The Study of In-Migration between Provinces in Indonesia by Panel Data Regression

Eksakta: Jurnal Imu-Ilmu MIPA

p. ISSN: 1411-1047 e. ISSN: 2503-2364

The Study of In-Migration between Provinces in Indonesia by Panel Data Regression

Asmadhini Handayani Rahmah Department of Statistics Universitas Islam Indonesia, Jalan Kaliurang Km 14,5 Sleman Yogyakarta [email protected]

ABSTRACT Indonesia has 34 provinces. There are many peoples spread out across Indonesia and the vast area owned makes Indonesia become one of the biggest 4 (four) most population country in the world. However, the population density is not spread evenly in Indonesia. This has become interesting to be observed how the distribution of population in Indonesia by using variable in-migration as a dependent variable that is assumed to be influenced by four (4) independent variables. Those independent variables are the Gross Domestic Product (GDP), the Regional Minimum Wage, Unemployment Rate (TPT) and Labor Force Participation Rate (LFPR). Data is collected from www.BPS.go.id . The analysistool used panel data regression, denote a data type is a combination of time series data (time series) and cross section data. The best selected model used in this research is Fixed Effect model to obtain 33 models for 33 provinces. The variables that influence the inmigration is the Open unemployment rate (TPT), which has a negative correlation to in-migration, while the Labor Force Participation Rate (LFPR) has a positive correlation.

Keywords: In-Migration, Gross Domestic Product (GDP), the Regional Minimum Wage, Unemployment Rate (TPT), Labor Force Participation Rate (LFPR), Panel Data Regression, Fixed Effect model.

ABSTRAK Indonesia terbagi menjadi 34 provinsi. Banyaknya penduduk yang tersebar di Indonesia dan luasnya wilayah yang dimiliki membuat Indonesia menjadi salah satu negara dengan jumlah penduduk nomor 4 (empat) terbesar di dunia. Hal ini disebut dengan kepadatan penduduk. Namun, kepadatan penduduk tidak tersebar secara merata di Indonesia. Hal inilah yang menjadi menarik untuk diteliti, bagaimanakah sebaran penduduk di Indonesia dilihat dengan menggunakan variabel migrasi masuk sebagai variabel terikat yang di duga dipengaruhi oleh 4 variabel bebas. Keempat variable bebas tersebut yaitu Produk Domestik Regional Bruto (PDRB), Upah Minimum Regional (UMR), Tingkat Pengangguran Terbuka (TPT) dan Tingkat Partisipasi Angkatan Kerja (TPAK). Pengambilan data dilakukan melalui www.BPS.go.id. Alat analisis yang digunakan adalah regresi data panel yang merupakan regresi yang jenis datanya merupakan gabungan antara data runtun waktu (time series) dan The Study of In-Migration between Provinces in Indonesia by Panel Data Regression (Asmadhini Handayani Rahmah)

124


p. ISSN: 1411-1047 e. ISSN: 2503-2364

data silang (cross section). Model yang terpilih paling baik digunakan pada penelitian ini adalah Fixed Effect sehingga didapatkan 33 model untuk 33 provinsi. Variabel yang berpengaruh terhadap migrasi masuk adalah Tingkat pengangguran Terbuka (TPT) yang memiliki korelasi negatif terhadap migrasi masuk, sedangkan Tingkat Partisipasi Angkatan Kerja (TPAK) memiliki korelasi positif .

Kata – kata kunci: Migrasi Masuk, Produk Domestik Regional Bruto (PDRB), Upah Minimum Regional (UMR), Tingkat Pengangguran Terbuka (TPT), Tingkat Partisipasi Angkatan Kerja (TPAK), Regresi Data Panel, model Fixed Effect.

penduduk ini mengakibatkan lapangan

Pendahuluan Indonesia merupakan negara yang

kerja pun harus tersedia setiap tahunnya.

terdiri dari banyak pulau, sering disebut

Hal inilah yang menjadi salah satu alasan

juga sebagai negara kepulauan. Saat ini,

seseorang untuk melakukan perpindahan

Indonesia terbagi menjadi 34 provinsi.

tempat

Banyaknya penduduk yang tersebar di

migrasi.

yang

sering

disebut

sebagai

Indonesia dan luasnya wilayah yang

Selain kelahiran dan kematian,

dimiliki membuat Indonesia menjadi salah

migrasi merupakan salah satu faktor yang

satu negara dengan jumlah penduduk

meningkatkan pertumbuhan penduduk di

nomor 4 (empat) terbesar di dunia setelah

suatu provinsi. Peninjauan migrasi secara

China,

regional sangat penting untuk ditelaah

India

dan

Amerika

Serikat.

Berdasarkan data Badan Pusat Statistik

secara

(2016), Jumlah penduduk Indonesia saat

kepadatan dan distribusi penduduk yang

ini diperkirakan sebesar 255 juta jiwa

tidak

dengan

penduduk

pendorong dan penarik bagi orang-orang

sebesar 1,4 % per tahunnya yang artinya

untuk melakukan migrasi, serta adanya

ada kemungkinan pertambahan penduduk

desentralisasi

sebesar 3,5 juta setiap tahunnya. Hal ini

Migrasi penduduk terjadi karena diarahkan

tergambar

kepadatan

atau atas kebijakan tertentu yang diatur

penduduk yang terbesar adalah di provinsi

oleh pemerintah, namun lebih banyak

DKI Jakarta, dengan jumlah 15.173 jiwa

karena

/km2, namun kepadatan penduduk ini tidak

individu masyarakat itu sendiri.

laju

pertumbuhan

dengan

jumlah

merata di seluruh provinsi di Indonesia.

khusus

merata,

mengingat

adanya

dalam

spontan

adanya

faktor-faktor

pembangunan.

atau

keinginan

dari

Migrasi menjadi sangat menarik

Semakin padatnya penduduk di suatu

dikarenakan

menurut

teori

yang

daerah dan persentase laju pertumbuhan

dikemukakan

para

ekonom,

bahwa

The Study of In-Migration between Provinces in Indonesia by Panel Data Regression (Asmadhini Handayani Rahmah)

125


p. ISSN: 1411-1047 e. ISSN: 2503-2364

seharusnya migrasi penduduk membawa

kedua

pengaruh positif terhadap daerah tujuan

dilakukan.

Tingkat

migrasi

penduduk

migrasi tersebut, namun yang terjadi pada

memiliki

dampak

negatif

terhadap

kenyataannya adalah berkebalikan. Di

konsumsi rumah tangga, dalam hal ini

Indonesia, karena pola migrasi tidak

yang memiiki dampak paling besar adalah

terkontrol

imigrasi.

ke

kota-kota

besar,

hubungan

timbal

Dapat

balik

disimpulkan

yang

bahwa

mengakibatkan meningkatnya pencemaran

dengan tingginya tingkat imigrasi, maka

lingkungan hidup, kemacetan lalu lintas,

pendapatan asli penduduk negara tersebut

bertambah banyaknya pemukiman kumuh

menurun dikarenakan pendapatan negara

dan juga jumlah pengangguran.

tersebut diserap oleh para imigran, dan

Menurut Simanulang dkk. (2011),

akhirnya menyebabkan konsumsi rumah

secara umum masyarakat yang berada

tangga

pada daerah dengan kondisi perekonomian

sebaliknya yang terjadi pada hubungan

relatif rendah, cenderung bermigrasi ke

negatif dari konsumsi terhadap tingkat

daerah dengan kondisi perekonomian lebih

migrasi, didapatkan jika tingkat konsumsi

tinggi. Sehingga disimpulkan bahwa daya

suatu negara meningkat maka negara

tarik suatu daerah adalah faktor penunjang

tersebut akan

ekonomi yang baik seperti tersedianya

emigran dibandingkan imigran.

lapangan pekerjaan, tingginya upah dan

pun

menurun.

memilih

Begitu

lebih

juga

banyak

Menurut Jennissen (2003), pada

harapan untuk mendapatkan penghidupan

penelitiannya

yang lebih layak didaerah tujuan.

ekonomi yang mempengaruhi migrasi neto

Menurut Bᾰlᾰ and Prada (2014) Fenomena

migrasi

faktor-faktor

internasional di Eropa Barat. Didapatkan

konsumsi

hasil bahwa Produk Domestik Bruto

masyarakat merupakan bagian penting

memiliki pengaruh positif terhadap arus

dalam makro ekonomi oleh karena itu

masuknya penduduk ke suatu negara di

dengan menggunakan regresi data panel

wilayah Eropa Barat. Sedangkan tingkat

diteliiti hubungan timbal balik antara

pengangguran memiliki pengaruh negatif,

migrasi dan konsumsi rumah tangga

hal ini dibenarkan bahwa, keinginan

masyarakat 26 negara di Eropa pada

seseorang untuk

periode

wilayah

1996-2011.

dan

terhadap

Migrasi

dalam

berpindah

didasarkan

ke

keinginan

suatu untuk

penelitian ini dibagi menjadi dua, yaitu

mencari lapangan pekerjaan yang baru.

emigrasi dan imigrasi. Hasil dari penelitian

Hal ini

ini adalah terjadi hubungan negatif untuk The Study of In-Migration between Provinces in Indonesia by Panel Data Regression (Asmadhini Handayani Rahmah)

126


p. ISSN: 1411-1047 e. ISSN: 2503-2364

Dalam penelitian ini, migrasi yang

dengan

melihat

data

Tingkat

diteliti adalah migrasi masuk dalam satuan

Pengangguran Terbuka (TPT). TPT di

orang, karena dengan melihat migrasi

indikasikan

masuk, maka dapat diteliti faktor apa saja

seseorang untuk

yang

perpindahan

provinsi, karena jika TPT semakin rendah

penduduk ke sebuah provinsi di Indonesia.

artinya provinsi tersebut menyerap tenaga

Faktor-faktor yang diduga mempengaruhi

kerja dengan baik. Oleh karena itu,

migrasi masuk tersebut adalah Produk

penduduk yang melakukan migrasi merasa

Domestik Regional Bruto (PDRB), Upah

memiliki harapan yang besar terhadap

Minimum

provinsi tersebut.

mempengaruhi

Regional

(UMR),

Tingkat

Pengangguran Terbuka (TPT) dan Tingkat Partisipasi Angkatan Kerja (TPAK).

mempengaruhi berpindah

keinginan ke

suatu

Selain TPT, Tingkat Partisipasi Angkatan Kerja (TPAK) juga dianggap

Salah satu indikator penting untuk

memiliki pengaruh terhadap keinginan

mengetahui kondisi ekonomi di suatu

seseorang

daerah tertentu adalah dengan melihat nilai

Angkatan Kerja (TPAK). Menurut BPS,

dari Produk Domestik Regional Bruto

TPAK

(PDRB) daerah tersebut. Menurut BPS,

angkatan kerja terhadap penduduk usia

PDB pada dasarnya merupakan jumlah

kerja

nilai tambah yang dihasilkan oleh seluruh

persentase penduduk usia kerja yang aktif

unit usaha dalam suatu negara tertentu,

secara ekonomi disuatu negara/wilayah.

atau merupakan jumlah nilai barang dan

Semakin

jasa akhir yang dihasilkan oleh seluruh

bahwa semakin tinggi pula pasokan tenaga

unit ekonomi.

kerja (labour supply) yang tersedia untuk

Salah satu faktor penentu migrasi adalah faktor yang berkaitan dengan

untuk

berpindah

merupakan

persentase

tempat.

jumlah

yang mengindikasikan besarnya

tinggi

TPAK

menunjukkan

memproduksi barang dan jasa dalam suatu perekonomian.

keuangan, sehingga upah minimum pada

Data pada penelitian ini memiliki

daerah tertentu dirasa memiliki daya tarik

sifat khusus yaitu gabungan antara data

yang kuat bagi para pelaku migrasi.

runtun waktu (time series) dan data silang

Kemudian,

dalam

(cross section). Setiap variabel yang

keuangan, tingkat kebutuhan tenaga kerja

diamati akan memiliki data per tahun pada

dan ketersediaan lapangan pekerjaan dapat

setiap provinsi. Maka data per tahun

digambarkan dengan melihat seberapa

merupakan jenis data runtun waktu (time

banyak

series) dan per provinsi merupakan data

selain

daya

pengangguran

tarik

disuatu

daerah


127


p. ISSN: 1411-1047 e. ISSN: 2503-2364

silang (cross section). Alat analisis yang

yang diadakan BPS setiap 5 tahun sekali.

digunakan untuk mengolah kedua jenis

Pada penelitian ini, dari 34 provinsi, hanya

data tersebut secara bersamaan adalah

33 provinsi yang dipakai, satu provinsi

regresi data panel.

yang

Berdasarkan latar belakang diatas, maka menarik jika membahas “Studi Perpindahan penduduk antar Provinsi di Indonesia dengan Regresi Data Panel”

tidak

dipakai

provinsi

Kalimantan Utara, dikarenakan provinsi ini baru berdiri pada tahun 2012. Alat analisis yang digunakan pada penelitian

ini

panel.Tahapan

adalah

regresi

data

analisis

data

pada

penelitian ini adalah sebagai berikut :

Tujuan Penelitian Dengan

adalah

melihat

dampak

dari

a) Mengumpulkan data

adanya migrasi masuk terhadap provinsi

b) Membentuk model Common Effect

yang ditinggali sekarang, maka tujuan

c) Membentuk Model Fixed Effect

penelitian adalah untuk melihat bagaimana

d) Melakukan uji Chow untuk melihat

pengaruh Pendapatan Domestik Regional

model yang terbaik untuk data yang

Bruto (PDRB), Upah Minimum Regional

digunakan diantara model Common

(UMR), Tingkat Pengangguran Terbuka

Effect dan model Fixed Effect

(TPT) dan Tingkat Partisipasi Angkatan

e) Setelah

memilih,

dilakukan

Kerja (TPAK) terhadap migrasi masuk

kembali pembentukan model yang

pada 33 provinsi di Indonesia.

lain, yaitu Random Effect, agar dapat melakukan pemilihan model terbaik

Metode Penelitian Data yang dipakai pada penelitian

dengan

ketiga

pilihan

model.

adalah data migrasi masuk, Pendapatan

f) Melakukan uji Hausman, yang

Domestik Regional Bruto (PDRB), Upah

digunakan untuk memilih antara

Minimum

model Fixed Effect dan model

Regional

(UMR),

Tingkat

Pengangguran Terbuka (TPT) dan Tingkat Partisipasi Angkatan Kerja (TPAK) pada

Random Effect. g) Terakhir

adalah

uji

Lagrange

33 provinsi di Indonesia, yang bersumber

Multiplier (LM), yang digunakan

dari Badan Pusat Statistik (BPS) pada

untuk memilih antara Common

tahun 2000, 2005, 2010 dan 2015. Hal ini

Effect dan Random Effect.

dikarenakan

data

migrasi

masuk

didapatkan dari hasil sensus penduduk

h) Setelah

model

terbaik

dipilih,

kemudian melakukan uji asumsi


128


klasik,

yang

p. ISSN: 1411-1047 e. ISSN: 2503-2364

digunakan

dalam

Dimana,

penelitian adalah uji autokorelasi

= Variabel terikat (migrasi masuk)

dan uji heterokedastisitas.

= Variabel bebas

i) Setelah

melakukan

pengujian

autokorelasi

dan

,

data silang (provinsi)

heteroskedastisitas, dan didapatkan bahwa

model

mengandung

tersebut

masih

autokorelasi

adalah banyaknya data

,

adalah banyaknya data

runtun waktu (tahun)

dan

Model pendugaan parameter pada

heteroskedastisitas maka dilakukan

model ini sama dengan model regresi linier

perbaikan

biasa yaitu menggunakan metode Ordinary

dengan

merubah

kebentuk pembobotan (weights).

Least Square (OLS) dengan mengabaikan data runtun waktu dan data silang. Model

Regresi Data Panel

ini mengasumsikan intersep dan slope

Menurut Ekananda (2015), Regresi

konstan untuk semua unit data runtun

data panel adalah regresi yang jenis

waktu dan data silang (Gujarati dan Porter,

datanya merupakan gabungan antara data

2012)

runtun waktu (time series) dan data silang (cross

section).

mengestimasi

Effect, dimana menginginkan heterogenitas

parameter model dengan data panel,

antar individu subjek dengan memberi

menurut Gujarati dan Porter (2012),

setiap entitas nilai intersep tersendiri.

terdapat beberapa model yang ditawarkan,

Menurut Gujarati dan Porter (2012), model

yaitu yang pertama adalah, jika koefisien

ini meskipun intersepnya berbeda-beda

tetap antar waktu dan antar individu, atau

untuk setiap subjek, tetapi tiap intersep

sering disebut dengan Common Effect.

tiap entiti tidak berubah seiring waktu.

Pendekatan

Dengan demikian, maka

dimensi

ini

individu

Untuk

Model yang kedua yaitu Fixed

tidak dan

memperhatikan waktu.

Jika

konstanta ( ) dan koefisien (β) akan

dan β dapat

diestimasi dengan model berikut dengan pengamatan.

konstan untuk setiap data runtun waktu dan data silang, maka

dan β dapat

(2)

diestimasi dengan model berikut dengan (banyaknya data panel) pengamatan. (1)

Model yang ketiga yaitu Random Effect, dimana teknik ini memperhatikan adanya heterogenitas dari variabel menurut


129


p. ISSN: 1411-1047 e. ISSN: 2503-2364

individu dan memperhatikan dampak yang

perubahan model ke pembobotan Cross

berbeda untuk setiap individu (Gujarati

Section SUR. Penggunaan pembobotan ini

dan Porter, 2012). Perbedaan tersebut

akan menyebabkan koefisien determinasi

diakomodasi lewat error. Teknik ini juga

meningkat

memperhitungkan bahwa error mungkin

sebelum terjadi pembobotan pada model.

jika

dibandingkan

dengan

berkorelasi sepanjang data runtun waktu dan data silang. Berikut model dari

Pembahasan

persamaan tersebut.

Pengujian regresi data panel dengan (3)

Untuk mengetahui model mana yang paling baik untuk digunakan pada data yang dimiliki, terdapat beberapa cara.

memasukkan Common

teknik

yang

digunakan

untuk

Effect

ke

dalam

didapatkan

model keluaran

seperti pada Tabel 1. Tabel 1. Model Regresi Data Panel Model

Teknik yang pertama adalah uji Chow, yaitu

data

p-value

Common effect

0,432955 0,000

memilih model Common Effect atau

Fixed effect

0,922328 0,000

model Fixed Effect. Teknik yang kedua

Random effect

0,013798 0,696

adalah uji Hausman, yang digunakan untuk memilih antara model Fixed Effect dan

Hasil

yang

didapatkan

dari

Random Effect. Kemudian, teknik yang

keluaran model Common Effect pada Tabel

ketiga adalah uji Lagrange Multiplier

1 adalah nilai p-value yang kurang dari

(LM), yang digunakan untuk memilih

tingkat signifikansi 0,05, dengan nilai

antara Common effect dan Random Effect.

Koefisien determinasi sebesar 43,3 %.

Menurut Gujarati dan Porter (2012)

Model

Common

Effect

mengabaikan

data panel sedikit terjadi kolinearitas antar

keragaman

variabel

kecil

digunakan dalam data ini, oleh karena itu,

multikolinearitas.

masih dirasa kurang. Sehingga dilakukan

Oleh karena itu, asumsi klasik yang

langkah selanjutnya yaitu model Fixed

digunakan dalam penelitian adalah uji

Effect.

sehingga

kemungkinan

terjadi

sangat

autokorelasi dan uji heterokedastisitas.

provinsi

Kemudian,

dan tahun

dengan

yang

melakukan

Menurut Pusakasari (2014), pada regresi

percobaan pada model Fixed Effect,

data panel, umumnya terjadi pemenuhan

berdasarkan Tabel 1 didapatkan bahwa

asumsi

model

uji

autokorelasi

dan

heteroskedastisitas, maka perlu dilakukan

tersebut

signifikan

dengan

Koefisien determinasi sebesar 92,23 %.


130


p. ISSN: 1411-1047 e. ISSN: 2503-2364

Nilai ini jauh lebih baik dibandingkan

Berdasarkan Tabel 3 didapatkan

dengan nilai pada Common Effect, namun

hasil bahwa model yang paling baik adalah

untuk memilih model mana yang paling

model Fixed Effect, karena nilai p-value

baik untuk data yang diteliti, harus

lebih kecil dari tingkat signifikansi 5%.

dilakukan uji lanjutan terlebih dahulu.

Oleh karena itu,

model terbaik

Langkah selanjutnya sebelum masuk ke

yang dipilih adalah model Fixed Effect.

dalam perhitungan model Random Effect,

Sebelum

maka terlebih dahulu menguji model

maka

Common Effect dan Fixed Effect yang

autokorelasi

telah didapatkan dengan uji Chow.

didapatkan bahwa model tersebut masih

Tabel 2. Uji Chow

terlebih

dahulu dan

mengandung

diperbaiki

0,000

model,

dilakukan

uji

heteroskedastisitas,

autokorelasi

heteroskedastisitas.

p-value Uji Chow

menginterprestasikan

dengan

Sehingga merubah

dan perlu kebentuk

pembobotan (weights). Berdasarkan

Tabel

2

p-value

Tabel 4. Model Fixed Effect dengan pembobotan (weights)

0,0000 lebih kecil dari tingkat signifikansi

Variabel

5%. Oleh karena itu, model yang terpilih

Koefisien

p-value

adalah model Fixed Effect. Selanjutnya,

konstanta

153742,9

0,0000

menganalisis model Random Effect.Dari

TPT

-4142,550

0,0001

PDRB

-0,020201

0,6137

UMR

-1,666095

0,7226

TPAK

404,0578

0,0031

Tabel 1 dapat dilihat bahwa model Random Effecttidak signifikan Apabila hanya dilihat secara garis besar

dari

diputuskan

analisis bahwa

tersebut, model

dapat Random

0,898019

p-value (F)

0,0000

Effecttidak baik untuk dipilih memodelkan data yang diteliti. Namun akan lebih baik jika

diuji

terlebih

dahulu

Berdasarkan Tabel 4 didapatkan

dengan

model Fixed Effect dengan variabel

menggunakan uji Hausman, untuk memilih

independent yang berpengaruh secara

yang terbaik antara model Fixed Effect dan

signifikan yaitu Tingkat pengangguran

model Random Effect.

Terbuka (TPT) dan Tingkat Partisipasi

Tabel 3. Uji Hausman

Uji Hausman

Angkatan Kerja (TPAK). Konstanta pada

p-value

model pun memiliki pengaruh dengan cara

0,000

penentuan yang sama. Kemudian secara


131


bersama-sama

p. ISSN: 1411-1047 e. ISSN: 2503-2364

keempat

variabel

tujuan, selain karena ketidaktauan, juga

independen mempengaruhi migrasi masuk

keterbatasan

secara signfikan dengan dengan melihat

informasi

nilai p-value pada Tabel 4 dengan nilai

bertolak

koefisien determinasi sebesar 89,80 %.

beberapa

Tingkat

pengangguran

Terbuka

mereka

tersebut. belakang

untuk Hal

dipengaruhi

ini

dengan

pengamatan oleh

mencari memang

hasil

bahwa

faktor

dari

migrasi

keuangan.

(TPT) memiliki korelasi negatif terhadap

Masyarakat Indonesia yang melakukan

migrasi

dikarenakan

migrasi memilih daerah tujuan dengan

semakin kecil nilai TPT maka akan

melihat faktor keuangan dari sisi lain,

semakin baik bagi sebuah provinsi, karena

sebagai contoh, seberapa berhasil kerabat

dapat diartikan penyerapan tenaga kerja di

mereka yang telah bermigrasi di daerah

provinsi

yang

tujuan, seberapa mudah mereka mencari

ketertarikan

pekerjaan ataupun melakukan kegiatan

untuk berpindah ke provinsi tersebut. Oleh

usaha, serta alasan lain yang terkait dengan

karena itu, semakin kecil TPT maka akan

keuangan dalam bentuk kemakmuran yang

semakin tinggi migrasi masuknya.

mereka

masuk.

Hal

tersebut

mneyebabkan

ini

baik.

Inilah

timbulnya

Sedangkan pada Tingkat Partisipasi

dapat

menggambarkan

nilai.

Hal

pula

ini

bahwa

dapat tingkat

Angkatan Kerja (TPAK) memiliki korelasi

pendidikan dari individu yang bermigrasi

positif terhadap migrasi masuk. Semakin

mempengaruhi bagaimana mereka menilai

tinggi TPAK pada suatu provinsi maka

faktor-faktor yang dipilih untuk berpindah

akan

ke suatu daerah.

semakin

tinggi

juga

migrasi

masuknya. Hal ini diduga karena semakin

Setelah

dilakukan

pengujian

tinggi partisipasi angkatan kerja pada suatu

tersebut, maka dapat ditentukan model

wilayah memberikan kesan positif dan

pada masing-masing data cross section,

menarik untuk dijadikan tempat untuk

karena model yang terpilih adalah model

mencari penghidupan, sehingga menambah

Fixed Effect. Hal ini dikarenakan pada

migrasi masuk pada wilayah tersebut.

model Fixed Effect memiliki nilai intersep

PDRB

dan

UMR

tidak

yang berbeda-beda untuk setiap subjek,

berpengaruh secara signifikan, hal ini

tetapi tiap intersep tiap entiti tidak berubah

diduga dikarenakan tujuan masyarakat

seiring waktu. Model migrasi masuk pada

untuk memilih

masing-masing

tempat tujuan untuk

brmigrasi bukanlah berapa PDRB daerah

provinsi

seperti

yang

ditampilkan pada Tabel 5.

tersebut ataupun berapa UMR di tempat The Study of In-Migration between Provinces in Indonesia by Panel Data Regression (Asmadhini Handayani Rahmah)

132


p. ISSN: 1411-1047 e. ISSN: 2503-2364

Tabel 5. Model Migrasi Masuk untuk 33 Provinsi di Indonesia Provinsi

Model Migrasi Masuk

Aceh

MIGRASI_ACEH = -111899.690175 + 153742.944161 - 4142.55010462*TPT_ACEH + 404.057792839*TPAK_ACEH MIGRASI_SUMUT = -13527.7756347 + 153742.944161 4142.55010462*TPT_SUMUT + 404.057792839*TPAK_SUMUT MIGRASI_SUMBAR = -23420.3936395 + 153742.944161 4142.55010462*TPT_SUMBAR + 404.057792839*TPAK_SUMBAR MIGRASI_RIAU = 129872.883578 + 153742.944161 - 4142.55010462*TPT_RIAU + 404.057792839*TPAK_RIAU MIGRASI_JAMBI = -69758.8967504 + 153742.944161 - 4142.55010462*TPT_JAMBI + 404.057792839*TPAK_JAMBI MIGRASI_SUMSEL = -45442.4241213 + 153742.944161 4142.55010462*TPT_SUMSEL + 404.057792839*TPAK_SUMSEL MIGRASI_BENGKULU = -116316.948859 + 153742.944161 4142.55010462*TPT_BENGKULU + 404.057792839*TPAK_BENGKULU MIGRASI_LAMPUNG = -50357.0600258 + 153742.944161 4142.55010462*TPT_LAMPUNG + 404.057792839*TPAK_LAMPUNG MIGRASI_BABEL = -117442.899706 + 153742.944161 - 4142.55010462*TPT_BABEL + 404.057792839*TPAK_BABEL

Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Kepulauan Bangka Belitung Kepulauan Riau DKI Jakarta Jawa Barat Jawa Tengah Yogyakarta Jawa Timur Banten Bali Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo

MIGRASI_KEPRI = 40595.5244039 + 153742.944161 - 4142.55010462*TPT_KEPRI + 404.057792839*TPAK_KEPRI MIGRASI_JAKARTA = 488563.201194 + 153742.944161 4142.55010462*TPT_JAKARTA + 404.057792839*TPAK_JAKARTA MIGRASI_JABAR = 782485.031078 + 153742.944161 - 4142.55010462*TPT_JABAR + 404.057792839*TPAK_JABAR MIGRASI_JATENG = 225517.755925 + 153742.944161 4142.55010462*TPT_JATENG + 404.057792839*TPAK_JATENG MIGRASI_YOGYA = 44782.9461186 + 153742.944161 4142.55010462*TPT_YOGYA + 404.057792839*TPAK_YOGYA MIGRASI_JATIM = 100906.908313 + 153742.944161 - 4142.55010462*TPT_JATIM + 404.057792839*TPAK_JATIM MIGRASI_BANTEN = 297177.172306 + 153742.944161 4142.55010462*TPT_BANTEN + 404.057792839*TPAK_BANTEN MIGRASI_BALI = -67648.0553916 + 153742.944161 - 4142.55010462*TPT_BALI + 404.057792839*TPAK_BALI MIGRASI_NTB = -97995.5089762 + 153742.944161 - 4142.55010462*TPT_NTB + 404.057792839*TPAK_NTB MIGRASI_NTT = -113706.678127 + 153742.944161 - 4142.55010462*TPT_NTT + 404.057792839*TPAK_NTT MIGRASI_KALBAR = -123020.620371 + 153742.944161 4142.55010462*TPT_KALBAR + 404.057792839*TPAK_KALBAR MIGRASI_KALTENG = -73169.2121282 + 153742.944161 4142.55010462*TPT_KALTENG + 404.057792839*TPAK_KALTENG MIGRASI_KALSEL = -72319.1787865 + 153742.944161 4142.55010462*TPT_KALSEL + 404.057792839*TPAK_KALSEL MIGRASI_KALTIM = 24896.5976279 + 153742.944161 4142.55010462*TPT_KALTIM + 404.057792839*TPAK_KALTIM MIGRASI_SULUT = -94809.296622 + 153742.944161 - 4142.55010462*TPT_SULUT + 404.057792839*TPAK_SULUT MIGRASI_SULTENG = -94336.2754141 + 153742.944161 4142.55010462*TPT_SULTENG + 404.057792839*TPAK_SULTENG MIGRASI_SULSEL = -27170.6553204 + 153742.944161 4142.55010462*TPT_SULSEL + 404.057792839*TPAK_SULSEL MIGRASI_SULTENGGA = -89224.5355888 + 153742.944161 4142.55010462*TPT_SULTENGGA + 404.057792839*TPAK_SULTENGGA MIGRASI_GORONTALO = -133410.177736 + 153742.944161 -


133


Sulawesi Barat Maluku Maluku Utara Papua Barat Papua

p. ISSN: 1411-1047 e. ISSN: 2503-2364

4142.55010462*TPT_GORONTALO + 404.057792839*TPAK_GORONTALO MIGRASI_SULBAR = -126365.570732 + 153742.944161 4142.55010462*TPT_SULBAR + 404.057792839*TPAK_SULBAR MIGRASI_MALUKU = -119663.205405 + 153742.944161 4142.55010462*TPT_MALUKU + 404.057792839*TPAK_MALUKU MIGRASI_MALUT = -132629.15986 + 153742.944161 - 4142.55010462*TPT_MALUT + 404.057792839*TPAK_MALUT MIGRASI_PAPBAR = -112441.179232 + 153742.944161 4142.55010462*TPT_PAPBAR + 404.057792839*TPAK_PAPBAR MIGRASI_PAPUA = -108722.621941 + 153742.944161 4142.55010462*TPT_PAPUA + 404.057792839*TPAK_PAPUA

Berdasarkan Tabel

5 didapatkan

(TPAK) memiliki korelasi positif terhadap

33 model terbaik untuk masing-masing

migrasi masuk. Semakin tinggi TPAK

provinsi di Indonesia dengan konstanta

pada suatu provinsi maka akan semakin

yang berbeda-beda pada masing-masing

tinggi juga migrasi masuknya.

provinsi.

Kesimpulan Pola migrasi masuk di Indonesia lebih baik di modelkan melalui Fixed Effect sehingga didapatkan 33 model untuk 33 provinsi. Variabel yang berpengaruh terhadap migrasi masuk dengan model Fixed Effect adalah Tingkat pengangguran Terbuka (TPT) dan Tingkat Partisipasi Angkatan

Kerja

(TPAK).

Tingkat

pengangguran Terbuka (TPT) memiliki korelasi negatif terhadap migrasi masuk, semakin rendah TPT maka akan semakin tinggi Tingkat

migrasi

masuknya

Partisipasi

sedangkan

Angkatan

Kerja


134


p. ISSN: 1411-1047 e. ISSN: 2503-2364

Appendix A. Grafik Pola Migrasi Masuk 33 Provinsi di Indonesia MIGRASI_ACEH 8 0 ,0 00

MIGRASI_BABEL 8 0 ,0 0 0

6 0 ,0 00

6 0 ,0 0 0

4 0 ,0 00

4 0 ,0 0 0

2 0 ,0 00

2 0 ,0 0 0

0

0

MIGRASI_BALI 1 6 0 ,0 0 0 1 4 0 ,0 0 0 1 2 0 ,0 0 0 1 0 0 ,0 0 0

MIGRASI_J ABAR 1 ,1 0 0 ,0 0 0

80 ,0 0 0 60 ,0 0 0

MIGRASI_J AKARTA 7 2 0,00 0

MIGRASI_JAMBI 1 2 0 ,0 0 0

6 8 0,00 0 1 ,0 0 0 ,0 0 0 6 4 0,00 0 9 0 0 ,0 0 0

1 0 0 ,0 0 0

6 0 0,00 0 5 6 0,00 0

80 ,0 0 0

8 0 0 ,0 0 0 5 2 0,00 0 7 0 0 ,0 0 0

4 8 0,00 0

MIGRASI_KALSEL 1 1 0 ,0 0 0

60 ,0 0 0

MIGRASI_KALTENG 1 4 0,00 0

MIGRASI_KALTIM 2 4 0 ,0 0 0

1 2 0,00 0

1 0 0 ,0 0 0

2 0 0 ,0 0 0 1 0 0,00 0

9 0 ,0 00

8 0 ,0 0 0 8 0 ,0 00

1 6 0 ,0 0 0

6 0 ,0 0 0 1 2 0 ,0 0 0

7 0 ,0 00

4 0 ,0 0 0

6 0 ,0 00

2 0 ,0 0 0

MIGRASI_MALUT 2 5 ,0 00

2 0 ,0 00

1 5 ,0 00

1 0 ,0 00

80 ,0 0 0

MIGRASI_NTB 80 ,0 0 0

1 0 0,00 0

70 ,0 0 0

8 0 ,0 0 0

60 ,0 0 0

6 0 ,0 0 0

50 ,0 0 0

4 0 ,0 0 0

40 ,0 0 0

2 0 ,0 0 0

MIGRASI_SULBAR 4 0 ,0 00

MIGRASI_NTT

1 2 0,00 0

30 ,0 0 0

MIGRASI_SULSEL 1 4 0,00 0

MIGRASI_SULTENG 76 ,0 0 0 72 ,0 0 0

3 6 ,0 00 1 2 0,00 0

68 ,0 0 0

3 2 ,0 00

64 ,0 0 0 1 0 0,00 0

60 ,0 0 0

2 8 ,0 00 56 ,0 0 0 2 4 ,0 00

8 0 ,0 0 0

MIGRASI_SUMSEL 2 0 0 ,0 0 0

1 6 0 ,0 0 0

52 ,0 0 0

MIGRASI_SUMUT

MIGRASI_YOGYA

1 5 0,00 0

2 3 0 ,0 0 0

1 4 0,00 0

2 2 0 ,0 0 0

1 3 0,00 0

2 1 0 ,0 0 0

1 2 0,00 0

2 0 0 ,0 0 0

1 1 0,00 0

1 9 0 ,0 0 0

1 0 0,00 0

1 8 0 ,0 0 0

1 2 0 ,0 0 0

8 0 ,0 00

4 0 ,0 00

MIGRASI_BANTEN 7 0 0 ,0 0 0

MIGRASI_BEN GKULU 7 0 ,0 0 0

6 0 0 ,0 0 0

MIGRASI_GOR ON TALO 2 8 ,0 0 0 2 4 ,0 0 0

6 0 ,0 0 0

5 0 0 ,0 0 0

2 0 ,0 0 0 5 0 ,0 0 0

4 0 0 ,0 0 0

1 6 ,0 0 0 4 0 ,0 0 0

3 0 0 ,0 0 0 2 0 0 ,0 0 0

1 2 ,0 0 0

3 0 ,0 0 0

MIGRASI_JATENG 5 2 0 ,0 0 0

8 ,0 0 0

MIGRASI_JATIM

MIGR ASI_KALBAR

3 2 0 ,0 0 0

5 0 ,0 0 0

2 8 0 ,0 0 0

4 0 ,0 0 0

2 4 0 ,0 0 0

3 0 ,0 0 0

2 0 0 ,0 0 0

2 0 ,0 0 0

4 8 0 ,0 0 0 4 4 0 ,0 0 0 4 0 0 ,0 0 0 3 6 0 ,0 0 0 3 2 0 ,0 0 0 2 8 0 ,0 0 0

1 6 0 ,0 0 0

MIGRASI_KEPR I

1 0 ,0 0 0

MIGRASI_LAMPUNG

2 2 0 ,0 0 0

1 6 0 ,0 0 0

2 0 0 ,0 0 0

1 4 0 ,0 0 0

1 8 0 ,0 0 0

1 2 0 ,0 0 0

1 6 0 ,0 0 0

1 0 0 ,0 0 0

1 4 0 ,0 0 0

8 0 ,0 0 0

MIGR ASI_MALUKU 3 0 ,0 0 0 2 5 ,0 0 0 2 0 ,0 0 0 1 5 ,0 0 0

MIGRASI_PAPBAR

1 0 ,0 0 0 5 ,0 0 0

MIGRASI_PAPU A

MIGR ASI_RIAU

8 0 ,0 0 0

7 0 ,0 0 0

3 6 0 ,0 0 0

6 0 ,0 0 0

6 0 ,0 0 0

3 2 0 ,0 0 0

4 0 ,0 0 0

5 0 ,0 0 0

2 8 0 ,0 0 0

2 0 ,0 0 0

4 0 ,0 0 0

2 4 0 ,0 0 0

0

3 0 ,0 0 0

MIGR ASI_SULTENGGA

2 0 0 ,0 0 0

MIGRASI_SU LUT

MIGR ASI_SUMBAR

1 2 0 ,0 0 0

6 0 ,0 0 0

1 4 0 ,0 0 0

1 0 0 ,0 0 0

5 0 ,0 0 0

1 3 0 ,0 0 0

8 0 ,0 0 0

4 0 ,0 0 0

1 2 0 ,0 0 0

6 0 ,0 0 0

3 0 ,0 0 0

1 1 0 ,0 0 0

4 0 ,0 0 0

2 0 ,0 0 0

1 0 0 ,0 0 0


135


p. ISSN: 1411-1047 e. ISSN: 2503-2364

Statistik, Universitas Brawijaya,

Pustaka Bᾰlᾰ,

RM

dan

Prada,

Migration

EM.,

and

2014, Private

Consumption in Europe : a Panel th

Data Analysis, 7

International

Vol 2, No 6, 2014, 477-480. Simanulang, E., Silaen, F & Budiani, S., Pola

Migrasi

dan

Pembangunan

Ekonomi

antar

2012,

Conference on Applied Statistics,

Provinsi di Indonesia, Program

Procedia Economics and Finance

Studi

10, 2014, 141-149.

Kependudukan

Badan

Pusat

Statistik

http://www.bps.go.id/

Pascasarjana

(BPS),

Ketenagakerjaan,

Diakses

Indonesia, Jakarta.

Kajian dan Universitas

tanggal 17 Januari 2016. Ekananda, M., 2015, Ekonometrika Dasar untuk

Penelitian

Ekonomi,

Sosial

di

Bidang

dan

Bisnis,

Penerbit Mitra Wacana Media, Jakarta. Gujarati, D dan Porter, D., 2012,DasarDasar Ekonometrika Edisi 5, Penerbit Salemba Empat, Jakarta. Jennissen,

RPW.,

2003,

Economic

Determinants of net International Migration in Western Europe, Europian Journal of Population, 19, 171-198. Pusakasari, A., 2014, Regresi Panel dengan metode Weighted Cross Section

SUR

pengamatan

pada

Gross

Product

data

Domestic dengan

Heteroskedastisitas dan Korelasi antar

Individu

(Cross-Section

Correlation), Jurnal Mahasiswa


136

The Study of In-Migration between Provinces in Indonesia by Panel Data Regression

Recommend Documents