Analisis dan Pembahasan ANALISIS DAN PEMBAHASAN
85
diperoleh ringkasan
hasil estimasi
dari model-model
tersebut sebagai berikut: Tabel 4.7
Rangkuman Estimasi Model ARIMA
Sumber: Lampiran 4 Dari rangkuman semua model diatas model yang
signifikan pada α=5, adalah model 2 dan model 3
sedangkan model 1 tidak signifikan, yang berarti model 1 tidak
memenuhi diagnostic
cheking .
Selanjutnya melakukan evaluasi pada model 2 dan model 3, dari kedua
model tersebut yang memiliki model yang baik adalah model 3 memiliki nilai determinan paling tingggi yang
ditunjukkan nilai R-squared = 0.911253 serta memiliki nilai AIC dan SC paling minimum yaitu nilai AIC = 30.68150
dan SC = 30.82311, dapat disimpulkan bahwa model ini merupakan model terbaik yang memenuhi kriteria karena
prilaku data deret waktu akan lebih baik dijelaskan melalui penggabungan antara model AR dan MA. Dengan kata lain,
Model Prob
R-squared Sum
Squared Residual
SSR AIC
SC
model 1 0.2361
0.106104 1.25
32.85797 32.95237
model 2 0.0000
0.317062 1.12
32.33018 32.42966
model 3 0.0491
0.0000
0.911253 1.24
30.68150 30.82311
86
nilai Y
t
tidak hanya dipengaruhi oleh nilai peubah tersebut, tetapi juga oleh residual peubah tersebut pada periode
sebelumnya Juanda, 2012:73. 3 Evaluasi Model
Dalam melakukan evaluasi dari model yang dipilih maka dilakukan uji statistik dari model sebagai berikut:
Tabel 4.8 Uji Q-statistik Model 3
Sample: 9 23 Included observations: 15
Q-statistic probabilities adjusted
for 2 ARMA terms Autocorrelation
Partial Correlation AC
PAC Q-Stat
Prob . | . |
. | . | 1 -0.245 -0.245
1.0953 . | . |
. | . | 2 -0.199 -0.275
1.8683 . | . |
. | . | 3 -0.088 -0.251
2.0331 0.154
. | . | . | . |
4 0.080 -0.105
2.1807 0.336
. | . | . | . |
5 0.246
0.200 3.7284
0.292 . | . |
. | . | 6 -0.193 -0.059
4.7865 0.310
. | . | . | . |
7 -0.115 -0.091 5.2066
0.391 . | . |
. | . | 8
0.038 -0.043 5.2602
0.511 . | . |
. | . | 9 -0.016 -0.154
5.2713 0.627
. | . | . | . |
10 0.001 -0.162
5.2714 0.728
. | . | . | . |
11 0.005 -0.019
5.2730 0.810
. | . | . | . |
12 0.027
0.027 5.3336
0.868 . | . |
. | . | 13 -0.036 -0.051
5.4952 0.905
. | . | . | . |
14 -0.006 -0.000 5.5031
0.939
Sumber: Lampiran 3 dari hasil uji residual yang dilakukan pada model 3
didapatkan hasil bahwa ACF dan PACF dari nilai residual tidak ada yang signifikan sampai pada lag ke 14 yang
berarti model baik untuk melakukan proyeksi.
87
4 Prediksi atau Peramalan. Terdapat dua metode dalam melakukan proyeksi,
yaitu static forcast untuk satu langkah kedepan dan model dynamic forcast
untuk beberapa langkah kedepan Rosadi, 2012:160. Dalam analisis ini metode yang dipakai adalah
metode dynamic
forcast untuk
memproyeksikan dalam
beberapa tahun kedepan. Hasil dari peramalan dari model 3 untuk PDRB 5
tahun kedepan maka diperoleh grafik yang ditunjukkan pada gambar 4.7 sebagai berikut
Gambar 4.7 Grafik trend PDRB ADHK tahun 1990-2013
Sumber: Lampiran 2 Dari gambar 4.7 memberikan output RMSE, MAE, dan
MAPE untuk mengukur kesalahan peramalan. Pada gambar
30,000,000 40,000,000
50,000,000 60,000,000
70,000,000 80,000,000
10 12
14 16
18 20
22 24
PDRBF ± 2 S.E.
Forecast: PDRBF Actual: PDRB
Forecast sample: 1 24 Adjusted sample: 9 24
Included observations: 15
Root Mean Squared Error 910556.1
Mean Absolute Error 520009.6
Mean Abs. Percent Error 1.221699
Theil Inequality Coefficient 0.008602 Bias Proportion
0.000497 Variance Proportion
0.003291 Covariance Proportion 0.996212
88
4.7 dihasilkan
nilai rata-rata
kuadrat kesalahan
sebesar 910556.1
RMSE, sedangkan
rata-rata absolut
kesalahan sebesar 520009.6, dan rata-rata persentase absolut kesalahan
sebesar 1.22. Berdasarkan ukuran MAPE maka diketahui bahwa tingkat kesalahan peramalan relatif kecil yaitu sebesar
1,22 yang berarti model baik untuk melakukan peramalan, berikut hasil peramalan PDRB Sumatera Selatan 5 tahun
kedepan pada tabel 4.7.
Tabel 4.9 Proyeksi PDRB Sumatera Selatan tahun 2013-2017
Atas Dasar Harga Konstan Tahun 2000 Tahun
PDRB ADHK Juta Rp
Pertumbuhan Persen
2013 76.271.123
5,8 2014
80.663.748 5,7
2015 85.315.275
5,7 2016
89.850.697 5,3
2017 94.529.183
5,2 Sumber: Lampiran 6
89
c. Analisis Incremental Capital Output Ratio ICOR Untuk memproyeksikan dengan tujuan mengetahui seberapa
besar investasi yang dibutuhkan beberapa tahun kedepan untuk pertumbuhan ekonomi dengan indikator PDRB maka perlu diketahui
nilai ICOR dari beberapa tahun sebelumnya. Untuk melakukan perhitungannya maka dilakukan lag satu tahun dengan asumsi bahwa
investasi pada tahun tertentu akan dinikmati hasilnya pada satu tahun berikutnya Kurnia Astuti Handoko, 2007: 165. Perhitungan ICOR
dalam beberapa tahun kedepan ditampilkan oleh tabel 4.10 sebagai berikut.
Tabel 4.10 Nilai ICOR Provinsi Sumatera Selatan tahun 1990-2012
Tahun Nilai ICOR
PMA PMDN
1991 -0,02506188
-0,21031196 1992
0,000383846 0,025786893
1993 0,063390865
1994 0,007836094
1995 0,004077468
0,258262829 1996
0,008287943 0,186371729
1997 0,190882663
1998 0,00002299
-0,03353067 1999
0,027864114 0,739706926
2000 0,261664188
0,087821261 2001
0,094897076 Berlanjut kehalaman Berikutnya
90
Lanjutan Tabel 4.10 2002
2,068935423 0,025221963
2003 0,024724121
0,010633835 2004
0,553162184 0,040579992
2005 0,556203576
0,024953465 2006
0,470058116 0,252426286
2007 0,083937313
0,228869026 2008
0,699024084 0,289473881
2009 0,602583848
0,158519139 2010
0,171690152 0,170371347
2011 0,400461814
0,418966124 2012
1,186760943 0,261614766
Sumber: Lampiran 5
Dari nilai ICOR dalam beberapa tahun yang ditampilkan pada tabel 4.10 maka rata-rata ICOR Sumatera Selatan adalah 0,472160172 yang
artinya adalah untuk menghasilkan atau meningkatkan PDRB sebesar Rp1.000.000
maka dibutuhkan
tambahan kapital
sebesar Rp472.160,172, maka akan dapat menentukan proyeksi kebutuhan
investasi di Sumatera Selatan tahun 2013-2017 yang dikriteriakan menjadi proyeksi optimis, proyeksi moderat, dan proyeksi pesimis
seperti yang ditampilkan pada tabel 4.11 sebagai berikut.
91
Tabel 4.11 Proyeksi Kebutuhan Investasi di Sumatera Selatan tahun 2013-2017
Tahun Proyeksi
PDRB ADHk Juta Rp
Pertumbuhan Persen
Kriteria Proyeksi
Investasi yang dibutuhkan
juta Rp
2013 76.271.123
5,8 Optimis
2.088.707 Moderat
2.088.707 - 2.666.964
Pesimis 2.666.964
2014 80.663.748
5,75 Optimis
2.189.957 Moderat
2.189.957 - 3.493.500
Pesimis 3.493.500
2015 85.315.275
5,76 Optimis
2.320.271 Moderat
2.320.271 - 4.603.637
Pesimis 4.603.637
2016 89.850.697
5,3 Optimis
2.248.468 Moderat
2.248.468 - 5.886.811
Pesimis 5.886.811
2017 94.529.183
5,2 Optimis
2.320.912 Moderat
2.320.912 - 6.984.720
Pesimis 6.984.720
Sumber: Lampiran 6
d. Analisis Incremental Labour Out Ratio ILOR Untuk memproyeksikan kebutuhan tenaga kerja maka terlebih
dahulu diketahui nilai ILOR Incremental Labour Output Ratio dengan tahun penelitian 1990-
2012 menggunakan konsep ∆L∆Y Astuti Handoko, 2007:166 maka dihasilkan nilai ILOR yang
ditampilkan tabel 4.12 sebagai berikut:
92
Tabel 4.12 Nilai ILOR Sumatera Selatan Tahun 1994-2012
Sumber: Lampiran 5 Tahun
Nilai ILOR 1991
-0,591679 1992
0,1085724 1993
0,0010147 1994
0,0073299 1995
0,0152819 1996
-0,023265 1997
0,0624912 1998
-0,01727 1999
0,3813601 2000
-0,005525 2001
-0,518338 2002
0,0482339 2003
0,0509723 2004
0,1186351 2005
-0,030893 2006
0,0003552 2007
0,011676 2008
0,047742 2009
0,00232 2010
0,0658503 2011
0,0317907 2012
-0,004937
93
Setelah diketahui nilai ILOR Sumatera Selatan tahun 1991-2012 maka selanjutnya menghitung rata-rata nilai ILOR Sumatera Selatan
dari tahun 1991-2012 untuk memproyeksikan kebutuhan tenaga kerja di Sumatera Selatan pada tahun 2013-2017. Nilai ILOR di Sumatera
Selatan rata-rata adalah 0,0010831 yang berarti setiap pekerja pada tahun
1991-2012 untuk
meningkatkan PDRB
sebesar Rp1.000.000.000,00 dibutuhkan pekerja 1,08 atau sekitar 2 orang
selama 1 tahun yang dapat digunakan untuk penyerapan tenaga kerja pada tahun 2013-2017 sebagai berikut:
Tabel 4.13 Proyeksi Tambahan Penyerapan Tenaga Kerja
di Sumatera Selatan tahun 2013-2017
Tahun Proyeksi
PDRB Rp juta
Peningkatan PDRB
Rp juta Kriteria
proyeksi Proyeksi
Penyerapan Tenaga Kerja
Orang
2013 76.271.123
4.371.950,00 Pesimis
2.421 Moderat
4.735 Optimis
7.049 2014
80.663.748 4.581.381,00
Pesimis 1.539
Moderat 4.962
Optimis 8.386
2015 85.315.275
4.685.862,00 Pesimis
1.010 Moderat
5.075 Optimis
9.140 2016
89.850.697 4.904.761,00
Pesimis 882
Moderat 5.312
Optimis 9.742
2017 94.529.183
5.207.870,00 Pesimis
1.000 Moderat
5.641 Optimis
10.281 Sumber: Lampiran 6
94
Selain perhitungan menggunakan ILOR tenaga kerja yang digunakan dapat juga dengan menggunakan rata-rata rasio modal
tenaga kerja ∆K∆L di Provinsi Sumatera Selatan yang ditunjukkan
pada tabel 4.14 sebagai berikut: Tabel 4.14
Perubahan Investasi ∆K dan Tenaga Kerja ∆L di Provinsi
Sumatera Selatan Tahun 1994-2012
Tahun t Perubahan
Investasi ∆K Perubahan Tenaga
K erja ∆L
1991 42788,4686
100.486 1992
-31283,878 343.350
1993 -30098,5
824 1994
915733,5466 19.999
1995 -237669,7162
54.589 1996
-337060,8304 -83.595
1997 -123861,2704
118.637 1998
12381,792 122.765
1999 257383,4724
124.659 2000
-411527,094 -8.036
2001 2637887,046
-528.513 2002
-2677928,466 62.986
2003 1188355,201
81.766 2004
85276,629 248.777
2005 534607,245
-70.719 2006
-911753,535 917
2007 1817892,755
35.580 2008
-953971,867 133.837
2009 -651996,498
5.539 2010
2234969,722 224.299
2011 2517486,948
131.911 2012
4091048,42 -20.172
Rata-rata 453120,8905
49.995
Sumber: Lampiran 5
95
Dari rata-rata rasio modal-tenaga kerja di Provinsi Sumatera Selatan selama tahun 1991-2012 bernilai 9,063357 yang berarti
bahwa setiap pekerja di Provinsi Sumatera Selatan menggunakan modal Rp9.063.357,00 dalam satu tahunnnya yang dapat digunakan
untuk memproyeksikan tenaga kerja yang digunakan dalam beberapa tahun kedepan yang ditampilkan pada tabel 4.15 sebagai berikut.
Tabel 4.15 Proyeksi Tambahan Penggunaan Tenaga Kerja di Provinsi
Sumatera Selatan Tahun 2013-2017 Rasio modal-tenaga kerja
Tahun Proyeksi Investasi
Juta Rp Rasio Modal-
Tenaga Kerja ∆K∆L
Kebutuhan Tambahan Tenaga Kerja Orang
2013
2.088.707-2.666.964 9,063357
230.456-294.258
2014
2.189.957-3.493.500 9,063357
241.628-385.453
2015
2.320.271- 4.603.637 9,063357
256.006-507.939
2016
2.248.468-5.886.811 9,063357
248.083-649.518
2017
2.320.912-6.984.720 9,063357
256.076-770.655 Sumber: Lampiran 6
96