Format PDF Format HTML

ANALISIS SPASIAL

TINGKAT PENGANGGURAN TERBUKA (TPT)

DI JAWA BARAT TAHUN 2025

Oleh:

Raihanah Rafidah

140720250009



Dosen:

I Gede Nyoman Mindra Jaya, M.Si., Ph.D.





PROGRAM STUDI MAGISTER STATISTIKA TERAPAN

UNIVERSITAS PADJADJARAN

2026

DAFTAR ISI

PENDAHULUAN

DATA DAN METODE

HASIL ANALISIS

KESIMPULAN

DAFTAR PUSTAKA

LAMPIRAN

A. PENDAHULUAN

Latar Belakang

Tingkat Pengangguran Terbuka (TPT) merupakan salah satu indikator makroekonomi paling fundamental dalam mengukur kesehatan pasar tenaga kerja dan kesejahteraan masyarakat suatu wilayah. TPT mencerminkan persentase jumlah penganggur terhadap total angkatan kerja, sehingga tingginya angka pengangguran mengindikasikan adanya ketidakseimbangan antara penawaran dan permintaan tenaga kerja. Ketimpangan ini tidak hanya berdampak pada aspek ekonomi makro, tetapi juga berimplikasi luas terhadap peningkatan kemiskinan, ketimpangan pendapatan, dan potensi konflik sosial.

Berdasarkan data Badan Pusat Statistik (BPS) per Februari 2025, Provinsi Jawa Barat menempati posisi pertama sebagai provinsi dengan jumlah pengangguran tertinggi di Indonesia dengan angka pengangguran mencapai 1.807.211 jiwa, dimana angka ini hampir dua kali lipat dari provinsi peringkat kedua, Jawa Tengah dan lebih dari dua kali lipat dari Banten. Kondisi ini menjadi ironi tersendiri mengingat Jawa Barat merupakan provinsi dengan pertumbuhan ekonomi yang tergolong dinamis dan memiliki kontribusi signifikan terhadap produk domestik bruto nasional. Fenomena ini mengindikasikan adanya jobless growth, yaitu pertumbuhan ekonomi yang tidak diimbangi dengan penciptaan lapangan kerja yang memadai, sehingga keuntungan ekonomi tidak terserap secara optimal oleh pasar tenaga kerja. Persoalan pengangguran di Jawa Barat memiliki kaitan erat dengan komitmen Indonesia dalam mencapai Tujuan Pembangunan Berkelanjutan, yaitu Sustainable Development Goals (SDGs), khususnya Tujuan 8: Pekerjaan Layak dan Pertumbuhan Ekonomi (Decent Work and Economic Growth), dimana tujuan ini menekankan pentingnya “meningkatkan pertumbuhan ekonomi yang inklusif dan berkelanjutan, kesempatan kerja yang produktif dan menyeluruh, serta pekerjaan yang layak untuk semua”.

Pengangguran bukanlah fenomena yang tersebar merata di seluruh wilayah. Setiap kabupaten/kota di Jawa Barat memiliki karakteristik ekonomi, sosial, dan demografis yang berbeda, yang menyebabkan variasi tingkat pengangguran antar wilayah. Dalam konteks inilah, pendekatan analisis spasial menjadi sangat krusial dalam penelitian ini karena beberapa alasan fundamental. Pertama, analisis spasial memungkinkan identifikasi wilayah-wilayah yang membentuk klaster pengangguran tinggi (High-High) maupun rendah (Low-Low), sehingga kebijakan penurunan angka pengangguran dapat difokuskan secara tepat pada wilayah-wilayah prioritas yang memang membutuhkan intervensi paling mendesak. Kedua, model ekonometrika konvensional seperti Ordinary Least Squares (OLS) mengasumsikan independensi antar observasi, suatu asumsi yang tidak berlaku pada data spasial karena karakteristik suatu wilayah cenderung dipengaruhi oleh wilayah di sekitarnya; mengabaikan dependensi spasial ini dapat menghasilkan estimasi parameter yang bias dan tidak efisien, sehingga kesimpulan yang diambil menjadi tidak akurat. Ketiga, pendekatan spasial mampu menangkap efek limpahan (spillover effect), di mana pengaruh suatu variabel prediktor di suatu wilayah tidak hanya berdampak pada wilayah tersebut, tetapi juga dapat merambat ke wilayah tetangga melalui mobilitas tenaga kerja dan keterkaitan aktivitas ekonomi. Dengan demikian, kebijakan yang hanya berfokus pada satu wilayah secara parsial tanpa memperhatikan konteks spasial dan interaksi antarwilayah akan menjadi kurang efektif dalam menekan tingkat pengangguran secara menyeluruh di Jawa Barat.

Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, rumusan masalah dalam penelitian ini adalah sebagai berikut:

  1. Bagaimana pola autokorelasi spasial Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun 2025, dan wilayah mana saja yang membentuk klaster pengangguran tinggi maupun rendah?
  2. Bagaimana pengaruh Tingkat Partisipasi Angkatan Kerja (TPAK), Produk Domestik Regional Bruto (PDRB), dan Pengeluaran Riil Per Kapita terhadap Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun 2025 dengan menggunakan pendekatan regresi spasial?
  3. Model regresi spasial manakah yang paling tepat untuk memodelkan Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun 2025 berdasarkan kriteria AIC, BIC, dan Log-likelihood?
Tujuan Penelitian
  1. Mengidentifikasi dan menganalisis pola autokorelasi spasial Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun 2025 melalui pendekatan Local Moran’s I (LISA), serta memetakan klaster wilayah High-High, Low-Low, High-Low, dan Low-High.
  2. Menganalisis pengaruh Tingkat Partisipasi Angkatan Kerja (TPAK), Produk Domestik Regional Bruto (PDRB), dan Pengeluaran Riil Per Kapita terhadap Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun 2025 dengan menggunakan model regresi spasial, yaitu Spatial Autoregressive (SAR), Spatial Error Model (SEM), dan Spatial Autoregressive Combined (SAC).
  3. Menentukan model regresi spasial terbaik di antara SAR, SEM, dan SAC dalam menjelaskan variasi Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun 2025 berdasarkan kriteria Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), dan Log-likelihood.

B. DATA DAN METODE

Sumber Data

Penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Jawa Barat tahun 2025. Data tersebut memuat informasi mengenai karakteristik ketenagakerjaan dan kondisi ekonomi pada 27 kabupaten/kota di Provinsi Jawa Barat. Selain itu, data spasial berupa batas administrasi kabupaten/kota diperoleh dalam bentuk shapefile yang tersedia pada Portal Open Data Jabar.

Unit Observasi

Unit observasi dalam penelitian ini adalah seluruh kabupaten dan kota di Provinsi Jawa Barat yang berjumlah 27 wilayah administratif sebagai berikut.

Variabel

Dalam penelitian ini digunakan satu variabel respon yaitu, Tingkat Pengangguran Terbuka (TPT) dan beberapa variabel prediktor, yaitu: 1) Tingkat Partisipasi Angkatan Kerja (TPAK), 2) Produk Domestik Regional Bruto (PDRB), 3) Pengeluaran Riil Per Kapita.

Menurut Badan Pusat Statistik (BPS), Tingkat Pengangguran Terbuka merupakan persentase jumlah penganggur terhadap jumlah angkatan kerja. Indikator ini menggambarkan kemampuan perekonomian suatu wilayah dalam menyerap tenaga kerja. Tingginya TPT menunjukkan adanya ketidakseimbangan antara penawaran dan permintaan tenaga kerja sehingga sebagian angkatan kerja belum memperoleh pekerjaan. Secara teoritis, pengangguran merupakan salah satu indikator penting dalam mengevaluasi kondisi pasar tenaga kerja dan tingkat kesejahteraan masyarakat. Dalam perspektif spasial, tingkat pengangguran suatu wilayah dapat dipengaruhi oleh kondisi ekonomi wilayah sekitarnya karena adanya mobilitas tenaga kerja dan keterkaitan aktivitas ekonomi antarwilayah.

TPAK menunjukkan persentase penduduk usia kerja yang aktif secara ekonomi, yaitu bekerja atau sedang mencari pekerjaan. Variabel ini menggambarkan besarnya pasokan tenaga kerja yang tersedia di suatu wilayah. Menurut teori pasar tenaga kerja, peningkatan jumlah angkatan kerja yang tidak diimbangi oleh penciptaan kesempatan kerja dapat menyebabkan peningkatan pengangguran. Dengan demikian, TPAK memiliki hubungan erat dengan dinamika pengangguran dan kondisi pasar kerja. Penelitian oleh Apergis dan Arisoy (2017) menunjukkan adanya hubungan jangka panjang antara tingkat partisipasi angkatan kerja dan tingkat pengangguran. Selain itu, keputusan individu untuk masuk ke pasar kerja dipengaruhi oleh berbagai faktor ekonomi dan sosial.

PDRB merupakan jumlah nilai tambah yang dihasilkan oleh seluruh kegiatan ekonomi dalam suatu wilayah pada periode tertentu. PDRB digunakan sebagai indikator utama untuk mengukur tingkat pertumbuhan ekonomi dan aktivitas ekonomi daerah. Menurut teori pertumbuhan ekonomi dan hukum Okun (Okun’s Law), peningkatan ekonomi akan meningkatkan permintaan tenaga kerja sehingga dapat menurunkan tingkat pengangguran. Oleh karena itu, wilayah dengan PDRB yang lebih tinggi cenderung memiliki kemampuan yang lebih besar dalam menciptakan lapangan kerja.

Pengeluaran riil per kapita yang disesuaikan merupakan rata-rata pengeluaran konsumsi masyarakat yang telah disesuaikan dengan tingkat harga dan daya beli. Variabel ini digunakan oleh BPS sebagai salah satu komponen dalam penyusunan Indeks Pembangunan Manusia (IPM) untuk menggambarkan standar hidup layak masyarakat. Menurut teori pembangunan ekonomi, peningkatan pendapatan dan daya beli masyarakat akan mendorong peningkatan permintaan barang dan jasa yang pada akhirnya meningkatkan aktivitas ekonomi dan menciptakan kesempatan kerja. Dengan demikian, semakin tinggi pengeluaran riil per kapita, semakin rendah tingkat pengangguran yang diharapkan.

Berdasarkan teori ekonomi dan hasil penelitian terdahulu, hubungan antarvariabel yang diharapkan dalam model regresi spasial adalah sebagai berikut.

Variabel Dasar Teori Arah Hubungan dengan TPT
TPAK Teori pasar tenaga kerja Positif (+)
PDRB Hukum Okun dan teori pertumbuhan ekonomi Negatif (-)
Pengeluaran Riil Per Kapita Teori pembangunan ekonomi dan kesejahteraan Negatif (-)
Ordinary Least Squares (OLS)

Metode regresi linear yang digunakan untuk menjelaskan hubungan antara variabel dependen dengan satu atau lebih variabel independen melalui estimasi parameter yang diperoleh dengan meminimumkan jumlah kuadrat galat (Gujarati & Porter, 2009). Model OLS digunakan sebagai model awal sebelum dilakukan pengujian adanya dependensi spasial.

\[ y = X\beta + \varepsilon \]

\(\begin{array}{ll} y & : \text{vektor variabel dependen;} \\ X & : \text{matriks variabel independen;} \\ \beta & : \text{vektor parameter regresi;} \\ \varepsilon & : \text{galat yang diasumsikan berdistribusi normal dengan rata-rata nol dan} \\ & \phantom{:} \text{varians konstan.} \end{array}\)

Spatial Autoregressive Model (SAR)

Model regresi spasial yang memperhitungkan adanya ketergantungan spasial pada variabel dependen. Model ini mengasumsikan bahwa nilai variabel dependen pada suatu wilayah dipengaruhi oleh nilai variabel dependen pada wilayah yang bertetangga (Anselin, 1988).

\[ y = \rho Wy + X\beta + \varepsilon \]

\(\begin{array}{ll} W & : \text{matriks bobot spasial;} \\ \rho & : \text{parameter autoregresif spasial;} \\ Wy & : \text{lag spasial dari variabel dependen.} \end{array}\)

Spatial Error Model (SEM)

Model digunakan apabila ketergantungan spasial terjadi pada komponen galat. Ketergantungan tersebut menunjukkan adanya faktor-faktor yang tidak teramati tetapi memiliki pola spasial sehingga menyebabkan galat antarwilayah saling berkorelasi (Anselin, 1988).

\[ y = X\beta + u \] dengan \[ u = \lambda Wu + \varepsilon \]

\(\begin{array}{ll} u & : \text{komponen galat yang memiliki dependensi spasial;} \\ \lambda & : \text{parameter autokorelasi spasial pada galat;} \\ W & : \text{matriks bobot spasial;} \\ \varepsilon & : \text{galat acak yang berdistribusi normal.} \end{array}\)

Spatial Autoregressive Combined Model (SAC)

pengembangan model regresi spasial yang menggabungkan karakteristik SAR dan SEM. Model ini digunakan ketika terdapat ketergantungan spasial tidak hanya pada variabel dependen, tetapi juga pada komponen galat.

\[ \mathbf{y} = \rho \mathbf{W}\mathbf{y} + \mathbf{X}\boldsymbol{\beta} + \mathbf{u} \]

RAO-Score Test

Rao-Score Test atau Lagrange Multiplier (LM) Test merupakan pengujian yang digunakan untuk mendeteksi adanya dependensi spasial pada model regresi OLS serta digunakan untuk menentukan model regresi spasial yang sesuai (Anselin, 1988). Rao-Score Test terdiri atas Rao-Score Lag untuk mengidentifikasi model SAR, Rao-Score Error untuk mengidentifikasi model SEM, serta Rao-Score SARMA untuk mendeteksi adanya dependensi spasial secara simultan pada variabel dependen dan komponen galat. Hasil pengujian ini digunakan sebagai dasar dalam pemilihan model regresi spasial.

Pembentukan Matriks Bobot Spasial

Hubungan spasial antarwilayah didefinisikan menggunakan pendekatan Queen Contiguity. Pada metode ini, dua wilayah dikatakan bertetangga apabila memiliki sisi maupun titik sudut yang saling bersinggungan.

Secara matematis, elemen matriks bobot spasial \(W = [w_{ij}]\) didefinisikan sebagai berikut.

\[ w_{ij} = \begin{cases} 1, & \text{jika wilayah } i \text{ bertetangga dengan wilayah } j, \\ 0, & \text{jika wilayah } i \text{ tidak bertetangga dengan wilayah } j, \end{cases} \]

dengan

\[ w_{ii} = 0, \quad i = 1, 2, \dots, n. \]

C. HASIL DAN PEMBAHASAN

Analisis Deskriptif

Analisis deskriptif dapat dilihat sebagai berikut.

##             vars  n     mean       sd   median  trimmed      mad      min
## TPT            1 27     6.52     1.62     6.60     6.65     1.08     1.91
## TPAK           2 27    67.68     3.32    67.06    67.37     2.91    62.00
## PDRB           3 27 34753.34 22907.60 25966.53 31192.91 11957.73 15478.93
## PENGELUARAN    4 27 12287.56  2459.97 11933.00 12033.65  2087.50  9173.00
##                  max    range  skew kurtosis      se
## TPT             8.78     6.87 -1.07     0.77    0.31
## TPAK           79.13    17.13  1.32     2.95    0.64
## PDRB        96278.07 80799.14  1.54     1.24 4408.57
## PENGELUARAN 19280.00 10107.00  1.16     1.00  473.42
Peta Variabel Penelitian

Peta ini menggambarkan sebaran spasial variabel penelitian sehingga dapat diketahui pola distribusi Tingkat Pengangguran Terbuka (TPT), Tingkat Partisipasi Angkatan Kerja (TPAK), Produk Domestik Regional Bruto (PDRB), dan Pengeluaran Riil Per Kapita pada masing-masing kabupaten/kota.

Peta TPT menunjukkan bahwa sebagian besar kabupaten/kota di Provinsi Jawa Barat memiliki tingkat pengangguran pada kategori sedang hingga tinggi. Nilai TPT tertinggi terlihat terkonsentrasi pada wilayah bagian timur dan tenggara, sedangkan beberapa wilayah di bagian barat memiliki tingkat pengangguran yang relatif lebih rendah. Pola ini mengindikasikan adanya pengelompokan (clustering) antarwilayah yang memiliki karakteristik tingkat pengangguran yang serupa.

Sebaran Tingkat Partisipasi Angkatan Kerja menunjukkan bahwa wilayah bagian selatan dan timur Jawa Barat cenderung memiliki nilai TPAK yang lebih tinggi dibandingkan wilayah lainnya. Sebaliknya, beberapa wilayah di bagian utara memiliki tingkat partisipasi angkatan kerja yang relatif lebih rendah. Variasi ini menunjukkan adanya perbedaan keterlibatan penduduk usia kerja dalam aktivitas ekonomi antar kabupaten/kota.

Peta PDRB memperlihatkan adanya ketimpangan aktivitas ekonomi antarwilayah. Beberapa kabupaten/kota di bagian utara dan tengah memiliki nilai PDRB yang relatif tinggi, sedangkan sebagian besar wilayah lainnya memiliki nilai PDRB yang lebih rendah. Hal ini menunjukkan bahwa aktivitas ekonomi di Provinsi Jawa Barat masih terkonsentrasi pada beberapa daerah tertentu yang menjadi pusat pertumbuhan ekonomi.

Sebaran Pengeluaran Riil Per Kapita yang Disesuaikan menunjukkan pola yang hampir serupa dengan PDRB. Wilayah dengan tingkat pengeluaran yang tinggi cenderung berada pada daerah yang memiliki aktivitas ekonomi yang lebih maju, sedangkan wilayah dengan pengeluaran yang lebih rendah banyak ditemukan di bagian selatan dan barat. Perbedaan ini menggambarkan adanya variasi tingkat kesejahteraan masyarakat antar kabupaten/kota di Provinsi Jawa Barat.

Matriks Ketetanggaan

mendefinisikan hubungan spasial antarwilayah menggunakan Queen Contiguity yang selanjutnya digunakan dalam pembentukan matriks bobot spasial.

Ordinary Least Squares (OLS)

memperoleh model regresi linier awal yang menggambarkan hubungan antara Tingkat Pengangguran Terbuka (TPT) dengan variabel-variabel prediktor yang digunakan dalam penelitian.

## 
## Call:
## lm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN), data = PETA)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.6628 -0.5925  0.0339  0.7178  1.8770 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        26.14133    5.40361   4.838 6.98e-05 ***
## TPAK               -0.28998    0.07977  -3.635  0.00139 ** 
## scale(PDRB)         0.52449    0.29159   1.799  0.08520 .  
## scale(PENGELUARAN) -0.10086    0.31523  -0.320  0.75190    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.184 on 23 degrees of freedom
## Multiple R-squared:  0.5253, Adjusted R-squared:  0.4634 
## F-statistic: 8.484 on 3 and 23 DF,  p-value: 0.000563

Berdasarkan hasil OLS di atas, model regresi awal yang diperoleh adalah sebagai berikut.

\[ \hat{TPT} = 26,141 - 0,290(TPAK) + 0,524 \, Z(PDRB) - 0,101 \, Z(PENGELUARAN) \]

TPAK berpengaruh negatif dan signifikan terhadap Tingkat Pengangguran Terbuka (TPT) pada taraf signifikansi 5% dengan koefisien sebesar -0,28998. PDRB yang telah distandardisasi memiliki pengaruh positif dan signifikan pada taraf signifikansi 10% dengan koefisien sebesar 0,52449. Sementara itu, pengeluaran per kapita tidak berpengaruh signifikan terhadap TPT. Secara simultan, ketiga variabel independen berpengaruh signifikan terhadap TPT dengan nilai F-statistic sebesar 8,484 dan p-value 0,000563. Nilai koefisien determinasi sebesar 0,5253 menunjukkan bahwa model mampu menjelaskan 52,53% variasi Tingkat Pengangguran Terbuka, sedangkan sisanya dijelaskan oleh variabel lain di luar model. Model OLS ini selanjutnya digunakan sebagai model awal sebelum dilakukan pengujian ketergantungan spasial dan pemodelan regresi spasial.

Diagnostik

mengevaluasi pemenuhan asumsi klasik model regresi yang meliputi normalitas residual, homoskedastisitas, tidak adanya multikolinearitas, dan tidak adanya autokorelasi.

## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(TPT_OLS)
## W = 0.9762, p-value = 0.7683

residual model berdistribusi normal berdasarkan uji Shapiro–Wilk dengan p-value sebesar 0,7683 > 0,05.

## 
##  studentized Breusch-Pagan test
## 
## data:  TPT_OLS
## BP = 3.3723, df = 3, p-value = 0.3377

Uji Breusch–Pagan menghasilkan p-value sebesar 0,3377 > 0,05 menunjukkan tidak terdapat heteroskedastisitas.

##               TPAK        scale(PDRB) scale(PENGELUARAN) 
##           1.299502           1.576261           1.842194

nilai Variance Inflation Factor (VIF) untuk seluruh variabel independen berada di bawah 5, sehingga tidak ditemukan indikasi multikolinearitas.

##  lag Autocorrelation D-W Statistic p-value
##    1     -0.04577525      1.959047   0.748
##  Alternative hypothesis: rho != 0

Hasil uji Durbin–Watson menunjukkan nilai statistik sebesar 1,959 dengan p-value 0,764 > 0,05 yang mengindikasikan tidak adanya autokorelasi residual. Dengan demikian, model OLS memenuhi seluruh asumsi klasik dan layak digunakan sebagai model dasar sebelum dilakukan pengujian ketergantungan spasial melalui Moran’s I dan Rao-Score Test.

Moran I

mengidentifikasi keberadaan autokorelasi spasial secara global pada residual model OLS sehingga dapat diketahui apakah terdapat ketergantungan spasial antarwilayah.

## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN), data
## = PETA)
## weights: W_matriks
## 
## Moran I statistic standard deviate = 2.6847, p-value = 0.00363
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I      Expectation         Variance 
##        0.3135718       -0.0585038        0.0192082

Karena nilai p-value = 0,00363 < 0,05, maka terdapat autokorelasi spasial positif yang signifikan pada residual model OLS.

Nilai Moran’s I sebesar 0,3136 menunjukkan bahwa wilayah yang memiliki residual tinggi cenderung bertetangga dengan wilayah yang juga memiliki residual tinggi dan wilayah dengan residual rendah cenderung berdekatan dengan wilayah yang memiliki residual rendah. Hal ini mengindikasikan adanya pola pengelompokan (clustering) secara spasial yang belum mampu dijelaskan oleh model OLS.

Pada Moran Scatter Plot terlihat bahwa garis regresi memiliki kemiringan positif, yang konsisten dengan nilai Moran’s I yang positif. Beberapa wilayah seperti Kota Cimahi berada pada kuadran High-High (HH), sedangkan Kota Tasikmalaya dan Kota Banjar berada pada kuadran Low-Low (LL). Kondisi ini menunjukkan adanya kecenderungan wilayah-wilayah yang berdekatan memiliki karakteristik residual yang serupa.

Karena residual model OLS masih menunjukkan adanya dependensi spasial yang signifikan, maka asumsi independensi residual pada model OLS tidak sepenuhnya terpenuhi. Oleh karena itu, model OLS belum mampu menjelaskan seluruh variasi data secara optimal sehingga diperlukan pemodelan yang mempertimbangkan efek spasial.

LISA

mengidentifikasi pola autokorelasi spasial lokal serta mendeteksi klaster wilayah High-High, Low-Low, High-Low, dan Low-High berdasarkan nilai Tingkat Pengangguran Terbuka.

## 
##       High-High        High-Low         Low-Low Not Significant 
##               1               1               4              21
##           KAB_KOTA  QUADRANT     LOCAL_I      P_VALUE
## 1            Bogor High-High  0.43020037 0.0437556311
## 2         Kuningan  High-Low -0.77204368 0.0462754869
## 3           Ciamis   Low-Low  1.70986328 0.0009520995
## 4 Kota Tasikmalaya   Low-Low  0.09022557 0.0186530299
## 5      Pangandaran   Low-Low  4.81603181 0.0022858464
## 6      Tasikmalaya   Low-Low  1.95362951 0.0008325864

Berdasarkan hasil Local Moran’s I (LISA) dan peta klaster yang diperoleh, dapat diidentifikasi adanya pola autokorelasi spasial lokal yang signifikan pada beberapa kabupaten/kota di Provinsi Jawa Barat. Dari 27 wilayah pengamatan, terdapat 6 wilayah yang menunjukkan autokorelasi spasial lokal yang signifikan pada taraf signifikansi 5%, sedangkan 21 wilayah lainnya tidak menunjukkan pola autokorelasi spasial yang signifikan.

RAO-Score Test

menentukan ketergantungan spasial yang terdapat pada data serta memberikan dasar pemilihan model regresi spasial yang sesuai.

##  Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
##  dependence
## data:  
## model: lm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN), data
## = PETA)
## test weights: W_matriks
##  
##          statistic parameter p.value  
## RSerr    4.2831405         1 0.03849 *
## RSlag    6.0156207         1 0.01418 *
## adjRSerr 0.0045095         1 0.94646  
## adjRSlag 1.7369898         1 0.18752  
## SARMA    6.0201302         2 0.04929 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Hasil Rao’s Score Test menunjukkan bahwa terdapat indikasi ketergantungan spasial baik pada variabel dependen maupun pada komponen galat yang ditunjukkan oleh signifikansi uji RS-Lag dan RS-Error. Selain itu, uji SARMA yang signifikan mengindikasikan adanya dependensi spasial secara umum pada data. Oleh karena itu, untuk mengakomodasi berbagai kemungkinan bentuk ketergantungan spasial tersebut, penelitian ini menggunakan model Spatial Autoregressive (SAR), Spatial Error Model (SEM), dan Spatial Autoregressive Combined (SAC), yang selanjutnya dibandingkan untuk memperoleh model dengan kinerja terbaik.

Spatial Autoregressive (SAR)

Berdasarkan hasil estimasi model Spatial Autoregressive (SAR), diperoleh persamaan sebagai berikut:

\[\widehat{TPT}_i = 19,428 - 0,231 TPAK_i + 0,378 PDRB_i - 0,183 PENGELUARAN_i + 0,433 W(TPT)_i\]

Variabel Koefisien p-value keputusan
Intersep 19,428 <0,001 Signifikan
TPAK -0,231 0,0004 Signifikan
PDRB 0,378 0,1077 Tidak Signifikan
Pengeluaran Riil Per Kapita -0,183 0,4756 Tidak Signifikan
\(\rho\) 0,433 0,0090 Signifikan

Hasil estimasi pada taraf signifikansi 5% membuktikan bahwa hanya TPAK yang berpengaruh signifikan terhadap TPT di Jawa Barat dengan koefisien negatif sebesar -0,231. Hal ini mengindikasikan bahwa peningkatan partisipasi angkatan kerja secara efektif menekan tingkat pengangguran melalui optimalisasi penyerapan tenaga kerja. Sebaliknya, variabel PDRB dan Pengeluaran Riil Per Kapita tidak menunjukkan pengaruh signifikan. Ketidaksignifikan PDRB mengonfirmasi fenomena jobless growth, di mana pertumbuhan ekonomi yang ditopang oleh sektor-sektor padat modal gagal menciptakan lapangan kerja secara proporsional (Akusta, 2025). Sementara itu, tidak signifikannya pengeluaran riil per kapita mengindikasikan bahwa tingkat kesejahteraan masyarakat bukanlah determinan langsung terhadap pengangguran, karena permasalahan tersebut lebih dipengaruhi oleh faktor-faktor struktural seperti karakteristik sektor ekonomi, mobilitas tenaga kerja, dan kondisi pasar tenaga kerja, yang sejalan dengan temuan Purwahendra dan Sihombing (2025).

Spatial Error Model (SEM)

Berdasarkan hasil estimasi model SEM diperoleh persamaan sebagai berikut:

\[ \hat{TPT}_i = 22,124 - 0,228TPAK_i + 0,311PDRB_i - 0,071PENGELUARAN_i + u_i\quad \]

dengan

\[ u_i = 0,438Wu_i + \varepsilon_i \]

Tabel berikut menunjukkan hasil estimasi parameter model SEM.

Variabel Koefisien p-value keputusan
Intersep 22,124 <0,001 Signifikan
TPAK -0,228 0,0004 Signifikan
PDRB 0,311 0,2148 Tidak Signifikan
Pengeluaran Riil Per Kapita -0,071 0,7900 Tidak Signifikan
\(\lambda\) 0,438 0,0245 Signifikan

Hasil estimasi pada taraf signifikansi 5% menunjukkan bahwa hanya TPAK yang berpengaruh signifikan terhadap TPT di Jawa Barat dengan koefisien negatif -0,228. Sementara itu, variabel PDRB dan Pengeluaran Riil Per Kapita yang Disesuaikan tidak berpengaruh signifikan. Nilai λ sebesar 0,438 signifikan pada 5%, ini menunjukkan adanya dependensi spasial pada komponen galat yang mengindikasikan bahwa faktor-faktor lain yang tidak dimasukkan dalam model, seperti karakteristik pasar tenaga kerja, struktur industri, kualitas sumber daya manusia, maupun kebijakan pembangunan daerah yang memiliki pola spasial dan turut memengaruhi TPT antar kabupaten/kota di Jawa Barat.

Spatial Autoregressive Combined (SAC)

Berdasarkan hasil estimasi model Spatial SAC, diperoleh persamaan sebagai berikut:

\[ \widehat{TPT}_i = 19,188 - 0,231TPAK_i + 0,388PDRB_i - 0,196PENGELUARAN_i + 0,463W(TPT)_i + u_i \quad \]

dengan

\[ \quad u_i = -0,060Wu_i + \varepsilon_i \]

Tabel berikut menunjukkan hasil estimasi parameter model SAC.

Variabel Koefisien p-value keputusan
Intersep 19,188 0,0005 Signifikan
TPAK -0,231 0,0007 Signifikan
PDRB 0,388 0,0967 Tidak Signifikan
Pengeluaran Riil Per Kapita -0,196 0,4483 Tidak Signifikan
\(\rho\) 0,463 0,0883 Tidak Signifikan
\(\lambda\) -0,060 0,8861 Tidak Signifikan

Hasil estimasi pada taraf signifikansi 5% menunjukkan bahwa TPAK yang berpengaruh signifikan terhadap Tingkat Pengangguran Terbuka TPT di Jawa Barat, sedangakan PDRB dan Pengeluaran Riil Per Kapita tidak signifikan. Parameter spasial ρ dan λ tidak signifikan pada taraf 5%, yang mengindikasikan bahwa dependensi spasial pada variabel dependen maupun komponen galat tidak cukup kuat. Dengan demikian, model SAC belum terbukti lebih unggul dibandingkan model SAR maupun SEM dalam menangkap pengaruh spasial pada data TPT kabupaten/kota di Jawa Barat.

Perbandingan Model

Model yang memiliki kemampuan terbaik dalam menjelaskan variasi Tingkat Pengangguran Terbuka berdasarkan AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), dan Log-likelihood.

##   Model      AIC      BIC    LogLik
## 1   OLS 91.42502 97.90420 -40.71251
## 2   SAR 87.50545 95.28047 -37.75272
## 3   SEM 89.30935 97.08437 -38.65467
## 4   SAC 89.47783 98.54869 -37.73892

Berdasarkan perbandingan model, model OLS memiliki performa paling rendah yang ditunjukkan oleh nilai AIC dan log-likelihood yang kurang baik. Model SAR menghasilkan nilai AIC dan BIC terendah, sehingga menunjukkan efisiensi terbaik dalam menjelaskan variasi data dengan kompleksitas yang lebih optimal. Model SEM dan SAC juga menunjukkan peningkatan kinerja dibandingkan OLS, namun belum mampu melampaui performa SAR. Di sisi lain, model SAC memiliki nilai log-likelihood tertinggi yang menandakan tingkat kecocokan model terhadap data paling baik. Meskipun demikian, secara keseluruhan model SAR lebih direkomendasikan karena memberikan keseimbangan terbaik antara goodness of fit dan kesederhanaan model.

Efek Model

interpretasi pengaruh langsung (direct effect), pengaruh tidak langsung (indirect effect), dan pengaruh total (total effect) dari variabel-variabel prediktor terhadap TPT sebagai berikut.
Variabel Efek Langsung Efek Tidak Langsung Efek Total
TPAK -0,244 -0,163 -0,408
PDRB 0,400 0,267 0,667
Pengeluaran Riil Per Kapita -0,193 -0,129 -0,322

tabel di atas menunjukkan bahwa TPAK memiliki efek total terbesar dengan arah negatif, ini mengindikasikan bahwa peningkatan partisipasi angkatan kerja tidak hanya berdampak pada penurunan pengangguran di wilayah yang bersangkutan, tetapi juga memberikan pengaruh pada wilayah sekitarnya. Hasil ini memperkuat temuan model SAR sebelumnya bahwa TPAK merupakan faktor yang paling berperan dalam menjelaskan variasi Tingkat Pengangguran Terbuka di Provinsi Jawa Barat. Sebaliknya, meskipun PDRB dan Pengeluaran Riil Per Kapita menunjukkan adanya pengaruh antarwilayah, namun besarnya efek yang diperoleh belum cukup kuat untuk menunjukkan pengaruh yang nyata. Temuan tersebut mendukung adanya interaksi spasial antarwilayah sebagaimana dikemukakan oleh Luc Anselin (1988) bahwa perubahan pada suatu wilayah dapat memberikan dampak terhadap wilayah-wilayah yang berdekatan melalui mekanisme spillover effect.

Peta Residual

peta residual memvisualisasikan sebaran residual model terbaik, yaitu SAR sehingga dapat diketahui wilayah yang masih memiliki galat prediksi relatif besar maupun kecil.

Peta residual pada model SAR digunakan untuk melihat sebaran kesalahan prediksi di setiap wilayah. Berdasarkan peta tersebut, nilai residual bervariasi dari negatif hingga positif, yang ditunjukkan oleh perbedaan warna dari gelap ke terang. Wilayah dengan residual yang mendekati nol menunjukkan bahwa hasil prediksi model sudah cukup akurat.

Sebaliknya, wilayah dengan residual positif dengan warna lebih terang menunjukkan bahwa model cenderung underestimate terhadap nilai TPT, sehingga nilai sebenarnya lebih tinggi dari hasil prediksi. Sementara itu, wilayah dengan residual negatif dengan warna lebih gelap menunjukkan bahwa model overestimate terhadap nilai TPT. Pada peta terlihat beberapa wilayah, terutama di bagian timur dan selatan, memiliki residual negatif yang cukup besar, hal ini menandakan model kurang tepat dalam memperkirakan nilai TPT di daerah tersebut. Di sisi lain, terdapat juga wilayah dengan residual positif yang menunjukkan adanya perbedaan antara nilai aktual dan hasil prediksi.

Secara umum, pola residual tidak menunjukkan pengelompokan spasial yang kuat. Hal ini mengindikasikan bahwa model SAR sudah cukup baik dalam menjelaskan variasi data. Namun, masih terdapat beberapa wilayah dengan kesalahan prediksi yang cukup besar, sehingga diduga masih ada faktor lain yang belum dimasukkan ke dalam model dan dapat memengaruhi Tingkat Pengangguran Terbuka.

D. KESIMPULAN

Berdasarkan hasil analisis spasial Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun 2025 yang telah dilakukan melalui pendekatan eksploratif dan pemodelan regresi spasial, dapat ditarik beberapa kesimpulan sebagai berikut.

  1. Pola Autokorelasi Spasial TPT di Jawa Barat

    Hasil analisis Local Moran’s I (LISA) menunjukkan bahwa terdapat pola autokorelasi spasial lokal yang signifikan pada 6 dari 27 kabupaten/kota di Provinsi Jawa Barat:

    • Klaster High-High (HH) di Kabupaten Bogor yang mengindikasikan bahwa wilayah tersebut memiliki tingkat pengangguran yang tinggi dan dikelilingi oleh wilayah-wilayah tetangga yang juga memiliki TPT tinggi. Hal ini menandakan adanya konsentrasi masalah pengangguran di wilayah Bogor dan sekitarnya yang memerlukan intervensi kebijakan terpadu.
    • Klaster Low-Low (LL) terbentuk di empat wilayah, yaitu Kabupaten Ciamis, Kota Tasikmalaya, Kabupaten Pangandaran, dan Kabupaten Tasikmalaya. Keempat wilayah ini membentuk kantong pengangguran rendah di bagian tenggara Jawa Barat, yang mengindikasikan adanya kondisi ketenagakerjaan yang relatif lebih baik dibandingkan wilayah lain.
    • Klaster High-Low (HL) ditemukan di Kabupaten Kuningan, yang berperan sebagai spatial outlier dengan tingkat pengangguran tinggi di tengah wilayah sekitarnya yang memiliki TPT lebih rendah. Kondisi ini menunjukkan adanya ketimpangan spasial yang memerlukan analisis lebih lanjut mengenai faktor-faktor spesifik di Kabupaten Kuningan.

    Dengan demikian, keberadaan klaster-klaster tersebut membuktikan bahwa Tingkat Pengangguran Terbuka di Jawa Barat tidak tersebar secara acak, melainkan menunjukkan pola spasial yang mengelompok, sehingga pendekatan kebijakan yang bersifat seragam (one-size-fits-all) tidak akan efektif.

  2. Pengaruh Variabel Prediktor terhadap TPT

    Berdasarkan hasil estimasi model Spatial Autoregressive (SAR) yang terpilih sebagai model terbaik, ditemukan bahwa:

    • Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan satu-satunya variabel yang berpengaruh signifikan terhadap TPT di Jawa Barat pada taraf signifikansi 5% dengan koefisien negatif sebesar -0,231. Hal ini mengindikasikan bahwa peningkatan partisipasi angkatan kerja justru berkorelasi dengan penurunan tingkat pengangguran. Hal tersebut menunjukkan bahwa angkatan kerja di Jawa Barat mampu terserap secara produktif oleh pasar kerja. Hasil ini memperkuat pentingnya kebijakan yang mendorong partisipasi kerja sekaligus menciptakan lapangan kerja yang memadai.
    • Produk Domestik Regional Bruto (PDRB) tidak menunjukkan pengaruh yang signifikan terhadap TPT, hal ini mengonfirmasi adanya fenomena jobless growth di Jawa Barat. Pertumbuhan ekonomi yang terjadi tidak diimbangi dengan penciptaan lapangan kerja yang proporsional, kemungkinan karena struktur ekonomi yang didominasi oleh sektor-sektor padat modal yang tidak mampu menyerap tenaga kerja secara signifikan.
    • Pengeluaran Riil Per Kapita juga tidak berpengaruh signifikan terhadap TPT yang mengindikasikan bahwa tingkat kesejahteraan masyarakat bukanlah determinan langsung terhadap pengangguran di Jawa Barat. Permasalahan pengangguran lebih dipengaruhi oleh faktor-faktor struktural seperti karakteristik sektor ekonomi, mobilitas tenaga kerja, dan kondisi pasar tenaga kerja.

    Temuan ini menegaskan bahwa kebijakan pengurangan pengangguran di Jawa Barat tidak cukup hanya mengandalkan pertumbuhan ekonomi semata, melainkan harus difokuskan pada peningkatan kualitas dan perluasan kesempatan kerja yang dapat menyerap angkatan kerja secara produktif.

  3. Pemilihan Model Regresi Spasial Terbaik

    Berdasarkan perbandingan model menggunakan kriteria AIC, BIC, dan Log-likelihood, model SAR terpilih sebagai model terbaik karena menghasilkan nilai AIC 87,505 dan BIC 95,288 terendah dibandingkan model SEM, SAC, dan OLS. Model SAR menunjukkan keseimbangan terbaik antara goodness of fit dan kesederhanaan model dengan parameter spasial ρ = 0,433 yang signifikan pada taraf 5%, yang mengonfirmasi adanya dependensi spasial pada variabel dependen TPT. Dengan demikian, model SAR lebih efisien dalam menjelaskan variasi data dengan kompleksitas optimal dibandingkan model lainnya. Meskipun model SAC memiliki nilai Log-likelihood tertinggi (-37,739) yang menunjukkan kecocokan data terbaik, parameter spasial ρ dan λ pada model SAC tidak signifikan secara statistik, sehingga model ini tidak direkomendasikan.

  4. Efek Spasial Antarwilayah

    Analisis efek langsung (direct effect), efek tidak langsung (indirect effect), dan efek total (total effect) menunjukkan bahwa:

    • TPAK memiliki efek total terbesar dengan arah negatif (-0,408) berarti peningkatan partisipasi angkatan kerja tidak hanya menurunkan pengangguran di wilayah yang bersangkutan, tetapi juga memberikan efek limpahan (spillover) terhadap penurunan pengangguran di wilayah tetangga melalui mobilitas tenaga kerja dan keterkaitan ekonomi antarwilayah.
    • PDRB menunjukkan efek total positif (0,667) yang mengindikasikan bahwa peningkatan PDRB di suatu wilayah justru cenderung meningkatkan TPT di wilayah sekitarnya, kemungkinan karena terjadi persaingan tenaga kerja antarwilayah atau adanya arus migrasi tenaga kerja ke wilayah dengan pertumbuhan ekonomi tinggi.
    • Pengeluaran Riil Per Kapita menunjukkan efek total negatif (-0,322) yang berarti peningkatan kesejahteraan masyarakat, meskipun tidak signifikan secara statistik, menunjukkan kecenderungan menurunkan TPT baik di wilayah itu sendiri maupun di wilayah tetangga.

    Temuan ini memperkuat bukti adanya interaksi spasial antarwilayah sebagaimana dikemukakan oleh Luc Anselin (1988) bahwa perubahan pada suatu lokasi dapat menimbulkan dampak terhadap wilayah-wilayah yang berdekatan melalui mekanisme efek limpahan (spillover effect). Implikasi kebijakan dari temuan ini adalah bahwa upaya penurunan angka pengangguran di Jawa Barat harus mempertimbangkan keterkaitan antarwilayah, sehingga kebijakan yang diterapkan di satu wilayah dapat memberikan manfaat bagi wilayah di sekitarnya.

  5. Implikasi Kebijakan

    Berdasarkan keseluruhan hasil analisis, beberapa rekomendasi kebijakan yang dapat diajukan adalah:

    1. Peningkatan kualitas angkatan kerja dimana pemerintah daerah perlu meningkatkan program pelatihan kerja, pendidikan vokasi, dan pengembangan keterampilan untuk meningkatkan daya saing tenaga kerja, sehingga peningkatan TPAK dapat diiringi dengan penyerapan kerja yang optimal.
    2. Pengembangan sektor padat karya untuk mengatasi fenomena jobless growth, kebijakan ekonomi perlu diarahkan pada pengembangan sektor-sektor yang mampu menyerap tenaga kerja secara signifikan, seperti industri manufaktur padat karya, pertanian modern, dan sektor pariwisata.
    3. Kebijakan berbasis spasial artinya intervensi kebijakan perlu difokuskan pada wilayah-wilayah klaster pengangguran tinggi, khususnya Kabupaten Bogor, serta menangani spatial outlier seperti Kabupaten Kuningan melalui program-program yang disesuaikan dengan karakteristik lokal.
    4. Koordinasi antarwilayah karena adanya efek limpahan antarwilayah, koordinasi kebijakan antar kabupaten/kota di Jawa Barat menjadi penting untuk menciptakan sinergi dalam upaya penurunan angka pengangguran secara menyeluruh.
    5. Kebijakan penurunan TPT di Jawa Barat harus selaras dengan target SDGs Tujuan 8 dengan memperhatikan karakteristik spasial dan ketimpangan antarwilayah.

  6. Keterbatasan Penelitian

    Penelitian ini memiliki beberapa keterbatasan yang perlu diperhatikan dalam interpretasi hasil, yaitu: (1) data yang digunakan bersifat cross-section tahun 2025 sehingga belum dapat menangkap dinamika pengangguran dalam rentang waktu yang lebih panjang; (2) variabel prediktor yang digunakan terbatas pada tiga variabel, sehingga masih terdapat faktor-faktor lain yang memengaruhi TPT yang tidak tercakup dalam model; dan (3) penelitian ini hanya mencakup wilayah Jawa Barat, sehingga generalisasi hasil ke provinsi lain perlu dilakukan dengan hati-hati. Penelitian lanjutan disarankan untuk menggunakan data panel, menambahkan variabel-variabel prediktor lain, serta memperluas cakupan wilayah penelitian untuk memperoleh pemahaman yang lebih komprehensif mengenai determinan spasial pengangguran.

E. DAFTAR PUSTAKA

  1. Badan Pusat Statistik. (2025). Indikator Ketenagakerjaan Indonesia.
  2. Rogerson, R., & Shimer, R. (2008). On the cyclical behavior of employment, unemployment and labor force participation. Journal of Monetary Economics, 55(6), 1143–1157.
  3. Apergis, N., & Arisoy, I. (2017). Unemployment and labor force participation across the US States: new evidence from panel data. SPOUDAI Journal of Economics and Business, 67(4), 45–84.
  4. Moosavian, S. A. Z. N. (2022). Identifying the Effect of Parenthood on Labor Force Participation: A Gender Comparison.
  5. Todaro, M. P., & Smith, S. C. (2020). Economic Development.
  6. Mankiw, N. G. (2019). Principles of Economics.
  7. Badan Pusat Statistik. (2024). Indeks Pembangunan Manusia Indonesia.
  8. Todaro, M. P., & Smith, S. C. (2020). Economic Development.
  9. Sukirno, S. (2016). Makroekonomi Teori Pengantar.
  10. Luc Anselin (1988). Spatial Econometrics: Methods and Models. Dordrecht: Kluwer Academic Publishers.
  11. Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). New York: McGraw-Hill.
  12. LeSage, J. P., & Pace, R. K. (2009). Introduction to Spatial Econometrics. Boca Raton: CRC Press.
  13. Akusta, E. (2025). Is Jobless Growth Valid in Turkiye? A Sectoral Analysis of the Relationship between Unemployment and Economic Growth. Purwahendra,
  14. G. I. A., & Sihombing, P. R. (2025). Pengaruh Pendidikan dan Pengeluaran Per Kapita terhadap Pengangguran Terbuka di Indonesia. Hasina: Jurnal Akuntansi dan Bisnis Syariah, 2(2), 132–137.

F. LAMPIRAN

syntax and output by https://rpubs.com/Rafidah/1443103

Dashboard: