Penanaman Modal Dalam Negeri PMDN

69 Tabel 4.13 Correlogram 1 st Different Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 -0.089 -0.089 0.1826 0.669 . | . | . | . | 2 -0.040 -0.048 0.2216 0.895 . |. | . |. | 3 0.232 0.226 1.6147 0.656 . | . | . | . | 4 -0.002 0.038 1.6148 0.806 . | . | . | . | 5 0.120 0.147 2.0353 0.844 . | . | .| . | 6 -0.201 -0.249 3.3044 0.770 . | . | . | . | 7 0.060 0.033 3.4274 0.843 . | . | . | . | 8 0.160 0.096 4.3693 0.822 .| . | . | . | 9 -0.210 -0.094 6.1257 0.727 . | . | . | . | 10 0.054 0.017 6.2528 0.794 . | . | .| . | 11 -0.170 -0.230 7.6690 0.743 . | . | . | . | 12 -0.027 -0.030 7.7088 0.807 Sumber : Data diolah tahun 2015 Pada Tabel 4.13 dapat terlihat bahwa probabilitas keseluruhan data diatas lebih besar dari α=5 yang dapat disimpulkan bahwa data yang digunakan sudah stasioner, selain itu dari kolom autocorrelation dan partial correlation menunjukkan bahwa data yang digunakan tidak mengandung autokorelasi.Selanjutnya dilakukan analisis pembentukan model dengan mengklasifikan model-model ARIMA dan melihat nilai R-square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat dalam Tabel 4.14 berikut ini : Tabel 4.14 Klasifikasi Model ARIMA Model AR dan MA ARIMA Model 1 AR 9 9,1,0 Model 2 MA 1 0,1,1 Model 3 AR 9 MA 1 9,1,1 70 Setelah diperoleh model-model alternatif maka dapat dilanjutkan dengan estimasi menggunakan program Eviews6. b Estimasi dari Model Untuk mengestimasi model dari parameter pada tabel 4.14 peneliti menggunakan program Eviews6 dan diperoleh ringkasan hasil estimasi dari model-model tersebut sebagai berikut: Tabel 4.15 Rangkuman Estimasi Model ARIMA Sumber : Data diolah tahun 2015 Pada Tabel 4.15 nilai probabilitas yang signifikan atau lebih kecil dari α=5 adalah model 2 dan 3, dengan kata lain model 1 tidak signifikan atau tidak memenuhi diagnostic cheking . Selanjutnya dilakukan pengamatan melalui nilai R-squared yaitu diantara 3 model diatas yang paling besar adalah model 3, dalam Tabel Model Prob R- squared Sum Squared Residual SSR AIC SIC model 1 0,2175 0,163 3,02E+14 34,14 34,21 model 2 0,6579 0,011 5,26E+14 33,93 34,03 model 3 0,000 0,01 0,408 21,14E+14 33,98 34,08 71 4.22diatas maka dapat disimpulkan bahwa model 3 merupakan model yang layak dalam penelitian ini dan 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, nilai Y t tidak hanya dipengaruhi oleh nilai peubah tersebut, tetapi juga oleh residual peubah tersebut pada periode sebelumnya Juanda, 2012:73. c Evaluasi Model Dalam melakukan evaluasi dari model yang dipilih maka dilakukan uji statistik dari model sebagai berikut: Tabel 4.16 Uji Q-Statistik Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 -0.293 -0.293 1.2292 . | . | . | . | 2 -0.213 -0.327 1.9506 . | . | . | . | 3 0.233 0.066 2.9169 0.088 . | . | . | . | 4 0.110 0.185 3.1637 0.206 . | . | . | . | 5 -0.227 -0.058 4.3920 0.222 . | . | . | . | 6 -0.157 -0.287 5.0978 0.277 . | . | . | . | 7 0.160 -0.143 6.0107 0.305 . | . | . | . | 8 -0.118 -0.183 6.6734 0.352 . | . | . | . | 9 0.004 0.078 6.6745 0.464 . | . | . | . | 10 0.002 0.019 6.6752 0.572 Sumber : Data diolah tahun 2015 Pada Tabel 4.16 dapat terlihat bahwa pengujian residual yang dilakukan pada model 3 didapatkan hasil bahwa ACF dan PACF dari nilai residual tidak ada yang signifikan sampai 72 pada lag ke 12 yang berarti model baik untuk melakukan proyeksi. d 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 PMDN 5 tahun kedepan maka diperoleh grafik yang ditunjukkan pada Gambar 4.5 sebagai berikut Gambar 4.5 Forecasting PMDN Tahun 2015-2019 Forecasting Sumber : Data diolah tahun 2015 Pada Gambar 4.5 menunjukan peramalan dari tahun 2015-2019 dengan menggunakan metode model 3, -30,000,000 -20,000,000 -10,000,000 10,000,000 20,000,000 30,000,000 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 PMDNFDYN ± 2 S.E. Forecast: PMDNFDYN Actual: DPMDN Forecast sample: 1994 2019 Adjusted sample: 2004 2019 Included observations: 11 Root Mean Squared Error 5897910. Mean Abs olute Error 4587581. Mean Abs . Percent Error 196.1476 Theil Inequality Coefficient 0.493978 Bias Proportion 0.058458 Variance Proportion 0.265537 Covariance Proportion 0.676005 73 berikut hasil peramalan PMA Jawa Barat 5 tahun kedepan pada tabel 4.17. Tabel 4.17 Hasil Forecasting PMDN Tahun 2015-2019 Sumber : Hasil data diolah tahun 2015

3. Tenaga Kerja

1 Preprocessing Data dan Indentifikasi Model a. Plot Data Untuk melihat perkiraan kasar dari bentuk model yang sesuai yaitu dengan melihat plot data deret waktu dari obyek Tenaga Kerja Jawa Barat 1994-2014 apakah pola data dari grafik yang ditandai adanya kenaikan atau penurunan dalam perubahan waktu Rosadi, 2012. Seperti yang tampilkan pada Gambar 4.8 pada data tersebut terlihat bahwa data Tenaga Kerja Jawa Barat memiliki trend sehingga non stasioner pada mean dan Tahun PMDN 2015 42067947 2016 43053515 2017 53064450 2018 57897029 2019 56567823 74 selanjutnya dapat dilakukan dengan uji Stasioneritas data dengan menggunakan uji augmented Dickey- FullerADF yang menyatakan terdapat akar unit atau tidak. Gambar 4.6 Trend Tenaga Kerja Provinsi Jawa Barat Tahun 1994-2014 b. Uji Stasioneritas Data Tabel 4.18 ADF tingkat Level t-Statistic Prob. Augmented Dickey-Fuller test statistic 0.048533 0.9527 Test critical values: 1 level -3.808546 5 level -3.020686 10 level -2.650413 Sumber : Data diolah tahun 2015 Pada Tabel 4.18 terlihat bahwa data mengandung trend maka dilakukan Uji Stasioneritas data menggunakan uji akar unit dengan uji augmented Dickey-FullerADF 13,000,000 14,000,000 15,000,000 16,000,000 17,000,000 18,000,000 19,000,000 20,000,000 94 96 98 00 02 04 06 08 10 12 14 16 18 TENAGA KERJA 75 atau menggunakan Plot ACFPACF. Dari hasil Uji ADF data Tenaga Kerja Jawa Barat pada level data Sebenarnya ADF test statistik bernilai 0.048533 sedangkan nilai test critical values t-statistik batas α=5 bernilai 3.020686 yang berarti terdapat akar unit dan data tidak stasioner selain itu dapat dilihat dari nilai probabilitasADF sebesar 0,9527 yang dapat disimpulkan bahwa data yang digunakan tidak stasioner karena lebih dari α=5. Tabel 4.19 ADF 1 st Different t-Statistic Prob. Augmented Dickey-Fuller test statistic -3.516988 0.0191 Test critical values: 1 level -3.831511 5 level -3.029970 10 level -2.655194 Sumber : Data diolah tahun 2015 Selanjutnya akan dilakukan Transformasi data Lagged differences Lag 1, dari hasil Lagged differences ADF bernilai 1 didapat nilai ADF test statistik adalah 3.516988 sedangkan nilai test critical values t-satistik batas α=5 adalah 3.029970 yang berarti tidak terdapat akar unit dan data stasioner, selain itu dapat dilihat dari nilai probabilitasADF sebesar 0,0191 yang dapat disimpulkan bahwa data yang digunakan stasioner karena kurang dari α=5.Dengan didapatnya data yang 76 stationer maka dapat dilanjutkan dengan pembentukan model dalam analisis Least Square Method ARIMA dengan Menggunakan Eviews 6. 2 Analisis Least Square Method dengan ARIMA a Metode ARIMA Autoregressive Moving Average merupakan metode alternatif dalam menganalisis data deret waktu yang terdapat komponen trend tetapi tidak terdapat komponen musiman Rosadi, 2012:118. Agar dapat dimodelkan dengan ARMA atau ARIMA maka hal pertama adalah data harus stationer. Berdasarkan pengujian stasioneritas data Tenaga Kerja didapatkan hasil bahwa data tidak stasioner pada tingkat level, dan stasioner pada differen tingkat ke-1.Pada differen tingkat ke-1 dari data PMA, diberikan dalam bentuk tabel sebagai berikut, Tabel 4.20 Correlogram 1 st Different Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 0.112 0.112 0.2920 0.589 . | . | . | . | 2 -0.148 -0.163 0.8265 0.662 . | . | . | . | 3 0.128 0.172 1.2511 0.741 . | . | . | . | 4 0.013 -0.058 1.2557 0.869 . | . | . | . | 5 -0.198 -0.152 2.4048 0.791 . | . | . | . | 6 -0.112 -0.094 2.7999 0.834 . | . | . | . | 7 -0.017 -0.045 2.8094 0.902 . | . | . | . | 8 -0.061 -0.039 2.9469 0.938 . | . | . | . | 9 0.124 0.169 3.5650 0.938 . | . | .| . | 10 -0.178 -0.296 4.9668 0.893 . | . | . | . | 11 -0.061 0.053 5.1496 0.924 . | . | .| . | 12 -0.032 -0.210 5.2070 0.951 77 Sumber : Data diolah tahun 2015 Pada Tabel 4.20 dapat terlihat bahwa probabilitas keseluruhan data diatas lebih besar dari α=5 yang dapat disimpulkan bahwa data yang digunakan sudah stasioner, selain itu dari kolom autocorrelation dan partial correlation menunjukkan bahwa data yang digunakan tidak mengandung autokorelasi. Selanjutnya dilakukan analisis pembentukan model dengan mengklasifikan model-model ARIMA dan melihat nilai R- square, probabilitas, AIC, SIC, dan SSR, seperti yang terlihat dalam Tabel 4.21 berikut ini : Tabel 4.21 Klasifikasi Model ARIMA Model AR dan MA ARIMA Model 1 AR 9 9,1,0 Model 2 MA 2 0,1,2 Model 3 AR 9 MA 2 9,1,2 Setelah diperoleh model-model alternatif maka dapat dilanjutkan dengan estimasi menggunakan program Eviews6. b Estimasi dari Model Untuk mengestimasi model dari parameter pada tabel 4.21 peneliti menggunakan program Eviews6 dan diperoleh ringkasan hasil estimasi dari model-model