72
Gambar 4.2 Penduduk Berumur 15 Tahun keatas Menurut Jenis kegiatan Utama di
Provinsi Sumatera Selatan, 2005-2012.
Sumber: BPS Sumatera Selatan Dalam Angka 2013 Keterangan: r Angka Revisi
Angka Sementara Angka Sangat Sementara
3. Pertumbuhan Ekonomi Struktur
perekonomian Sumatera
Selatan selama
dalam empat tahun terakhir, Produk Domestik Regional Bruto PDRB
ADHB Sumatera Selatan dengan migas mengalami peningkatan. Pada tahun 2009 nilai tambah yang terbentuk sebesar 137,33
trilyun rupiah. Pada tahun 2010, angka ini sebesar 157,74 trilyun rupiah dan tahun 2011 sebesar 182,39 trilyun rupiah. Pada tahun
2012, nilainya menjadi sebesar 206,33 trilyun rupiah BPS, 2013:419.
500000 1000000
1500000 2000000
2500000 3000000
3500000 4000000
2005 2006
2007 2008
2009 2010r
2011 2012 Angkatan Kerja
Bekerja Menganggur
73
Pada tahun 2012 terdapat empat sektor yang memberikan sumbangan terbesar berdasarkan harga berlaku dengan migas,
empat sektor tersebut adalah sektor pertambangan 21,32 persen, sektor industri pengolahan sebesar 20,12 persen, sektor pertanian
sebesar sebesar 16,58 persen, serta sektor hotel dan restoran sebesar 13,63 persen seperti ditunjukkan pada tabel 4.3. Menurut
data dari Badan Pusat Statistik BPS tahun 2013, terjadi beberapa pergeseran struktur ekonomi bila dibandingkan kondisi tahun
sebelumnya peran sektor jasa, sektor perdagangan dan bangunan meningkat masing-masing sebesar 0,88 persen, 0,61 persen dan
0,38 persen. Sedangkan sektor yang mengalami penurunan adalah sektor pertambangan dan penggalian serta sektor pertanian yang
masing-masing turun negatif 1,17 persen dan negatif 0,63 persen BPS, 2013: 419.
Tabel 4.3 Distribusi Persentase PDRB Sumatera Selatan Menurut Lapangan Usaha
Atas Dasar Harga Berlaku Dengan Migas persen, 2007-2012. Berlanjut ke Halaman Berikutnya
Lapangan Usaha 2007
2008 2009
2010r 2011 2012
Pertanian 18.27
17.18 17.35
17.54 17.21
16.58 Pertambangan
Penggalian 24.94
25.44 21.04
21.70 22.49
21.32 Industri Pengolahan
23.03 23.26 23.64
22.02 20.55
20.12 Listrik, Gas Air
Bersih 0.54
0.48 0.51
0.49 0.48
0.48 Bangunan
6.13 6.01
6.52 6.92
7.68 8.06
74
Lanjutan Tabel 4.3 Pengangkutan
Komunikasi 4.15
4.11 4.50
4.62 4.72
4.98
Keuangan, Persewaan Jasa Perusahaan
3.41 3.36
3.64 3.60
3.60 3.71
Jasa-Jasa 7.77
8.23 10.03
10.19 10.25
11.13 PDRB DENGAN
MIGAS 100.00 100.00 100.00
100.00 100.00 100.00
Sumber : BPS Sumatera Selatan Dalam Angka 2013
Keterangan : r Angka Revisi
Angka Sementara Angka Sangat Sementara
Dilihat dari
pertumbuhan ekonomi,
perekonomian Sumatera Selatan mengalami perlambatan sebagai dampak dari
krisis global. Hal ini ditunjukkan dari angka pertumbuhan ekonomi Sumatera Selatan dengan migas melambat dibanding tahun 2011
menjadi 6,01 persen tahun 2012. Begitu juga pertumbuhan eknomi tanpa migas melambat dari sebesar 8,09 persen tahun 2011
menjadi 7,93 persen tahun 2012 BPS, 2013:420. Ada
beberapa sektor
yang mengalami
peningkatan pertumbuhan ekonomi yaitu sektor hotel dan restoran meningkat
dari 7,96 persen tahun 2011 menjadi 9,45 persen tahun 2012, sektor keuangan, persewaan dan jasa perusahaan meningkat dari
8,30 persen tahun 2011 menjadi 9,01 persen tahun 2012, sektor listrik, gas dan air bersih meningkat dari 8,06 persen tahun 2011
75
menjadi 8,48
persen tahun
2012. Sedangkan
sektor yang
mengalami penurunan
pertumbuhan ekonomi
terbesar adalah
sektor bagunan dari 12,87 persen tahun 2011 menjadi 8,93 persen tahun 2012 atau negatif sebesar 3,94 persen, seperti yang
ditunjukkan pada tabel 4.4, laju pertumbuhan PDRB dari tahun 2007 hingga tahun 2012 menurut lapangan usaha di Sumatera
Selatan BPS, 2013: 420. Tabel 4.4
PDRB Sumatera Selatan menurut Lapangan Usaha Atas Dasar Harga Konstan Tahun 2000 juta rupiah, 2007-2012
Sekto\Tahun 2007
2008 2009
2010r 2011
2012
Pertanian
11 113 699 11 567 788 11 927 064 12 482 952
13 141 056 13 842 930
Pertambangan Penggalian
13 411 653 13 616 652
13 616 652 14 223 391
14 592 393 14 654 127
Industri Pengolahan
9 801 805 10 136 764
10 353 290 10 826 416
11 454 879 12 136 458
Listrik, Gas Air Bersih
267 073 281 069
295 377 314 021
339 337 368 115
Bangunan
4 157 657 4 412 936
4 737 050 5 151 465
5 814 656 6 333 989
Perdagangan, Hotel
Restoran
7 567 159 8 086 906
8 340 138 8 918 122
9 627 768 10 537 443
Pengangkutan
Komunikasi
2 534 185 2 886 983
3 284 286 3 701 700
4 165 509 4 631 731
Berlanjut ke Halaman Berikutnya
76
Lanjutan Tabel 4.4 Perdagangan,
Hotel Restoran
11.76 11.92
12.78 12.93
13.02 13. 63
Keuangan, Persewaan
Jasa Perusahaan
2 197 304 2 386 939
2 550 333 2 738 700
2 965 951 3 233 195
Jasa-Jasa
4 211 579 4 689 418
5 128 472 5 502 373
5 906 947 6 356 151
PDRB DENGAN
MIGAS
55 262 114 58 065 455
60 452 944 63 859 140
68 008 496 72 094 166
PDRB TANPA
MIGAS
42 106 149 44 763 105
47 029 273 50 315 032
54 386 209 58 701 236
Sumber : BPS Sumatera Selatan Dalam Angka 2013
Keterangan : r Angka Revisi
Angka Sementara Angka Sangat Sementara
Dalam beberapa
tahun terakhir
ini laju
pertumbuhan ekonomi Sumatera Selatan mengalami fluktuasi diberbagai sektor
dimana laju pertumbuhan terbesar dalam enam tahun terakhir terjadi pada tahun 2011 sebesar 8.09 persen tanpa migas dan
6.50 persen dengan migas. Secara keseluruhan laju pertumbuhan ekonomi ekonomi Sumatera Selatan lebih besar tanpa migas
dibandingkan dengan migas karena melambannya pertumbuhan ekonomi sektor migas seperti yang di tunjukkan pada Gambar 4.3.
77
Gambar 4.3. Laju Pertumbuhan PDRB Sumatera Selatan menurut Lapangan
Usaha Atas Dasar Harga Konstan 2000 persen, 2006
– 2012
Sumber : BPS Sumatera Selatan Dalam Angka 2013
Keterangan : r Angka Revisi
Angka Sementara Angka Sangat Sementara
4. Investasi Investasi merupakan kegiatan menciptakan iklim ekonomi
pada suatu wilayah atau daerah untuk mengembangkan dan meningkatkan potensi ekonomi yang dimiliki daerah tersebut
dalam hal ini daerah Sumatera Selatan sebagai mana yang dikemukakan oleh Noor 2009: 283, Investasi merupakan kegiatan
penciptaan tambah value added yang berakumulasi menjadi Produk
Domestik Bruto
PDB, bahwa
tingkat kesejahteraan
masyarakat berkaitan erat dengan perkembangan investasi yaitu berupa nilai tambah oleh kegiatan investasi tersebut.
5.2 5.84
5.07 4.11
5.63 6.5
6.01 7.31
8.04 6.31
5.06 6.98
8.03 7.93
1 2
3 4
5 6
7 8
9
2006 2007
2008 2009
2010r 2011
2012
PDRB DENGAN
MIGAS
PDRB TANPA
MIGAS
78
Perkembangan investasi
di Provinsi
Sumatera Selatan
mengalami fluktuasi
dalam 12
tahun terakhir
dimana pada
investasi Penanaman Modal Dalam Negeri PMDN tertinggi pada tahun 2012 sebesar 2.930,597 milliar Rp dan terendah pada tahun
2002 sebesar 17,05 milliar Rp sedangkan investasi Penanaman Modal Asing PMA tertinggi pada tahun 2012 sebesar 786.448,50
ribu US dan terendah pada tahun 2002 sebesar 4.283 ribu US seperti yang ditunjukkan pada tabel 4.5.
Gambar 4.4 Reaslisasi Investasi Penanaman Modal Dalam Negeri PMDN Milliar
Rp dan Penanaman Modal Asing PMA ribu US di Provinsi Sumatera Selatan, 2001-2012
Sumber: BKPM Indonesia
1 2
3 4
5 6
7 8
9 10
11 12
tahun 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
PMA 263,1 4,283 135,3 141,7 125,0 27,80 214,7 148,8 56,77 186,2 557,3 786,4
PMDN 32,93 17,05 85,09 57,12 651,5 697,4 811,4 378,4 580,3 1,738 1,068 2,930 500000
1000000 1500000
2000000 2500000
3000000 3500000
79
B. Analisis dan Pembahasan
1. Analisis Dalam penelitian ini analisis yang dilakukan dengan menggunakan
Least Square Method LSM menggunakan permodelan ARIMA dengan
Eviews 6, Incremental Output Ratio ICOR dengan Microsoft Exel 2007, dan Incremental Labour Output Ratio ILOR dengan Microsoft Exel
2007. Berikut ini adalah hasil uji dan pembahasannya. a. Preprocessing Data dan Indentifikasi Model
b. Analisis Leas Squares Method LSM dengan ARIMA c. Analisis Incremental Capital Output Ratio ICOR
d. Analisis Incremental Labour Ouput ratio ILOR 2. Pembahasan dan Interprestasi
a. Preprocessing Data dan Indentifikasi Model 1. Plot Data
Untuk melihat perkiraan kasar dari bentuk model yang sesuai dengan melihat plot data deret waktu dari obyek
PDRB Sumatera Selatan 1993-2012 apakah pola data dari grafik yang ditandai adanya kenaikan atau penurunan dalam
perubahan waktu Rosadi, 2012. Seperti yang tampilkan pada gambar 4.5 pada data
tersebut terlihat
bahwa data
PDRB sumatera
selatan memiliki trend sehingga non stasioner pada mean dan
selanjutnya dapat dilakukan dengan uji Stasioneritas data
80
dengan menggunakan
uji augmented
Dickey-FullerADF yang menyatakan terdapat akar unit atau tidak.
Gambar 4.5 Grafik Trend PDRB ADHK Provinsi Sumatera Selatan
Tahun 1990-2012
Sumber: Lampiran 2 2. Uji Stasioneritas Data
Terlihat data mengandung trend maka dilakukan Uji Stasioneritas data menggunakan uji akar unit dengan uji
augmented Dickey-FullerADF
atau menggunakan
Plot ACFPACF. Dari hasil Uji ADF data PDRB Sumatera
Selatan pada level data Sebenarnya ADF test statistik bernilai -0.456867 sedangkan nilai test critical values t-
statist ik batas α=5 bernilai -3.632896 yang berarti
30,000,000 40,000,000
50,000,000 60,000,000
70,000,000 80,000,000
2 4
6 8
10 12
14 16
18 20
22
PDRB
81
terdapat akar unit dan data tidak stasioner dan selanjutnya akan dilakukan Transformasi data Lagged differences Lag
1, dari hasil Lagged differences ADF bernilai 1 didapat nilai ADF test statistik adalah -3.522375 sedangkan nilai test
critical values t-
satistik batas α=5 adalah -3.644963 data masih terdapat akar unit yang tidak stationer yang berarti
masih perlu dilakukan differensiasi ke-2 pada data, setelah data dilakukan differensiasi ke-2 didapatkan nilai ADF test
Statistik adalah -6.082832 sedangkan nilai test Critical valueas
t- statistik batas α=5 adalah -3.658446 berarti data
pada differensiasi ke-2 tidak terdapat akar unit bahkan lebih signifikan pada batas α=1 nilai Critical valueas t-statistik
yang nilainya -4.498307. Dengan didapatnya data yang stationer maka dapat
dilanjutkan dengan
pembentukan model
dalam analisis
Least Square
Method ARIMA
dengan Menggunakan
Eviews 6. b. Analisis Leat Square Method dengan ARIMA
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. Karena data PDRB
tidak mengandung komponen musiman yang dibuktikan oleh
82
gambar 4.1 maka dapat dilakukan permodelan ARIMA dengan tahapan sebagai berikut:
1 Identifikasi Model Agar dapat dimodelkan dengan ARMA atau ARIMA
maka hal pertama adalah data harus stationer. Berdasarkan pengujian stasioneritas data PDRB didapatkan hasil bahwa
data tidak stasioner pada level dan differen ke-1, maka dilakukan differen ke-2. Pada differen tingkat ke-2 dari
data PDRB, diberikan dalam bentuk grafik sebagai berikut, Gambar 4.6
Grafik Diferensiasi Data PDRB pada Tingkat kedua Tahun 1990-2012
Sumber: Lampiran 2 gambar 4.6 memperlihatkan bahwa data PDRB satsioner
pada differen pada tingkat kedua. Selanjutnya melihat plot
-12,000,000 -8,000,000
-4,000,000 4,000,000
8,000,000
2 4
6 8
10 12
14 16
18 20
22
D2PDRB
83
korelogram ACFPACF data PDRB differen kedua sebagai berikut.
Tabel 4.5 Korelogram Diferensiasi kedua Data PDRB
Tahun 1990-2012
Sample: 1 23 Included observations: 21
Autocorrelation Partial Correlation
AC PAC
Q-Stat Prob
| . | | . |
1 -0.347 -0.347 2.9154
0.088 . | . |
.| . | 2 -0.112 -0.264
3.2315 0.199
. | . | . | . |
3 -0.021 -0.198 3.2434
0.356 . | . |
.| . | 4 -0.055 -0.220
3.3280 0.505
. |. | . | . |
5 0.217
0.091 4.7446
0.448 | . |
| . | 6 -0.366 -0.363
9.0474 0.171
. | . | . | . |
7 0.155 -0.131
9.8771 0.196
. | . | . | . |
8 0.043 -0.121
9.9454 0.269
. | . | . | . |
9 -0.046 -0.148 10.029
0.348 . | . |
.| . | 10
0.005 -0.216 10.030
0.438 . | . |
. | . | 11
0.052 0.044
10.160 0.516
. | . | . | . |
12 -0.003 -0.180 10.161
0.602 . | . |
. | . | 13 -0.030 -0.093
10.217 0.676
. | . | . | . |
14 0.004 -0.076
10.218 0.746
. | . | . | . |
15 0.010 -0.070
10.226 0.805
. | . | . | . |
16 0.006 -0.137
10.230 0.854
. | . | . | . |
17 -0.021 0.013
10.281 0.891
. | . | . | . |
18 0.004 -0.104
10.284 0.922
. | . | . | . |
19 0.012 -0.052
10.316 0.945
. | . | . | . |
20 -0.008 -0.045 10.347
0.961
Sumber: Lampiran 3 Jika
dievaluasi melalui
koefesien ACF
secara individual pada tabel 4.5 maka dapat disimpulkan bahwa
data PDRB pada diferensiasi tingkat kedua tidak signifikan dengan Uji statatistik n = 21, nilai interval mengikuti
persamaan 3.1 pada Bab III maka diperoleh hasil, ρ
k
= ±1,96 √1n = ±1,96 √121 = 0,42771, maka nilai ACF
sampai lag ke 21 diluar interval tersebut dalam artian tidak signifikan,
sehingga dapat
disimpulkan bahwa
data
84
stationer. Selain itu, berdasarkan pengamatan tabel 4.5 grafik ACF menunjukkan seluruh koefesien berada garis
garis titik. Selanjutnya pembentukan model dengan mengamati
tabel 4.5 yang merupakan pola ACF dan PACF, maka dapat disimpulkan bahwa pola ACF dan PACF tidak sesuai
dengan ketentuan pada tabel 3.1 Bab III, maka penelitian melakukan permodelan dengan melihat lag yang signifikan
yaitu pada plot PACF yaitu terdapat pada lag 6 dan pada plot ACF pada lag 6 maka diperoleh model alternatif yang
ditunjukkan pada tabel 4.6 sebagai berikut. Tabel 4.6
Permodelan ARIMA Data PDRB Sumatera Selatan Tahun 1990-2012
setelah diperoleh
model-model alternatif
maka dapat
dilanjutkan dengan
estimasi menggunakan
program Eviews6.
2 Etimasi dari Model Untuk
mengestimasi model
dari parameter
pada tabel 4.6 peneliti menggunakan program Eviews6 dan
Model AR dan MA
ARIMA Model 1
AR 6 ARIMA 1,1,0
Model 2 MA 6
ARIMA 0,1,1 Model 3
AR 6 MA 6 ARIMA 1,1,1
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
