Hipotesis Penelitian - TINJAUAN PUSTAKA - ANALISIS PENGARUH PDRB, IPM, DAN UPAH MINIMUM TERHADA

BAB II TINJAUAN PUSTAKA

E. Hipotesis Penelitian

Berdasarkan teori dan hubungan antara tujuan penelitian, kerangka pemikiran terhadap rumusan masalah teoritis dan berdasarkan studi empiris yang pernah dilakukan berkaitan dengan penelitian dibidang ini, dapat disimpulkan beberapa hipotesis antara lain :

1) Terdapat pengaruh positif PDRB terhadap Penyerapan Tenaga Kerja di Indonesia Tahun 2015-2019

2) Terdapat pengaruh positif IPM terhadap Penyerapan Tenaga Kerja di di Indonesia Tahun 2015-2019

3) Terdapat pengaruh negatif UMP terhadap terhadap Penyerapan Tenaga Kerja di Indonesia Tahun 2015-2019

4) Terdapat pengaruh PDRB, IPM, dan UMP secara bersama-sama terhadap Penyerapan Tenaga Kerja di Indonesia Tahun 2015-2019

34 BAB III

METODE PENELITIAN

A. Data dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan data tahunan yang diperoleh dari tahun 2015 – 2019 yang bersumber dari Badan Pusat Statistik. Adapun definisi operasional variabel yang digunakan dalam penelitian ini adalah sebagai berikut :

1) PDRB di Provinsi Studi Kasus tahun 2015 – 2019.

2) Indeks Pembangunan Manusia di Provinsi Studi Kasus tahun 2015 – 2019.

3) Upah Minimum Provinsi di Provinsi Studi Kasus tahun 2015 – 2019.

4) Penduduk bekerja di 10 Provinsi Studi Kasus tahun 2015 – 2019.

B. Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini ialah dengan mencari bahan materi serta teori pendukung, dan mengumpulkan data sekunder yang berasal dari instansi terkait yaitu BPS (Badan Pusat Statistik) setiap provinsi studi kasus. Adapun teknik yang digunakan dalam penelitian ini ialah :

1) Studi pustaka

Pengumpulan data dengan studi pustaka ialah dengan mengumpulkan data yang bersumber dari buku, artikel, jurnal ilmiah, serta skripsi yang berkaitan dengan penelitian ini.

35 2) Studi Dokumentasi

Pengumpulan data dengan teknik studi dokumentasi ialah dengan mengutip sumber terkait yang berasal dari berita resmi statistik dan literature lainnya yang berkaitan dengan penelitian ini.

C. Metode Analisis Data

Dalam penelitian ini menggunakan data panel atau regresi model panel.

Data panel merupakan gabungan dari data silang (cross section) dan data waktu (time series). Ada beberapa keuntungan yang diperoleh jika menggunakan dara panel, yaitu model ini mampu menyediakan data yang lebih banyak sehingga akan menghasilkan degree of freedom yang lebih besar. Maka dari itu dengan data panel akan memberikan jumlah data yang semakin banyak sehingga memenuhi prasyaratan dan sifat-sifat statistik (Sriyana, 2014). Kemudian menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul jika terdapat masalah penghilangan variabel. Model regresinya dalam bentuk linear adalah sebagai berikut :

Yit = ₁ it ₂IPMit + ₃UMPit + it

Ket :

: Konstanta

1 2 3 : Koefisien intersep

Y : Penyerapan Tenaga Kerja

X1it : PDRB

X_2it : IPM

X3it : Upah Minimum Provinsi

i : Banyaknya individu/unit observasi t : Banyaknya waktu

D. Penentuan Estimasi Data Panel 1. Model Common Effects

Model common effect merupakan model yang paling sederhana untuk mengestimasi data panel yaitu hanya dengan mengkombinasikan data time series dan cross section. Model common effects hanya menggabungkan kedua data tanpa melihat perbedaan antar waktu dan individu sehingga dikatakan sama dengan metode Ordinary Least Square (OLS). Model yang memiliki asumsi intersep dan slope selalu tetap baik antar waktu maupun antar individu. Hal ini karena dasar yang digunakan dalam regresi data panel ini yang mengabaikan pengaruh individu dan waktu pada model yang dibentuknya.

2. Model Fixed Effects

Pada model common effects mengasumsikan bahwa intersep dan juga slope sama baik antar waktu maupun individu. Namun asumsi ini memungkinkan membuat hasil regresi yang jauh berbeda dan hasil estimasi menjadi tidak valid. Adanya berbagai faktor yang tidak semuanya masuk ke dalam persamaan dan perbedaan unit observasi memungkinkan intersep yang berbeda begitu juga dengan koefisien

regresi atau slopenya. Maka dari itu selanjutnya terjadi pembentukan model fixed effects. Efek tetap dimaksudkan bahwa satu objek observasi memiliki konstanta yang tetap untuk beberapa periode waktu. demikian juga koefisien regresinya akan tetap dari waktu ke waktu.

Dalam penggunaan estimasi dengan least square dummy variable (LSDV) yang dilakukan untuk membedakan suatu objek dengan objek lainnya, yakni dengan memasukkan variabel semu (dummy variable). Ini akan menjelaskan terjadinya perbedaan nilai intersep yang berbeda sebagai akibat perbedaan dari cross section.

3. Model Random Effect

Di dalam mengestimasi data panel dengan model fixed effects melalui teknik Least Square Dummy Variabel (LSDV) menunjukkan ketidakpastian model yang digunakan. Maka untuk mengatasi masalah ini kita bisa menggunakan variabel residual yang dikenal sebagai model Random Effects. Pada model ini akan dipilih estimasi data panel dimana error mungkin saling berhubungan koefisien regresi dan konstanta. Maka dari itu, pada model ini diasumsikan bahwa ada perbedaan intersep untuk setiap individu dan intersep tersebut disebabkan oleh residual/error dan secara variabel random atau stakastik. Sehingga dalam model ini terdapat dua komponen residual, yaitu residual secara menyeluruh, yang merupakan kombinasi time series dan cross section, dan residual secara

individu yang merupakan karakteristik random dari observasi unit ke-i dan tetap sepanjang waktu.

E. Uji Ketepatan Model

Untuk memilih metode yang paling tepat terdapat bebera pengujian yang dapat dilakukan antara lain :

1. Uji Chow

Uji Chow adalah uji yang digunakan untuk menentukan apakah model common effect ataukah fixed effect yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dari uji chow adalah :

H0 : Common Effects Model H1 : Fixed Effects Model

2. Uji Hausman

Uji Hausman membahas tentang pemilihan metode yang digunakan antara fixed effect dan random effect. Uji Hausman dilakukan dengan menggunakan alat bantu Eviews. Untuk melakukan uji ini digunakan hipotesis sebagai berikut:

H0 : Random Effect Model H1 : Fixed Effect Model

39 3. Uji Langrange Multiplier

Uji Langrange Multiplier adalah uji untuk mengetahui apakah model random effect lebih baik digunakan dibanding dengan model common effect. Untuk melakukan uji ini digunakan hipotesis sebagai berikut :

H0 : Common Effect Model H1 : Random Effect Model

F. Uji Asumsi Klasik

Mengingat data yang digunakan dalam penelitian ini adalah data sekunder, maka untuk memenuhi syarat yang ditentukan sebelum uji hipotesis melalui uji t dan uji F maka perlu dilakukannya pengujian atas beberapa asumsi klasik yang digunakan yaitu uji normalitas, uji multikolinieritas, autokorelasi, dan heteroskesastisitas yang secara rinci dijelaskan sebagai berikut:

1. Uji Normalitas

Uji normalitas memiliki tujuan untuk menguji apakah sampel yang digunakan mempunyai distribusi normal atau tidak. Dalam model regresi linier, asumsi ini ditunjukkan oleh nilai error yang berdistribusi normal. Model regresi yang baik adalah model regresi yang dimiliki distribusi normal atau mendekati normal, sehingga layak dilakukan pengujian secara statistik. Menurut Singgih Santoso (2012:293) dasar

pengambilan keputusan bisa dilakukan berdasarkan probabilitas (Asymtotic Significance), yaitu:

1) Jika probabilitas > 0,05 maka distribusi dari model regresi adalah normal.

2) Jika probabilitas < 0,05 maka distribusi dari model regresi adalah tidak normal.

2. Uji Multikolinearitas

Uji multikolinearitas ini berfungsi untuk mengetahui apakah dalam model regresi terdapat atau tidaknya korelasi antara variabel bebas. Jika terjadi korelasi, maka bisa dikatakan adanya problem multikolinieritas.

Model regresi yang baik seharusnya tidak terjadi korelasi antara variabel independen. Jika terbukti adanya multikolinieritas, maka sebaiknya salah satu variabel independen yang ada dikeluarkan dari model, lalu pembuatan model regresi ulang (Singgih, Santoso, 2020:234). Untuk mendeteksi ada tidaknya multikolinieritas dapat dilihat dari besaran Variance Inflation Factor (VIF) dan Tolerance.

Nilai Tolerance mengukur variabelitas dari variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jika nilai tolerance rendah sama dengan nilai VIF tinggi, dikarenakan VIF = 1/tolerance, dan menunjukkan terdapat kolinearitas yang tinggi. Nilai cut off yang digunakan adalah untuk nilai tolerance 0,10 atau niai VIF diatas angka 10.

41 3. Uji Heteroskedastisitas

Uji Heteroskedastisitas adalah uji yang bertujuan untuk mengetahui apakah dalam model regresi terdapat ketidaksamaan variance residual satu pengamat ke pengamat lainnya. jika variance dari residual satu pengamat ke pengamat lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut dengan heteroskedastisitas.

Model regresi yang baik adalah model regresi homoskedastisitas atau tidak terjadi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (Ghozali, 2013:139)

Salah satu cara yang dapat digunakan untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan melakukan uji Glejser. Uji Glejser mrnghasilkan untuk meregres nilai absolut residual terhadap variabel independen. Hasil probabilitas dikatakan signifikan jika nilai signifikansinya diatas tingkat kepercayaan 5%

4. Uji Autokorelasi

Uji Autororelasi ini bertujuan untuk mengetahui apakah dalam sebuah model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinyatakan adanya problem autokorelasi. Tentu saja model regresi yang baik adalah jika model regresi tersebut bebas dari autokorelasi (Singgih Santoso, 2012:241).

Untuk memeriksa ada atau tidaknya autokorelasi salah satunya dengan

mennggunakan LM Test yang akan menghasilkan statistik Breusch-Godfrey (BG Test).

Pengujian Breusch-Godfrey dilakukan dengan meregres variabel penggangu (residual) Ut menggunakan autoregressive secara simultan sama dengan nol, menunjukkan bahwa tidak terdapat autokorelasi pada setiap periode. Hasil uji LM jika menujukan nilai probabilitas lebih dari 0,05 atau > =5% maka tidak terjadi autokorelasi. Dan sebaliknya jika kurang dari 0,05 maka terjadi masalah autokorelasi.

G. Uji Hipotesis

1. Uji t (Uji Parsial)

Uji t (t-test) melakukan pengujian koefisien regresi secra parsial atau individu, pengujian ini dilakukan untuk mengetahui signifikansi peran secara parsial antara variabel independen terhadap variabel dependen dengan mengasumsikan bahwa variabel independen lain dianggap konstan. Uji ini menggunakan hipotesis sebagai berikut:

Jika hipotesis signifikan positif a. H0 : 0

b. H1 : 0

Jika hipotesis signifikan negatif a. H0 : 0

b. H1 : 0

Menentukan tingkat signifikan ( 5%

Kriteria pengujian : jika nilai probabilitas T-statisic > 0.05, maka H0 diterima, artinya variabel independen tidak mempengaruhi variabel dependen secara signifikan. Dan jika probabilitas T-statistic < 0.05, maka H0 ditolak, artinya variabel independen mempengaruhi variabel dependen secara signifikan.

2. Uji F (Uji Simultan)

Uji F merupakan pengujian terhadap koefisien regresi secara simultan. Pengujian ini dilakukan untuk mengetahui pengaruh semua variabel independen yang terdapat di dalam model secara bersama-sama (simultan) terhadap variabel dependen. Apabila nilai F hitung lebih besar dari nilai F krisis maka variabel independen secara keseluruhan berpengaruh terhadap variabel dependen.

Dengan membandingkan nilai probabilitas F-statistic dengan (5%), jika probabilitas F-stat < maka H0 ditolak, yang artinya variabel independen secara menyeluruh mempengaruhi variabel dependen. Dan sebaliknya apabila nilai probabilitas F-stat > maka H0 diterima, yang artinya variabel independen secara menyeluruh tidak mempengaruhi variabel dependen.

3. Koefisien Determinasi (R Square)

Koefisien determinasi bertujuan untuk mengetahui seberapa jauh kemampuan model menjelaskan variabel terikat yang dihitung.

Nilai R² yang kecil/ mendekati nol, berarti kemampuan variabel-variabel bebas dalam menjelaskan variabel-variabel terikat sangat terbatas atau kecil. Nilai R² yang besar mendekati 1, berarti variabel-variabel bebas memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel terkait.

H. Definisi Operasional Variabel

Data yang digunakan dalam analisis ini berupa data sekunder yang diperoleh melalui proses pengolahan dari instasi yang terkait dengan penelitian yaitu dari website resmi Badan Pusat Statistik Indonesia. Jenis data yang digunakan dalam penelitian ini yaitu data panel yang merupakan gabungan antara time series dan cross section. Adapun data yang digunakan untuk cross section diambil dari 10 provinsi di Indonesia yaitu :

1. Banten 2. Jawa barat 3. Kepulauan riau 4. Maluku

5. DKI jakarta 6. Papua barat 7. Aceh

8. Sulawesi utara

9. Kalimantan timur, dan 10. Riau

Sedangkan untuk data time series menggunakan data PDRB tiap provinsi, Indeks Pembangunan Manusia tiap provinsi dan Upah Minumum tiap provinsi dalam kurun waktu 2015-2019 dengan jumlah observasi berjumlah 50. Penelitian ini bertujuan untuk mengetahui apakah variabel independen berpengaruh terhadap variabel dependen.

1. Penyerapan Tenaga Kerja (Y)

Penyerapan Tenaga Kerja merupakan penduduk yang mampu bekerja dalam usia kerja, yaitu antara usia 15-64 tahun).

Menurut UU No. 13 Tahun 2003 tentang ketenagakerjaan, tenaga kerja adalah setiap otang yang mampu melakukan pekerjaan guna menghasilkan barang dan jasa baik untuk memenuhi kebutuhan sendiri maupun untuk masyarakat. Data yang digunakan adalah jumlah penduduk bekerja di 10 Provinsi di Indonesia tahun 2015-2019 dan disajikan dalam bentuk logaritma natural.

2. Produk Domestik Regional Bruto (X1)

Menurut BPS, Produk Domestik Regional Bruto (PDRB) adalah jumlah nilai tambah atas dasar harga produsen atas barang dan jasa yang dihasilkan oleh berbagai unit produksi di wilayah dalam jangka waktu tertentu (biasanya satu tahun). Unit-unit produksi tersebut dalam penyajian ini dikelompokkan menjadi 17 lapangan usaha. Data yang digunakan adalah nilai PDRB atas dasar harga konstan 2010 di 10 Provinsi Indonesa tahun 2015-2019. Satuan

variabel dalam milyar rupiah dan disajikan dalam bentuk logaritma natural.

3. Indeks Pembangunan Manusia (X2)

Indeks Pembangunan Manusia (IPM) merupakan indikator untuk mengukur keberhasilan dalam upaya membangun kualitas hidup manusia. IPM dibentuk oleh 3 (tiga) dimensi dasar yaitu umur panjang dan hidup sehat, pengetahuan, dan standar hidup layak. Data yang digunakan adalah nilai IPM di 10 Provinsi di Indonesia tahun 2015-2019 dan disajikan dalam bentuk logaritma natural.

4. Upah Minimum Provinsi (X3)

Upah Minimum (UMR/UMP) adalah suatu standar minimum yang digunakan oleh pada pengusaha untuk memberikan upah kepada pegawai, karyawan, atau buruh di dalam lingkungan usaha atau kerjanya. Data yang digunakan adalah Upah Minimum Provinsi di 10 Provinsi Indonesia tahun 2015-2019 dan disajikan dalam bentuk logaritma natural.

47 BAB IV

HASIL ANALISIS DAN PEMBAHASAN

Pada bab analisis dan pembahasan ini akan menguraikan hasil penelitian mengenai pengaruh dari Produk Domestik Regional Bruto, Indeks Pembangunan Manusia, dan Upah Minimum Provinsi terhadap penyerapan tenaga kerja di Indonesia tahun 2015-2019 (studi kasus 10 provinsi terendah). Dalam penelitian ini analisis yang dilakukan berupa data cross section dan time series yaitu sebanyak 50 sampel yaitu 10 provinsi yang memiliki penduduk bekerja terendah dalam kurun waktu tahun 2015-2019. Analisis data panel dilakukan dengan melakukan pemilihan metode yang tepat dalam menganalis data-data hasil penelitian, metode tersebut yaitu common effect, fixed effect, dan random effect.

Diantara ketiga metode analisis data panel tersebut, akan dipilih salah satu metode yang selanjutnya akan digunakan untuk tahap uji statistik. Dalam pengujian estimasi ini digunakan bantuan dengan program EVIEWS 10.

48 A. Gambaran Umum Objek Penelitian

1. Gambaran Penyerapan Tenaga Kerja di Indonesia

Tenaga kerja merupakan faktor penting dari pembangunan nasional. Suatu wilayah dapat dilihat sejahtera atau tidak salah satu nya dengan penyerapan tenaga kerja di wilayah tersebut. Hal tersebut dapat dilihat dari presentase jumlah penduduk bekerja terhadap jumlah angkatan kerja di suatu wilayah. Dari 34 provinsi di Indonesia terdapat 10 provinsi dengan penyerapan tenaga kerja terendah yang akan digambarkan melalui grafik dibawah ini :

Gambar 4. 1

Presentase Penyerapan Tenaga Kerja di Indonesia

Sumber: Badan Pusat Statistik

Melihat data dari grafik di atas dapat dilihat bahwa penyerapan tenaga kerja di Indonesia secara keseluruhan dapat dikatakan cukup

84 86 88 90 92 94 96 98 100

Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Bangka-Belitung Kepulauan Riau DKI Jakarta Jawa Barat Jawa Tengah D I Y Jawa Timur Banten Bali Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Kalimantan Utara Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Sulawesi Barat Maluku Maluku Utara Papua Barat Papua

2015 2016 2017 2018 2019

berfluktuasi. Dari 34 Provinsi di Indonesia penyerapan tenaga kerja teringgi ada pada provinsi Bali dengan presentase sebesar 98,43%.

Sedangkan provinsi Banten menjadi provinsi yang terendah dengan presentase di tahun 2019 sebesar 91,89 persen, presentase ini cukup jauh dibandingkan dengan provinsi Bali. Dan menurut data terdapat 10 provinsi yang menempati posisi terendah selain Banten yaitu Jawa Barat, Kepulauan Riau, Maluku, DKI Jakarta, Papua Barat, Aceh, Sulawesi Utara, Kalimantan Timur, dan Riau.

2. Gambaran PDRB (Produk Domestik Regional Bruto) di Indonesia Produk Domestik Regional Bruto (PDRB) merupakan indikator penting untuk mengetahui keadaan ekonomi di suatu wilayah atau daerah dalam periode tertentu, baik atas dasar harga berlaku maupun atas dasar harga konstan. PDRB adalah jumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu daerah tertentu, atau merupakan nilai akhir (neto) yang dihasilkan oleh seluruh unit ekonomi. PDRB yang digunakan dalam penelitian ini adalah PDRB atas harga dasar konstan (riil) yang dapat menunjukan laju pertumbuhan ekonomi secara keseluruhan dari tahun ke tahun. Adapun PDRB periode 2015-2019 digambarkan dalam grafik dibawah ini :

Gambar 4. 2

PDRB 10 Provinsi di Indonesia tahun 2015-2019

Sumber: Badan Pusat Statistik

Pertumbuhan PDRB di Indonesia selama tahun 2015-2019 tidak mengalami perubahan yang begitu signifikan. Secara nasional PDB Indonesia pada tahun 2019 berhasil tumbuh sebesar 5,02 persen.

Walaupun lebih rendah dibanding tahun 2018 yang mencapai 5,17 persen namun hal tersebut cukup baik di tengah ketidakpastian global.

Dari 10 provinsi yang menjadi objek penelitian, provinsi DKI Jakarta menjadi provinsi dengan nilai PDRB tertinggi, hal tersebut sangat wajar mengingat DKI Jakarta adalah ibukota dan menjadi pusat perekonomian. Selain itu provinsi Jawa Barat juga menunjukan pertumbuhan ekonomi yang cukup baik dari tahun ke tahun walaupun mengalami perlambatan, dengan sektor lapangan usaha industri pengolahan yang memberikan andil pertumbuhan terbesar. Kemudian

0,00

pertumbuhan PDRB untuk provinsi Riau, Kalimantan Timur dan Banten tergolong lambat. Sedangkan untuk provinsi Kepulauan Riau, Aceh, Sulawesi Utara, Papua Barat dan Maluku PDRB tergolong rendah dan cukup stagnan. Artinya pemerintah perlu mengembangkan kembali sektor-sektor agar dapat meningkatkan PDRB tiap daerah.

Sumber : Badan Pusat Statistik, diolah 2021 Gambar 4. 3 Sektor Unggulan

Dapat dilihat dari grafik bahwa dari 10 provinsi yang menjadi objek penelitian, Industri Pengolahan menjadi sektor unggulan yang memberi nilai tertinggi pada masing-masing provinsi dengan nilai total 1.153.291 milyar rupiah atau sebesar 39 persen. Provinsi Jawa Barat memiliki nilai tertinggi untuk sektor Industri Pengolahan denan nilai 524.467 milyar rupiah. Kemudian disusul oleh Provinsi DKI Jakarta, dan Provinsi Banten. Setelah itu ada sektor Perdagangan Besar dan Eceran yang memiliki nilai total sebesar 583.858 milyar rupiah atau 20 persen,

39%

20%

14%

16%

11%

SEKTOR UNGGULAN

Industri Pengolahan Perdagangan Besar Pertambangan Konstruksi Pertanian

dan dengan Provinsi DKI Jakarta yang memimpin sebesar 234.748 milyar rupiah.

3. Gambaran IPM (Indeks Pembangunan Manusia) di Indonesia

Indeks Pembangunan Manusia merupakan indikator untuk mengetahui kualitas pendidikan, kesehatan dan ekonomi di suatu daerah.

Semakin nilai IPM mendekati angka seratus mengartikan bahwa pembangunan manusia baik di daerah tersebut, dan sebaliknya jika semakin rendah nya nilai IPM maka pembangunan manusia di daerah tersebut masih kurang baik.

Gambar 4. 4

IPM 10 Provinsi di Indonesia tahun 2015-2019

Sumber: Badan Pusat Statistik

Dari grafik di atas dapat dilihat bahwa Indeks Pembangunan Manusia periode 2015-2019 bervariasi karena proses pembangunan di

0 10 20 30 40 50 60 70 80 90

2015 2016 2017 2018 2019

Indonesia belum merata. Tetapi dari 10 provinsi yang menjadi objek penelitian mengalami tren peningkatan tiap tahunnya. Menurut Badan Pusat Statistik (BPS) nilai IPM digolongkan menjadi empat kategori yaitu rendah jika <60, sedang jika 60-70, tinggi jika 70-80 dan sangat tinggi jika >80 (BPS,2019). Maka dari grafik dapat dilihat bahwa IPM di 10 provinsi termasuk dalam kategori sedang sampai tinggi.

Papua Barat menjadi provinsi yang nilai IPM nya tergolong sedang dengan nilai 64,70 pada tahun 2019, artinya kondisi kesejahteraan disana masih belum optimal. Namun bisa dilihat bahwa pemerintah Papua Barat terus melakukan upaya untuk meningkatkan indeks pembangunan manusia di daerahnya agar kehidupan masyarakat menjadi lebih baik, hal tersebut tercermin dari nilai IPM Papua Barat yang terus mengalami peningkatan dari tahun 2015-2019. Sedangkan IPM tertinggi ada pada provinsi DKI Jakarta dengan angka IPM sebesar 80,76 di tahun 2019 dimana tergolong dalam kategori sangat tinggi. Sebagai ibukota, pemerintah DKI Jakarta memang memberikan perhatian yang cukup baik untuk hal-hal seperti pendidikan, kesehatan, maupun pendapatan masyarakat disana. Pemerintah DKI Jakarta terus melakukan pengembangan dengan membuat program-program seperti KJP (Kartu Jakarta Pintar), BPJS Kesehatan, Kartu Prakerja dll. Selain itu pemerintah DKI Jakarta dapat memanfaatkan sumber-sumber pendapatan daerah dengan maksimal dan melibatkan masyarakat dalam upaya pembangunan daerah, serta meningkatkan infrastruktur seperti fasilitas

pendidikan dan kesehatan yang semakin membaik. Secara keseluruhan IPM Indonesia termasuk dalam kategori sedang dimana pada tahun 2015 sebesar 69,55 kemudian di tahun 2019 berhasil mencapai 71,98.

4. Gambaran UMP (Upah Minimum Provinsi) di Indonesia

Upah Minimum Provinsi (UMP) adalah standar yang diterapkan disuatu daerah mengenai besaran upah/gaji yang dibayarkan oleh peusahaan kepada para pekerja di daerah tersebut. Upah Minimum diciptakan dengan tujuan untuk melindungi para pekerja dari upah yang terlalu rendah. Upah minimum ini akan mendorong terwujudnya keadilan bagi pekerja dan pengusaha dalam rangka pemenuhan kebutuhan hidup sehari-hari seperti kebutuhan sandang dan pangan. Setiap provinsi di Indonesia mempunyai tingkat upah minimum yang berbeda-beda sesuai dengan standar hidup layak (SHL) di provinsi tersebut dan faktor-faktor lain yang menjadi dasar perhitungan UMP seperti inflasi. Peningkatan ini disebabkan karena pertumbuhan ekonomi yang semakin membaik dari tahun ke tahun. Peningkatan pertumbuhan ekonomi dapat diukur melalui besarnya nilai PDRB di setiap provinsi.

55 Gambar 4. 5

UMP 10 Provinsi di Indonesia tahun 2015-2019

Sumber: Badan Pusat Statistik

Dari grafik dapat dilihat perkembangan besaran upah minimum di 10 provinsi yang menjadi objek penelitian. Setiap provinsi tersebut selalu

Dalam dokumen ANALISIS PENGARUH PDRB, IPM, DAN UPAH MINIMUM TERHADAP PENYERAPAN TENAGA KERJA DI INDONESIA (STUDI KASUS DI 10 PROVINSI TAHUN ) SKRIPSI (Halaman 48-0)