3. PDRB PDRB atas dasar harga konstan PDRB riil menggambarkan nilai tambah
barang dan jasa yang dihitung menggunakan harga yang berlaku pada satu waktu tertentu sebagai tahun dasar.
4. Upah riil Upah riil adalah upah yang diterima pekerja yang telah diperhitungkan dengan
daya beli dari upah nominal yang diterima. Upah Riil dihitung dengan membagi nilai dari upah nominal dengan Indeks Harga Konsumen IHK
dikali 100. Upah nominal adalah upah yang diterima pekerja secara nominal. Sedangkan Indeks Harga Konsumen IHK merupakan salah satu indikator
ekonomi untuk megukur tingkat perubahan harga barang-barang secara umum.
2.5 Hipotesis Statistik
Sesuai dengan tujuan penelitian yang telah dikemukakan, maka hipotesis
yang diajukan dalam penelitian ini adalah:
1. Terdapat pengaruh yang positif antara pengeluaran pemerintah terhadap penyerapan tenaga kerja di Provinsi Sumatera Barat.
2. Terdapat pengaruh yang positif antara PDRB terhadap penyerapan tenaga kerja di Provinsi Sumatera Barat.
3. Terdapat pengaruh yang negatif antara upah riil terhadap penyerapan tenaga kerja di Provinsi Sumatera Barat.
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini bersumber dari data sekunder mulai dari tahun 2005 sampai dengan tahun 2010. Data tersebut didapat dari
beberapa sumber sebagai berikut: 1. Data Penyerapan Tenaga Kerja yang didekati dengan Penduduk usia 15 tahun
ke atas yang bekerja diperoleh dari publikasi Sumatera Barat Dalam Angka Tahun 2005 sd 2010 dan Keadaan Angkatan Kerja di Sumatera Barat Tahun
2008-2010 yang diterbitkan oleh Badan Pusat Statistik Provinsi Sumatera Barat.
2. Data Pengeluaran Pemerintah diperoleh dari publikasi Statistik Keuangan Daerah KabupatenKota yang diterbitkan oleh BPS RI.
3. Data PDRB diperoleh dari publikasi Produk Domestik Regional Bruto Sumatera Barat menurut KabupatenKota yang diterbitkan oleh Badan Pusat
Statistik Provinsi Sumatera Barat. 4. Data Upah Riil diperoleh dari hasil pembagian antara rata-rata
pendapatangajiupah nominal dengan indeks harga konsumen dikalikan 100, dimana:
rata-rata pendapatangajiupah nominal diperoleh dari publikasi Statistik Upah Buruh dan hasil Survei Angkatan Kerja Nasional,
data Indeks Harga Konsumen IHK diperoleh dari publikasi Indeks Harga Konsumen Kota Padang Tahun 2005-2010 yang diterbitkan oleh Badan
Pusat Statistik Provinsi Sumatera Barat.
3.2 Metode Analisis
Pengolahan atas data sekunder yang telah dikumpulkan dari berbagai sumber dilakukan menggunakan beberapa paket program statistik, seperti:
Microsoft Excel 2010, dan EViews 6.0. Kegiatan pengolahan data menggunakan Microsoft Excel 2010 menyangkut pembuatan tabel dan analisis. Sementara itu
pada pengolahan regresi data panel, penulis menggunakan paket program EViews 6.0.
3.2.1 Analisis Deskriptif
Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan mendeskripsikan dan mempermudah penafsiran yang dilakukan dengan
memberikan pemaparan dalam bentuk tabel, grafik, dan diagram. Analisis deskriptif ini digunakan untuk menggambarkan situasi ketenagakerjaan secara
umum meliputi jumlah angkatan kerja, penyerapan tenaga kerja dan pengangguran. Selain itu, juga untuk menggambarkan deskripsi variabel-variabel
yang mempengaruhi penyerapan tenaga kerja yaitu pengeluaran pemerintah, PDRB, dah upah riil.
3.2.2 Analisis Regresi Data Panel
Analisis regresi data panel digunakan untuk melihat pengaruh pengeluaran pemerintah, PDRB dan Upah Riil terhadap Penyerapan Tenaga Kerja di Provinsi
Sumatera Barat melalui persamaan strukturalnya. Data panel diperoleh dengan menggabungkan data cross section dan time
series. Penggunaan model regresi data panel memungkinkan peneliti untuk dapat menangkap karakteristik antar individu dan antar waktu yang bisa saja berbeda-
beda. Regresi dengan menggunakan panel data data panel pooled data,
memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series Gujarati, 2004:637, diantaranya sebagai berikut:
1. Data panel mampu menyediakan data yang lebih banyak, sehingga dapat memberikan informasi yang lebih lengkap. Sehingga diperoleh degree of
freedom df yang lebih besar sehingga estimasi yang dihasilkan lebih baik. 2. Dengan menggabungkan informasi dari data time series dan cross section
dapat mengatasi masalah yang timbul karena ada masalah penghilangan variabel omitted variable.
3. Data panel mampu mengurangi kolinearitas antarvariabel. 4. Data panel lebih baik dalam mendeteksi dan mengukur efek yang secara
sederhana tidak mampu dilakukan oleh data time series murni dan cross section murni.
5. Dapat menguji dan membangun model perilaku yang lebih kompleks. Sebagai contoh, fenomena seperti skala ekonomi dan perubahan teknologi.
6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregat individu, karena data yang diobservasi lebih banyak.
Model regresi linear pada data panel dapat dituliskan sebagai berikut: 3.1
Dimana: i = 1,……, N;
N adalah jumlah individucross-sectional units kabupatenkota t = 1,…….,T;
T adalah jumlah periode waktu 6 yaitu dari tahun 2005-2010 Pada
ada sebanyak k slope tidak termasuk intersep yang menunjukkan jumlah variabel bebas yang digunakan dalam model. Sedangkan
merupakan efek individu yang dapat bernilai konstan sepanjang periode t atau bahkan
berbeda-beda untuk setiap individu ke-i. Apabila diasumsikan sama untuk
setiap unit, maka model itu dapat disebut juga sebagai model regresi klasik classical regression model, dimana metode Ordinary Least Square OLS akan
menghasilkan penduga yang konsisten dan efisien untuk
dan . Apabila
diasumsikan berbeda-beda antar cross-section unit, dan slope konstan, maka terdapat dua model regresi data panel yang mungkin yaitu model fixed effects atau
model random effects. Apabila perbedaan intersep antar cross-sectional units tersebut merupakan variabel random
atau stochastic maka model random effects-lah yang sesuai. Sementara itu error dalam model regresi data panel dapat dituliskan
sebagai berikut:
3.2 dimana
= time specific effects residual yang terjadi karena pengaruh perbedaan waktu
= individual specific effects residual yang terjadi karena perbedaan karakteristik setiap individu
= efek hanya pada observasi it.
Untuk menyederhanakan analisis biasanya sering diasumsikan = 0
tidak ada pengaruh spesifik waktuno time specific effectstime invariant. Terdapat tiga jenis estimasi standar untuk regresi data panel yaitu common effects
Model pooled regression, fixed effects model Least Square Dummy Variables estimation, LSDV estimation dan random effects model.
3.2.2.1 Model Common Effects Pooled Regression
Model common effects merupakan pendekatan data panel yang paling sederhana, yakni dengan hanya mengkombinasikan data cross-section dalam
bentuk pool. untuk
i = 1,2,…..,19 t = 1,2,…,6 3.3
Dari persamaan 3.2, apabila = 0 dan
= 0, maka model
tersebut adalah model pooled regression common effects, yang dapat diestimasi dengan metode Least Square, namun asumsi
jarang sekali terpenuhi pada model regresi data panel. Model ini tidak memperhatikan dimensi individu
maupun waktu, sehingga diasumsikan bahwa perilaku individu sama dalam
berbagai kurun waktu. Kelemahan model ini adalah ketidakseuaian model dengan keadaan sebenarnya. Kondisi tiap obyek dapat berbeda dan kondisi suatu obyek
satu waktu dengan waktu yang lain dapat berbeda. Pada model ini asumsi regresi linear klasik dengan metode OLS berlaku sepenuhnya.
3.2.2.2 Model Fixed Effects
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Namun intersep masing-masing cross-
section bersifat fixed, tidak random. Untuk mengestimasi model fixed effects dengan intersep berbeda antar individu, maka digunakan teknik variabel dummy.
Model estimasi ini sering disebut dengan teknik Least Square Dummy Variable LSDV. Model persamaan panel fixed effects dengan asumsi tidak ada pengaruh
periode waktu no time specific effects dapat dituliskan sebagai berikut: untuk i = 1,2,…..,19 t = 1,2,…,6
3.4 Model pada persamaan 3.3 juga dapat dituliskan dalam bentuk stack
model berdasarkan individu cross-section yaitu:
[ ] [
] [ ]
[ ]
[ ]
[ ]
3.5
Dimana: = vektor berukuran T x 1
= matriks berukuran T x k , dengan k adalah jumlah variabel bebas = vektor berukuran k x 1 yang berisi parameter tidak diketahui slope
= vektor berukuran T x 1 = vektor berukuran T x 1
Metode fixed effects, digunakan apabila error term terdiri dari:
3.6
3.2.2.3 Model Random Effects
Estimasi data panel dengan fixed effects melalui teknik variabel dummy sering menunjukkan ketidakpastian model yang digunakan. Untuk mengatasi
masalah ini kita bisa menggunakan metode random effects yang mengasumsikan bahwa individual effects
bersifat random dan tidak berkorelasi dengan variabel bebasnya. Dengan asumsi tidak ada pengaruh waktu no time specific
effects maka dalam model random effects terdapat dua komponen residual, yaitu residual yang tidak terukur oleh pengaruh individu dan waktu
dan residual secara individu
. Persamaan regresi untuk model random effects dengan asumsi no time
effects dapat ditulis sebagai berikut: untuk i = 1,2,…..,19 t = 1,2,…,6
3.7 dimana
Ada beberapa asumsi yang harus dipenuhi dalam model random effects, yaitu:
E = E
= 0 ; E ,
= 0 ; E ,
= E ,
= 0 E
= 0 dimana t ≠ s dan i ≠ j
E ,
= 0 dimana i ≠ j
3.2.2.4 Pemilihan Model Estimasi Data Panel 1. Signifikansi
Fixed Effects Model
Signifikansi model fixed effects dapat dilakukan dengan statistik uji F. Statistik uji F digunakan untuk mengetahui apakah teknik regresi data panel
dengan fixed effects lebih baik dari model regresi data panel tanpa variabel dummycommon effects dengan melihat residual sum of squares RSS.
Hipotesis yang digunakan adalah: H
: nilai intersep sama untuk setiap individu crosssection
H
1
: sekurang-kurangnya ada 1 intercept yang berbeda Adapun statistik uji F-nya dapat dituliskan sebagai berikut:
3.8 dimana:
N = jumlah individu
k = jumlah variabel bebas regressor
= residual sum of squares teknik tanpa variabel dummy = residual sum of squares teknik fixed effects dengan variabel dummy.
Nilai statistik akan mengikuti distribusi statistik F dengan derajat
bebas df sebanyak N-1 dan NT-N-k. Jika nilai statistik lebih besar
daripada pada tingkat signifikansi tertentu, maka hipotesis null akan
ditolak, yang berarti asumsi koefisien intersept dan slope adalah sama tidak
berlaku, sehingga teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variable dummy common effects.
2. Signifikansi Random Efects Model
Untuk mengetahui apakah model random effects lebih baik dari model common effects, dapat digunakan uji Lagrange Multiplier LM yang
dikembangkan oleh Bruesch-Pagan. Metode ini didasarkan pada nilai residual dari metode common effects. Hipotesis null H
yang digunakan adalah bahwa intersep bukan merupakan variabel random atau stochastic. Dengan kata lain
varians dari residual bernilai nol.
Adapun nilai Breusch-Pagan LM statistik dapat dihitung berdasarkan formula sebagai berikut:
[
∑ |∑
| ∑
∑
]
3.9
[
∑ ∑
∑
]
3.10 Dimana N = jumlah individu; T = jumlah periode waktu dan
adalah residual metode common effects OLS. Uji LM ini didasarkan pada distribusi chi-square
dengan derajat bebas df sebesar 1. Jika hasil LM statistik lebih besar dari nilai kritis statistik chi-square, maka hipotesis null akan ditolak, yang berarti estimasi
yang tepat untuk regresi data panel adalah metode random effects daripada metode common effects.
3. Signifikansi Hausman
Untuk mengetahui model yang terbaik antara fixed effects dengan random effects digunakan signifikansi Hausman. Uji signifikansi Hausman menggunakan
hipotesis null residual persamaan panel tidak berkorelasi dengan variabel bebasnya yang berarti model random effects lebih baik dibandingkan model fixed
effects.
Adapun nilai statistik Hausman dapat dihitung berdasarkan formula sebagai berikut:
̂ ̂
̂ 3.11
dimana ̂ ⌊ ̂ ̂
⌋ dan ̂ ⌊ ̂⌋ ⌊ ̂ ⌋
Statistik uji Hausman mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak jumlah variabel independen k. Jika nilai statistik Hausman lebih
besar daripada nilai kritis statistik chi-square, maka hipotesis null akan ditolak, yang berarti estimasi yang tepat untuk regresi data panel adalah model fixed
effects dibandingkan dengan model random effects.
3.2.2.5 Pengujian Asumsi 1. Asumsi Normalitas
Pengujian asumsi normalitas dilakukan untuk melihat apakah error term mengikuti distribusi normal. Jika asumsi tidak terpenuhi maka prosedur pengujian
menggunakan uji-t menjadi tidak sah. Pengujian dilakukan dengan uji Jarque Bera atau dengan melihat plot dari sisaan.
Hipotesis dalam pengujian normalitas adalah: H
: error term mengikuti distribusi normal H
1
: error term tidak mengikuti distribusi normal. Keputusan diambil dengan membandingkan nilai probabilitas Jarque Bera
dengan taraf nyata α = 0,05. Jika nilai probabilitas Jarque Bera lebih dari α = 0,05 maka dapat disimpulkan bahwa error term terdistribusi dengan normal.
2. Asumsi Autokorelasi
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang.
Metode untuk mendeteksi adanya korelasi serial dilakukan dengan dengan membandingkan nilai Durbin Watson DW dari penghitungan dengan nilai DW
tabel. Hipotesis dalam pengujian autokorekasi adalah:
H : tidak ada Otokorelasi positif atau negatif
H
1
: terdapat masalah Otokorelasi positif atau negatif. Kriteria pengujian:
d dL
dU 4 - dU
4 - dL 4
2
Tolak H Ada masalah
Otokorelasi positif Tolak H
Ada masalah Otokorelasi negatif
Tidak Tolak H tidak ada masalah
Otokorelasi Tidak ada
kesimpulan Tidak ada
kesimpulan
Tolak H bila
Nilai d hitung atau nilai Durbin Watson Model lebih besar daripada nilai Durbin Watson table batas bawah dL yang berarti terdapat masalah
otokorelasi positif dw dL Atau, nilai d hitung atau nilai Durbin Watson Model terletak antara nilai
4 –dL dw 4 yang berarti terdapat masalah otokorelasi negatif
Tidak tolak H bila
Nilai d hitung atau nilai Durbin Watson Model terletak antara nilai dU dw 4-dU
3. Asumsi Homoskedastisitas
Heteroskedastisitas berarti bahwa variasi residual tidak sama untuk semua pengamatan. Heteroskedastisitas bertentangan dengan salah satu asumsi dasar
regresi homoskedastisitas yaitu variasi residual sama untuk semua pengamatan. Untuk mendeteksi adanya heteroskedastisitas dalam model dilakukan
menggunakan metode General Least Square Cross section Weights yaitu dengan membandingkan sum square Resid pada Weighted Statistics dengan sum square
Resid unweighted Statistics. Jika sum square Resid pada Weighted Statistics lebih kecil
dari sum
square Resid
unweighted Statistics,
maka terjadi
heteroskedastisitas. Untuk mengatasi masalah heteroskedastisitas, model diestimasi dengan menggunakan white-heteroscedasticity
3.2.2.6 Pengujian Parameter Model
Pengujian parameter model bertujuan untuk mengetahui kelayakan model dan apakah koefisien yang diestimasi telah sesuai dengan teori atau hipotesis.
Pengujian ini meliputi koefisien determinasi R
2
, uji koefisien regresi parsial uji t dan uji koefisien regresi secara menyeluruh F-testuji F.
1. Uji-F
Uji-F digunakan untuk melakukan uji hipotesis koefisien slope regresi secara menyeluruhbersamaan. Uji-F memperlihatkan ada tidaknya pengaruh
variabel independen terhadap variabel dependen secara bersama-sama. Hipotesis dalam uji-F adalah :
H
o
: β
1
= β
2
=….. = 0 H
1
: β
1
≠ β
2
≠ … ≠ 0 Kriteria pengujiannya adalah jika nilai nilai
atau probabilitas F-statistic taraf nyata, maka keputusannya adalah tolak H
. Dengan menolak H
berarti minimal ada satu peubah bebas yang berpengaruh nyata terhadap tak bebas.
2. Uji-t
Setelah melakukan uji koefisien regresi secara keseluruhan, maka langkah selanjutnya adalah menguji koefisien regresi secara parsial menggunakan uji-t.
Hipotesis pada uji-t adalah : H
: β
i
= 0 , H
1
: β
i
≠ 0.
Keputusan dalam pengujian ini dilakukan dengan membandingkan nilai dengan
atau dengan melihat nilai probabilitas dari . Jika nilai
atau jika nilai probabilitas t α = 0,05 maka tolak H , sehingga
kesimpulannya adalah peubah bebas secara parsial signifikan memengaruhi peubah tak bebas.
3. Koefisien Determinasi R
2
Koefisien determinasi Goodness of Fit merupakan suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model
regresi yang terestimasi. Nilai R
2
mencerminkan seberapa besar variasi dari tak bebas dapat diterangkan oleh peubah bebas X atau seberapa besar keragaman
peubah tak bebas yang mampu dijelaskan oleh model. Jika R
2
= 0, maka variasi dari Y tidak dapat diterangkan oleh X sama sekali dan jika R
2
= 1 berarti variasi dari Y secara keseluruhan dapat diterangkan oleh X.
3.2.2.7 Model Penelitian
Secara matematis pengaruh pengeluaran pemerintah, PDRB, upah riil dapat digambarkan dalam fungsi sebagai berikut :
3.12 Keterangan:
Emp : Employment penyerapan tenaga kerja jiwa G
: Goverment Expenditure Pengeluaran Pemerintah juta Rp. PDRB : Produk Domestik Regional Bruto milyar Rp.
WP : Wage per Price Upah Riil Rp.
i : urutan kabupatenkota
t : series tahun 2005-2010
α : intersep
β
1
- β
3
: parameter pengeluaran pemerintah, PDRB, dan upah riil : error term
BAB IV
GAMBARAN UMUM
4.1 Keadaan Geografi
Provinsi Sumatera Barat terletak di sebelah barat pulau Sumatera dan sekaligus berbatasan langsung dengan Samudera Indonesia, Provinsi Riau,
Provinsi Jambi dan Provinsi Sumatera Utara. Secara geografis, Sumatera Barat terletak antara 0° 54’ LU dan 3° 30’ LS serta 98° 36’ dan 101° 53’ BT, tercatat
memiliki luas daerah sekitar 42,297 ribu Km
2
. Luas tersebut setara dengan 2,20 persen dari luas Republik Indonesia.
Tabel 4.1 Luas Daerah dan Persentase KabupatenKota di Sumatera Barat
Kabupaten Kota Luas km
2
Persentase
1 2
3
Kabupaten Regency
01. Kep. Mentawai 6.011,35
14,21 02. Pesisir Selatan
5.794,95 13,70
03. S o l o k 3.738,00
8,84 04. Sijunjung
3.130,80 7,40
05.Tanah Datar 1.336,00
3,16 06. Padang Pariaman
1.328,79 3,14
07. A g a m 2.232,30
5,28 08. 50 K o t a
3.354,30 7,93
09. P a s a m a n 3.947,63
9,33 10. Solok Selatan
3.346,20 7,91
11. Dharmasraya 2.961,13
7,00 12. Pasaman Barat
3.887,77 9,19
KotaMunicipality
71. P a d a n g 694,96
1,64 72. S o l o k
57,64 0,14
73. Sawahlunto 273,45
0,65 74. Padang Panjang
23,00 0,05
75. Bukittinggi 25,24
0,06 76. Payakumbuh
80,43 0,19
77. Pariaman 73,36
0,17 SUMATERA BARAT
42.297,30 100,00
Sumber: Sumatera Barat Dalam Angka 2010.
Sumatera Barat mempunyai 19 KabupatenKota dengan Kabupaten Kepulauan Mentawai memiliki wilayah terluas, yaitu 6,01 ribu Km
2
atau sekitar 14,21 persen dari luas Provinsi Sumatera Barat. Sedangkan Kota Padang Panjang,
memiliki luas daerah terkecil, yakni 23,0 Km
2
0,05. 4.2 Penduduk
Penduduk mempunyai peran besar dalam menjalankan roda kehidupan masyarakat jika dimbangi dengan sumber daya alam yang memadai. Jumlah
penduduk suatu daerah sangat dipengaruhi oleh faktor kelahiran, kematian dan
migrasi atau perpindahan penduduk. Tabel 4.2 Jumlah dan Persentase Penduduk Sumatera Barat Dirinci
Menurut KabupatenKota Tahun 2010 jiwa
KabupatenKota Laki-laki
Perempuan Jumlah
Persentase
1 2
3 4
5
01 Kepulauan Mentawai 39.504
36.669 76.173
1,57 02 Pesisir Selatan
212.228 217.018
429.246 8,86
03 Solok 171.845
176.721 348.566
7,19 04 Sijunjung
100.764 101.059
201.823 4,16
05 Tanah Datar 164.852
173.642 338.494
6,98 06 Padang Pariaman
191.940 199.116
391.056 8,07
07 Agam 223.077
231.776 454.853
9,38 08 Lima Puluh Kota
172.571 175.984
348.555 7,19
09 Pasaman 125.249
128.050 253.299
5,23 10 Solok Selatan
72.568 71.713
144.281 2,98
11 Dharmas Raya 98.892
92.530 191.422
3,95 12 Pasaman Barat
184.022 181.107
365.129 7,53
71 Kota Padang 415.315
418.247 833.562
17,20 72 Kota Solok
29.359 30.037
59.396 1,23
73 Kota Sawah Lunto 28.161
28.705 56.866
1,17 74 Kota Padang Panjang
23.369 23.639
47.008 0,97
75 Kota Bukittinggi 53.845
57.467 111.312
2,30 76 Kota Payakumbuh
57.894 58.931
116.825 2,41
77 Kota Pariaman 38.922
40.121 79.043
1,63
Provinsi Sumatera Barat 2.404.377
2.442.532 4.846.909
100,00
Sumber: Data Sensus Penduduk 2010 - BPS Republik Indonesia.
Berdasarkan hasil Sensus Penduduk Tahun 2010, jumlah penduduk Provinsi Sumatera Barat sebanyak 4.846.909 jiwa yang mencakup mereka yang
bertempat tinggal di daerah perkotaan sebanyak 1.877.822 jiwa 38,74 persen dan di daerah perdesaan sebanyak 2.969.087 jiwa 61,26 persen. Persentase distribusi
penduduk menurut kabupatenkota bervariasi dari yang terendah sebesar 0,97 persen di Kota Padang Panjang hingga yang tertinggi sebesar 17,20 persen di
Kota Padang.
Gambar 4.1 Piramida Penduduk Provinsi Sumatera Barat Dirinci Menurut Kelompok Umur Tahun 2010 jiwa
Sumber: Data Sensus Penduduk 2010
– BPS Republik Indonesia.
Penduduk laki-laki Provinsi Sumatera Barat sebanyak 2.404.377 jiwa dan perempuan sebanyak 2.442.532 jiwa. Seks Rasio adalah 98, berarti terdapat 98
laki-laki untuk setiap 100 perempuan. Seks Rasio menurut kabupatenkota yang terendah adalah Kota Bukittinggi sebesar 94 dan tertinggi adalah Kabupaten
Kepulauan Mentawai sebesar 108. Seks Rasio pada kelompok umur 0-4 sebesar 106, kelompok umur 5-9 sebesar 107, kelompok umur lima tahunan dari 10
sampai 64 berkisar antara 92 sampai dengan 106, dan kelompok umur 65-69 sebesar 78.
Median umur penduduk Provinsi Sumatera Barat tahun 2010 adalah 25,74 tahun. Angka ini menunjukkan bahwa penduduk Provinsi Sumatera Barat
termasuk kategori menengah. Penduduk suatu wilayah dikategorikan penduduk muda bila median umur 20, penduduk menengah jika median umur 20-30, dan
penduduk tua jika median umur 30 tahun BPS, 2010. Rasio ketergantungan penduduk Provinsi Sumatera Barat adalah 60,22.
Angka ini menunjukkan bahwa setiap 100 orang usia produktif 15-64 tahun terdapat sekitar 60 orang usia tidak produkif 0-14 dan 65+, yang menunjukkan
banyaknya beban tanggungan penduduk suatu wilayah. Rasio ketergantungan di daerah perkotaan adalah 53,07 sementara di daerah perdesaan sebesar 65,10.
BAB V
HASIL DAN PEMBAHASAN
5.1 Analis Deskriptif 5.1.1 Penyerapan Tenaga Kerja