kerja dan Transmigrasi. Jenis data yang digunakan berupa data time series (1990,1995,2000,dan 2005) dan cross section berupa dua puluh empat provinsi di Indonesia. Pada penelitian ini digunakan metode panel data dengan fixed effect. Hal ini karena dengan fixed effect dapat diperoleh hasil intercept yang berbedabeda antar unit cross section. Hasil estimasi faktor-faktor yang memengaruhi migrasi didapatkan hasil bahwa faktor yang signifikan memengaruhi migrasi ke DKI Jakarta adalah nilai Upah Minimum Regional (UMR), dan Produk Domestik Regional Bruto (PDRB), sedangkan untuk variabel jumlah penduduk tidak berpengaruh signifikan. Hasil lainnya adalah Migran melakukan migrasi dari daerah asal ke daerah tujuan karena melihat tingkat Produk Domestik Regional Bruto (PDRB) dan Upah Minimum Regional (UMR) Jakarta yang lebih besar dari daerah asal, pengorbanan pendapatan yang migran tinggalkan di daerah asal untuk mendapatkan pendapatan baru di Jakarta merupakan salah satu bentuk investasi sumber daya manusia dan migran tetap melakukan migrasi meski jumlah penduduk Provinsi DKI Jakarta mengalami peningkatan. Adapun saran dari penelitian ini adalah pemerintah perlu meningkatkan pembangunan yang lebih merata di berbagai daerah sehingga penyerapan tenaga kerja di tiap daerah menjadi seimbang. Untuk mengatasi kepadatan penduduk Provinsi DKI Jakarta, perlu adanya pembatasan jumlah penduduk di Jakarta dengan cara mengadakan

iii

kembali program transmigrasi yang terencana dan pemerintah harus menyediakan terlebih dahulu daerah transmigran di wilayah berkependudukan jarang, oleh penelitian selanjutnya, sebaiknya memasukkan variabel faktor demografi seperti jenis kelamin, tingkat pendidikan dan usia migran. Selain itu perlu analisis lebih jauh apakah migran yang masuk ke Jakarta lebih banyak bekerja di sektor formal atau informal. Kata kunci: Kepadatan Penduduk, Investasi Sumber Daya Manusia, Panel Data, Fixed Effect Model

iv

ANALISIS FAKTOR-FAKTOR YANG MEMENGARUHI MIGRASI KE PROVINSI DKI JAKARTA SEBAGAI BAGIAN DARI INVESTASI SUMBER DAYA MANUSIA (SDM)

OLEH HAIRUL H14080035

Skripsi Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2012

v

Judul Skripsi

:

Nama NIM

: :

Analisis Faktor-Faktor yang Memengaruhi Migrasi ke Provinsi DKI Jakarta Sebagai Bagian dari Investasi Sumber Daya Manusia (SDM) Hairul H14080035

Menyetujui, Dosen Pembimbing.

Tanti Novianti, M.Si NIP. 19721117 199802 2 005

Mengetahui, Ketua Departemen Ilmu Ekonomi.

Dr. Ir. Dedi Budiman Hakim, M.Ec. NIP. 19641022 198903 1 003

Tanggal Kelulusan:

vi

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI ADALAH BENAR-BENAR KARYA SAYA SENDIRI YANG BELUM PERNAH DIGUNAKAN

SEBAGAI

SKRIPSI

ATAU

KARYA

ILMIAH

PADA

PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

Bogor, April 2012

Hairul H14080035

vii

RIWAYAT HIDUP

Penulis bernama Hairul lahir pada tanggal 08 Februari 1991 di Tangerang Selatan tepatnya di Pondok Cabe Ilir. Penulis adalah anak keempat dari empat bersaudara, dari pasangan Bapak Ihwanuddin dan Ibu Tati. Pendidikan yang ditempuh penulis antara lain, Sekolah Dasar tahun 19962002 di SD Negeri 04 Pondok Cabe Ilir kota Tangerang Selatan. Sekolah Menengah Pertama pada tahun 2002-2005 di SMP Negeri 2 Tangerang Selatan. Sekolah Menengah Atas tahun 2005-2008 di SMA Negeri 4 Tangerang Selatan. Setelah lulus pada tahun 2008 penulis diterima di Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama menjadi mahasiswa penulis aktif di kegiatan kemahasiswaan, diantaranya sebagai pengurus Koperasi Mahasiswa (Kopma) IPB Divisi Usaha periode 2009-2010, 2010-2011 dan menjadi Ketua Pengawas Koperasi Mahasiswa (Kopma) IPB periode 2011-2012. Pada tahun 2010 penulis juga pernah menjadi Senior Resident (SR) Asrama TPB IPB.

viii

KATA PENGANTAR

Puji dan Syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan penyusunan skripsi ini. Judul skripsi ini adalah “Analisis Faktor-Faktor yang Memengaruhi Migrasi ke Provinsi DKI Jakarta sebagai Bagian dari Investasi Sumber Daya Manusia (SDM)”. Penelitian ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Penulis menyadari bahwa dalam menyelesaikan skripsi ini tidak lepas dari bantuan berbagai pihak. Pada kesempatan ini, penulis menyampaikan ucapan terima kasih kepada: 1.

Tanti Novianti, M.Si selaku dosen pembimbing skripsi yang telah memberikan bimbingan baik secara teknis, teoritis maupun moril dalam proses penyusunan skripsi ini sehingga dapat diselesaikan dengan baik.

2.

Prof. Dr. Rina Oktaviani sebagai dosen penguji utama dalam sidang skripsi yang telah memberikan kritik dan saran yang sangat berharga dalam penyempurnaan skripsi ini.

3.

Widyastutik, M.Si selaku komisi pendidikan yang memberikan banyak informasi mengenai tata cara penulisan skripsi yang baik.

4.

Kedua orang tua Bapak Ihwanuddin dan Ibu Tati, Abang dan Kakak (Suhardi, Wiwin, Arip Priyanto), Abang dan Kakak Ipar (Bahtiar, Holilah), serta Keponakan (Al Fiyyah Rifdah, Adam Bahtiar, M.Ladunni) atas segala kasih sayang, doa, motivasi, semangat dan inspirasi yang telah diberikan selama ini.

5.

Kak Mutiara Probokawuryan, SE yang telah memberikan banyak bantuan dan pengajaran mengenai Panel Data.

6.

Shafiyyatul Ghina beserta keluarga atas bantuan dan semangatnya selama penulis menjalani pendidikan.

7.

Desi Erilia Juanda, Lusiana Manik, dan Cahyana Depta sebagai teman bimbingan atas dukungan dan kerjasamanya selama ini.

ix

8.

Sylvani Nugraha, Winda Ristiani Noer, Ilman Dwi Santoso, Haris Fatori Aldila, dan Irwan Nursolih atas persahabatan, doa, dan semangat dari TPB hingga saat ini.

9.

Teman-teman Ilmu Ekonomi 45: Henny Priscilia, Fiona Rebecca Hutagaol, Shanty Nathalia Margaretha, Lusiana Manik, Illinia Ayudhia Riyadi, dan Ryan Ezkirianto atas persahabatan, doa, semangat, dan motivasi selama kuliah di Ilmu Ekonomi.

10.

Astria Hernisa, SP, Gilar Cahya Nirmaya, S.Si, M.Paturrohman, S.Si, Try Asrini, SE, Andri Susanti, S.Gz, Nova Prasetyanto, S.Pt dan Lia Ratih Kusuma Dewi atas dukungan, bimbingan, dan semangatnya selama ini.

11.

Suprianto, Fadia Bulky, Tina Evita Sari, Susi Hartika, Susanti, dan Desyana Nurcahyani atas persahabatan, doa, motivasi, dan semangat selama kurang lebih 9 tahun ini.

12.

Teman-teman DR A-14, Ade Fitrian, Yogi Candra Hidayat, Dwipanca Prabuwisudawan, Andri Lesmana, dan Rizky Radityo atas persahabatan dan semangat dan motivasi dalam penyusunan skripsi ini.

13.

Adik-adik angkatan 47 lorong 6 dan 7 Gedung C3, Asrama Putra TPB IPB atas doa dan motivasinya selama ini. Semoga skripsi ini bermanfaat bagi penulis dan pihak lain yang

membutuhkan.

Bogor, Maret 2012

Hairul H14080035

x

DAFTAR ISI DAFTAR ISI………………………………………………………………… x DAFTAR TABEL…………………………………………………………… xii DAFTAR GAMBAR………………………………………………………... xiii DAFTAR LAMPIRAN……………………………………………………... xiv I. PENDAHULUAN…………………………………………………….. 1 1.1. Latar Belakang…………………………………………………... 1 1.2. Perumusan Masalah …………………………………………….. 6 1.3. Tujuan Penelitian.……………………………………………….. 8 1.4. Manfaat Penelitian ……………………………………………… 9 II. TINJAUAN PUSTAKA………………………………………………. 10 2.1. Teori Migrasi……..……………………………………………… 10 2.2. Penyebab Migrasi…………………...…………………………… 12 2.3. Migrasi Sebagai Investasi Sumber Daya Manusia ……………… 18 2.4. Panel Data……………………………………………………….. 20 2.4.1. Pooled Least Square…………………………………….. 21 2.4.2. Efek Tetap (Fixed Effect)……………………………….. 21 2.4.3. Efek Acak (Random Effect) …………………………….. 22 2.5. Penelitian Terdahulu………………….…………………………. 23 2.6. Kerangka Pemikiran……………………………………………... 26 2.7. Hipotesis Penelitian…………….………………………………... 28 III. METODE PENELITIAN ……………………………………………. 30 3.1. Jenis dan Sumber Data…...……………………………………… 30 3.2. Teknik Pengolahan Data…..……………………………….……. 31 3.3. Perumusan Model.………………………………………………. 32 3.4. Definisi Operasional…………………………………………….. 33 3.5. Uji Hipotesis…………………………………………………….. 34 3.5.1. Uji-F…………………………………………………….. 35 3.5.2. Uji-t…………………………………………..…………. 35 3.5.3. Koefisien Determinasi…………………………………... 36 3.6. Uji Asumsi………………………………………………………. 36 3.6.1. Uji Heteroskedastisitas …………………………………. 37 3.6.2. Uji Multikolinearitas……………...…………………….. 38 3.6.3. Uji Autokorelasi…….…………………………………... 38 3.6.4. Uji Normalitas…………………………………………... 39

xi

IV. GAMBARAN UMUM PROVINSI DKI JAKARTA……………….. 4.1. Keadaan Geografis dan Kependudukan………………………..... 4.2. Kondisi Perekonomian…………………………………………... 4.3. Ketenagakerjaan………….……………………………………… 4.4. Kebijakan DKI Jakarta Terkait dengan Ketenagakerjaan………. V. HASIL DAN PEMBAHASAN……………………………………….. 5.1. Hasil Estimasi dan Evaluasi Model……...……………………… 5.2. Interpretasi Model……………………………………………….. VI. KESIMPULAN DAN SARAN……………………………………….. 6.1. Kesimpulan……………………………………………………… 6.2. Saran……………………………………………………………... DAFTAR PUSTAKA……………………………………………………….. LAMPIRAN………………………………………………………………….

41 41 42 45 50 54 54 59 63 63 63 65 67

xii

DAFTAR TABEL

Nomor 1.1.

Halaman

Migran Masuk dan Keluar DKI Jakarta Menurut Tempat Lahir (Lifetime Migrans), 1990, 2000, dan 2005 dalam jiwa………............

5

Distribusi Kepadatan Penduduk Menurut Provinsi, 2000, 2005 dan 2010 (per km2)…………………………………………………

6

3.1.

Selang Nilai Statistik Durbin-Watson serta Keputusannya…………..

39

4.1.

Luas Wilayah, Penduduk dan Kepadatan Penduduk Menurut Kabupaten/Kota administratif 2009………………………………….

42

Produk Domestik Regional Bruto (PDRB) Atas Dasar Harga Berlaku Provinsi DKI Jakarta Tahun 2000-2010…………………….

44

PDRB Menurut Lapangan Usaha Atas Dasar Harga Berlaku Provinsi DKI Jakarta Tahun 2009-2010………………………...........

45

Penduduk Usia 15 Tahun ke Atas Menurut Kegiatan Utama Provinsi DKI Jakarta Tahun 2010-2011………………………...........

47

Penduduk Usia 15 Tahun ke Atas yang Bekerja menurut Sektor Utama Provinsi DKI Jakarta Tahun 2010-2011……………...............

48

Penduduk Usia 15 Tahun ke Atas yang Bekerja Menurut Pendidikan Tertinggi yang Ditamatkan Provinsi DKI Jakarta Tahun 2010-2011…………………………………………………….

49

Penduduk usia 15 Tahun Ke Atas yang Bekerja Menurut Status Pekerjaan Utama Provinsi DKI Jakarta Tahun 2010-2011…………..

50

5.1.

Hasil Estimasi Model Migrasi dengan Model Fixed Effect………….

55

5.2.

Hasil Uji Normalitas Model Migrasi ke Jakarta………………...........

56

1.2.

4.2. 4.3. 4.4. 4.5. 4.6.

4.7.

xiii

DAFTAR GAMBAR

Nomor

Halaman

2.1.

Kerangka Pemikiran Penelitian………………………………………

28

3.1.

Statistik Durbin-Watson……………………………………………...

39

5.1.

Hasil uji normalitas pada Eviews 6…………………………………..

56

5.2.

Standardized Residual untuk melihat homoskedastisitas…………….

57

xiv

DAFTAR LAMPIRAN

Nomor 1. 2. 3.

Halaman

Data PDRB Atas Dasar Harga Berlaku Menurut Provinsi dalam Juta Rupiah………………………………………………………………..

68

Data Upah Minimum Regional (UMR) Tiap Provinsi dalam Rupiah…………………………………………………………

69

Data Jumlah Penduduk Menurut Provinsi……………………………

70

2

4.

Data Jumlah Kepadatan Penduduk Tiap Provinsi (km )…………….

71

5.

Data Jumlah Migrasi Penduduk Masuk Jakarta dalam Jiwa…………

72

6.

Presentase Rasio PDRB Atas Dasar Harga Berlaku tiap Provinsi terhadap Jakarta………………………………………………………

73

Presentase Rasio UMR tiap Provinsi terhadap Jakarta dalam Persen………………………………………………………………...

74

Presentase Rasio Jumlah Penduduk Tiap Provinsi Terhadap Jakarta………………………………………………………………...

75

Presentase Rasio Kepadatan Penduduk Tiap Provinsi Terhadap Jakarta (km2)…………………………………………………………

76

10.

Variabel-variabel dalam Model Migrasi……………………………..

77

11.

Hasil Estimasi Model Pooled………………………………………...

78

12.

Hasil Estimasi Model Fixed Effect…………………………………...

81

13.

Hasil Estimasi Model Random Effect………………………………...

82

14.

Hasil Estimasi Uji-CHOW…………………………………………...

83

15.

Hasil Estimasi Hausman-Test………………………………………..

84

16.

Hasil Uji Normalitas………………………………………………….

85

17.

Uji Homoskedastisitas………………………………………………..

86

18.

Tabel Individual Effect……………………………………………….

87

7. 8. 9.

1

I.

1.1.

PENDAHULUAN

Latar Belakang Pertumbuhan ekonomi di wilayah perkotaan dan pedesaan yang tidak

seimbang menimbulkan berbagai dampak positif dan negatif yang seharusnya mendapat perhatian serius dari pemerintah dan berbagai pihak, terutama dikaitkan dengan isu kemiskinan dan pemerataan. Salah satu isu yang sering disoroti adalah tingginya arus migrasi terutama desa ke kota yang semakin meningkat intensitasnya (Sunario, 1999). Dalam mencapai tujuan di bidang ekonomi secara efisien mengharuskan adanya alokasi sumberdaya secara optimal, baik sumberdaya modal (seperti gedung, uang, mesin), sumberdaya manusia dan sumberdaya alam. Migrasi adalah salah satu bentuk realokasi sumberdaya modal manusia. Seperti halnya sumberdaya modal, sumberdaya manusia cenderung memilih ke daerah yang memberikan imbalan relatif lebih tinggi. Penawaran akan suatu keahlian di suatu wilayah relatif tinggi terhadap permintaan yang ada, sehingga balas jasa untuk pemilik keahlian itu menjadi rendah. Dengan mutu yang sama, orang tersebut dapat memperoleh balas jasa yang lebih tinggi apabila ia pindah ke daerah lain yang permintaan akan jasanya relatif lebih tinggi dibandingkan dengan penawaran yang ada di daerah asalnya (Artika, 2003). Pembangunan yang tidak seimbang dan disparitas antar daerah menyebabkan perpindahan penduduk yang dapat menimbulkan masalah baik di daerah yang ditinggalkan maupun daerah yang dituju. Daya tarik kota seperti, kesempatan memperoleh pendidikan, pekerjaan, wiraswasta dan penawaran jasa

2

lainnya, sebagai bagian dari proses modernisasi, merupakan komponen yang dapat memotivasi sehingga memperbesar arus perpindahan itu baik untuk tujuan menetap, sementara, atau mungkin perpindahan sirkuler (Artika, 2003). Selain itu menurut Hauser et al (1985) arus penduduk dari desa ke kota sebagian besar akibat daya tarik upah yang lebih tinggi berkat daya produksi yang lebih tinggi di kota. Penggunaan teknologi pada abad XX untuk pembangunan ekonomi ternyata melahirkan tata industri yang bersifat padat modal bukan yang bersifat padat karya, sehingga kebijakan ini cenderung mendorong buruh petani ke perkotaan. Di bidang industri ternyata mengalami keterbatasan penyerapan tenaga kerja. Dengan demikian, mungkin saja arus penduduk dari desa ke kota tetap berjalan terus dan semakin cepat, sementara kesempatan kerja di kota tetap terbatas sehingga akan menimbulkan permasalahan. Menurut Todaro dan Smith (2004), kebijakan yang dijalankan pada dekade yang lalu, yang lebih mengutamakan modernisasi industri, kecanggihan teknologi, dan pertumbuhan metropolis, jelas telah menciptakan ketimpangan geografis dalam penyebaran kesempatan atau peluang-peluang ekonomi, sekaligus menjadi penyebab utama perpindahan secara besar-besaran penduduk desa ke kota yang terus menerus. Kebijakan pemerintah sering kali bias kota, yaitu dengan lebih mementingkan investasi industri dan mengabaikan sektor pertanian. Pemerintah mementingkan investasi industri untuk bidang sarana umum yang dibangun di kota dengan alasan kota adalah pusat kegiatan ekonomi (Manning dan Effendi, 1985). Sektor non pertanian di pedesaan hampir tidak berkembang, keadaan sebaliknya bisa terjadi di perkotaan, yaitu luasnya kesempatan untuk dapat

3

bekerja di sektor non pertanian. Hal ini membuat adanya keterkaitan masyarakat desa pergi ke kota untuk mendapatkan pekerjaan yang lebih baik dan penghasilan yang lebih tinggi yang tidak diperoleh selama mereka tinggal di desa (Suharso, 1994). Migrasi umumnya dilakukan untuk memperbaiki taraf hidup secara ekonomi. Salah satu daya tarik kota yaitu banyaknya peluang kerja di luar sektor pertanian. Adanya migrasi desa kota berakibat pada pergeseran mata pencaharian penduduk dari sektor pertanian ke sektor non pertanian di kota (Erwindo et al, 1992) Menurut Manning dan Effendi (1985), migrasi desa-kota merupakan suatu faktor utama yang mendorong pesatnya pertumbuhan kota di negara berkembang. Namun dalam hal ini migrasi yang terlalu cepat dan tidak teratur menyebabkan penduduk desa yang berbondong-bondong mencari pekerjaan di kota mengalami kekecewaan karena besarnya jumlah mereka yang mencari pekerjaan itu sendiri. Hal ini akan membuat persaingan di antara mereka ditambah dengan persaingan dari penduduk kota. Para migran yang berasal dari desa rata-rata umumnya memiliki tingkat pendidikan yang rendah dan keterampilan yang dimiliki juga terbatas. Tapi adanya persaingan di dunia kerja mengharuskan mereka untuk memiliki kemampuan yang lebih dari orang lain. DKI Jakarta merupakan kota yang menarik bagi para pengangguran di desa untuk mengadu nasib. Meskipun hidup mereka dalam keterbatasan namun mereka tetap yakin bahwa dirinya lebih baik berada di kota dari pada sebelumnya di desa. Meskipun pendapatan yang mereka dapatkan kecil tapi itu lebih baik dibandingkan dengan pendapatan mereka di desa. Selain itu, maraknya gengsi atau aktualisasi diri yang merasa hebat ketika mereka berada di kota

4

menyebabkan masyarakat desa cenderung pindah ke kota. Berbagai masalah mulai timbul akibat semakin tingginya tingkat kepadatan penduduk di Jakarta. Salah satu masalah fisik yang dihadapi adalah adanya rumah liar dan pemukimanpemukiman kumuh yang hadir di Jakarta. Bagi pelaku mobilitas penduduk, kota besar seperti Jakarta merupakan daerah tujuan utama bagi mereka. Pada tahun 1990 hingga 2000 migran masuk DKI Jakarta mengalami peningkatan sebesar 380.875 jiwa atau naik sebesar 12,13 persen. Namun pada tahun 2005 migran masuk DKI Jakarta turun sebesar 448.313 jiwa atau sekitar 14,5 persen. Selain karena turunnya angka fertilitas, migrasi keluar DKI Jakarta (utamanya ke kota-kota sekitarnya) diperkirakan menjadi faktor utama penurunan tingkat migrasi ini dan terlihat dalam jumlah migran keluar Jakarta meningkat sebesar 198.066 jiwa dari tahun 2000 ke 2005 atau sebesar 10,7 persen (BPS, 2010). Tabel 1.1. menjelaskan bahwa meski jumlah migran keluar DKI Jakarta tiap lima tahun meningkat namun jumlah migran masuk DKI Jakarta masih cukup tinggi yaitu sebesar 3.072.238 jiwa pada tahun 2005. Hal ini semakin menunjukkan bahwa tujuan utama bagi pelaku mobilitas penduduk adalah DKI Jakarta. Migran masuk seumur hidup ke DKI Jakarta pada tahun 2005 di dominasi oleh mereka yang berasal dari Jawa Tengah (41,47 persen), Jawa Barat (24,21 persen), dan Jawa Timur (9,83 persen). Selanjutnya, tiga provinsi di Pulau Sumatra, yaitu Sumatra Utara, Sumatra Barat dan Sumatra Selatan juga memberikan kontribusi yang besar pada migran masuk seumur hidup ke DKI Jakarta.

5

Tabel 1.1.

Tempat Lahir/ Tempat Tinggal sekarang Sumatra utara Sumatra Barat Riau Sumatra Selatan Lampung Prop. Lain di Sumatra Jawa Barat Jawa Tengah DIY Jawa Timur Bali Nusa Tenggara Kalimantan Sulawesi Maluku+ Irja Jumlah

Migran Masuk dan Keluar DKI Jakarta Menurut Tempat Lahir (Lifetime Migrans), 1990, 2000, dan 2005 dalam jiwa 1990 Migran Masuk

2000 Migran Keluar

Migran Masuk

2005 Migran Keluar

Migran Masuk

Migran Keluar

200.135

14.096

230.137

19.640

174.847

20.456

154.485

15.107

152.966

16.485

141.249

24.354

22.237 93.088

11.992 16.752

24.179 65.565

22.329 11.955

26.968 56.174

17.006 19.502

24.184 34.855

16.954 11.798

52.293 80.274

17.582 13.967

55.818 39.096

15.439 7.537

859.938 1.139.985

794.987 67.492

924.020 1.277.549

1.515.672 85.250

743.558 1.274.304

1.680.538 99.986

90.339 301.476

19.342 34.710

126.889 355.270

25.692 46.852

124.229 302.093

30.863 56.339

9.027 21.248

3.535 3.422

10.007 26.378

8.487 4.639

4.779 15.200

6.487 9.026

88.722 80.031 19.926

17.343 16.604 7.036

85.368 86.804 22.852

22.993 18.812 6.309

87.672 14.816 11.435

22.517 18.766 5.914

3.139.676

1.051.170

3.520.551

1.836.664

3.072.238

2.034.730

Sumber: BPS (1992, 2001, 2006) Selain jumlah migrasi masuk Jakarta yang masih relatif besar, kepadatan penduduk Provinsi DKI Jakarta juga semakin padat. Dari Tabel 1.2. dapat dilihat bahwa pada tiap lima tahun kepadatan penduduk DKI Jakarta semakin meningkat sehingga menjadikan Jakarta sebagai provinsi terpadat dibandingkan dengan provinsi lain yang ada di Indonesia.

6

Tabel 1.2.

Distribusi Kepadatan Penduduk Menurut Provinsi, 2000, 2005 dan 2010 (per km2)

Provinsi Aceh Sumatra utara Sumatra Barat Riau Sumatra Selatan Lampung DKI Jakarta Jawa Barat Jawa Tengah DIY Jawa Timur Bali Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Gorontalo Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Maluku Papua Sumber: BPS, 2010

1.2.

Kepadatan Penduduk (per km2) 2000 2005 2010 68 78 77 160 169 178 101 106 115 45 52 64 68 73 81 194 201 219 12.592 13.344 14.440 1.010 1.126 1.216 952 982 987 996 1.049 1.102 727 757 784 545 601 673 199 208 242 81 90 96 27 28 30 12 12 14 69 75 94 11 12 17 131 139 164 68 75 92 35 36 43 153 85 172 48 51 59 25 27 33 5 7 9

Perumusan Masalah Salah satu masalah di bidang kependudukan di Indonesia adalah

penyebaran penduduk dan tenaga kerja yang tidak merata. Disatu pihak Pulau Jawa memiliki kepadatan penduduk yang sangat tinggi, sementara itu beberapa daerah lain seperti Pulau Sulawesi, Pulau Kalimantan dan Pulau Irian Jaya memiliki kepadatan penduduk yang jarang. Tidak meratanya penyebaran

7

penduduk dan tenaga kerja antar daerah di Indonesia ini akan memengaruhi laju pembangunan di masing-masing daerah. Di sisi lain, keterlambatan dan ketidakmerataan pembangunan ekonomi di daerah luar Jakarta mengakibatkan masyarakat daerah bermigrasi ke Jakarta untuk mencari pendapatan yang lebih tinggi. Akibatnya terjadi kepadatan penduduk dan pengangguran yang tinggi di Jakarta. Dampak kepadatan dan pengangguran ini menimbulkan berbagai masalah, baik masalah sosial maupun masalah ekonomi, diantaranya kriminalitas meningkat, pemukiman kumuh timbul dimana-mana, kemacetan tinggi, menurunnya tingkat pelayanan dan prasarana perkotaan, yang pada akhirnya mengurangi tingkat kesejahteraan penduduk Jakarta. Besarnya jumlah penduduk yang melakukan migrasi ke Jakarta tidak terlepas dari kelemahan pembangunan di daerah luar Jakarta. Hal ini terlihat dari rendahnya tingkat upah di daerah dibandingkan dengan tingkat upah di Jakarta. Pertumbuhan jumlah migrasi ke Jakarta setiap tahun yang relatif besar di dorong oleh keinginan untuk memperbaiki kesejahteraan hidup di Jakarta sementara jumlah lapangan kerja tak mampu lagi menyerap lapangan kerja. Setiap tahun DKI kedatangan sekitar 200.000-250.000 penduduk baru yang masuk bersama pemudik pasca lebaran yang sangat besar (Dinas Kependudukan, 2005). Sedangkan pelayanan yang diberikan oleh pemerintah tidak bertambah, bahkan sebaliknya, terutama ketersediaan lapangan pekerjaan. Jumlah migrasi masuk ke DKI Jakarta relatif paling tinggi dibandingkan dengan wilayah provinsi lainnya. Jumlah penduduk DKI Jakarta murni pada tahun 2005 sebesar 8.860.000 jiwa, namun jika ditambah dengan para tenaga kerja dari sekitar Jakarta bisa mencapai 12 juta orang. Jumlah migran yang masuk tahun 2005

8

sebesar 3.072.238 jiwa. Padahal pertumbuhan penduduknya yang murni sangat rendah yaitu 0,17 persen per tahun, dilihat dari kepadatan penduduk Jakarta menempati posisi tertinggi yaitu 13.344 orang per kilometer persegi pada tahun 2005 (BPS, 2010) Pada tahun 2010 jumlah penduduk DKI Jakarta murni sebesar 9.588.200 jiwa, meningkat dari tahun 2005 yang mencapai 728.200 jiwa. Adapun mengenai laju pertumbuhan penduduk masih relatif rendah yaitu sebesar 1,39 persen per tahun. Dilihat dari kepadatan penduduk Jakarta pada tahun 2010, sebesar 14.440 orang per kilometer persegi yang tetap menempati posisi tertinggi dalam tingkat kepadatan penduduk (BPS, 2010). Di sisi tingkat UMR daerah DKI Jakarta memiliki peringkat paling tinggi dibandingkan provinsi lainnya di Indonesia yaitu sebesar Rp 1.118.009. Sedangkan jumlah seluruh Pendapatan Regional Domestik Bruto sebesar 862.158.910 rupiah pada tahun 2010 (BPS, 2010). Berdasarkan uraian di atas, maka ada permasalahan yang menarik untuk dikaji lebih lanjut, yaitu faktor-faktor ekonomi dan non ekonomi apakah yang mendorong penduduk untuk melakukan migrasi ke DKI Jakarta.

1.3.

Tujuan Penelitian Berdasarkan latar belakang dan perumusan masalah yang telah dibahas,

tujuan yang ingin dicapai dalam penelitian ini yaitu menganalisis faktor-faktor yang memengaruhi migrasi ke DKI Jakarta sebagai bagian dari investasi sumber daya manusia.

9

1.4.

Manfaat Penelitian Hasil penelitian ini diharapkan dapat berguna baik bagi penulis maupun

pihak-pihak lain yang berkepentingan. Manfaat yang diharapkan tersebut antara lain adalah: 1.

Bagi pemerintah atau instansi pengambil keputusan terkait diharapkan dapat memberikan masukan dan bahan pertimbangan baik dalam perencanaan maupun dalam pengambilan keputusan terkait dengan efisiensi penyebaran penduduk dan tenaga kerja ke DKI Jakarta.

2.

Bagi pembaca diharapkan dapat menjadi sumber informasi dan masukan dalam penelitian-penelitian selanjutnya.

3.

Bagi penulis diharapkan dapat menjadi tempat untuk mengaplikasikan ilmu pengetahuan sekaligus menambah pengalaman selama menuntut ilmu di Institut Pertanian Bogor.

10

II.

TINJAUAN PUSTAKA

Dalam bab ini akan dijelaskan beberapa pustaka yang dijadikan dasar teori dalam penelitian ini. Adapun pustaka tersebut adalah teori migrasi, penyebab migrasi, migrasi sebagai investasi sumber daya manusia, panel data, beberapa penelitian terdahulu yang menjadi referensi dalam penyusunan penelitian. Bagian terakhir dalam bab ini akan dijelaskan kerangka pemikiran yang mendasari penelitian. 2.1.

Teori Migrasi Migrasi adalah suatu gerak penduduk secara geografis, spasial atau

teritorial antara unit-unit geografis yang melibatkan perubahan tempat tinggal yaitu dari tempat asal ke tujuan (Rusli, 1994). Sedangkan menurut Lee (1966) mengatakan bahwa yang disebut migrasi haruslah melibatkan faktor terjadinya perubahan tempat tinggal yang permanen dengan tidak usah memperhatikan jarak yang ditempuh dalam proses perpindahan tersebut. Dalam menelaah migrasi ada dua dimensi penting yang perlu ditinjau, yaitu dimensi waktu dan dimensi daerah. Ukuran yang pasti untuk dimensi waktu tidak ada, karena sulit menetapkan berapa lama seorang pindah tempat tinggal agar dapat dianggap sebagai seorang migran, tetapi biasanya digunakan definisi yang digunakan dalam sensus penduduk (Munir, 1981). Mantra (1994) mengatakan bahwa seseorang dikatakan melakukan migrasi jika melakukan pindah tempat tinggal secara permanen atau relatif permanen (untuk jangka waktu relatif tertentu) dengan menempuh jarak minimal tertentu, atau pindah dari suatu unit geografis ke unit geografis lainnya. Mobilitas

11

penduduk horizontal atau geografis meliputi semua gerakan penduduk yang melintas batas wilayah tertentu dalam periode waktu tertentu. Secara umum ada dua jenis migrasi yaitu migrasi internal dan migrasi internasional. Migrasi internal hanya terjadi diantara unit-unit geografis dalam suatu negara misalnya antar provinsi, kota atau kesatuan administrasi lainnya. Sedangkan migrasi internasional yaitu perpindahan penduduk dari suatu negara ke negara lain (Rusli, 1994). Menurut Munir (1981) ada beberapa jenis migrasi yang perlu diketahui yaitu: 1.

Migrasi masuk yaitu masuknya penduduk kesuatu daerah tempat tujuan.

2.

Migrasi keluar yaitu perpindahan penduduk keluar dari suatu daerah asal.

3.

Migrasi netto adalah selisih antara jumlah migrasi masuk dan migrasi keluar. Apabila migrasi yang masuk lebih besar daripada migrasi keluar maka disebut migrasi netto positif, sedangkan jika migrasi keluar lebih besar daripada migrasi masuk disebut migrasi netto negatif.

4.

Migrasi total.

5.

Migrasi semasa hidup.

6.

Migrasi parsial.

7.

Arus migrasi. Definisi migran menurut PBB dalam Artika (2003) adalah seseorang yang

berpindah tempat kediaman dari suatu unit administratif atau politis ke unit daerah administratif atau daerah politis yang lain. Banyak ahli dan penelitian mengatakan bahwa migran bersifat selektif. Terdapat ciri khusus yang membedakan migran dan non migran, terutama dalam hal umur, jenis kelamin, pendidikan, status

12

perkawinan dan jenis pekerjaan. Dengan adanya sifat selektif dalam proses migrasi maka timbullah ciri-ciri atau sifat-sifat karakteristik dari mereka yang turut serta dalam proses migrasi tersebut. Alatas dan Edy (1992) secara umum menyebutkan beberapa jenis migran, yaitu migran semasa hidup, migran kembali, migran total dan migran risen. Migran semasa hidup (life time migran) adalah orang-orang yang pada saat pencacahan tidak bertempat tinggal di tempat kelahirannya, sedangkan migran kembali adalah orang yang kembali ke tempat kelahirannya setelah sebelumnya pernah berpindah ke tempat lain. Migran total adalah orang yang pernah bertempat tinggal di tempat lain (selain tempat kelahirannya), jadi dalam migrasi total mencakup pengertian migran semasa hidup dan migran kembali, secara spesifik jumlah migran total dikurangi migran kembali merupakan migran semasa hidup. Migran risen adalah orang-orang yang akhir-akhir ini melakukan perpindahan. Dilihat dalam satu tahun atau lima tahun terakhir, maka migran risen adalah mereka yang pada saat pencacahan tinggal ditempat yang berbeda dengan tempat tinggal lima tahun sebelumnya.

2.2.

Penyebab Migrasi Migrasi dilakukan seseorang karena adanya tekanan lingkungan alam,

ekonomi, sosial dan budaya. Menghadapi tekanan lingkungan ini ada tiga kemungkinan yang dilakukan masyarakat. Pertama, mereka yang bertahan di tempat, karena menganggap tempat yang sekarang adalah tempat terbaik dan dianggap paling banyak memberikan kemungkinan bagi terpenuhinya kebutuhan

13

hidup tentu saja tidak dilupakan kemungkinan usaha perbaikan lingkungan hidupnya dan pembaharuan. Kedua, mereka pindah tempat atau migrasi. Ketiga, mereka melakukan peralihan antara keduanya, yaitu tetap tinggal di tempat lama tetapi mencari pekerjaan baru secara berkala dan terus menerus atau commutery (Hugo, 1981). Menurut Hardjosudarmo (1965) terjadinya migrasi disebabkan oleh tiga faktor yaitu: 1.

Faktor pendorong (push factor) yang ada pada daerah asal, yakni adanya pertambahan penduduk yang mengakibatkan timbulnya tekanan penduduk, adanya

kekeringan

sumber

alam,

adanya

fluktuasi

iklim,

dan

ketidaksesuaian diri dengan lingkungan. 2.

Faktor penarik (pull factor) yang ada pada daerah tujuan, yakni adanya sumber alam serta sumber mata pencaharian baru, adanya pendapatanpendapatan baru, dan iklim yang sangat baik.

3.

Faktor lainnya (other factor), yakni adanya perubahan-perubahan teknologi,

seperti

munculnya

mekanisasi

pertanian

yang

bias

menyebabkan berkurangnya permintaan tenaga kerja untuk pertanian. Hal ini memaksa buruh tani untuk pindah ke tempat atau pekerjaan lain. Selain itu juga karena adanya perubahan pasar, faktor agama, politik dan faktor pribadi. Sedangkan menurut Sumaryanto dan Halim (1989) dalam Refiani (2006), arus dan volume migrasi dipengaruhi oleh faktor-faktor yang bersifat daya tarik (pull) atau daya dorong (push). Daya tarik dapat berupa produktivitas kerja yang lebih tinggi di daerah tujuan atau fasilitas lain yang memungkinkan individu itu

14

memperoleh kehidupan yang lebih baik. Sedangkan daya dorong pada umumnya berupa suatu set peubah yang menyebabkan individu itu merasa sulit memperbaiki taraf hidupnya di tempat asal. Sebagai contoh, pemilikan aset yang rendah, kesempatan kerja yang sempit, produktivitas kerja di tempat asal yang rendah, dan lain-lain. Perbedaan tingkat gerak penduduk di desa-desa berkaitan dengan ketimpangan sosial dan regional. Rhoda (1980) dalam Anitawati dan Chairil (1986) menyatakan bahwa faktor-faktor pendorong dan penarik mempunyai hubungan yang sangat erat, dimana orang yang terdorong untuk bermigrasi juga tertarik oleh harapan untuk menemukan sesuatu yang lebih baik di tempat tujuan. Perolehan lowongan pekerjaan bagi migran di daerah tujuan dapat dipengaruhi oleh beberapa faktor antara

lain

faktor

individu

seperti

tenaga

kerja,

pendidikan,

keterampilan/keahlian non pertanian dan umur, serta faktor informasi. Informasi pekerjaan dapat bersumber antara lain dari teman dan saudara. Munir

(1981)

mengelompokkan

faktor-faktor

yang

menyebabkan

seseorang melakukan migrasi ke dalam dua kelompok, yaitu faktor pendorong dan faktor penarik. Faktor pendorong misalnya: 1.

Makin berkurangnya sumber-sumber alam, menurunnya permintaan atas barang-barang tertentu yang bahan bakunya masih sulit diperoleh seperti hasil tambang, kayu dan bahan dari hasil pertanian.

2.

Menyempitnya lapangan kerja di daerah asal (misalnya pedesaan) akibat masuknya teknologi yang menggunakan mesin-mesin (capital intensive).

3.

Adanya tekanan-tekanan atau diskriminasi politik, agama, dan suku di daerah asal

15

4.

Tidak cocok lagi dengan adat, budaya dan kepercayaan di tempat asal.

5.

Alasan pekerjaan atau perkawinan yang menyebabkan tidak bisa mengembangkan karir pribadi.

6.

Bencana alam baik banjir, kebakaran, gempa bumi, musim kemarau panjang atau adanya wabah penyakit.

Sementara faktor-faktor penarik antara lain: 1.

Adanya rasa superior di tempat yang baru atau kesempatan untuk memasuki lapangan kerja.

2.

Kesempatan mendapatkan pekerjaan yang lebih baik.

3.

Kesempatan mendapatkan pendapatan yang lebih tinggi.

4.

Keadaan lingkungan dan keadaan hidup yang menyenangkan, misalnya iklim, perumahan, sekolah dan fasilitas-fasilitas kemasyarakatan lainnya.

5.

Tarikan dari orang yang diharapkan sebagai tempat berlindung.

6.

Adanya aktivitas-aktivitas di kota besar, tempat-tempat hiburan, pusat kebudayaan sebagai daya tarik orang-orang dari desa atau kota kecil. Mantra (1994) berpendapat bahwa motivasi seseorang untuk pindah adalah

motif ekonomi. Motif tersebut berkembang karena adanya ketimpangan ekonomi antar daerah. Todaro dan Smith (2004) menyebut motif utama tersebut sebagai pertimbangan ekonomi yang rasional. Faktor yang memengaruhi untuk melakukan migrasi ke perkotaan karena adanya dua harapan, yaitu harapan untuk memperoleh pekerjaan dan memperoleh pendapatan yang lebih tinggi daripada yang diperoleh di pedesaan.

16

Menurut Todaro (2004) karakteristik yang penting dari para migran pada dasarnya dibagi dalam tiga kategori umum, yaitu demografis, pendidikan dan ekonomi. 1.

Karakteristik demografis. Para migran di kota negara-negara berkembang umumnya terdiri dari pemuda yang berumur antara 15 sampai 24 tahun.

2.

Karakteristik pendidikan. Tampaknya

ada asosiasi yang jelas antara

tingkat pendidikan dengan kecenderungan untuk bermigrasi, yaitu mereka yang berpendidikan lebih tinggi, lebih banyak melakukan migrasi daripada yang berpendidikan rendah. 3.

Karakteristik ekonomi. Presentase yang paling besar dari para migran adalah mereka yang miskin, tidak punya sawah atau tanah, orang yang tidak punya keterampilan dan sudah tidak ada kesempatan lagi untuk bekerja di tempat asal. Greenwood (1975) mengemukakan beberapa variabel/faktor yang

menentukan seseorang untuk bermigrasi, yaitu: 1.

Jarak dan biaya langsung perpindahan. Migrasi akan menurun dengan semakin jauhnya jarak, karena jarak dapat berfungsi sebagai pencerminan dari biaya transportasi dan biaya perjalanan.

2.

Pendapatan. Migran potensial akan memilih lokasi dimana nilai nyata dari manfaat bersih yang diharapkan adalah terbesar, artinya seseorang akan melakukan migrasi bila pendapatan bersih di daerah tujuan lebih besar daripada di daerah asal.

3.

Informasi. Informasi yang tersedia mengenai daerah alternatif memainkan peranan penting dalam pengambilan keputusan dari kaum migran untuk

17

menentukan daerah tujuan. Umumnya orang akan cenderung menuju tempat dimana ia telah mengetahui informasi mengenai daerah tersebut dari pada daerah yang mereka tidak ketahui atau hanya sedikit informasi yang tersedia. 4.

Karakteristik migran dan keputusan bermigrasi. Karakteristik yang menentukan dalam keputusan melakukan migrasi adalah umur dan tingkat pendidikan. Peluang melakukan migrasi pada angkatan kerja menurun seiring dengan meningkatnya umur. Semakin tinggi pendidikan akan memperbesar peluang seseorang untuk melakukan migrasi, sebab dengan semakin tinggi pendidikan, maka informasi yang berkaitan dengan ketenagakerjaan dan peluang untuk mendapatkan pekerjaan juga besar. Migrasi

dari

pedesaan

ke

perkotaan

mencerminkan

adanya

ketidakseimbangan antara pedesaan dan perkotaan. Kebutuhan hidup yang terus meningkat menuntut setiap orang terutama para kepala keluarga untuk mencari penghasilan yang lebih besar. Jika di daerah tempat tinggal dianggap tidak dapat menyediakan lapangan pekerjaan yang mempunyai penghasilan yang layak maka mereka akan lebih memilih untuk bermigrasi. Pilihan ini merupakan pilihan terbaik mereka, meskipun belum pasti apakah mereka akan mendapatkan pekerjaan atau tidak di tempat tujuan. Mantra (1994) mengemukakan beberapa faktor yang memengaruhi arah dan arus migrasi penduduk di Indonesia, diantaranya adalah: 1.

Pasang surutnya pembangunan di provinsi tujuan.

2.

Tersedianya pasaran kerja.

3.

Letaknya yang berdekatan.

18

4.

Merupakan daerah penerimaan transmigrasi. Wilayah perkotaan dengan proses pertumbuhan ekonomi yang cukup

tinggi dan fasilitas yang lengkap mendorong setiap orang terutama pengangguran untuk mengadu nasib. Arus masuk migrasi akan semakin banyak dalam waktu yang relatif cepat. Migrasi masuk ke kota (termasuk kota Jakarta) sangat erat kaitannya dengan kebijakan pembangunan yang bersifat bias kota (urban bias). Pembangunan di DKI Jakarta yang memiliki peran dan fungsi sebagai pusat kegiatan ekonomi, telah menarik penduduk desa untuk datang ke kota ini dalam upaya mendapatkan kesempatan kerja atau usaha, lebih-lebih ketika lapangan pekerjaan di desa sangat terbatas. Fenomena ini sejalan dengan teori Todaro (2004) yang menjelaskan terjadinya perpindahan penduduk disebabkan oleh tingginya upah atau pendapatan yang dapat diperoleh di daerah tujuan. Kesenjangan upah atau pendapatan yang besar antara desa dan kota mendorong penduduk desa untuk datang ke kota.

2.3.

Migrasi Sebagai Investasi Sumber Daya Manusia Investasi dapat dilakukan bukan saja dalam bentuk fisik yang sudah biasa

dikenal, akan tetapi yang dinilai pada saat ini adalah investasi di bidang sumberdaya manusia. Investasi di bidang sumberdaya manusia dinamakan human capital, salah satunya dapat dilakukan dalam bentuk migrasi atau perpindahan penduduk (Simanjuntak, 1985). Menurut Simanjuntak (1985) seseorang mau atau berusaha pindah kerja dari satu tempat ke tempat lain untuk memperoleh penghasilan yang lebih besar. Seseorang berpindah tempat berarti dia mengorbankan pendapatan yang

19

seharusnya dapat diterima di tempat asal. Misalkan setiap tahun seseorang seharusnya menerima upah di tempat asal dan akan menerima upah di tempat tujuan. Besarnya arus pendapatan yang seharusnya diterima selama hidupnya di tempat asal merupakan penghasilan yang dikorbankan untuk memperoleh arus pendapatan yang jumlahnya lebih besar di tempat tujuan. Dalam hal ini besarnya arus pendapatan yang diterima selama hidupnya di tempat asal merupakan biaya tidak langsung atau opportunity cost untuk memperoleh pendapatan yang jumlahnya lebih besar di tempat tujuan. Kecuali biaya tidak langsung untuk perpindahan seperti itu, orang mengeluarkan juga biaya yang langsung dalam bentuk ongkos pengangkutan, biaya memindahkan barang-barang rumah tangga, tambahan biaya perumahan dan lain-lain. Baik biaya langsung maupun biaya tidak langsung tersebut dipandang sebagai investasi yang melekat pada diri migran. Imbalannya adalah arus pendapatan di tempat tujuan. Todaro dan Smith (2004) mengemukakan bahwa teori modal manusia (human capital) ini terkait dengan pendidikan, kesehatan dan kapasitas manusia lainnya yang dapat meningkatkan produktivitas (keahlian, pengetahuan dan pengalaman) jika terjadi peningkatan pada hal-hal tersebut. Pada teori ini menyatakan bahwa setelah investasi awal dilakukan, maka akan dihasilkan tingkat pengembalian (aliran penghasilan) pada masa yang akan datang. Tingkat pengembalian (rate of return) dapat diperoleh dan dibandingkan dengan pengembalian dari investasi lain, yaitu dengan cara memperkirakan nilai diskonto sekarang dari aliran pendapatan yang meningkat yang mungkin dihasilkan dari investasi-investasi tersebut dan membandingkannya dengan biaya langsung dan biaya tidak langsung.

20

2.4.

Panel Data Panel data adalah bentuk data yang merupakan gabungan dari data time

series dan cross section. Dalam teori ekonometrika, bentuk panel data dapat mengatasi masalah pengestimasian yang kurang baik akibat sedikitnya jumlah observasi jika hanya dengan menggunakan data time series atau cross section saja. Adapun beberapa keuntungan dalam menggunakan panel data (Baltagi, 2005) adalah: a.

Panel data mampu mengontrol heterogenitas individu.

b.

Panel data memberikan informasi data yang lebih banyak, lebih bervariasi, mengurangi kolinearitas antar variabel, meningkatkan degree of freedom, dan lebih efisien.

c.

Jika menggunakan data cross section, walaupun terlihat stabil namun sebenarnya dalam data tersebut tersimpan banyak perubahan, seperti data pengangguran,

perpindahan

pekerjaan,

atau

perubahan

kebijakan

pemerintah. Dengan menggunakan panel data maka penyesuaianpenyesuaian yang dinamis tersebut dapat dengan lebih mudah dipelajari. d.

Mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diperoleh dari data cross section murni atau data time series murni.

e.

Dapat menguji dan membangun model perilaku yang lebih kompleks. Dalam pengolahan data panel dikenal tiga macam metode, yaitu metode

pooled least square, metode efek tetap (fixed effect), dan metode efek acak (random effect). Ketiga metode ini dapat diterapkan dengan pembobotan (cross section weights) atau tanpa pembobotan (no weighting).

21

2.4.1. Pooled Least Square Dalam metode ini data panel yang mengkombinasikan semua data cross section dan time series akan digabungkan menjadi pooled data. Dengan menggunakan metode ini tentunya akan menghasilkan pendugaan regresi yang lebih akurat jika dibandingkan dengan regresi biasa, karena dalam panel berarti menggabungkan data cross section dan time series bersama-sama sehingga memiiki jumlah observasi data yang lebih banyak. Kelemahan dalam metode ini adalah tidak terlihatnya perbedaan baik antar individu karena data yang digabungkan secara keseluruhan. Metode ini diduga dengan menggunakan Ordinary Least Square, yaitu : Yit = α + β Xit + εit ………………………………………………………………………………………… (2.1) dimana: Yit

= variabel terikat di waktu t untuk unit cross section i

α

= intersep yang konstan antar individu cross section i

Xit

= variabel bebas di waktu t untuk unit cross section i

β

= parameter untuk variabel bebas

εit

= komponen error gabungan di waktu t untuk unit cross section i

2.4.2. Efek Tetap (Fixed Effect) Metode pooled least square memiliki kekurangan, yaitu tidak terlihatnya perbedaan baik antar individu, sehingga asumsi intersep dan slope dari persamaan regresi yang dianggap konstan. Sedangkan untuk generalisasi secara umum, dapat dilakukan dengan memasukkan variabel dummy untuk menghasilkan nilai parameter yang berbeda-beda pada setiap unit cross section. Metode dengan

22

memasukkan variabel dummy disebut dengan metode Fixed Effect atau Least Square Dummy Variable. Metode fixed effect akan menghasilkan intersep yang berbeda-beda antar unit cross section. Kelemahan pada metode ini adalah semakin berkurangnya degree of freedom akibat adanya penambahan variabel dummy pada persamaan, dan tentunya akan memengaruhi keefisienan parameter yang diduga. Pendugaan metode ini dinyatakan dalam persamaan (2.2). Yit = αi + βj xjit + εit …………………………………………………..(2.2) dimana: Yit

= variabel terikat di waktu t untuk unit cross section i

αi

= intersep yang akan berbeda antar individu cross section i

xjit

= variabel bebas j di waktu t untuk unit cross section i

βj

= parameter untuk variabel ke j

εit

= komponen error di waktu t untuk unit cross section i

2.4.3. Efek Acak (Random Effect) Pada metode efek acak (random effect) karakteristik antar individu terlihat pada komponen error yang ada pada model. Hal ini tidak akan mengurangi derajat bebas (degree of freedom) akibat penambahan variabel, sehingga efisiensi dalam pendugaan parameter juga tidak berkurang. Bentuk model efek acak ini adalah: Yit

= αi + β Xit + εit ………………………………………………..(2.3)

εit

= uit + vit + wit ………………………………………………...(2.4)

23

dimana: uit ~ N(0,δu2) = komponen cross section error, vit ~ N(0,δv2) = komponen time series error, wit ~ N(0,δw2) = komponen combination error, kita juga mengasumsikan bahwa error secara individual juga tidak saling berkorelasi begitu juga dengan error kombinasinya.

2.5.

Penelitian Terdahulu Berbagai studi tentang migrasi menunjukkan bahwa banyak faktor yang

dapat memengaruhi terjadinya migrasi, baik itu yang bersifat motivasi ekonomi maupun non ekonomi. Analisis serta kajian terhadap fenomena migrasi telah dilakukan baik di dalam negeri maupun di luar negeri. Berikut ini akan dipaparkan beberapa penelitian terdahulu dengan berbagai pendekatan yang secara khusus menganalisis terjadinya migrasi. Hasil penelitian Levy dan Walter (1974) di Venezuela menunjukkan bahwa: 1.

Jarak mempunyai pengaruh yang nyata terhadap migrasi, baik migran yang tidak berpendidikan maupun migran yang berpendidikan dasar dan lanjutan, dimana semakin jauh jarak yang ditempuh migran akan mengurangi jumlah migrasi ke Venezuela. Pengaruh jarak ini semakin kecil dengan semakin tinggi pendidikan migran.

2.

Jumlah migrasi akan menurun dengan meningkatnya upah di daerah asal dan jumlah migran akan meningkat dengan meningkatnya upah di daerah tujuan (Venezuela). Berdasarkan tingkat pendidikan terlihat bahwa migran

24

yang berpendidikan lebih respon terhadap perubahan upah baik di daerah asal maupun di daerah tujuan dari pada migran yang tidak berpendidikan. 3.

Tingkat pengangguran di daerah asal mempunyai hubungan positif dengan jumlah migrasi, sedangkan tingkat pengangguran di daerah tujuan (Venezuela) mempunyai hubungan yang negatif dengan jumlah migrasi.

4.

Jumlah penduduk total baik untuk daerah asal maupun daerah tujuan mempunyai hubungan yang positif dengan jumlah migrasi di Venezuela. Berdasarkan tingkat pendidikan terlihat bahwa jumlah penduduk total di daerah asal pengaruhnya semakin kecil dengan semakin tinggi pendidikan dan untuk jumlah penduduk total di daerah tujuan pengaruhnya semakin besar dengan semakin tinggi pendidikan migran.

5.

Presentase jumlah penduduk yang tinggal di kota (urban) untuk daerah asal mempunyai hubungan negatif dengan jumlah migrasi dan untuk daerah tujuan mempunyai hubungan yang positif. Hal ini terjadi untuk migran yang tidak sekolah maupun yang berpendidikan dasar dan lanjutan. Mantra (1987) dalam analisisnya mengenai migrasi penduduk di Indonesia

berdasarkan hasil survei penduduk antar sensus memperoleh beberapa karakteristik para migran, diantaranya adalah: 1.

Umur migran terkonsentrasi pada kelompok umur 25-44 tahun, dimana kelompok ini merupakan kelompok umur produktif. Pada kelompok umur 15-19 tahun persentase migran perempuan lebih besar dari persentase migran laki-laki, pada umur-umur ini migran perempuan pada umumnya belum kawin.

25

2.

Kebanyakan dari migran bekerja di sektor informal. Sekitar 45 persen sebagai buruh, hampir seperempatnya berusaha sendiri, sekitar 15 persen bekerja sebagai buruh tetap.

3.

Pendidikan migran relatif lebih tinggi dari

pendidikan non-migran.

Namun demikian migran yang telah berusia lanjut (50 tahun ke atas) tingkat pendidikannya rendah. Migran yang berumur muda (20-49 tahun) beberapa sudah ada yang tamat Sekolah Menengah Tingkat Atas, bahkan ada yang telah tamat dari perguruan tinggi. Migran yang menuju ke kota tingkat pendidikannya lebih tinggi daripada migran yang menuju ke desa. Solimano (2002) melakukan penelitian di Argentina mengungkapkan bahwa migrasi penduduk ke Amerika Serikat dan Eropa atau Negara yang lebih maju dengan pendekatan ekonomi dan politik. Model yang digunakan adalah dengan pendekatan Ordinary Least Square (OLS): NMt = a + bX1t + cX2(t-1) + dX3t + eX4t + random termt ………………………..(2.1) Dimana: NM

= net migrasi penduduk dari negara pengirim ke negara penerima

X1

= menunjukkan rasio GDP real perkapita negara penerima terhadap GDP real perkapita negara pengirim

X2

= lag net migrasi

X3

= indeks ekonomi negara penerima migran

X4

= indeks rezim pemerintahan apakah autoritarian atau demokrasi. Pendekatan ekonomi dengan melihat tingkat rasio pendapatan nasional

negara asal dengan negara tujuan. Sedangkan aspek politik dengan memasukkan rezim pemerintahan di negara asal yaitu Argentina. Hasilnya diketahui bahwa

26

hubungan yang positif dan signifikan antara selisih pendapatan nasional negara penerima dengan negara pengirim migran. Romdiati dan Noveria (2004) dalam Artika (2003) melakukan analisis mobilitas penduduk antar daerah dalam rangka pengendalian migrasi masuk ke DKI Jakarta. Dalam penelitian ini diungkapkan bahwa Jakarta sebagai kota metropolitan yang menjadi pusat dari berbagai kegiatan pembangunan. Jakarta menjadi tujuan utama migrasi penduduk dari berbagai daerah dalam jumlah yang besar. Mereka datang ke kota ini untuk memperoleh manfaat dari semua kesempatan yang tersedia, terutama kesempatan ekonomi. Masih terbukanya peluang untuk melakukan usaha ekonomi, khususnya di sektor informal diketahui sebagai penyebab utama perpindahan penduduk dari berbagai daerah, termasuk mereka yang berketerampilan rendah menuju Jakarta. Arus migrasi menuju kota Jakarta tampak semakin diwarnai oleh pola mobilitas non-permanen dengan ciriciri kurang terampil, bekerja di sektor informal dan tinggal di pemukiman kumuh. Perbedaan penelitian ini dengan penelitian terdahulu, bahwa penelitian ini menganalisis faktor-faktor ekonomi seperti PDRB dan UMR serta faktor demografi seperti jumlah penduduk tiap provinsi serta tingkat kepadatan penduduk per kilo meter persegi dimana akan melihat sejauh mana semua variabel ini memengaruhi tingkat migrasi ke Jakarta.

2.6.

Kerangka Pemikiran Dilihat dari latar belakang dan permasalahan yang ada, banyak faktor yang

memengaruhi keputusan seseorang untuk bermigrasi, pada garis besarnya dapat

27

dibedakan ke dalam dua kelompok, yaitu faktor-faktor pendorong (push factors) dan faktor-faktor penarik (pull factors). Teori Human Capital dan Model Harris Todaro lebih memfokuskan perhatiannya pada hubungan ekonomi dan migrasi. Menurut teori Human Capital bahwa seseorang akan melakukan migrasi apabila pendapatan yang diperoleh ditempat tujuan lebih besar daripada pendapatan di daerah asal yang ditambah dengan biaya langsung migrasi (Simanjuntak, 1985). Todaro (2004) mengatakan bahwa keputusan untuk bermigrasi tidak hanya ditentukan oleh berapa pendapatan yang diterima seandainya melakukan migrasi, tetapi juga memperhitungkan berapa besar peluang untuk mendapatkan pekerjaan, ini erat kaitannya dengan kesempatan kerja yang terdapat di suatu tempat. Semakin

banyaknya

masyarakat

yang

bermigrasi

ke

Jakarta

mengakibatkan jumlah penduduk semakin meningkat, sehingga menimbulkan berbagai masalah diantaranya masalah sosial, ekonomi dan kependudukan juga ada kaitannya dengan jumlah angkatan kerja. Keputusan migran untuk bermigrasi adalah untuk memperoleh kehidupan yang lebih baik sebagai bagian dari investasi sumber daya manusia.

28

Penduduk luar Jakarta

MIGRASI

JAKARTA

Faktor Pendorong

Faktor Penarik

- PDRB provinsi asal - UMR provinsi asal - Jumlah penduduk provinsi asal

- PDRB provinsi tujuan - UMR provinsi tujuan - Jumlah penduduk provinsi tujuan

Jumlah Penduduk

Jumlah angkatan kerja

INVESTASI SUMBER DAYA MANUSIA

Gambar 2.1. Kerangka Pemikiran Penelitian

2.7.

Hipotesis Penelitian Berdasarkan kerangka pemikiran yang telah diuraikan sebelumnya, faktor-

faktor yang memengaruhi migrasi secara umum ada dua faktor yang signifikan berpengaruh terhadap tingkat migrasi penduduk, yaitu faktor ekonomi dan faktor non ekonomi. Hal yang menjadi hipotesis dari penelitian ini yaitu: 1.

Tingkat upah di daerah asal memiliki hubungan negatif terhadap tingkat migrasi yang masuk ke DKI Jakarta.

29

2.

Tingkat Produk Domestik Regional Bruto perkapita tiap provinsi di luar Jakarta memiliki hubungan yang negatif terhadap jumlah migrasi ke Jakarta.

3.

Tingkat jumlah penduduk tiap provinsi di luar Jakarta memiliki hubungan yang positif terhadap jumlah migrasi ke Jakarta.

30

III.

3.1.

METODE PENELITIAN

Jenis dan Sumber Data Penelitian ini dilakukan dengan ruang lingkup nasional, yang dilihat

adalah migrasi antar provinsi di Indonesia dengan daerah tujuan DKI Jakarta, sedangkan provinsi lain sebagai daerah asal. Dipilih DKI Jakarta sebagai daerah tujuan, karena provinsi ini memiliki tingkat migrasi masuk semasa hidup dan tingkat migrasi risen tinggi, sementara tingkat migrasi keluarnya rendah (Tabel 1.1). Metode dalam penelitian ini menggunakan data panel dikarenakan dalam penelitian ini terdapat data time series dan cross section. Dalam penelitian ini data yang digunakan adalah data publikasi atau data sekunder berupa data time series lima tahunan (1990, 1995, 2000, 2005, dan 2010) dan data cross section yang terdiri dari data migrasi masuk ke DKI Jakarta, data Produk Domestik Regional Bruto (PDRB) tiap provinsi berdasarkan harga berlaku, data Upah Minimun Regional (UMR) tiap provinsi dan data jumlah penduduk tiap provinsi. Proses pengumpulan data dilakukan melalui penelusuran data ke Badan Pusat Statistik (BPS) pusat, Departemen Tenaga Kerja dan Transmigrasi, media internet, surat kabar, dan literatur-literatur yang berkaitan. Adapun pengambilan data PDRB yang digunakan dalam penelitian ini adalah PDRB berdasarkan harga berlaku. Hal ini dimaksudkan untuk melihat perbandingan kesejahteraan antara daerah provinsi selain Jakarta terhadap Jakarta pada tahun yang bersangkutan. Setiap provinsi memiliki PDRB yang berbedabeda sesuai dengan kondisi perekonomiannya. Selain itu UMR yang digunakan

31

adalah UMR nominal, yaitu nilai UMR pada tahun bersangkutan. Hal ini dapat menunjukkan bahwa penduduk yang melakukan migrasi ke Jakarta hanya melihat besarnya nilai nominal upah yang akan mereka dapatkan pada tahun tersebut atau hanya melihat nilai upah relatif Jakarta terhadap provinsi selain Jakarta, tanpa memerhitungkan nilai riil upah tersebut. Selain itu, pengambilan data jumlah penduduk tiap provinsi juga dilakukan dalam penelitian ini untuk melihat perbandingan dan ketimpangan akan hal kependudukan tiap provinsi yang ada di Indonesia.

3.2.

Teknik Pengolahan Data Dalam penelitian ini, data diolah dengan menggunakan program software

Eviews 6. Adapun tahap-tahap pengolahan data adalah: pertama, data PDRB berdasarkan harga berlaku tiap provinsi dibagi dengan PDRB berdasarkan harga berlaku DKI Jakarta. Kedua, data UMR tiap provinsi di Indonesia dibagi dengan UMR DKI Jakarta. Ketiga data jumlah penduduk tiap provinsi dibagi dengan jumlah penduduk DKI Jakarta. Ini dimaksudkan karena DKI Jakarta merupakan provinsi utama tujuan migrasi penduduk dari seluruh provinsi di Indonesia. Walaupun dari provinsi DKI Jakarta sendiri ada penduduk yang bermigrasi ke tiap provinsi di Indonesia, namun jumlah penduduk yang masuk DKI Jakarta lebih besar dari pada jumlah penduduk yang pindah ke luar Jakarta. Bentuk fungsi persamaannya adalah sebagai berikut.

UMR PDRB JML , , UMR.JKT PDRB.JKT JML.JKT

LnMGR

=

LnMGR

= (RUMR, RPDRB, RJML) …………………………..(3.1)

32

dimana: MGR

: jumlah migrasi penduduk dari berbagai provinsi ke Jakarta (jiwa),

UMR

: tingkat UMR tiap provinsi selain Jakarta (rupiah),

UMR.JKT

: tingkat UMR DKI Jakarta (rupiah),

PDRB

: PDRB tiap provinsi selain Jakarta (rupiah),

PDRB.JKT

: PDRB DKI Jakarta (rupiah),

JML

: jumlah penduduk tiap provinsi selain Jakarta (jiwa),

JML.JKT

: jumlah penduduk DKI Jakarta (jiwa),

RUMR

: rasio tingkat upah minimum regional tiap provinsi terhadap upah minimum regional Jakarta (persen),

RPDRB

: rasio tingkat PDRB tiap provinsi terhadap PDRB Jakarta (persen),

RJML

: rasio jumlah penduduk tiap provinsi terhadap jumlah penduduk Jakarta (persen).

3.3.

Perumusan Model Pada penelitian ini digunakan metode panel data dengan fixed effect. Hal

ini karena dengan fixed effect dapat diperoleh hasil intercept yang berbeda-beda antar unit cross section. Salah satu langkah dalam penelitian ini adalah menentukan model umum yang digunakan dengan menggunakan analisis fungsi regresi. Penggunaan fungsi regresi ditujukan untuk menangkap berbagai kemungkinan migrasi dan variabel-variabel yang diestimasi. Bentuk model umum yang digunakan dalam penelitian ini adalah sebagai berikut:

Ln MGRit

= αi + β1 RUMRit + β2 RPDRBit + β3 RJMLit + εit …...............(3.2)

33

dimana: LnMGRit

= jumlah migrasi penduduk ke DKI Jakarta (persen),

RUMRit

= rasio tingkat upah minimum regional tiap provinsi terhadap upah minimum regional Jakarta (persen),

RPDRBit

= rasio tingkat PDRB tiap provinsi terhadap PDRB Jakarta (persen),

RJMLit

= rasio jumlah penduduk tiap provinsi terhadap jumlah penduduk Jakarta (persen),

αi

= intersep model yang berubah-ubah tiap provinsi,

β1

= slope variabel UMR,

β2

= slope variabel PDRB,

β3

= slope variabel JML,

i

= provinsi ke-i,

t

= pada tahun ke-t,

ε

= error/simpangan.

3.4. Definisi Operasional Untuk memahami secara jelas variabel-variabel yang dituliskan dalam persamaan (3.2), maka definisi operasional variabel-variabel tersebut adalah: 1.

Migrasi adalah seseorang atau penduduk suatu provinsi pindah melintas batas wilayah provinsi dan lamanya bertempat tinggal di provinsi tujuan paling sedikit enam bulan sebelum pencacahan dilakukan, definisi ini sama dengan yang dipakai oleh sensus penduduk. Tingkat migrasi netto

34

adalah jumlah migrasi masuk yang telah dikurangi migrasi keluar dibagi dengan jumlah penduduk daerah tujuan. 2.

Upah Minimum Regional (UMR) adalah upah yang ditetapkan oleh pemerintah melalui keputusan menteri yang dinilai dan diukur dari kebutuhan hidup minimum.

3.

Rasio Upah Minimum Regional (RUMR) adalah rasio tingkat upah minimum regional tiap provinsi terhadap upah minimum regional Jakarta.

4.

Produk Domestik Regional Bruto (PDRB) didefinisikan sebagai jumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu wilayah, atau merupakan jumlah seluruh nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi di suatu wilayah.

5.

Rasio Produk Domestik Regional Bruto (RPDRB) adalah rasio tingkat PDRB tiap provinsi terhadap PDRB Jakarta.

6.

Jumlah penduduk menggambarkan tingkat kepadatan penduduk tiap provinsi yang ada di Indonesia.

3.5.

Uji Hipotesis Uji hipotesis berguna untuk memeriksa atau menguji apakah variabel-

variabel yang digunakan dalam model regresi signifikan atau tidak. Maksud dari signifikan ini adalah suatu nilai dari parameter regresi yang secara statistik tidak sama dengan nol. Ada dua jenis uji hipotesis yang dapat dilakukan terhadap variabel regresi. Uji tersebut adalah Uji-F dan Uji-t.

35

3.5.1. Uji-F Uji ini dilakukan untuk mengetahui apakah variabel independen di dalam model secara bersama-sama berpengaruh terhadap variabel dependen yang digunakan. Perumusan hipotesis pada Uji-F adalah : H0 : β1 = β2= β3 = βk = 0 H1 : Minimal ada satu nilai β yang tidak sama dengan nol Kriteria ujinya adalah jika Fhitung > Ftabel,α,(k-1)(n-k) maka tolak H0, dimana k adalah jumah variabel (dengan intercept) dan jumlah observasi yang dilambangkan dengan huruf n. Selain itu, jika probabilitas (p-value) < taraf nyata maka sudah cukup bukti untuk menolak H0. Jika tolak H0 berarti secara bersama-sama variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata α persen, demikian pula sebaliknya.

3.5.2. Uji-t Pengujian ini dilakukan untuk mengetahui apakah variabel independen secara individu (masing-masing) berpengaruh signifikan atau tidak terhadap variabel independen. Hipotesis yang digunakan adalah sebagai berikut, H0 : βk = 0 H1 : βk ≠ 0 Kriteria uji yang digunakan adalah jika |thitung| > tα/2,(n-k) maka tolak H0, dimana jumlah observasi dilambangkan dengan huruf n, dan huruf k melambangkan jumlah variabel (termasuk intercept). Selain itu, jika probabilitas (p-value) lebih kecil dari taraf nyata maka dapat digunakan juga untuk menolak

36

H0. Jika tolak H0 berarti variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata α persen, demikian pula sebaliknya.

3.5.3. Koefisien Determinasi Koefisien determinasi yang dilambangkan dengan R 2 adalah suatu angka yang mengukur keragaman pada variabel dependen yang dapat diterangkan oleh variasi pada model regresi. Nilai ini berkisar antara nol sampai satu (0
R2 = 1 -

……………………………………………………….(3.3)

Jika nilai R2 ini mendekati satu maka model akan semakin baik. Misalkan saja nilai R2 sebesar 0,98 maka sebesar 98 persen keragaman variabel tak bebas (Y) dapat dijelaskan oleh variabel-variabel bebas yang digunakan di dalam model.

3.6.

Uji Asumsi Sebagai uapaya untuk menghasilkan model yang efisien, tak bias, dan

konsisten, maka perlu dilakukan pendeteksian terhadap pelanggaran/gangguan asumsi dasar ekonometrika yang berupa gangguan antar waktu (time-related disturbance), gangguan antar daerah atau antar provinsi (cross sectional disturbance), dan gangguan akibat keduanya (Gujarati, 1995). Beberapa asumsi

37

mendasar yang perlu diuji dalam membuat persamaan adalah heteroskedastisitas, multikolinearitas, dan autokorelasi.

3.6.1. Uji Heteroskedastisitas Heteroskedastisitas adalah salah satu penyimpanan pada asumsi klasik statistika. Heteroskedastisitas terjadi jika ragam sisaan tidak konstan, hal ini dilambangkan dengan Var (μi2) = ζi2. Masalah ini sering terjadi jika ada penggunaan data cross section dalam estimasi model, namun masalah ini juga dapat terjadi dalam data time series. Pada umumnya heteroskedastisistas diperoleh pada

data

kerat

lintang

(cross

section).

Jika

pada

model

dijumpai

heteroskedastisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata lain, jika regresi tetap dilakukan meskipun ada masalah heteroskedastisitas maka hasil regresi akan terjadi “misleading” (Gujarati, 1995). Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisistas, digunakan uji-White Heteroskedasticity yang diperoleh dalam program Eviews 6. Dalam pengolahan data panel dalam Eviews 6 yang menggunakan metode General Least Square (Cross Section Weights) maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum Square Resid pada Weighted Statistics dengan Sum Square Resid pada Unweighted Statistics. Jika Sum Square Resid pada Weighted Statistics < Sum Square Resid pada Unweighted Statistics, maka terjadi heteroskedastisitas. Untuk men-treatmen pelanggaran tersebut, bisa mengestimasi GLS dengan White Heteroskedasticity.

38

3.6.2. Uji Multikolinearitas Multikolinearitas merupakan suatu penyimpangan asumsi akibat adanya keterkaitan atau hubungan linier antar variabel bebas penyusun model. Indikasi adanya multikolinearitas dapat dilihat jika dalam model yang dihasilkan terbukti signifikan secara keseluruhan (uji-F) dan memiliki nilai R-Squared yang tinggi namun banyak variabel yang tidak signifikan (uji-t). salah satu cara mengatasi masalah ini adalah dengan menggabungkan data cross section dengan data time series (Juanda, 2009).

3.6.3. Uji Autokorelasi Menurut Widarjono dalam Guntur (2010), autokorelasi berarti adanya korelasi antara anggota obsevasi satu dengan observasi yang berlainan waktu. Autokorelasi bisa didefinsikan korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Ada beberapa metode untuk uji autokorelasi antara lain metode BreuschGodfrey dan metode Durbin-Watson (DW). Uji korelasi Durbin-Watson relatif mudah dilakukan karena informasi nilai statistik hitungnya selalu diinformasikan setiap program komputer termasuk dalam Eviews versi 6. untuk mengetahui ada/tidaknya autokorelasi, maka dilakukan dengan membandingkan DW statistiknya dengan DW-tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam Gambar 3.1.

39

Autokorelasi positif

0

Ragu-ragu

dL

Tidak ada autokorelasi

dU

2

Autokorelasi negatif

Ragu-ragu

4- dU

4- dL

Sumber: Widarjono dalam Guntur (2010) Gambar 3.1. Statistik Durbin-Watson Selain itu Untuk mengetahui ada tidaknya autokorelasi juga dapat melihat pada Eviews6 Guide. Dijelaskan bahwa jika nilai DW tersebut sudah lebih dai 1,5 dan mendekati 2 maka dapat dikatakan tidak ada autokorelasi. Berikut adalah Tabel 3.2. yang memperlihatkan distribusi nilai DW dimana nilai tersebut telah disusun oleh Durbin Watson untuk derajat keyakinan 95 persen dan 99 persen. Tabel 3.1. Selang Nilai Statistik Durbin-Watson serta Keputusannya Nilai Durbin-Watson DW < 1,10 1,10 < DW < 1,54 1,55 < DW < 2,46 2,46 < DW < 2,90 DW > 2,91 Sumber : Firdaus, 2004

Kesimpulan Ada autokorelasi Tanpa kesimpulan Tidak ada autokorelasi Tanpa kesimpulan Ada autokorelsi

3.6.4. Uji Normalitas Uji normalitas digunakan untuk memeriksa apakah error term menyebar normal atau tidak. Hipotesis yang digunakan adalah, H0 : error term menyebar normal H1 : error term tidak menyebar normal

4

40

Uji normalitas diaplikasikan dengan melakukan tes Jarque Bera, jika nilai probabilitas yang diperoleh lebih besar dari taraf nyata yang digunakan, maka terima H0 yang berarti error term dalam model sudah menyebar normal.

41

IV.

4.1.

GAMBARAN UMUM PROVINSI DKI JAKARTA

Keadaan Geografis dan Kependudukan Provinsi Jakarta adalah ibu kota Negara Indonesia dan merupakan salah

satu Provinsi di Pulau Jawa. Secara geografis, Provinsi DKI Jakarta terletak antara 6o 12’ Lintang Selatan dan 106o 48’ Bujur Timur dengan batas wilayah Provinsi DKI Jakarta bagian selatan adalah Kota Depok, bagian timur adalah Provinsi Jawa Barat, bagian barat adalah Provinsi Banten dan bagian utara adalah Laut Jawa. Luas wilayah DKI Jakarta menurut SK Gubernur Nomor 171 tahun 2007 adalah sebesar 662,33 km2 untuk daratan dan 6.977,5 km2 untuk lautan termasuk wilayah daratan Kepulauan Seribu yang tersebar di teluk Jakarta. Sedangkan secara administratif, wilayah administratif Provinsi DKI Jakarta terbagi menjadi lima wilayah kota administratif dan satu kabupaten administratif yaitu Kota administratif Jakarta Selatan, Kota administratif Jakarta Timur, Kota administratif Jakarta Pusat, Kota administratif Jakarta Barat, Kota administratif Jakarta Utara dan Kabupaten administratif Kepulauan Seribu. Daerah dengan wilayah terluas adalah Kota Jakarta Timur dengan luas wilayah 188,03 km2. Sedangkan daerah dengan luas tersempit adalah Kabupaten Kepulauan Seribu sebesar 8,7 km2 (BPS, Jakarta dalam angka 2010). Jumlah penduduk di DKI Jakarta selalu mengalami peningkatan dari tahun ke tahun. Berdasarkan Sensus Penduduk lima tahunan, jumlah penduduk Provinsi Jakarta tahun 2000, 2005 dan 2010 secara berurut adalah 8.361.000 jiwa, 8.860.000 jiwa dan 9.588.200 jiwa. Adapun untuk kepadatan penduduk per kilo meter persegi Provinsi DKI Jakarta tahun 2000 sebesar 12.592 km 2, 13.344 km2

42

tahun 2005 dan 14.440 km2 untuk tahun 2010 (BPS, Statistik Indonesia 2010). Dari data yang telah ditunjukkan, Provinsi DKI Jakarta setiap tahunnya mengalami kepadatan penduduk. Berdasarkan data BPS Provinsi DKI Jakarta pada tahun 2010 pada Tabel 4.1, dapat dilihat bahwa penduduk di DKI Jakarta umumnya memadati wilayah Jakarta Pusat, Jakarta Barat dan Jakarta Selatan dengan kepadatan penduduk secara berurutan adalah 18.745 km2, 17.147 km2 dan 15.287 km2. Tabel 4.1.

No

Luas Wilayah, Penduduk dan Kepadatan Penduduk Menurut Kabupaten/Kota administratif 2009

Kabupaten/Kota

1 2 3 4 5 6

Jakarta Selatan Jakarta Timur Jakarta Pusat Jakarta Barat Jakarta Utara Kepulauan Seribu Jumlah Sumber: BPS, 2010

4.2.

Luas (km2) 141,27 188,03 48,13 129,54 146,66 8,7 662,33

Penduduk (orang) 2.159.638 2.448.653 902.216 2.221.243 1471663 19.587 9.223.000

Kepadatan Penduduk (km2) 15.287 13.023 18.745 17.147 10.035 2.251 13.925

Kondisi Perekonomian Tujuan dari pembangunan Provinsi DKI Jakarta yang terkait dengan visi

DKI Jakarta

adalah terwujudnya Jakarta sebagai ibukota Negara Republik

Indonesia yang manusiawi, efisien dan berdaya saing global, dihuni oleh masyarakat yang partisipatif, berakhlak, sejahtera, dan berbudaya, dalam lingkungan kehidupan yang aman dan berkelanjutan (BPS, 2010). Adapun pemahaman terhadap visi tersebut adalah sebagai berikut: 1.

Jakarta sebagai ibukota negara dan kota perdagangan dan jasa hendaknya memiliki daya saing global dan mampu menjalankan fungsinya secara

43

efisien, sehingga representatif dipandang dari kepentingan nasional dan internasional. 2.

Jakarta hendaknya dihuni warga kota yang sejahtera, berakhlak, berbudaya dan berdisiplin tinggi, produktif serta memiliki kecintaan dan komitmen untuk berpartisipasi dalam membangun kotanya.

3.

Jakarta hendaknya memilih penataan kota dan lingkungan yang baik dan manusiawi, agar dapat lebih menjamin dinamika kehidupan berkelanjutan. Sedangkan untuk mencapai visi tersebut maka dilakukan misi sebagai

berikut (BPS, 2010): 1.

Meningkatkan pembangunan sarana dan prasarana kota yang efisien, efektif, kompetitif dan terjangkau.

2.

Mewujudkan pembangunan yang adil, ramah lingkungan dan berbasis partisipasi masyarakat.

3.

Menegakkan supremasi hukum, meningkatkan keamanan, ketentraman dan ketertiban kota.

4.

Meningkatkan kualitas kehidupan dan kerukunan warga kota.

5.

Melaksanakan pengelolaan tata pemerintahan kota yang baik. Salah satu indikator yang dapat dipergunakan untuk mengetahui kondisi

perekonomian suatu daerah adalah dengan mengetahui nilai Produk Domestik Regional Bruto (PDRB). Pertumbuhan PDRB di DKI Jakarta dari tahun 2000 sampai dengan tahun 2010 terus mengalami peningkatan (Tabel 4.2).

44

Tabel 4.2. Produk Domestik Regional Bruto (PDRB) Atas Dasar Harga Berlaku Provinsi DKI Jakarta Tahun 2000-2010 Tahun

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Sumber: BPS, 2010

PDRB Atas Dasar Harga Berlaku (Juta Rupiah) 227.924.124 263.720.107 299.991.943 334.364.795 375.562.000 433.860.000 501.772.000 566.449.400 677.044.700 757.696.600 862.158.900

PDRB atas dasar harga berlaku Provinsi DKI Jakarta pada tahun 2010 adalah sebesar Rp 862,16 triliun, sedangkan pada tahun 2009 sebesar Rp 757,70 triliun, atau terjadi peningkatan sebesar Rp 104,46 triliun. Peranan tiga sektor utama yakni sektor keuangan, real estate dan jasa perusahaan, sektor perdagangan, hotel, dan restoran, serta sektor industri pengolahan terhadap total perekonomian DKI Jakarta pada tahun 2010 sekitar 64,16 persen. Dalam tahun 2010, berdasarkan PDRB atas dasar harga berlaku, sektor ekonomi yang menghasilkan nilai tambah bruto produk barang dan jasa terbesar adalah sektor keuangan, real estat, dan jasa perusahaan sebesar Rp. 239,16 triliun, kemudian diikuti oleh sektor perdagangan-hotel-restoran sebesar Rp. 178,40 triliun, dan sektor industri pengolahan sebesar Rp 135,64 triliun. Sebutan Jakarta sebagai Kota Jasa (Service City) tercermin dari struktur perekonomian Jakarta yang diukur dengan PDRB menurut sektoral (lapangan usaha). Sekitar 71,27 persen PDRB Jakarta berasal dari sektor tersier (perdagangan, keuangan, jasa, dan pengangkutan), 28,20 persen berasal dari sektor sekunder (industri pengolahan, konstruksi, dan listrik-gas-air

45

bersih) dan hanya sebesar 0,53 persen dari sektor primer (pertanian dan pertambangan). (Tabel 4.3). Tabel 4.3. PDRB Menurut Lapangan Usaha Atas Dasar Harga Berlaku Provinsi DKI Jakarta Tahun 2009-2010 Lapangan Usaha

Pertanian Pertambangan dan Penggalian Industri Pengolahan Listrik, Gas dan Air Bersih Konstruksi Perdagangan, Hotel dan Restoran Pengangkutan dan Komunikasi Keuangan, Real Estat dan Jasa Perusahaan Jasa-jasa PDRB PDRB Tanpa Migas Sumber: BPS, 2010

4.3.

Nilai (Miliar Rupiah) 2009 2010 762,98 857,21 3.155,76 3.704,28 118.163,19 135.643,23 8.294,31 9.012,26 86.646,98 98.424,99 156.084,32 178.395,88

Struktur (Persen) 2009 2010 0,10 0,10 0,42 0,43 15,60 15,73 1,09 1,05 11,44 11,42 20,60 20,69

74.970,89 213.437,91

87.703,27 239.164,22

9,89 28,17

10,17 27,74

96.180,24 757.696,59 754.540,83

109.253,58 862.158,91 858.454,63

12,69 100,00 99,58

12,67 100,00 99,57

Ketenagakerjaan Pada masa pembangunan ini, tenaga kerja terampil merupakan suatu

potensi utama yang sangat diperlukan. Terutama pada masa otonomi daerah, dimana setiap daerah membangun dan mengembangkan daerahnya sendiri sesuai dengan potensi tersebut tanpa adanya campur tangan dari pemerinatah pusat. Menurut Badan Pusat Statistik (BPS), penduduk usia kerja merupakan penduduk yang berumur 10 tahun keatas. Namun seiring dengan perkembangan zaman, dimana rata-rata tingkat kesadaran akan pentingnya pendidikan sudah cukup tinggi maka pada tahun 1998 penduduk usia kerja merupakan penduduk yang berumur 15 tahun keatas.

46

Menurut Badan Pusat Statistik Provinsi DKI Jakarta, pada bulan Februari 2011, jumlah angkatan kerja tercatat 5,01 juta orang, naik sebesar 263,46 ribu orang dibanding keadaan Februari 2010. Peningkatan jumlah angkatan kerja terjadi pada angkatan kerja laki-laki sebanyak 235,55 ribu dan perempuan sebanyak 27,91 ribu. Jumlah penduduk yang bekerja meningkat dari 4,21 juta orang pada Februari 2010 menjadi 4,47 juta orang pada Februari 2011, atau terjadi peningkatan sebesar 258,22 ribu orang. Selama satu tahun ini, peningkatan jumlah penduduk yang bekerja didominasi oleh laki-laki. Peningkatan penduduk laki-laki yang bekerja sebesar 230,38 ribu orang, sementara itu penduduk perempuan yang bekerja mengalami peningkatan sebesar 27,84 ribu orang (Tabel 4.4). Tingkat Pengangguran Terbuka (TPT) merupakan indikator yang menggambarkan presentase angkatan kerja yang tidak bekerja dan sedang mencari pekerjaan atau mempersiapkan suatu usaha, atau mereka yang tergolong angkatan kerja namun tidak terserap dalam pasar kerja (BPS, 2010). Selama periode 20102011, angka tingkat pengangguran terbuka (TPT) mengalami penurunan dari 11,32 persen menjadi 10,83 persen, atau terjadi penurunan sebesar 0,49 persen. Menurut jenis kelamin, TPT laki-laki mengalami penurunan dari 10,29 persen menjadi 9,67 persen, dan TPT perempuan turun dari 12,90 persen menjadi 12,71 persen (Tabel 4.4). Namun, Secara absolut, jumlah orang yang menganggur mengalami peningkatan sebesar 5,24 ribu orang dari 537,47 ribu orang pada Februari 2010 menjadi 542,71 ribu orang pada Februari 2011. Selama setahun terakhir, penambahan jumlah yang menganggur laki-laki sebesar 5,17 ribu orang sementara perempuan sebesar 0,07 ribu orang (Tabel 4.4).

47

Sejalan dengan peningkatan jumlah penduduk bekerja dan penganggur tersebut, tingkat partisipasi angkatan kerja (TPAK) mengalami peningkatan sebesar 1,10 persen yaitu dari 66,84 persen pada Februari 2010 menjadi 67,94 persen pada Februari 2011. TPAK laki-laki sedikit mengalami penurunan dari 83,20 pada Februari 2010 persen menjadi 83,15 persen pada Februari 2011, sedangkan TPAK perempuan mengalami peningkatan dari 51,50 persen menjadi 52,44 persen (Tabel 4.4). Tabel 4.4.

Penduduk Usia 15 Tahun ke Atas Menurut Kegiatan Utama Provinsi DKI Jakarta Tahun 2010-2011

Kegiatan Utama

Februari 2010 PeremJumlah puan 1.886.460 4.746.370

Februari 2011 PeremJumlah Puan 3.095.460 1.914.370 5.009.830

Angkatan Kerja

LakiLaki 2.859.910

a.Bekerja b.Pengangguran

2.565.730 294.180

1.643.170 243.290

4.208.900 537.470

2.796.110 299.350

1.671.010 243.360

4.467.120 542.710

577.630

1.776.750

2.354.380

627.470

1.736.110

2.363.580

83,20

51,50

66,84

83,15

52,44

67,94

10,29

12,90

11,32

9,67

12,71

10,83

Bukan Angkatan Kerja Tingkat Partisipasi Angkatan Kerja (TPAK %) Tingkat Pengangguran Terbuka (TPT%)

Laki-laki

Sumber: BPS, 2010 Distribusi penduduk yang bekerja menurut lapangan usaha, dibedakan menurut tiga sektor utama yaitu sektor primer, sekunder dan tersier. Sektor primer merupakan gabungan sektor pertanian dan pertambangan, sektor sekunder merupakan agregat sektor industri pengolahan, sektor konstruksi, serta sektor listrik, gas dan air. Sektor tersier merupakan gabungan sektor perdagangan, hotel dan restoran; sektor angkutan dan komunikasi; sektor keuangan dan jasa perusahaan; serta sektor jasa kemasyarakatan (BPS, 2010).

48

Tabel 4.5. Penduduk Usia 15 Tahun ke Atas yang Bekerja menurut Sektor Utama Provinsi DKI Jakarta Tahun 2010-2011 Sektor Utama Primer Sekunder Tersier jumlah Sumber: BPS, 2010

Februari 2010 41.330 783.790 3.383.780 4.208.900

Februari 2011 101.720 829.170 3.536.240 4.467.120

Selisih Tahun 2011-2010 60.390 45.380 152.460 258.220

Tabel 4.5. memperlihatkan struktur penduduk yang bekerja menurut tiga sektor utama. Pada sektor primer terjadi peningkatan penduduk yang bekerja sebesar 60.390 orang, sektor sekunder sebesar 45.380 orang. Peningkatan terbesar terjadi pada sektor tersier, yaitu sebanyak 152.460 orang, dari 3.383.780 orang (Februari 2010) menjadi 3.536.240 orang (Februari 2011). Peningkatan yang cukup signifikan pada sektor tersebut sebagian besar merupakan kontribusi dari sektor transportasi, pergudangan dan komunikasi, sektor perdagangan, rumah makan dan restoran, serta sektor keuangan, real estate dan usaha persewaan. Lain halnya apabila melihat dari sisi pendidikan. Berdasarkan Tabel 4.6, pada Februari 2011, jumlah penduduk yang bekerja menurut pendidikan tertinggi mengalami kenaikan jika dibandingkan keadaan Februari 2010, kecuali untuk jenjang pendidikan SD ke bawah turun sebesar 154.020 orang. Pada Februari 2011, pekerja dengan jenjang pendidikan Sekolah Menengah Atas mendominasi, yaitu sebesar 1.937.420 orang, diikuti dengan pendidikan Tinggi (Diploma dan Sarjana) sebesar 894.000 orang.

49

Tabel 4.6. Penduduk Usia 15 Tahun ke Atas yang Bekerja Menurut Pendidikan Tertinggi yang Ditamatkan Provinsi DKI Jakarta Tahun 2010-2011 Pendidikan Tertinggi yang Ditamatkan SD Ke Bawah SLTP SLTA Pendidikan Tinggi Jumlah

Februari 2010 Laki-laki

Perempuan

Februari 2011 Jumlah

Laki-laki

Perempuan

Jumlah

532.660

496.180

1.028.840

471.400

403.430

874.830

447.770 1.168.700

283.200 532.550

730.970 1.701.250

414.310 1.396.820

346.560 540.600

760.870 1.937.420

416.600

331.240

747.840

513.580

380.420

894.000

2.565.730

1.643.170

4.208.900

2.796.110

1.671.010

4.467.120

Sumber: BPS, 2010 Secara sederhana, pendekatan kegiatan formal dan informal dari penduduk yang bekerja dapat diidentifikasi berdasarkan status pekerjaan utama. Dari enam kategori status pekerjaan utama, pendekatan pekerja formal mencakup kategori berusaha dengan dibantu buruh tetap dan kategori buruh/karyawan, sisanya termasuk pekerja informal. Berdasarkan identifikasi ini, pada bulan Februari 2011 terdapat sebesar 3.056.310 orang penduduk (68,42%) bekerja pada kegiatan formal, dan 1.410.820 ribu orang (31,58%) bekerja pada kegiatan informal. Berdasarkan Tabel 4.7, terlihat bahwa dari 4.467.140 orang yang bekerja, status pekerjaan yang terbanyak sebagai buruh/karyawan sebesar 2,9 juta orang (64,08 persen), diikuti berusaha sendiri sebesar 767.990 orang (17,19%), sedangkan yang terkecil adalah pekerja bebas sebesar 152.220 orang (3,41%). Penduduk yang bekerja dengan status buruh/karyawan, 62,33 persen adalah lakilaki dan 37,67 persen perempuan. Sementara itu, penduduk yang bekerja dengan status berusaha sendiri, sebagian besar adalah laki-laki yaitu 70,06 persen dan hanya 29,94 persen perempuan. Dalam periode satu tahun terakhir (Februari 2010 – Februari 2011) terdapat penambahan pekerja dengan status buruh/karyawan

50

sebesar 302,94 ribu orang, dan pekerja keluarga atau pekerja tidak dibayar sebesar 76,10 ribu orang. Tabel 4.7. Penduduk usia 15 Tahun Ke Atas yang Bekerja Menurut Status Pekerjaan Utama Provinsi DKI Jakarta Tahun 2010-2011 Status Pekerjaan Utama Berusaha Sendiri Berusaha dibantu buruh tidak tetap Berusaha dibantu buruh tetap Buruh/ Keryawan Pekerja bebas Pekerja tidak dibayar Jumlah

Lakilaki 604.350

Februari 2010 Perempuan 325.100

Jumlah 929.450

LakiLaki 538.020

Februari 2011 Perempuan 229.970

Jumlah 767.990

136.030

92.630

228.660

139.360

98.060

237.420

164.790

35.520

200.310

141.750

52.180

193.930

1.544.880

1.014.560

2.559.440

1.784.190

1.078.190

2.862.380

72.380 43.300

41.560 133.800

113.940 177.100

102.930 89.870

49.290 163.330

152.220 253.200

2.565.730

1.643.170

4.208.900

2.796.120

1.671.020

4.467.140

Sumber: BPS, 2010

4.4.

Kebijakan DKI Jakarta Terkait dengan Ketenagakerjaan Mulai dari tahun 1990-an DKI Jakarta sudah mengalami perkembangan

ekonomi yang cukup pesat. Investasi yang ditanamkan ke Jakarta relatif paling besar dibandingkan dengan provinsi selain Jakarta. pembangunan infrastruktur sedang digencarkan oleh pemerintah daerah Jakarta dengan dukungan dari pemerintah setempat. Pembangunan fasilitas dan sarana infrastruktur di Jakarta semakin berkembang. Fasilitas perkantoran, permukiman modern, supermarket dan sarana transportasi jalan tol lingkar luar dan lingkar dalam Jakarta mampu menyerap tenaga kerja dan semakin memudahkan orang di luar Jakarta untuk melakukan migrasi ke Jakarta dengan cepat dan murah, baik migrasi permanen maupun migrasi sirkuler.

51

Selain itu, tingkat Upah Minimum Regional yang tinggi di Jakarta juga mendorong migrasi penduduk ke Jakarta. Meningkatnya upah dari tahun ke tahun hingga saat ini membuat Jakarta menjadi kota tujuan untuk bermigrasi. Hal ini menyebabkan pemuda usia produktif dari berbagai daerah di Indonesia berbondong-bondong datang ke Jakarta untuk mengadu nasib dengan mencari kerja atau ingin mencari pendapatan yang lebih tinggi. Jumlah penduduk juga memberikan efek besar yang menentukan pertumbuhan ekonomi. Meski jumlah penduduk Provinsi DKI Jakarta bukan merupakan jumlah penduduk terbesar di Indonesia, namun angkanya mencapai 9.588.200 jiwa dan termasuk provinsi dengan jumlah penduduk besar (Lampiran 3). Hubungan antara jumlah penduduk dengan pertumbuhan ekonomi yang positif sesuai dengan pandangan ekonom klasik dan neo klasik. Menurut pandangan ekonom klasik (Adam Smith, David Ricardo, Thomas Robert Malthus dan John Straurt Mill) maupun ekonom neo klasik (Robert Solow dan Trevor Swan) mengemukakan bahwa pada dasarnya ada empat faktor yang mempengaruhi pertumbuhan ekonomi yaitu (1) jumlah penduduk, (2) jumlah stok barang modal, (3) luas tanah dan kekayaan alam, dan (4) tingkat teknologi yang digunakan (Sukirno 2006). Perkembangan jumlah penduduk yang berhubungan positif dengan pertumbuhan ekonomi dapat dijelaskan dari pandangan ekonom klasik Adam Smith. Smith berpendapat bahwa perkembangan produktivitas penduduk akan mendorong pertumbuhan ekonomi. Penduduk yang bertambah akan memperluas pasar dan perluasan pasar akan meningkatkan spesialisasi dalam perekonomian (Guntur, 2010).

52

Apabila kita melihat jumlah migrasi yang masuk ke Jakarta dari tahun 1990 hingga 1995 cenderung meningkat, namun mulai tahun 2000 hingga tahun 2005 jumlahnya semakin menurun (Lampiran 5). Hal ini disebabkan para migran lebih memilih tempat tinggal di wilayah sekitar Jakarta, seperti Depok, Bogor, Tangerang dan Bekasi (bodetabek). Karena harga lahan disana lebih

murah

dibandingkan Jakarta, selain itu didukung dengan sarana transportasi yang murah dan mudah, sehingga banyak masyarakat yang melakukan commuting. Sebenarnya, keadaan seperti ini akan memberikan dampak yang baik bagi Jakarta dan wilayah penyangga Jakarta (bodetabek). Jakarta akan berkurang beban jumlah penduduknya dan wilayah penyangga Jakarta semakin berkembang dan maju. Namun, meski beberapa tahun belakangan ini jumlah migrasi ke Jakarta mengalami penurunan, kepadatan penduduk tiap tahunnya justru semakin meningkat (Lampiran 4). Apabila melihat dari kepadatan penduduk per kilo meter persegi, Provinsi DKI Jakarta tetap berada peringkat paling atas untuk kategori provinsi dengan tingkat kepadatan penduduk tinggi yaitu mencapai 14.440 km 2 pada tahun 2010. Pentingnya pembangunan di daerah luar Jakarta juga diharapkan dapat membuat tingkat kepadatan penduduk Jakarta dapat teratasi. Migran melakukan migrasi karena tidak adanya lapangan pekerjaan di daerah asal migran, oleh karena itu perlu adanya investasi untuk daerah sehingga dapat menyediakan lapangan pekerjaan baru. Beberapa kebijakan telah diberlakukan dari pemerintah DKI Jakarta untuk mengatasi kepadatan penduduk di daerah Jakarta, diantaranya adalah kebijakan pada saat hari raya. Saat hari raya idul fitri, aparat kepolisian ditugaskan untuk melakukan pengecekkan rutin di tempat-tempat tertentu seperti terminal dan

53

stasiun. Aparat kepolisian ditugaskan untuk mengecek kartu identitas penduduk (Kartu Tanda Penduduk). Jika ditemukan penduduk yang bukan berdomisili di Jakarta, maka akan dikembalikkan ke daerah asal (Bagian Kependudukan Provinsi DKI Jakarta). Namun, ketidakpatuhan penduduk Jakarta akan kebijakan yang telah diberlakukan membuat peraturan yang telah dibuat tidak mencapai hasil seperti yang diharapkan. Hal ini masih butuh perbaikan sistem agar peraturan ini dapat berjalan dengan baik.

54

V.

HASIL DAN PEMBAHASAN

Dalam bab ini akan dibahas hasil dari estimasi faktor-faktor yang memengaruhi migrasi ke Provinsi DKI Jakarta sebagai bagian dari investasi sumber daya manusia. Adapun variabel yang diteliti pada tingkat migrasi ke Jakarta ini adalah besarnya upah minimum regional (UMR), Produk Domestik Regional Bruto tiap provinsi dan dari segi demografi adalah jumlah penduduk dari seluruh provinsi di Indonesia.

5.1.

Hasil Estimasi Model Dalam penelitian ini, estimasi terhadap fungsi migrasi dilakukan dengan

menggunakan program software Eviews 6 dan metode panel data dengan Model Efek Tetap (Fixed Effect Model). Pemilihan model efek tetap ini dimaksudkan untuk memberikan keleluasaan untuk melihat heterogenitas tiap individu dari contoh penelitian. Dengan model efek tetap kita akan membiarkan intersep bervariasi antar individu (provinsi), dan perbedaan nilai konstanta ini diasumsikan sebagai perbedaan antar unit individu. Analisis dengan menggunakan panel data juga dilakukan dengan model Pooled Least Square (PLS) dan Random Effect Model. Ketika menguji dengan menggunakan kedua model tersebut, didapatkan hasil estimasi yang tidak sesuai dengan yang diharapkan. Banyak hasil yang tidak signifikan, nilai R-Square dan nilai Durbin-Watson yang tidak bagus. Selain itu, juga dilakukan pengujian CHOW dimana membandingkan model PLS dengan Fixed Effect dan Hausman Test dimana membandingkan Random Effect dengan Fixed Effect, dan dari hasil

55

yang didapatkan menunjukkan bahwa model Fixed Effect yang memberikan hasil terbaik. Tabel 5.1. Hasil Estimasi Model Migrasi dengan Model Fixed Effect Variabel Konstanta RUMR RPDRB RJML R-square Prob (F-stat) R-square Durbin Watson (stat) Sumber: Lampiran 12

Koefisien Std. Error t-statistik 10.40660 0.176344 59.01291 -0.004804 0.001672 -2.872544 -0.002262 0.000547 -4.136255 0.002244 0.001895 1.184644 Weighted Statistics 0.991075 Residual Sum Squared 0.000000 Durbin Watson (stat) Unweighted Statistics 0.813832 Residual Sum Squared 1.812534

Prob. 0.0000 0.0054 0.0001 0.2402 45.89406 2.044366 57.71042

Berdasarkan Tabel 5.1. didapat uji-F yang signifikan pada taraf nyata 5 persen (0,05), karena nilai probabilitas Fstat sama dengan 0,000 yang lebih kecil dari taraf nyata 0,05. Hal ini berarti minimal ada satu peubah bebas yang berpengaruh nyata dalam model. Kemudian nilai koefisien determinasi (Rsquared) yang diperoleh sebesar 99,1075 persen yang menunjukkan tingkat kecocokan model yang tinggi. Interpretasi dari nilai R-squared ini adalah sebesar 99,1075 persen migrasi dapat dijelaskan oleh variabel Upah Minimum Regional, Produk Domestik Regional Bruto dan jumlah penduduk, sedangkan sisanya sebesar 0,8925 persen dijelaskan oleh faktor-faktor lain di luar persamaan.

56

9

Series: Standardized Residuals Sample 2000 2003 Observations 96

8 7 6 5 4 3

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

-1.39e-17 -0.000436 1.273742 -1.702585 0.695051 -0.100463 2.063378

Jarque-Bera Probability

3.670531 0.159571

2 1 0 -1.5

-1.0

-0.5

0.0

0.5

1.0

sumber: Lampiran 16 Gambar 5.1. Hasil Uji Normalitas dalm Model Migrasi (Fixed Effect-GLS)

Tabel 5.2.

Hasil Uji Normalitas Model Migrasi ke Jakarta

Model Migrasi ke Jakarta

Jarque-Bera 3,670531

Probability 0,159571

Hasil uji normalitas diperlihatkan dalam Tabel 5.2. Berdasarkan Tabel 5.2. tersebut didapatkan hasil bahwa probabilitas Jaque Bera lebih besar daripada taraf nyata yang digunakan (0,159571 > 0,05). Berdasarkan hal tersebut maka sudah cukup bukti untuk menerima H0 yang artinya residual dalam model sudah menyebar normal. Untuk mendeteksi adanya heteroskedastisitas dapat menggunakan metode General Least Square (Cross section Weights) yaitu dengan membandingkan Sum Square Resid pada Weighted Statistics dengan Sum Square Resid Unweighted Statistics. Hasil pengolahan di peroleh nilai Sum Square Resid pada Weighted statistics sebesar 45,894 dan Sum Square Resid Unweighted statistics 57,710 (Lampiran 12). Dengan hasil tersebut menunjukkan bahwa sum square Resid pada

57

Weighted Statistics lebih kecil dari sum square Resid unweighted Statistics. Kondisi tersebut memberikan indikasi bahwa dalam estimasi model terjadi heteroskedastisitas. Namun dalam Gujarati (2003) dijelaskan bahwa salah satu cara untuk mengatasi masalah ini adalah dengan memberi perlakuan cross section weight dan white-heteroskedastisity-consistent covariance untuk mengantisipasi data yang tidak homoskedastisitas. Karena dalam mengestimasi model telah menggunakan metode GLS (generalized least square) dengan white heteroscedastisity sebagai pembobot maka masalah heteroskedastisitas sudah dapat teratasi. Selain itu, estimasi GLS dengan menggunakan white-heteroscedasticity pada Eviews 6 juga didapat dengan memilih View- Actual, Fitted, Residual- Standardized Residual Graph. 1.6 1.2 0.8 0.4 0.0 -0.4 -0.8 -1.2 -1.6 -2.0 -2.4 10

20

30

40

50

60

70

80

90

Standardized Residuals

Sumber: Lampiran 17 Gambar 5.2. Standardized Residual untuk Melihat Homoskedastisitas

58

Berdasarkan Gambar 5.2, terlihat bahwa ragam dan rataan sudah konstan. Hal ini mengidentifikasikan bahwa model sudah homoskedastisitas. Uji asumsi ekonometrika selanjutnya adalah uji autokorelasi. Dari tabel Durbin-Watson (DW) dengan jumlah observarsi (n) = 24, dan jumlah variabel independent tertentu tidak termasuk konstanta (k) = 3, dengan α = 5% di dapat dl = 1,60 , du = 1,73. Hasil output pada Tabel 5.1, didapat nilai DW sebesar 2,044. Dengan demikian, nilai DW berada diantara du dan 4-du. Dengan mengacu pada Gambar 3.1, maka autokorelasi pada model yang diperoleh berada pada daerah tidak ada autokorelasi.

Sama halnya apabila melihat dari Tabel 3.1.

Adanya penggunaan data time series diduga dapat menimbulkan pelanggaran asumsi yaitu autokorelasi. Ada atau tidaknya autokorelasi pada model dapat dilihat pada nilai Durbin Watsonstat. Hasil pengolahan data terlihat bahwa nilai Durbin Watsonstat (weighted) adalah sebesar 2,0443. Oleh karena nilai Durbin Watsonstat tersebut berkisar antara 1,55-2,46 maka model yang diestimasi dapat dikatakan terbebas dari autokorelasi. Penggunaan

panel

data

dapat

mengabaikan

pelanggaran

asumsi

multikolinieritas, karena adanya penggabungan data time series dan cross section, sehingga akan lebih banyak variasi data dan lebih sedikitnya korelasi antar variabel. Selain itu, indikasi adanya multikolinieritas atau korelasi antar variabel pada sebuah model adalah jika dalam uji-F disimpulkan signifikan dan R-squared yang tinggi namun hanya sedikit variabel yang signifikan. Dari hasil pengolahan data terlihat hanya satu variabel yang tidak signifikan pada taraf nyata 0,05. Variabel tersebut adalah jumlah penduduk. Hal ini berarti dalam pengolahan data tidak terjadi pelanggaran asumsi multikolinieritas.

59

5.2.

Interpretasi Model Selain uji statistik, untuk menyatakan bahwa model regresi yang

dihasilkan adalah baik harus dilakukan uji secara ekonomi. Untuk melihat kesesuaian hasil regresi dengan kriteria ekonomi dilakukan dengan melihat kecocokan tanda dan nilai koefisien penduga dengan teori ekonomi atau nalar. Berdasarkan hasil analisis yang ditunjukkan dengan nilai t-statistik (uji-t) di atas, dari tiga variabel yang digunakan ada satu variabel yang tidak signifikan dalam taraf nyata 5 persen (0,05). Variabel tersebut adalah jumlah penduduk tiap provinsi selain Jakarta yang bermigrasi ke Jakarta (JML). Variabel ini tidak signifikan namun tanda koefisien sesuai dengan hipotesis yaitu positif. Hal ini dapat terjadi karena penduduk dari provinsi selain Jakarta yang ingin melakukan migrasi karena daerah asalnya padat, memilih daerah lain selain Jakarta yang dari segi jumlah atau kepadatan penduduknya lebih sedikit. Jika migran hanya melihat dari segi jumlah kepadatan penduduk tanpa melihat faktor lain, keputusan untuk bermigrasi ke Jakarta sangat sedikit namun ia tetap bermigrasi dikarenakan jumlah penduduk daerah asal migran semakin meningkat dan ia akan mencari daerah dengan jumlah penduduk yang jarang. Variabel Rasio Upah Minimum Regional (RUMR) berdasarkan hasil estimasi memiliki koefisien -0,004. Hal ini menunjukkan bahwa variabel RUMR berpengaruh nyata dan signifikan terhadap jumlah migrasi penduduk ke Jakarta sebesar 0,004 persen. Hal ini dikarenakan nilai probabilitas dari t-statistik tersebut sebesar 0,0054 yang lebih kecil dari 0,05 (taraf nyata 5%). Artinya, jika di tiap provinsi selain Jakarta mengalami peningkatan UMR relatif terhadap Jakarta sebesar 1 persen maka rata-rata jumlah migrasi penduduk ke Jakarta dari tiap

60

provinsi yang dianalisis akan menurun sebesar 0,004 persen. Tanda negatif pada koefisien menunjukkan hubungan yang negatif antara migrasi masuk ke Jakarta terhadap rasio UMR provinsi luar Jakarta terhadap UMR Jakarta. Hal ini sesuai dengan hipotesis bahwa semakin besar tingkat UMR provinsi selain Jakarta maka jumlah migrasi ke Jakarta akan semakin menurun, karena daerah tersebut memberikan jaminan ekonomi yang lebih baik dari pada daerah yang UMRnya lebih rendah. Hasil estimasi ini sesuai dengan hipotesis bahwa tingkat UMR tiap provinsi selain Jakarta memiliki hubungan negatif terhadap jumlah migrasi ke Jakarta. Todaro dan Smith (2004) mengemukakan dalam teorinya bahwa penyebab migrasi adalah untuk mendapatkan pendapatan yang lebih tinggi. Semakin tinggi UMR di Jakarta maka jumlah migrasi ke Jakarta juga akan semakin besar. Migran memilih pindah ke Jakarta karena melihat upah yang ia akan terima lebih besar dibandingkan dengan upah di daerah asal. Migran akan mengorbankan besarnya pendapatan yang seharusnya ia terima di daerah asal untuk mendapatkan pendapatan baru yang ia akan terima di daerah tujuan (Jakarta). Dalam hal ini, pengorbanan migran untuk meninggalkan daerah asal serta pendapatan-pendapatan yang seharusnya ia terima dan menuju Jakarta adalah bagian dari investasi sumber daya manusia. Hasil penelitian diperoleh bahwa migran yang masuk ke Jakarta dari seluruh provinsi di Indonesia, posisi tertinggi ditempati oleh Provinsi Jawa Tengah sebesar 1.274.304 jiwa atau sebesar 41,47 persen, disusul kemudian berturut-turut oleh Jawa Barat yaitu sebesar 743.558 jiwa atau sebesar 24,21 persen, Provinsi Jawa Timur, Sumatra Utara, Sumatra Barat dan Yogyakarta yaitu

61

sebesar 5,69 persen, 4,59 persen dan 4,04 persen. Provinsi di Pulau Jawa memiliki kontribusi di peringkat atas terhadap migrasi ke DKI Jakarta. Hal ini diduga karena ketimpangan upah terlihat begitu tinggi padahal dalam jarak yang relatif dekat sehingga migran sangat mudah mengambil keputusan untuk pindah ke Jakarta (Lampiran 5). Upah di DKI Jakarta tahun 2010 sebesar 1.118.009 rupiah, provinsi Jawa Tengah sebesar 660.000 rupiah sedangkan upah provinsi Jawa Timur sebesar 630.000 rupiah (Lampiran 2). Ketimpangan ini begitu terlihat padahal jarak dari provinsi ini ke Jakarta relatif dekat. Oleh Karen itu migran sangat mudah sekali mengambil keputusan untuk melakukan migrasi ke Jakarta. Rasio UMR provinsi di pulau Jawa sekitar setengah sampai dua pertiga UMR Jakarta, padahal jarak menuju Jakarta relatif dekat dan dapat ditempuh dalam waktu yang relatif singkat dengan transportasi darat sehingga penduduk sangat mudah untuk bermigrasi ke DKI Jakarta. Variabel Rasio Produk Domestik Regional Bruto (RPDRB) memiliki koefisien sebesar -0,002. Hal ini menunjukkan bahwa variabel RPDRB berpengaruh nyata dan signifikan terhadap jumlah migrasi penduduk ke DKI Jakarta sebesar 0,002 persen. Terlihat pada probabilitas t-statistik (0,0001) yang lebih kecil dari taraf nyata 5 persen (0,05). Artinya jika di tiap provinsi selain Jakarta mengalami peningkatan PDRB relatif terhadap Jakarta sebesar 1 persen maka rata-rata jumlah migrasi penduduk ke Jakarta dari provinsi tersebut akan menurun sebesar 0,002 persen (Lampiran 1). Hasil penelitian menunjukkan bahwa PDRB perkapita DKI Jakarta berada pada posisi PDRB provinsi tertinggi di Indonesia yaitu sebesar 862.158.910 rupiah pada tahun 2010 (Lampiran 1). Hal ini mencerminkan secara ekonomi

62

bahwa DKI Jakarta memiliki pembangunan ekonomi yang paling baik dibandingkan dengan pembangunan ekonomi provinsi lainnya. Hal ini sesuai dengan hipotesis bahwa pendapatan perkapita tiap daerah memiliki hubungan yang negatif terhadap jumlah migrasi ke Jakarta sebagai tempat tujuan migrasi. Dilihat dari semua hasil estimasi yang telah dilakukan, baik dari hal UMR ataupun PDRB, keputusan migran berpindah tempat dari daerah asal ke Provinsi DKI Jakarta membuat migran mengorbankan pendapatan yang seharusnya dapat diterima di tempat asal. Seseorang mau atau berusaha pindah kerja dari satu tempat ke tempat lain untuk memperoleh penghasilan yang lebih besar. Dalam hal ini besarnya arus pendapatan yang diterima selama hidupnya di tempat asal merupakan biaya tidak langsung atau opportunity cost untuk memperoleh pendapatan yang jumlahnya lebih besar di tempat tujuan. Hal ini adalah suatu investasi sumber daya manusia dimana setelah investasi awal dilakukan, maka akan dihasilkan tingkat pengembalian (aliran penghasilan) pada masa yang akan datang. Tingkat pengembalian (rate of return) dapat diperoleh dan dibandingkan dengan pengembalian dari investasi lain, yaitu dengan cara memperkirakan nilai yang didapat sekarang dari aliran pendapatan yang meningkat yang mungkin dihasilkan dari investasi-investasi tersebut dan membandingkannya dengan biaya langsung dan biaya tidak langsung.

63

VI.

6.1.

KESIMPULAN DAN SARAN

Kesimpulan Kesimpulan dari penelitian ini adalah:

1.

Migran melakukan migrasi dari daerah asal ke daerah tujuan karena melihat tingkat Produk Domestik Regional Bruto (PDRB) dan Upah Minimum Regional (UMR) Jakarta yang relatif lebih besar dari daerah asal.

2.

Pengorbanan pendapatan yang migran tinggalkan di daerah asal untuk mendapatkan pendapatan baru di Jakarta merupakan salah satu bentuk investasi sumber daya manusia.

3.

Migran tetap melakukan migrasi meski jumlah penduduk Provinsi DKI Jakarta mengalami peningkatan.

6.2.

Saran Adapun saran dalam penelitian ini adalah:

1.

Pemerintah perlu meningkatkan pembangunan yang lebih merata di berbagai daerah sehingga penyerapan tenaga kerja di tiap daerah menjadi seimbang.

2.

Untuk mengatasi kepadatan penduduk Provinsi DKI Jakarta, perlu adanya pembatasan jumlah penduduk di Jakarta dengan cara mengadakan kembali program transmigrasi yang terencana dan pemerintah harus menyediakan terlebih dahulu daerah transmigran di wilayah berkependudukan jarang.

64

3.

Untuk penelitian selanjutnya, sebaiknya memasukkan variabel faktor demografi seperti jenis kelamin, tingkat pendidikan dan usia migran. Selain itu perlu analisis lebih jauh apakah migran yang masuk ke Jakarta lebih banyak bekerja di sektor formal atau informal.

65

DAFTAR PUSTAKA

Alatas, Secha dan Edy. 1992. Migrasi Penduduk dan Produktivitas Pekerja. Makalah Seminar dan Hasil Penelitian. Lembaga Demografi Fakultas Ekonomi Universitas Indonesia. Jakarta. Anitawati, Maria . dan Chairil . Rasahan. 1986. Analisis Pendapatan Migran dan Faktor-Faktor yang Mempengaruhi Peluang Bermigrasi. Journal Agro Ekonomi. Pusat Penelitian Agro Ekonomi, Badan Penelitian dan Pengembangan Pertanian. Departemen Pertanian. Bogor. Artika, M. 2003. Proses Migrasi dan Dinamika Kebudayaan Masyarakat Migran Madura [Skripsi]. Fakultas Perikanan dan Ilmu Kelautan Institut Pertanian Bogor, Bogor. Badan Pusat Statistik. 1991. Jakarta Dalam Angka 1990. Jakarta, Badan Pusat Statistik. __________________. 2002. Jakarta Dalam Angka 2001. Jakarta, Badan Pusat Statistik. __________________. 2007. Jakarta Dalam Angka 2006. Jakarta, Badan Pusat Statistik. __________________. 2011. Jakarta Dalam Angka 2010. Jakarta, Badan Pusat Statistik. __________________. 1996. Statistik Indonesia 1995. Jakarta, Badan Pusat Statistik. __________________. 2001. Statistik Indonesia 2000. Jakarta, Badan Pusat Statistik. __________________. 2006. Statistik Indonesia 2005-2006. Jakarta, Badan Pusat Statistik. __________________. 2010. Statistik Indonesia 2009. Jakarta, Badan Pusat Statistik. __________________. 2011. Statistik Indonesia 2010. Jakarta, Badan Pusat Statistik. Baltagi, B. H. 2005. Econometric Analysis of Panel Data. Third Edition. New York : McGraw Hill Companies Inc. Erwindo, et al. 1992. Studi Keterkaitan Desa-Kota. Pusat Penelitian Studi Ekonomi, Bogor. Firdaus, M. 2004. Ekonometrika Suatu Pendekatan Aplikatif. Jakarta : Bumi Aksara. Greenwood, Michael J. 1975. Research on Internal Migration in the United States : A Survey. Journal of Economic Literature.

66

Gujarati, D. N. 2004. Basic Econometrics. Fourth Edition. New York : McGraw Hill Companies, Inc. Hauser et al. 1985. The Population Dilema. The American Assembly Columbia University, United State of America. Hardjosudarmo. 1965. Kebijaksanaan Transmigrasi dalam Rangka Pembangunan Masyarakat Desa di Indonesia. Bhratara, Jakarta. Juanda, B. 2009. Ekonometrika Pemodelan dan Pendugaan. Bogor : IPB PRESS. Lee, E. 1984. Suatu Teori Migrasi. Pusat Penelitian Kependudukan Universitas Gajah Mada, Yogyakarta. Manning & Effendi. 1985. Urbanisasi, Pengangguran, dan Sektor Informal di Kota. Yayasan Obor Indonesia dan PPSK Universitas Gajah Mada. Gramedia, Jakarta. Mantra, I. B. 1981. Population Movement in Wet Rice Communities. Gajah Mada University Perss, Yogyakarta. Munir, R. 1981. Migrasi dalam Dasar-Dasar Demografi. Lembaga Demografi FEUI. Jakarta. Praha, Guntur. 2010. Analisis Disparitas Antar Wilayah Terhadap Pertumbuhan Ekonomi Provinsi Kalimantan Barat. [Tesis] Program studi Ilmu Ekonomi Sekolah Pascasarjana Institut Pertanian Bogor, Bogor. Refiani, E. 2006. Faktor Penyebab dan Dampak Migrasi Sirkuler di Daerah Asal „Studi Kasus Desa Pamijahan, Kab. Bogor. Prop. Jawa Barat‟. [skripsi] Fakultas Pertanian Institut Pertanian Bogor, Bogor. Rusli, Said. 1982. Pengantar Ilmu Kependudukan. Lembaga Penelitian, Pendidikan dan Penerangan Ekonomi Sosial, Jakarta. Simanjuntak, Payaman J. 1985. Pengantar Ekonomi Sumberdaya Manusia. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Jakarta. Solimano, A. 2002. “Development Cycles, Political Regimes and International Migration: Argentina in the 20th Century”. Dalam makalah konfrensi Poverty, International Migration and Asylum, Helsinki. Sukmono, M. 1985. Pengaruh Pendidikan dan Latihan Terhadap Peningkatan Produktivitas, dalam J. Ravianto. Produktivitas dan Mutu Kehidupan. Sarana Informasi Usaha dan Produktivitas, Jakarta. Sunario. 1994. Masyarakat Indonesia Memasuki Abad ke-21. Departemen Pendidikan dan Kebudayaan, Jakarta. Todaro dan Smith. 2004. Pembangunan Ekonomi di Dunia Ketiga. Edisi Kedelapan. Erlangga, Jakarta.

67

LAMPIRAN

68

Lampiran 1.

Data PDRB Atas Dasar Harga Berlaku Menurut Provinsi dalam Juta Rupiah

No

Nama Provinsi

1990

1995

2000

2005

2010

7.239.282

13.091.228

35.883.111

56.951.611

77.505.598

1

Aceh

2

Sumatera Utara

10.774.792

24.630.522

69.154.112

139.618.313

275.700.201

3

Sumatera Barat

3.302.219

8.267.123

22.889.614

44.674.569

87.221.253

4

Riau

13.160.119

21.234.728

94.757.902

139.018.996

342.691.448

5

Jambi

13.96.923

3.457.564

9.569.242

22.487.011

53.816.693

6

Sumatera Selatan

7.901.575

14.513.151

41.317.799

81.531.510

157.772.133

7

Bengkulu

806.720

19.88.629

4.868.099

10.134.450

18.036.964

8

Lampung

3.224.635

81.19.193

23.265.292

40.906.788

107.277.261

9

DKI Jakarta

22.830.244

70.045.319

227.924.124

433.860.253

862.158.910

10

Jawa Barat

31.707.356

76.198.179

195.753.028

389.244.653

770.660.480

11

Jawa Tengah

21.689.283

46.586.033

114.701.305

234.435.323

444.396.468

12

DI. Yogyakarta

1.900.530

5.613.281

13.480.599

25.337.603

45.591.853

13

Jawa Timur

29.131.523

65.883.193

202.830.063

403.392.350

778.455.772

14

Bali

3.017.867

7.409.946

17.268.228

33.946.467

66.690.598

15

Kalimantan Barat

2.742.606

7.138.914

19.319.231

33.869.468

60.475.251

16

Kalimantan Tengah

1.387.090

4.351.695

10.980.530

20.983.169

42.567.204

17

Kalimantan Selatan

2.333.838

6.210.472

17.215.468

31.794.068

58.541.818

18

Kalimantan Timur

10.684.275

21.619.609

82.447.052

180.289.090

321.090.818

19

Sulawesi Utara

15.06.614

3.792.494

10.564.822

18.763.479

36.834.792

20

Sulawesi Tengah

958.613

2.512.208

86.49.206

17.116.580

36.856.442

21

Sulawesi Selatan

4.476.679

10.377.324

30.763.333

51.780.442

117.830.270

22

sulawesi Tenggara

821.398

1.819.242

5.774.653

12.981.046

33.269.481

23

NTB

1.332.644

3.465.970

12.181.956

25.682.674

49.362.706

24

NTT

1.163.829

2.874.131

7.850.624

14.810.472

27.710.331

25

Maluku

1.498.618

3.171.107

2.769.260

4.570.664

8.084.807

Sumber: Statistik Indonesia

69

Lampiran 2. No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Data Upah Minimum Regional (UMR) Tiap Provinsi (Rupiah)

Nama Provinsi 1990 Aceh 63.990 Sumatera Utara 57.900 Sumatera Barat 48.000 Riau 60.000 Jambi 33.000 Sumatera Selatan 48.000 Bengkulu 39.000 Lampung 52.500 DKI Jakarta 63.000 Jawa Barat 36.000 Jawa Tengah 23.400 DI. Yogyakarta 27.000 Jawa Timur 42.270 Bali 54.000 Kalimantan Barat 42.000 Kalimantan 30.000 16 Tengah Kalimantan 34.500 17 Selatan Kalimantan 48.000 18 Timur 25.500 19 Sulawesi Utara 20 Sulawesi Tengah 25.500 21 Sulawesi Selatan 30.000 sulawesi 47.970 22 Tenggara 38.250 23 NTB 48.000 24 NTT 54.000 25 Maluku Sumber: Statistik Indonesia

1995 105.000 126.000 97.500 124.500 99.000 105.000 105.000 105.000 138.000 138.000 90.000 85.500 111.000 117.000 105.000

2000 265.000 254.000 200.000 250.700 173.000 196.000 173.000 192.000 286.000 270.000 185.000 194.500 236.000 214.300 228.000

2005 2010 620.000 1.300.000 600.000 965.000 540.000 940.000 551.500 1.016.000 485.000 900.000 503.700 927.825 430.000 780.000 405.000 767.500 711.483 1.118.009 408.260 671.500 390.000 660.000 400.000 745.695 340.000 630.000 447.500 829.316 445.200 741.000

111.000 385.000 523.698

986.590

105.000 200.000 536.300 1.024.500 126.000 97.500 84.000 93.000

233.000 186.000 203.000 200.000

600.000 1.002.000 600.000 1.000.000 490.000 775.500 510.000 1.000.000

100.500 88.500 87.000 114.000

210.000 180.000 184.000 230.000

490.000 475.000 450.000 500.000

860.000 890.775 800.000 840.000

70

Lampiran 3.

Data Jumlah Penduduk Menurut Provinsi Jumlah Penduduk

No

Nama Provinsi

1990

1995

2000

2005

2010

1

Aceh

3.416.000

3.847.000

3.929.200

4.032.000

4.486.600

2

Sumatera Utara

10.256.000

11.115.000

11.642.000

12.451.000

12.985.100

3

Sumatera Barat

4.000.000

4.323.000

4.249.000

4.566.000

4.846.000

4

Riau

3.304.000

3.900.000

4.948.000

4.579.000

5.543.000

5

Jambi

2.020.000

2.370.000

2.407.000

2.636.000

3.088.600

6

Sumatera Selatan

6.313.000

7.208.000

6.211.000

6.782.000

7.446.400

7

Bengkulu

1.179.000

1.409.000

1.456.000

1.549.000

1.713.400

8

Lampung

6.018.000

6.658.000

6.731.000

7.116.000

7.596.100

9

DKI Jakarta

8.259.000

9.113.000

8.361.000

8.860.000

9.588.200

10

Jawa Barat

35.384.000

39.207.000

35.724.000

38.965.000

43.021.800

11

Jawa Tengah

28.521.000

29.653.000

31.223.000

31.978.000

32.380.700

12

DI. Yogyakarta

2.913.000

2.917.000

3.121.000

3.344.000

3.452.400

13

Jawa Timur

32.504.000

33.844.000

34.766.000

36.294.000

37.476.000

14

Bali

2.778.000

2.896.000

3.150.000

3.384.000

3.891.400

15

Kalimantan Barat

3.229.000

3.636.000

4.016.000

4.052.000

4.393.200

16

Kalimantan Tengah

1.396.000

1.627.000

1.855.000

1.915.000

2.202.600

17

Kalimantan Selatan

2.597.000

2.893.000

2.984.000

3.282.000

3.626.100

18

Kalimantan Timur

1.877.000

2.314.000

2.452.000

2.849.000

3.550.600

19

Sulawesi Utara

2.478.000

2.649.000

2.001.000

2.129.000

2.265.900

20

Sulawesi Tengah

1.711.000

1.938.000

2.176.000

2.295.000

2.633.400

21

Sulawesi Selatan

6.982.000

7.558.000

8.051.000

7.510.000

8.032.600

22

sulawesi Tenggara

1.350.000

1.587.000

1.820.000

1.963.000

2.230.600

23

NTB

3.370.000

3.646.000

4.009.000

4.184.000

4.496.900

24

NTT

3.269.000

3.577.000

3.823.000

4.260.000

4.679.300

25

Maluku

1.858.000

2.087.000

1.166.000

1.252.000

1.531.400

Sumber: Statistik Indonesia

71

Lampiran 4.

Data Jumlah Kepadatan Penduduk Tiap Provinsi (km2)

Provinsi NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Aceh Sumatra utara Sumatra Barat Riau Jambi Sumatra Selatan Bengkulu Lampung DKI Jakarta Jawa Barat Jawa Tengah DIY Jawa Timur Bali NTB NTT Kalimantan Barat Kalimantan 18 Tengah Kalimantan 19 Selatan Kalimantan 20 Timur 21 Sulawesi Utara 22 Sulawesi Tengah 23 Sulawesi Selatan Sulawesi 24 Tenggara 25 Maluku Sumber: Statistik Indonesia

Kepadatan Penduduk per kilo meter persegi 1990 1995 2000 2005 2010 62 69 68 78 77 145 157 160 169 178 80 87 101 106 115 35 41 45 52 64 45 53 45 49 62 61 70 68 73 81 56 66 74 78 86 181 200 194 201 219 13.999 15.445 12.592 13.344 14.440 764 847 1.010 1.126 1.216 834 867 952 982 987 919 920 996 1.049 1.102 678 706 727 757 784 500 521 545 601 673 167 181 199 208 242 68 75 81 90 96 22 25 27 28 30 9 11 12 12 14 69

77

69

75

94

9

11

11

12

17

130 25 96 49

139 28 104 57

131 35 153 48

139 36 85 51

164 43 172 59

25

28

25

27

33

72

Lampiran 5.

Data Jumlah Migrasi Penduduk Masuk Jakarta dalam Jiwa

No Nama Provinsi 1990 1995 2000 2005 18.808 18.963 22.935 18.233 1 Aceh 200.135 232.144 230.137 174.847 2 Sumatera Utara 154.485 165.779 152.966 141.249 3 Sumatera Barat 22.237 22.960 24.179 26.968 4 Riau 9.478 14.781 12.070 14.465 5 Jambi 93.088 108.763 65.565 56.174 6 Sumatera Selatan 6.269 8.294 7.172 6.398 7 Bengkulu 24.184 34.940 52.293 55.818 8 Lampung 9 DKI Jakarta 859.938 899.891 765.721 743.558 10 Jawa Barat 1.139.985 1.167.034 1.277.549 1.274.304 11 Jawa Tengah 90.339 131.474 126.889 124.229 12 DI. Yogyakarta 301.476 324.705 355.270 302.093 13 Jawa Timur 9.027 8.970 10.007 4.779 14 Bali 1.838 1.523 67.309 59.033 15 Kalimantan Barat 65.791 59.712 1.531 662 16 Kalimantan Tengah 3.766 1.407 9.024 7.479 17 Kalimantan Selatan 16.796 11.636 7.504 20.507 18 Kalimantan Timur 8.369 8.314 26.257 3.415 19 Sulawesi Utara 31.293 34.597 4.062 3.415 20 Sulawesi Tengah 3.924 1.516 48.592 4.071 21 Sulawesi Selatan 42.294 50.936 2.619 3.915 22 sulawesi Tenggara 11.335 11.016 13.683 10.421 23 NTB 9.913 11.057 12.659 13.615 24 NTT 2.520 1.415 15.915 7.879 25 Maluku Sumber: Statistik Indonesia (diolah)

73

Lampiran 6.

No

Presentase Rasio PDRB Atas Dasar Harga Berlaku tiap Provinsi terhadap Jakarta.

Nama Provinsi

1990

1995

2000

2005

2010

1

Aceh

31.7091749

18.689654

15.7434458

13.12671801

8.989711442

2

Sumatera Utara

47.1952556

35.163695

30.340848

32.18048039

31.97788689

3

Sumatera Barat

14.46423

11.802535

10.0426465

10.29699516

10.11660982

4

Riau

57.6433568

30.315699

41.5743188

32.04234432

39.74806086

5

Jambi

6.11873881

4.9361814

4.19843316

5.183007958

6.242085114

6

Sumatera Selatan

34.6101207

20.719659

18.1278744

18.79211323

18.29965811

7

Bengkulu

3.53355838

2.8390605

2.13584193

2.335878876

2.092069601

8

Lampung

14.1244001

11.591343

10.2074724

9.428563379

12.4428641

9

DKI Jakarta

100

100

100

100

100

10

Jawa Barat

138.883124

108.78411

85.8851729

89.7165968

89.38728932

11

Jawa Tengah

95.0024143

66.508417

50.3243373

54.03475467

51.54461233

12

DI. Yogyakarta

8.32461537

8.0137846

5.91451171

5.840037951

5.288103213

13

Jawa Timur

127.600577

94.057953

88.9901689

92.9774848

90.29144891

14

Bali

13.2187243

10.578788

7.57630553

7.824286114

7.735302309

15

12.0130385

10.19185

8.47616771

7.806538584

7.014397353

6.07566875

6.212685

4.81762518

4.836389087

4.937280617

17

Kalimantan Barat Kalimantan Tengah Kalimantan Selatan

10.2225714

8.8663626

7.55315747

7.328181985

6.790142498

18

Kalimantan Timur

46.7987771

30.865173

36.1730257

41.55464548

37.24264917

19

Sulawesi Utara

6.59920236

5.4143432

4.63523642

4.324774849

4.272390179

20

Sulawesi Tengah

4.19887321

3.5865466

3.79477426

3.945182997

4.274901344

21

Sulawesi Selatan

19.6085465

14.815157

13.4971816

11.93482052

13.66688542

22

sulawesi Tenggara

3.59785029

2.5972357

2.53358569

2.991987945

3.858857197

23

NTB

5.83718685

4.9481822

5.34474183

5.91957305

5.725476569

24

NTT

5.09775104

4.1032449

3.4444024

3.413650363

3.214063089

25

Maluku

6.56417864

4.5272219

1.21499206

1.053487619

0.937739823

16

Sumber: Statistik Indonesia (diolah)

74

Lampiran 7.

No

Presentase Rasio UMR tiap Provinsi terhadap Jakarta dalam Persen.

Nama Provinsi

1990

1995

2000

2005

2010

1 2

Aceh Sumatera Utara

101.571 91.9048

76.08696 91.30435

92.65734 88.81119

87.14193 84.3309

116.2781 86.31415

3 4 5 6 7 8 9

Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung DKI Jakarta

76.1905 95.2381 52.381 76.1905 61.9048 83.3333 100

70.65217 90.21739 71.73913 76.08696 76.08696 76.08696 100

69.93007 87.65734 60.48951 68.53147 60.48951 67.13287 100

75.89781 77.51415 68.16748 70.79579 60.43714 56.92336 100

84.07804 90.87583 80.50025 82.98905 69.76688 68.64882 100

10 11 12 13 14 15 16

Jawa Barat Jawa Tengah DI. Yogyakarta

57.1429 37.1429 42.8571

100 65.21739 61.95652

94.40559 64.68531 68.00699

57.38155 54.81508 56.2206

60.06213 59.03351 66.69848

Jawa Timur Bali Kalimantan Barat Kalimantan Tengah

67.0952 85.7143 66.6667 47.619

80.43478 84.78261 76.08696 80.43478

82.51748 74.93007 79.72028 134.6154

47.78751 62.89679 62.57353 73.60654

56.35017 74.17794 66.27854 88.24526

17 18 19 20 21 22 23 24

Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan sulawesi Tenggara NTB NTT

54.7619 76.1905 40.4762 40.4762 47.619 76.1429 60.7143 76.1905

76.08696 91.30435 70.65217 60.86957 67.3913 72.82609 64.13043 63.04348

69.93007 81.46853 65.03497 70.97902 69.93007 73.42657 62.93706 64.33566

75.37777 84.3309 84.3309 68.87023 71.68126 68.87023 66.76196 63.24817

91.63611 89.62361 89.44472 69.36438 89.44472 76.92246 79.67512 71.55577

25

Maluku

85.7143

82.6087

80.41958

70.27575

75.13356

Sumber: Statistik Indonesia (diolah)

75

Lampiran 8. No

Presentase Rasio Jumlah Penduduk Tiap Provinsi terhadap Jakarta.

Nama Provinsi

1990

1995

Jumlah Penduduk 2000 2005

2010

1 2

Aceh Sumatera Utara

41.36094 124.1797

42.21442 121.9686

46.99438 139.2417

45.5079 140.5305

46.79293 135.4279

3 4 5 6

Sumatera Barat Riau Jambi Sumatera Selatan

48.43201 40.00484 24.45817 76.43783

47.43773 42.79601 26.0068 79.0958

50.81928 59.17952 28.78842 74.28537

51.53499 51.68172 29.75169 76.54628

50.54129 57.81064 32.21251 77.66213

7 8 9

Bengkulu Lampung DKI Jakarta

14.27534 72.86596 100

15.46143 73.06046 100

17.41418 80.50472 100

17.48307 80.31603 100

17.86988 79.22342 100

10

Jawa Barat

428.4296

430.2315

427.2695

439.7856

448.6953

11 12 13 14

Jawa Tengah DI. Yogyakarta Jawa Timur Bali

345.3324 35.27061 393.5585 33.63603

325.3923 32.00922 371.3815 31.77878

373.4362 37.32807 415.8115 37.67492

360.9255 37.74266 409.6388 38.19413

337.7141 36.00676 390.8554 40.5853

15 16

Kalimantan Barat Kalimantan Tengah

39.09674 16.90277

39.89905 17.85362

48.03253 22.18634

45.73363 21.614

45.81882 22.97199

17 18

Kalimantan Selatan Kalimantan Timur

31.44448 22.72672

31.74586 25.3923

35.68951 29.32664

37.04289 32.15576

37.81836 37.03093

19 20 21 22

Sulawesi Utara Sulawesi Tengah Sulawesi Selatan sulawesi Tenggara

30.00363 20.71679 84.53808 16.3458

29.06836 21.26632 82.93646 17.41468

23.93254 26.0256 96.29231 21.76773

24.02935 25.90293 84.76298 22.15576

23.63217 27.46501 83.77589 23.26401

23 24

NTB NTT

40.80397 39.58106

40.00878 39.25162

47.94881 45.7242

47.22348 48.08126

46.90036 48.80269

25

Maluku

22.49667

22.90135

13.9457

14.13093

15.97172

Sumber: Statistik Indonesia (diolah)

76

Lampiran 9.

Presentase Rasio Kepadatan Penduduk tiap Provinsi terhadap Jakarta (km2)

Provinsi NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Kepadatan Penduduk per kilo meter persegi 1990

Aceh Sumatra utara Sumatra Barat Riau Jambi Sumatra Selatan Bengkulu Lampung DKI Jakarta Jawa Barat Jawa Tengah DIY Jawa Timur Bali NTB NTT Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Maluku

1995

2000

2005

2010

0.442888 1.035788 0.571469 0.250017 0.321451 0.43574

0.446746 1.016510 0.563289 0.265458 0.343153 0.453221

0.540025 1.27064 0.802096 0.357369 0.357369 0.540025

0.584532 1.266486 0.794364 0.389688 0.367206 0.547068

0.533240 1.232686 0.796398 0.443213 0.429362 0.560941

0.400028 1.292949 100 5.457532 5.957568 6.564754 4.843203 3.571683 1.192942 0.485748 0.157154

0.427322 1.294917 100 5.483975 5.613467 5.956620 4.571058 3.373259 1.171900 0.485594 0.161864

0.587674 1.540660 100 8.020965 7.560355 7.90978 5.773506 4.328144 1.580368 0.643265 0.214421

0.584532 1.506294 100 8.438249 7.359112 7.861211 5.672961 4.503896 1.558752 0.674460 0.209832

0.595567 1.516620 100 8.421052 6.835180 7.631578 5.429362 4.660669 1.675900 0.664819 0.207756

0.064290

0.071220

0.095298

0.089928

0.096952

0.492892

0.498543

0.547966

0.562056

0.650969

0.064290

0.07122

0.087357

0.089928

0.117728

0.928637 0.178584

0.899967 0.181288

1.040343 0.277954

1.041666 0.269784

1.135734 0.297783

0.685763

0.673357

1.215057

0.636990

1.191135

0.350025

0.369051

0.381194

0.382194

1.135734

0.178584

0.181288

0.198538

0.202338

0.228531

Sumber: Statistik Indonesia (diolah)

77

Lampiran 10. Variabel-variabel dalam Model Migrasi Nama Provinsi

Tahun

Migrasi

LNMigrasi

PDRB

UMR

JML

Aceh

1990

18808

9.8420376

31.70917

101.5714

41.36093958

Aceh

1995

18963

9.850245

18.68965

76.08696

42.21441896

Aceh

2000

22935

10.040419

15.74345

92.65734

46.99437866

Aceh

2005

18233

9.8109884

13.12672

87.14193

Bali

1990

9027

9.1079754

13.21872

85.71429

45.50790068 33.63603342

Bali

1995

8970

9.101641

10.57879

84.78261

Bali

2000

10007

9.2110401

7.576306

74.93007

Bali

2005

4779

8.4719866

7.824286

62.89679

Bengkulu

1990

6269

8.7433721

3.533558

61.90476

Bengkulu

1995

8294

9.0232876

2.839061

76.08696

Bengkulu

2000

7172

8.8779398

2.135842

60.48951

Bengkulu

2005

6398

8.7637407

2.335879

60.43714

DI. Yogyakarta

1990

90339

11.411325

8.324615

42.85714

DI. Yogyakarta

1995

131474

11.786564

8.013785

61.95652

DI. Yogyakarta

2000

126889

11.751068

5.914512

68.00699

DI. Yogyakarta

2005

124229

11.729882

5.840038

56.2206

Jambi

1990

9478

9.1567286

6.118739

52.38095

Jambi

1995

14781

9.6010979

4.936181

71.73913

Jambi

2000

12070

9.3984783

4.198433

60.48951

Jambi

2005

14465

9.5794872

5.183008

68.16748

Jawa Barat

1990

859938

13.664616

138.8831

57.14286

Jawa Barat

1995

899891

13.710029

108.7841

100

Jawa Barat

2000

765721

13.548573

85.88517

94.40559

Jawa Barat

2005

743558

13.519202

89.7166

57.38155

Jawa Tengah

1990

1139985

13.946526

95.00241

37.14286

Jawa Tengah

1995

1167034

13.969976

66.50842

65.21739

Jawa Tengah

2000

1277549

14.060454

50.32434

64.68531

Jawa Tengah

2005

1274304

14.057911

54.03475

54.81508

Jawa Timur

1990

301476

12.616446

127.6006

67.09524

Jawa Timur

1995

324705

12.690672

94.05795

80.43478

Jawa Timur

2000

355270

12.780633

88.99017

82.51748

Jawa Timur

2005

302093

12.61849

92.97748

47.78751

Kalimantan Barat

1990

1838

7.5164333

12.01304

66.66667

Kalimantan Barat

1995

1523

7.3284374

10.19185

76.08696

Kalimantan Barat

2000

67309

11.117049

8.476168

79.72028

Kalimantan Barat

2005

59033

10.985852

7.806539

62.57353

Kalimantan Selatan

1990

3766

8.2337687

10.22257

54.7619

Kalimantan Selatan

1995

1407

7.2492151

8.866363

76.08696

Kalimantan Selatan

2000

9024

9.107643

7.553157

69.93007

31.77877757 37.67491927 38.19413093 14.275336 15.46142873 17.41418491 17.48306998 35.27061388 32.0092176 37.3280708 37.74266366 24.45816685 26.00680347 28.78842244 29.751693 428.429592 430.2315374 427.2694654 439.785553 345.3323647 325.3922967 373.4361918 360.9255079 393.5585422 371.3815429 415.8115058 409.6388262 39.09674295 39.89904532 48.03253199 45.73363431 31.4444848 31.74585757 35.68951082

78

Kalimantan Selatan

2005

7479

8.9198544

7.328182

75.37777

Kalimantan Tengah

1990

65791

11.094238

6.075669

47.61905

Kalimantan Tengah

1995

59712

10.997288

6.212685

80.43478

Kalimantan Tengah

2000

1531

7.3336764

4.817625

134.6154

Kalimantan Tengah

2005

662

6.4952656

4.836389

73.60654

Kalimantan Timur

1990

16796

9.728896

46.79878

76.19048

Kalimantan Timur

1995

11636

9.361859

30.86517

91.30435

Kalimantan Timur

2000

7504

8.9231915

36.17303

81.46853

Kalimantan Timur

2005

20507

9.9285216

41.55465

84.3309

Lampung

1990

24184

10.093447

14.1244

83.33333

Lampung

1995

34940

10.461388

11.59134

76.08696

Lampung

2000

52293

10.864618

10.20747

67.13287

Lampung

2005

55818

10.929852

9.428563

56.92336

Maluku

1990

2520

7.8320142

6.564179

85.71429

Maluku

1995

1415

7.2548848

4.527222

82.6087

Maluku

2000

15915

9.6750173

1.214992

80.41958

Maluku

2005

7879

8.9719563

1.053488

70.27575

Nusa Tenggara Barat

1990

11335

9.3356506

5.837187

60.71429

Nusa Tenggara Barat

1995

11016

9.307104

4.948182

64.13043

Nusa Tenggara Barat

2000

13683

9.5239095

5.344742

62.93706

Nusa Tenggara Barat

2005

10421

9.2515783

5.919573

66.76196

Nusa Tenggara Timur

1990

9913

9.2016023

5.097751

76.19048

Nusa Tenggara Timur

1995

11057

9.310819

4.103245

63.04348

Nusa Tenggara Timur

2000

12659

9.4461237

3.444402

64.33566

Nusa Tenggara Timur

2005

13615

9.5189274

3.41365

63.24817

Riau

1990

22237

10.009513

57.64336

95.2381

Riau

1995

22960

10.041509

30.3157

90.21739

Riau

2000

24179

10.09324

41.57432

87.65734

Riau

2005

26968

10.202406

32.04234

77.51415

Sulawesi Selatan

1990

3924

8.2748668

19.60855

47.61905

Sulawesi Selatan

1995

1516

7.3238306

14.81516

67.3913

Sulawesi Selatan

2000

48592

10.791214

13.49718

69.93007

Sulawesi Selatan

2005

4071

8.3116439

11.93482

71.68126

Sulawesi Tengah

1990

31293

10.35115

4.198873

40.47619

Sulawesi Tengah

1995

34597

10.451522

3.586547

60.86957

Sulawesi Tengah

2000

4062

8.3094307

3.794774

70.97902

Sulawesi Tengah

2005

3415

8.1359328

3.945183

68.87023

sulawesi Tenggara

1990

42294

10.652401

3.59785

76.14286

sulawesi Tenggara

1995

50936

10.838325

2.597236

72.82609

sulawesi Tenggara

2000

2619

7.8705478

2.533586

73.42657

sulawesi Tenggara

2005

3915

8.2725706

2.991988

68.87023

37.04288939 16.90277273 17.85361571 22.18634135 21.61399549 22.72672236 25.39229672 29.32663557 32.15575621 72.8659644 73.06046307 80.50472432 80.31602709 22.4966703 22.90134972 13.94570028 14.13092551 40.80397143 40.00877867 47.94880995 47.2234763 39.58106308 39.25161857 45.72419567 48.08126411 40.0048432 42.79600571 59.17952398 51.68171558 84.53807967 82.93646439 96.29230953 84.76297968 20.7167938 21.26632284 26.02559502 25.90293454 16.34580458 17.41468232 21.76773113 22.15575621

79

Sulawesi Utara

1990

8369

9.0322897

6.599202

40.47619

Sulawesi Utara

1995

8314

9.0256961

5.414343

70.65217

Sulawesi Utara

2000

26257

10.175688

4.635236

65.03497

Sulawesi Utara

2005

3415

8.1359328

4.324775

84.3309

Sumatera Barat

1990

154485

11.947852

14.46423

76.19048

Sumatera Barat

1995

165779

12.018411

11.80253

70.65217

Sumatera Barat

2000

152966

11.937971

10.04265

69.93007

Sumatera Barat

2005

141249

11.85828

10.297

75.89781

Sumatera Selatan

1990

93088

11.441301

34.61012

76.19048

Sumatera Selatan

1995

108763

11.596926

20.71966

76.08696

Sumatera Selatan

2000

65565

11.090797

18.12787

68.53147

Sumatera Selatan

2005

56174

10.936209

18.79211

70.79579

Sumatera Utara

1990

200135

12.206747

47.19526

91.90476

Sumatera Utara

1995

232144

12.355113

35.16369

91.30435

Sumatera Utara

2000

230137

12.34643

30.34085

88.81119

Sumatera Utara

2005

174847

12.071667

32.18048

84.3309

30.0036324 29.06836388 23.93254395 24.02934537 48.43201356 47.43772633 50.81927999 51.53498871 76.4378254 79.09579721 74.28537256 76.5462754 124.1796828 121.9686163 139.2417175 140.530474

80

Lampiran 11. Hasil Estimasi Model Pooled Dependent Variable: LNMGR Method: Panel EGLS (Cross-section weights) Date: 02/29/12 Time: 12:30 Sample: 2000 2003 Periods included: 4 Cross-sections included: 24 Total panel (balanced) observations: 96 Linear estimation after one-step weighting matrix White cross-section standard errors & covariance (d.f. corrected) WARNING: estimated coefficient covariance matrix is of reduced rank Variable UMR PDRB JML C

Coefficient

Std. Error

t-Statistic

Prob.

0.004239 0.005008 0.009540 8.846471

0.000853 0.002645 0.000598 0.072564

4.970820 1.893248 15.94567 121.9131

0.0000 0.0615 0.0000 0.0000

Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

0.843220 0.838108 1.171767 164.9365 0.000000

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

18.21219 12.38612 126.3194 0.818977

Unweighted Statistics R-squared Sum squared resid

0.521833 148.2274

Mean dependent var Durbin-Watson stat

10.20677 0.736484

81

Lampiran 12. Hasil Estimasi Model Fixed Effect. Dependent Variable: LNMGR Method: Panel EGLS (Cross-section weights) Date: 02/29/12 Time: 12:30 Sample: 2000 2003 Periods included: 4 Cross-sections included: 24 Total panel (balanced) observations: 96 Linear estimation after one-step weighting matrix White cross-section standard errors & covariance (d.f. corrected) WARNING: estimated coefficient covariance matrix is of reduced rank Variable

Coefficient

UMR PDRB JML C

-0.004804 -0.002262 0.002244 10.40660

Std. Error

t-Statistic

0.001672 -2.872544 0.000547 -4.136255 0.001895 1.184644 0.176344 59.01291

Prob. 0.0054 0.0001 0.2402 0.0000

Effects Specification Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

0.991075 0.987711 0.815556 294.6846 0.000000

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

37.93945 38.23525 45.89406 2.044366

Unweighted Statistics R-squared Sum squared resid

0.813832 57.71042

Mean dependent var Durbin-Watson stat

10.20677 1.812534

82

Lampiran 13. Hasil Estimasi Model Random Effect. Dependent Variable: LNMGR Method: Panel EGLS (Cross-section random effects) Date: 02/29/12 Time: 12:31 Sample: 2000 2003 Periods included: 4 Cross-sections included: 24 Total panel (balanced) observations: 96 Swamy and Arora estimator of component variances White cross-section standard errors & covariance (d.f. corrected) WARNING: estimated coefficient covariance matrix is of reduced rank Variable

Coefficient

UMR PDRB JML C

-0.012625 0.001957 0.010369 10.16065

Std. Error

t-Statistic

0.004106 -3.075096 0.005236 0.373837 0.001402 7.396255 0.423002 24.02033

Prob. 0.0028 0.7094 0.0000 0.0000

Effects Specification S.D. Cross-section random Idiosyncratic random

0.930469 0.903324

Rho 0.5148 0.4852

Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

0.312490 0.290071 0.894429 13.93871 0.000000

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

4.457143 1.061545 73.60037 1.414440

Unweighted Statistics R-squared Sum squared resid

0.534476 144.3081

Mean dependent var Durbin-Watson stat

10.20677 0.721396

83

Lampiran 14. Hasil Estimasi Uji-CHOW Redundant Fixed Effects Tests Equation: EQ01 Test cross-section fixed effects Effects Test Cross-section F

Statistic 174.720555

d.f.

Prob.

(23,69)

0.0000

84

Lampiran 15. Hasil Estimasi Hausman-Test Correlated Random Effects - Hausman Test Equation: EQ01 Test cross-section random effects Test Summary Cross-section random

Chi-Sq. Statistic Chi-Sq. d.f. 0.000000

3

Prob. 1.0000

85

Lampiran 16. Hasil Uji Normalitas dalam Model Migrasi (Fixed Effect Model) 9

Series: Standardized Residuals Sample 2000 2003 Observations 96

8 7 6 5 4 3

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

-1.39e-17 -0.000436 1.273742 -1.702585 0.695051 -0.100463 2.063378

Jarque-Bera Probability

3.670531 0.159571

2 1 0 -1.5

-1.0

-0.5

0.0

0.5

1.0

86

Lampiran 17. Uji Homoskedastisitas

1.6 1.2 0.8 0.4 0.0 -0.4 -0.8 -1.2 -1.6 -2.0 -2.4 10

20

30

40

50

60

70

Standardized Residuals

80

90

87

Lampiran 18. Tabel Individual Effect CROSSID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Nama Provinsi Aceh Bali Bengkulu DI. Yogyakarta Jambi Jawa Barat Jawa Tengah Jawa Timur Kalimantan Barat Kalimantan Selatan Kalimantan Tengah Kalimantan Timur Lampung Maluku Nusa Tenggara Barat Nusa Tenggara Timur Riau Sulawesi Selatan Sulawesi Tengah sulawesi Tenggara Sulawesi Utara Sumatera Barat Sumatera Selatan Sumatera Utara

Effect constanta effect+const -0.14536 10.4066 10.261244 -1.12026 10.4066 9.286338 -1.2737 10.4066 9.132904 1.474193 10.4066 11.880793 -0.71868 10.4066 9.687918 2.846053 10.4066 13.252653 3.230499 10.4066 13.637099 1.939490 10.4066 12.34609 -0.9025 10.4066 9.504101 -1.75438 10.4066 8.652218 -1.0543 10.4066 9.352302 -0.49433 10.4066 9.912269 0.374698 10.4066 10.781298 -1.62367 10.4066 8.782926 -0.83262 10.4066 9.573981 -0.80458 0.083864 -1.58473 -0.84884 -0.6853 -1.04955 1.800646 1.090178 2.053183

10.4066 10.4066 10.4066 10.4066 10.4066 10.4066 10.4066 10.4066 10.4066

9.602019 10.490464 8.821867 9.557761 9.7213 9.357049 12.207246 11.496778 12.459783