TESIS - SS142501
MODEL-BASED CLUSTERING DENGAN DISTRIBUSI t-MULTIVARIAT MENGGUNAKAN KRITERIA INTEGRATED COMPLETED LIKELIHOOD DAN MINIMUM MESSAGE LENGTH (Pengelompokan Provinsi di Indonesia Menurut Indikator Pasar Tenaga Kerja Tahun 2012-2015)
METY AGUSTINI NRP. 1315 201 717 DOSEN PEMBIMBING Dr. Kartika Fithriasari, M.Si. Dr. rer.pol. Dedy Dwi Prastyo, M.Si.
PROGRAM MAGISTER JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017
THESIS - SS142501
MODEL- BASED CLUSTERING WITH THE MULTIVARIATE t DISTRIBUTION USING INTEGRATED COMPLETED LIKELIHOOD AND MINIMUM MESSAGE LENGTH CRITERION (Grouping Provinces in Indonesia According to Key Indicators of The Labor Market in 2012-2015)
METY AGUSTINI NRP. 1315 201 717 SUPERVISOR Dr. Kartika Fithriasari, M.Si. Dr. rer.pol. Dedy Dwi Prastyo, M.Si.
PROGRAM OF MAGISTER DEPARTMENT OF STATISTICS FACULTY OF MATHEMATICS AND NATURAL SCIENCE INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017
MODEL-BASED CLUSTERL'VG DENGAN DISTRIBUSI t MUL TIVARIAT MENGGUNAKAN KRITERIA INTEGRATED COMPLETED LIKELIHOOD DAN MINIMUM MESSAGE LENGTH (Pengelompokan Provinsi di Indonesia Menurut lndikator Pasar Tenaga Kerja Tahun 2012-2015) Tesis disusun untuk memenuhi salah satu syarat memperoleh gelar Magister Sains (M.Si) di Institut Teknologi Sepuluh Nopember Oleh:
METY AGUSTIN! NRP. 1315 201 717
Tanggal Ujian Periode Wisuda
12Januari 2017 Maret 2017
Disetujui Oleh :
1. Dr. Kartika ithriasari M.Si
(Pembimbing I)
NIPP~ l96912 2 199303 2 002
~-C.'-=
~ 2.
Dr.rer.po . edy Dwi Prastvo. M.Si
(Pembimbing II)
NIP. 19831204 200812 1 002
..
M
3. Dr. Jrhamah. M.Si
(Penguji)
NIP. 19780406 200112 2 002
4. Dr.
Vr~ M!l'gaf~~Anggorowati, M.Si
(Penguji)
NIP. 19700910 199702 2 001
5. Dr. NIP. 19720222 199803 2 002
S.Kom, MT.
(Penguji)
Direktur Program Pascasarjana
Prof Ir. Diauhar Manfaat M.Sc .. Ph.D.
NIP 19601202 198701 1 001
MODEL-BASED CLUSTERING DENGAN DISTRIBUSI t - MULTIVARIAT MENGGUNAKAN KRITERIA INTEGRATED COMPLETED LIKELIHOOD DAN MINIMUM MESSAGE LENGTH (Pengelompokan Provinsi di Indonesia Menurut Indikator Pasar Tenaga Kerja Tahun 2012-2015) Nama Mahasiswa NRP Dosen Pembimbing I Dosen Pembimbing II
: Mety Agustini : 1315201717 : Dr. Kartika Fithriasari : Dr. rer.pol. Dedy Dwi Prastyo
ABSTRAK Analisis cluster merupakan alat statistik yang banyak digunakan untuk menentukan kelompok dalam satu kumpulan data. Metode clustering yang paling sering digunakan adalah clustering berdasarkan ukuran jarak. Namun pengelompokan menggunakan jarak akan sangat sulit dilakukan jika kondisi objek yang ada saling tumpang tindih. Penelitian ini menyarankan pendekatan modelbased clustering (MBC) yang didasarkan pada model finite mixture. Metode clustering ini memiliki asumsi bahwa data yang dihasilkan berasal dari beberapa distribusi probabilitas dan kemudian kelompok yang terbentuk diwakili oleh masing-masing distribusi probabilitas tersebut. Distribusi t multivariat pada model-based clustering digunakan untuk mengakomodasi keberadaan outlier. Distribusi t multivariat dianggap lebih tepat mengatasi outlier dibandingkan distribusi normal multivariat. Pemilihan model terbaik dari beberapa model yang tersedia dilakukan melalui kriteria Integrated Completed Likelihood (ICL) dan Minimum Message Length (MML). Kelompok optimal MBC-ICL digunakan untuk analisis pasar tenaga kerja Indonesia berdasarkan indikator Bekerja menurut lapangan usaha (subset data k2 0815). Sedangkan kelompok optimal RMBC-MML digunakan pada analisis pasar tenaga kerja Indonesia berdasarkan indikator EPR, Pekerja rentan, dan Pekerja sektor informal (subset data k5 0815). Kata kunci : distribusi t multivariat, indikator pasar tenaga kerja, integrated completed likelihood, minimum message length, model-based clustering
v
MODEL-BASED CLUSTERING WITH THE MULTIVARIATE t - DISTRIBUTION USING INTEGRATED COMPLETED LIKELIHOOD AND MINIMUM MESSAGE LENGTH CRITERION (Grouping Provinces in Indonesia According to Key Indicators of The Labor Market in 2012-2015) Name Registration Number Supervisor Co-Supervisor
: Mety Agustini : 1315201717 : Dr. Kartika Fithriasari : Dr. rer.pol. Dedy Dwi Prastyo
ABSTRACT The cluster analysis is a widely used statistical tool to determine subsets in a given data set. Clustering methods are used mostly based on distance measures. However, the measurement by the distance will be very difficult to do if the objects overlap. This research reviews recently suggested approaches to model-based clustering (MBC) which based on finite mixture models. It has an assumption that data are generated from several probability distributions and then a different cluster is represented by each probability distribution. The multivariate t-distribution in a model-based clustering is used to accomodate the existence of outlier. It is considered more appropriately overcoming the outlier than multivariate normal distribution. The best model from a list of candidate models is determined by the model-selection approach : integrated completed likelihood (ICL) and minimum message length (MML) criterion.
Keywords : integrated completed likelihood, key indicators of the labor market, minimum message length, model-based clustering, multivariate t distribution
vii
KATA PENGANTAR
Alhamdulillahi Robbil „Aalamiin, puji syukur kehadirat Allah SWT, atas berkat dan
hidayah-Nya kepada penulis sehingga tesis yang berjudul
“MODEL-BASED CLUSTERING DENGAN DISTRIBUSI t-MULTIVARIAT MENGGUNAKAN KRITERIA INTEGRATED COMPLETED LIKELIHOOD DAN MINIMUM MESSAGE LENGTH (Pengelompokan Provinsi di Indonesia Menurut Indikator Pasar Tenaga Kerja Tahun 2012-2015)” dapat terselesaikan. Penyelesaian tesis ini tidak lepas dari bantuan, bimbingan dan dukungan dari berbagai pihak. Oleh karena itu, teriring rasa syukur dan doa, Penulis ingin menyampaikan ucapan terima kasih yang sebesar-besarnya kepada: 1. Bapak Dr. rer.pol Dedy Dwi Prastyo, M.Si dan Ibu Dr. Kartika Fithriasari, M.Si. selaku dosen pembimbing yang telah meluangkan waktu untuk memberikan bimbingan, arahan, pembelajaran dan koreksi dengan penuh kesabaran selama penyusunan tesis ini. 2. Ibu Dr. Irhamah, M.Si, Ibu Dr. Vita Ratnasari, M.Si, dan Ibu Dr. Margaretha Ari Anggorowati, S.Kom, MT,
selaku dosen penguji yang memberikan
koreksi, saran dan masukan dalam penyusunan tesis ini. 3. Bapak Dr. Suhartono, M.Sc. selaku Ketua Jurusan Statistika, Bapak Dr.rer.pol. Heri Kuswanto, M.Si, selaku Ketua Program Studi Pascasarjana Jurusan Statistika,. Bapak Dr. Muhammad Mashuri selaku dosen wali selama Penulis menuntut ilmu, seluruh Bapak/Ibu dosen pengajar yang telah memberikan ilmu pengetahuan dan pengalaman yang bermanfaat, serta segenap karyawan keluarga besar Jurusan Statistika FMIPA ITS Surabaya, atas segala dukungan dan bantuan yang diberikan selama Penulis menjadi bagian dari sistem. 4. Kepala BPS RI beserta jajarannya, Kepala Pusdiklat BPS beserta jajarannya, Kepala BPS Provinsi Kepulauan Bangka Belitung beserta jajarannya, Kepala BPS Kabupaten Bangka beserta jajarannya, yang telah memberikan kesempatan dan kepercayaan kepada penulis sehingga dapat melanjutkan studi program S2 di ITS. ix
5. Kedua orang tua Alm. Ayah yang sangat Penulis kasihi dan Umak yang sangat Penulis sayangi, yang telah membesarkan, mendidik dan selalu mendo‟akan penulis dengan penuh keikhlasan. 6. Abu Zahra, suami, sahabat dan rekan meraih cita-cita kebaikan di dunia dan akhirat. Terima kasih atas izin, kepercayaan dan ridhonya. Anak-anakku tersayang Latifah Az-zahra, Muhammad Fadhlan Al Farizi, dan Abdurraham Al Ghifari. Kalian adalah motivator terbesar yang selalu menjadi penguat. 7. Kak Sulis sayang, yang telah menjadi Ibu pengganti yang sangat baik. Terima kasih untuk semua cinta. Semoga berbuah pahala. Kak Susi, Kak Tini, Kak Teri, Busu Tata dan keluarga atas dorongan, motivasi dan do‟a dalam proses penyelesaian tesis ini. 8. Sahabat-sahabat di ARH48: Mbak Lila, Nunik, Risma, Ervin, Aty dan Irva. Terima kasih atas segala perhatian, dukungan, bantuan, kebersamaan, keceriaan serta kekeluargaannya selama ini. Semoga Allah SWT berkenan mempertemukan lagi di masa mendatang. 9. Teman-teman BPS angkatan 9 : Mbak Kiki, Mbak Ayu, Ika, Tiara, Mbak Dewi, Mas Agung, Mas Dinu, Mas Arif, Mas Bambang, Bang Node, Suko, Leman dan Bayu. Terima kasih atas kebersamaan dan kekompakannya selama penulis menyelesaikan studi di ITS. Bersyukur dapat bertemu dengan kalian dan semoga dapat bertemu di lain kesempatan. 10. Semua teman dan kerabat lain serta semua pihak yang tidak dapat disebutkan satu per satu atas do‟a dan dukungan yang telah diberikan. Penulis menyadari bahwa tesis ini jauh dari sempurna. Oleh karena itu, kritik maupun saran yang bersifat membangun diharapkan demi perbaikan tesis ini. Akhirnya, penulis berharap semoga tesis ini bermanfaat untuk semua pihak yang memerlukan.
Surabaya, Januari 2017
Penulis
x
DAFTAR ISI LEMBAR PENGESAHAN ..................................................................................... i ABSTRAK .............................................................................................................. v ABSTRACT .......................................................................................................... vii KATA PENGANTAR ........................................................................................... ix DAFTAR ISI .......................................................................................................... xi DAFTAR TABEL ................................................................................................. xv DAFTAR GAMBAR .......................................................................................... xvii DAFTAR NOTASI DAN ISTILAH .................................................................... xix
BAB 1 PENDAHULUAN .................................................................................... 1 1.1
Latar Belakang..................................................................................1
1.2
Rumusan Masalah ............................................................................4
1.3
Tujuan Penelitian ..............................................................................6
1.4
Manfaat Penelitian ............................................................................7
1.5
Batasan Masalah ...............................................................................7
BAB 2 TINJAUAN PUSTAKA ........................................................................... 9 2.1
Distribusi Probabilitas ......................................................................9
2.1.1 Distribusi Multinomial .................................................................... 9 2.1.2 Distribusi Normal Multivariat ....................................................... 10 2.1.3 Distribusi t - Multivariat ................................................................ 11 2.2
Model Based-Clustering .................................................................12
2.2.2 Model Finite Mixture Normal Multivariat .................................... 15 2.2.3 Model Finite Mixture t - Multivariat ............................................ 15
xi
2.3
Penaksiran Parameter pada Model Finite Mixture dengan Metode
Maximum Likelihood ............................................................................... 17 2.4
Algoritma EM dan ECM ................................................................ 19
2.5
Pemilihan Model Terbaik .............................................................. 21
2.5.1 Integrated Completed Likelihood (ICL) ........................................ 21 2.5.2 Minimum Message Length (MML) ................................................ 22 2.6
Deteksi Outlier Multivariat ............................................................ 23
2.7
Skewness dan Kurtosis .................................................................. 25
2.8
Uji Manova Satu Arah ................................................................... 26
2.9
Survei Angkatan Kerja Nasional (Sakernas) ................................. 29
2.9.1 Kerangka Sampel ........................................................................... 30 2.9.2 Desain Sampel ............................................................................... 31 2.9.3 Konsep Umum Ketenagakerjaan ................................................... 32 2.10 Indikator Pasar Tenaga Kerja (Key Indicators of The Labor Market-KILM)......................................................................................... 34 2.10.1
KILM 1. Tingkat Partisipasi Angkatan Kerja (TPAK) ............ 35
2.10.2
KILM 2.Rasio Penduduk yang Bekerja Terhadap Jumlah
Penduduk (Employment to Population Ratio-EPR) ....................... 36 2.10.3
KILM 3. Penduduk yang Bekerja Menurut Status Pekerjaan
Utama ............................................................................................. 36 2.10.4
KILM 4. Penduduk yang Bekerja Menurut Sektor (Lapangan
Usaha) ............................................................................................ 38 2.10.5
KILM 5. Pekerja Paruh Waktu................................................. 38
2.10.6
KILM 6. Penduduk yang Bekerja Menurut Jam Kerja ............ 39
2.10.7
KILM 7. Penduduk yang Bekerja di Sektor Informal .............. 39
2.10.8
KILM 8. Pengangguran ............................................................ 39
2.10.9
KILM 11. Pengangguran dan Pendidikan ................................ 40 xii
2.10.10 KILM 12. Setengah Penganggur ............................................. 41 BAB 3 METODOLOGI PENELITIAN.............................................................. 43
3.1
Sumber Data ...................................................................................43
3.2
Variabel Penelitian .........................................................................43
3.3
Tahapan Penelitian .........................................................................46
BAB 4 HASIL DAN PEMBAHASAN............................................................... 49 4.1
Pemeriksaan Subset Data Penelitian Menurut Indikator Pasar
Tenaga Kerja Indonesia yang Memenuhi Asumsi Distribusi t Multivariat................................................................................................49 4.1.1 Deteksi Outlier Multivariat pada Data Penelitian ......................... 50 4.1.2 Pengujian Asumsi Distribusi Subset Data KILM .......................... 52 4.2
Pengelompokan Provinsi di Indonesia Menurut Indikator Pasar
Tenaga Kerja ............................................................................................53 4.2.1 Pengelompokan Provinsi di Indonesia menggunakan Model- Based Clustering dengan Kriteria Integrated Completed Likelihood (RMBC-ICL) ................................................................................. 53 4.2.2 Pengelompokan Provinsi di Indonesia menggunakan Robust Model Based Clustering dengan Kriteria Minimum Message Length (RMBC-MML) .............................................................................. 56 4.3
Kelompok Optimal MBC-ICL dan RMBC-MML .........................60
4.4
Uji Kesamaan Kelompok ...............................................................64
4.5
Analisis Pasar Tenaga Kerja Indonesia ..........................................65
4.5.1 Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator Persentase Bekerja Menurut Lapangan Usaha (k2) ....................... 65 4.5.2 Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator Bekerja Menurut Status, dan TPT Menurut Pendidikan (k3) ........ 67
xiii
4.5.3 Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator Bekerja Menurut Jam Kerja, dan Pekerja Setengah Penganggur Menurut Pendidikan (k4) ................................................................ 69 4.5.4 Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator EPR, Pekerja Rentan, dan Pekerja Sektor Informal (k5) ................ 72 BAB 5 KESIMPULAN DAN SARAN ............................................................... 75 5.1
Kesimpulan .................................................................................... 75
5.2
Saran .............................................................................................. 76
DAFTAR PUSTAKA ............................................................................................ 79 LAMPIRAN .......................................................................................................... 75 BIOGRAFI PENULIS ......................................................................................... 144
xiv
DAFTAR TABEL Tabel 2.1 Struktur data kelompok ke- pada model finite mixture ................ 14 Tabel 2.2 Multivariate analysis of variance (manova) .................................... 26 Tabel 2.3 Pendekatan F untuk kriteria pengujian manova .............................. 28 Tabel 3.1 Variabel penelitian .......................................................................... 43 Tabel 3.2 Subset data KILM ........................................................................... 45 Tabel 4.1 Jumlah provinsi terdeteksi sebagai outlier pada kuantil 90 persen . 51 Tabel 4.2 Jumlah kelompok optimal MBC-ICL untuk subset data k1 0212... sampai k5 0815................................................................................ 55 Tabel 4.3 Anggota kelompok provinsi di indonesia berdasarkan subset data k2 0212 menggunakan MBC-ICL ........................................................ 55 Tabel 4.4 Jumlah kelompok optimal rmbc-mml untuk subset data k1 .. 0212 sampai k5 0815................................................................................ 58 Tabel 4.5 Anggota kelompok provinsi di indonesia berdasarkan subset data k2 0212 menggunakan MBC-MML..................................................... 59 Tabel 4.6 Hasil uji kesamaan kelompok (uji manova) subset data k1 0215, k1 0815, k12 0215, dan k12 0815 ........................................................ 64
xv
DAFTAR GAMBAR
Gambar 2.1
Contoh bentuk cluster yang merepresentasikan struktur matriks varians kovarians pada model-based clustering ............................ 13
Gambar 2.2
Bagan konsep dasar tenaga kerja ................................................... 32
Gambar 3.1
Diagram alir tahapan penelitian..................................................... 47
Gambar 4.1
Plot jarak mahalanobis terhadap jarak robust subset data k1 0212 50
Gambar 4.2
Marginal contour plot subset data k2 0212 ................................... 54
Gambar 4.3
Persentase bekerja menurut sektor , agustus 2014-2015 ............... 66
Gambar 4.4
Plot keanggotaan cluster subset data k3 0212-k30815 .................. 69
xvii
DAFTAR NOTASI DAN SINGKATAN
No
Notasi atau Singkatan MBC k1
k2 k3
k4
k5 ICL MML BPS SDGs ILO DWCP Sakernas TPT RPJMN dd plot RMBC
Keterangan Model-Based Clustering Kombinasi variabel yang terdiri dari variabel TPAK, Pekerja paruh waktu, Pekerja sektor informal, dan TPT Kombinasi variabel yang terdiri dari variabel Bekerja menurut lapangan usaha Kombinasi variabel yang terdiri dari variabel Bekerja menurut status, dan TPT menurut pendidikan Kombinasi variabel yang terdiri dari variabel Bekerja menurut jam kerja, dan Pekerja setengah penganggur Kombinasi variabel yang terdiri dari variabel EPR, Pekerja rentan, dan Pekerja sektor informal Integrated Completed Likelihood Minimum Message Length Badan Pusat Statistik Sustainable Development Goals International Labour Organization Decent Work Country Programme Survei Angkatan Kerja Nasional Tingkat Pengangguran Terbuka Rencana Pembangunan Jangka Menengah distance-distance plot Robust Model Based-Clustering
xix
Hal pertama dituliskan 1 45
45 45
45
45 3 3 2 2 3 3 3 3 3 24 6
BAB 1 PENDAHULUAN 1.1
Latar Belakang Kegiatan mengelompokkan data merupakan salah satu alat yang paling
fundamental dalam menciptakan pemahaman yang baik pada suatu kegiatan pembelajaran (Jain, 2010). Tujuan dari metode pengelompokan data (analisis cluster) adalah untuk menyelidiki adanya pengelompokan (clustering) suatu set pola, titik, atau objek secara alamiah. Bezdek dkk (1984) mendefinisikan analisis cluster sebagai metode untuk membagi suatu set data ke dalam subsetsubset yang lebih kecil dan saling terpisah satu sama lain. Proses pengelompokan dipandang sebagai suatu pendekatan yang baik untuk menemukan kesamaan pada data, dan mengelompokkan data yang memiliki kesamaan ke dalam suatu kelompok tertentu (Hammouda dan Karray, 2000). Salah satu metode clustering yang cukup berkembang dan dianggap memiliki kelebihan dibanding metode clustering klasik lainnya adalah metode model-based clustering (MBC). Istilah model-based clustering pertama kali digunakan oleh Banfield & Raftery (1993) untuk menggambarkan sebuah pendekatan clustering dimana suatu kelompok pada populasi diidentifikasi berdasar distribusi probabilitas dan keseluruhan populasi dimodelkan sebagai sebuah finite mixture distribusi. Sehingga dapat dikatakan metode MBC adalah metode clustering berdasarkan model probabilitas. Menurut Bouveyron & Brunet-Saumard (2014), metode clustering dalam kerangka model probabilitas memberikan struktur yang tetap tentang kelompok-kelompok melalui distribusi probabilitas kelompok tersebut. Metode ini dianggap lebih baik daripada metode cluster yang umum digunakan selama ini, yang mengukur kesamaan antar objek melalui ukuran jarak, ukuran korelasi dan ukuran asosiasi. Pengukuran kemiripan antar objek dengan menggunakan jarak akan sangat sulit dilakukan jika ukuran data yang digunakan sangat besar dan kondisi objek yang ada saling tumpang tindih. Penggunaan model finite mixture dalam metode cluster telah ada sejak
1
tahun 1960-an. Dimulai dengan karya Wolfe (1965), Edwards & Cavalli-Sforza (1965), Day (1969), McLachlan (1982), Titterington, Smith & Makov (1985), Banfield & Raftery (1993). Dasgupta & Raftery (1998), McLachlan & Peel (2000), Fraley & Raftery (2002), Cuesta & Albertos (2008) dan McLachlan & Wang (2012). Sebagian besar penelitian tersebut didasarkan pada model mixture normal. Penelitian terbaru yang menggunakan metode MBC dilakukan oleh Damayanti (2015) yang mengelompokkan provinsi-provinsi di Indonesia menurut Capaian Pembangunan Berkelanjutan dan Siagian (2014) yang mengelompokkan Kabupaten/ Kota di Indonesia menurut Tingkat Kerawanan Sosial. Berbeda dengan penelitian pada umumnya, penelitian Damayanti (2015) dan Siagian (2014) didasarkan pada MBC dengan distribusi t multivariat, mengacu penelitian McLachlan & Peel pada tahun 2000. Menurut McLachlan & Peel (2000) untuk kasus data mengandung outlier, penggunaan asumsi mixture berdistribusi t multivariat akan memberikan hasil clustering yang lebih robust dalam mengatasi efek outlier pada estimasi parameter. Penelitian ini akan menerapkan metode penelitian yang dilakukan oleh Siagian (2014) dan Damayanti (2015), dimana keduanya menggunakan data riil bersumber dari Badan Pusat Statistik (BPS). Data diasumsikan berdistribusi t multivariat dan memuat outlier. Penelitian ini akan mengelompokkan provinsi di Indonesia menurut indikator pasar tenaga kerja. Indikator pasar tenaga kerja digunakan untuk mengukur perubahan kondisi ketenagakerjaan Indonesia seperti informasi mengenai angkatan kerja, pengangguran, pekerja keluarga, pekerja bebas dan sebagainya. Penciptaan lapangan kerja menjadi salah satu fokus utama pembangunan. Tidak hanya sebatas “lapangan kerja”, tetapi bagaimana menciptakan “lapangan kerja layak” seperti yang dibahas pada Konferensi Sustainable Development Goals (SDGs) 16-17 Februari 2016 lalu dengan tema “Agenda untuk Tujuan Pembangunan Berkelanjutan Menuju Kerja Layak untuk Semua”. Konferensi ini mengidentifikasi berbagai tantangan pasar tenaga kerja yang dihadapi Indonesia saat ini dan kebutuhan mendesak untuk mengatasi tantangan-tantangan tersebut secara komprehensif dan holistik. Upaya untuk menciptakan kesempatan kerja layak harus terus dilakukan sebagaimana tertuang dalam Rencana Pembangunan Jangka Menengah Nasional (RPJMN). Kesempatan 2
kerja layak bukan saja menjadi perhatian pemerintah tetapi juga organisasi dunia seperti
Organisasi
Perburuhan
Internasional
(International
Labour
Organization/ILO), melalui Program Kerja Layak Nasional 2012-2015 (Indonesia Decent work Country Programme/ DWCP). Survei Angkatan Kerja Nasional (Sakernas) Februari 2016 mencatat Tingkat Pengangguran Terbuka (TPT) Indonesia mencapai 5,50 persen. Ini berarti dari 100 orang angkatan kerja di Indonesia, terdapat 5 atau 6 orang yang masuk kategori penganggur. Selain itu, share penganggur umur muda terhadap total penganggur juga masih cukup tinggi yaitu 53,12 persen. Dari 100 orang penganggur terdapat 53 orang penganggur yang berumur antara 15 sampai 24 tahun (BPS, 2016). Keadaan ini semakin mempertegas diperlukannya perhatian dan upaya yang lebih besar lagi untuk mendukung kesempatan kerja di Indonesia terutama bagi pekerja umur muda. BPS sudah menyajikan informasi yang cukup lengkap mengenai kondisi pasar tenaga kerja di Indonesia. Dalam satu tahun sedikitnya terdapat 4 publikasi yang menggambarkan secara rinci mengenai ketenagakerjaan Indonesia, seperti publikasi : “Statistik Mobilitas Penduduk dan Tenaga Kerja”, “Keadaan Pekerja di Indonesia”, “Keadaaan Angkatan Kerja” dan “Indikator Pasar Tenaga Kerja”. Akan tetapi, publikasi-publikasi tersebut umumnya menyajikan informasi melalui tabel-tabel dan analisis yang bersifat deskriptif. Belum pernah disajikan informasi berdasarkan analisis clustering (pengelompokan) provinsi-provinsi di Indonesia, sehingga bisa diketahui provinsi mana saja yang memiliki kemiripan karakteristik menurut beberapa indikator pasar tenaga kerja. Potensi tenaga kerja dan kondisi geografis yang berbeda-beda antar provinsi terkadang memuat data ekstrim (outlier). Keberadaan outlier bisa menjadi salah satu penyebab analisis yang dihasilkan tidak menggambarkan dengan baik keadaan di lapangan. Damayanti (2015) memilih kriteria ICL untuk mengelompokkan 33 provinsi di Indonesia menurut 10 variabel indikator pembangunan tahun 2011 yang memuat data outlier. Siagian (2014) memilih kriteria MML yang terbukti lebih baik dibandingkan kriteria
BIC
untuk mengelompokkan 497 kabupaten/kota
berdasarkan 10 variabel data kerawanan sosial tahun 2010, dan memuat data outlier pula. Penelitian ini mencoba menerapkan kedua kriteria ICL dan MML 3
untuk mengelompokkan 33 provinsi di Indonesia menurut data indikator pasar tenaga kerja yang diduga mengandung outlier dan tidak berdistribusi normal. Jika penelitian Damayanti dan Siagian melakukan pengelompokkan pada satu tahun (periode) pendataan saja, maka tesis ini akan menerapkan kedua metode tersebut pada 8 periode pendataan. Pengelompokan (clustering) melalui metode “ModelBased Clustering dengan Distribusi t Multivariat Menggunakan Kriteria Integrated Completed Likelihood dan Minimum Message Length” diharapkan bisa menghasilkan pengelompokan yang mampu memberikan informasi yang tepat mengenai pasar tenaga kerja provinsi di Indonesia dari tahun 2012 sampai dengan 2015.
1.2
Rumusan Masalah Pada prinsipnya pengembangan metode statistik diperlukan karena dunia
kerja menuntut pengumpulan data yang lengkap dan analisis informasi yang luas mengenai pasar tenaga kerja Indonesia. BPS sejak tahun 2012 secara rutin menyampaikan hasil pencacahan Sakernas melalui publikasi “Indikator Pasar Tenaga Kerja” berdasarkan “Key Indicators of Labor Market - KILM” edisi ke lima yang ditetapkan oleh ILO. Dari 20 indikator KILM oleh ILO, BPS bisa menyajikan
13 indikator KILM yang dijelaskan oleh lebih dari 30 variabel
indikator pasar tenaga kerja. Jika pada penelitian Siagian (2014) dan Damayanti (2015) dilakukan clustering objek pada satu periode data penelitian, maka pada penelitian ini akan dilakukan clustering objek yaitu provinsi-provinsi di Indonesia dengan menggunakan 8 periode data penelitian yaitu data Sakernas bulan Februari dan Agustus tahun 2012 sampai dengan 2015. Penggunaan variabel yang sama pada periode yang berbeda memungkinkan hasil pengelompokan yang berbeda. Apalagi jika variabel yang digunakan berbeda pada periode yang berbeda, maka sangat mungkin hasil pengelompokan akan berbeda. Hasil pengelompokan yang berbeda-beda atau tidak stabil akan menyulitkan pengambilan keputusan. Melalui eksplorasi variabel-variabel indikator pasar tenaga kerja diharapkan akan diperoleh variabel yang bisa menghasilkan pengelompokan yang stabil, yaitu hasil pengelompokan yang hampir konsisten dari waktu ke waktu dengan asumsi tidak
4
ada kejadian luar biasa yang dapat merubah komposisi pengelompokan secara drastis. Model-based
clustering
(MBC)
umumnya
dilakukan
untuk
mengelompokkan objek dengan satu periode data penelitian (cross-section). MBC untuk mengelompokkan objek dengan beberapa series data penelitian telah mengalami banyak perkembangan. Juarez dan Steel (2010) melakukan pengelompokan dengan metode MBC untuk data panel, sedangkan FruhwirthSchnatter (2011) melakukan pengelompokan dengan metode MBC untuk data timeseries. Meskipun penelitian ini memuat 8 series data indikator pasar tenaga kerja, akan tetapi pengelompokan provinsi di Indonesia akan dilakukan secara cross-section.
Penelitian
ini
tidak
ditujukan
untuk
mendapatkan
satu
pengelompokan provinsi dari 8 series data pencacahan Sakernas seperti clustering pada data panel ataupun data timeseries. Akan tetapi, penelitian ini akan mendapatkan pengelompokan provinsi untuk masing-masing periode pencacahan Sakernas yaitu februari 2012, agustus 2012, februari 2013, agustus 2013, februari 2014, agustus 2014, februari 2015 dan agustus 2015. Dengan demikian diharapkan bisa diketahui apakah terdapat perbedaan kelompok yang terbentuk untuk setiap periode pencacahan Sakernas. Distribusi finite mixture yang banyak digunakan dalam penelitian modelbased clustering adalah distribusi normal multivariat karena relatif sederhana dalam perhitungannya (Banfield & Raftery, 1993). Akan tetapi banyak distribusi data multivariat yang tidak mengikuti distribusi normal akibat keberadaan outlier. Terdapat dampak tidak baik jika memaksakan asumsi model mixture normal multivariat pada data mengandung nilai ekstrim karena akan terjadi over-estimate jumlah kelompok (Cozzini, Asra & Montana, 2013). Over-estimate terjadi karena kelompok tambahan dibutuhkan untuk mencakup distribusi heavy tail yang menggambarkan karakteristik kelompok tertentu (Melnykov & Maitra, 2010). Penggunaan metode MBC pada penelitian ini dikhususkan untuk data indikator pasar tenaga kerja yang memenuhi asumsi distribusi t multivariat. Pengelompokan melalui metode MBC dengan distribusi t multivariat diharapkan bisa menghasilkan penduga yang robust untuk mengelompokkan provinsi berdasarkan data ketenagakerjaan yang cenderung bervariasi dan memuat outlier. 5
Penaksiran parameter dan pemilihan model terbaik merupakan dua proses utama pada metode clustering model finite mixture. Untuk mendapatkan Robust Model-Based Clustering (RMBC) terbaik dan jumlah kelompok yang optimal, berbagai kriteria telah dikembangkan. Peel & McLachlan (2000) menggunakan metode Maximum Likelihood (ML) untuk estimasi parameter serta Akaike Information Criterion (AIC) dan Bayesian Information Criterion (BIC) untuk seleksi model. Damayanti (2015) juga menggunakan metode ML untuk estimasi parameter, sedangkan untuk seleksi model terbaik menggunakan kriteria Integrated Completed Likelihood (ICL). Siagian (2014) mengembangkan metode Maximum Penalized Likelihood (MPL) untuk estimasi parameter dan penalti Minimum Message Length (MML) untuk memilih model terbaik. Seperti telah disampaikan di latar belakang, tesis ini akan menerapkan kedua metode yang dilakukan oleh Damayanti (2015) dan Siagian (2014) untuk mengelompokkan provinsi di Indonesia berdasarkan indikator pasar tenaga kerja. Berikut ini beberapa permasalahan yang akan dibahas dalam penelitian, menggunakan indikator pasar tenaga kerja Februari dan Agustus tahun 2012 sampai dengan 2015. 1) Bagaimana memilih subset data penelitian menurut indikator pasar tenaga kerja Indonesia yang memenuhi asumsi distribusi t-multivariat? 2) Bagaimana membentuk kelompok wilayah (provinsi) menurut indikator pasar tenaga kerja menggunakan model-based clustering t-multivariat dan kriteria pemilihan model terbaik menggunakan kriteria ICL dan MML? 3) Berdasarkan kelompok yang terbentuk, bagaimana analisis pasar tenaga kerja Indonesia tahun 2012 sampai dengan 2015?
1.3
Tujuan Penelitian Berdasarkan perumusan masalah di atas, tujuan utama penelitian ini
adalah mengembangkan metode statistik model-based clustering dengan membandingkan kriteria ICL dan MML, untuk memilih model terbaik pada model finite mixture t multivariate. Secara khusus tujuan penelitian adalah: 1) Memilih subset data penelitian menurut indikator pasar tenaga kerja Indonesia yang memenuhi asumsi distribusi t multivariat. 6
2) Membentuk kelompok provinsi di Indonesia menurut indikator pasar tenaga kerja menggunakan model-based clustering t multivariat dan kriteria pemilihan model terbaik menggunakan kriteria ICL dan MML 3) Membuat analisis pasar tenaga kerja Indonesia berdasarkan kelompok yang terbentuk.
1.4
Manfaat Penelitian Hasil penelitian ini dapat diterapkan untuk pengelompokan (clustering)
objek berdasarkan data riil yang umumnya banyak memuat data outlier. Juga diharapkan bisa menjadi informasi tambahan bagi BPS selaku instansi pemerintah yang secara rutin melakukan Survei Angkatan Kerja Nasional (Sakernas). Penelitian ini menggunakan series data Sakernas dari tahun 2012 sampai 2015, sehingga hasil analisis penelitian ini bisa mendukung Indonesia Decent work Country Programme 2012-2015 oleh ILO, selaku organisasi internasional yang sudah sejak lama perduli dengan perkembangan pasar tenaga kerja Indonesia. Pada akhirnya, semoga hasil penelitian ini bisa memberikan masukan penting bagi semua pengguna data ketenagakerjaan dan bagi pemerintah dalam pengambilan kebijakan yang tepat, mendukung “Agenda Tujuan Pembangunan Berkelanjutan Menuju Kerja Layak untuk Semua”.
1.5
Batasan Masalah Berdasarkan latar belakang dan rumusan masalah, perlu dilakukan
batasan cakupan dan batasan masalah penelitian, sehingga tujuan yang diharapkan bisa tercapai. Beberapa batasan masalah yang digunakan pada penelitian ini, seperti sebagai berikut : 1. Pengelompokan dilakukan menurut 33 Provinsi di Indonesia, tidak termasuk Kalimantan Utara. Sebagai provinsi termuda, series data Provinsi Kalimantan Utara belum lengkap. Data KILM Kalimantan Utara tahun 2012-2014 tidak tersedia. 2. Dari 20 indikator KILM yang ditetapkan ILO, penelitian ini menggunakan 11 indikator KILM yang terdiri dari 25 indikator/variabel pasar tenaga kerja berdasarkan hasil pencacahan Sakernas bulan Februari dan Agustus tahun 7
2012 sampai dengan 2015 (seperti pada tabel 3.1). Dengan asumsi bahwa data Indikator Pasar Tenaga Kerja (KILM) Indonesia cenderung memuat outlier, maka pengelompokan provinsi di Indonesia dilakukan berdasarkan indikatorindikator KILM yang memenuhi asumsi distribusi t multivariat. 3. Pengelompokan provinsi di Indonesia dilakukan pada setiap periode pencacahan Sakernas bulan Februari dan Agustus tahun 2012 sampai dengan 2015. Ini berarti data dikelompokkan sebagai data cross-section untuk tiap periode Sakernas, bukan sebagai data panel 2012-2015 atau pun data timeseries 2012-2015.
8
BAB 2 TINJAUAN PUSTAKA 2.1
Distribusi Probabilitas Fenomena-fenomena yang dianggap acak atau tidak pasti sering
dimodelkan sebagai hasil dari beberapa percobaan yang secara teoritis dinyatakan dengan sebaran atau distribusi. Hasil percobaan merupakan elemen ruang sampel, dan himpunan bagian dari ruang sampel tersebut dinamakan peristiwa atau kejadian (events). Kejadian-kejadian tersebut ditandai sebagai suatu peluang (probabilitas), yang bernilai antara 0 dan 1 yang menunjukkan seberapa sering events tersebut terjadi (Dekking, Kraaikamp, Lopuha dan Mester, (2005). Distribusi peluang (distribusi probabilitas) sangat berguna untuk menganalisis terjadinya suatu peristiwa atau kejadian. Kejadian yang bersifat berhingga, objek sebarannya akan berbeda dengan kejadian yang tak berhingga. Objek dari sebaran peluang adalah variabel acak. Casella dan Berger (2002) mendefinisikan variabel acak sebagai fungsi yang memetakan kejadian-kejadian pada suatu ruang sampel ke dalam himpunan bilangan real. Sehubungan dengan pengujian objek percobaan, pemilihan sebaran akan mempermudah penghitungan peluang. Ditinjau dari objek kajian, distribusi probabilitas dibagi menjadi distribusi peluang diskrit dan distribusi peluang kontinyu, dimana masing-masing memiliki beberapa jenis distribusi. Sub bab ini membahas beberapa distribusi probabilitas yang digunakan pada penelitian.
2.1.1
Distribusi Multinomial Sebuah variabel acak
ruang sampel
dikatakan memiliki distribusi peluang diskrit jika
merupakan nilai yang bisa dihitung (countable). Atau variabel
acaknya memiliki hasil percobaan berupa nilai integer. Distribusi multinomial adalah salah satu bentuk distribusi peluang diskrit. Distribusi multinomial merupakan perluasan dari distribusi binomial. Jika sebuah variabel acak binomial berasal dari percobaan dengan 2 kemungkinan hasil maka variabel acak multinomial berasal dari percobaan dengan
9
kemungkinan hasil yaitu kejadian
dengan peluang penelitian ini,
dimana
(Hogg & Tanis, 1997). Pada (
adalah jumlah kelompok yang terbentuk. Karena
maka ∑
Percobaan dilakukan sebanyak
kali dan variabel acak Sehingga ∑
adalah banyaknya percobaan terjadi di dan probabilitas
)
adalah
(
) (2.1)
∏
Variabel acak
dikatakan berdistribusi multinomial dengan
parameter
(Forbes, C., dkk (2011)). [
Rata-rata Kovarians antara
2.1.2
] dan
,
adalah
]
(
[
]
)
Distribusi Normal Multivariat Suatu variabel acak
rata
[
dan varians
dan varians
yang berdistribusi normal univariat dengan rata(
dinotasikan
) memiliki bentuk fungsi kepadatan
probabilitas : ( )
(
[
)
dimana
/ ]
.
. Fungsi kepadatan probabilitas
normal multivariat adalah perluasan dari fungsi kepadatan probabilitas normal univariat untuk dimensi
. Maka vektor variabel acak
berdistribusi normal multivariat dengan parameter
dan
[
]
, mempunyai fungsi
kepadatan peluang : ( )
(
)
| |
dan dinotasikan dengan
(
, (
)
(
) dimana :
10
)-
(2.2)
(
, adalah vektor rata-rata dan
(
, adalah
matriks varians kovarians. Distribusi finite mixture yang banyak digunakan dalam penelitian model-based clustering adalah distribusi normal multivariat, karena relatif sederhana dalam perhitungannya (Banfield & Raftery, 1993).
2.1.3
Distribusi t - Multivariat Distribusi t - multivariat merupakan perluasan dari distribusi t - univariat.
Distribusi t - multivariat mulai banyak digunakan dalam model-based clustering, karena banyak distribusi data multivariat yang tidak mengikuti distribusi normal akibat keberadaan outlier, sehingga distribusi data menjadi Kemudian
dikembangkan
distribusi
t
untuk
lebih
landai.
data multivariat yang diakui
memiliki kemampuan mengatasi outlier lebih mudah dibandingkan distribusi normal multivariat (Andrews, dkk (2011)). [
Vektor variabel acak derajat bebas
] berdistribusi t multivariat dengan [
, vektor rata-rata
] dan matriks varians kovarians
memiliki fungsi kepadatan peluang sebagai berikut (Kotz & Nadarajah, 2004) : .
( ) (
/
)
. /| |
(
4
)
(
)
.
(2.3)
/
5
disebut juga parameter bentuk (shape) karena puncak fungsi (2.3) dapat diturunkan atau dinaikkan dengan memberikan variasi nilai
ini.
Distribusi t multivariat dapat dipandang sebagai sebuah distribusi normal multivariat rata-rata terboboti dengan bobot u berdistribusi
(
) ,
dengan fungsi kepadatan peluang sebagai berikut (Meng & Rubin, 1993) : (2.4) ( |
)
∫
* (( |
( |
)
dengan : . |
/
| | .
/
(
(
(
)
11
)* adalah densitas dari
(
)
dan
( |
2.2
Model Based-Clustering
)
( )
(
) ( )
( )
{
.
Metode pengelompokan objek yang banyak dikenal adalah metode clustering hirarki (single linkage, complete linkage, average linkage dan Ward’s linkage) dan clustering non hirarki ( K-means). Namun metode pengelompokan tersebut tidak mempunyai dasar pengelompokan secara statistik. Adapun metode pengelompokan yang memperhatikan model statistik disebut dengan model-based clustering (MBC). Model ini pertama kali digunakan oleh Banfield & Raftery (1993) untuk pengelompokan objek dalam populasi. Asumsi yang digunakan pada model-based clustering adalah dalam suatu populasi dapat diambil subpopulasi yang mempunyai distribusi peluang tertentu dan masing-masing subpopulasi mempunyai paremeter yang berbeda. Keseluruhan subpopulasi mempunyai distribusi peluang mixture dengan proporsi berbeda untuk setiap sub-populasi. Banfield dan Raftery (1993) mengembangkan kerangka model-based clustering menggunakan dekomposisi eigenvalue dari matriks varians kovarians (
) sebagai berikut : (2.5)
dengan : adalah nilai skalar yang menunjukkan volume elips. adalah matriks ortogonal eigenvector yang merupakan orientasi dari komponen utama
.
adalah diagonal matriks dengan elemen-elemen yang proporsional pada eigenvalue
dan menunjukkan kontur dari fungsi kepadatannya.
Orientasi, volume dan bentuk dari distribusi dapat diestimasi dari data dan mempunyai bentuk bermacam-macam antar cluster atau dapat saling memotong antar cluster, sebagaimana diilustrasikan pada gambar 2.1.
12
( )
=
( )
= λI
= ⁹/
( )
=
( )
=
=
Gambar 2.1 Contoh bentuk cluster yang merepresentasikan struktur matriks varians kovarians pada model-based clustering Keterangan : 1.
=
= λI cluster yang terbentuk adalah spherical (bola) dan mempunyai
volume yang sama besar antar cluster. 2.
=
=
semua cluster yang terbentuk mempunyai bentuk, volume
dan orientasi yang sama. 3.
=
cluster yang terbentuk bisa berbeda pada bentuk, volume
dan orientasinya. 4.
=
hanya orientasi dari cluster terbentuk yang berbeda.
Dengan bantuan software R package teigen, mampu diidentifikasi 28 model yang mungkin dengan jumlah kelompok maksimal 9 kelompok untuk pengelompokan menggunakan model-based clustering t- multivariat ( lampiran 1). Sebagai contoh diperoleh model terbaik (nilai ICL terbesar) adalah CUCU dengan jumlah kelompok optimal G=2. Berdasarkan persamaan (2.5) diketahui model CUCU menunjukkan
berlabel “C”onstrained yang berarti kedua kelompok memiliki
volume elips yang sama. kedua kelompok berbeda.
berlabel “U”nconstrained yang berarti orientasi dari berlabel “C”onstrained yang berarti kedua
13
berlabel “U”nconstrained yang berarti
kelompok memiliki kontur yang sama.
kedua kelompok memiliki derajat bebas yang berbeda. Oleh karena orientasi dan derajat bebas kedua kelompok berbeda, maka kedua kelompok memiliki matrik kovarians (
) yang berbeda pula (Andrews, dkk (2011). Model CUCU
bersesuaian dengan contoh gambar no (4) pada Gambar 2.1 di atas dengan bentuk cluster yang merepresentasikan struktur matriks varians kovarians
2.2.1
=
.
Model Finite Mixture Misalkan vektor variabel acak x dengan dimensi
berasal dari
distribusi finite mixture dengan fungsi kepadatan peluang : ( | )
(2.6)
∑
( |
)
dengan: ( ( |
) adalah vektor parameter, ) disebut fungsi kepadatan peluang x dengan parameter
G adalah jumlah kelompok dan
kelompok
,
adalah bobot atau proporsi campuran (mixing
proportion) dari kelompok ke- dengan batasan : (
) dan
∑
Tabel 2.1 Struktur Data Kelompok ke- pada Model Finite Mixture Variabel Obyek pengamatan 1 2 ... j ... ( ) ( ) ( ) ( ) 1 ... ... (
2
)
(
)
... /
.
...
...
(
... /
...
.
Keterangan: (
)
: Nilai variabel ke - obyek pengamatan ke- keompok ke-
14
(
)
)
( ) ...
.
)
)
...
/
(
...
(
...
...
...
...
... .
...
...
...
(
)
)
...
)
(
...
...
...
...
... (
i
)
(
/
.
/
( )
: Vektor nilai data obyek pengamatan ke- kelompok ke: Indeks kelompok, : Indeks variabel, ∑
: Indeks obyek pengamatan,
Sedikitnya ada dua proses utama yang perlu dilakukan pada model finite mixture yaitu penaksiran parameter dan pemilihan model terbaik yang menggambarkan struktur data. Pembahasan lebih detil tentang model finite mixture dan aplikasinya dibahas oleh Titterington, Smith & Makov (1985) dan McLachlan & Peel (2000). Struktur data kelompok ke- dari sampel acak pengamatan dari
sebagai nilai obyek
dari sebuah model finite mixture adalah sebagai
berikut :
2.2.2
Model Finite Mixture Normal Multivariat Sampel acak
dianggap berasal dari sebuah model finite
mixture normal multivariat dengan setiap kelompok ke- pada model diasumsikan berdistribusi
normal multivariat maka
fungsi
kepadatan probabilitasnya
berbentuk: (
)
∑
(2.7) (
) ∑
dengan ( Dan
) ( ) | | adalah vektor mean dan
distribusi normal multivariat dan
{
dan (
)
(
)}
(2.8)
adalah matriks kovarians kelompok ke- dari ( ) adalah fungsi kepadatan probabilitas
kelompok ke-
2.2.3
Model Finite Mixture t - Multivariat Model finite mixture t - multivariat dianggap sebagai sebuah pendekatan
yang lebih robust untuk data mengandung outlier. Dengan mengasumsikan setiap kelompok pada model finite mixture berdistribusi t - multivariat maka efek adanya outlier pada penaksiran parameter model finite mixture dapat teratasi (McLachlan, 15
Ng & Bean,(2004). Hal ini karena distribusi t memiliki ekor yang lebih panjang dibanding distribusi normal sehingga data pengamatan yang tidak biasa (atypical) dari sebuah kelompok akan mendapat bobot yang lebih rendah dalam penghitungan nilai penaksir parameternya (Peel & McLachlan, (2000). Sampel acak
dianggap berasal dari sebuah model finite
mixture t - multivariat dengan setiap kelompok ke-
pada model diasumsikan
berdistribusi t - multivariat maka fungsi kepadatan probabilitasnya berbentuk: (
)
∑
(
(2.9)
) ∑
dengan (
)
(
*|
dan
| 4
(
)
(
)
(
)
(2.10)
5
( )
dan (
)
(
)
(
adalah jarak Mahalanobis kuadrat antara
dan
[
kovarians). Dalam hal ini ,
kelompok ke- dengan
(2.11)
)
sebagai matrik
] adalah vektor rata-rata - dan
[
]
adalah matriks varians kovarians pada kelompok ke]
(dengan
dengan
,
-
dan
[
Ketika
maka pendekatan dengan distribusi t ini akan mengarah pada
serta
adalah derajat bebas kelompok ke-
distribusi normal. Sehingga menurut McLachlan & Peel (2000), parameter dapat dianggap sebagai parameter pengontrol robust (robustness tuning).
16
2.3
Penaksiran Parameter pada Model Finite Mixture dengan Metode Maximum Likelihood Untuk menaksir parameter finite mixture, banyak metode telah
dikembangkan seperti metode momen, metode minimum-distance, maximum likelihood (ML) dan pendekatan Bayesian. Pada penelitian ini akan digunakan metode maximum likelihood untuk mendapatkan penaksir parameter model-based clustering. Metode ML memiliki kelebihan yaitu teknik penaksiran parameternya lebih mudah. Teknik ini hanya dapat digunakan bilamana distribusi populasi diketahui. Selain itu ML sangat sensitif terhadap data ekstrim. Data ekstrim ini sangat berpengaruh terhadap
nilai-nilai
mean
ataupun varians. Fungsi
likelihood model finite mixture pada (2.6) adalah: ( | )
∏∑
( |
(2.12)
)
Untuk memudahkan dalam menghitung, seringkali digunakan
( | ) Oleh
karena fungsi logaritma merupakan fungsi naik maka fungsi ln likelihoodnya adalah sebagai berikut: ( | )
∑
∑
( |
(
dengan
(2.13)
) )
̂ adalah maximum likelihood estimator (MLE) atau penaksir
parameter dari
yang didapatkan dengan meminimumkan fungsi ln likelihood, yaitu ( | ) ( | ) Namun penaksir parameter (MLE) tidak dapat diperoleh secara analitik karena
fungsi (2.13) mengandung ln penjumlahan distribusi mixture dan
berbentuk multimodal. Jika data
memiliki kategori/label kelompok maka MLE bisa diperoleh
dalam bentuk eksplisit. Misalkan pasangan berurut (
) dimana
adalah data lengkap berlabel yang merupakan adalah data nilai obyek pengamatan dan
adalah vektor label kelompok. {
17
Dikarenakan syarat ∑ distribusi
multinomial
kepadatan probabilitas ( )
bebas
, maka dengan
adalah
dan
identik
peluang
ketika
mengikuti
dengan fungsi yaitu : (2.14)
∏
Jumlah observasi dalam kelompok semua variabel label
dapat diperoleh dengan menjumlahkan
untuk semua observasi dalam kelompok
sehingga : (2.15)
∑
(2.16)
∑ Fungsi kepadatan probabilitas bersyarat ketika
diberikan
adalah fungsi
(
)
= 1 yaitu
( | )
∏
( |
(2.17)
)
Fungsi kepadatan probabilitas bersama dari data lengkap adalah : ( )
(
)
∏
( ) ( | ) [ ( |
(2.18)
)]
Sehingga fungsi likelihood data lengkap untuk ( | ) adalah ( | )
(2.19)
∏ ( ) ∏∏
[ ( |
)]
Dan fungsi ln likelihood data lengkap untuk ( | ) adalah (2.20) ( | )
(∏ ∏ ∑∑
[
[ ( |
)]
)
( |
)]
18
Variabel label
dianggap sebagai parameter yang hilang yang harus diestimasi
bersamaan dengan estimasi parameter ( | ). Dikarenakan data model finite mixture dapat dipandang sebagai data tidak lengkap dengan data hilang vektor adalah label
maka penaksiran parameter dengan metode ML dapat dilakukan
dengan algoritma expectation maximization (EM) yang diajukan Dempster, Laird & Rubin (1977).
2.4
Algoritma EM dan ECM Proses
iterasi
mendapatkan
penaksir parameter
model-based
clustering dilakukan dengan algoritma EM untuk mempermudah dalam memperoleh penaksir parameter (Dempster, Laird & Rubin, 1977). Data observasi dianggap sebagai data tidak lengkap karena label kelompok belum diketahui. Label kelompok ini disebut sebagai variable laten yang diperlakukan sebagai data hilang dalam algoritma EM. Algoritma EM adalah algoritma optimasi iteratif untuk memaksimumkan fungsi likelihood dari model probabilistik dengan data hilang (missing data). Jika label ini diketahui, maka akan didapatkan estimasi parameter di setiap distribusi komponen dengan membagi observasi ke dalam kelompok masing-masing. Algoritma EM menggunakan iterasi 2 langkah sampai mencapai hasil yang konvergen, yaitu langkah Ekspektasi (E-step) dan langkah Maksimisasi (Mstep). 1.
Langkah Ekspektasi (E-step) Langkah ini dilakukan dengan menghitung nilai ekspektasi dari fungsi logaritma likelihood data lengkap yaitu (2.21)
( | )
∑∑
0 (
)
. ( |
)/1
Berdasarkan ekspektasi dari fungsi (2.21) didapatkan penaksir parameter ̂ 2.
( |
̂ ∑
̂
)
( |
(2.22) )
Langkah Maksimisasi (M-step)
19
Langkah maksimisasi digunakan untuk memaksimalkan nilai harapan fungsi likelihood persamaan (2.19) terhadap ̂ , ̂
dan ̂ dengan nilai ̂
diperoleh dari langkah Ekspektasi (E-step). ∑
̂ ̂
Perhitungan ̂
̂
menggunakan dekomposisi nilai eigen dibahas pada
penelitian Celeux dan Govaert (1995). Algoritma EM dilakukan terus-menerus sampai mendapatkan hasil iterasi yang konvergen. Setelah Algoritma EM mendapatkan nilai konvergen, anggota cluster dikelompokkan menggunakan metode klasifikasi Maximum a Posteriori (MAP) sebagai berikut: { ̂ }
{ ̂ }
{
(2.23)
Untuk mendapatkan penaksir parameter model-based clustering mixture tmultivariat dengan metode maksimum likelihood, algoritma EM akan memakan waktu yang cukup lama jika vg tidak diketahui. Oleh sebab itu dikembangkan algoritma Expectation Conditional Maximization (ECM) untuk mengatasi hal tersebut (McLachan & Peel, 2000). Langkah-langkah dalam algoritma ECM sama dengan langkah pada algoritma EM. Namun pada algoritma ECM, langkah M diberikan suatu kondisi yang dapat meminimalkan waktu iterasi parameter. dan
dimana
(
) dan
dibagi menjadi
Pada iterasi ke (k+1),
langkah E dalam algoritma ECM sama dengan algoritma EM, tetapi langkah M dalam algoritma EM diganti dengan 2 langkah CM sebagai berikut (McLachlan & Peel, 2000) : 1.
Langkah CM-1. Hitung (
iterasi ke (k+1) dengan
| ) dan menganggap
memaksimumkan
fixed pada iterasi ke - k sehingga v fixed
pada iterasi ke - k. 2.
Langkah CM-2. Hitung (
| ) dan
iterasi ke (k+1) dengan fixed pada iterasi ke – (k+1).
20
memaksimumkan
Walaupun
dan
dihitung secara terpisah, akan tetapi hasil yang diperoleh
dari langkah CM tersebut ekuivalen dengan langkah M pada algoritma EM. Oleh karena itu tidak ada perbedaan antara Algoritma EM dan ECM (Peel & McLachlan, 2000).
2.5
Pemilihan Model Terbaik Dalam model finite mixture untuk clustering, pemilihan model terbaik
yang menggambarkan struktur data dapat dilakukan melalui pendekatan likelihood dan pendekatan bayesian, pembahasannya dapat dilihat pada McLachlan & Peel (2000). Pemilihan model terbaik berkaitan erat dengan estimasi banyak kelompok
Sehingga terjadi trade-offs antara pemilihan model
terbaik dengan banyak kelompok, dimana jika sebuah model sederhana dipilih maka lebih banyak kelompok dibutuhkan untuk menggambarkan struktur data, namun jika semakin kompleks model yang dipilih maka semakin sedikit kelompok yang memenuhi (Fraley & Raftery, 2002). Ukuran informasi berikut ini adalah ukuran yang akan dipakai sebagai dasar pemilihan model dalam penelitian ini.
2.5.1
Integrated Completed Likelihood (ICL) Selain menggunakan BIC, pemilihan model-based clustering terbaik bisa
menggunakan kriteria ICL (Bienarcki, Celeux & Govaert, (2000). Prinsipnya adalah memaksimumkan fungsi likelihood data lengkap
(
) sehingga
didapatkan rumus ICL sebagai berikut : ( ) Dengan ( )
(2.24)
( ) (
̂ ) adalah fungsi kepadatan peluang bersama data lengkap.
adalah banyaknya parameter, dan
adalah banyaknya observasi.
Pada penelitian yang dilakukan oleh Bienarcki dkk (2000) dan Baudry dkk (2013) didapatkan kesimpulan bahwa ICL mampu memberikan perkiraan jumlah komponen mixture yang stabil dan reliabel baik pada data realita maupun data simulasi, dilihat dari sudut pandang pengelompokan. Akan tetapi, ICL dapat 21
mengabaikan jumlah komponen untuk data simulasi yang timbul dari komponen mixture yang tidak terpisah dengan baik (overlap). Model terbaik yang dipilih kriteria ICL adalah model dengan nilai ICL paling besar.
2.5.2
Minimum Message Length (MML) Penggunaan
MML
dalam
model
finite
mixture
pertama
kali
diperkenalkan oleh Wallace & Boulton (1968). MML merupakan gabungan metode estimasi titik berdasar prinsip Invariant Bayesian dan pemilihan model berdasar teori Shannon’s Information yang menghubungkan ilmu komputer dan statistika. Dalam kerangka MML yang berdasarkan inductive inference, data dianggap dapat membentuk sebuah message, suatu informasi data yang dikode menjadi binary string (message) yang dikirim dari pengirim ke penerima (secara imajiner). Sehingga prinsip MML adalah mencari sebuah model yang dapat meminimalkan optimal coding length dari sebuah message. Dengan kata lain MML memilih sebuah model yang cocok dengan data. Wallace & Freeman (1987) berpendapat estimasi secara statistik dapat dilakukan sebagai proses coding. Dalam kasus clustering, sebuah message terdiri dari 2 bagian dimana bagian pertama menjelaskan length ruang parameter pada model yang diberikan dan bagian kedua menjelaskan length data pengamatan berdasar model tersebut. Wallace & Freeman mengajukan formula message length sebagai berikut: ( ) Dengan
| ( )|
( ) adalah disribusi prior dari nilai parameter,
matriks informasi Fisher,
(2.25)
( | )
( ) adalah expected
( | ) adalah fungsi likelihood model mixture,
adalah jumlah parameter yang diestimasi pada model mixture, dan konstanta Lattice pada dimensi
adalah
.
Berdasarkan formula message length yang diajukan Wallace & Freeman (1987) dan mengasumsikan seluruh parameter berdistribusi noninformative Jeffreys prior, Figueiredo & Jain (2002) memilih sebuah model dengan memaksimalkan persamaan 2.25.
22
kelompok yang
( )
,
(
∑
)
(2.26) -
Dengan penalti MML adalah : (
∑
(2.27)
)
Keterangan : ( ) : Fungsi ln likelihood, : Banyaknya parameter pada setiap kelompok pada model mixture, : Banyaknya obyek pengamatan (ukuran sampel), : Bobot (mixing proportion) pada kelompok ke- dan : Banyaknya kelompok pada model mixture. Dimana
, untuk
jumlah variabel.
Menurut Figueiredo & Jain (2002), fungsi penalti MML ini dapat diaplikasikan untuk semua jenis model finite mixture parametrik.
2.6
Deteksi Outlier Multivariat Data tidak bersitribusi normal multivariat atau matriks varians-
kovariansnya tidak homogen dapat disebabkan ada observasi yang mempunyai pola berbeda dengan sebagian besar pola data. Observasi tersebut disebut pencilan (outlier). Dalam kasus pengelompokan dengan metode model-based clustering, outlier dapat menjadikan hasil pengelompokan kurang tepat dan penaksir parameter menjadi bias (McLachlan & Peel, 2000). Oleh sebab itu, sangat penting memeriksa keberadaan outlier. Metode
yang digunakan untuk memeriksa
keberadaaan
outlier
multivariat adalah perhitungan Jarak Mahalanobis yang didefinisikan sebagai berikut : (2.28) ,( ( ̅) ̅)dimana ̅ adalah vektor mean sampel dan S adalah matriks varians kovarians sampel. Suatu observasi dikatakan outlier jika nilai akar kuadrat jarak Mahalanobis >
dimana p adalah derajat bebas (Rousseeuw & Van
23
Zomeren, 1990). Namun jarak mahalanobis sangat sensitif terhadap outlier, sehingga dapat merubah nilai ̅ dan S yang mengakibatkan kesalahan identifikasi data non-outlier menjadi outlier. Untuk mengatasi hal tersebut digunakan jarak robust (RD) yang lebih robust
terhadap
outlier (Sunaryo, Setiawan dan
Siagian, 2011 dalam (Siagian, 2014)). RD menggunakan estimasi matriks varians
kovarians
dan
mean berdasarkan MCD (Minimum Covariance
Determinant). Jika diasumsikan x1, x2, ..., xn adalah sampel acak dari sejumlah n obyek observasi dalam suatu ruang berdimensi mendapatkan
, maka estimasi MCD bertujuan
subset sampel dari n obyek observasi dengan ukuran maksimum
((
)
) yang memiliki determinan matriks varians kovarians
terkecil. ( )
*
( )
( )( ) +
Jarak Robust (Robust Distance) diperoleh dengan rumus sebagai berikut : ,(
)
(
)-
(2.29)
Dimana T adalah penaksir mean sampel yang robust berdasarkan MCD (rata-rata dari h subset sampel) : (2.30) ∑ dan C adalah penaksir matriks kovarians yang robust dari h subset sampel : ∑(
)(
(2.31)
)
Roussew dan Van Zomeren (1990) menggunakan RD dan kuantil dari distribusi sebagai nilai cut-off untuk mendeteksi outlier multivariat. Data ke-i dengan nilai
√
didefinisikan sebagai outlier multivariat.
Pada penelitian ini, deteksi outlier menggunakan fungsi distance-distance plot (dd plot) pada package mvoutlier software R.
24
2.7
Skewness dan Kurtosis Salah satu metode untuk memeriksa distribusi normal multivariat adalah
menghitung ukuran skewness dan kurtosis data. Menurut Mardia (1970) pemeriksaan distribusi normal multivariat menggunakan ukuran multivariate skewness (
) dan kurtosis data ( )
((
(
) dengan rumus sebagai berikut :
))
)
((
(
Untuk sampel random, ukuran multivariat skewness (
))
(2.32)
) dan kurtosis (
)
adalah (2.33) * ∑ {(
̅)
(
̅)} +
(2.34) * ∑ {(
̅)
(
[
Dengan pengamatan. ̅
̅)} +
] , i=1, 2, ..., n, dengan n adalah banyaknya
,̅ ̅
̅ - adalah vektor rata-rata sampel dan S adalah
matriks varians kovarians sampel. Data berdistribusi normal jika (
)
Berikut merupakan hipotesis yang akan diuji untuk
mengetahui apakah data berasal dari populasi yang berdistribusi normal atau bukan. 1.
Uji Skewness
Dengan statistik uji (
2.
Uji Kurtosis
)(
)
Dengan statistik uji ( (
) )
( √
25
(
) )
(
)
2.8
Uji Manova Satu Arah Menurut Johnson dan Wichern (2007), dalam suatu analisis seringkali
terdapat lebih dari satu populasi yang ingin dibandingkan. Sampel acak dikumpulkan dari
populasi yang disusun sebagai berikut :
Populasi 1 : Populasi 2 : ... Populasi
:
Multivariate analysis of variance (manova) digunakan untuk mengetahui apakah vektor rata-rata populasi sama, dan jika tidak sama, komponen rata-rata mana yang berbeda secara nyata. Tabel 2.2 Multivariate Analysis of Variance (Manova) Sumber Variasi
Derajat Bebas
Matriks Jumlah Kuadrat dan Cross Product
Perlakuan
∑
Sisaan (Residual)
Total (terkoreksi)
∑
(̅
̅ )( ̅
∑ ∑,(
∑
̅ )(
̅ )
∑ ∑( ̅ )(
Model manova untuk membandingkan
̅)
̅)
vektor rata-rata populasi : (2.35)
dengan
dan
,
menyatakan pengaruh perlakuan keberdistribusi (
vektor rata-rata keseluruhan dan
dengan
∑
dimana
)
Berdasarkan model di atas, setiap komponen vektor observasi model univariat :
26
memenuhi
(
)
(
(
Dengan
)
)
(2.36) ) Vektor observasi didekomposisi
(
)
(
sebagai berikut : ̅
(̅
̅)
(
̅ )
(2.37)
(observasi) = (rata-rata sampel keseluruhan ̂) + (pengaruh perlakuan taksiran ̂) + (sisaan ). Penjumlahan hasil kali silang terhadap g dan i adalah : ∑ ∑(
̅)(
̅ )
∑ ∑[(
̅)
Karena ∑
̅)
(
̅)|(
̅ )(
∑ ∑,( (̅
(̅
̅)(
̅ )
̅ )
̅ )
(̅
( ̅)( ̅
(̅
̅)]
̅ )( ̅
(2.38)
̅)
̅) -
maka (2.39)
∑ ∑(
̅)(
∑ ∑( ̅
̅)
̅)( ̅
̅)
∑ ∑( ̅ ∑
(̅
̅)( ̅
̅)( ̅
̅)
̅)
∑ ∑( ̅ ̅)( ̅ ̅) SSCP Total (terkoreksi) = SSCP Perlakuan (between) + SSCP Residual (within) dimana matriks SSCP Residual dapat dinyatakan sebagai : (2.40) ∑ ∑(
̅ )(
(
(
)
̅) )
(
)
SSCP = Sum of Squares and Cross Products (Jumlah Kuadrat dan hasil Kali Silang). Hipotesisnya adalah sebagai berikut: (tidak ada perbedaan antar kelompok) (paling sedikit ada satu kelompok yang berbeda)
27
Kriteria pengujian (Statistik uji jika H0 benar) yang digunakan sebagai berikut (Khattree, R., & Naik, D. N, 2000) : 1.
Kriteria Wilk‟s Lambda | | | Dengan ̂
2.
5
̂
(
) )
∑(
)
Kriteria Trace Pillai (Pillai‟s Trace) ,(
4.
̂
Kriteria Lawley Hotelling (Hotelling-Lawley Trace) (
3.
∏4
|
)
∑
-
Kriteria Akar Maksimum Roy (Roy‟s Greatest Root) (
)
Pendekatan F untuk kriteria pengujian tersebut dirangkum dalam tabel berikut. Tabel 2.3 Pendekatan F untuk kriteria pengujian Manova Kriteria
Distribusi pendekatan F di bawah H0
Fhitung
Wilks‟ Lambda
(
(
Lawley Hotelling
)
(
( (
(
)))
)
Trace Pillai
( (
Akar Maksimum Roy
)
(
dengan (
)
,|
)
28
|
-
(
))
)
(
{
√
(
)
(
)
( (
(
) )
(
)
)
)
Selain Wilk‟s Lambda, statistik uji lain yang lebih robust untuk data tidak berdistribusi normal multivariat adalah statistik Pillai‟s Trace (Rencher,(2002).
2.9
Survei Angkatan Kerja Nasional (Sakernas) Data ketenagakerjaan yang dikumpulkan oleh Badan Pusat Statistik
(BPS) melalui sensus dan survei antara lain : Sensus Penduduk (SP), Survei Penduduk Antar Sensus (SUPAS), Survei Sosial Ekonomi Nasional (SUSENAS) dan Survei Angkatan Kerja Nasional (SAKERNAS). Dari survei-survei tersebut, hanya Sakernas yang dirancang khusus untuk mengumpulkan data yang dapat menggambarkan keadaan umum ketenagakerjaan antar periode pencacahan (BPS, 2014). Kegiatan pengumpulan data ketenagakerjaan pertama kali dilaksanakan tahun 1976. Sampai dengan saat ini, Sakernas mengalami berbagai perubahan baik dalam periode pencacahan maupun cakupan sampel wilayah dan rumah tangga. Tahun 1986 sampai dengan 1993 Sakernas dilaksanakan secara triwulanan, tahun 1994 sampai dengan 2001 secara tahunan setiap bulan Agustus, sedangkan tahun 2002 sampai dengan 2004 selain secara tahunan juga dilaksanakan secara triwulanan. Mulai tahun 2005 sampai dengan tahun 2010 Sakernas dilakukan secara semesteran. Dengan semakin mendesaknya tuntutan data ketenagakerjaan baik variasi, kontinuitas, kemutakhiran dan peningkatan akurasi data yang dihasilkan, maka pengumpulan data Sakernas sejak tahun 2011 mulai dilakukan kembali secara triwulanan yaitu; bulan Februari (Triwulan I), Mei (Triwulan II), Agustus (Triwulan III) dan November (Triwulan IV) yang penyajian datanya dirancang sampai tingkat provinsi. Sakernas Triwulanan ini
29
dimaksudkan untuk memantau indikator ketenagakerjaan secara dini di Indonesia, yang mengacu pada KILM (The Key Indicators of the Labour Market) yang direkomendasikan oleh ILO (The International Labour Organization). Hasil Sakernas Triwulan I, II, dan IV disajikan sampai tingkat provinsi (jumlah sampel 50.000 rumah tangga). Sementara Sakernas Triwulan III, disajikan sampai tingkat kabupaten/kota, karena jumlah sampel cukup besar sekitar 200.000 rumah tangga, dimana jumlah tersebut terdiri dari 50.000 rumah tangga merupakan sampel Sakernas Triwulanan dan 150.000 rumah tangga sampel Sakernas tambahan. Mulai tahun 2015, Sakernas dilaksanakan 2 kali dalam 1 tahun (semesteran), yaitu dibulan Agustus ditujukan untuk estimasi kabupaten/kota, dan bulan Februari untuk estimasi provinsi.
2.9.1
Kerangka Sampel Kerangka sampel yang digunakan terdiri dari tiga jenis, yaitu kerangka
sampel untuk penarikan sampel tahap pertama, kerangka sampel untuk penarikan sampel tahap kedua dan kerangka sampel untuk penarikan sampel tahap ketiga. Blok sensus dalam kerangka sampel dipilah menjadi dua kelompok, yaitu blok sensus terpilih untuk estimasi tingkat provinsi, dan blok sensus komplemen (sebagai tambahan) untuk estimasi kabupaten.
Kerangka sampel pemilihan tahap pertama adalah daftar wilayah pencacahan (wilcah) SP2010 yang terpilih Susenas Triwulan I yang disertai dengan informasi banyaknya rumah tangga hasil listing SP2010 (Daftar RBL1), muatan blok sensus dominan (pemukiman biasa, pemukiman mewah, pemukiman kumuh), informasi daerah sulit/tidak sulit, dan klasifikasi desa/kelurahan (rural/urban).
Kerangka sampel pemilihan tahap kedua adalah daftar blok sensus pada setiap wilcah terpilih.
Kerangka sampel pemilihan tahap ketiga adalah daftar rumah tangga biasa tidak termasuk institutional household (panti asuhan, barak polisi/militer, penjara, dsb) dalam setiap blok sensus sampel hasil
30
pencacahan lengkap SP2010 (SP2010.C1) yang telah dimutakhirkan pada setiap menjelang pelaksanaan survei.
2.9.2
Desain Sampel Pemilihan sampel rumah tangga dirancang dengan penarikan sampel tiga
tahap, dengan tahapan sebagai berikut: Tahap pertama: dari daftar wilcah SP2010 dipilih 30.000 wilcah untuk Susenas secara Probability Proportional to Size (pps) dengan size jumlah rumah tangga SP2010. Kemudian 30.000 wilcah tersebut dialokasikan sama ke dalam empat triwulan, masing-masing sebesar 7.500 wilcah. Dari 7.500 wilcah Susenas Triwulan I, dipilih 5.000 wilcah secara sistematik untuk Sakernas 2011 Triwulan I dan akan digunakan lagi untuk Triwulan II, III, dan IV. Tahap kedua: memilih dua blok sensus pada setiap wilcah terpilih Susenas yang juga terpilih Sakernas secara pps sistematik dengan size jumlah rumah tangga SP2010-C1. Selanjutnya blok-blok sensus terpilih dialokasikan secara acak untuk Susenas dan Sakernas. Blok-blok sensus terpilih Sakernas ini digunakan untuk estimasi provinsi dan dibagi ke dalam 4 paket sampel. Khusus untuk Sakernas Triwulan III, yang diperuntukkan untuk estimasi kabupaten, diperlukan tambahan sampel blok sensus. Dari 15.000 sampel wilcah terpilih Susenas Triwulan II dan III masing-masing dipilih 2 blok sensus, satu untuk keperluan Susenas dan yang lainnya untuk Sakernas. Blok sensus untuk Sakernas yang terpilih dari PSU Susenas Triwulan II dan III ini selanjutnya digunakan sebagai sampel blok sensus komplemen yang merupakan tambahan sampel yang apabila digabungkan dengan blok sensus estimasi provinsi (Sakernas Triwulan III) dapat digunakan untuk estimasi kabupaten. Tahap ketiga: memilih 10 rumahtangga secara sistematik berdasarkan hasil pemutakhiran rumah tangga SP2010-C1. Pemutakhiran frame rumah tangga dilakukan pada setiap awal periode pencacahan sehingga bila terjadi penambahan populasi rumah tangga secara significance pada blok sensus terpilih mengharuskan adanya penambahan sampel pada blok sensus tersebut. Akan tetapi apabila terjadi penurunan populasi rumah tangga di suatu blok sensus tidak serta merta menyebabkan pengurangan sampel rumah tangga 31
kecuali sampel rumah tangga yang telah ditentukan karena sesuatu dan lain hal sehingga tidak bisa dicacah kembali.
2.9.3
Konsep Umum Ketenagakerjaan Konsep definisi ketenagakerjaan pada penelitian ini menggunakan
konsep BPS yang merujuk pada rekomendasi ILO, seperti tercantum dalam buku “Surveys of Economically Active Population, Employment, Unemployment and Under employment: An ILO Manual on Concepts and Methods”, ILO 1992. Oleh karena itu data ketenagakerjaan yang dihasilkan dari berbagai survei di Indonesia dapat dibandingkan secara internasional, tanpa mengesampingkan kondisi ketenagakerjaan spesifik Indonesia. Penduduk Usia Kerja
Bukan Usia Kerja
Angkatan Kerja
Bekerja
Sedang Bekerja
Sementara Tidak Bekerja
Bukan Angkatan Kerja
Pengangguran
Sekolah
Mencari
Mempersiap
Pekerjaan
kan Usaha
Mengurus Rumah Tangga
Putus Asa : Merasa Tidak Mungkin Mendapatkan Pekerjaan
Lainnya
Sudah Punya Pekerjaan, tetapi Belum Mulai Bekerja
Gambar 2.2 Bagan Konsep Dasar Tenaga Kerja Gambar di atas merinci Konsep Dasar Angkatan Kerja (Standard Labor Force Concept) pada survei angkatan kerja nasional (Sakernas). Berikut beberapa konsep umum yang digunakan dalam indikator pasar tenaga kerja.
Penduduk adalah semua orang yang berdomisili di wilayah geografis Republik Indonesia selama enam bulan atau lebih dan atau mereka yang berdomisili kurang dari 6 bulan tetapi bertujuan untuk menetap. Berdasarkan
32
konsep dasar ketenagakerjaan, penduduk dikelompokkan menjadi penduduk usia kerja dan penduduk bukan usia kerja. Penduduk usia kerja dibedakan atas dua kelompok, yaitu angkatan kerja dan bukan angkatan kerja. Pengukurannya didasarkan pada periode rujukan (time reference), yaitu kegiatan yang dilakukan selama seminggu yang lalu sampai sehari sebelum pencacahan.
Penduduk usia kerja adalah penduduk berumur 15 tahun dan lebih. Usia kerja merupakan batas usia yang ditetapkan untuk pengelompokan penduduk yang aktif
secara
ekonomi
(economically
active
population).
Indonesia
menggunakan batas bawah usia kerja 15 tahun, meskipun dalam Sakernas dikumpulkan informasi mulai dari usia 10 tahun dan tanpa batas atas usia kerja. Di negara lain, penentuan batas bawah dan batas atas usia kerja bervariasi sesuai dengan kebutuhan/situasi masing-masing negara.
Angkatan kerja adalah penduduk usia kerja yang terdiri dari penduduk yang bekerja, pengangguran dan penduduk yang punya pekerjaan namun sementara tidak bekerja.
Bukan angkatan kerja adalah penduduk usia kerja yang pada periode rujukan survei tidak mempunyai/ melakukan aktivitas ekonomi, baik karena sekolah, mengurus rumah tangga atau lainnya (olahraga, kursus, piknik serta kegiatan sosial seperti berorganisasi dan kerja bakti).
Bekerja merupakan kegiatan ekonomi yang dilakukan oleh seseorang dengan maksud
memperoleh
atau
membantu memperoleh
pendapatan atau
keuntungan, paling sedikit 1 jam (tidak terputus) dalam seminggu yang lalu. Kegiatan tersebut termasuk kegiatan pekerja tak dibayar yang membantu dalam suatu usaha/kegiatan ekonomi.
Pasar merupakan tempat perjumpaan antara pembeli dan penjual, di mana barang/jasa atau produk dipertukarkan antara pembeli dan penjual. Ukuran kerelaan dalam pertukaran tersebut biasanya akan muncul suatu tingkat harga atas barang dan jasa yang dipertukarkan tersebut. Ketika seperangkat peraturan dan tata cara yang resmi dijadikan panduan dan batasan hubungan
33
antara pekerja dan perusahaan, maka saat itulah pasar tenaga kerja tercipta (Ehrenberg dan Smith, (2012).
Tenaga kerja adalah setiap orang yang mampu melakukan pekerjaan guna menghasilkan barang atau jasa baik untuk memenuhi kebutuhan sendiri maupun untuk masyarakat (UU No. 13 tahun 2003 Bab I pasal 1 ayat 2). Pemilihan sampel rumah tangga Sakernas melalui proses yang tidak
singkat. Sebelum dilakukan pemilihan sampel rumah tangga, terlebih dahulu dilakukan pembentukan paket sampel blok sensus dan pembentukan kelompok sampel rumah tangga. Semua proses sampling ini dilakukan untuk menjamin agar rumah tangga yang terpilih memang representatif sebagai sampel untuk estimasi baik tingkat provinsi maupun tingkat kabupaten/kota. 2.10 Indikator Pasar Tenaga Kerja (Key Indicators of The Labor MarketKILM) ILO merilis KILM
pada tahun 1999 untuk melengkapi program
pengumpulan data secara rutin dan untuk meningkatkan penyebaran data pada elemen kunci dari pasar tenaga kerja dunia. Terdapat 20 (dua puluh) indikator yang disusun oleh ILO dan dikelompokkan ke dalam 8 (delapan) kelompok, yaitu: 1) Partisipasi di dunia kerja, yang terdiri dari KILM 1, yaitu Tingkat Partisipasi Angkatan Kerja; 2) Indikator penduduk yang bekerja, terdiri dari KILM 2 (Rasio Penduduk yang Bekerja Terhadap Jumlah Penduduk), KILM 3 (Penduduk yang Bekerja Menurut Status Pekerjaan Utama), KILM 4 (Penduduk yang Bekerja Menurut Lapangan Usaha), KILM 5 (Pekerja Paruh Waktu), KILM 6 (Penduduk yang Bekerja Menurut Jam Kerja), dan KILM 7 (Penduduk yang Bekerja di Sektor Informal); 3) Indikator pengangguran, underemployment (setengah penganggur), dan ketidakaktifan, yang terdiri dari KILM 8 (Pengangguran), KILM 9 (Pengangguran pada Kelompok Umur Muda), KILM 10 (Pengangguran Jangka Panjang), KILM 11 (Pengangguran dan Pendidikan), KILM 12 (Setengah
Penganggur/underemployment),
Ketidakaktifan); 34
dan
KILM
13
(Tingkat
4) Indikator pendidikan dan melek huruf, yang terdiri dari KILM 14 (Pencapaian Pendidikan dan Melek Huruf); 5) Indikator upah dan biaya tenaga kerja, yang terdiri dari KILM 15 (Indeks Upah Sektor Manufaktur), KILM 16 (Indikator Upah dan Pendapatan Berdasarkan Jabatan), dan KILM 17 (Upah per Jam); 6) Produktivitas Tenaga Kerja yang termuat dalam KILM 18 (Produktivitas Tenaga Kerja); 7) Indikator elastisitas tenaga kerja yang termuat dalam KILM 19 (Elastisitas Tenaga Kerja); 8) Indikator kemiskinan, pekerja miskin, dan distribusi pendapatan yang tertuang dalam KILM 20 (Indikator Kemiskinan, Penduduk Bekerja yang Miskin, dan Distribusi Pendapatan). Berikut penjelasan singkat 10 indikator KILM beserta variabel-variabel ketenagakerjaan yang digunakan dalam penelitian ini.
2.10.1 KILM 1. Tingkat Partisipasi Angkatan Kerja (TPAK) Tingkat Partisipasi Angkatan Kerja (TPAK) adalah ukuran proporsi penduduk umur kerja yang terlibat aktif di pasar tenaga kerja, baik dengan bekerja atau mencari pekerjaan, yang memberikan indikasi ukuran relatif dari pasokan tenaga kerja yang tersedia untuk terlibat dalam produksi barang dan jasa. Rincian angkatan kerja menurut jenis kelamin dan kelompok umur memberikan profil distribusi penduduk yang aktif secara ekonomi. ( 2.41)
Secara umum, kegunaan indikator ini adalah untuk mengindikasikan besarnya penduduk umur kerja (15 tahun ke atas) yang aktif secara ekonomi di suatu negara atau wilayah, dan menunjukkan besaran relatif dan pasokan tenaga kerja (labour supply) yang tersedia untuk produksi barang dan jasa dalam suatu perekonomian. TPAK diukur sebagai persentase jumlah angkatan kerja terhadap jumlah penduduk umur kerja.
35
2.10.2
KILM 2.Rasio Penduduk yang Bekerja Terhadap Jumlah Penduduk
(Employment to Population Ratio-EPR) EPR didefinisikan sebagai proporsi penduduk umur kerja suatu negara yang berstatus bekerja terhadap penduduk umur kerja. Rasio yang tinggi berarti sebagian besar penduduk suatu negara adalah bekerja, sementara rasio rendah berarti bahwa sebagian besar penduduk tidak terlibat langsung dalam kegiatan yang berhubungan dengan pasar, karena mereka menganggur atau (lebih mungkin) tidak termasuk dalam angkatan kerja, yang sering disebut sebagai Bukan Angkatan Kerja (BAK).
( 2.42)
Rasio ini memberikan informasi tentang kemampuan ekonomi untuk menciptakan lapangan kerja. Di banyak negara, indikator ini menghasilkan analisis yang lebih mendalam dibandingkan dengan tingkat pengangguran. Meskipun secara keseluruhan rasio tinggi biasanya dianggap sebagai positif, indikator ini saja tidak cukup untuk menilai tingkat pekerjaan yang layak atau tingkat defisit pekerjaan yang layak. Indikator tambahan diperlukan untuk menilai isu-isu seperti upah/gaji, jam kerja, lapangan kerja sektor informal, setengah pengangguran, dan kondisi kerja. Bahkan, nilai rasio ini bisa tinggi untuk alasan yang tidak selalu positif misalnya, pilihan pendidikan yang terbatas sehingga kaum muda mengambil pekerjaan yang tersedia daripada tinggal di sekolah untuk membangun sumber daya mereka (memilih bekerja demi melanjutkan sekolah/membiayai sekolah). Untuk alasan ini, sangat disarankan bahwa indikator ini harus ditinjau ulang secara kolektif dalam setiap evaluasi kebijakan tenaga kerja di suatu negara/wilayah.
2.10.3 KILM 3. Penduduk yang Bekerja Menurut Status Pekerjaan Utama Status pekerjaan adalah jenis kedudukan seseorang dalam melakukan pekerjaan di suatu unit usaha/kegiatan. Pada penelitian ini, dibedakan menjadi 6 kategori yaitu:
36
status pekerjaan
a. Karyawan/ Pegawai/ Buruh, adalah seseorang yang bekerja pada orang lain atau instansi/kantor/perusahaan secara tetap dengan menerima upah/gaji baik berupa uang maupun barang. Buruh yang tidak mempunyai majikan tetap, tidak digolongkan sebagai buruh/karyawan, tetapi sebagai pekerja bebas. Seseorang dianggap memiliki majikan tetap jika memiliki 1 (satu) majikan (orang/rumah tangga) yang sama dalam sebulan terakhir, khusus pada sektor bangunan batasannya tiga bulan. Apabila majikannya instansi/lembaga, boleh lebih dari satu majikan. b. Pengusaha/Berusaha
dibantu
buruh
tetap/buruh
dibayar, adalah
berusaha atas resiko sendiri dan mempekerjakan paling sedikit satu orang buruh/pekerja tetap yang dibayar. c. Berusaha sendiri dan Berusaha dibantu buruh tidak tetap/buruh tak dibayar .Berusaha sendiri adalah bekerja atau berusaha dengan menanggung resiko secara ekonomis, yaitu dengan tidak kembalinya ongkos produksi yang telah dikeluarkan dalam rangka usahanya tersebut, serta tidak menggunakan pekerja dibayar maupun pekerja tak dibayar, termasuk yang sifat pekerjaannya memerlukan teknologi atau keahlian khusus. Berusaha dibantu buruh tidak tetap/buruh tak dibayar adalah bekerja atau berusaha atas resiko sendiri, dan menggunakan buruh/pekerja tak dibayar dan atau buruh/pekerja tidak tetap. d. Pekerja
bebas,
adalah
seseorang
yang
bekerja
pada
orang
lain/majikan/institusi yang tidak tetap (lebih dari 1 majikan dalam sebulan terakhir) di usaha pertanian maupun non pertanian, baik berupa usaha rumah tangga maupun bukan usaha rumah tangga, atas dasar balas jasa dengan menerima upah atau imbalan baik berupa uang maupun barang, dan baik dengan sistem pembayaran harian maupun borongan. Majikan adalah orang atau pihak yang memberikan pekerjaan dengan pembayaran yang disepakati. e. Pekerja keluarga/tak dibayar adalah seseorang yang bekerja membantu orang lain yang berusaha dengan tidak mendapat upah/gaji, baik berupa uang maupun barang. Pekerja tak dibayar tersebut bisa sebagai istri, anak keponakan, paman, bibi dan teman. 37
f. Pekerja rentan (vulnerable employment) adalah pekerja yang mencakup pekerja dengan status berusaha sendiri, berusaha dibantu buruh tidak tetap/ tak dibayar, pekerja bebas dan pekerja keluarga.
2.10.4 KILM 4. Penduduk yang Bekerja Menurut Sektor (Lapangan Usaha) Lapangan usaha (sektor) adalah bidang kegiatan dari pekerjaan/ usaha/ perusahaan/kantor tempat seseorang bekerja. Klasifikasi baku yang digunakan dalam penggolongan lapangan pekerjaan/lapangan usaha adalah Klasifikasi Baku Lapangan Usaha Indonesia (KBLI) 2009 dengan kategori/sektor sebagai berikut: 1) Pertanian, kehutanan, perburuan, dan perikanan; 2) Pertambangan dan penggalian; 3) Industri pengolahan; 4) Listrik, gas, dan air; 5) Bangunan; 6) Perdagangan besar, eceran, rumah makan, dan hotel; 7) Transportasi, pergudangan, dan komuni-kasi; 8) Keuangan, asuransi, usaha persewaan bangunan, tanah, dan jasa perusahaan; 9) Jasa kemasyarakatan. Lapangan usaha pada publikasi KILM dan digunakan pada penelitian ini dibagi menjadi tiga yaitu: 1. Sektor Pertanian (Agriculture), terdiri dari sektor (1) KBLI 2009. 2. Sektor Manufaktur (Manufacture), terdiri dari sektor (2), (3), (4) dan (5). 3. Sektor Jasa-jasa (Services), terdiri dari sektor (6). (7), (8) dan (9). Pembagian tiga sektor di atas berdasarkan definisi sektor International Standard Industrial Classification (ISIC) System (Revisi 2 dan Revisi 3).
2.10.5 KILM 5. Pekerja Paruh Waktu Pekerja paruh waktu adalah mereka yang bekerja di bawah jam kerja penuh-waktu normal, tetapi tidak mencari pekerjaan atau tidak bersedia menerima pekerjaan lain. Karena tidak ada definisi yang disepakati secara internasional untuk jumlah minimum jam dalam seminggu yang merupakan pekerjaan penuhwaktu (full time), biasanya digunakan batas 35 jam seminggu sebagai jam kerja 38
normal. Beberapa negara yang menggunakan batas 35 jam adalah Republik Korea, Amerika, dan El Salvador .
2.10.6 KILM 6. Penduduk yang Bekerja Menurut Jam Kerja KILM ini bertujuan untuk menunjukkan jumlah orang yang dipekerjakan menurut jam bekerja (biasanya atau sebenarnya): kurang dari 25 jam kerja per minggu; antara 25 dan 34 jam; antara 35 dan 39 jam; antara 40 dan 48 jam; antara 49 dan 59 jam; dan 60 jam ke atas.
2.10.7 KILM 7. Penduduk yang Bekerja di Sektor Informal Konferensi Internasional Statistik Tenaga Kerja (The International Conference of Labour Statisticians-ICLS) ke-15 mendefinisikan sektor informal sebagai unit produksi dalam usaha rumah tangga yang dimiliki oleh rumah tangga. Mereka yang bekerja di sektor informal terdiri semua orang yang selama periode acuan tertentu bekerja pada setidaknya satu unit produksi yang memenuhi konsep sektor informal, terlepas dari status mereka dalam pekerjaan itu apakah pekerjaan utama atau pekerjaan sekunder. Resolusi ICLS memperbolehkan beberapa variasi konsep nasional. Akibatnya, informasi untuk indikator ini sering didasarkan pada definisi nasional dan pengukuran ekonomi informal. Selain itu, pekerjaan informal dicirikan oleh ketiadaan kontrak, perlindungan sosial, hak untuk berbagai jaminan dan tidak tunduk pada undang-undang tenaga kerja dan pendapatan pajak.
2.10.8 KILM 8. Pengangguran Penganggur adalah mereka yang tidak mempunyai pekerjaan, sedang mencari pekerjaan, dan bersedia untuk bekerja. Tingkat Pengangguran Terbuka (TPT) merupakan persentase jumlah pengangguran terhadap jumlah angkatan kerja. ( 2.43)
39
Penganggur terbuka, terdiri dari: a. Mereka yang tak punya pekerjaan dan mencari pekerjaan. Mencari pekerjaan adalah kegiatan seseorang yang pada saat survei, orang tersebut sedang mencari pekerjaan. Seperti mereka:
Yang belum pernah bekerja dan sedang berusaha mendapatkan pekerjaan.
Yang sudah pernah bekerja, karena sesuatu hal berhenti atau diberhentikan dan sedang berusaha untuk mendapatkan pekerjaan.
Yang bekerja atau mempunyai pekerjaan, tetapi karena sesuatu hal masih berusaha untuk mendapatkan pekerjaan lain.
b. Mereka yang tak punya pekerjaan dan mempersiapkan usaha. Mempersiapkan suatu usaha adalah suatu kegiatan yang dilakukan seseorang dalam rangka mempersiapkan suatu usaha/pekerjaan yang "baru", yang bertujuan untuk memperoleh penghasilan/keuntungan atas resiko sendiri, baik dengan atau tanpa mempekerjakan buruh/pekerja dibayar maupun tidak dibayar. Mempersiapkan yang dimaksud adalah apabila "tindakannya nyata"•, seperti: mengumpulkan modal atau perlengkapan/alat, mencari lokasi/tempat, mengurus surat ijin usaha dan sebagainya, telah/sedang dilakukan. c. Mereka yang tak punya pekerjaan dan tidak mencari pekerjaan, karena merasa tidak mungkin mendapatkan pekerjaan. d. Mereka yang sudah punya pekerjaan, tetapi belum mulai bekerja. (Sumber : "An ILO Manual on Concepts and Methods")
2.10.9 KILM 11. Pengangguran dan Pendidikan Melalui indikator ini bisa diperoleh informasi pengangguran berdasarkan pendidikan
tertinggi
yang
ditamatkan.
Pendidikan
tertinggi
yang
ditamatkan adalah tingkat pendidikan yang dicapai seseorang setelah mengikuti pelajaran pada kelas tertinggi suatu tingkatan sekolah dengan mendapatkan tanda tamat (ijazah). Data TPT dibedakan menurut tiga kelompok tingkat pendidikan :
40
1. Pendidikan Dasar ke Bawah : Mencakup penduduk yang tidak pernah sekolah, tidak tamat SD/sederajat dan tamat SD/sederajat. 2. Pendidikan Menengah : Mencakup penduduk yang tamat SMP/sederajat dan tamat SMU/sederajat. 3. Pendidikan Tinggi : Mencakup penduduk yang tamat Perguruan Tinggi.
2.10.10KILM 12. Setengah Penganggur Mereka yang dikategorikan dalam setengah penganggur adalah mereka yang jumlah jam kerjanya di bawah ambang batas jam kerja normal (bekerja kurang dari 35 jam dalam seminggu yang lalu), dengan kondisi: a. Mereka yang dengan sukarela mencari pekerjaan tambahan untuk menambah jam kerjanya dari pekerjaannya yang sekarang atau mendapat ganti dari pekerjaannya yang sekarang dengan pekerjaan lain yang mempunyai jam kerja lebih banyak. b. Mereka yang tidak mencari pekerjaan tambahan, tetapi bersedia menerima pekerjaan tambahan.
41
Halaman ini sengaja dikosongkan
42
BAB 3 METODOLOGI PENELITIAN Penelitian ini merupakan kajian terapan dari dua penelitian sebelumnya yang dilakukan oleh Damayanti (2015) dan Siagian (2014). Pengelompokan menggunakan MBC dengan kriteria ICL dilakukan dengan bantuan package teigen software R, sedangkan pengelompokan MBC dengan kriteria MML menggunakan software matlab dengan menerapkan program RMBC-MML yang terdapat pada penelitian Siagian (2014).
3.1
Sumber Data Data yang digunakan di dalam penelitian ini adalah data sekunder dari
BPS yaitu data Indikator Pasar Tenaga Kerja (KILM). Data bersumber dari hasil Survei Angkatan Kerja Nasional (Sakernas) yang dilakukan rutin pada Februari dan Agustus tahun 2012 sampai 2015.
3.2
Variabel Penelitian Penelitian ini menggunakan 10 indikator KILM yang terdiri 25 variabel
indikator seperti dirinci oleh tabel 3.1. Tabel 3.1 Variabel Penelitian Indikator Pasar Tenaga Kerja (KILM) 1 2
3
Tingkat Partisipasi Angkatan Kerja-TPAK (KILM 1) Rasio Penduduk yang Bekerja Terhadap Jumlah Penduduk (KILM 2) Penduduk yang Bekerja 1. Menurut Status Pekerjaan Utama (KILM 3) 2.
Variabel Indikator (Persen) Tingkat Partisipasi Angkatan Kerja – TPAK (X1) Rasio Penduduk yang Bekerja Terhadap Jumlah Penduduk – EPR (X2) Persentase Bekerja Status Karyawan (X3) Persentase Bekerja Status Pengusaha (X4)
43
Tabel 3.1 Variabel Penelitian (lanjutan) Indikator Pasar Tenaga Kerja (KILM)
Variabel Indikator (Persen) 3.
4. 5. 6. 4
Penduduk yang Bekerja Menurut Lapangan Usaha (KILM 4)
1. 2. 3.
5 6.
7. 8. 9.
10
Pekerja Paruh Waktu (KILM 5) Penduduk yang Bekerja Menurut Jam Kerja (KILM 6)
1. 2. 3. 4. 5.
Penduduk yang Bekerja di Sektor Informal (KILM 7) Pengangguran (KILM 8) Pengangguran dan Pendidikan (KILM 11)
1. 2. 3. 1.
Setengah Penganggur (KILM 12)
2. 3.
Persentase Bekerja Status Berusaha Sendiri atau Dibantu Buruh Tidak Tetap/ Tidak Dibayar (X5) Persentase Bekerja Status Pekerja Bebas (X6) Persentase Bekerja Status Pekerja Keluarga/tak dibayar (X7) Persentase Bekerja Status Pekerja Rentan (X8) Persentase Bekerja di Sektor Pertanian (X9) Persentase Bekerja di Sektor Manufaktur (X10) Persentase Bekerja di Sektor Jasa-Jasa (X11) Tingkat Pekerja Paruh Waktu (X12) Persentase Bekerja 1-14 Jam (X13) Persentase Bekerja 15-24 Jam (X14) Persentase Bekerja 25-34 Jam (X15) Persentase Bekerja 35-39 Jam (X16) Persentase Bekerja 40-48 Jam (X17) Persentase Penduduk Bekerja di Sektor Informal (X18) Tingkat Pengangguran Terbuka-TPT (X19) TPT Pendidikan Dasar ke Bawah (X20) TPT Pendidikan Menengah (X21) TPT Pendidikan Tinggi (X22) Persentase Setengah Penganggur Pendidikan Dasar ke Bawah(X23) Persentase Setengah Penganggur Pendidikan Menengah (X24) Persentase Setengah Penganggur Pendidikan Tinggi (X25)
Data penelitian yang digunakan merupakan subset data hasil kombinasi beberapa variabel indikator pasar tenaga kerja (subset data KILM). Subset data KILM yang terbentuk digunakan sebagai dasar pengelompokan 33 provinsi di Indonesia.
Pembentukan
subset
data
44
KILM
berdasarkan
karakteristik
pengelompokan yang ingin diteliti, disesuaikan dengan kebutuhan analisis penelitian. Tabel 3.2 Kombinasi Variabel pada Subset data KILM Kombinasi (k)
Karakteristik Pengelompokan (Persen)
Variabel Indikator
k1
X1, X12, X18, X19
TPAK, Pekerja paruh waktu, Pekerja sektor informal, dan TPT
k2
X9, X10, X11
Bekerja menurut lapangan usaha
k3
X3, X4, X5, X6, X7, X20, X21, X22 X13, X14, X15, X16, X17, X23, X24, X25 X2, X8, X18
Bekerja menurut status, dan TPT menurut pendidikan Bekerja menurut jam kerja, dan Pekerja setengah penganggur EPR, Pekerja rentan, dan Pekerja sektor informal
k4 k5
Kombinasi variabel k1 memuat 4 KILM dan terdiri dari 4 variabel indikator. Kombinasi variabel k2 memuat 1 KILM dan terdiri dari 3 variabel indikator. Kombinasi variabel k5 memuat 3 KILM dan terdiri dari 3 variabel indikator. Lima kombinasi variabel indikator tersebut akan dibedakan menurut 8 periode sakernas yaitu Februari 2012 sampai Agustus 2015. Akibatnya, total subset data yang akan digunakan pada penelitian ini sebanyak 40 subset data KILM (lampiran 2). Nama subset data KILM menunjukkan kombinasi variabel indikator dan periode sakernas seperti sebagai berikut. k1 0212 : pengelompokan dilakukan berdasarkan kombinasi variabel indikator k 1 menggunakan data sakernas Februari 2012. k1 0812 : pengelompokan dilakukan berdasarkan kombinasi variabel indikator k1 menggunakan data sakernas Agustus 2012. k5 0814 : pengelompokan dilakukan berdasarkan kombinasi variabel indikator k 5 menggunakan data sakernas Agustus 2014. Demikian seterusnya sampai dengan subset ke-40 : k5 0815 yaitu pengelompokan berdasarkan kombinasi variabel indikator k5 menggunakan data sakernas Agustus 2015.
45
3.3
Tahapan Penelitian Berdasarkan rumusan dan batasan masalah yang didukung oleh tinjauan
kepustakaan yang telah dipaparkan sebelumnya, maka upaya untuk mencapai tujuan penelitian akan dilakukan melalui tahapan berikut: Tujuan 1 : Pemilihan subset data penelitian menurut indikator pasar tenaga kerja Indonesia yang memenuhi asumsi distribusi t - multivariat. Untuk mencapai tujuan 1 ini dilakukan langkah-langkah sebagai berikut. 1. Persiapan data dengan memilih indikator KILM sebagai variabel penelitian seperti pada tabel 3.1. 2. Mengkombinasikan beberapa variabel penelitian menjadi kombinasi variabel seperti pada tabel 3.2. 3. Kombinasi variabel pada poin (2) diterapkan pada delapan periode pencacahan sakernas sehingga terbentuk 40 subset data KILM (lampiran 2). 3. Masing-masing subset data KILM dilakukan pemeriksaan keberadaan outlier menggunakan ukuran jarak robust (robust distance). 4. Masing-masing subset data KILM dilakukan pengujian distribusi t-multivariat dengan menghitung ukuran kelandaian (kurtosis) dan kemencengan (skewness) data. 5. Subset-subset data KILM yang memenuhi asumsi distribusi t-multivariat akan digunakan sebagai dasar pengelompokan (clustering) provinsi di Indonesia. Tujuan 2 : Membentuk kelompok provinsi di Indonesia menurut indikator pasar tenaga kerja menggunakan model-based clustering t - multivariat dengan kriteria ICL dan MML. Tujuan 2 dilakukan pada setiap subset data KILM yang memenuhi tujuan 1 menurut langkah-langkah sebagai berikut. 1. Pembentukan
kelompok
optimal
dengan
kriteria
ICL.
Proses
MML.
Proses
pengelompokan menggunakan software R package. 2. Pembentukan
kelompok
optimal
dengan
kriteria
pengelompokan menggunakan software matlab. 3. Berdasarkan hasil pengelompokan dengan kriteria ICL dan MML, 46
dilakukan pemeriksaan subset data KILM yang menghasilkan kelompok optimal paling konsisten. 4. Melakukan uji perbedaan rata-rata terhadap kelompok yang terbentuk dari subset data terpilih pada poin (3) menggunakan uji Manova. Tujuan 3 : Analisis pasar tenaga kerja Indonesia tahun 2012 sampai dengan 2015. Secara singkat, tahapan penelitian ditunjukkan oleh diagram alir berikut ini. Input Set Data KILM
Subset Data KILM
Uji Outlier Multivariate
Tidak
Ya Uji t Multivariate
Tidak
Ya Mengelompokkan objek penelitian dengan metode RMBC-ICL dan RMBC-MML
Mengelompokka n objek penelitian dengan metode lain (K-Means, Clustering Hirarki, dll)
Pemeriksaan subset data KILM untuk kelompok optimal paling konsisten
Tidak
Uji Perbedaan Rata-rata (Uji Manova)
Ya Interpretasi hasil
Selesai
Gambar 3.1 Diagram Alir Tahapan Penelitian
47
Memilih model terbaik dengan metode lain (KMeans, Clustering Hirarki, dll)
Halaman ini sengaja dikosongkan
48
BAB 4 HASIL DAN PEMBAHASAN Seperti disampaikan pada bab 1, tujuan utama penelitian ini adalah mengetahui provinsi-provinsi di Indonesia yang memiliki kemiripan karakteristik berdasarkan hasil pengelompokan (clustering) menurut beberapa indikator pasar tenaga kerja (multivariat). Metode pengelompokan adalah model-based clustering dengan kriteria ICL dan MML. Hasil dan pembahasan penelitian diperoleh dengan melakukan urutan tahapan penelitian sebagaimana telah disampaikan pada bab 3 sebelumnya.
4.1
Pemeriksaan Subset Data Penelitian Menurut Indikator Pasar Tenaga Kerja Indonesia yang Memenuhi Asumsi Distribusi t - Multivariat ILO sudah menetapkan bahwa untuk mengukur pasar tenaga kerja suatu
negara dibutuhkan banyak variabel indikator (multivariat). Perkembangan pasar tenaga kerja tidak cukup hanya dilihat dari satu dimensi atau satu variabel (univariat) saja. Sebagai contoh, Tingkat Partisipasi Angkatan Kerja (TPAK) Papua selalu menduduki angka tertinggi selama 2012-2015 yaitu di atas 78 persen. Begitu juga dengan Bali, menempati posisi kedua dengan TPAK di atas 75 persen. Jika dilihat dari indikator TPAK, kedua provinsi ini memiliki karakteristik yang sama dan akan berada di kelompok yang sama pula, yaitu TPAK tinggi. Suatu angka yang mengindikasikan bahwa kedua provinsi ini memiliki stok tenaga kerja yang cukup besar. Namun, jika dikaji dari sisi indikator Tingkat Pengangguran Terbuka (TPT) menurut pendidikan, Papua dan Bali memiliki karakteristik yang berbeda. Kondisi Februari 2015, Provinsi Papua berada pada posisi dengan TPT pendidikan tinggi sebesar 8,44 persen, jauh di atas angka nasional 5,86 persen. Sedangkan TPT pendidikan tinggi Provinsi Bali hanya 1,43 persen. Oleh karena itu, dibutuhkan metode clustering yang tepat untuk mengakomodir persamaan dan perbedaan karakteristik tenaga kerja provinsiprovinsi di Indonesia jika dilihat dari banyak variabel (multivariat).
49
4.1.1
Deteksi Outlier Multivariat pada Data Penelitian Deteksi outlier multivariat pada data penelitian dilakukan untuk
membuktikan asumsi awal bahwa data indikator pasar tenaga kerja di Indonesia cenderung memuat outlier, sehingga model-based clustering finite mixture t multivariat tepat diterapkan untuk mendapatkan hasil clustering yang robust. Proses deteksi outlier multivariat pada data penelitian diawali dengan menghitung jarak mahalanobis dan jarak robust untuk semua objek pengamatan. Kemudian membandingkannya dengan kuantil dari distribusi
sebagai nilai cut off.
Nilai cut off subset data KILM bisa berbeda-beda, tergantung jumlah variabel ( ) masing-masing subset data. Distance-Distance Plot
2.5 2.0 0.5
1.0
1.5
Robust Distance
3.0
3.5
Outlier Detection Data k1_0212,quan=0.9
1.0
1.5
2.0
2.5
3.0
Mahalanobis Distance
Gambar 4.1 Plot Jarak Mahalanobis Terhadap Jarak Robust Subset Data k1 0212 Gambar 4.1 menyajikan plot jarak mahalanobis terhadap jarak robust subset data k1 0212 melalui fungsi distance-distance plot (dd plot) dari program R package mvoutlier. Jika data tidak terkontaminasi outlier maka seluruh titik data akan terletak di sekitar garis lurus, perpotongan jarak mahalanobis dan jarak robust. Selain berfungsi sebagai sebuah diagnostik plot deteksi outlier multivariat, dd plot juga dapat digunakan untuk mendiagnosa asumsi distribusi normal multivariat dan elliptical symetri (Rousseeuw & Van Driessen, (1999). Plot di
50
atas menunjukkan bahwa terdapat dua provinsi yang terdeteksi sebagai outlier pada sakernas februari 2012. Kedua provinsi tersebut adalah DKI Jakarta dan Bali, sebagaimana ditunjukkan output dd-plot terlampir (lampiran 12). Selain deteksi outlier melalui plot, dd-plot juga menyajikan output nilai jarak robust dan mahalanobis 33 provinsi. Keterangan “ TRUE” berarti provinsi terdeteksi sebagai outlier pada subset data KILM k1 0212. Sebaliknya, keterangan “FALSE” menunjukkan bahwa provinsi tidak terdeteksi sebagai outlier. Tabel 4.1 Kombinasi
Jumlah Provinsi Terdeteksi Sebagai Outlier Pada Kuantil 90 Persen Sakernas Februari
Sakernas Agustus
2012
2013
2014
2015
2012
2013
2014
2015
k1
2
1
3
3
3
1
3
2
k2
2
2
3
1
3
3
1
1
k3
3
3
3
3
3
3
3
3
k4
3
3
3
3
3
3
3
3
k5
3
3
3
3
3
3
3
2
Dari tabel 4.1 diketahui semua subset data KILM memuat beberapa provinsi yang teridentifikasi sebagai outlier pada kuantil 90 persen. Berdasarkan hasil pengolahan dd-plot dengan package mvoutlier (Lampiran 13 sampai dengan Lampiran 17). Papua merupakan provinsi yang sering terdeteksi sebagai outlier jika diukur berdasarkan kombinasi variabel k1 (TPAK, Pekerja paruh waktu, Pekerja sektor informal, dan TPT). DKI Jakarta menjadi provinsi yang selalu terdeteksi sebagai outlier dari sakernas februari 2012 sampai dengan sakernas agustus 2015 menurut kombinasi variabel k2 (Bekerja menurut lapangan usaha). Jika diukur menurut kombinasi variabel k3 (Bekerja menurut status, dan TPT menurut pendidikan), provinsi yang terdeteksi sebagai outlier cenderung bervariasi atau berbeda-beda pada setiap pencacahan sakernas. DKI Jakarta, Sulawesi Barat dan Papua merupakan provinsi yang dominan terdeteksi sebagai outlier jika dilihat berdasarkan kombinasi variabel k 4 (Bekerja menurut jam kerja, dan Pekerja setengah penganggur). Jika diukur menurut kombinasi variabel k5 (EPR, Pekerja rentan, dan Pekerja sektor informal), Kepulauan Riau, DKI Jakarta, Bali dan Papua merupakan provinsi yang beberapa kali terdeteksi sebagai outlier.
51
4.1.2
Pengujian Asumsi Distribusi Subset Data KILM Pengujian asumsi dilakukan untuk memastikan apakah asumsi awal
mengenai distribusi data penelitian bisa terpenuhi atau tidak. Di latar belakang telah disampaikan bahwa data indikator pasar tenaga kerja Indonesia diasumsikan cenderung memuat outlier dan tidak berdistribusi normal. Menggunakan software R package psych, dilakukan mardia test untuk uji asumsi normal multivariat dengan hipotesis : : Data berdistribusi normal multivariat : Data tidak berdistribusi normal multivariat. Keputusan tolak
jika
. Selain ditentukan oleh nilai
, keputusan tolak skewness (
)
juga bisa berdasarkan nilai kemencengan/
dan nilai kelandaian/ kurtosis (
)
(
) Dimana
menunjukkan banyak variabel. Oleh karena penelitian ini menggunakan modelbased clustering dengan distribusi t-multivariate, maka diharapkan keputusan yang diperoleh adalah tolak
dan mengindikasikan data penelitian tidak
berdistribusi normal. Berdasarkan output mardia test (Lampiran 18), diketahui kemencengan subset data k1 pada Februari 2012 memiliki nilai probability (p-value) = 0.087 (lebih besar dari
). Namun, untuk small sample skewness memiliki nilai
probability = 0.035 (lebih kecil dari ) sehingga diperoleh keputusan tolak
.
Ini berarti subset data k1 0212 tidak berdistribusi normal multivariat. Hasil uji mardia subset data k1 pada Februari 2013, 2014 dan 2015 memiliki nilai probability skewness
dan small sample skewness yang lebih besar dari
sehingga keputusan : gagal tolak
,
. Ini berarti subset data k1 pada tiga periode
sakernas ini berdistribusi normal multivariat. Dengan cara yang sama dilakukan uji mardia terhadap subset-subset data yang lain, dan diperoleh hasil uji seperti pada Lampiran 19. Dari 40 subset data KILM diketahui kombinasi variabel k1 pada beberapa periode pencacahan Sakernas berdistribusi normal multivariat, sedangkan kombinasi variabel lain (k2, k3, k4, dan k5.) cenderung menceng. Oleh karena itu, pengelompokan dengan model-based clustering t-multivariate bisa diaplikasikan pada kombinasi variabel k2, k3, k4, dan k5.
52
4.2 Pengelompokan Provinsi di Indonesia Menurut Indikator Pasar Tenaga Kerja Berdasarkan hasil deteksi outlier dan uji asumsi distribusi subset data KILM, pengelompokan provinsi di Indonesia akan dilakukan menurut empat kombinasi variabel indikator pasar tenaga kerja sebagai berikut : 1. Pengelompokan berdasarkan kombinasi variabel indikator bekerja menurut lapangan usaha (k2). 2. Pengelompokan berdasarkan kombinasi variabel indikator bekerja menurut status, dan TPT menurut pendidikan (k3). 3. Pengelompokan berdasarkan kombinasi variabel indikator bekerja menurut jam kerja, dan pekerja setengah penganggur (k4). 4. Pengelompokan berdasarkan kombinasi variabel indikator EPR, pekerja rentan, dan pekerja sektor informal (k5). Melalui pengelompokan menggunakan model based-clustering dengan kriteria ICL
dan
MML,
diharapkan
bisa
diperoleh
kelompok
optimal
yang
menggambarkan dengan baik kondisi pasar tenaga kerja Indonesia. 4.2.1
Pengelompokan Provinsi di Indonesia menggunakan ModelBased Clustering dengan Kriteria Integrated Completed Likelihood (RMBC-ICL) Package teigen software R mampu mengidentifikasi 28 model yang
mungkin dengan jumlah kelompok maksimal 9 kelompok untuk MBC mixture tmultivariat dengan kriteria ICL. Lampiran 1 merinci model dan jumlah kelompok seperti yang dijelaskan pada bab 2. Pengelompokan provinsi berdasarkan subset data k 2 0212 mungkin dilakukan sampai dengan 4 kelompok (Lampiran 21). Lebih dari itu, proses iterasi menunjukkan hasil infinite (tak terbatas). Pemilihan model terbaik dan jumlah kelompok optimal ditentukan melalui nilai ICL terbesar. Output
pada
Lampiran
21
menunjukkan
bahwa
model
terbaik
pada
pengelompokan provinsi di Indonesia menggunakan subset data k 2 0212 adalah UUUC dengan jumlah kelompok optimal sama dengan 2. Software R dengan package teigen melalui command “teigen(data)$iclresult” tidak hanya
53
menampilkan kemungkinan model terbaik dan jumlah kelompok optimal, tetapi juga hasil klasifikasi untuk anggota kelompok (Lampiran 20) dan estimasi parameter kelompok optimal (Lampiran 22). Kelompok 1 terdiri dari 13 provinsi, sedangkan kelompok 2 beranggotakan 20 provinsi. Berdasarkan persamaan (2.5), model terbaik UUUC menunjukkan bahwa model matriks kovarians kedua kelompok adalah
. Ini berarti
kedua kelompok memiliki volume elips, orientasi, dan kontur fungsi kepadatan yang berbeda tetapi derajat bebas kedua kelompok bernilai sama. Perbedaan volume elips, orientasi dan kontur menyebabkan kedua kelompok memiliki matriks varians kovarians (
) yang berbeda (Lampiran 22). Akibatnya,
pengelompokan Provinsi di Indonesia berdasarkan kombinasi variabel indikator bekerja menurut lapangan usaha (k2) data sakernas Februari 2012 memiliki marginal contour plot seperti gambar 4.2 berikut.
Gambar 4.2 Marginal contour plot subset data k2 0212 Dengan cara yang sama bisa diperoleh pengelompokan untuk subset-subset data yang lain. Jumlah kelompok optimal yang dihasilkan pada tiap subset data penelitian dirangkum pada tabel 4.2 berikut.
54
Tabel 4.2
Jumlah Kelompok Optimal MBC-ICL Sakernas Februari
Kombinasi
Sakernas Agustus
Variabel
2012
2013
2014
2015
2012
2013
2014
2015
k2 k3
2 1
2 2
2 1
2 1
1 2
1 1
1 2
2 1
k4
1
1
4
2
1
1
1
1
k5
1
2
2
1
1
1
1
1
Sebagian besar pengelompokan pada Sakernas Agustus menghasilkan kelompok optimal satu kelompok. Ini berarti karakteristik pasar tenaga kerja 33 provinsi di Indonesia terlihat sama pada periode Sakernas tersebut. Kondisi ini perlu dikaji lebih lanjut, agar tidak terjadi kesalahan interpretasi. Apalagi jika sebaran data antar kedua periode Sakernas tidak jauh berbeda. Tabel 4.3
Anggota kelompok Provinsi di Indonesia berdasarkan subset data k 2 0212 menggunakan MBC-ICL Kelompok 1
Kep. Bangka Belitung Kep. Riau DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Bali Kalimantan Selatan Kalimantan Timur Sulawesi Utara Gorontalo
Kelompok 2 Aceh Sumatera utara Sumatera barat Riau Jambi Sumatera Selatan Bengkulu Lampung Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Sulawesi Barat Maluku Maluku utara Papua barat Papua
Berdasarkan statistik deskriptif subset data k 2 0212 pada lampiran 24 diketahui bahwa sebagian besar penduduk di provinsi pada kelompok 1 bekerja di sektor jasa-jasa dan manufaktur. Sedangkan kelompok 2 penduduknya lebih banyak bekerja di sektor pertanian. 55
4.2.2
Pengelompokan Provinsi di Indonesia menggunakan Robust Model Based Clustering dengan Kriteria Minimum Message Length (RMBC-MML) Pengelompokan
menggunakan
kriteria
MML
diperoleh
dengan
menerapkan algoritma RMBC-MML seperti pada penelitian Siagian (2014). Berikut ditulis ulang algoritma metode RMBC-MML sebagai alat kalkulasi numerik untuk proses clustering dan penaksiran parameter pada model finite mixture t multivariat. 1. Input data set. Input data set berkaitan dengan output yang akan dihasilkan yaitu jumlah parameter. Jumlah parameter yang harus diestimasi, berhubungan langsung dengan besarnya dimensi ruang data pengamatan. Banyaknya parameter bebas yang harus diestimasi pada model mixture t multivariat adalah (Bouveyron & Brunet-Saumard, (2014) : (
)
(
)
(
)
Keterangan : : Banyak parameter bebas yang harus diestimasi pada model (
)
: Banyaknya parameter mixing proportion : Banyak parameter mean
( (
) )
: Banyak parameter matriks varians kovarians : Banyak parameter derajat bebas
2. Tahap inisialisasi. 2.1. Aplikasikan metode clustering sederhana yaitu K-means sebagai inisialisasi nilai parameter untuk mean (mu) kelompok.
untuk
.
2.2.Input inisialisasi nilai parameter lain. Input data set untuk Pj, Sigma, nu, dan N. Pj merupakan inisial untuk mixing proportion. Sigma yaitu matriks Identitas yang merupakan inisial 56
untuk matriks varians kovarians. nu adalah inisial untuk derajat bebas. Pada tesis ini nilainya dibatasi :
Nilai N adalah inisial
banyaknya parameter dalam 1 kelompok ( berdasarkan persamaan
), bisa dihitung
di atas. Dengan asumsi antara variabel saling
bebas, matriks varians kovarians sama dengan matriks varians, maka diperoleh nilai N : (
)
( )
( )
(
)
3. Tahap reduksi dimensi dengan ROBPCA 4. Algoritma EM Lakukan secara berulang langkah E dan langkah M sampai konvergen ( )
(
) untuk
dan
4.1. Langkah E (Expectation) ̂
Update nilai probabilitas posterior
dan bobot ̂
setiap obyek
pengamatan untuk setiap kelompok, yaitu : ̂ ̂
∑
(
)
̂
(
)
̂
̂
̂
(
̂ )
̂
4.2. Langkah M (Maximization) a. Update |∑
̂
mixing (
)
proportion |
Ukuran
(
)
setiap
kelompok
sampai
dan keluarkan purge kelompok dengan nilai
mixing proportion ̂ ̂
̂
.
.
/
adalah #(cardinality) dari ̂
(∑ ̂ ( (
)
)
b. Update mean setiap kelompok c. Update matriks varians kovarians setiap kelompok d. Update derajat bebas 57
+
(
e. Update nilai
( )
Jika )
̂(
)
̂ )
( )
f. Update nilai
2̂(
̂
̂
̂(
( ) maka putuskan parameter )
̂
(
)
3
sebagai parameter optimal. Penulisan program RMBC-MML dibuat dengan MATLAB dan secara rinci sintaksnya disajikan pada lampiran. Tabel 4.4
Jumlah Kelompok Optimal RMBC-MML Sakernas Februari
Kombinasi
Sakernas Agustus
Variabel
2012
2013
2014
2015
2012
2013
2014
2015
k2
2
2
2
1
2
2
1
1
k3
*
*
*
*
1
1
*
*
k4
*
*
*
*
1
*
*
1
k5
1
2
1
1
1
1
2
2
Keterangan : tanda * artinya pada subset tersebut tidak bisa terbentuk kelompok atau terjadi error saat diolah menggunakan program RMBC-MML terlampir.
Pada Tabel 4.4, subset data dengan jumlah variabel 8 cenderung tidak berhasil dilakukan pengelompokan (subset data k 3 dan k4) . Subset data k2 dan k5 dengan jumlah variabel yang lebih sedikit berhasil dilakukan pengelompokan. Penelitian
dengan
data
berdimensi
besar
memiliki
masalah
curse
of
dimensionality, suatu istilah yang diperkenalkan oleh R. Bellman untuk menggambarkan betapa sulitnya bekerja pada ruang data berdimensi besar (Bouveyron & Brunet-Saumard,(2014). Penelitian Siagian (2014) berhasil mengaplikasikan RMBC-MML dengan 10 variabel indikator kerawanan sosial, pada sampel besar yaitu mengelompokkan 497 kabupaten/kota di Indonesia. Pada saat dilakukan simulasi pada variabel k3 dan k4 dengan menambahkan jumlah sampel (n=33 menjadi n=132), tidak terjadi error dan berhasil terbentuk 2
58
kelompok atau lebih. Hal ini mengindikasikan bahwa error terjadi dikarenakan jumlah sampel yang digunakan pada subset data k3 dan k4 kecil, sedangkan variabelnya banyak. Tabel 4.5
Anggota kelompok Provinsi di Indonesia berdasarkan subset data k 2 0212 menggunakan MBC-MML Kelompok 1
Kep. Bangka Belitung Kep. Riau DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Bali Kalimantan Selatan Kalimantan Timur Sulawesi Utara Gorontalo
Kelompok 2 Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Sulawesi Barat Maluku Maluku Utara Papua Barat Papua
Pengelompokan provinsi di Indonesia menggunakan MBC dengan kriteria MML pada subset data k2 0212 menghasilkan anggota kelompok yang sama dengan kriteria ICL. Hasil pengelompokan dengan kriteria MML juga menggambarkan bahwa tenaga kerja yang berada di Provinsi Kepulauan Bangka Belitung, Kepulauan Riau, DKI Jakarta dan beberapa provinsi lain kelompok 1 lebih banyak yang bekerja di sektor jasa-jasa dan manufaktur dibandingkan dengan provinsiprovinsi yang berada di kelompok 2 seperti Aceh, Lampung, Papua dan sebagainya. Provinsi di kelompok 2 lebih banyak bekerja di sektor Pertanian dibandingkan bekerja di sektor jasa-jasa dan manufaktur.
59
4.3 Kelompok Optimal MBC-ICL dan RMBC-MML Kelebihan model-based clustering yang tidak dimiliki metode clustering klasik lainnya yaitu referensi jumlah kelompok optimal. Kelompok optimal dipilih dari model cluster yang memiliki nilai kriteria terbesar. Meskipun demikian, saat melakukan analisis juga perlu dikaji statistik deskriptif kelompok optimal seperti nilai koefisien variasi dan range kelompok (nilai maksimum dan nilai minimum). Kedua kriteria ICL dan MML menghasilkan jumlah kelompok optimal yang sama (G=2) pada subset data k2 0212, k2 0213, k2 0214, dan k5 0213. Tabel 4.6
Klasifikasi Provinsi di Indonesia berdasarkan Indikator Bekerja Menurut Lapangan Usaha (k2 0214) menggunakan MBC-ICL dan MBC-MML (Kelompok Optimal) Kelompok 1 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
Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung DKI Jakarta DI Yogyakarta Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Sulawesi Barat Maluku Maluku Utara Papua Barat Papua
Kelompok 2 1 2 3 4 5 6 7 8
Kep. Bangka Belitung Kep. Riau Jawa Barat Jawa Tengah Jawa Timur Banten Bali Kalimantan Selatan
Selain jumlah kelompok optimal yang sama, keanggotaan kelompok juga sama untuk subset data k2 0212 dan k2 0214. Sedangkan pada subset data k2 0213 terdapat perbedaan pengelompokan untuk Provinsi DKI Jakarta, DI Yogyakarta
60
dan Kalimantan Timur (Lampiran 39). Pengelompokan dengan kriteria ICL menunjukkan terjadi pergeseran struktur keanggotaan ketiga provinsi ini dibandingkan
dengan
tahun
2012.
Sedangkan
kriteria
MML
tetap
mengelompokkan di kelompok yang sama dengan tahun 2012. Akan tetapi, ketiga provinsi tersebut kemudian dikelompokkan ke kelompok 1 oleh kriteria MML pada tahun 2014. Berdasarkan Tabel 4.6 diketahui bahwa Provinsi DKI Jakarta, DI Yogyakarta, dan Kalimantan Timur berada pada kelompok provinsi dengan persentase bekerja terbesar di sektor pertanian baik oleh kriteria ICL maupun MML. Padahal data menunjukkan bahwa persentase bekerja di sektor jasa-jasa pada ketiga provinsi ini tahun 2012 sampai 2015 masih tinggi yaitu di atas 50 persen, dan persentase bekerja di sektor pertanian juga masih rendah, tidak mengalami peningkatan yang berarti. Tabel 4.7
Statistik Deskriptif Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Bekerja Menurut Lapangan Usaha (k2 0214) menggunakan MBC-ICL dan MBC-MML (Kelompok Optimal) Total Count 25 8
Mean 45,34 25,78
SE Mean 2,87 3,23
CoefVar 31,69 35,47
Minimum 2,17 13,96
Maximum 73,43 36,86
1 2
25 8
12,972 27,19
0,778 1,33
29,98 13,81
3,840 21,48
21,380 31,38
1 2
25 8
41,68 47,03
2,22 2,47
26,64 14,87
22,72 40,44
78,35 57,27
Variable X9
k2_0214 1 2
X10 X11
Statistik deskriptif Tabel 4.7 memperjelas ketidaksesuaian klasifikasi Tabel 4.6 dimana nilai koefisien variasi di sektor pertanian cukup tinggi baik untuk kelompok 1 mau pun kelompok 2. Range kelompok 1 terlalu jauh dengan nilai minimum 2,17 persen dan maksimum 73,43 persen. Pada saat dilakukan pengelompokan dengan jumlah kelompok fixed ( =3) menggunakan kriteria ICL, provinsi-provinsi dengan karakteristik mayoritas bekerja di sektor jasa-jasa tidak mengelompok di tempat yang sama dengan provinsi-provinsi yang mayoritas bekerja di sektor pertanian. Kelompok merupakan provinsi dengan karakteristik 46 persen penduduknya bekerja di sektor pertanian, 41 persen di sektor jasa-jasa dan 13 persen di sektor manufaktur.
61
Tabel 4.8
Klasifikasi Provinsi di Indonesia berdasarkan subset data k 2 0214 menggunakan MBC-ICL (Kelompok Fixed G=3)
Kelompok 1
Kelompok 2
1
Aceh
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Nusa Tenggara Barat Kalimantan Tengah Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Maluku Maluku Utara Papua Barat
Kelompok 3
1
Kep. Bangka Belitung 2 Kep. Riau 3 DKI Jakarta 4 Jawa Barat 5 Jawa Tengah 6 DI Yogyakarta 7 Jawa Timur 8 Banten 9 Bali 10 Kalimantan Selatan 11 Kalimantan Timur
1
Nusa Tenggara Timur
2 3 4
Kalimantan Barat Sulawesi Barat Papua
Kelompok 2 terdiri dari 11 provinsi, merupakan provinsi dengan karakteristik sebagian besar penduduknya bekerja di sektor jasa-jasa (51 persen). Di sektor manufaktur 25 persen dan sektor pertanian 24 persen. Tabel 4.9
Statistik Deskriptif Pengelompokan Provinsi di Indonesia Berdasarkan subset data k2 0214 menggunakan MBC-ICL (Kelompok Fixed G=3) Total Count 18 11 4
Variable X9
k2_0214 1 2 3
Mean SE Mean CoefVar Minimum Maximum 45,89 1,53 14,12 31,87 58,30 23,46 3,14 44,42 2,17 36,86 63,90 3,57 11,17 57,19 73,43
X10
1 2 3
18 11 4
12,642 25,31 8,96
0,557 1,36 1,80
18,69 17,85 40,17
7,710 19,48 3,84
17,630 31,38 12,28
X11
1 2 3
18 11 4
41,46 51,23 27,13
1,14 3,36 1,91
11,67 21,74 14,11
33,99 40,44 22,72
51,13 78,35 30,54
62
Kelompok 3 yang terdiri dari Provinsi Nusa Tenggara Timur, Kalimantan Barat, Sulawesi Barat dan Papua sebagai provinsi dengan karakteristik pasar tenaga kerja yang mayoritas penduduknya bekerja di sektor pertanian (63,9 persen). Persentase penduduk yang bekerja di sektor manufaktur hanya 8,96 persen. Empat provinsi ini juga merupakan provinsi dengan pekerja di sektor jasajasa paling rendah dibandingkan kedua kelompok lainnya (27,13 persen). Kondisi ini mencerminkan provinsi pada kelompok 3 memiliki kemajuan ekonomi yang paling rendah dibandingkan kelompok 2 dan kelompok 1. Pengelompokan dengan jumlah kelompok fixed (
) menghasilkan
nilai koefisien variasi yang masih cukup tinggi pada beberapa variabel dan kelompok tertentu. Akan tetapi nilai range kelompok tidak sebesar saat pengelompokan dengan kelompok optimal (
)
Pengelompokan objek
menggunakan banyak variabel (multivariat) memerlukan informasi tambahan untuk memastikan bahwa hasil pengelompokan tidak bias. Berdasarkan hasil pengelompokan MBC-ICL dan MBC-MML, analisis pasar tenaga kerja Indonesia
pada Agustus 2015 akan dilakukan dengan beberapa
keterangan sebagai berikut. 1. Analisis berdasarkan indikator Bekerja menurut lapangan usaha (k2) menggunakan kriteria MBC-ICL dengan jumlah kelompok fixed G=3. 2. Analisis berdasarkan indikator Bekerja menurut status, dan TPT menurut pendidikan (k3) menggunakan kriteria MBC-ICL dengan jumlah kelompok fixed G=2. 3. Analisis berdasarkan indikator Bekerja menurut jam kerja, dan Pekerja setengah penganggur (k4) 4. Analisis berdasarkan indikator EPR, Pekerja rentan, dan Pekerja sektor informal (k5) menggunakan kriteria RMBC-MML dengan jumlah kelompok optimal.
63
4.4 Uji Kesamaan Kelompok Untuk mengetahui apakah kelompok yang dihasilkan memang berbeda signifikan, perlu dilakukan uji beda rata-rata melalui uji Manova. Manova merupakan salah satu analisis multivariat yang digunakan untuk mengetahui apakah vektor rata-rata populasi sama. Jika tidak sama, komponen rata-rata mana yang berbeda secara nyata. Berikut adalah hipotesis untuk uji beda rata-rata kedua kelompok. (
)
(
)
Seperti yang dijelaskan pada subbab 2.8, keputusan Tolak lebih kecil dari
jika nilai p-value
, yang berarti kelompok 1 memang berbeda dengan
kelompok 2. Pada penelitian ini, pengelompokan provinsi di Indonesia akan dilakukan berdasarkan subset data k2, k3, k4, dan k5 pada data Sakernas Agustus 2015. Melalui bantuan software Minitab diperoleh hasil uji Manova untuk masingmasing subset data. Tabel 4.10
Hasil uji kesamaan kelompok (uji Manova) subset data k 2 0815, k3 0815, k4 0815, dan k5 0815 dengan Statistik Uji Pillai’s Trace
Subset
Nilai Pillai‟s Trace
F
p-value
K2 0815
0,96146
8,949
0,000
K3 0815
0,79210
11,430
0,000
K4 0815
0,73870
8,481
0,000
K5 0815
0,36344
5,519
0,004
Statistik Pillai‟s Trace memiliki p-value lebih kecil dari 0,05 untuk semua subset data. Ini berarti H0 ditolak yang menunjukkan adanya perbedaan vektor mean antar kelompok di masing-masing subset data sehingga analisis cluster untuk provinsi-provinsi di Indonesia berdasarkan kombinasi variabel k2, k3, k4, dan k5 bisa dilakukan.
64
4.5 Analisis Pasar Tenaga Kerja Indonesia Deskripsi pasar tenaga kerja Indonesia digambarkan dengan cukup lengkap pada publikasi rutin BPS : “Indikator Pasar Tenaga Kerja”. Pada bulan Agustus 2015, jumlah angkatan kerja dan TPAK cenderung menurun. TPAK dan EPR laki-laki masih lebih tinggi dari pada TPAK dan EPR perempuan. Papua dan Bali juga masih menjadi dua provinsi teratas untuk angka TPAK di Indonesia. Jika mayoritas penduduk Bali bekerja di sektor jasa-jasa, maka penduduk Papua mayoritas bekerja di sektor pertanian. Pekerja di Indonesia sebagian besar bekerja di atas 35 jam per minggu. Sampai dengan Agustus 2015, peran sektor informal menggerakkan pasar tenaga kerja lebih besar dibandingkan sektor informal yaitu 51,72 persen, dan terpusat di perdesaan. Papua kembali menjadi provinsi dengan persentase tertinggi penduduk bekerja di sektor informal. Provinsi Aceh, Maluku dan Banten menjadi provinsi dengan TPT tertinggi dan mayoritas berada pada TPT dengan pendidikan Sekolah Menengah. Sedangkan Kalimantan Barat, Jawa Barat dan Banten adalah tiga provinsi dengan persentase pengangguran berpendidikan rendah paling tinggi. Selanjutnya akan dilakukan analisis cluster provinsi-provinsi di Indonesia untuk melihat provinsi-provinsi mana saja yang memiliki kesamaan karakteristi, apakah berada pada kelompok rata-rata tinggi atau kelompok rata-rata rendah.
4.5.1
Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator Persentase Bekerja Menurut Lapangan Usaha (k2) Lapangan usaha (sektor) pada analisis pasar tenaga kerja dibedakan
menjadi 3 yaitu sektor pertanian (primer), sektor manufaktur (sekunder) dan sektor jasa-jasa (tersier). Jika pergeseran persentase penduduk yang bekerja dari sektor primer ke sektor sekunder dan tersier relatif lamban, itu pertanda bahwa kinerja perekonomian cenderung kurang dinamis atau minimal tidak berdampak pada pengembangan penyerapan tenaga kerja di sektor-sektor yang produktif (Hasbullah, 2013).
65
45,28
44,84 34,00
32,88 21,16
21,84
Agustus 2014
Sektor Pertanian
Agustus 2015
Sektor Manufaktur
Sektor Jasa-jasa
Gambar 4.3 Persentase Bekerja menurut Sektor , Agustus 2014-2015 Kondisi pasar tenaga kerja pada Agustus 2015 menunjukkan perubahan ke arah yang lebih baik. Persentase bekerja di sektor pertanian mengalami penurunan dibandingkan dengan tahun sebelumnya. Sementara sektor jasa-jasa dan sektor manufaktur menunjukkan peningkatan. Secara rinci, hasil pengelompokan provinsi di Indonesia berdasarkan kombinasi variabel k2 dapat dilihat pada berikut. Tabel 4.11
Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Bekerja Menurut Lapangan Usaha, Agustus 2015 Kelompok 1
Aceh Sumatera Utara Sumatera Barat Riau Kep. Bangka Belitung Jawa Timur Nusa Tenggara Barat Kalimantan Tengah Kalimantan Selatan Sulawesi Utara Sulawesi Selatan Sulawesi Tenggara Gorontalo Maluku Papua Barat
Kelompok 2 Jambi Sumatera Selatan Bengkulu Lampung Nusa Tenggara Timur Kalimantan Barat Sulawesi Tengah Sulawesi Barat Maluku Utara Papua
66
Kelompok 3 Kep. Riau DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Banten Bali Kalimantan Timur
Hasil pengelompokan provinsi-provinsi di Indonesia berdasarkan persentase bekerja menurut lapangan usaha menunjukkan kelompok 1 merupakan provinsi dengan karakteristik persentase penduduk yang bekerja di sektor jasajasa hampir sama dengan persentase penduduk yang bekerja di sektor pertanian. Kelompok 2 merupakan provinsi dengan penduduk sebagian besar bekerja di sektor pertanian dan paling sedikit bekerja di sektor manufaktur. Sedangkan kelompok 3 adalah provinsi dengan penduduknya mayoritas bekerja di sektor jasa-jasa, dan sedikit sekali bekerja di sektor pertanian. Tabel 4.12
Statistik Deskriptif Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Bekerja Menurut Lapangan Usaha, Agustus 2015 Total Count 15 10 8
Mean 40,35 56,28 17,20
SE Mean 1,17 2,35 3,16
CoefVar 11,25 13,22 51,95
Minimum 31,93 48,78 0,42
Maximum 46,79 73,93 28,66
1 2 3
15 10 8
15,410 10,772 27,02
0,978 0,893 2,00
24,58 26,22 20,90
9,520 4,590 19,89
22,960 16,200 35,00
1 2 3
15 10 8
44,243 32,95 55,79
0,913 1,72 3,80
7,99 16,49 19,25
38,500 21,47 41,19
50,650 38,64 79,68
Variable X9
k2_0815 1 2 3
X10
X11
4.5.2
Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator Bekerja Menurut Status, dan TPT Menurut Pendidikan (k3) Bekerja menurut status dibagi menjadi enam kategori yaitu status
karyawan (X3), pengusaha (X4), berusaha sendiri atau dibantu buruh tidak tetap/ tidak dibayar (X5), pekerja bebas (X6) dan pekerja keluarga/tak dibayar (X7). Sedangkan TPT menurut pendidikan dibedakan atas 3 kategori yaitu TPT pendidikan dasar ke bawah (X20), pendidikan menengah (X21) dan pendidikan tinggi (X22).
67
Tabel 4.13
Statistik Deskriptif Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Bekerja Menurut Status, dan TPT Menurut Pendidikan, Agustus 2015 Total Count
Mean
SE Mean
Variance
Minimum
Median
Maximum
Range
1 2
6 24
57,30 32,27
4,04 1,49
97,99 53,54
46,24 17,56
57,31 33,10
68,49 45,31
22,25 27,75
X4
1 2
6 24
3,973 3,277
0,359 0,176
0,772 0,742
2,880 0,950
3,860 3,395
5,070 4,640
2,190 3,690
X5
1 2
6 24
24,55 37,342
1,58 0,823
14,92 16,272
19,66 29,190
24,45 37,670
28,84 44,640
9,18 15,450
X6
1 2
6 24
7,60 8,345
1,90 0,937
21,60 21,059
2,65 1,440
7,88 7,350
14,64 19,910
11,99 18,470
X7
1 2
6 24
6,580 18,77
0,858 1,31
4,421 41,11
4,120 8,74
6,640 18,56
9,990 37,14
5,870 28,40
X20
1 2
6 24
6,023 2,648
0,572 0,185
1,966 0,823
4,800 0,820
5,650 2,500
8,500 4,900
3,700 4,080
X21
1 2
6 24
11,103 10,425
0,907 0,663
4,932 10,559
7,820 3,150
10,865 10,195
14,070 18,110
6,250 14,960
X22
1 2
6 24
5,740 7,478
0,810 0,500
3,939 6,005
3,830 3,790
5,190 6,960
9,510 14,920
5,680 11,130
Variable
k3_0815
X3
Hasil
pengelompokan MBC-ICL dengan jumlah kelompok
fixed
G=2
menghasilkan pengelompokan dimana kelompok 1 beranggotakan 6 provinsi dan kelompok 2 terdiri dari 24 provinsi. Kelompok 1 tersebut adalah Provinsi Riau, Kepulauan Riau, DKI Jakarta, Jawa Barat, Banten dan Kalimantan Timur. Berdasarkan tabel 4.9 diketahui keenam provinsi ini memiliki karakteristik pasar tenaga kerja dimana rata-rata 57,30 persen tenaga kerjanya bekerja sebagai karyawan, lebih tinggi dibandingkan kelompok 2.
Pekerja di kelompok 1
sebanyak 24, 55 persen adalah pekerja yang berusaha sendiri atau dibantu buruh tidak tetap/ tidak dibayar. Di kelompok ini sedikit sekali pekerja berstatus pekerja bebas dan pekerja keluarga. Namun kelompok 1 memiliki TPT pendidikan dasar dan menengah yang lebih besar dibandingkan kelompok 2. Kelompok 2 merupakan provinsi dengan karakteristik dimana sebanyak 37 persen tenaga kerjanya berstatus berusaha sendiri atau dibantu buruh tidak dibayar, berstatus sebagai karyawan 32 persen dan pekerja keluarga di kelompok 2 juga lebih banyak dibanding kelompok 1 yaitu 18,7 persen. Tingkat pengangguran terbuka pekerja dengan pendidikan tinggi di kelompok 2 lebih banyak dibandingkan
68
kelompok 1 yaitu 7,5 persen. Dari uraian singkat ini dapat diketahui karakteristik pasar tenaga kerja antara kelompok 1 dan 2 jelas berbeda.
Gambar 4.4 Plot Keanggotaan Cluster Subset Data k3 0212-k30815 Dari tabel 4.2 sebelumnya diketahui bahwa MBC-ICL menghasilkan kelompok optimal satu kelompok pada subset data k 3 0815. Oleh karena itu, pengelompokan provinsi di Indonesia berdasarkan subset data k3 0815 berasal dari hasil pengelompokan jumlah kelompok fixed G=2 model CCCC. Meskipun bukan kelompok optimal, hasil pengelompokan dengan jumlah kelompok fixed bisa menghasilkan pengelompokan yang baik. Hal ini terlihat dari keanggotaan cluster yang cenderung stabil antar periode Sakernas seperti ditunjukkan gambar 4.4.
4.5.3
Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator Bekerja Menurut Jam Kerja, dan Pekerja Setengah Penganggur Menurut Pendidikan (k4) Analisis pasar tenaga kerja menurut jam kerja dibagi menjadi lima
kategori yaitu Persentase Bekerja 1-14 Jam (X13), Persentase Bekerja 15-24 Jam (X14), Persentase Bekerja 25-34 Jam (X15), Persentase Bekerja 35-39 Jam (X16), dan Persentase Bekerja 40-48 Jam (X17). Sedangkan persentase pekerja setengah
69
penganggur menurut pendidikan dibedakan atas 3 kategori yaitu setengah penganggur pendidikan dasar ke bawah (X20), setengah penganggur pendidikan menengah (X21) dan setengah penganggurpendidikan tinggi (X22). Batasan waktu seseorang disebut bekerja adalah satu jam dalam seminggu. Seseorang akan dianggap sebagai bekerja jika dia melakukan pekerjaan yang mendapatkan imbalan ekonomis minimal selama satu jam dalam seminggu dan dilakukan secara berturut-turut. Perlu dipahami bahwa konsep bekerja satu jam dalam seminggu yang dipakai dalam pendataan adalah untuk menjaring semua orang Indonesia yang bekerja walau pekerjaannya hanya terbatas dari sisi penggunaan waktu. Dan ternyata, walaupun jumlahnya sangat kecil, tetapi ada angkatan kerja di Indonesia yang bekerja dengan kategori tersebut. Akan tetapi, indikator persentase bekerja 1 jam dan lebih dari 48 jam tidak disertakan pada penelitian ini. Tabel 4.14
Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Bekerja Menurut Jam Kerja, dan Pekerja Setengah Penganggur, Agustus 2015 Kelompok 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Kelompok 2
Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung DKI Jakarta DI Yogyakarta Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Sulawesi Barat Maluku Maluku Utara Papua Barat Papua
1 2 3 4 5 6 7 8 9
70
Kep. Bangka Belitung Kep. Riau Jawa Barat Jawa Tengah Jawa Timur Banten Bali Kalimantan Timur Sulawesi Utara
Hasil pengelompokan dirinci pada Tabel 4.14
Pengelompokan Provinsi di
Indonesia Berdasarkan Indikator Bekerja Menurut Jam Kerja, dan Pekerja Setengah Penganggur, Agustus 2015, dimana kelompok 1 terdiri dari 24 provinsi dan kelompok 2 terdiri dari 9 provinsi.Kelompok optimal yang terbentuk dari subset k4 0815 adalah satu kelompok, dengan model UUUU dan nilai ICL = 184,37. Oleh karena itu, pengelompokan berdasarkan subset data k4 0815 menggunakan MBC-ICL dengan jumlah kelompok fixed G=2. Model yang dipilih adalah CCCU dengan nilai ICL = -205,31. Tabel 4.15
Statistik Deskriptif Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Bekerja Menurut Status, dan TPT Menurut Pendidikan, Agustus 2015 Total Count
Mean
SE Mean
CoefVar
Minimum
Maximum
1 2
24 9
6,710 3,989
0,575 0,475
41,95 35,70
2,520 2,030
15,930 6,740
X14
1 2
24 9
13,841 8,724
0,684 0,747
24,23 25,67
3,510 5,810
20,310 12,220
X15
1 2
24 9
15,841 10,601
0,839 0,747
25,95 21,13
4,600 6,430
27,050 13,470
X16
1 2
24 9
11,841 9,040
0,556 0,413
23,01 13,70
5,590 7,220
21,670 10,610
X17
1 2
24 9
24,23 36,94
1,84 1,91
37,27 15,53
2,46 30,14
48,96 47,26
X23
1 2
24 9
63,88 69,52
2,06 3,06
15,77 13,20
36,87 57,04
83,87 79,71
X24
1 2
24 9
27,04 24,38
1,35 3,10
24,38 38,18
14,24 13,55
41,03 39,72
X25
1 2
24 9
9,083 6,107
0,962 0,718
51,90 35,27
1,880 3,240
22,090 9,530
Variable
k4_0815
X13
Lebih dari separuh angkatan kerja Indonesia adalah pekerja setengah penganggur dengan pendidikan dasar ke bawah, baik pada kelompok 1 (63,88 persen) maupun kelompok 2 (69,52 persen). Sebagian besar angkatan kerja di kelompok 1 dan 2 bekerja dengan jumlah jam kerja antara 40-48 jam, dan paling sedikit bekerja di jumlah jam kerja 1-14 jam. Kelompok 1 memiliki karakteristik dengan persentase pekerja setengah penganggur pendidikan menengah dan pendidikan tinggi yang
71
lebih tinggi dibandingkan kelompok 2. Persentase angkatan kerja yang bekerja dengan jam kerja rendah juga banyak terjadi pada pekerja di kelompok 1 dibandingkan kelompok 2.
4.5.4
Karakteristik Pasar Tenaga Kerja Indonesia Berdasarkan Indikator EPR, Pekerja Rentan, dan Pekerja Sektor Informal (k5) Employment to Population Ratio (EPR) didefinisikan sebagai proporsi
penduduk umur kerja suatu negara yang berstatus bekerja terhadap penduduk umur kerja. Rasio yang tinggi berarti sebagian besar penduduk suatu negara adalah bekerja. Sementara rasio rendah berarti bahwa sebagian besar penduduk tidak terlibat langsung dalam kegiatan yang berhubungan dengan pasar tenaga kerja. Rasio ini memberikan informasi tentang kemampuan ekonomi untuk menciptakan lapangan kerja. Di banyak negara, indikator ini menghasilkan analisis yang lebih mendalam dibandingkan dengan tingkat pengangguran. Pekerja rentan (vulnerable employment) adalah pekerja yang mencakup pekerja dengan status berusaha sendiri, berusaha dibantu buruh tidak tetap/ tak dibayar, pekerja bebas dan pekerja keluarga. Sedangkan pekerja sektor informal adalah angkatan kerja yang bekerja di unit produksi dalam usaha rumah tangga yang dimiliki oleh rumah tangga. RMBC-MML mengelompokkan provinsi di Indonesia berdasarkan ketiga indikator ini ke dalam 2 kelompok. Dimana kelompok 1 terdiri dari 12 provinsi dan kelompok 2 beranggotakan 21 provinsi. Secara rata-rata, kelompok 1 dan kelompok 2 memiliki nilai EPR yang hampir sama yaitu di atas 60 persen. Ini berarti, lebih dari 60 persen angkatan kerja di kedua kelompok ini sudah memiliki pekerjaan. Kelompok 1 teridentifikasi memiliki persentase pekerja rentan dan pekerja yang bekerja di sektor informal lebih tinggi dibandingkan kelompok 2. Papua terdeteksi sebagai provinsi dengan nilai EPR dan persentase pekerja rentan tertinggi yaitu masing-masing 76,49 persen dan 81,49 persen. Papua juga merupakan provinsi dengan persentase pekerja sektor informal terbesar yaitu 79,96 persen. Kondisi ini sangat perlu menjadi perhatian. Besarnya penciptaan lapangan kerja di Papua tidak serta-merta meningkatkan kesejahteraan rakyatnya.
72
Karena sebagian besar pekerja di Papua adalah pekerja dengan pendapatan rendah yang dicirikan dengan besarnya persentase pekerja rentan dan pekerja di sektor informal.
Tabel 4.16
Pengelompokan Provinsi di Indonesia Berdasarkan Indikator EPR, Pekerja Rentan, dan Pekerja Sektor Informal, Agustus 2015 Kelompok 1 1 2 3 4 5 6 7 8 9 10 11 12
Kelompok 2
Sumatera Utara Jambi Sumatera Selatan Bengkulu Jawa Barat Nusa Tenggara Timur Kalimantan Barat Gorontalo Sulawesi Barat Maluku Utara Papua Barat Papua
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Aceh Sumatera Barat Riau Lampung Kep. Bangka Belitung Kep. Riau DKI Jakarta Jawa Tengah DI Yogyakarta Jawa Timur Banten Bali Nusa Tenggara Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Maluku
Di kelompok 2, Bali merupakan provinsi dengan nilai EPR tertinggi. 74,01 persen angkatan kerja di provinsi ini memiliki pekerjaan. Berbeda dengan Papua, meskipun memiliki nilai EPR tertinggi, persentase pekerja rentan dan pekerja sektor informal di Provinsi Bali berada di bawah rata-rata kelompok 2. Provinsi Nusa Tenggara Barat merupakan provinsi yang teridentifikasi sebagai provinsi dengan
persentase pekerja rentan dan pekerja sektor informal tertinggi di
kelompok 2 yaitu 73,2 persen dan 65,67 persen.
73
Tabel 4.17
Statistik Deskriptif Pengelompokan Provinsi di Indonesia Berdasarkan Indikator EPR, Pekerja Rentan, dan Pekerja Sektor Informal, Agustus 2015 Total Count
Mean
SE Mean
CoefVar
Minimum
Maximum
1 2
12 21
64,66 62,055
1,46 0,987
7,82 7,29
55,08 55,750
76,40 74,010
X8
1 2
12 21
65,89 55,89
2,56 2,88
13,47 23,61
50,39 27,04
81,49 73,20
X18
1 2
12 21
61,51 50,10
2,82 2,79
15,89 25,52
43,80 21,49
79,96 65,67
Variable
k5_0815
X2
Dari tabel statistik deskriptif di atas dapat dilihat kelompok 1 dan kelompok 2 memiliki nilai EPR yang hampir sama. Akan tetapi, pekerja di kelompok 1 lebih banyak yang berstatus sebagai pekerja rentan dan pekerja sektor informal dibandingkan dengan kelompok 2.
74
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan Berdasarkan hasil analisis dan pembahasan, dapat diambil beberapa kesimpulan penelitian ditinjau menurut metode dan kasus sesuai dengan permasalahan yang dirumuskan pada bab 1 sebelumnya. 1. Subset data KILM yang memenuhi asumsi distribusit t-multivariat adalah subset data yang dibentuk berdasarkan kombinasi variabel k2, k3, k4, dan k5. a) Berdasarkan hasil uji asumsi distribusi dengan mardia test, subset data KILM yang terbentuk dari kombinasi variabel k1 berdistribusi normal multivariat. Sehingga subset data KILM kombinasi variabel k 1 tidak tepat diaplikasikan pada model-based clustering mixture t-multivariat. b) Berdasarkan hasil deteksi outlier menggunakan dd plot diketahui 40 subset data KILM yang digunakan pada penelitian ini mengandung outlier (kuantil 90 persen). Ini berarti, asumsi bahwa data indikator pasar tenaga kerja Indonesia cenderung memuat outlier bisa terpenuhi. 2. Model-based clustering untuk pengelompokan provinsi-provinsi di Indonesia berdasarkan indikator pasar tenaga kerja menggunakan Model-Based Clustering dengan kriteria Integrated Completed Likelihood (ICL). a) Pengelompokan dengan MBC-ICL menghasilkan kelompok optimal yang konsisten pada setiap ulangan. Kekonsistenan hasil pengelompokan tidak hanya dari jumlah kelompok optimal tetapi juga anggota dalam kelompoknya. Antar ulangan selalu menghasilkan jumlah dan anggota kelompok optimal yang sama. b) Pengelompokan dengan MBC-MML juga menghasilkan kelompok optimal yang konsisten antar ulangan, tetapi pada beberapa kombinasi variabel tertentu tidak berhasil membentuk kelompok atau terjadi error saat subset data dioleh dengan program RMBC-MML. c) Sakernas Agustus cenderung menghasilkan kelompok optimal satu kelompok. Oleh karena itu untuk analisis pasar tenaga kerja Indonesia 75
Agustus 2015 berdasarkan hasil pengelompokan model MBC-ICL pada jumlah kelompok fixed yang memiliki nilai ICL paling besar. d) Kelompok optimal MBC-ICL digunakan untuk analisis pasar tenaga kerja Indonesia berdasarkan subset data k2 0815. Sedangkan kelompok optimal RMBC-MML untuk analisis pasar tenaga kerja Indonesia berdasarkan subset data k5 0815. 3. Kondisi pasar tenaga kerja Indonesia pada Agustus 2015 menunjukkan perubahan ke arah yang lebih baik. a. Persentase penduduk yang bekerja di sektor pertanian mengalami penurunan dibandingkan dengan tahun sebelumnya. Sementara persentase penduduk yang bekerja di sektor jasa-jasa dan sektor manufaktur menunjukkan peningkatan. b. Provinsi Kepulauan Riau, DKI Jakarta, DI Yogyakarta, Jawa Tengah, Jawa Barat, Banten, Bali dan Kalimantan Timur merupakan kelompok provinsi yang memiliki karakteristik pasar tenaga kerja dengan persentase bekerja di sektor jasa-jasa paling tinggi dibandingkan dengan dua kelompok lainnya. c. Provinsi Papua teridentifikasi sebagai provinsi dengan persentase pekerja rentan dan persentase pekerja sektor informal tertinggi di Indonesia.
5.2 Saran 1. Penelitian ini tidak mengelompokkan provinsi di Indonesia berdasarkan kombinasi variabel k1 (indikator TPAK, Pekerja paruh waktu, Pekerja sektor informal, dan TPT) dikarenakan subset data k1 berdistribusi normal multivariat. Penelitian selanjutnya bisa melakukan pengelompokan provinsi di Indonesia berdasarkan kombinasi variabel k1 menggunakan model-based clustering normal multivariat (Banfield dan Raftery , 1993). 2. Pada penelitian selanjutnya, bisa dilakukan pengelompokan kabupaten/kota di Indonesia menurut indikator pasar tenaga kerja menggunakan MBC dengan kriteria MML (Siagian, 2014).
76
3. Perlu dikembangkan penelitian pada program RMBC-MML agar bisa dihasilkan kelompok optimal pada subset data k2, k3 dan variabel-variabel indikator pasar tenaga kerja lainnya.
4. Pada penelitian selanjutnya, bisa dilakukan pengelompokan menggunakan kombinasi
variabel
indikator
pasar
tenaga
kerja
lainnya
seperti
pengelompokan berdasarkan TPT kelompok umur muda, elastisitas tenaga kerja dan sebagainya.
5. Kebijakan pemerintah terkait tenaga kerja sebaiknya difokuskan kepada provinsi-provinsi dengan persentase pekerja rentan dan pekerja sektor informal tinggi seperti Papua, Nusa Tenggara Barat, Nusa Tenggara Timur, Sulawesi Barat, dan sebagainya. Provinsi-provinsi ini juga bisa menjadi tujuan utama program kerja layak (decent work country programme) oleh ILO.
77
DAFTAR PUSTAKA Andrews, J.L., McNicholas, P.D., Subedi, S. (2011). Model-based classification via mixtures of multivariate t-distributions. Computational Statistics and Data Analysis, 2. Banfield, J.D. & Raftery, A.E . (1993). Model-Based Gaussian and non-Gaussian Clustering. Biometrics Vol.49, No.3, hal 803-821. Baudry, J.P., Cardoso, M., Celeux, G., Amorim, M.J., Ferreira, A.S. (2013). Enhancing the selection of a model-based clustering with external categorical variables. Advances in Data Analysis and Classification, hal120, Springer Berlin Heidelberg. ISSN/ISSBN; 1862-5347. Bezdek, J.C., Ehrlich, R., Full, W.E. (1984). FCM : The Fuzzy C-Means Clustering Algorithm. Computers & Geosciences.10(2-3), 191-203. BI. (2015). Survei Konsumen. Biernacki, C., Celeux, G. & Govaert, G. (2000). Assessing a Mixture Model for Clustering with the Integrated Completed Likelihood. IEEE Trans. Pattern Anal. Mach. Intel., 719-725. Bouveyron, C. & Brunet-Saumard, C. (2014). Model-based clustering of high dimensional data: A review. Computational Statistics and Data Analysis, Journal of the American Statistical Association, 71, 52-78. BPS. (2012a). Indikator Pasar Tenaga Kerja Indonesia Februari 2012. Jakarta: Badan Pusat Statistik. BPS. (2012b). Indikator Pasar Tenaga Kerja Indonesia Agustus 2012. Jakarta: Badan Pusat Statistik. BPS. (2013a). Indikator Pasar Tenaga Kerja Indonesia Februari 2013. Jakarta: Badan Pusat Statistik. BPS. (2013b). Indikator Pasar Tenaga Kerja Indonesia Agustus 2013. Jakarta: Badan Pusat Statistik. BPS. (2014a). Indikator Pasar Tenaga Kerja Indonesia Februari 2014. Jakarta: Badan Pusat Statistik. BPS. (2014b). Indikator Pasar Tenaga Kerja Indonesia Agustus 2014. Jakarta: Badan Pusat Statistik.
78
BPS. (2015a). Indikator Pasar Tenaga Kerja Indonesia Februari 2015. Jakarta: Badan Pusat Statistik. BPS. (2015b). Indikator Pasar Tenaga Kerja Indonesia Agustus 2015. Jakarta: Badan Pusat Statistik. BPS. (2015c). Statistik Indonesia. Jakarta: Badan Pusat Statistik. BPS. (2015d, Agustus). Sakernas. BPS. (2016, Mei 09). Badan Pusat Statistik. Dipetik Agustus 12, 2016, dari Badan Pusat Statistik: http://www.bps.go.id BPS. (2016, Februari). Sakernas. Casella, G. & Berger, R.L. (2002). Statistical Inference, Second Editon. Pacific Grove: Thomson Learning Inc. Celeux, G. & Govaert, G. (1995). Gaussian Parsimonious Clustering Models, Pattern Recognition. Journal of the American Statistical Association, Vol.28, hal 781-793. Cozzini, A., Asra, A., & Montana, G. (2013). Model-based clustering with gene ranking using penalized mixtures of heavy tailed distributions. Journal of Bioinformatics and Computational Biology, 11(3). Cuesta, J. A. & Albertos. (2008). Robust estimation in the normal mixture model based on robust clustering. Journal of the Royal Statistical Society : Series B, hal 779-802. Damayanti, F. (2015). Model based clustering mixture t-multivariat dengan kriteria Integrated classification likelihood (Pengelompokan Provinsi di Indonesia menurut Capaian Berkelanjutan Tahun 2011). Tesis Institut Teknologi Sepuluh November. Dasgupta, A. & Raftery, A. E. (1998). Detecting features in spatial point processes with cluster via model-based clustering. Journal of the American Statistical Association, Vol. 93, hal 294-302. Day, N. (1969). Estimating the components of a mixture of normal distributions. Biometrika, Vol.56, hal 463-474. Dekking, F.M., Kraaikamp, C., Lopuha, H.P., Mester, L.E. (2005). A Modern introduction to Probability and Statistics. London: Springer.
79
Dempster, A.P., Laird, N.M. & Rubin, D.B. (1977). Maximum Likelihood for Incomplete Data via the EM Algorithm (with discussion). Journal of the Royal Statistical Society, Series. B, 39, 1-38. Edwards & Cavalli-Sforza. (1965). A method for cluster analysis. Biometrics, Vol.21, hal 362-375. Ehrenberg, R.G. & Smith, R.S. (2012). Modern Labor Economics : Theory and Public Policy, Eleventh Ed. Boston: Pearson. Figueiredo, M.A.T. & Jain, A. K. (2002). Unsupervised Learning of Finite Mixture Models. IEEE Transaction on Pattern Analysis and Machine Intelligence, 29(3), 1-15. Forbes, C., Evans, M., Hastings, N. (2011). Statistical Distributions, Fourth Edition. New Jersey: John Wiley & Sons, Inc. Fraley, C. & Raftery, A.E. (1998). How Many Clusters? Which Clustering Method? Answers Via Model-Based Cluster Analysis. The Computer Journal, 41(8), 578-588. Fraley, C. &. (2002). Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association, Vol. 97, hal 611-631. Hammouda, K., Karray, F. (2000). A comparative study of data clustering techiques. . Course Project SYDE 625 (hal. Tools of Intelligent Systems Design). Ontario: Univ. of Waterloo. Hasbullah, J. (2013). Tangguh dengan Statistik dalam Membaca Realita Dunia. Bandung: Nuansa Cendekia. Hogg, R.V. & Tanis, E.A. (1997). Probability and Statistical Inference, 5th edition. New Jersey: Prentice Hall Inc. ILO. (2011). Decent Work Country Profile Indonesia. Geneva: International Labour Organization. ILO. (2014a). Key Indicators of The Labour Market, Eight Edition. Geneva: International Labour Organization. ILO. (2014b). Decent Work Country Profile Indonesia. Geneva: International Labour Organization.
80
ILO. (2016). Indonesia Decent Work Country Programme 2012-2015. Jakarta: International Labour Organization. Jain, A. (2010). Data clustering : 50 years beyond K-mean. Pattern Recognition Letters 31 (8), 651-666. Johnson, R. A. (2007). Applied multivariate statistical analysis. New Jersey: Prentice-Hall. Johnson, R.A. & Wichern, D.W. (2007). Applied Multivariate Statistical Analysis 6th edition. New Jersey: Pearson Prentice Hall. Kass, R. E. & Wasserman, L. (1995). A reference bayesian test for nested hypotheses and its relationship to the Schawrs criterion. Journal of the American Statistical Association, hal 928-934. Kass, R.E. & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, Vol. 90, 773-795. Keribin, C. (2000). Consistent estimation of the order of mixture models. The Indian Journal of Statistics, Series A. Vol. 62, No. 1, hal. 49-66. Khattree, R., & Naik, D. N. (2000). Multivariate data reduction and discrimination with SAS software. Sas Institute. Leroux, B. G. (1992). Consistent estimation of a mixing distribution. The Annals of Statistics, Vol. 20, hal. 1350-1360. Manning, C. (2001). Lesson From Labour Market Adjutsment to the East Asean. 7th Convention of the East Asian Economic Association, (hal. 9). Singapore. McLachlan, G. (1982). The classification and mixture maximum likelihood approaches to cluster analysis. Volume 2 of Handbook of Statistics, hal 199-208. McLachlan, G.J. & Peel, D. (2000). Finite Mixture Models. New York: John Wiley and Sons. McLachlan, G.J. & Wang, S.K. (2012). Clustering of time-course gene expression profiles using normal mixture models with autoregressive random effects. BMC Bioinformatics, hal 300. Melnykov, V. & Maitra, R. (2010). Finite Mixture Models and Model-Based Clustering. Statistics Surveys, 4, 80-116. 81
Meng, X. & Rubin, D.B. (1993). Maximum Likelihood estimation via the ECM Algorithm : A General Framework. Biometrika, 80, 2, Oxford University Press. Pardede, T. (2008). Perbandingan metode berbasis model (model-based) dengan metode-metode K-Means dalam analisis gugus. Jurnal Sigma, Sains dan Teknologi, Vol. 11, No. 2, 157-166. Rencher, A. (2002). Methods of Multivariate Analysis. Canada: John Wiley & Sons, Inc,. Rousseeuw, P.J, & Van Zomeren, B.C . (1990). Unmasking multivariate outliers and leverage points. Journal of the American Statistical Association Vol 85, 633-639. Rousseeuw, P.J. & Van Driessen, K. (1999). A Fast Algorithm for the Minimum Covariance Determinant Estimator. Technometrics, 41, 212-223. Saliman. (2005). Dampak Krisis Terhadap Ketenagakerjaan Indonesia. Jurnal Ekonomi dan Pendidikan Universitas Negeri Yogyakarta, Vol 2 No 1. Sharma, S. (1996). Applied Multivariate Techniques. Canada: John Wiley & Sons, Inc. Siagian, T. H. (2014). Robust Model-Based Clustering dengan Distribusi t Multivariat dan Minimum Message Length. Disertasi FMIPA Institut Teknologi Sepuluh Nopember. Titterington, D.M., A. F. M. Smith & U. E. Makov. (1985). Statistical Analysis of Finite Mixture Distributions. Chichester: John Wiley & Sons. Titterington, D.M., Smith, A.F.M. & Makov, U.E. (1985). Statistical Analysis of Finite Mixture Distribution. Ltd: John Wiley & Sons. Wallace, C.S. & Boulton, D.M. (1968). An Information Measure for Classification. Computer Journal, 11, hal 185-194. Wallace, C.S. & Freeman, P.R. (1987). Estimation and Inference by Compact Coding. Journal of the Royal Statistical Society B, 49(3), hal 240-265. Wolfe, J. (1965). A computer program for the maximum-likelihood analysis of types. USNPRA Technical Bulletin, hal 65-15.
82
Halaman ini sengaja dikosongkan
83
Lampiran 1. Tata nama model-based clustering dalam package teigen software R No
Model
1
UUUU
U
U
U
U
2
UUUC
U
U
U
C
3
CUCU
C
U
C
U
4
CUCC
C
U
C
C
5
CUUU
C
U
U
U
6
CUUC
C
U
U
C
7
CCCU
C
C
C
U
8
CCCC
C
C
C
C
9
CIUU
C
I
U
U
10
CIUC
C
I
U
C
11
CICU
C
I
C
U
12
CICC
C
I
C
C
13
UIIU
U
I
I
U
14
UIIC
U
I
I
C
15
CIIU
C
I
I
U
16
CIIC
C
I
I
C
17
UIUU
U
I
U
U
18
UIUC
U
I
U
C
19
UCCU
U
C
C
U
20
UCCC
U
C
C
C
21
UUCU
U
U
C
U
22
UUCC
U
U
C
C
23
UICU
U
I
C
U
24
UICC
U
I
C
C
25
UCUU
U
C
U
U
26
UCUC
U
C
U
C
27
CCUU
C
C
U
U
28
CCUC
C
C
U
C
Keterangan : C
: terbatas (constrained), artinya antar cluster sama
U
: tidak ada batasan (unconstrained), artinya antar cluster berbeda
I
: matriks Identitas
84
Lampiran 2. Tata nama kombinasi variabel subset data KILM Sakernas Februari
Kombinasi
Sakernas Agustus
2012
2013
2014
2015
2012
2013
2014
2015
k1
k1 0212
k1 0213
k1 0214
k1 0215
k1 0812
k1 0813
k1 0814
k1 0815
k2
k2 0212
k2 0213
k2 0214
k2 0215
k2 0812
k2 0813
k2 0814
k2 0815
k3
k3 0212
k3 0213
k3 0214
k3 0215
k3 0812
k3 0813
k3 0814
k3 0815
k4
k4 0212
k4 0213
k4 0214
k4 0215
k4 0812
k4 0813
k4 0814
k4 0815
k5
k5 0212
k5 0213
k5 0214
k5 0215
k5 0812
k5 0813
k5 0814
k5 0815
Keterangan : k1 0212 = subset data kombinasi variabel k1 berdasarkan data sakernas Februari 2012 k1 0812 = subset data kombinasi variabel k1 berdasarkan data sakernas Agustus 2012
85
Lampiran 3. Variabel Penelitian Variabel
Keterangan
X1
Tingkat Partisipasi Angkatan Kerja (TPAK)
X2
Rasio Penduduk yang Bekerja Terhadap Jumlah Penduduk (EPR)
X3
Persentase Bekerja Status Karyawan
X4
Persentase Bekerja Status Pengusaha
X5 X6
Persentase Bekerja Status Berusaha Sendiri atau Dibantu Buruh Tidak Tetap/ Tidak Dibayar Persentase Bekerja Status Pekerja Bebas
X7
Persentase Bekerja Status Pekerja Keluarga/tak dibayar
X8
Persentase Bekerja Status Pekerja Rentan
X9
Persentase Bekerja di Sektor Pertanian
X10
Persentase Bekerja di Sektor Manufaktur
X11
Persentase Bekerja di Sektor Jasa-Jasa
X12
Tingkat Pekerja Paruh Waktu
X13
Persentase Bekerja 1-14 Jam
X14
Persentase Bekerja 15-24 Jam
X15
Persentase Bekerja 25-34 Jam
X16
Persentase Bekerja 35-39 Jam
X17
Persentase Bekerja 40-48 Jam
X18
Persentase Penduduk Bekerja di Sektor Informal
X19
Tingkat Pengangguran Terbuka-TPT
X20
TPT Pendidikan Dasar ke Bawah
X21
TPT Pendidikan Menengah
X22
TPT Pendidikan Tinggi
X23
Persentase Setengah Penganggur Pendidikan Dasar ke Bawah
X24
Persentase Setengah Penganggur Pendidikan Menengah
X25
Persentase Setengah Penganggur Pendidikan Tinggi
86
Halaman ini sengaja dikosongkan
87
Lampiran 4. Data Indikator Pasar Tenaga Kerja Sakernas Februari 2012 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
65.85 74.55 69.92 66.91 69.40 73.55 74.85 71.98 68.11 69.33 70.83 64.26 71.58 70.47 69.55 69.36 77.42 69.27 74.77 74.50 73.79 71.24 69.89 66.82 74.63 64.56 73.10 64.36 72.64 66.98 67.82 72.27 79.27 69.66
60.67 69.85 65.55 63.46 66.86 69.44 73.25 68.30 66.22 65.26 63.23 57.98 67.38 67.59 66.68 61.91 75.79 65.66 72.99 72.00 71.79 68.16 63.40 61.27 71.84 60.39 70.84 61.27 71.13 62.21 64.22 67.52 76.97 65.25
33.66 30.67 28.42 37.80 37.12 28.99 24.14 22.89 43.37 62.86 64.68 39.71 28.97 38.61 28.90 49.90 36.36 21.63 16.98 26.17 36.65 33.35 50.09 34.18 26.29 28.96 28.59 31.85 22.32 25.69 26.76 35.01 18.12 33.81
4.45 3.34 4.07 5.85 4.42 2.78 2.86 3.20 7.83 2.86 4.46 3.51 3.33 3.96 3.44 4.13 3.24 1.79 1.15 2.90 3.03 3.45 3.91 3.82 3.90 4.10 2.96 3.57 2.73 1.66 2.99 2.59 1.53 3.48
X5 35.77 35.79 40.15 34.90 33.60 39.19 42.94 39.45 33.51 24.33 23.11 32.40 37.17 34.31 35.01 25.97 33.43 43.10 41.39 40.81 35.67 38.58 30.23 39.87 39.31 42.68 39.48 40.31 43.91 44.51 41.64 37.16 43.65 35.38
88
X6 6.88 6.13 9.93 6.31 6.75 3.79 6.32 10.95 2.53 1.93 1.59 15.12 14.44 7.38 13.35 12.16 8.38 13.22 3.68 2.34 2.43 5.79 2.52 10.25 8.29 3.89 3.49 12.08 4.84 3.59 4.23 1.78 0.91 10.04
X7 19.24 24.06 17.44 15.15 18.12 25.25 23.73 23.51 12.77 8.02 6.15 9.27 16.10 15.73 19.29 7.83 18.58 20.25 36.81 27.78 22.21 18.82 13.24 11.88 22.21 20.38 25.48 12.19 26.21 24.55 24.37 23.47 35.80 17.29
X8 61.89 65.98 67.51 56.36 58.47 68.23 72.99 73.91 48.81 34.28 30.86 56.78 67.70 57.42 67.65 45.96 60.39 76.58 81.87 70.93 60.31 63.20 45.99 62.00 69.82 66.94 68.45 64.58 74.96 72.64 70.25 62.41 80.35 62.71
X9 50.24 51.13 42.35 44.80 56.24 55.21 58.53 51.84 29.45 15.06 2.21 19.96 32.65 24.24 40.41 15.20 28.94 45.34 68.16 63.59 53.46 38.20 28.95 33.98 48.91 43.12 44.98 36.52 57.45 52.25 55.04 47.63 72.78 36.53
X10 10.96 11.15 13.79 11.23 8.01 10.46 8.62 12.22 32.08 23.98 17.52 29.42 26.04 21.74 19.87 27.65 21.77 13.33 7.81 10.96 13.93 21.75 20.64 17.35 14.74 14.10 12.54 22.31 9.95 10.67 10.23 12.21 4.49 19.71
X11 38.80 37.70 43.87 43.98 35.76 34.32 32.85 35.94 38.46 60.95 80.27 50.62 41.31 54.02 39.71 57.15 49.28 41.33 24.03 25.45 32.60 40.05 50.41 48.67 36.35 42.77 42.47 41.18 32.59 37.08 34.73 40.16 22.74 43.75
X12 20.94 20.58 20.71 24.93 26.09 21.64 15.85 21.91 16.98 12.88 6.79 11.88 17.60 18.09 21.63 9.83 28.54 17.63 29.51 24.75 16.19 22.93 14.21 16.67 22.45 23.75 20.50 20.84 32.25 20.35 17.79 17.47 17.68 18.33
Lampiran 4 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 7.86 5.40 8.25 9.12 6.24 5.44 5.29 8.19 3.47 4.23 2.25 3.66 6.02 7.92 7.01 3.80 8.61 9.92 8.08 6.01 5.77 5.35 4.38 5.88 9.68 10.48 9.69 7.09 15.04 5.06 7.33 4.69 4.38 6.08
X14 15.92 12.97 13.62 14.35 15.53 12.19 11.33 12.85 9.50 8.21 4.09 8.38 9.62 7.10 13.11 7.67 13.50 13.57 17.02 15.10 11.19 15.52 8.60 11.65 12.48 13.52 14.96 11.09 17.95 12.45 13.72 12.02 12.09 11.23
X15 20.03 17.17 13.58 16.78 21.34 18.98 13.00 14.35 16.64 10.52 5.52 11.05 13.34 11.53 15.16 8.66 18.84 15.74 21.34 19.59 12.71 17.55 10.63 13.24 16.98 15.19 15.30 14.20 19.84 16.67 17.98 15.72 21.59 14.21
X16 13.73 13.86 11.20 8.58 17.27 14.47 13.04 10.90 10.63 7.92 4.62 8.48 10.48 10.18 9.35 6.88 8.78 9.97 13.37 11.80 11.31 11.84 12.78 11.38 15.01 12.11 13.49 11.19 10.01 16.20 16.73 14.31 20.03 10.45
X17
X18
22.09 27.17 24.93 24.26 22.32 23.73 29.83 24.52 34.38 34.95 48.98 35.38 29.65 32.09 25.56 43.64 23.79 21.64 24.86 25.21 29.67 25.63 26.95 31.15 22.62 21.27 21.85 24.53 21.26 24.35 26.09 29.51 28.84 29.40
58.76 60.69 59.54 50.38 54.35 64.03 66.96 67.26 42.36 31.33 24.14 48.64 59.54 47.65 60.06 39.78 50.61 69.80 78.44 66.80 55.69 56.01 40.34 56.21 63.87 59.94 61.59 59.14 67.84 66.94 66.42 57.65 78.04 55.84
89
X19 7.88 6.31 6.25 5.17 3.65 5.59 2.14 5.12 2.78 5.87 10.72 9.78 5.88 4.09 4.13 10.74 2.11 5.21 2.39 3.36 2.71 4.32 9.29 8.32 3.73 6.46 3.10 4.81 2.07 7.11 5.31 6.57 2.90 6.32
X20 5.65 3.73 4.43 4.16 1.67 3.65 1.42 2.97 1.71 7.70 7.83 8.23 5.16 2.94 3.22 10.23 0.42 4.94 1.23 2.03 2.01 3.10 8.53 6.22 2.26 5.00 1.47 4.35 1.11 2.19 3.23 3.02 1.49 4.83
X21 13.61 11.32 10.32 8.29 8.19 10.44 3.26 11.96 5.50 5.12 13.55 13.62 8.35 5.46 6.80 13.61 4.90 6.24 6.12 6.59 5.28 7.39 11.41 11.40 7.62 10.25 5.09 7.45 7.11 14.78 8.96 11.68 7.94 10.05
X22 4.88 7.04 5.79 0.91 6.20 7.12 4.94 6.09 2.67 1.34 9.97 10.47 6.95 5.06 5.37 5.44 3.86 4.86 7.17 11.48 2.61 7.17 6.52 11.07 4.90 7.17 7.02 3.39 0.00 14.48 9.67 12.20 5.55 7.12
X23 61.68 66.09 62.52 68.42 70.86 66.30 67.79 80.34 71.54 69.61 46.73 82.44 80.18 50.44 49.82 85.01 62.89 71.92 78.96 80.77 69.88 75.97 66.36 64.85 68.73 68.71 65.66 82.18 77.19 65.28 75.34 76.01 85.13 74.86
X24 26.91 26.86 26.12 24.48 20.29 25.45 24.32 15.03 22.34 20.85 31.51 12.67 14.06 39.84 15.26 11.56 29.47 20.25 15.60 16.08 18.38 17.07 21.90 31.68 24.46 19.82 24.92 14.85 17.17 29.12 20.92 18.11 12.77 18.55
X25 11.40 7.05 11.36 7.10 8.84 8.25 7.89 4.63 6.12 9.54 21.76 4.90 5.76 9.71 4.93 3.42 7.64 7.83 5.44 3.14 11.74 6.96 11.74 3.47 6.81 11.48 9.41 2.96 5.64 5.60 3.74 5.88 2.10 6.59
Lampiran 5 Data Indikator Pasar Tenaga Kerja Sakernas Februari 2013 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
65.56 72.72 70.32 69.51 69.21 71.94 74.33 70.44 71.08 70.53 68.44 64.01 70.61 69.27 70.12 68.62 78.91 70.35 74.95 72.91 72.63 71.88 69.60 64.63 71.79 63.58 69.58 64.33 72.41 68.09 67.90 68.25 80.25 69.21
60.06 68.35 65.88 66.64 67.20 67.99 72.76 66.86 68.74 66.02 61.64 58.31 66.68 66.64 67.32 61.70 77.42 66.57 73.45 70.66 71.31 69.07 63.43 59.98 69.89 59.87 67.17 61.56 70.96 63.51 64.16 65.20 78.00 65.12
32.67 32.60 29.81 41.61 35.34 30.83 25.35 25.03 41.74 65.16 69.99 43.99 33.34 40.05 30.70 53.60 38.74 21.33 15.98 28.85 35.01 34.11 56.35 35.61 28.14 30.92 29.90 33.26 22.54 25.01 32.59 35.91 16.95 36.45
4.83 3.58 5.61 4.29 4.60 3.17 3.60 3.51 8.70 3.22 3.61 3.43 3.44 4.05 3.63 3.04 3.22 2.93 1.45 3.18 2.86 3.08 4.21 5.08 3.25 4.24 3.18 4.47 2.53 2.23 2.72 1.73 1.27 3.53
X5
X6
36.85 34.37 38.02 32.15 33.14 37.55 38.86 38.98 31.84 23.55 19.31 29.91 34.31 33.33 34.49 25.54 32.48 41.67 41.71 38.10 36.76 37.62 25.53 38.03 40.72 41.80 39.05 41.12 43.92 44.52 41.43 35.57 42.39 33.78
90
7.63 6.27 10.50 7.33 8.13 5.03 5.92 11.57 4.13 2.36 2.77 14.39 15.15 8.99 12.30 9.68 9.68 13.33 4.14 2.91 4.25 5.75 2.13 10.08 8.72 4.35 3.24 9.23 4.39 1.57 4.36 2.49 1.78 10.02
X7 18.01 23.18 16.05 14.61 18.79 23.42 26.28 20.92 13.59 5.71 4.32 8.28 13.76 13.59 18.87 8.13 15.87 20.75 36.72 26.96 21.12 19.44 11.78 11.20 19.17 18.69 24.62 11.92 26.61 26.67 18.90 24.29 37.61 16.22
X8 62.50 63.82 64.57 54.10 60.05 66.00 71.05 71.46 49.56 31.62 26.40 52.58 63.22 55.90 65.67 43.36 58.04 75.75 82.57 67.97 62.13 62.81 39.44 59.31 68.61 64.84 66.92 62.26 74.92 72.76 64.69 62.36 81.77 60.02
X9 50.83 49.39 41.23 46.28 54.19 52.96 60.22 49.61 26.18 13.18 1.07 19.61 30.30 23.43 38.25 14.35 24.69 43.37 67.69 60.60 53.80 38.60 26.66 31.41 47.40 41.39 42.26 35.13 58.77 50.09 48.77 48.42 73.05 35.05
X10 10.65 11.72 14.64 11.48 9.11 11.50 8.46 12.14 29.85 27.39 17.85 28.97 28.49 21.18 21.96 29.00 22.68 14.63 8.18 11.59 13.86 22.55 21.65 18.21 15.58 13.38 15.27 16.28 9.30 10.71 11.58 11.07 4.49 20.59
X11 38.52 38.89 44.14 42.25 36.70 35.53 31.32 38.25 43.96 59.43 81.08 51.43 41.21 55.39 39.79 56.65 52.63 42.00 24.13 28.11 32.34 38.86 51.69 50.37 37.02 45.24 42.47 48.59 31.93 39.20 39.65 40.51 22.46 44.36
X12 26.54 20.87 20.76 30.56 39.27 24.88 24.44 24.27 22.95 15.13 5.20 12.63 16.83 19.65 19.81 11.13 20.48 19.89 36.90 29.92 21.28 25.67 11.84 16.91 27.21 25.86 27.82 18.38 40.08 29.74 29.09 20.92 27.00 19.43
Lampiran 5 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 8.07 6.67 8.40 8.62 9.87 6.32 6.87 7.61 4.37 4.97 2.06 4.25 5.93 6.54 6.88 3.25 4.92 8.36 9.10 4.61 6.45 6.44 3.35 4.72 9.38 10.99 8.22 5.98 19.40 7.64 6.95 3.94 7.03 6.18
X14 18.10 12.76 13.97 15.42 17.77 14.86 12.95 14.26 10.37 5.87 3.98 8.58 9.89 8.15 12.04 8.00 8.44 13.88 17.14 16.44 12.16 15.50 6.69 11.57 12.31 15.62 15.49 9.65 16.23 14.72 15.38 13.11 16.02 11.42
X15 19.35 16.19 14.31 15.45 23.91 17.78 13.90 15.67 13.96 7.94 5.24 10.74 12.52 9.56 14.22 10.49 10.64 16.75 22.93 17.92 14.46 16.06 9.85 11.94 16.25 16.68 14.93 12.33 18.62 17.60 21.32 14.83 22.27 13.72
X16 11.86 12.88 10.20 10.99 12.30 13.61 11.17 10.27 9.51 7.76 4.33 9.28 9.32 9.70 9.77 7.14 8.55 10.08 14.13 13.43 10.49 11.73 9.74 10.99 13.93 10.43 11.46 13.06 8.83 15.16 13.79 12.33 18.96 10.17
X17
X18
20.87 28.98 24.97 22.34 19.13 24.24 30.69 24.16 34.59 40.72 47.12 35.38 30.28 36.86 26.98 43.97 27.29 23.31 22.26 28.34 28.21 24.80 31.41 36.29 22.31 20.83 22.67 25.21 18.02 23.41 20.09 29.97 22.72 29.84
58.36 58.68 57.82 50.05 55.45 61.04 65.87 64.56 43.67 28.26 20.94 45.71 55.44 46.32 58.24 37.11 48.54 67.95 79.59 63.65 56.58 55.88 34.25 54.28 62.44 56.98 59.93 54.80 67.50 67.04 60.24 58.42 79.47 53.48
91
X19 8.38 6.01 6.33 4.13 2.90 5.49 2.12 5.09 3.30 6.39 9.94 8.90 5.57 3.80 4.00 10.10 1.89 5.37 2.01 3.09 1.82 3.91 8.87 7.19 2.65 5.83 3.47 4.31 2.00 6.73 5.51 4.47 2.81 5.92
X20 6.15 4.51 5.11 2.29 2.05 3.69 1.37 3.88 2.42 6.48 9.59 8.02 5.12 1.37 3.10 10.50 1.94 5.00 1.06 2.38 1.83 3.80 10.34 4.69 2.28 5.31 1.87 3.61 1.11 3.35 2.45 2.81 0.98 4.91
X21 11.48 8.59 9.37 7.34 3.09 10.48 3.47 9.12 3.40 7.09 12.51 12.36 7.78 3.53 6.59 11.62 2.24 5.67 5.54 5.18 1.72 5.03 8.22 11.84 3.73 8.88 5.59 7.71 4.86 13.51 10.77 7.24 8.56 8.78
X22 11.23 7.01 5.17 5.14 7.58 4.39 3.67 3.78 10.19 4.33 5.18 5.52 4.05 11.18 4.63 4.72 0.89 7.74 5.61 5.22 1.97 1.86 5.20 6.98 2.74 3.10 6.80 2.81 3.62 7.67 7.66 5.18 7.78 5.22
X23 59.19 63.82 67.26 68.77 65.90 72.87 66.48 75.96 71.01 66.33 47.40 81.52 82.43 58.85 77.86 78.10 66.97 74.56 77.56 76.37 72.08 81.07 59.38 65.50 73.44 67.36 70.15 84.09 76.36 58.40 61.77 64.56 83.65 74.74
X24 30.94 30.73 22.66 20.23 25.47 21.22 26.76 18.61 27.10 32.93 33.65 13.50 12.85 33.62 17.19 16.53 20.85 18.41 15.57 16.62 21.75 14.45 31.98 28.49 20.15 22.18 21.08 10.24 18.97 34.30 30.01 31.16 14.44 19.04
X25 9.87 5.45 10.07 11.00 8.63 5.91 6.76 5.43 1.89 0.74 18.95 4.97 4.72 7.52 4.95 5.37 12.18 7.03 6.87 7.01 6.17 4.48 8.64 6.01 6.41 10.47 8.77 5.67 4.67 7.30 8.23 4.28 1.91 6.22
Lampiran 6 Data Indikator Pasar Tenaga Kerja Sakernas Februari 2014 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
65.32 73.04 70.58 66.88 66.51 71.96 74.38 70.55 66.84 67.83 68.49 64.36 70.93 71.84 70.52 66.47 78.61 70.71 74.04 72.21 72.93 72.95 69.23 66.14 71.79 62.02 71.05 66.25 71.18 66.84 66.43 71.05 80.54 69.17
60.91 68.69 66.12 63.55 64.84 69.20 73.17 66.96 65.05 64.26 61.75 58.79 67.06 70.28 67.69 59.91 77.53 66.96 72.58 70.38 70.95 70.01 63.08 61.33 69.70 58.43 69.54 64.63 70.04 62.44 62.67 68.42 77.73 65.23
32.51 30.51 30.60 41.84 35.38 33.59 26.21 25.18 40.94 60.46 67.85 43.86 34.25 41.81 30.74 56.45 38.27 22.10 17.33 30.93 38.66 33.55 54.32 35.52 29.59 32.61 28.11 34.55 27.75 29.08 32.02 36.61 16.69 36.68
3.91 3.26 5.20 5.20 4.91 2.34 3.11 3.54 7.44 2.23 3.80 3.30 3.69 4.10 3.54 4.42 3.64 2.59 1.33 3.50 2.22 3.02 3.14 4.01 3.35 4.37 3.86 2.99 2.66 1.87 1.95 1.63 1.28 3.51
X5 37.27 36.73 40.12 32.61 37.86 36.37 39.78 38.29 35.46 28.31 20.41 29.20 34.29 32.11 34.20 24.57 33.31 39.46 41.75 37.89 37.47 41.66 27.56 36.92 38.27 41.23 40.83 40.85 39.06 44.97 43.55 34.95 41.74 33.90
92
X6 7.29 6.50 8.94 5.72 5.11 5.45 6.48 11.19 4.30 3.56 2.91 14.78 13.69 5.13 12.71 6.38 8.67 12.91 5.17 4.46 3.86 5.27 2.71 12.18 7.90 3.84 3.00 9.68 5.77 1.73 5.10 2.17 2.33 9.72
X7 19.03 23.00 15.14 14.62 16.75 22.26 24.42 21.79 11.85 5.44 5.02 8.87 14.09 16.85 18.80 8.17 16.10 22.94 34.42 23.21 17.80 16.50 12.28 11.37 20.88 17.96 24.19 11.92 24.76 22.35 17.39 24.64 37.96 16.19
X8 63.59 66.23 64.20 52.96 59.72 64.08 70.67 71.28 51.61 37.31 28.35 52.85 62.06 54.09 65.71 39.13 58.09 75.31 81.35 35.56 59.13 63.43 42.54 60.47 67.05 63.02 68.02 62.46 69.59 69.05 66.03 61.77 82.03 59.81
X9 47.15 48.05 41.68 42.41 49.35 52.26 58.30 48.51 28.54 13.96 2.17 19.80 30.99 25.42 36.86 14.42 24.82 45.48 65.04 57.19 51.59 36.84 24.27 31.87 46.35 40.65 41.90 33.34 59.95 50.55 47.83 48.83 73.43 34.56
X10 13.39 11.23 14.24 13.08 8.09 11.93 7.71 12.98 30.73 31.38 19.48 29.68 28.58 20.04 21.48 28.31 24.66 13.07 9.81 12.28 13.99 22.70 21.38 17.63 14.12 12.53 13.56 15.53 9.92 10.44 11.99 12.04 3.84 20.76
X11 39.46 40.72 44.08 44.50 42.56 35.80 33.99 38.51 40.73 54.65 78.35 50.52 40.44 54.54 41.65 57.27 50.52 41.46 25.15 30.54 34.42 40.46 54.36 50.50 39.52 46.82 44.54 51.13 30.13 39.01 40.18 39.13 22.72 44.68
X12 28.95 23.62 24.33 26.83 34.37 28.24 26.37 29.13 21.82 13.14 9.64 15.62 21.32 23.75 23.98 12.83 20.30 21.79 36.01 30.48 24.45 27.89 17.01 19.80 26.54 32.19 27.31 20.18 40.53 24.11 25.57 25.72 30.24 22.34
Lampiran 6 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 9.93 6.10 7.02 7.02 6.11 6.28 7.15 7.13 3.38 2.59 2.61 4.43 6.34 7.36 7.25 3.06 4.30 11.12 9.51 3.94 5.90 5.55 3.92 5.65 7.58 9.74 9.39 7.42 15.38 7.42 6.82 5.26 5.08 6.16
X14 15.92 13.10 13.87 12.94 16.70 14.55 11.03 16.00 10.85 4.96 3.35 9.59 10.56 10.24 11.88 7.14 8.17 13.53 18.35 19.04 13.11 13.70 7.54 11.30 14.50 15.62 14.19 9.18 19.41 14.62 14.98 11.71 18.03 11.67
X15 17.75 14.24 12.71 14.79 22.29 18.05 15.94 14.95 13.88 9.51 5.09 11.29 12.05 11.30 14.22 8.83 10.49 14.97 20.68 15.49 15.30 17.84 10.90 11.26 14.60 16.18 15.22 13.34 19.80 15.90 17.08 19.05 26.27 13.45
X16 13.14 13.77 11.76 9.96 14.32 11.60 11.58 10.82 9.90 9.24 4.39 8.16 9.17 10.03 10.12 6.05 9.49 11.04 14.76 10.99 10.83 13.73 11.14 10.82 13.15 10.11 12.38 9.11 11.34 13.00 14.63 14.55 17.88 10.09
X17
X18
21.78 27.19 26.27 26.95 20.35 22.67 28.33 24.85 35.90 39.61 51.28 35.86 31.64 31.96 27.90 46.91 27.98 20.54 22.64 29.29 28.91 24.46 27.31 36.19 23.63 22.45 20.80 19.81 16.26 26.04 24.81 25.43 18.95 30.38
59.28 61.17 58.01 48.71 55.16 60.31 64.95 64.10 46.36 32.67 23.69 45.98 55.11 44.91 58.37 33.92 49.71 69.07 78.05 61.53 53.33 56.51 36.16 55.51 59.83 56.28 60.71 55.66 64.86 64.85 61.54 58.91 80.10 53.59
93
X19 6.75 5.95 6.32 4.99 2.50 3.84 1.62 5.08 2.67 5.26 9.84 8.66 5.45 2.16 4.02 9.87 1.37 5.30 1.97 2.53 2.71 4.03 8.89 7.27 2.92 5.79 2.13 2.44 1.60 6.59 5.65 3.70 3.48 5.70
X20 4.70 4.86 4.45 2.39 1.30 2.31 0.75 3.80 1.44 3.90 11.20 8.20 4.82 0.85 3.12 12.30 0.21 5.10 1.11 1.38 2.04 3.21 8.43 5.38 1.37 4.11 0.68 1.53 0.52 3.26 2.22 1.78 1.72 4.75
X21 10.09 8.47 10.57 8.33 5.15 6.72 2.43 9.37 5.27 8.19 11.50 10.80 7.59 3.29 7.57 9.01 3.24 6.83 4.91 6.67 3.00 7.76 10.00 10.26 6.63 8.94 3.60 5.06 2.91 10.78 9.65 6.45 9.17 8.42
X22 7.47 4.01 5.66 8.32 2.58 7.45 4.84 3.46 4.96 3.12 4.75 5.51 5.75 3.42 2.22 1.85 1.86 2.79 5.03 3.22 6.48 2.29 7.39 8.31 3.87 7.24 5.36 4.04 6.97 13.80 12.26 6.96 8.55 4.72
X23 50.39 57.64 65.12 66.57 56.48 67.90 64.77 70.27 75.72 56.59 37.68 79.31 49.41 53.90 79.53 72.01 54.76 70.32 79.95 74.69 64.63 80.53 53.79 65.99 69.73 51.33 51.16 76.67 68.52 65.03 67.98 67.82 88.43 72.31
X24 36.03 34.86 22.48 27.30 33.15 25.44 27.79 24.13 19.73 33.45 50.45 13.82 15.10 28.20 15.47 19.76 37.74 20.69 16.73 17.69 26.61 15.56 37.28 31.44 19.17 32.13 30.50 18.91 27.99 31.15 24.56 24.60 10.07 20.58
X25 13.58 7.50 12.40 6.13 10.37 6.66 7.44 5.59 4.56 9.96 11.87 6.87 5.49 17.90 5.00 8.23 7.50 8.99 3.32 7.61 8.76 3.91 8.92 2.57 11.10 16.54 18.34 4.41 3.49 3.82 7.46 7.58 1.50 7.11
Lampiran 7 Data Indikator Pasar Tenaga Kerja Sakernas Februari 2015 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
66.37 69.90 68.73 68.85 69.92 70.54 73.24 69.95 70.20 66.16 72.60 66.08 72.19 73.10 69.58 67.28 78.86 71.66 72.95 70.73 73.05 73.21 67.81 66.24 70.21 62.23 71.04 66.37 74.74 63.71 67.99 68.81 79.26 69.50
61.25 65.43 64.61 64.22 68.01 66.99 70.89 67.55 67.85 60.18 66.53 60.52 68.36 70.13 66.58 61.51 77.78 68.09 70.67 67.35 70.75 69.68 62.95 60.48 68.11 58.61 68.47 64.34 73.39 59.43 64.21 65.64 76.31 65.46
39.42 37.43 31.79 44.15 40.26 33.98 28.15 26.68 43.60 68.48 68.03 44.70 35.13 41.94 32.66 58.95 43.64 20.56 20.42 33.38 38.83 32.25 58.94 34.22 26.73 33.07 30.13 30.36 22.11 33.14 28.66 37.99 21.57 38.58
5.19 2.67 5.13 4.19 4.24 2.54 3.12 3.16 6.03 2.69 4.67 3.22 3.29 3.92 4.03 4.41 3.69 2.58 1.88 2.74 3.84 2.68 2.05 4.42 4.07 3.49 3.90 3.73 2.32 1.45 3.03 1.63 1.00 3.48
X5 33.47 34.12 36.97 30.13 34.07 37.10 38.52 38.77 35.33 20.87 19.10 30.05 34.87 30.06 33.60 24.49 32.38 43.52 40.15 37.62 34.65 39.74 27.11 38.80 39.70 40.92 40.21 40.60 45.00 46.12 42.44 35.08 42.13 33.47
94
X6 7.50 8.65 10.42 8.47 6.02 6.07 7.95 12.25 3.71 3.60 2.60 13.18 13.01 9.46 13.09 6.15 6.45 14.79 3.79 6.43 4.33 4.97 2.90 11.55 9.44 4.62 3.33 9.18 7.15 3.85 6.13 4.73 1.17 9.83
X7 14.43 17.12 15.69 13.06 15.41 20.30 22.27 19.14 11.33 4.36 5.60 8.84 13.69 14.61 16.63 6.01 13.85 18.55 33.76 19.83 18.34 20.36 9.00 11.02 20.06 17.90 22.44 16.12 23.42 15.44 19.73 20.57 34.12 14.64
X8 55.39 59.90 63.08 51.67 55.50 63.47 68.73 70.16 50.37 28.83 27.30 52.08 61.58 54.13 63.32 36.64 52.67 76.86 77.70 63.88 57.32 65.08 39.01 61.36 69.20 63.44 65.97 65.90 75.58 65.41 68.30 60.38 77.43 57.94
X9 41.20 40.24 39.00 46.09 49.88 49.83 46.48 47.12 28.64 14.56 0.77 20.37 31.11 25.10 36.42 13.35 23.48 44.56 63.30 51.30 42.76 39.55 20.49 34.48 50.68 40.97 39.23 33.79 56.18 40.86 49.99 43.27 68.76 33.20
X10 14.55 15.63 14.92 11.18 13.60 13.24 12.26 15.81 24.24 32.03 19.66 29.04 27.94 26.50 22.15 31.80 24.23 16.33 7.53 12.60 19.36 15.66 19.05 12.65 10.97 13.61 14.28 14.54 12.60 10.51 9.92 12.59 6.19 21.37
X11 44.25 44.13 46.08 42.72 36.53 36.93 41.26 37.07 47.12 53.42 79.58 50.59 40.96 48.40 41.42 54.85 52.29 39.11 29.17 36.10 37.88 44.79 60.46 52.87 38.35 45.42 46.49 51.66 31.22 48.64 40.09 44.14 25.05 45.42
X12 25.51 22.96 23.75 27.24 31.71 24.29 22.92 27.80 17.77 12.85 10.88 14.03 21.55 18.50 24.14 13.13 20.23 18.48 32.73 27.42 19.33 28.09 16.38 20.48 27.66 26.23 24.46 20.97 43.42 23.27 20.95 19.64 30.29 21.21
Lampiran 7 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 7.87 5.73 8.19 8.01 5.97 5.69 8.02 7.27 4.71 4.57 4.48 4.11 5.79 5.79 7.24 4.05 5.03 9.85 8.51 6.54 6.18 7.59 4.29 5.42 9.24 10.59 8.63 8.41 16.18 6.62 6.97 5.53 7.99 6.24
X14 13.60 11.76 15.02 15.28 18.32 13.81 11.74 14.34 9.76 5.40 4.53 8.06 10.41 8.41 11.66 6.82 7.88 13.25 15.66 15.37 11.22 14.18 8.34 10.19 15.44 13.03 11.73 9.36 17.33 13.40 14.67 9.98 12.15 10.89
X15 16.55 14.70 14.15 13.44 19.06 15.03 13.31 14.37 10.85 6.43 4.99 9.41 12.17 9.14 13.49 7.64 10.20 14.80 18.71 14.85 11.48 15.46 9.42 14.08 15.36 12.74 13.99 10.68 19.73 1.13 14.98 16.06 25.19 12.39
X16 12.94 12.28 10.61 12.46 13.23 12.41 14.50 9.84 13.80 8.20 5.51 9.26 9.27 9.90 9.86 9.80 8.30 11.85 14.53 13.08 11.69 12.14 10.55 12.54 12.56 8.89 12.28 9.62 12.30 12.64 14.53 13.09 17.65 10.35
X17
X18
24.34 27.07 24.05 23.51 23.17 24.87 25.84 25.85 33.67 46.66 48.03 35.55 31.44 36.21 27.61 44.94 28.25 19.95 25.64 26.28 24.59 24.25 27.76 33.67 21.06 25.87 20.91 20.76 14.05 22.52 25.06 29.36 23.26 30.34
51.28 54.58 55.08 47.81 51.55 58.75 62.65 64.24 44.94 25.93 21.67 45.52 54.74 46.45 56.66 31.31 43.61 70.29 74.83 60.11 51.36 56.91 33.89 56.36 63.02 56.70 58.03 57.58 69.67 61.16 63.99 54.52 75.49 51.85
95
X19 7.73 6.39 5.99 6.72 2.73 5.03 3.21 3.44 3.35 9.05 8.36 8.40 5.31 4.07 4.31 8.58 1.37 4.98 3.12 4.78 3.14 4.83 7.17 8.69 2.99 5.81 3.62 3.06 1.81 6.72 5.56 4.61 3.72 5.81
X20 4.40 4.80 3.08 3.30 1.59 2.59 0.96 2.10 2.35 4.87 10.46 7.62 5.45 2.00 3.16 8.78 1.03 3.71 1.35 4.11 2.05 3.72 6.15 4.96 2.02 3.61 1.77 1.60 0.82 2.37 3.13 2.12 1.16 4.64
X21 11.83 8.06 9.69 10.82 5.60 10.72 4.45 6.07 5.40 12.94 8.69 11.59 5.53 6.21 7.38 10.39 1.90 7.97 6.65 6.47 4.25 6.55 9.94 14.06 4.53 10.90 4.27 7.31 3.83 8.93 8.54 7.24 10.08 8.50
X22 11.18 9.19 10.63 12.03 1.98 6.04 10.31 6.56 3.71 8.92 4.51 4.92 3.31 7.02 4.58 3.96 1.43 8.18 8.78 5.58 7.23 8.88 3.82 10.20 5.36 5.98 7.94 4.02 6.35 17.16 10.40 8.98 8.44 5.86
X23 53.56 52.48 67.04 65.02 57.56 67.01 53.76 61.23 66.98 61.83 34.14 76.63 82.27 53.87 78.52 79.95 60.90 74.81 73.59 68.49 64.58 76.75 57.29 57.34 71.47 58.98 53.00 75.74 57.78 53.25 62.93 59.78 80.91 70.38
X24 31.58 37.73 19.51 24.04 31.57 26.45 31.30 28.70 22.81 26.31 52.34 15.81 13.22 33.77 15.23 16.39 33.57 17.31 22.31 24.08 29.06 14.61 38.06 34.53 22.50 27.94 32.68 16.93 33.33 36.52 30.63 31.30 14.70 21.72
X25 14.86 9.79 13.46 10.94 10.86 6.55 14.94 10.07 10.22 11.86 13.52 7.56 4.52 12.37 6.26 3.66 5.54 7.87 4.10 7.44 6.36 8.64 4.64 8.13 6.03 13.09 14.31 7.32 8.89 10.24 6.44 8.92 4.39 7.90
Lampiran 8 Data Indikator Pasar Tenaga Kerja Sakernas Agustus 2012 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
61.77 69.41 64.47 62.90 65.07 69.56 70.07 66.27 65.67 66.25 71.56 63.78 71.43 70.85 69.62 65.03 76.97 66.02 70.58 71.77 69.90 71.93 66.64 61.93 66.38 62.82 67.35 63.08 71.73 63.71 66.35 67.12 78.91 67.88
56.15 65.11 60.27 60.20 62.97 65.60 67.54 62.83 63.38 62.69 64.50 57.99 67.41 68.04 66.75 58.44 75.40 62.55 68.55 69.28 67.68 68.16 60.71 57.11 63.78 59.14 64.63 60.32 70.20 58.92 63.19 63.44 76.05 63.71
35.33 36.49 30.88 42.48 36.03 33.28 29.29 26.55 44.94 65.37 68.29 41.86 30.63 39.06 30.42 55.57 42.93 21.12 18.56 29.74 36.19 32.67 52.71 39.06 28.94 31.79 29.48 31.50 23.33 26.52 25.62 36.49 17.91 36.36
4.89 3.61 4.80 5.19 4.46 2.68 3.35 3.88 6.68 4.76 3.87 3.44 3.23 4.38 3.38 2.95 4.01 2.74 1.56 2.74 3.31 3.59 4.33 3.99 4.61 4.28 3.43 5.14 1.93 1.78 2.90 2.28 1.05 3.50
X5 36.22 32.64 38.65 32.74 35.08 36.11 38.78 37.66 32.60 22.83 20.54 30.80 35.97 31.48 33.37 24.42 33.48 42.04 42.30 38.60 36.17 40.20 29.00 40.00 36.33 40.73 38.03 41.01 40.75 46.29 41.43 35.60 42.98 34.81
96
X6 7.22 8.24 11.31 5.48 7.38 5.40 6.40 10.61 5.35 1.94 2.12 14.82 13.96 8.70 13.51 10.03 9.24 18.64 4.47 3.41 2.69 6.49 3.58 10.87 8.71 5.28 5.73 11.30 5.52 2.65 5.17 1.68 1.89 10.42
X7 16.34 19.02 14.36 14.11 17.06 22.53 22.17 21.31 10.44 5.10 5.18 9.08 16.21 16.38 19.32 7.04 14.68 17.05 30.56 26.95 22.25 19.95 12.15 10.07 18.70 19.96 22.41 14.09 25.44 22.87 24.63 21.03 37.40 16.15
X8 59.78 59.91 64.32 52.33 59.51 64.04 67.36 69.57 48.38 29.87 27.84 54.70 66.14 56.56 66.20 41.49 53.05 76.13 79.88 67.52 60.50 63.74 42.96 56.95 66.44 63.92 67.08 63.35 74.74 71.70 71.47 61.23 81.05 60.14
X9 46.86 43.40 40.60 44.73 55.04 56.37 52.62 48.31 28.57 11.93 0.53 21.65 31.39 26.91 39.16 13.09 25.24 44.25 61.61 59.50 55.41 41.43 28.35 32.61 49.88 44.03 40.93 37.80 57.27 48.99 55.00 46.52 72.83 35.09
X10 12.35 15.04 15.18 13.41 9.85 11.16 10.09 16.02 34.00 33.58 18.69 29.43 28.65 23.12 22.33 32.74 22.53 15.91 12.97 13.11 13.75 17.64 22.84 17.52 13.65 13.35 16.34 19.53 9.90 11.59 9.94 13.20 5.16 21.66
X11 40.80 41.57 44.22 41.87 35.12 32.48 37.29 35.68 37.43 54.50 80.80 48.91 39.96 49.97 38.50 54.16 52.24 39.84 25.41 27.39 30.83 40.92 48.81 49.88 36.47 42.62 42.72 42.66 32.83 39.42 35.07 40.30 22.00 43.24
X12 27.40 19.51 24.51 23.51 32.02 28.38 25.03 24.17 19.47 9.06 5.87 13.36 19.15 20.48 20.79 10.03 17.37 18.49 31.41 27.88 23.52 26.86 13.95 18.22 25.91 25.28 27.95 23.29 37.56 22.33 26.24 18.02 21.67 19.42
Lampiran 8 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 9.45 4.99 7.94 7.03 6.61 5.85 6.85 8.11 4.21 2.61 1.75 4.10 5.91 6.83 6.76 3.28 4.49 11.40 10.29 4.71 5.13 7.01 3.55 5.09 9.80 10.62 10.26 6.80 19.16 6.42 9.04 6.01 3.58 5.97
X14 20.79 11.61 14.75 15.31 18.12 17.62 13.90 14.43 10.42 4.93 3.37 8.72 10.52 9.80 11.73 6.82 7.33 15.94 16.70 18.94 13.07 16.07 7.71 11.42 14.77 14.64 16.49 11.88 19.76 15.41 16.29 13.42 12.62 11.54
X15 20.38 13.91 16.86 14.50 22.22 18.94 16.93 13.63 15.06 5.69 4.18 10.64 12.98 11.61 14.10 8.82 10.41 17.15 20.53 20.17 17.53 16.44 10.59 11.95 14.98 13.67 17.07 15.05 17.52 16.96 18.30 15.21 21.94 13.43
X16 11.66 12.15 11.81 9.18 14.27 12.66 11.99 8.86 10.64 6.30 6.73 9.63 10.46 10.16 9.99 8.98 8.22 10.45 14.41 11.49 11.43 11.06 9.48 10.19 11.71 9.46 9.98 9.34 9.39 12.55 14.28 12.99 20.75 10.36
X17
X18
17.26 32.64 21.78 26.13 18.69 22.68 22.72 22.46 31.88 37.88 49.63 34.91 28.81 31.50 27.95 43.40 27.62 18.53 21.95 25.44 25.86 22.11 27.57 35.93 20.44 21.35 17.46 17.99 13.05 22.54 20.38 24.27 27.30 29.43
55.86 54.12 57.11 47.78 55.67 60.55 62.18 62.95 43.76 25.90 21.57 47.62 57.10 47.89 58.95 35.68 44.89 68.66 76.25 64.12 56.65 57.22 37.59 52.92 61.56 58.05 59.96 58.41 67.96 67.22 67.50 56.78 78.90 53.57
97
X19 9.10 6.20 6.20 4.30 3.22 5.70 3.61 5.18 3.49 5.37 9.87 9.08 5.63 3.97 4.12 10.13 2.04 5.26 2.89 3.48 3.17 5.25 8.90 7.79 3.93 5.87 4.04 4.36 2.14 7.51 4.76 5.49 3.63 6.14
X20 6.26 4.68 4.68 3.18 1.82 3.79 2.09 3.51 2.57 3.75 9.17 8.25 4.61 2.14 2.87 9.63 1.24 3.59 1.80 2.62 2.05 4.59 8.90 5.55 2.27 4.40 1.75 3.31 1.96 2.85 3.26 2.96 1.42 4.80
X21 15.46 8.78 10.23 6.44 6.80 10.31 7.00 10.17 5.29 7.38 10.33 12.71 9.66 6.09 8.23 11.84 3.09 11.44 7.32 7.02 6.05 8.20 10.66 11.96 7.39 9.37 7.90 7.94 3.11 13.62 8.27 10.06 10.28 9.70
X22 6.88 6.73 7.15 4.59 4.23 8.01 3.93 5.08 5.10 3.09 10.21 5.29 5.29 5.76 4.32 7.96 2.89 5.12 4.86 3.07 5.60 3.46 3.29 6.31 6.57 6.45 7.61 5.92 1.49 15.00 5.42 6.46 9.80 6.00
X23 64.21 62.54 68.96 72.31 74.40 76.26 71.22 72.44 70.18 66.49 47.26 83.01 82.21 50.33 82.86 83.90 66.68 79.29 83.03 82.37 78.79 78.11 71.06 64.55 79.45 71.29 67.93 87.84 74.66 65.67 72.07 72.99 84.45 77.27
X24 28.65 32.15 24.14 24.00 20.36 19.45 24.51 22.61 25.77 27.53 37.43 13.08 13.87 39.37 13.69 10.67 26.85 15.39 14.41 15.39 17.34 18.78 21.98 29.33 16.40 22.30 24.84 11.20 22.37 30.83 23.39 20.51 13.16 18.18
X25 7.14 5.30 6.90 3.70 5.24 4.30 4.27 4.95 4.05 5.98 15.31 3.91 3.92 10.30 3.45 5.43 6.46 5.33 2.56 2.24 3.87 3.11 6.97 6.12 4.15 6.41 7.23 0.95 2.98 3.50 4.54 6.50 2.38 4.55
Lampiran 9 Data Indikator Pasar Tenaga Kerja Sakernas Agustus 2013 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
62.07 70.67 62.94 63.62 62.66 66.50 67.32 64.70 65.32 65.58 68.09 63.01 70.72 68.89 69.92 63.53 75.35 65.44 68.72 69.75 68.21 69.08 63.79 59.76 65.92 60.49 65.79 62.00 66.82 62.31 64.38 66.41 78.01 66.90
55.68 66.05 58.54 60.12 59.63 63.17 64.13 60.91 62.91 61.48 61.95 57.20 66.46 66.58 66.89 57.25 74.00 61.92 66.54 66.94 66.10 66.46 58.66 55.77 63.11 57.40 62.86 59.44 65.26 56.24 61.90 63.34 75.49 62.72
34.62 36.45 31.12 41.34 37.13 33.30 30.06 25.75 46.55 68.35 67.29 43.31 31.83 39.88 30.54 57.19 44.39 21.89 19.15 31.38 38.00 33.40 52.88 39.94 29.06 33.57 30.00 32.33 25.03 31.03 26.92 36.23 17.51 37.03
5.11 3.44 4.66 4.83 4.35 2.70 3.20 3.47 7.05 4.10 3.67 3.36 3.27 4.56 3.24 3.17 3.76 2.62 1.55 2.64 3.23 3.32 3.92 3.58 3.81 4.11 2.90 3.35 1.76 2.15 2.85 2.02 1.25 3.39
X5
X6
37.93 31.23 40.57 32.98 38.21 37.21 40.29 39.29 30.46 20.40 20.16 30.10 35.97 32.45 33.91 24.35 29.06 39.51 46.19 37.03 37.71 38.02 29.16 35.03 40.58 38.10 40.72 42.47 45.38 42.42 40.95 38.14 42.79 33.73
98
6.00 7.60 9.65 6.47 6.70 5.08 6.18 11.07 4.83 3.00 2.44 14.81 12.26 7.08 12.51 9.75 9.22 19.23 3.11 4.30 3.62 7.31 4.64 12.51 7.19 5.86 4.42 9.31 5.01 3.22 5.25 2.07 1.51 9.95
X7 16.34 21.28 14.00 14.38 13.61 21.70 20.27 20.42 11.11 4.16 6.43 8.43 16.67 16.03 19.80 5.53 13.57 16.75 29.99 24.65 17.44 17.65 9.40 8.94 19.37 18.35 21.97 12.55 22.82 21.18 24.04 21.54 36.94 15.90
X8 60.27 60.11 64.22 53.83 58.52 63.99 66.74 70.78 46.40 27.55 29.04 53.33 64.90 55.56 66.22 39.64 51.85 75.49 79.29 65.99 58.77 63.28 43.20 56.47 67.13 62.32 67.10 64.33 73.21 66.82 70.23 61.75 81.24 59.58
X9 46.53 43.45 39.34 44.26 52.37 54.69 52.16 51.46 28.06 10.15 0.33 19.93 30.86 27.86 37.44 14.99 24.00 45.02 60.90 57.57 52.70 40.22 26.61 34.23 49.25 43.39 41.53 36.66 57.55 48.07 54.31 48.71 72.90 34.36
X10 10.91 14.67 13.35 14.05 10.16 10.43 9.07 13.24 32.68 37.70 18.77 29.24 25.57 19.76 20.61 32.49 24.18 15.23 12.11 12.98 14.66 17.41 23.09 15.93 12.48 12.71 14.54 16.59 10.04 10.05 9.20 10.25 5.14 20.60
X11 42.57 41.88 47.31 41.69 37.47 34.88 38.77 35.29 39.26 52.15 80.90 50.83 43.57 52.37 41.95 52.52 51.81 39.75 26.99 29.45 32.64 42.37 50.30 49.84 38.27 43.90 43.94 46.75 32.40 41.88 36.49 41.04 21.96 45.04
X12 28.98 20.23 31.31 28.02 40.74 37.38 33.29 37.08 28.78 12.65 7.34 15.42 22.30 31.62 22.84 11.04 23.79 21.72 40.81 33.04 31.28 33.38 14.62 20.97 33.94 34.55 35.63 26.15 50.45 24.23 30.08 26.69 28.27 23.39
Lampiran 9 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 10.35 5.41 11.14 8.94 15.18 9.90 10.88 13.20 8.27 4.21 2.66 5.49 8.39 13.32 7.81 4.17 5.74 11.48 11.52 7.96 7.85 9.22 3.01 5.19 11.74 11.81 14.27 6.93 23.95 7.70 8.50 5.12 5.75 7.85
X14 19.57 11.81 17.96 14.54 19.40 20.82 16.60 18.48 16.31 5.89 3.81 11.14 12.93 13.46 12.89 7.38 9.49 18.20 19.04 20.84 16.46 16.44 7.97 12.70 18.61 17.81 18.81 13.02 25.74 14.24 16.41 14.16 14.48 13.38
X15 17.65 11.81 14.36 14.19 15.42 16.63 15.45 15.17 13.20 5.88 4.23 9.52 10.29 13.04 12.39 8.50 11.87 17.09 20.75 15.02 16.36 16.53 9.69 12.83 16.12 14.61 16.08 13.20 14.45 15.73 17.55 19.43 26.14 12.24
X16 11.31 14.23 8.42 9.51 9.53 10.16 8.99 7.43 8.28 5.67 6.50 8.87 11.94 8.67 11.71 7.11 8.40 9.99 12.55 9.97 10.12 10.94 9.70 9.35 9.47 9.23 7.56 10.21 6.48 14.40 13.01 12.29 17.15 10.28
X17
X18
18.76 33.06 18.34 23.90 15.16 19.22 20.01 18.86 27.33 41.49 47.11 32.10 25.40 24.16 27.51 43.17 28.43 18.62 21.26 24.06 23.10 21.48 26.77 33.44 19.93 22.80 16.50 21.57 10.27 20.94 22.43 22.52 23.67 27.67
56.55 54.25 56.61 49.01 54.39 60.24 61.66 65.01 41.08 25.35 22.40 45.15 55.29 47.36 57.54 34.52 44.40 68.20 75.98 62.85 54.61 56.92 38.39 53.28 61.69 56.54 60.43 58.71 67.40 63.49 66.91 56.92 78.72 52.58
99
X19 10.30 6.53 6.99 5.50 4.84 5.00 4.74 5.85 3.70 6.25 9.02 9.22 6.02 3.34 4.33 9.90 1.79 5.38 3.16 4.03 3.09 3.79 8.04 6.68 4.27 5.10 4.46 4.12 2.33 9.75 3.86 4.62 3.23 6.25
X20 9.06 5.66 6.92 4.51 4.07 5.32 4.25 5.10 3.22 4.02 8.55 8.79 6.08 3.69 4.48 10.03 2.15 5.93 2.70 4.17 2.80 3.91 7.38 5.28 3.96 4.85 3.63 3.51 2.35 8.55 2.59 4.37 3.01 6.09
X21 16.21 9.92 11.71 9.25 9.12 10.06 8.04 11.30 7.25 7.87 10.90 12.61 10.80 5.96 8.77 12.74 2.89 11.59 7.47 9.00 6.57 7.39 10.37 10.75 7.15 9.29 8.53 9.57 4.81 17.16 6.19 8.23 8.43 10.27
X22 10.29 8.44 7.91 6.46 4.48 8.91 5.72 7.52 3.71 3.68 5.10 5.52 4.42 4.19 3.53 5.62 2.72 6.79 7.79 4.73 6.06 2.67 5.78 5.63 4.81 6.50 5.53 9.19 2.65 14.75 7.12 6.42 8.99 5.65
X23 61.35 58.63 64.76 67.35 69.05 68.68 66.73 70.91 72.02 68.94 40.02 83.73 79.88 54.80 80.44 77.00 58.22 78.25 72.72 78.90 71.18 75.06 60.90 62.87 69.05 61.10 58.41 82.53 68.23 62.41 66.24 61.98 89.78 74.77
X24 29.12 34.21 26.02 26.30 25.07 26.16 27.25 24.50 24.18 30.75 44.18 12.42 16.43 37.87 16.22 16.53 33.80 16.53 21.74 16.94 23.58 18.58 31.99 31.90 22.26 28.73 30.39 15.57 24.73 32.60 25.94 23.38 8.64 20.02
X25 9.53 7.16 9.21 6.35 5.87 5.16 6.02 4.59 3.80 0.31 15.80 3.85 3.69 7.34 3.34 6.47 7.98 5.22 5.54 4.15 5.23 6.36 7.11 5.24 8.69 10.16 11.21 1.89 7.04 4.99 7.82 14.64 1.57 5.21
Lampiran 10 Data Indikator Pasar Tenaga Kerja Sakernas Agustus 2014 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
63.06 67.07 65.19 63.31 65.59 68.85 68.29 66.99 65.45 65.95 66.61 62.77 69.68 71.05 68.12 63.84 74.91 66.63 68.91 69.93 68.56 69.46 64.10 59.99 66.76 62.04 66.87 62.84 71.06 60.92 63.88 68.30 78.67 66.60
57.38 62.90 60.95 59.16 62.25 65.43 65.92 63.78 62.09 61.53 60.97 57.47 65.72 68.69 65.27 58.05 73.48 62.80 66.67 67.10 66.34 66.82 59.37 55.47 64.31 58.88 63.91 60.21 69.58 54.52 60.50 64.87 75.96 62.64
35.35 38.95 31.11 40.87 33.29 34.61 30.91 26.22 43.21 63.87 67.77 42.45 31.72 43.22 30.99 57.26 43.35 23.39 19.59 31.26 37.13 34.04 52.14 38.78 28.98 32.67 28.36 30.01 24.81 32.45 26.95 35.65 16.50 36.97
4.50 3.55 4.38 4.69 4.15 2.85 3.30 3.11 5.75 5.25 4.72 3.54 3.86 3.90 3.93 3.18 4.33 2.49 1.50 3.32 3.51 2.93 3.79 3.43 4.29 3.78 3.78 3.41 2.01 1.15 3.36 2.76 0.82 3.65
X5 37.60 34.01 41.64 33.95 39.11 37.13 39.61 39.36 31.63 23.62 20.70 31.73 36.53 30.51 35.61 23.53 30.07 41.59 46.92 35.37 38.61 39.61 29.95 36.19 40.20 39.22 39.84 40.61 40.99 44.63 43.37 37.07 41.93 34.69
100
X6 6.89 6.01 9.93 7.53 6.66 4.48 6.37 11.87 6.92 2.82 2.25 14.18 13.18 7.62 13.03 9.92 8.94 17.33 3.06 4.97 3.48 6.32 3.99 13.51 7.38 5.55 5.42 12.26 6.59 3.08 5.37 3.49 1.60 10.03
X7 15.67 17.47 12.94 12.95 16.80 20.93 19.80 19.45 12.49 4.43 4.56 8.10 14.71 14.75 16.45 6.12 13.31 16.20 28.94 25.09 17.27 17.11 10.12 8.10 19.14 18.78 22.59 13.71 25.59 18.69 20.95 21.03 39.15 14.66
X8 60.15 57.50 64.51 54.44 62.56 62.54 65.79 70.67 51.04 30.88 27.51 54.01 64.42 52.88 65.08 39.57 52.32 74.13 78.91 65.42 59.36 63.04 44.07 57.79 66.72 63.55 67.86 66.58 73.18 66.40 69.69 61.59 82.67 59.38
X9 44.09 42.52 37.55 44.28 49.38 53.37 50.62 48.87 31.41 10.21 0.58 19.87 31.26 25.41 37.61 12.46 23.26 43.13 60.77 57.76 53.11 39.81 27.84 32.73 47.68 41.81 42.62 39.24 56.84 48.09 52.51 45.28 70.59 34.00
X10 12.27 15.09 14.32 13.87 10.23 10.77 9.39 13.47 28.74 33.87 19.82 29.07 27.54 22.32 21.83 33.83 23.75 15.86 12.40 13.04 13.06 15.91 22.78 17.82 11.90 12.48 13.83 17.01 10.69 8.79 9.48 12.37 4.59 21.16
X11 43.64 42.38 48.13 41.85 40.40 35.87 39.99 37.66 39.85 55.92 79.59 51.06 41.20 52.27 40.56 53.71 53.00 41.01 26.83 29.21 33.83 44.28 49.38 49.46 40.42 45.71 43.55 43.75 32.47 43.12 38.02 42.35 24.82 44.84
X12 29.49 23.30 25.15 27.61 35.87 31.59 25.95 29.91 21.04 10.51 7.44 16.88 22.44 20.35 24.90 12.40 20.04 19.28 37.44 29.40 28.89 30.59 17.69 19.44 28.54 28.75 29.80 19.37 41.15 24.10 27.22 22.77 27.73 22.76
Lampiran 10 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 8.62 5.52 7.57 6.70 7.17 5.20 6.43 6.54 4.54 2.65 2.13 3.76 6.07 7.46 6.84 4.12 4.31 9.04 11.22 5.14 5.56 6.82 3.81 4.14 8.62 9.05 9.37 5.32 15.45 4.95 7.80 4.52 3.16 5.83
X14 18.35 12.46 14.35 12.98 19.49 18.00 13.70 16.42 11.82 5.41 3.57 9.59 11.03 8.36 12.47 7.47 7.88 15.25 17.84 18.04 15.34 14.32 8.70 11.40 13.61 13.57 15.34 11.22 19.91 16.01 14.29 13.12 15.01 11.97
X15 17.65 13.60 14.99 15.57 18.83 18.74 15.93 14.39 12.59 5.73 4.34 11.64 12.50 9.61 14.27 8.83 10.39 15.79 19.83 16.19 16.61 16.92 11.11 12.23 16.33 14.19 16.54 12.44 17.10 16.29 18.57 17.05 24.60 13.40
X16 11.45 11.14 10.26 9.36 13.44 10.67 12.06 10.56 11.03 5.52 3.74 8.41 9.08 9.33 9.53 7.15 8.87 11.27 13.26 11.38 11.70 11.67 10.63 10.24 12.22 10.07 11.08 10.38 10.69 13.42 14.64 12.47 19.86 9.66
X17
X18
21.10 32.70 24.32 27.34 20.51 22.40 26.04 24.98 33.30 42.92 51.71 36.17 30.34 34.87 28.00 45.07 30.62 20.85 22.39 28.59 24.26 24.78 27.54 36.21 23.14 26.26 21.17 22.65 16.12 21.09 2.18 27.89 25.81 30.76
101
55.79 52.66 57.15 49.62 57.80 58.24 61.17 65.27 45.51 26.65 21.60 46.80 56.78 46.06 58.37 34.36 44.39 68.51 75.11 62.26 55.24 56.93 38.79 54.22 61.13 57.55 61.07 60.27 67.64 63.05 65.59 56.73 80.73 53.24
X19 9.02 6.23 6.50 6.56 5.08 4.96 3.47 4.79 5.14 6.69 8.47 8.45 5.68 3.33 4.19 9.07 1.90 5.75 3.26 4.04 3.24 3.80 7.38 7.54 3.68 5.08 4.43 4.18 2.08 10.51 5.29 5.02 3.44 5.94
X20 5.91 4.02 4.64 4.31 2.81 2.61 1.90 2.95 3.60 4.80 10.10 6.55 4.74 1.42 2.71 7.98 0.90 3.47 1.58 2.58 2.09 2.54 5.21 4.26 2.15 2.36 1.77 2.31 1.93 3.25 2.22 1.76 1.77 4.20
X21 14.07 9.03 9.89 9.35 9.43 10.78 6.15 9.66 8.44 9.20 8.70 14.27 9.67 5.65 8.73 12.35 3.09 12.45 7.67 8.56 6.22 7.60 10.95 11.71 7.05 9.08 8.94 10.36 2.71 19.89 10.26 8.05 8.44 10.17
X22 9.95 8.68 7.69 10.84 8.44 6.16 5.31 5.85 6.66 3.11 5.31 4.78 3.42 4.48 3.74 4.85 2.89 6.69 8.49 5.78 4.37 4.11 5.87 10.32 5.70 9.58 7.01 7.19 1.99 16.35 8.57 11.36 9.88 5.78
X23 56.71 55.31 65.86 63.14 65.61 71.75 62.80 70.79 70.14 58.26 46.21 82.94 80.51 51.02 80.22 75.74 58.75 74.81 74.21 80.39 69.47 76.63 66.12 64.31 73.44 60.45 59.35 81.46 58.00 61.71 62.79 64.91 88.25 73.85
X24 31.53 36.47 23.07 29.78 25.79 22.43 28.71 22.02 24.00 35.99 33.18 12.96 15.93 38.21 15.44 18.08 32.98 19.40 20.06 15.35 22.69 17.42 26.77 30.96 21.63 25.05 30.52 14.86 32.82 31.26 30.61 27.78 10.41 20.11
X25 11.75 8.22 11.07 7.07 8.60 5.83 8.50 7.19 5.85 5.75 20.61 4.10 3.56 10.78 4.35 6.18 8.27 5.79 5.73 4.26 7.84 5.96 7.11 4.73 4.93 14.50 10.13 3.69 9.18 7.03 6.59 7.32 1.34 6.05
Lampiran 11 Data Indikator Pasar Tenaga Kerja Sakernas Agustus 2015 (X1 sampai X25) NO
PROVINSI
X1
X2
X3
X4
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
63.44 67.28 64.56 63.22 66.14 68.53 70.67 65.60 66.71 65.07 66.39 60.34 67.86 68.38 67.84 62.24 75.51 66.54 69.25 69.68 71.11 69.73 62.39 61.28 67.51 60.94 68.35 63.65 70.27 64.47 66.43 68.68 79.57 65.76
57.14 62.77 60.11 58.27 63.27 64.37 67.20 62.23 62.51 61.03 61.59 55.08 64.47 65.60 64.81 56.30 74.01 62.76 66.60 66.09 67.88 66.30 57.71 55.75 64.74 57.31 64.56 60.69 67.91 58.07 62.41 63.13 76.40 61.70
35.04 36.81 31.91 46.29 37.40 35.41 28.06 25.43 41.60 68.49 68.16 46.24 34.72 45.31 32.94 58.58 42.95 24.03 19.80 31.27 42.26 38.07 56.04 36.41 28.73 33.45 27.31 33.26 23.45 30.08 28.02 36.91 17.56 38.70
4.45 3.05 3.67 5.07 3.95 3.27 3.12 3.75 4.27 3.42 4.80 3.37 3.56 3.48 3.87 2.88 4.25 2.77 1.61 3.17 3.30 3.41 4.30 4.04 4.64 3.50 3.17 3.88 2.87 1.90 3.38 2.54 0.95 3.54
X5 34.90 34.40 38.77 28.84 35.36 35.13 39.01 37.66 33.34 21.27 19.66 28.64 34.16 29.58 33.78 22.91 29.19 38.69 44.64 37.68 33.49 35.86 26.00 34.45 40.77 38.59 39.30 39.50 42.51 42.59 40.39 37.64 42.91 32.85
102
X6 9.53 8.47 11.91 9.81 8.41 5.43 8.82 13.68 7.40 2.71 2.65 14.64 14.21 9.72 13.73 9.46 9.85 19.91 3.05 5.49 4.82 7.30 6.31 16.36 7.69 5.51 5.78 12.08 6.16 3.78 6.23 3.42 1.44 10.92
X7 16.08 17.27 13.73 9.99 14.87 20.75 20.99 19.49 13.38 4.12 4.74 7.11 13.35 11.92 15.68 6.17 13.75 14.60 30.90 22.40 16.13 15.37 7.35 8.74 18.16 18.95 24.43 11.28 25.00 21.65 21.98 19.50 37.14 13.99
X8 60.50 60.14 64.41 48.64 58.65 61.31 68.81 70.83 54.13 28.10 27.04 50.39 61.72 51.21 63.19 38.54 52.80 73.20 78.60 65.56 54.44 58.52 39.66 59.55 66.63 63.05 69.52 62.86 73.68 68.02 68.60 60.55 81.49 57.76
X9 44.83 41.30 39.20 42.61 52.86 54.74 54.21 48.78 36.63 11.03 0.42 16.47 28.66 23.08 36.57 13.02 22.40 39.01 61.65 57.81 46.32 36.01 22.50 31.93 50.03 41.73 45.52 34.66 58.53 46.79 50.23 42.11 73.93 32.88
X10 12.73 14.22 13.69 13.41 10.07 10.97 10.03 16.20 22.96 35.00 19.89 31.09 30.15 23.77 22.54 31.90 21.48 18.52 10.52 10.42 15.18 16.16 22.86 17.42 11.59 13.86 14.07 16.30 12.20 9.52 11.13 10.57 4.59 21.84
X11 42.44 44.49 47.11 43.99 37.07 34.29 35.76 35.02 40.40 53.97 79.68 52.44 41.19 53.15 40.89 55.09 56.12 42.47 27.82 31.77 38.50 47.83 54.65 50.65 38.37 44.41 40.41 49.04 29.27 43.69 38.64 47.32 21.47 45.28
X12 26.03 22.98 22.48 25.00 32.31 27.69 25.27 29.77 18.52 10.74 8.18 14.86 20.95 18.64 23.83 11.88 17.97 20.63 38.40 26.53 23.31 27.10 14.54 16.88 25.83 27.80 28.76 20.20 39.29 22.11 25.53 20.91 32.38 21.40
Lampiran 11 (lanjutan) NO
PROVINSI
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 26 27 28 29 30 31 32 33
ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA INDONESIA
X13 6.65 5.21 6.77 6.73 5.32 4.42 5.64 7.37 3.47 2.03 2.52 4.20 5.56 5.99 6.74 3.24 3.82 8.33 11.05 4.91 5.93 7.42 2.79 4.05 7.79 9.28 9.17 5.94 15.93 4.44 7.48 3.39 3.37 5.63
X14 16.28 13.09 12.59 14.45 16.86 15.55 15.60 15.25 10.13 5.81 3.51 8.86 10.36 8.07 12.22 6.70 6.98 14.82 20.31 14.75 12.23 12.74 6.78 10.68 13.78 14.03 13.66 10.91 19.41 13.08 15.41 12.17 13.64 11.37
X15 17.96 14.82 14.53 13.63 20.19 18.16 17.05 15.33 13.47 6.43 4.60 10.11 11.55 8.78 13.29 8.43 9.81 15.81 19.90 17.26 14.47 15.21 10.87 11.45 15.51 14.17 16.36 11.70 16.77 15.63 17.98 17.31 27.05 12.89
X16 13.60 11.58 10.61 9.86 12.72 11.56 13.01 10.76 10.45 7.22 5.59 8.26 9.22 9.05 9.13 7.79 8.31 10.54 12.87 11.95 11.79 11.78 10.37 10.61 11.20 11.39 10.60 11.69 10.34 12.78 14.25 13.00 21.67 9.86
X17
X18
23.74 30.82 26.29 26.81 24.62 27.04 24.92 25.03 36.44 43.73 48.96 38.90 32.66 36.97 30.14 47.26 31.64 22.15 20.88 3.09 28.12 2.46 33.43 38.23 24.23 24.81 21.04 21.24 17.28 26.13 23.41 27.90 23.55 32.22
103
56.74 55.35 57.72 43.93 54.53 57.33 64.54 64.90 48.73 24.23 21.49 43.80 54.07 44.92 56.41 33.46 44.08 65.67 74.70 62.18 49.26 51.99 34.77 54.90 60.72 57.25 63.38 57.48 68.78 63.55 63.85 55.63 79.96 51.72
X19 9.93 6.71 6.89 7.83 4.34 6.07 4.91 5.14 6.29 6.20 7.23 8.72 4.99 4.07 4.47 9.55 1.99 5.69 3.83 5.15 4.54 4.92 7.50 9.03 4.10 5.95 5.55 4.65 3.35 9.93 6.05 8.08 3.99 6.18
X20 4.63 3.51 3.25 5.47 1.88 3.46 2.30 2.72 3.98 4.84 4.80 6.70 3.10 2.15 2.23 8.50 0.82 3.93 1.48 3.54 3.05 3.28 5.83 4.90 2.35 2.40 2.60 1.81 1.96 2.99 2.64 2.17 1.81 3.77
X21 17.32 10.14 12.63 11.14 9.07 12.46 8.28 11.15 11.10 7.82 10.00 14.07 10.64 6.21 9.94 13.00 3.15 9.47 9.74 9.58 8.50 8.46 10.59 15.48 8.50 12.04 10.45 12.73 6.30 18.11 11.05 16.44 11.34 11.16
X22 10.99 9.93 8.99 9.51 7.20 6.35 9.72 6.90 6.92 4.73 5.46 5.99 6.06 5.26 5.58 4.92 3.79 7.88 9.64 7.00 4.53 6.86 3.83 8.73 4.09 9.19 8.50 5.51 6.65 14.92 9.39 10.95 7.85 6.68
X23 53.54 54.15 64.47 66.30 68.12 69.00 61.17 70.58 70.12 57.04 36.87 79.71 79.49 48.38 76.83 77.79 60.51 70.66 71.63 78.06 70.29 70.55 61.88 62.27 66.66 62.01 54.20 72.73 60.44 56.32 63.13 59.95 83.87 71.08
X24 34.73 37.65 26.95 27.42 25.06 24.29 31.97 24.55 26.37 39.72 41.03 13.55 15.12 32.07 17.12 15.71 29.97 19.19 22.47 17.10 24.29 22.96 29.15 32.68 24.00 24.58 32.45 20.59 27.54 36.98 30.18 26.62 14.24 21.59
X25 11.73 8.20 8.58 6.28 6.81 6.71 6.87 4.87 3.51 3.24 22.09 6.74 5.38 19.55 6.05 6.50 9.53 10.14 5.90 4.83 5.43 6.49 8.97 5.04 9.34 13.40 13.36 6.68 12.02 6.70 6.69 13.43 1.88 7.33
Lampiran 12. Output deteksi outlier subset data KILM k1 0212 menggunakan software R > library(mvoutlier) > dd.plot(k1_0212, quan=0.9, alpha=0.05)
> mtext(text="Outlier Detection Data k1_0212,quan=0.9 ", side=3, adj=1) > win.graph()
$outliers [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE [13] FALSE FALSE FALSE FALSE
TRUE FALSE
TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE $md.cla [1] 1.7817489 1.7513584 0.7212780 1.9569309 1.7302605 1.2937776 2.6331765 [8] 0.9907171 2.9624539 2.5201704 3.2851783 2.1741070 0.7180783 1.4761366 [15] 0.8460387 2.4344045 3.1787277 1.8270917 2.1130570 1.2595207 2.0835607 [22] 0.8293537 1.9763518 1.4707408 1.0917068 2.0601248 1.0893547 2.2298417 [29] 2.3829008 1.7804579 1.7552338 1.0075040 3.1162775 $md.rob [1] 1.5636488 1.7407799 0.6241410 1.8056822 1.6974029 1.2146890 2.3185611 [8] 0.8495395 2.5986463 2.5647546 3.7501249 2.1425412 0.6563726 1.3958107 [15] 0.7393047 2.6285937 3.5734894 1.8349607 2.0465598 1.2677939 1.8336598 [22] 0.9442614 2.2401615 1.3734366 1.1033283 1.8445387 0.9696671 2.1055606 [29] 2.4231549 1.6846844 1.7771302 1.0189896 2.7191358
104
Lampiran 13. Provinsi outlier pada subset data k1 Sakernas Februari 2012 sampai Sakernas Agustus 2015 Februari
Agustus
PROVINSI 2012 2013 1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
*)
2014
2015 2012
2014 2015
*) *)
*)
*)
2013
*)
*) *)
*) *) *)
*)
*)
*)
Keterangan *) Provinsi terdeteksi sebagai outlier pada quantile = 0.9
105
*)
*)
*)
*)
Lampiran 14. Provinsi outlier pada subset data k2 Sakernas Februari 2012 sampai Sakernas Agustus 2015 Februari
Agustus
PROVINSI 2012 2013 1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
*) *)
2014
2015 2012
*) *)
*)
*)
*)
*)
Keterangan *) Provinsi terdeteksi sebagai outlier pada quantile = 0.9
106
*) *) *)
2013
*) *) *)
2014 2015
*)
*)
Lampiran 15. Provinsi outlier pada subset data k3 Sakernas Februari 2012 sampai Sakernas Agustus 2015 Februari
Agustus
PROVINSI 2012 2013 1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
*) *)
2014
2015 2012
2013
2014 2015
*) *)
*)
*)
*)
*) *)
*) *)
*)
*) *)
*) *)
*) *)
*)
*)
*)
*)
Keterangan *) Provinsi terdeteksi sebagai outlier pada quantile = 0.9
107
*)
*)
Lampiran 16. Provinsi outlier pada subset data k4 Sakernas Februari 2012 sampai Sakernas Agustus 2015 Februari
Agustus
PROVINSI 2012 2013 1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
*)
2014
2015 2012
*)
*)
2013
*)
2014 2015
*)
*) *) *) *)
*)
*) *)
*)
*)
*) *)
*)
*) *)
*)
Keterangan *) Provinsi terdeteksi sebagai outlier pada quantile = 0.9
108
*)
*)
*)
*)
Lampiran 17. Provinsi outlier pada subset data k5 Sakernas Februari 2012 sampai Sakernas Agustus 2015 Februari
Agustus
PROVINSI 2012 2013 1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
*) *)
*) *)
*)
*)
2014
2015 2012
2013
*)
*)
*)
*)
*)
*)
*)
*)
*)
*)
2014 2015
*) *)
*)
*)
*)
Keterangan *) Provinsi terdeteksi sebagai outlier pada quantile = 0.9
109
*)
*)
Lampiran 18. Output Mardia test untuk uji normal multivariat subset data KILM k1 0212 – k1 0815 > library(psych) > mardia(k1_0212) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 5.28 skew = 29.05 with probability = 0.087 small sample skew = 32.85 with probability = 0.035 b2p = 23.02 kurtosis = -0.41 with probability = 0.68 > mardia(k1_0213) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 4.98 skew = 27.39 with probability = 0.12 small sample skew = 30.98 with probability = 0.055 b2p = 22.33 kurtosis = -0.69 with probability = 0.49 > mardia(k1_0214) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 4.81 skew = 26.44 with probability = 0.15 small sample skew = 29.9 with probability = 0.071 b2p = 23.89 kurtosis = -0.05 with probability = 0.96 > mardia(k1_0215) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 4.58 skew = 25.2 with probability = 0.19 small sample skew = 28.49 with probability = 0.098 b2p = 25.58 kurtosis = 0.65 with probability = 0.51 > mardia(k1_0812) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 5.4 skew = 29.72 with probability = 0.074 small sample skew = 33.61 with probability = 0.029 b2p = 25.91 kurtosis = 0.79 with probability = 0.43 > mardia(k1_0813) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 5.39 skew = 29.64 with probability = 0.076 small sample skew = 33.52 with probability = 0.03 b2p = 23.79 kurtosis = -0.09 with probability = 0.93 > mardia(k1_0814) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 8.26 skew = 45.44 with probability = 0.00096 small sample skew = 51.39 with probability = 0.00014 b2p = 28.97 kurtosis = 2.06 with probability = 0.039 > mardia(k1_0815) Mardia tests of multivariate skew and kurtosis Use describe(x) the to get univariate tests n.obs = 33 num.vars = 4 b1p = 4.73 skew = 26.03 with probability = 0.16 small sample skew = 29.43 with probability = 0.08 b2p = 23.94 kurtosis = -0.03 with probability = 0.98
110
Lampiran 19. Hasil uji normal multivariat subset data KILM k 1 0215 – k5 0815 Sakernas Februari
Kombinasi
Sakernas Agustus
2012
2013
2014
2015
2012
2013
2014
2015
k1
*
**)
**)
**)
*
*
*
**)
k2
*
*
*
*
*
*
*
*
k3
*
*
**)
*
*
*
*
*
k4
*
*
*
*
*
*
*
*
k5
*
**)
*
*
*
*
*
*
Keterangan : *
: data tidak berdistribusi normal multivariat, maka asumsi data berdistribusi t-multivariat terpenuhi
**) : data berdistribusi normal multivariat, maka asumsi data berdistribusi tmultivariat tidak terpenuhi
111
Lampiran 20. Script dan output kelompok optimal subset data KILM k 2 0212 – k2 0815 dengan kriteria ICL menggunakan software R > teigen(k2_0212)$iclresult$classification [1] 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 2 2 2 2 1 1 1 2 2 2 1 2 2 2 2 2 > teigen(k2_0213)$iclresult$classification [1] 2 2 2 2 2 2 2 2 1 1 2 1 1 2 1 1 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 > teigen(k2_0214)$iclresult$classification [1] 1 1 1 1 1 1 1 1 2 2 1 2 2 1 2 2 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 > teigen(k2_0215)$iclresult$classification [1] 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 > teigen(k2_0812)$iclresult$classification [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 > teigen(k2_0813)$iclresult$classification [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 > teigen(k2_0814)$iclresult$classification [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 > teigen(k2_0815)$iclresult$classification [1] 2 2 2 2 2 2 2 2 1 1 2 1 1 2 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
112
Lampiran 21. Output nilai ICL subset data KILM k2 0212 $allicl G=1 G=2 G=3 G=4 G=5 G=6 G=7 G=8 G=9 UUUU 210.8397 207.3997 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UUUC -Inf 210.9106 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CUCU -Inf 204.3836 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CUCC -Inf 208.0415 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CUUU -Inf 204.4373 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CUUC -Inf 207.7625 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CCCU -Inf 208.3708 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CCCC -Inf 205.4104 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CIUU -280.2091 -246.8512 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CIUC -Inf -244.7098 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CICU -Inf -240.5697 -241.5384 -238.3051 -Inf -Inf -Inf -Inf -Inf CICC -Inf -238.3925 -238.4017 -234.7289 -Inf -Inf -Inf -Inf -Inf UIIU -274.2884 -235.7203 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UIIC -Inf -232.5057 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CIIU -Inf -236.8258 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CIIC -Inf -234.4657 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UIUU -Inf -246.2012 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UIUC -Inf -242.8813 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UCCU -Inf 207.0865 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UCCC -Inf 208.0909 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UUCU -Inf 201.0824 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UUCC -Inf 204.5773 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UICU -Inf -239.9150 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UICC -Inf -236.7318 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UCUU -Inf -256.6955 -Inf -Inf -Inf -Inf -Inf -Inf -Inf UCUC -Inf -253.3724 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CCUU -Inf -257.3456 -Inf -Inf -Inf -Inf -Inf -Inf -Inf CCUC -Inf -255.2042 -Inf -Inf -Inf -Inf -Inf -Inf -Inf
$bestmodel [1] "The best model (ICL of 210.91) is UUUC with G=2" $classification [1] 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 1 1 1 1 2 2 2 1 1 1 2 1 1 1 1 1
113
Lampiran 22. Estimasi parameter subset data KILM k2 0212 pada jumlah kelompok ( ) = 2 , model UUUC menggunakan MBC- ICL $parameters$df [1] 52.0468 52.0468 $parameters$mean [,1] [,2] [,3] [1,] 0.6274744 -0.679212 -0.4845030 [2,] -0.9976486 1.083394 0.7681694 $parameters$weights [,1] [,2] [1,] 1.0472011 0.8530383 [2,] 0.9277504 0.7069291 [3,] 0.9691905 0.8893973 [4,] 0.9713066 0.8453603 [5,] 0.9852402 0.7479034 [6,] 1.0251542 0.7759443 [7,] 1.0349316 0.7689999 [8,] 1.0463489 0.8653294 [9,] 0.2882972 0.9562541 [10,] 0.7010253 1.0016068 [11,] 0.4696034 0.9157909 [12,] 0.4190115 1.0044022 [13,] 0.4631573 1.0364873 [14,] 0.7626971 1.0507933 [15,] 0.7757501 0.9734907 [16,] 0.5240723 1.0110464 [17,] 0.7720868 1.0151602 [18,] 1.0372142 0.9161978 [19,] 0.9848767 0.6995370 [20,] 0.9477970 0.7730767 [21,] 0.9674087 0.8381739 [22,] 0.6424582 1.0302466 [23,] 0.8009369 1.0471400 [24,] 0.9316752 1.0119393 [25,] 0.9692115 0.9187202 [26,] 1.0125776 0.8916007 [27,] 1.0058795 0.8583729 [28,] 0.5718538 0.9591844 [29,] 1.0197070 0.7559765 [30,] 1.0529467 0.8377534 [31,] 1.0545560 0.8152212 [32,] 1.0475452 0.8871134 [33,] 0.9171549 0.6147770 $parameters$sigma , , 1 [,1] [,2] [,3] [1,] 0.2548055 -0.1549152 -0.2716632 [2,] -0.1549152 0.1326448 0.1412740 [3,] -0.2716632 0.1412740 0.3044764 , , 2 [,1] [,2] [,3] [1,] 0.42742722 -0.03853226 -0.5929850 [2,] -0.03853226 0.37517740 -0.1770302 [3,] -0.59298503 -0.17703019 0.9655910 $parameters$pig [1] 0.6136783 0.3863217
114
Lampiran 23. Pengelompokan Provinsi di Indonesia menurut kombinasi variabel k2 (persentase bekerja menurut lapangan usaha) pada jumlah kelompok ( ) = 2 menggunakan MBC- ICL PROVINSI
0212
0213
0214
0215
0812
0813
0814
0815
1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
1
2
2
1
2
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
1
2
1
1
2
1
2
2
2
2
1
1
2
2
2
2
2
2
2
2
2
2
2
1
2
2
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
1
1
1
1
1
2
1
1
2
1
1
2
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
115
Lampiran 24. Output Statistik Deskriptif Pengelompokan Provinsi di Indonesia kombinasi variabel k2 (persentase bekerja menurut lapangan usaha) pada jumlah kelompok ( ) = 2 menggunakan MBC-ICL Descriptive Statistics: X9; X10; X11 Variable X9 X10 X11 Variable X9 X10 X11 Variable X9 X10 X11 Variable X9 X10 X11 Variable X9 X10 X11 Variable X9 X10 X11 Variable X9 X10 X11 Variable X9 X10 X11
k2_0212 1 2 1 2 1 2
Count 20 13 20 13 20 13
Mean 53,15 26,60 11,070 23,24 35,78 50,16
SE Mean 1,82 3,04 0,562 1,23 1,39 3,20
Variance 66,46 120,13 6,314 19,77 38,85 133,11
Minimum 42,35 2,21 4,490 17,35 22,74 38,46
Median 52,05 28,95 11,055 21,77 36,14 49,28
Maximum 72,78 40,41 14,740 32,08 43,98 80,27
Range 30,43 38,20 10,250 14,73 21,24 41,81
k2_0213 1 2 1 2 1 2
Count 26 7 26 7 26 7
Mean 46,84 27,28 13,353 26,89 41,17 47,33
SE Mean 2,90 4,01 0,861 1,23 2,28 3,19
Variance 218,99 112,34 19,287 10,58 134,94 71,25
Minimum 2,21 15,06 4,490 21,96 22,46 38,86
Median 49,58 29,45 11,930 28,49 39,42 43,96
Maximum 72,78 40,41 22,680 29,85 81,08 59,43
Range 70,57 25,35 18,190 7,89 58,62 20,57
k2_0214 1 2 1 2 1 2
Count 25 8 25 8 25 8
Mean 45,34 25,78 12,972 27,19 41,68 47,03
SE Mean 2,87 3,23 0,778 1,33 2,22 2,47
Variance 206,45 83,61 15,126 14,09 123,34 48,93
Minimum 2,17 13,96 3,840 21,48 22,72 40,44
Median 47,83 26,68 12,980 28,45 40,18 46,09
Maximum 73,43 36,86 21,380 31,38 78,35 57,27
Range 71,26 22,90 17,540 9,90 55,63 16,83
k2_0215 1 2 1 2 1 2
Count 23 10 23 10 23 10
Mean 46,07 21,43 13,067 25,66 40,87 52,91
SE Mean 1,76 3,21 0,604 1,46 1,42 3,51
Variance 71,10 103,26 8,399 21,30 46,49 122,97
Minimum 33,79 0,77 6,190 19,05 25,05 40,96
Median 44,56 21,98 13,240 25,37 41,26 51,44
Maximum 68,76 36,42 19,360 32,03 52,87 79,58
Range 34,97 35,65 13,170 12,98 27,82 38,62
k2_0812 1 2 1 2 1 2
Count 27 6 27 6 27 6
Mean 46,51 17,86 14,721 29,52 38,77 52,63
SE Mean 2,13 4,73 0,865 2,35 1,42 6,34
Variance 122,70 134,08 20,204 33,00 54,14 240,96
Minimum 25,24 0,53 5,160 18,69 22,00 37,43
Median 46,52 17,37 13,650 31,09 39,84 51,53
Maximum 72,83 31,39 23,120 34,00 52,24 80,80
Range 47,59 30,86 17,960 15,31 30,24 43,37
k2_0813 1 2 1 2 1 2
Count 28 5 28 5 28 5
Mean 44,86 21,33 13,986 31,54 41,60 47,67
SE Mean 2,63 3,94 0,836 2,01 2,01 2,66
Variance 193,65 77,50 19,572 20,27 112,69 35,28
Minimum 0,53 11,93 5,140 25,57 21,96 39,26
Median 45,63 21,65 13,295 32,49 41,78 50,83
Maximum 72,83 31,39 24,180 37,70 80,90 52,52
Range 72,30 19,46 19,040 12,13 58,94 13,26
k2_0814 1 2 1 2 1 2
Count 23 10 23 10 23 10
Mean 47,94 21,99 12,550 26,35 39,51 51,65
SE Mean 1,76 3,59 0,619 1,58 1,34 3,62
Variance 71,61 128,74 8,805 25,09 41,28 131,36
Minimum 32,73 0,58 4,590 19,82 24,82 39,85
Median 47,68 24,34 12,480 25,65 41,01 51,67
Maximum 70,59 37,61 17,820 33,87 49,46 79,59
Range 37,86 37,03 13,230 14,05 24,64 39,74
k2_0815 1 2 1 2 1 2
Count 27 6 27 6 27 6
Mean 43,08 23,73 14,125 28,94 42,79 47,33
SE Mean 2,83 4,78 0,859 2,07 2,14 2,93
Variance 216,42 136,86 19,908 25,66 123,79 51,52
Minimum 0,42 11,03 4,590 22,54 21,47 40,40
Median 44,83 22,56 13,690 30,62 42,47 46,81
Maximum 73,93 36,63 23,770 35,00 79,68 55,09
Range 73,51 25,60 19,180 12,46 58,21 14,69
116
Lampiran 25. Pengelompokan Provinsi di Indonesia menurut kombinasi variabel k2 (persentase bekerja menurut lapangan usaha) pada jumlah kelompok ( ) = 3 menggunakan MBC- ICL PROVINSI 1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
0212
0213
0214
0215
0812
0813
0814
0815
1 1 1 1 1 1 1 1 2 3 3 3 2 2 2 3 2 1 1 1 1 2 2 2 1 1 1 2 1 1 1 1 1
2 2 2 2 2 2 2 2 1 1 1 1 1 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 3 1 1 3 2 2 3 3 3 3 3 1 3 3 3 1
3 3 3 2 3 2 2 2 1 1 1 1 1 1 1 1 1 3 2 2 3 3 1 3 2 3 3 3 2 3 2 3 2
2 2 2 2 1 1 1 2 3 3 3 3 3 3 2 3 3 2 1 1 1 2 3 3 1 2 2 2 1 2 1 1 1
2 2 2 2 1 1 2 3 3 3 3 3 3 3 2 3 3 3 1 1 1 2 3 3 2 2 3 2 2 2 2 3 1
2 2 2 2 2 3 2 2 1 1 1 1 1 1 2 1 1 2 3 3 3 2 1 1 2 2 2 2 3 2 3 2 3
1 1 1 1 2 2 2 2 1 3 3 3 3 3 1 3 3 1 2 2 1 1 3 1 2 1 1 1 2 1 2 1 2
117
Lampiran 26. Output statistik deskriptif pengelompokan Provinsi di Indonesia menurut kombinasi variabel k2 (persentase bekerja menurut lapangan usaha) pada jumlah kelompok ( ) = 3 menggunakan MBC- ICL Descriptive Statistics: X9; X10; X11 Variable X9 X10 X11
Variable X9 X10 X11 Variable X9 X10 X11
Variable X9 X10 X11
Variable X9 X10 X11
Variable X9 X10 X11
k2_0212 1 2 3 1 2 3 1 2 3
Count 20 9 4 20 9 4 20 9 4
Mean SE Mean Variance Minimum Median Maximum 53,15 1,82 66,46 42,35 52,05 72,78 32,59 1,73 27,02 24,24 32,65 40,41 13,11 3,81 57,97 2,21 15,13 19,96 11,07 0,56 6,31 4,49 11,05 14,74 22,62 1,41 17,85 17,35 21,75 32,08 24,64 2,63 27,68 17,52 25,81 29,42 35,78 1,39 38,85 22,74 36,14 43,98 44,79 1,92 33,18 38,46 41,31 54,02 62,25 6,37 162,56 50,62 59,05 80,27
Range 30,43 16,17 17,75 10,25 14,73 11,90 21,24 15,56 29,65
k2_0213 1 2 1 2 1 2
Count
Mean SE Mean Variance Minimum Median Maximum 19,09 4,50 121,65 2,21 17,58 32,65 47,94 2,25 137,17 24,24 48,91 72,78 26,93 1,84 20,41 17,85 28,73 29,85 13,85 0,94 23,62 4,49 12,14 22,68 55,63 5,85 204,99 41,21 54,04 81,08 39,55 1,56 66,05 22,46 39,20 55,39
Range 30,44 48,54 12,00 18,19 39,87 32,93
k2_0214 1 2 3 1 2 3 1 2 3
Count 4 11 18 4 11 18 4 11 18
Mean SE Mean Variance Minimum Median Maximum Range 63,90 3,57 50,92 57,19 62,50 73,43 16,24 23,46 3,14 108,61 2,17 24,82 36,86 34,69 45,89 1,53 42,00 31,87 47,49 58,30 26,43 8,96 1,80 12,96 3,84 9,87 12,28 8,44 25,31 1,36 20,41 19,48 24,66 31,38 11,90 12,642 0,557 5,580 7,710 13,025 17,630 9,920 27,13 1,91 14,67 22,72 27,64 30,54 7,82 51,23 3,36 123,99 40,44 50,52 78,35 37,91 41,46 1,14 23,43 33,99 40,45 51,13 17,14
k2_0215 1 2 3 1 2 3 1 2 3
Count 10 10 13 10 10 13 10 10 13
Mean SE Mean Variance Minimum Median Maximum Range 52,97 2,40 57,42 46,09 50,34 68,76 22,67 21,43 3,21 103,26 0,77 21,98 36,42 35,65 40,75 1,14 16,95 33,79 40,86 49,88 16,09 11,230 0,886 7,857 6,190 11,720 15,810 9,620 25,66 1,46 21,30 19,05 25,37 32,03 12,98 14,479 0,591 4,534 10,510 14,540 19,360 8,850 35,80 1,78 31,79 25,05 37,00 42,72 17,67 52,91 3,51 122,97 40,96 51,44 79,58 38,62 44,77 1,34 23,47 36,53 44,79 52,87 16,34
k2_0812 1 2 3 1 2 3 1 2 3
Total Count 11 10 12 11 10 12 11 10 12
Mean SE Mean Variance Minimum Median Maximum 56,55 2,06 46,64 46,52 55,41 72,83 22,03 3,27 106,75 0,53 26,07 32,61 43,37 1,02 12,49 37,80 43,72 48,99 11,162 0,775 6,609 5,160 11,160 13,750 26,31 1,94 37,82 17,52 25,89 34,00 15,724 0,881 9,321 11,590 15,545 22,330 32,29 1,66 30,21 22,00 32,83 40,30 51,67 3,69 136,10 37,43 49,92 80,80 40,902 0,664 5,283 35,680 41,245 44,220
Range 26,31 32,08 11,19 8,590 16,48 10,740 18,30 43,37 8,540
Mean SE Mean Variance Minimum Median Maximum 60,13 2,75 45,24 55,04 57,94 72,83 28,59 3,71 192,25 0,53 28,46 48,31 46,29 1,70 37,65 37,80 44,73 57,27 10,91 1,34 10,77 5,14 11,27 14,66 22,33 2,23 69,90 10,25 21,43 37,70 13,165 0,967 12,165 9,070 12,710 20,610 30,57 2,30 31,73 21,96 31,05 37,47 48,83 2,92 119,33 35,29 50,07 80,90 41,25 1,12 16,21 32,40 41,88 47,31
Range 17,79 47,78 19,47 9,52 27,45 11,540 15,51 45,61 14,91
k2_0813 1 2 3 1 2 3 1 2 3
6 27 6 27 6 27
Count 6 14 13 6 14 13 6 14 13
118
Lampiran 26. (lanjutan) Variable X9 X10 X11
Variable X9 X10 X11
k2_0814 1 2 3 1 2 3 1 2 3
Count 7 10 16 7 10 16 7 10 16
Mean SE Mean Variance Minimum Median Maximum 57,85 2,40 40,49 52,51 56,84 70,59 21,50 3,38 114,18 0,58 24,34 32,73 43,91 1,04 17,38 37,55 43,61 50,62 10,58 1,12 8,78 4,59 10,77 13,06 25,95 1,75 30,73 17,82 25,65 33,87 13,664 0,797 10,151 8,790 13,650 21,830 31,58 1,82 23,27 24,82 32,47 38,02 52,54 3,43 117,34 39,85 51,67 79,59 42,425 0,627 6,289 37,660 42,365 48,130
Range 18,08 32,15 13,07 8,47 16,05 13,040 13,20 39,74 10,470
k2_0815 1 2 3 1 2 3 1 2 3
Count 10 8 15 10 8 15 10 8 15
Mean SE Mean Variance Minimum Median Maximum 56,28 2,35 55,34 48,78 54,48 73,93 17,20 3,16 79,81 0,42 19,43 28,66 40,35 1,17 20,59 31,93 41,30 46,79 10,772 0,893 7,976 4,590 10,745 16,200 27,02 2,00 31,89 19,89 26,96 35,00 15,410 0,978 14,345 9,520 14,220 22,960 32,95 1,72 29,53 21,47 34,66 38,64 55,79 3,80 115,33 41,19 54,31 79,68 44,243 0,913 12,511 38,500 43,990 50,650
Range 25,15 28,24 14,86 11,610 15,11 13,440 17,17 38,49 12,150
119
Lampiran 27. Pengelompokan Provinsi di Indonesia menurut kombinasi variabel k3 (bekerja menurut status, dan TPT menurut pendidikan) pada jumlah kelompok optimal menggunakan MBC- ICL PROVINSI
0212
0213
0214
0215
0812
0813
0814
0815
1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
1
2
2
2
2
2
2
2
2 2 1 2 2 2 2 1 1 1 2 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 1 1 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 1 1 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 1 1 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 1 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 1 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 1 1 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 1 2 2 2
2 2 1 2 2 2 2 2 1 1 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2
120
Lampiran 28. Output statistik deskriptif pengelompokan Provinsi di Indonesia menurut kombinasi variabel k3 (bekerja menurut status, dan TPT menurut pendidikan) pada jumlah kelompok ( ) = 2 menggunakan MBC- ICL Descriptive Statistics: X3; X4; X5; X6; X7; X20; X21; X22 Variable X3 X4 X5 X6 X7 X20 X21 X22 Variable X3 X4 X5 X6 X7 X20 X21 X22 Variable X3 X4 X5 X6 X7 X20 X21 X22 Variable X3 X4 X5 X6 X7 X20
k3_0212 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 7 26 7 26 7 26 7 26 7 26 7 26 7 26 7 26
Mean 48,91 29,13 4,784 3,089 29,69 39,058 4,85 7,052 11,77 21,67 6,54 3,134 10,16 8,405 4,53 6,832
SE Mean 4,45 1,20 0,608 0,162 1,98 0,693 1,46 0,824 1,77 1,25 1,10 0,351 1,44 0,567 1,21 0,625
Variance 138,73 37,31 2,587 0,681 27,48 12,486 14,94 17,659 21,93 40,41 8,40 3,200 14,58 8,346 10,21 10,161
Minimum 33,66 16,98 2,860 1,150 23,11 32,400 1,59 0,910 6,15 9,27 1,71 0,420 5,12 3,260 0,91 0,000
Median 49,90 28,93 4,450 3,220 30,23 39,465 2,53 6,225 12,77 22,21 7,70 2,995 11,41 7,780 4,88 6,575
Maximum 64,68 39,71 7,830 4,420 35,77 44,510 12,16 15,120 19,24 36,81 10,23 8,230 13,61 14,780 9,97 14,480
Range 31,02 22,73 4,970 3,270 12,66 12,110 10,57 14,210 13,09 27,54 8,52 7,810 8,49 11,520 9,06 14,480
k3_0213 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 5 28 5 28 5 28 5 28 5 28 5 28 5 28 5 28
Mean 57,82 30,85 3,502 3,587 24,77 37,885 6,27 6,901 7,64 20,77 8,986 3,055 10,36 6,868 4,990 5,559
SE Mean 4,55 1,25 0,201 0,272 1,72 0,696 2,47 0,688 1,28 1,23 0,765 0,280 1,13 0,590 0,209 0,513
Variance 103,31 43,87 0,203 2,076 14,72 13,561 30,56 13,246 8,13 42,57 2,926 2,190 6,37 9,756 0,217 7,371
Minimum 43,99 15,98 3,040 1,270 19,31 31,840 2,13 1,570 4,32 11,20 6,480 0,980 7,09 1,720 4,330 0,890
Median 56,35 31,76 3,430 3,345 25,53 38,025 2,77 6,095 8,13 19,31 9,590 2,630 11,62 6,915 5,180 5,175
Maximum 69,99 41,74 4,210 8,700 29,91 44,520 14,39 15,150 11,78 37,61 10,500 6,150 12,51 13,510 5,520 11,230
Range 26,00 25,76 1,170 7,430 10,60 12,680 12,26 13,580 7,46 26,41 4,020 5,170 5,42 11,790 1,190 10,340
k3_0214 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 5 28 5 28 5 28 5 28 5 28 5 28 5 28 5 28
Mean 56,59 31,68 3,378 3,375 26,01 38,179 6,07 6,663 7,96 20,11 8,81 2,515 9,900 6,811 4,524 5,685
SE Mean 3,93 1,21 0,364 0,252 1,60 0,623 2,28 0,644 1,31 1,16 1,46 0,300 0,596 0,489 0,958 0,548
Variance 77,25 40,67 0,661 1,779 12,83 10,872 25,88 11,619 8,63 37,55 10,63 2,522 1,774 6,696 4,590 8,396
Minimum 43,86 16,69 2,230 1,280 20,41 32,110 2,71 1,730 5,02 11,37 3,90 0,210 8,190 2,430 1,850 1,860
Median 56,45 32,27 3,300 3,425 27,56 38,080 3,56 5,585 8,17 18,91 8,43 2,130 10,000 6,775 4,750 5,195
Maximum 67,85 41,84 4,420 7,440 29,20 44,970 14,78 13,690 12,28 37,96 12,30 5,380 11,500 10,780 7,390 13,800
Range 23,99 25,15 2,190 6,160 8,79 12,860 12,07 11,960 7,26 26,59 8,40 5,170 3,310 8,350 5,540 11,940
k3_0215 1 2 1 2 1 2 1 2 1 2 1 2
Count 5 28 5 28 5 28 5 28 5 28 5 28
Mean 59,82 32,94 3,408 3,356 24,32 37,717 5,69 7,447 6,762 18,54 7,576 2,690
SE Mean 4,32 1,32 0,500 0,220 2,00 0,795 1,97 0,645 0,922 1,03 0,978 0,244
Variance 93,14 48,54 1,248 1,354 19,95 17,695 19,50 11,662 4,253 29,61 4,781 1,663
Minimum 44,70 20,42 2,050 1,000 19,10 30,060 2,60 1,170 4,360 11,02 4,870 0,820
Median 58,95 33,11 3,220 3,390 24,49 38,070 3,60 6,800 6,010 18,12 7,620 2,360
Maximum 68,48 44,15 4,670 6,030 30,05 46,120 13,18 14,790 9,000 34,12 10,460 5,450
Range 23,78 23,73 2,620 5,030 10,95 16,060 10,58 13,620 4,640 23,10 5,590 4,630
121
X21 X22 Variable X3 X4 X5 X6 X7 X20 X21 X22 Variable X3 X4 X5 X6 X7 X20 X21 X22 Variable X3 X4 X5 X6 X7 X20 X21 X22 Variable X3 X4 X5 X6 X7 X20 X21 X22
1 2 1 2
5 28 5 28
10,710 7,330 5,226 7,552
0,725 0,529 0,944 0,636
2,631 7,830 4,458 11,330
8,690 1,900 3,820 1,430
10,390 6,945 4,510 7,585
12,940 14,060 8,920 17,160
4,250 12,160 5,100 15,730
k3_0812 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 4 29 4 29 4 29 4 29 4 29 4 29 4 29 4 29
Mean 54,61 32,85 3,648 3,608 26,19 37,244 7,64 7,215 8,36 19,39 8,988 3,158 11,385 8,443 6,69 5,731
SE Mean 5,43 1,71 0,295 0,232 2,31 0,852 2,95 0,751 1,49 1,18 0,288 0,237 0,548 0,507 1,51 0,463
Variance 118,08 85,13 0,348 1,562 21,40 21,046 34,74 16,348 8,91 40,68 0,333 1,627 1,200 7,457 9,17 6,213
Minimum 41,86 17,91 2,950 1,050 20,54 22,830 2,12 1,680 5,18 5,10 8,250 1,240 10,330 3,090 3,29 1,490
Median 54,14 31,50 3,655 3,590 26,71 37,660 6,80 6,400 8,06 19,32 9,035 2,960 11,250 8,200 6,63 5,420
Maximum 68,29 65,37 4,330 6,680 30,80 46,290 14,82 18,640 12,15 37,40 9,630 6,260 12,710 15,460 10,21 15,000
Range 26,43 47,46 1,380 5,630 10,26 23,460 12,70 16,960 6,97 32,30 1,380 5,020 2,380 12,370 6,92 13,510
k3_0813 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 4 29 4 29 4 29 4 29 4 29 4 29 4 29 4 29
Mean 55,17 33,68 3,530 3,410 25,94 37,414 7,91 6,951 7,447 18,54 8,688 4,488 11,655 9,010 5,505 6,262
SE Mean 4,97 1,77 0,166 0,222 2,30 0,988 2,76 0,716 0,889 1,17 0,543 0,310 0,599 0,543 0,145 0,496
Variance 98,96 90,77 0,110 1,429 21,20 28,298 30,54 14,866 3,163 39,52 1,180 2,790 1,437 8,550 0,084 7,126
Minimum 43,31 17,51 3,170 1,250 20,16 20,400 2,44 1,510 5,530 4,16 7,380 2,150 10,370 2,890 5,100 2,650
Median 55,03 32,33 3,515 3,320 26,76 38,100 7,20 6,180 7,430 18,35 8,670 4,170 11,755 8,770 5,570 6,060
Maximum 67,29 68,35 3,920 7,050 30,10 46,190 14,81 19,230 9,400 36,94 10,030 9,060 12,740 17,160 5,780 14,750
Range 23,98 50,84 0,750 5,800 9,94 25,790 12,37 17,720 3,870 32,78 2,650 6,910 2,370 14,270 0,680 12,100
k3_0814 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 6 27 6 27 6 27 6 27 6 27 6 27 6 27 6 27
Mean 52,66 32,29 3,605 3,470 29,03 38,084 6,04 7,621 8,67 18,57 6,32 2,789 12,56 8,631 6,71 6,857
SE Mean 5,44 1,32 0,583 0,195 3,56 0,751 1,99 0,723 2,19 1,18 1,00 0,231 1,69 0,479 1,96 0,497
Variance 177,62 47,07 2,039 1,022 76,08 15,217 23,80 14,117 28,84 37,55 6,01 1,441 17,10 6,184 23,15 6,666
Minimum 32,45 16,50 1,150 0,820 20,70 30,070 2,25 1,600 4,43 8,10 3,25 0,900 8,70 2,710 3,11 1,990
Median 54,70 31,72 3,665 3,510 26,79 39,110 3,54 6,660 7,11 17,27 5,88 2,540 11,65 8,940 5,08 6,690
Maximum 67,77 43,35 5,250 5,750 44,63 46,920 14,18 17,330 18,69 39,15 10,10 5,910 19,89 14,070 16,35 11,360
Range 35,32 26,85 4,100 4,930 23,93 16,850 11,93 15,730 14,26 31,05 6,85 5,010 11,19 11,360 13,24 9,370
k3_0815 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 6 27 6 27 6 27 6 27 6 27 6 27 6 27 6 27
Mean 57,30 32,53 3,973 3,327 24,55 37,196 7,60 8,525 6,580 18,43 6,023 2,776 11,103 10,751 5,740 7,755
SE Mean 4,04 1,34 0,359 0,163 1,58 0,746 1,90 0,842 0,858 1,18 0,572 0,183 0,907 0,645 0,810 0,472
Variance 97,99 48,38 0,772 0,715 14,92 15,013 21,60 19,138 4,421 37,58 1,966 0,905 4,932 11,249 3,939 6,026
Minimum 46,24 17,56 2,880 0,950 19,66 29,190 2,65 1,440 4,120 8,74 4,800 0,820 7,820 3,150 3,830 3,790
Median 57,31 33,26 3,860 3,410 24,45 37,660 7,88 7,690 6,640 17,27 5,650 2,640 10,865 10,450 5,190 7,200
Maximum 68,49 45,31 5,070 4,640 28,84 44,640 14,64 19,910 9,990 37,14 8,500 4,900 14,070 18,110 9,510 14,920
Range 22,25 27,75 2,190 3,690 9,18 15,450 11,99 18,470 5,870 28,40 3,700 4,080 6,250 14,960 5,680 11,130
122
Lampiran 29. Pengelompokan Provinsi di Indonesia menurut kombinasi variabel k4 (persentase bekerja menurut jam kerja, dan persentase pekerja setengah penganggur) pada jumlah kelompok ( ) = 2 menggunakan MBC- ICL PROVINSI
0212
0213
0214
0215
0812
0813
0814
0815
1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
1
1
1
1
1
1
1
1
1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 2 1 2 2 2 2 2 2 1 2 1 1 1 1 2 1 2 2 1 1 1 1 1 1 1 2 1
1 1 1 1 1 2 1 2 2 2 2 2 2 1 2 1 1 1 1 2 1 2 2 1 1 1 1 1 1 1 2 1
1 1 1 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 2 2 2 1 1 2 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1 1
2 1 1 1 1 1 1 1 2 2 1 1 2 1 2 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 2 2 2 1 1 2 1 2 2 1 1 1 1 1 2 2 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 2 2 1 2 2 1 2 2 2 1 1 1 1 1 2 2 1 1 1 1 1 1 1 1 1
123
Lampiran 30. Output statistik deskriptif pengelompokan Provinsi di Indonesia menurut kombinasi variabel k4 (persentase bekerja menurut jam kerja, dan persentase pekerja setengah penganggur) pada jumlah kelompok ( ) = 2 menggunakan MBC- ICL Descriptive Statistics: X13; X14; X15; X16; X17; X23; X24; X25 Variable X13 X14 X15 X16 X17 X23 X24 X25
Variable X13 X14 X15 X16 X17 X23 X24 X25 Variable X13 X14 X15 X16 X17 X23 X24 X25 Variable X13 X14 X15 X16 X17 X23
k4_0212 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 25 8 25 8 25 8 25 8 25 8 25 8 25 8 25 8
Mean 7,329 4,795 13,408 8,460 16,734 11,55 12,934 8,568 25,123 35,58 71,19 66,97 21,68 21,01 7,124 8,27
SE Mean 0,495 0,694 0,415 0,903 0,598 1,25 0,543 0,732 0,581 2,65 1,35 5,58 1,04 3,55 0,588 2,08
Variance 6,120 3,858 4,314 6,527 8,948 12,60 7,365 4,283 8,448 56,31 45,73 249,16 27,04 100,98 8,630 34,66
Minimum 4,380 2,250 8,600 4,090 10,630 5,52 8,580 4,620 21,260 25,56 61,68 46,73 12,77 11,56 2,100 3,42
Median 7,090 4,015 13,500 8,295 16,780 11,29 12,780 8,915 24,530 34,67 68,73 70,58 20,92 18,06 7,050 5,94
Maximum 15,040 7,920 17,950 13,110 21,590 16,64 20,030 10,630 31,150 48,98 85,13 85,01 31,68 39,84 11,740 21,76
Range 10,660 5,670 9,350 9,020 10,960 11,12 11,450 6,010 9,890 23,42 23,45 38,28 18,91 28,28 9,640 18,34
k4_0213 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 21 12 21 12 21 12 21 12 21 12 21 12 21 12 21 12
Mean 8,165 4,725 14,571 9,277 17,199 11,286 12,163 9,313 23,473 35,46 71,59 67,80 21,16 25,86 7,253 6,34
SE Mean 0,657 0,431 0,533 0,840 0,734 0,836 0,527 0,610 0,633 1,71 1,64 2,92 1,34 2,26 0,553 1,31
Variance 9,067 2,229 5,973 8,461 11,321 8,390 5,834 4,462 8,406 35,29 56,50 102,17 37,90 61,06 6,433 20,62
Minimum 4,610 2,060 8,440 3,980 10,640 5,240 8,550 4,330 18,020 28,21 58,40 47,40 10,24 12,85 1,910 0,74
Median 7,640 4,545 15,380 9,235 16,680 11,340 11,860 9,605 23,310 34,98 72,87 66,41 20,23 27,80 7,010 5,69
Maximum 19,400 6,870 18,100 13,110 23,910 14,830 18,960 12,330 28,980 47,12 84,09 82,43 34,30 33,65 12,180 18,95
Range 14,790 4,810 9,660 9,130 13,270 9,590 10,410 8,000 10,960 18,91 25,69 35,03 24,06 20,80 10,270 18,21
k4_0214 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 21 12 21 12 21 12 21 12 21 12 21 12 21 12 21 12
Mean 7,623 4,804 14,680 9,282 16,517 12,03 12,243 9,655 23,601 34,94 67,29 61,80 24,85 27,35 7,868 8,35
SE Mean 0,562 0,494 0,624 0,845 0,769 1,05 0,471 0,760 0,748 2,28 2,33 3,44 1,69 2,94 0,974 1,12
Variance 6,625 2,930 8,182 8,570 12,430 13,31 4,653 6,924 11,753 62,17 113,96 142,20 60,10 104,00 19,940 15,11
Minimum 3,940 2,590 8,170 3,350 10,490 5,09 9,110 4,390 16,260 25,43 50,39 37,68 10,07 13,82 1,500 2,57
Median 7,130 4,845 14,550 10,400 15,490 11,30 11,760 9,965 23,630 33,91 67,98 64,70 24,56 27,20 7,460 7,91
Maximum 15,380 7,360 19,410 13,110 26,270 19,05 17,880 14,550 29,290 51,28 88,43 79,31 37,74 50,45 18,340 17,90
Range 11,440 4,770 11,240 9,760 15,780 13,96 8,770 10,160 13,030 25,85 38,04 41,63 27,67 36,63 16,840 15,33
k4_0215 1 2 1 2 1 2 1 2 1 2 1
Count 30 3 30 3 30 3 30 3 30 3 30
Mean 7,265 4,367 12,512 5,583 13,818 6,353 11,953 7,84 25,881 46,543 64,78
SE Mean 0,427 0,160 0,510 0,667 0,760 0,766 0,375 1,25 0,878 0,894 1,70
Variance 5,470 0,077 7,805 1,336 17,332 1,760 4,219 4,70 23,121 2,397 86,28
Minimum 4,110 4,050 7,880 4,530 1,130 4,990 8,300 5,51 14,050 44,940 52,48
Median 7,105 4,480 12,590 5,400 14,115 6,430 12,290 8,20 25,350 46,660 63,75
Maximum 16,180 4,570 18,320 6,820 25,190 7,640 17,650 9,80 36,210 48,030 82,27
Range 12,070 0,520 10,440 2,290 24,060 2,650 9,350 4,29 22,160 3,090 29,79
124
X24 X25 Variable X13 X14 X15 X16 X17 X23 X24 X25 Variable X13 X14 X15 X16 X17 X23 X24 X25 Variable X13 X14 X15 X16 X17 X23 X24 X25 Variable X13 X14 X15 X16 X17 X23 X24 X25
2 1 2 1 2
3 30 3 30 3
58,6 26,39 31,7 8,825 9,68
13,3 1,41 10,7 0,586 3,05
532,3 59,39 344,7 10,296 27,87
34,1 13,22 16,4 4,100 3,66
61,8 28,32 26,3 8,385 11,86
80,0 38,06 52,3 14,940 13,52
45,8 24,84 36,0 10,840 9,86
k4_0812 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 25 8 25 8 25 8 25 8 25 8 25 8 25 8 25 8
Mean 7,570 4,549 14,440 9,29 16,246 11,22 11,428 9,617 23,62 33,70 76,60 61,71 18,900 31,16 4,497 7,13
SE Mean 0,673 0,611 0,711 1,38 0,696 1,56 0,516 0,824 1,24 2,83 1,23 2,93 0,989 1,75 0,340 1,37
Variance 11,339 2,986 12,626 15,26 12,106 19,49 6,659 5,425 38,25 63,86 37,62 68,86 24,463 24,57 2,895 15,11
Minimum 3,280 1,750 6,820 3,37 8,820 4,18 8,860 6,300 13,05 22,54 64,21 47,26 10,670 25,77 0,950 3,50
Median 6,850 4,740 14,750 10,11 16,860 11,78 11,060 10,175 22,46 32,26 76,26 65,11 19,450 30,08 4,270 6,05
Maximum 19,160 6,830 20,790 15,41 22,220 16,96 20,750 12,550 43,40 49,63 87,84 70,18 28,650 39,37 7,230 15,31
Range 15,880 5,080 13,970 12,04 13,400 12,78 11,890 6,250 30,35 27,09 23,63 22,92 17,980 13,60 6,280 11,81
k4_0813 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 27 6 27 6 27 6 27 6 27 6 27 6 27 6 27 6
Mean 9,707 5,83 16,384 9,17 15,366 9,38 10,282 8,59 21,887 37,07 70,37 60,38 23,30 32,57 6,334 7,05
SE Mean 0,781 1,55 0,730 1,64 0,661 1,54 0,439 1,26 0,866 3,43 1,61 5,18 1,22 3,77 0,563 2,05
Variance 16,450 14,42 14,397 16,11 11,780 14,15 5,200 9,50 20,267 70,69 70,16 160,89 40,11 85,32 8,571 25,14
Minimum 3,010 2,66 7,970 3,81 9,520 4,23 6,480 5,67 10,270 24,16 58,22 40,02 8,64 16,53 1,570 0,31
Median 8,940 4,70 16,460 9,60 15,420 10,16 9,970 7,89 21,570 37,47 69,05 60,75 24,50 33,06 5,870 6,81
Maximum 23,950 13,32 25,740 13,46 26,140 13,04 17,150 14,23 32,100 47,11 89,78 77,00 33,80 44,18 14,640 15,80
Range 20,940 10,66 17,770 9,65 16,620 8,81 10,670 8,56 21,830 22,95 31,56 36,98 25,16 27,65 13,070 15,49
k4_0814 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 24 9 24 9 24 9 24 9 24 9 24 9 24 9 24 9
Mean 7,122 4,298 14,969 8,563 16,373 9,83 11,622 8,628 23,68 37,22 70,26 60,65 22,81 30,74 6,930 8,61
SE Mean 0,535 0,517 0,548 0,989 0,552 1,04 0,472 0,874 1,25 2,59 1,84 3,12 1,35 2,20 0,607 1,62
Variance 6,862 2,408 7,195 8,804 7,314 9,69 5,346 6,872 37,24 60,46 80,91 87,52 43,99 43,58 8,835 23,50
Minimum 3,160 2,130 9,590 3,570 11,640 4,34 8,410 3,740 2,18 27,54 56,71 46,21 10,41 18,08 1,340 4,73
Median 6,760 4,140 14,680 8,360 16,310 10,39 11,325 9,330 24,29 34,87 70,13 58,75 22,56 32,98 6,810 7,11
Maximum 15,450 7,460 19,910 12,460 24,600 13,60 19,860 11,140 36,17 51,71 88,25 75,74 32,82 38,21 14,500 20,61
Range 12,290 5,330 10,320 8,890 12,960 9,26 11,450 7,400 33,99 24,17 31,54 29,53 22,41 20,13 13,160 15,88
k4_0815 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Count 24 9 24 9 24 9 24 9 24 9 24 9 24 9 24 9
Mean 6,710 3,989 13,841 8,724 15,841 10,601 11,841 9,040 24,23 36,94 63,88 69,52 27,04 24,38 9,083 6,107
SE Mean 0,575 0,475 0,684 0,747 0,839 0,747 0,556 0,413 1,84 1,91 2,06 3,06 1,35 3,10 0,962 0,718
Variance 7,924 2,027 11,243 5,016 16,902 5,017 7,421 1,535 81,53 32,92 101,50 84,16 43,46 86,63 22,220 4,638
Minimum 2,520 2,030 3,510 5,810 4,600 6,430 5,590 7,220 2,46 30,14 36,87 57,04 14,24 13,55 1,880 3,240
Median 6,320 3,820 13,905 8,860 15,720 10,870 11,635 9,130 24,72 36,44 65,38 70,12 25,84 26,37 6,840 6,050
Maximum 15,930 6,740 20,310 12,220 27,050 13,470 21,670 10,610 48,96 47,26 83,87 79,71 41,03 39,72 22,090 9,530
Range 13,410 4,710 16,800 6,410 22,450 7,040 16,080 3,390 46,50 17,12 47,00 22,67 26,79 26,17 20,210 6,290
125
Lampiran 31. Pengelompokan Provinsi di Indonesia menurut kombinasi variabel k5 (persentase bekerja menurut jam kerja, dan persentase pekerja setengah penganggur) pada jumlah kelompok ( ) = 2 menggunakan MBC- ICL PROVINSI
0212
0213
0214
0215
0812
0813
0814
0815
1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
2
1
1
1
1
1
1
1
1 1 2 2 1 1 1 2 2 2 2 1 1 1 2 1 1 1 1 1 1 2 2 1 2 1 2 1 2 2 2 1
1 1 2 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 2 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
126
Lampiran 32. Output statistik deskriptif pengelompokan Provinsi di Indonesia menurut kombinasi variabel k5 (EPR, persentase pekerja rentan, dan persentase pekerja sektor informal) pada jumlah kelompok ( ) = 2 menggunakan MBC- ICL Descriptive Statistics: X2; X8; X18 Variable X2 X8 X18 Variable X2 X8 X18 Variable X2 X8 X18 Variable X2 X8 X18 Variable X2 X8 X18 Variable X2 X8 X18 Variable X2 X8 X18 Variable X2 X8 X18
k5_0212 1 2 1 2 1 2
Count 18 15 18 15 18 15
Mean 70,289 63,058 69,35 55,88 63,02 50,43
SE Mean 0,770 0,683 1,58 3,20 1,91 3,24
Variance 10,683 6,993 44,87 153,44 65,63 157,46
Minimum 65,550 57,980 57,42 30,86 47,65 24,14
Median 70,345 63,230 68,34 58,47 62,73 54,35
Maximum 76,970 67,520 81,87 72,64 78,44 66,94
Range 11,420 9,540 24,45 41,78 30,79 42,80
k5_0213 1 2 1 2 1 2
Count 28 5 28 5 28 5
Mean 67,342 63,89 65,50 38,98 59,44 34,12
SE Mean 0,924 1,05 1,45 4,80 1,60 4,85
Variance 23,924 5,54 58,58 115,11 71,93 117,69
Minimum 58,310 61,64 49,56 26,40 43,67 20,94
Median 67,185 63,43 64,63 39,44 58,39 34,25
Maximum 78,000 66,64 82,57 54,10 79,59 50,05
Range 19,690 5,00 33,01 27,70 35,92 29,11
k5_0214 1 2 1 2 1 2
Count 30 3 30 3 30 3
Mean 66,942 65,46 62,92 33,74 57,25 39,3
SE Mean 0,901 2,56 1,73 2,74 1,84 11,4
Variance 24,336 19,71 89,30 22,55 101,20 390,9
Minimum 58,430 61,75 39,13 28,35 33,92 23,7
Median 67,010 64,26 63,51 35,56 58,19 32,7
Maximum 77,730 70,38 82,03 37,31 80,10 61,5
Range 19,300 8,63 42,90 8,96 46,18 37,8
k5_0215 1 2 1 2 1 2
Count 4 29 4 29 4 29
Mean 62,79 67,093 32,95 63,31 28,20 57,51
SE Mean 1,37 0,852 2,88 1,45 2,74 1,55
Variance 7,49 21,063 33,08 61,12 29,95 69,93
Minimum 60,18 58,610 27,30 50,37 21,67 43,61
Median 62,23 67,550 32,73 63,44 28,62 56,70
Maximum 66,53 77,780 39,01 77,70 33,89 75,49
Range 6,35 19,170 11,71 27,33 12,22 31,88
k5_0812 1 2 1 2 1 2
Count 29 4 29 4 29 4
Mean 64,574 61,59 64,40 35,54 58,92 30,19
SE Mean 0,914 1,30 1,47 3,89 1,56 3,85
Variance 24,221 6,79 62,94 60,63 70,81 59,20
Minimum 56,150 58,44 48,38 27,84 43,76 21,57
Median 63,780 61,70 64,04 35,68 58,05 30,79
Maximum 76,050 64,50 81,05 42,96 78,90 37,59
Range 19,900 6,06 32,67 15,12 35,14 16,02
k5_0813 1 2 1 2 1 2
Count 28 5 28 5 28 5
Mean 63,147 60,45 64,42 37,17 58,93 32,35
SE Mean 0,932 1,07 1,39 3,78 1,53 3,64
Variance 24,345 5,70 54,08 71,57 65,27 66,35
Minimum 55,680 57,25 51,85 27,55 44,40 22,40
Median 63,140 61,48 64,28 39,64 57,23 34,52
Maximum 75,490 62,91 81,24 46,40 78,72 41,08
Range 19,810 5,66 29,39 18,85 34,32 18,68
k5_0814 1 2 1 2 1 2
Count 29 4 29 4 29 4
Mean 63,739 59,980 63,96 35,51 58,68 30,35
SE Mean 0,908 0,789 1,41 3,82 1,54 3,85
Variance 23,909 2,493 57,99 58,40 68,86 59,19
Minimum 54,520 58,050 51,04 27,51 44,39 21,60
Median 63,910 60,170 64,42 35,23 57,80 30,50
Maximum 75,960 61,530 82,67 44,07 80,73 38,79
Range 21,440 3,480 31,63 16,56 36,34 17,19
k5_0815 1 2 1 2 1 2
Count 29 4 29 4 29 4
Mean 63,532 59,16 63,14 33,34 57,81 28,49
SE Mean 0,898 1,28 1,51 3,34 1,63 3,31
Variance 23,386 6,56 66,24 44,71 77,23 43,76
Minimum 55,080 56,30 48,64 27,04 43,80 21,49
Median 63,270 59,37 62,86 33,32 57,25 28,84
Maximum 76,400 61,59 81,49 39,66 79,96 34,77
Range 21,320 5,29 32,85 12,62 36,16 13,28
127
Lampiran 33. Pengelompokan Provinsi di Indonesia menurut kombinasi variabel k5 (persentase bekerja menurut jam kerja, dan persentase pekerja setengah penganggur) pada jumlah kelompok ( ) = 2 menggunakan MBC- ICL PROVINSI
0212
0213
0214
0215
0812
0813
0814
0815
1. ACEH 2. SUMUT 3. SUMBAR 4. RIAU 5. JAMBI 6. SUMSEL 7. BENGKULU 8. LAMPUNG 9. BABEL 10. KEP. RIAU 11. DKI 12. JABAR 13. JATENG 14. DIY 15. JATIM 16. BANTEN 17. BALI 18. NTB 19. NTT 20. KALBAR 21. KALTENG 22. KALSEL 23. KALTIM 24. SULUT 25. SULTENG 26. SULSEL 27. SULTRA 28. GORONTALO 29. SULBAR 30. MALUKU 31. MALUT 32. PAPUA BARAT 33. PAPUA
2 1 1 2 1 1 1 1 3 3 3 2 1 1 1 3 1 1 1 1 1 1 3 2 1 2 1 2 1 2 2 1 1
1 1 1 1 1 1 1 1 1 3 3 1 1 1 1 3 1 1 2 1 1 1 3 1 1 1 1 1 1 1 1 1 2
2 1 1 2 2 1 1 1 2 3 3 2 1 1 1 3 1 1 1 1 1 1 3 2 1 2 1 1 1 2 2 2 1
1 1 1 1 1 1 1 1 1 3 3 1 1 1 1 3 1 1 2 1 1 1 3 1 1 1 1 1 1 1 1 1 2
3 1 1 3 1 1 1 1 3 3 3 3 1 2 1 3 2 1 2 1 1 1 3 3 1 1 1 1 1 1 1 1 2
2 1 2 2 2 1 1 1 2 3 3 2 1 1 1 3 1 1 1 1 1 1 3 2 1 2 1 2 1 2 1 1 1
2 1 1 2 1 1 1 1 2 3 3 3 1 2 1 2 2 1 1 1 1 2 2 2 1 1 1 1 1 2 2 1 1
1 1 2 3 1 2 2 2 1 3 3 3 1 1 1 3 1 2 2 2 1 1 3 1 2 1 2 1 2 1 2 1 2
128
Lampiran 34. Output statistik deskriptif pengelompokan Provinsi di Indonesia menurut kombinasi variabel k5 (EPR, persentase pekerja rentan, dan persentase pekerja sektor informal) pada jumlah kelompok ( ) = 3 menggunakan MBC- ICL Descriptive Statistics: X2; X8; X18 Variable X2 X8 X18
Variable X2 X8 X18
Variable X2 X8 X18
Variable X2 X8 X18
Variable X2 X8 X18
Variable X2 X8 X18
k5_0212 1 2 3 1 2 3 1 2 3
Count 20 8 5 20 8 5 20 8 5
Mean 69,980 61,434 64,004 68,46 63,93 41,18 62,32 58,30 35,59
SE Mean 0,724 0,683 0,769 1,55 2,08 3,59 1,78 2,33 3,43
Variance 10,480 3,732 2,959 48,07 34,51 64,58 63,68 43,51 58,80
Minimum 65,550 57,980 61,910 57,42 56,36 30,86 47,65 48,64 24,14
Median 69,645 61,270 63,400 67,97 63,29 45,96 61,14 58,95 39,78
Maximum 76,970 64,220 66,220 81,87 72,64 48,81 78,44 66,94 42,36
Range 11,420 6,240 4,310 24,45 16,28 17,95 30,79 18,30 18,22
k5_0213 1 2 3 1 2 3 1 2 3
Count 27 2 4 27 2 4 27 2 4
Mean 66,695 75,72 63,20 63,85 82,170 35,20 57,61 79,530 30,14
SE Mean 0,831 2,28 1,03 1,24 0,400 3,82 1,27 0,0600 3,58
Variance 18,624 10,35 4,23 41,61 0,320 58,27 43,56 0,0072 51,22
Minimum 58,310 73,45 61,64 49,56 81,770 26,40 43,67 79,470 20,94
Median 66,860 75,72 62,56 63,82 82,170 35,53 58,24 79,530 31,26
Maximum 77,420 78,00 66,02 75,75 82,570 43,36 67,95 79,590 37,11
Range 19,110 4,55 4,38 26,19 0,800 16,96 24,28 0,120 16,17
k5_0214 1 2 3 1 2 3 1 2 3
Count 19 10 4 19 10 4 19 10 4
Mean 69,959 62,643 62,250 65,28 60,11 36,83 60,86 55,26 31,61
SE Mean 0,790 0,956 0,933 2,33 1,87 3,03 1,95 2,03 2,74
Variance 11,848 9,131 3,485 103,17 34,96 36,68 72,61 41,14 29,96
Minimum 64,630 58,430 59,910 35,56 51,61 28,35 44,91 45,98 23,69
Median 69,700 62,555 62,415 65,71 61,12 38,22 60,31 55,89 33,30
Maximum 77,730 68,420 64,260 82,03 69,05 42,54 80,10 64,85 36,16
Range 13,100 9,990 4,350 46,47 17,44 14,19 35,19 18,87 12,47
k5_0215 1 2 3 1 2 3 1 2 3
Count 27 2 4 27 2 4 27 2 4
Mean 66,619 73,49 62,79 62,25 77,565 32,95 56,21 75,160 28,20
SE Mean 0,832 2,82 1,37 1,35 0,135 2,88 1,36 0,330 2,74
Variance 18,690 15,90 7,49 49,02 0,036 33,08 49,57 0,218 29,95
Minimum 58,610 70,67 60,18 50,37 77,430 27,30 43,61 74,830 21,67
Median 67,350 73,49 62,23 63,32 77,565 32,73 56,66 75,160 28,62
Maximum 77,780 76,31 66,53 76,86 77,700 39,01 70,29 75,490 33,89
Range 19,170 5,64 6,35 26,49 0,270 11,71 26,68 0,660 12,22
k5_0812 1 2 3 1 2 3 1 2 3
Count 20 4 9 20 4 9 20 4 9
Mean 64,489 72,01 60,130 66,24 67,64 46,03 60,636 61,98 40,96
SE Mean 0,745 2,15 0,979 1,04 7,45 3,82 0,998 9,04 3,92
Variance 11,091 18,52 8,619 21,78 221,76 131,34 19,929 326,84 138,22
Minimum 58,920 68,04 56,150 59,51 53,05 27,84 54,120 44,89 21,57
Median 64,205 71,97 60,200 66,17 68,22 48,38 59,455 62,07 43,76
Maximum 70,200 76,05 64,500 76,13 81,05 59,78 68,660 78,90 55,86
Range 11,280 8,01 8,350 16,62 28,00 31,94 14,540 34,01 34,29
k5_0813 1 2 3 1 2 3 1 2 3
Count 19 10 4 19 10 4 19 10 4
Mean 65,690 58,293 59,84 66,51 58,65 34,86 60,86 53,48 30,17
SE Mean 0,858 0,724 1,13 1,72 1,98 3,87 1,96 2,11 3,76
Variance 13,982 5,247 5,08 56,49 39,17 59,90 72,94 44,46 56,70
Minimum 60,910 55,680 57,25 51,85 46,40 27,55 44,40 41,08 22,40
Median 66,050 57,970 60,07 66,22 59,40 34,34 60,43 55,47 29,94
Maximum 75,490 62,910 61,95 81,24 66,82 43,20 78,72 63,49 38,39
Range 14,580 7,230 4,70 29,39 20,42 15,65 34,32 22,41 15,99
129
Lampiran 35. Script Model-Based Clustering dengan Kriteria ICL pada Software R #
Memanggil data >prov0212<-read.table (file.choose(), header=T, sep="\t") >data0212= data.frame(prov0212[ ,2:26])
#
Membentuk kombinasi variabel k2 yang terdiri dari data pada kolom 9, 10 dan 11. >k2_0212= as.matrix(data0212[ ,c(9,10,11)])
#
Deteksi outlier subset data k2_0212 >library(mvoutlier) >dd.plot(k2_0212, quan=0.9, alpha=0.05) >mtext(text="Outlier Detection Data k2_0212,quan=0.9 ", side=3, adj=1)
#
Uji Asumsi Normal Multivariat subset data k2_0212 >library(psych) >mardia(k2_0212)
#
Klasfikasi dan estimasi parameter kelompok optimal dengan kriteria ICL >library(teigen) >teigen(k2_0212)$iclresult
#
Menampilkan Anggota kelompok Model UUUC dengan jumlah kelompok G=2 >teigen(k2_0212) >tk2_0212_UUUC <-teigen(k2_0212, models="UUUC",parallel.cores=2, Gs=2) >tk2_0212_UUUC$iclresults$classification
#
Marginal Contour Plot subset data k2_0212 >library(teigen) >tk20212 <- teigen(k2_0212, init="hard")
models="UUUC",
parallel.cores=2,
>plot(tk20212, what = "contour") >mtext(text="Subset Data k2_0212", side=3, adj=1)
130
Gs=2,
Lampiran 36 Program RMBC-MML % -------------------------------------------------------------------------------------------------------------------% % ROBUST MODEL-BASED CLUSTERING WITH MULTIVARIATE t DISTRIBUTIONS % AND MINIMUM MESSAGE LENGTH (RMBC-MML) % % Source : private communication % Author : Associate Professor Shy Shoham % Department of Biomedical Engineering, % Technion, Israel % Modification : Tiodora H.Siagian, M.Pop.Hum.Res % PhD Student, Statistics Department, ITS, % Surabaya, Pebruari 2014 % % ------------------------------------------------------------------------------------------------------------------function [bestPj,bestmu,bestSigma,nu,indZ,Z,U,M]=RMBCmml(data,Pj,mu,Sigma,n u,N,max_iteration,method) % This function iteratively calculate the estimation of a multivariate t % mixture model using EM algorithm and then cluster the data % % Usage syntax: % [bestPj,bestmu,bestSigma,nu,indZ,Z,U,M]= RMBCmml(data,Pj,mu,Sigma,nu,N,max_iteration,method); % % Inputs: % data : the data; for n observations in p dimensions % Pj : the initial mixing proportion % mu : the initial mean vector from kmeans result % Sigma : the matrix identity % nu : a scalar specifies the degree of freedom % N : number of parameter in a cluster % method : has 2 options: 'agglomerate' and 'regular' % % Outputs: % bestPj : estimated mixing proportion % bestmu : estimated mean vectors % bestSigma : estimated covariance matrix % nu : degree of freedom % indZ : cluster which has max Z % Z : estimated posterior probabilities % U : weight % M : Mahalanobis distance %Initialization format compact; [n,d]=size(data);% find the size of data
131
%plot stuff set(gcbf,'CurrentAxes','PCA'); cla result = robpca(data); hold on
plot(result.T(:,1),result.T(:,2),'k.','MarkerSize',12); xlabel('PC 1'),ylabel('PC 2'); ph1=plot(0,0); colors=repmat(['b'],20,1); g=length(Pj); if g>1 Pj=sparse(Pj); end rep=reshape(repmat(1:g,n,1),g*n,1); rep_data=repmat(data,g,1); diffs=rep_data-mu(rep,:); %Distances to cluster center delta=1; Lmax=-inf; %Initial likelihood L=Lmax; nu_old=nu; Lhist=[] ghist=[] SigmaNo=length(Sigma); detSigma=sparse(zeros(1,SigmaNo)); for i=1:SigmaNo detSigma(i)=1/sqrt(det(Sigma{i})) ; end M=zeros(n,g); for i=1:SigmaNo i M(:,i)=sum(((sqrtm(pinv(Sigma{i}))*(diffs(rep==i,:)')).^2))'; %Mahalanobis distances end c=gamma((nu+d)/2)/(gamma(nu/2)*(pi*nu)^(d/2)) Prob=[c*exp(-(nu+d)*log(1+M/nu)/2)*diag(detSigma)]%Pdf multivariate t k=0 %iteration counter
% Start Algorithm while (g>=1)&&(k<max_iteration) while ((delta>0.1)||abs(nu-nu_old)>1e-1)&&(k<max_iteration) k=k+1; %plot ellipses delete(ph1) ph1=[]; for i=1:g sig1=result.P(:,1:2)'*(Sigma{i}*result.P(:,1:2));%rotate covariance to pc dimensions [V,D]=eig(sig1); center=(mu(i,:)-mean(data))*result.P(:,1:2);
132
%angle -angle(Z) returns the phase angles, in radians, for each %element of complex array Z. The angles lie between +phi if Pj(i)>0 ph1(i) = ellipse(2*sqrt(D(1,1)),2*sqrt(D(2,2)),angle(V(1,1)+1i*V(2,1)),cent er(1),center(2),colors(i+2)); set(ph1(i),'LineWidth',Pj(i)*20); else
ph1(i)=plot(center(1),center(2),'EraseMode','xor'); end end drawnow %------------------------------% % E step % %------------------------------% U=(nu+d)./(nu+M); %temp=Prob*diag(Pj); %Z=diag(sparse(1./sum(temp,2)))*temp; Z=Prob*diag(Pj)./(sum(Prob*diag(Pj),2)*ones(1,g)); ZU=Z.*U; %------------------------------% % M step % %------------------------------% switch method case 'agglomerate' deltaP=1; gtemp=g; while deltaP>10^-4 Pjold=Pj; temp1=Prob*diag(Pj); temp2=sum(temp1,2); for j=1:g if Pj(j)>0 Pj(j)=max((sum(temp1(:,j)./temp2)-N/2)/(nN/2*gtemp),0); if Pj(j)==0 temp2=sum(Prob*diag(Pj),2); gtemp=gtemp-1;%number of clusters end end end deltaP=norm(Pj-Pjold,1); end case 'regular' Pj=sparse(sum(Prob*diag(Pj)./(sum(Prob*diag(Pj),2)*ones(1,g)))/n); end
133
mu=(ZU'*data)./(sum(ZU)'*ones(1,d))% %Update DOF parameter y=-sum(sum(Z.*(psi(0,(nu+d)/2)+log(2./(nu+M))U)))/sum(sum(Z)); temp=1/(y+log(y)-1); nu_old=nu; nu=min(2*temp+0.0416*(1+erf(0.6594*log(2.1971*temp))),100); %Calculate Covariance detSigma=[]; for i=1:g diffs=data-ones(n,1)*mu(i,:);
Sigma{i}=(((ZU(:,i)*ones(1,d)).*diffs)'*diffs)/sum(ZU(:,i)); detSigma(i)=sparse(1/sqrt(det(Sigma{i}))); M(:,i)=sum(((sqrtm(pinv(Sigma{i}))*diffs').^2))'; %Mahalanobis distances end % update Pdf multivariate t c=gamma((nu+d)/2)/(gamma(nu/2)*(pi*nu)^(d/2)); Prob=[c*exp(-(nu+d)*log(1+M/nu)/2)*diag(detSigma)]; switch method case 'agglomerate' % cycle is done, purge empty clusters tokeep=find(Pj); if length(tokeep)
Lmax Lmax=L;%current likelihood is optimal Pjopt=Pj;%store optimal parameters
134
muopt=mu; Sigma_optimal=Sigma; nuopt=nu; Zopt=Z; Uopt=U; Mopt=M; else break end %purge smallest cluster [Y,ind]=min(Pj); %find minimal mixing proportion temp_I=1:g; disp(['eliminating']) I=setdiff(temp_I,ind);%find set difference of two vectors
Pj=Pj(I); mu=mu(I,:); Prob=Prob(:,I); Z=Z(:,I); U=U(:,I); ZU=ZU(:,I); M=M(:,I); Sigma=Sigma([I]); g=g-1; rep=reshape(repmat(1:g,n,1),g*n,1); rep_data=repmat(data,g,1); delta=1; end end switch method case 'agglomerate' bestmu=muopt; bestSigma=Sigma_optimal; bestPj=Pjopt; nu=nuopt; Z=Zopt; U=Uopt; M=Mopt; [MaxZ indZ]=max(Z'); end %------------------------------% % ellipse % %------------------------------% function h=ellipse(ra,rb,ang,x0,y0,C,Nb) % Ellipse adds ellipses to the current plot % % ELLIPSE(ra,rb,ang,x0,y0) adds an ellipse with semimajor axis of ra, % a semimajor axis of radius rb, a semimajor axis of ang, centered at % the point x0,y0.
135
% % The length of ra, rb, and ang should be the same. % If ra is a vector of length L and x0,y0 scalars, L ellipses % are added at point x0,y0. % If ra is a scalar and x0,y0 vectors of length M, M ellipse are with the same % radii are added at the points x0,y0. % If ra, x0, y0 are vectors of the same length L=M, M ellipses are added. % If ra is a vector of length L and x0, y0 are vectors of length % M~=L, L*M ellipses are added, at each point x0,y0, L ellipses of radius ra. % % ELLIPSE(ra,rb,ang,x0,y0,C) % adds ellipses of color C. C may be a string ('r','b',...) or the RGB value. % If no color is specified, it makes automatic use of the colors specified by % the axes ColorOrder property. For several circles C may be a vector. % % ELLIPSE(ra,rb,ang,x0,y0,C,Nb), Nb specifies the number of points % used to draw the ellipse. The default value is 300. Nb may be used % for each ellipse individually. % % h=ELLIPSE(...) returns the handles to the ellipses. % % as a sample of how ellipse works, the following produces a red ellipse % tipped up at a 45 deg axis from the x axis % ellipse(1,2,pi/8,1,1,'r') % % note that if ra=rb, ELLIPSE plots a circle % % written by D.G. Long, Brigham Young University, based on the % CIRCLES.m original % written by Peter Blattner, Institute of Microtechnology, University of % Neuchatel, Switzerland, [email protected] if nargin<1, ra=[]; end; if nargin<2, rb=[]; end; if nargin<3, ang=[]; end; %if nargin==1, % error('Not enough arguments'); %end;
136
if nargin<5, x0=[]; y0=[]; end; if nargin<6, C=[]; end if nargin<7, Nb=[]; end % set up the default values if if if if if if if
isempty(ra),ra=1;end; isempty(rb),rb=1;end; isempty(ang),ang=0;end; isempty(x0),x0=0;end; isempty(y0),y0=0;end; isempty(Nb),Nb=300;end; isempty(C),C=get(gca,'colororder');end;
% work on the variable sizes x0=x0(:); y0=y0(:); ra=ra(:); rb=rb(:); ang=ang(:); Nb=Nb(:); if ischar(C),C=C(:);end; if length(ra)~=length(rb), error('length(ra)~=length(rb)'); end; if length(x0)~=length(y0), error('length(x0)~=length(y0)'); end; % how many inscribed elllipses are plotted if length(ra)~=length(x0) maxk=length(ra)*length(x0); else maxk=length(ra); end; % drawing loop for k=1:maxk
137
if length(x0)==1 xpos=x0; ypos=y0; radm=ra(k); radn=rb(k); if length(ang)==1 an=ang; else an=ang(k); end; elseif length(ra)==1 xpos=x0(k); ypos=y0(k); radm=ra; radn=rb; an=ang; elseif length(x0)==length(ra) xpos=x0(k); ypos=y0(k); radm=ra(k); radn=rb(k); an=ang(k); else
rada=ra(fix((k-1)/size(x0,1))+1); radb=rb(fix((k-1)/size(x0,1))+1); an=ang(fix((k-1)/size(x0,1))+1); xpos=x0(rem(k-1,size(x0,1))+1); ypos=y0(rem(k-1,size(y0,1))+1); end; co=cos(an); si=sin(an); the=linspace(0,2*pi,Nb(rem(k-1,size(Nb,1))+1,:)+1); % x=radm*cos(the)*co-si*radn*sin(the)+xpos; % y=radm*cos(the)*si+co*radn*sin(the)+ypos; h(k)=line(radm*cos(the)*cosi*radn*sin(the)+xpos,radm*cos(the)*si+co*radn*sin(the)+ypos); set(h(k),'color',C(rem(k-1,size(C,1))+1,:)); end;
138
Lampiran 37. Main Script RMBC-MML pada Software MATLAB Pj=[0.25,0.25,0.25,0.25];%inisial mixing proportion p=4;%jumlah variabel N=9;%jumlah parameter per cluster nu=9;% inisial derajat bebas [~,mu,~]=kmeans(k1_0212,p); %inisialisasi rata-rata menggunakan kmeansc for j=1:p Sigma{j}=eye(p); %inisialisasi matriks Sigma= matiriks identitas ukuran pxp sebanyak p end [bestPj,bestmu,bestSigma,nu,indZ,Z,U,M]=RMBCmml(k1_0212,Pj,mu,Sigm a,nu,N,5000,'agglomerate')
Pj=[0.3,0.3,0.4];%inisial mixing proportion p=3;%jumlah variabel N=7;%jumlah parameter per cluster nu=7;% inisial derajat bebas [~,mu,~]=kmeans(k2_0212,p); %inisialisasi rata-rata menggunakan kmeansc for j=1:p Sigma{j}=eye(p); %inisialisasi matriks Sigma= matiriks identitas ukuran pxp sebanyak p end [bestPj,bestmu,bestSigma,nu,indZ,Z,U,M]=RMBCmml(k2_0212,Pj,mu,Sigm a,nu,N,5000,'agglomerate')
Pj=[0.125,0.125,0.125,0.125,0.125,0.125,0.125,0.125];%inisial mixing proportion p=8;%jumlah variabel N=17;%jumlah parameter per cluster nu=5;% inisial derajat bebas [~,mu,~]=kmeans(k3_0212,p); %inisialisasi rata-rata menggunakan kmeans for j=1:p Sigma{j}=eye(p); %inisialisasi matriks Sigma= matiriks identitas ukuran pxp sebanyak p end [bestPj,bestmu,bestSigma,nu,indZ,Z,U,M]=RMBCmml(k3_0212,Pj,mu,Sigm a,nu,N,5000,'agglomerate')
139
Lampiran 37 (lanjutan) Pj=[0.125,0.125,0.125,0.125,0.125,0.125,0.125,0.125];%inisial mixing proportion p=8;%jumlah variabel N=17;%jumlah parameter per cluster nu=5;% inisial derajat bebas [~,mu,~]=kmeans(k4_0212,p); %inisialisasi rata-rata menggunakan kmeans for j=1:p Sigma{j}=eye(p); %inisialisasi matriks Sigma= matiriks identitas ukuran pxp sebanyak p end [bestPj,bestmu,bestSigma,nu,indZ,Z,U,M]=RMBCmml(k4_0212,Pj,mu,Sigm a,nu,N,5000,'agglomerate')
Pj=[0.3,0.3,0.4];%inisial mixing proportion p=3;%jumlah variabel N=7;%jumlah parameter per cluster nu=5;% inisial derajat bebas [~,mu,~]=kmeans(k5_0212,p); %inisialisasi rata-rata menggunakan kmeansc for j=1:p Sigma{j}=eye(p); %inisialisasi matriks Sigma= matiriks identitas ukuran pxp sebanyak p end [bestPj,bestmu,bestSigma,nu,indZ,Z,U,M]=RMBCmml(k5_0212,Pj,mu,Sigm a,nu,N,5000,'agglomerate')
140
Lampiran 38. Output Kelompok Optimal RMBC-MML pada Subset Data k2 0212, k2 0213, k2 0214, dan k5 0213 >> load('E:\output Matlab\k2 0212 g2 nu7.mat') >> indZ indZ = Columns 1 through 22 2
1 2
1 2
1 2
1 2
1
1 1
1 1
1 1
2
2
2
1
1
1
1
2
2
Columns 23 through 33 2
2
1
1
1
2
1
1
>> load('E:\output Matlab \k2 0213 g2 nu7.mat') >> indZ indZ = Columns 1 through 22 2
1 2
1 2
1 2
1 1
1 1
1 1
1 1
1 1
2 2
2
2
1
1
1
1
1
1
2
Columns 23 through 33 2
1
1
1
1
>> load('E:\output Matlab \k2 0214 g2 nu7.mat') >> indZ indZ = Columns 1 through 22 1
2 2
2 1
2 1
2 1
2 2
2 2
2 2
2 2
1 1
1
2
2
2
2
2
2
2
1
Columns 23 through 33 2
2
2
2
2
>> load('E:\output Matlab \k5 0213 g2 nu7.mat') >> indZ indZ = Columns 1 through 22 1
1 1
1 1
1 2
1 1
1 1
1 1
1 1
1 1
1 1
2
2
1
1
1
1
1
1
Columns 23 through 33 2
1
1
1
1
141
1
Lampiran 39. Perbandingan Keanggotan Kelompok Optimal MBC-ICL dengan RMBC-MML pada Subset Data k2 0212, k2 0213, k2 0214, dan k5 0213 k2 0212
k2 0213
k2 0214
k5 0213
PROVINSI ACEH SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG KEP. BANGKA BELITUNG KEP. RIAU DKI JAKARTA JAWA BARAT JAWA TENGAH DI 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 SULAWESI BARAT MALUKU MALUKU UTARA PAPUA BARAT PAPUA
ICL
MML
ICL
MML
ICL
MML
ICL
MML
1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 1 1 1 1 2 2 2 1 1 1 2 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 1 1 1 1 2 2 2 1 1 1 2 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 2 2 1 2 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1 1 2 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 2 2 1 2 2 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 2 2 1 2 2 1 2 2 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
1 1 1 2 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 2 2 1 1 1 1 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
142
BIOGRAFI PENULIS
Mety Agustini lahir di Kelapa Kampit, Belitung pada tanggal 30 Agustus 1983. Penulis merupakan putri kelima dari enam bersaudara, pasangan Bapak Alm. Djamli Semaun dan Ibu Farima. Penulis menempuh pendidikan formal di SDN 11 Kelapa Kampit (1990-1996), SLTPN 4 Sungailiat (1996-1999) dan SMUN 2 Sungailiat (19992002). Selanjutnya, penulis melanjutkan pendidikan di Sekolah Tinggi Ilmu Statistik (STIS) Jakarta (2002-2006) Jurusan Statistik Ekonomi. Setelah menyelesaikan pendidikan DIV di STIS, penulis ditugaskan bekerja di BPS Kabupaten Bangka Tengah, BPS Provinsi Bangka Belitung dan BPS Kabupaten Bangka. Pada tahun 2015 penulis memperoleh kesempatan untuk melanjutkan pendidikan Pasca Sarjana Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA), Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Pembaca yang ingin memberikan kritik, saran dan pertanyaan mengenai penelitian ini dapat menghubungi penulis melalui email [email protected].
143
