BAB I PENDAHULUAN

1.1 Latar Belakang

Kebijakan upah minimum sudah menjadi isu yang selalu diperbincangkan oleh berbagai kalangan masyarakat mengingat tujuannya sebagai pemenuh kebutuhan hidup minimum seorang pekerja dan keluarganya. Penentuan upah minimum memerlukan keseimbangan dari pihak perusahaan dan pelamar kerja. Apabila terjadi kenaikan upah minimum yang berlebihan pada biaya tenaga kerja, perusahaan terpaksa melakukan efisiensi atau pengurangan tenaga kerja sehingga pengangguran semakin meningkat (Hadi et al., 2022). Bukan hanya itu, kenaikan upah minimum dapat menyebabkan pekerja dengan keterampilan rendah semakin tersisih dari sektor formal dan terdorong masuk ke sektor informal (Paramita, 2021). Sementara itu, upah minimum yang ditetapkan terlalu rendah menyebabkan pengurangan kuantitas dari penawaran tenaga kerja, kurangnya peminat dalam melamar pekerja formal, dan menurunkan standar ekonomi mereka (Huda, 2025).

Realitas di Indonesia menunjukkan bahwa kenaikan upah minimum terus terjadi setiap tahun. Berdasarkan data UMP dan PHK 38 provinsi yang diolah dari Kemnaker periode 2024–2025, seluruh provinsi di Indonesia mengalami kenaikan upah minimum pada tahun 2025. Namun, pada periode yang sama, dua puluh dari 38 provinsi justru mengalami lonjakan PHK dibandingkan tahun sebelumnya

Gambar 1. Data PHK 38 Provinsi Indonesia Tahun 2024—2025, Sumber : Kemnaker (diolah).

Gambar 2. Data UMP 38 Provinsi Indonesia Tahun 2024—2025, Sumber : Kemnaker (diolah).

Pola ini mengindikasikan bahwa kenaikan biaya tenaga kerja mendorong perusahaan khususnya di sektor padat karya untuk memperketat rekrutmen, sejalan dengan prediksi teori upah minimum. Kelompok yang paling rentan terhadap dampak ini adalah kelompok usia muda, khususnya Generasi Z (lahir sekitar 1997–2011). Minimnya pengalaman kerja membuat mereka menjadi kelompok pertama yang tersisih ketika seleksi rekrutmen diperketat. Pada 2022, hanya 967.806 orang atau 13,6% lulusan Gen Z yang berhasil masuk ke sektor formal (Fotaleno & Batubara, 2024). 

Kondisi ini berlanjut hingga Agustus 2025, BPS mencatat kelompok usia 15–29 tahun menyumbang 5.027.655 orang atau 67,37% dari total 7.461.507 pengangguran nasional (BPS, 2025). Akibatnya, banyak dari mereka terdorong masuk ke sektor informal yang lebih mudah diakses namun minim pendapatan dan perlindungan kerja. Data nasional ini mencerminkan bahwa 57,70% atau 85,35 juta pekerja berada di sektor informal, berbanding 42,30% atau 62,57 juta di sektor formal (BPS, 2025). Bahkan di sektor formal sekalipun, kepatuhan terhadap regulasi upah minimum masih rendah. Asosiasi Pengusaha Indonesia (2025) mencatat hanya sekitar 36% pekerja yang menerima upah sesuai atau di atas ketentuan minimum.

Tantangan ini diperparah oleh ketimpangan UMP antarprovinsi dan kesenjangan terhadap kebutuhan hidup layak (KHL). Rata-rata UMP nasional saat ini sebesar Rp3.508.714,44, dengan rentang dari Rp2.317.601,00 (Jawa Barat) hingga Rp5.396.761,00 (DKI Jakarta) (Kemnaker, 2025). Dari 38 provinsi, hanya enam provinsi yaitu Aceh, Sumatera Selatan, Sulawesi Utara, Sulawesi Selatan, Gorontalo, dan Sulawesi Barat, yang UMP-nya melampaui KHL berdasarkan standar ILO (Kemnaker, 2025; ILO, 2025). Perbedaan ini berpotensi menghasilkan dampak yang berbeda-beda terhadap penyerapan tenaga kerja antardaerah. Sebagai respons, pemerintah menerbitkan Peraturan Pemerintah baru pada Desember 2025 yang mengatur formula kenaikan UMP 2026: Inflasi + (Pertumbuhan Ekonomi × α), dengan indeks α dinaikkan menjadi 0,5–0,9 guna menjaga daya beli pekerja (Sekretariat Kabinet RI, 2025).

Gambar 3. Data Angkatan Kerja dan Tidak Bekerja 2016-2025, Sumber : BPS (diolah).

Kelompok usia muda menjadi salah satu kelompok yang cukup rentan terhadap perubahan pasar tenaga kerja akibat kebijakan upah minimum. Berdasarkan Kementerian Keuangan RI, Generasi Z saat ini telah memasuki usia produktif namun memiliki pengalaman dan keterampilan yang terbatas. Akibatnya, saat perusahaan melakukan efisiensi atau memperketat proses rekrutmen, tenaga kerja muda lebih berisiko kesulitan menembus sektor formal. Hal ini tercermin dari data makro pada Tabel Perbandingan Kelompok Bekerja dan Tidak Bekerja, yang menunjukkan tekanan pasar kerja memuncak pada tahun 2022 dengan persentase tidak bekerja mencapai angka tertinggi sebesar 17,74%.
Kondisi tahun 2022 di dalam tabel tersebut sejalan dengan realitas lapangan yang menunjukkan hanya 13,6% lulusan Generasi Z yang memperoleh pekerjaan formal akibat keterbatasan syarat rekrutmen (Fotaleno dan Batubara, 2024). Dampaknya, banyak tenaga kerja muda terpaksa beralih ke sektor informal yang lebih mudah dimasuki meskipun memiliki tingkat pendapatan dan perlindungan kerja yang rendah. Walaupun tabel menunjukkan tren pemulihan pasca-2022 dengan angka bekerja yang meningkat hingga 85,21% pada tahun 2025 dinamika pasar ini membuktikan bahwa perubahan kebijakan upah minimum tetap memberikan tantangan penyerapan yang nyata bagi kelompok usia muda yang baru merintis karier.

Selain itu, perbedaan tingkat kenaikan UMP antarprovinsi di Indonesia juga memungkinkan munculnya perbedaan dampak terhadap penyerapan tenaga kerja. Provinsi dengan tingkat industrialisasi dan pertumbuhan ekonomi yang lebih tinggi kemungkinan memiliki kemampuan yang lebih baik dalam menyesuaikan kenaikan upah dibandingkan provinsi dengan aktivitas ekonomi yang lebih terbatas.

Berbagai fakta di atas menunjukkan kesenjangan antara prediksi teoritis dan kondisi riil Indonesia yang jauh lebih kompleks mencakup tingginya pengangguran usia muda, dominasi sektor informal, rendahnya kepatuhan regulasi, serta ketimpangan UMP antarprovinsi. Oleh karena itu, penelitian ini bertujuan mengkaji dampak kausal kenaikan UMP terhadap penyerapan tenaga kerja usia muda di setiap provinsi di Indonesia.

1.2 Tujuan Penelitian

Penelitian ini memiliki tujuan sebagai berikut:

1. Menganalisis dampak kausal kenaikan Upah Minimum Provinsi (UMP) terhadap penyerapan tenaga kerja usia muda (15–29 tahun) secara keseluruhan di Indonesia.
2. Mengidentifikasi perbedaan dampak kenaikan UMP terhadap penyerapan tenaga kerja muda di sektor formal dan sektor informal di Indonesia selama periode 2016–2025.

1.3 Hipotesis Penelitian
Berdasarkan landasan teori dan penelitian terdahulu, hipotesis yang diajukan dalam penelitian ini adalah sebagai berikut :

H1: Kenaikan Upah Minimum Provinsi (UMP) berpengaruh negatif terhadap jumlah total penyerapan tenaga kerja usia muda (15–29 tahun) di Indonesia. Kenaikan UMP meningkatkan biaya tenaga kerja bagi perusahaan sehingga mendorong efisiensi rekrutmen, khususnya bagi pekerja muda yang dinilai kurang produktif dan berpengalaman (Stigler, 1946; Neumark & Wascher, 2008).

H2: Kenaikan UMP berpengaruh negatif terhadap penyerapan tenaga kerja muda di sektor formal. Sesuai teori insider-outsider (Lindbeck & Snower, 1988), perusahaan cenderung mempertahankan pekerja lama dan memperketat rekrutmen pekerja baru ketika biaya tenaga kerja meningkat.

H3: Kenaikan UMP berpengaruh positif terhadap penyerapan tenaga kerja muda di sektor informal. Sesuai teori dualisme pasar tenaga kerja (Doeringer & Piore, 1971), tenaga kerja muda yang tidak terserap di sektor formal akibat kenaikan UMP akan beralih ke sektor informal sebagai alternatif mata pencaharian (informality spillover)

BAB II KAJIAN PUSTAKA

2.1 Dasar Teori

2.1.1. Teori Pasar Tenaga Kerja Klasik (Hukum Permintaan-Penawaran)

Dalam ekonomi mikro klasik, pasar tenaga kerja mencapai titik keseimbangan (equilibrium) melalui interaksi permintaan dan penawaran, di mana upah ditentukan oleh nilai produk marginal pekerja (Mankiw, 2018). Ketika UMP ditetapkan di atas titik keseimbangan, biaya marginal tenaga kerja meningkat paksa sehingga kurva permintaan tenaga kerja bergeser ke bawah, mendorong perusahaan melakukan substitusi tenaga kerja-modal atau efisiensi pekerja berproduktivitas rendah (Neumark & Wascher, 2008). Secara teoritis, kenaikan UMP diprediksi menurunkan insentif perusahaan menyerap tenaga kerja muda, sehingga hubungan kausalnya diperkirakan negatif.

Dalam konteks pasar tenaga kerja di Indonesia periode 2016-2025, ketika pemerintah menetapkan upah minimum (UMP) di atas titik keseimbangan dapat menyebabkan biaya marginal perusahaan untuk mempekerjakan tenaga kerja meningkat secara paksa, sehingga kurva permintaan tenaga kerja bergeser ke bawah. Respons rasional perusahaan adalah melakukan efisiensi melalui substitusi tenaga kerja dengan modal, pengurangan jam kerja, atau pemangkasan jumlah pekerja terutama yang berada di level produktivitas rendah (Neumark & Wascher, 2008). Kondisi ini menunjukkan bahwa dampak kebijakan upah minimum terhadap penyerapan tenaga kerja bersifat kompleks dan sangat bergantung pada seberapa jauh upah minimum menyimpang dari titik keseimbangan pasar di masing-masing wilayah. Akibatnya, secara teoritis, kenaikan UMP ini diprediksi akan menurunkan insentif perusahaan untuk menyerap tenaga kerja usia muda, sehingga hubungan kausal antara kenaikan UMP dan penyerapan tenaga kerja muda diperkirakan bernilai negatif.

2.1.2. Karakteristik Tenaga Kerja Usia Muda

Kerentanan kelompok usia muda terhadap perubahan kebijakan upah minimum tidak hanya dapat dijelaskan melalui mekanisme pasar, tetapi juga memiliki landasan teoritis tersendiri dari perspektif ekonomi ketenagakerjaan. Teori Human Capital (Becker, 1964) menegaskan bahwa produktivitas seorang pekerja sangat ditentukan oleh akumulasi modal manusia yang dimilikinya, meliputi pendidikan formal, pelatihan vokasional, dan pengalaman kerja (on-the-job experience). Karena tenaga kerja usia muda (15–29 tahun) baru memasuki pasar kerja, mereka secara inheren memiliki akumulasi modal manusia yang lebih rendah dibandingkan pekerja yang lebih senior.

Kesenjangan antara tingkat produktivitas yang belum optimal ini dengan besaran upah minimum yang terus meningkat menciptakan apa yang disebut sebagai productivity-wage gap, yaitu kondisi upah yang harus dibayarkan kepada pekerja muda melampaui nilai output yang dapat mereka hasilkan bagi perusahaan, khususnya dalam periode awal kerja. Akibatnya, dari sudut pandang perusahaan, merekrut tenaga kerja muda pada level upah minimum yang tinggi menjadi keputusan yang berisiko secara finansial. Kondisi ini diperparah oleh fakta bahwa tenaga kerja muda umumnya belum memiliki jaringan profesional dan rekam jejak kerja yang terverifikasi, sehingga perusahaan menghadapi ketidakpastian yang lebih besar dalam menilai kualitas mereka dibandingkan pekerja berpengalaman (Neumark & Wascher, 2008). Kombinasi dari productivity-wage gap dan ketidakpastian kualitas inilah yang menjadikan kelompok usia muda sebagai kelompok paling rentan terhadap shock kebijakan upah minimum.

2.1.3. Teori Insider-Outsider

Teori Insider-Outsider (Lindbeck & Snower, 1988) menjelaskan dinamika pasar tenaga kerja dari sudut pandang kekuatan tawar-menawar antar kelompok pekerja. Teori ini membedakan dua kelompok aktor. Pertama insiders, yaitu pekerja yang sudah aktif bekerja dan memiliki posisi tawar kuat karena perusahaan harus menanggung biaya turnover yang signifikan jika mengganti mereka dan kedua outsiders, yaitu para pencari kerja baru yang belum terbukti produktivitasnya dan tidak memiliki posisi tawar di hadapan perusahaan.

Ketika upah minimum dinaikkan dan perusahaan harus mengambil keputusan efisiensi, mereka secara rasional memilih mempertahankan insiders yang sudah terlatih daripada merekrut outsiders baru yang membutuhkan investasi pelatihan tambahan sekaligus upah yang lebih tinggi. Tenaga kerja usia muda secara struktural selalu berada di posisi outsider dalam pasar kerja formal, mereka adalah pihak pertama yang tersingkir dari peluang rekrutmen ketika biaya tenaga kerja meningkat. Teori ini menjelaskan mengapa dampak kebijakan upah minimum tidak dirasakan secara merata oleh semua kelompok pekerja, dan mengapa kelompok usia muda secara konsisten menjadi kelompok yang paling terdampak dalam berbagai studi empiris ketenagakerjaan.

2.1.4. Teori Sektor Ganda (Dual Labor Market Theory)

Teori Dual Labor Market (Doeringer & Piore, 1971) memandang pasar tenaga kerja terbagi secara struktural menjadi dua segmen yang memiliki karakteristik dan mekanisme penetapan upah yang berbeda secara fundamental. Sektor formal dicirikan oleh upah yang terstandarisasi, perlindungan hukum, jaminan sosial, kontrak kerja resmi, dan tunduk pada regulasi pemerintah termasuk kebijakan upah minimum. Sektor informal beroperasi di luar jangkauan regulasi upah minimum, dengan hubungan kerja yang tidak terikat kontrak dan tingkat perlindungan yang minimal.

Implikasi penting dari teori ini adalah bahwa kebijakan upah minimum tidak hanya memengaruhi jumlah tenaga kerja secara agregat, tetapi juga mengubah komposisi struktural antara sektor formal dan informal. Ketika kenaikan upah minimum memperketat akses masuk ke sektor formal, tenaga kerja muda yang tidak berhasil terserap tidak serta-merta menganggur, sebagian besar terdorong beralih ke sektor informal sebagai alternatif mata pencaharian. Fenomena pergeseran struktural ini dalam literatur dikenal sebagai informality spillover (Fields, 2004). Teori ini menegaskan bahwa analisis dampak upah minimum yang hanya menggunakan indikator pengangguran agregat akan cenderung meremehkan dampak sesungguhnya, karena sebagian besar dampak tersembunyi dalam bentuk pergeseran dari pekerjaan formal yang terproteksi menuju pekerjaan informal yang rentan.

2.2 Teori Ekonometrika

2.2.1. Model Data Pooled Data

Penelitian ini menggunakan pendekatan data Pooled Data, yaitu metode yang menggabungkan data cross-section dari 38 provinsi di Indonesia dengan data time-series selama periode 2016–2022. Penggabungan dua dimensi data ini menghasilkan jumlah observasi yang lebih besar dibandingkan jika hanya menggunakan salah satu dimensi saja, sehingga meningkatkan derajat kebebasan (degree of freedom) dan efisiensi estimasi (Baltagi, 2005). 

Keunggulan utama pendekatan ini bukan sekadar kuantitas observasi, melainkan kemampuannya mengendalikan heterogenitas individu yang tidak teramati (unobserved individual heterogeneity) yaitu karakteristik unik setiap unit observasi yang bersifat tetap sepanjang waktu dan tidak dapat diukur secara langsung, seperti perbedaan struktur industri historis atau kualitas tata kelola antardaerah. Tanpa pengendalian atas heterogenitas ini, estimasi akan bias karena karakteristik unik setiap unit observasi tercampur dengan pengaruh variabel yang sedang diteliti. Secara formal, model data Pooled Data didekomposisi ke dalam komponen efek individu, efek waktu, dan error idiosinkratik struktur yang memungkinkan peneliti memisahkan pengaruh kebijakan dari perbedaan karakteristik bawaan antar unit observasi.

2.2.2 Masalah Endogenitas

Estimasi dampak kebijakan upah minimum menghadapi tantangan metodologis fundamental berupa masalah endogenitas. Metode Ordinary Least Squares (OLS) mensyaratkan tidak adanya korelasi antara variabel independen dengan komponen error model. Namun dalam konteks kebijakan upah minimum, syarat ini dilanggar karena terdapat hubungan kausalitas dua arah (simultaneity) antara upah minimum dan kondisi ketenagakerjaan.

Di satu sisi, upah minimum memengaruhi penyerapan tenaga kerja. Di sisi lain, pemerintah daerah dalam menetapkan besaran upah minimum juga mempertimbangkan kondisi ketenagakerjaan dan ekonomi makro setempat (Wooldridge, 2010). Hubungan timbal balik ini menyebabkan variabel upah minimum menjadi endogen ia berkorelasi dengan komponen error model sehingga estimasi OLS menghasilkan koefisien yang bias dan tidak konsisten, dan bias ini tidak akan hilang meskipun ukuran sampel diperbesar.

2.2.3 Regresi Data Pool

Regresi data pool merupakan metode ekonometrika yang digunakan untuk menganalisis data yang menggabungkan dimensi cross section dan time series. Data pool memungkinkan setiap unit observasi diamati secara berulang dalam beberapa periode waktu sehingga mampu menangkap dinamika perubahan antarwaktu sekaligus perbedaan karakteristik antarunit observasi. Dibandingkan data cross section maupun time series secara terpisah, data pool memiliki beberapa keunggulan, antara lain meningkatkan jumlah observasi, memperbesar derajat kebebasan (degree of freedom), mengurangi masalah multikolinearitas, meningkatkan efisiensi estimasi, serta memungkinkan pengendalian terhadap heterogenitas yang tidak dapat diamati (unobserved heterogeneity). Oleh karena itu, regresi data pool banyak digunakan dalam penelitian ekonomi regional, ketenagakerjaan, dan pembangunan karena mampu menghasilkan estimasi yang lebih akurat dibandingkan regresi biasa.

2.2.4 Common Effect Model (CEM)

Common Effect Model (CEM) atau Pooled Ordinary Least Squares, merupakan pendekatan paling sederhana dalam regresi data pool. Model ini menggabungkan seluruh observasi tanpa membedakan karakteristik masing-masing unit cross section maupun periode waktu, sehingga diasumsikan bahwa seluruh unit observasi memiliki intersep dan slope yang sama. Dengan demikian, model menganggap bahwa tidak terdapat pengaruh individual maupun pengaruh waktu yang dapat memengaruhi hubungan antara variabel dependen dan variabel independen. Estimasi parameter pada Common Effect Model dilakukan menggunakan metode Ordinary Least Squares (OLS). Meskipun sederhana dan mudah diestimasi, model ini kurang sesuai apabila terdapat karakteristik khusus pada masing-masing unit observasi yang memengaruhi variabel dependen.

2.2.5 Fixed Effect Model (FEM)

Fixed Effect Model (FEM) merupakan pengembangan dari Common Effect Model yang mengakomodasi adanya heterogenitas antarunit observasi. Model ini mengasumsikan bahwa setiap unit cross section memiliki karakteristik khusus yang bersifat tetap (time invariant) selama periode pengamatan dan karakteristik tersebut dapat berkorelasi dengan variabel independen. Oleh karena itu, setiap unit memiliki nilai intersep yang berbeda, sedangkan koefisien slope diasumsikan tetap. Estimasi Fixed Effect Model umumnya dilakukan menggunakan pendekatan within transformation atau Least Squares Dummy Variable (LSDV). Pendekatan within transformation menghilangkan pengaruh karakteristik tetap setiap unit melalui transformasi terhadap rata-rata masing-masing unit, sedangkan pendekatan LSDV menggunakan variabel dummy untuk setiap unit cross section. Fixed Effect Model dipilih apabila terdapat korelasi antara efek individual dengan variabel independen sehingga estimator yang dihasilkan tetap konsisten.

2.2.6 Random Effect Model (REM)

Random Effect Model (REM) mengasumsikan bahwa perbedaan karakteristik antarunit observasi merupakan komponen acak (random) yang tidak berkorelasi dengan variabel independen. Berbeda dengan Fixed Effect Model yang mengestimasi intersep berbeda untuk setiap unit, Random Effect Model memasukkan perbedaan tersebut ke dalam komponen error sehingga jumlah parameter yang diestimasi menjadi lebih sedikit. Estimasi Random Effect Model menggunakan metode Generalized Least Squares (GLS) sehingga lebih efisien dibandingkan Fixed Effect Model apabila asumsi tidak adanya korelasi antara efek individual dan variabel independen terpenuhi. Namun, apabila asumsi tersebut dilanggar maka estimator Random Effect menjadi tidak konsisten sehingga Fixed Effect Model lebih tepat digunakan.

2.2.7 Pemilihan Model Regresi Data pool

Penentuan model regresi data pool dilakukan melalui tiga tahapan pengujian. Pertama, Uji Chow digunakan untuk memilih antara Common Effect Model dan Fixed Effect Model. Kedua, Uji Breusch–Pagan Lagrange Multiplier (LM) digunakan untuk membandingkan Common Effect Model dengan Random Effect Model. Ketiga, apabila hasil Uji Chow dan Uji LM menunjukkan bahwa model pool lebih sesuai dibandingkan Common Effect Model, maka dilakukan Uji Hausman untuk menentukan apakah Fixed Effect Model atau Random Effect Model merupakan model terbaik. Model yang terpilih selanjutnya digunakan sebagai dasar estimasi akhir dalam penelitian.

2.3. Penelitian Terdahulu

Upah minimum berfungsi sebagai batas harga dasar (price floor) yang ditetapkan pemerintah untuk melindungi standar hidup pekerja dari tekanan pasar. Namun, intervensi ini kerap menimbulkan trade-off di pasar tenaga kerja. Dalam kerangka model kompetitif, penetapan upah minimum di atas titik keseimbangan pasar mendorong perusahaan mengurangi permintaan tenaga kerja demi menjaga efisiensi biaya produksi. Sebaliknya, Huda (2025) mencatat bahwa upah minimum yang ditetapkan terlalu rendah juga kontraproduktif minimnya insentif finansial menyebabkan berkurangnya penawaran tenaga kerja di sektor formal dan menurunkan standar ekonomi pekerja secara keseluruhan. Kondisi ini menunjukkan bahwa penetapan upah minimum yang optimal memerlukan keseimbangan antara perlindungan pekerja dan kemampuan penyerapan tenaga kerja oleh pasar.

Bukti empiris mengenai dampak UMP terhadap penyerapan tenaga kerja di Indonesia menunjukkan hasil yang beragam. Hadi et al. (2022) dalam studinya di Pulau Jawa periode 2016–2020 menemukan bahwa kenaikan UMP berpengaruh positif terhadap tingkat pengangguran terbuka artinya kenaikan UMP cenderung meningkatkan pengangguran. Ketika beban biaya tenaga kerja meningkat, perusahaan terpaksa membatasi rekrutmen atau melakukan efisiensi tenaga kerja, terutama di sektor-sektor yang sensitif terhadap perubahan biaya produksi.

Namun temuan ini tidak bersifat universal. Wulandari Agustina (2019) dalam penelitiannya terhadap data Pooled Data Pulau Jawa 2008–2017 menemukan bahwa kenaikan UMP justru meningkatkan penyerapan tenaga kerja sektor formal, meskipun di sisi lain menurunkan kesempatan kerja di sektor informal. Temuan ini mengindikasikan bahwa dampak UMP tidak bersifat seragam ia bergantung pada sektor, karakteristik pekerja, dan kondisi ekonomi regional. Perbedaan temuan antarstudi ini menegaskan pentingnya pendekatan identifikasi kausal yang lebih ketat dalam mengevaluasi kebijakan upah minimum.

Dampak kenaikan upah minimum tidak dirasakan secara merata oleh semua kelompok pekerja. Paramita (2021) menjelaskan bahwa kenaikan UMP mengubah preferensi rekrutmen perusahaan perusahaan cenderung memprioritaskan pekerja dengan keterampilan dan pengalaman tinggi (high-skilled) untuk mengimbangi biaya upah yang lebih mahal. Akibat substitution effect ini, tenaga kerja usia muda yang baru memasuki pasar kerja menjadi kalah bersaing karena keterbatasan pengalaman dan kualifikasi.

Menariknya, Wulandari Agustina (2019) menemukan hasil yang berbeda untuk kelompok tenaga kerja muda: kenaikan UMP justru berpengaruh positif terhadap penyerapan tenaga kerja muda dan perempuan di Pulau Jawa. Hal ini dapat dijelaskan melalui mekanisme bahwa kenaikan UMP mendorong formalisasi pekerjaan sebagian pekerja muda yang sebelumnya bekerja informal terdorong masuk ke sektor formal yang kini menawarkan upah lebih kompetitif. Dua temuan yang saling bertolak belakang ini menunjukkan bahwa hubungan antara UMP dan penyerapan tenaga kerja usia muda bersifat kompleks dan kontekstual, sehingga memerlukan kajian lebih lanjut dengan cakupan data yang lebih luas dan metode yang lebih robust. Untuk mengestimasi dampak kenaikan upah minimum secara lebih akurat dan terhindar dari bias, berbagai literatur terdahulu (termasuk kajian-kajian empiris yang tercatat di repositori UGM) menekankan pentingnya isolasi dampak kausal murni melalui metode kuasi-eksperimental. 

BAB III METODE PENELITIAN

3.1 Jenis dan Desain Penelitian

Penelitian ini menggunakan pendekatan kuantitatif dengan menjelaskan hubungan kausal antara variabel independen dan variabel dependen berdasarkan kerangka teori ekonomi ketenagakerjaan yang telah teruji secara empiris. Pendekatan kuantitatif dipilih karena permasalahan penelitian, yaitu pengaruh Upah Minimum Provinsi terhadap penyerapan tenaga kerja formal, informal, seluruh tenaga kerja, serta tingkat pengangguran terbuka, memerlukan pengujian hipotesis yang terukur secara numerik dan dapat digeneralisasi pada tingkat provinsi di Indonesia (Wulandari Agustina, 2019). Desain ini memungkinkan peneliti tidak sekadar mendeskripsikan fenomena, tetapi juga menguji arah dan kekuatan hubungan antarvariabel melalui model ekonometrika yang terspesifikasi secara eksplisit (Hidayah Rahma, 2025).

Struktur data yang digunakan dalam penelitian ini berbentuk data pool, yaitu gabungan antara dimensi cross section berupa 34 provinsi di Indonesia dan dimensi time series berupa periode tahun 2016 hingga 2025. Pemilihan struktur data pool didasarkan pada pertimbangan metodologis bahwa data cross section semata hanya mampu menangkap variasi antarprovinsi pada satu titik waktu sehingga rentan terhadap bias akibat terabaikannya faktor-faktor spesifik provinsi yang bersifat time-invariant, seperti struktur ekonomi wilayah, budaya kerja, maupun karakteristik kelembagaan pasar tenaga kerja lokal (Putri, Sonia Mariska, 2026). Sebaliknya, data deret waktu (time series) pada satu provinsi semata hanya mampu menangkap dinamika internal provinsi tersebut sepanjang periode observasi, tanpa dapat menggeneralisasi pola hubungan antarprovinsi yang memiliki karakteristik struktural berbeda, seperti komposisi sektor ekonomi, tingkat urbanisasi, dan kondisi kelembagaan pasar tenaga kerja (Baltagi, 2005; Wooldridge, 2010; Hsiao, 2014). Data pool mengatasi keterbatasan, kedua pendekatan tersebut karena mampu mengontrol heterogenitas individu (unobserved heterogeneity), meningkatkan derajat kebebasan (degree of freedom), mengurangi masalah kolinearitas antarvariabel, serta menghasilkan estimasi parameter yang lebih efisien dibandingkan penggunaan data cross section atau time series secara terpisah.

3.2 Jenis dan Sumber Data

Penelitian ini menggunakan data sekunder, yaitu data yang telah dikumpulkan, diolah, dan dipublikasikan oleh lembaga resmi sehingga peneliti tidak melakukan pengumpulan data primer secara langsung dari lapangan. Penggunaan data sekunder dipandang tepat mengingat variabel-variabel yang diteliti, seperti Upah Minimum Provinsi, jumlah tenaga kerja formal dan informal, tingkat pengangguran terbuka, serta variabel kontrol makroekonomi dan demografis, merupakan indikator resmi yang secara rutin dipublikasikan oleh instansi pemerintah (Ruang Jurnal, 2019).

Sumber data dalam penelitian ini meliputi Badan Pusat Statistik (BPS), khususnya melalui publikasi Survei Angkatan Kerja Nasional (Sakernas) untuk data ketenagakerjaan dan Survei Sosial Ekonomi Nasional (Susenas) untuk data Angka Partisipasi Sekolah, serta publikasi Produk Domestik Regional Bruto (PDRB) atas dasar harga konstan pada masing-masing provinsi. Data Upah Minimum Provinsi diperoleh dari Kementerian Ketenagakerjaan Republik Indonesia yang menetapkan dan mempublikasikan besaran upah minimum setiap provinsi setiap tahunnya. Selain itu, penelitian ini juga merujuk pada publikasi resmi pemerintah lainnya sebagai data pendukung guna memastikan konsistensi angka antarsumber.

Periode penelitian ditetapkan pada rentang tahun 2016 hingga 2025 dengan pertimbangan bahwa rentang sepuluh tahun tersebut mencakup periode sebelum dan setelah perubahan kebijakan pengupahan nasional, termasuk penerapan formula kenaikan upah minimum berdasarkan Peraturan Pemerintah tentang Pengupahan serta periode pemulihan pascapandemi yang berdampak signifikan terhadap pasar tenaga kerja Indonesia. Rentang waktu penelitian 2016 hingga 2025 dipilih karena menyediakan data yang lengkap dan konsisten untuk seluruh 34 provinsi di Indonesia. Meskipun pada periode 2024–2025 telah terjadi pemekaran wilayah di Provinsi Papua yang menghasilkan Provinsi Papua Selatan, Papua Tengah, Papua Pegunungan, dan Papua Barat Daya, data yang digunakan dalam penelitian ini tetap mengikuti klasifikasi administrasi sebelum pemekaran. Seluruh observasi disusun secara konsisten berdasarkan 34 provinsi agar Pooled Data data tetap seimbang (balanced Pooled Data) dan hasil estimasi dapat dibandingkan secara konsisten sepanjang periode penelitian, sehingga memungkinkan analisis longitudinal yang andal serta mampu menangkap dinamika kebijakan pengupahan dalam jangka menengah.

3.3 Populasi dan Sampel

Populasi dalam penelitian ini adalah seluruh provinsi di Indonesia yang berjumlah 34 provinsi (sebelum pemekaran). Mengingat jumlah populasi yang relatif terbatas dan tersedianya data resmi untuk seluruh unit populasi tersebut, penelitian ini menggunakan metode sensus, yaitu seluruh anggota populasi dijadikan sebagai sampel penelitian tanpa melalui proses penarikan sampel (sampling). Penggunaan metode sensus dipilih karena mampu menghasilkan estimasi parameter yang lebih akurat dan menghindarkan penelitian dari kesalahan sampling (sampling error) yang lazim terjadi apabila hanya sebagian provinsi yang diteliti (Ade Herdayana, 2024).

Penelitian ini menguji pendekatan empiris menggunakan data pool, yaitu gabungan antara data time series selama satu dekade dari tahun 2016 hingga 2025 dan data cross section yang mencakup seluruh provinsi di Indonesia. Adapun provinsi yang menjadi objek penelitian meliputi Aceh, Sumatera Utara, Sumatera Barat, Riau, Kepulauan Riau, Jambi, Sumatera Selatan, Kepulauan Bangka Belitung, Bengkulu, Lampung, DKI Jakarta, Jawa Barat, Jawa Tengah, Daerah Istimewa Yogyakarta, Jawa Timur, Banten, Bali, Nusa Tenggara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Kalimantan Utara, Sulawesi Utara, Gorontalo, Sulawesi Tengah, Sulawesi Barat, Sulawesi Selatan, Sulawesi Tenggara, Maluku, Maluku Utara, Papua, dan Papua Barat. Dalam penelitian ini, data Provinsi Papua Selatan, Papua Tengah, dan Papua Pegunungan pada tahun 2024 dan 2025 digabungkan ke dalam Provinsi Papua. Selain itu, data Provinsi Papua Barat Daya pada tahun 2024 dan 2025 digabungkan ke dalam Provinsi Papua Barat. Penggabungan tersebut dilakukan untuk menyesuaikan jumlah provinsi sebelum terjadinya pemekaran wilayah pada provinsi-provinsi tersebut sehingga konsistensi data Pooled Data tetap terjaga selama periode penelitian. 

Dengan menggabungkan dimensi cross section sebanyak 34 provinsi dan dimensi time series selama 10 tahun, yaitu tahun 2016 hingga 2025, penelitian ini menghasilkan struktur data pool seimbang (balanced pool) dengan total observasi sebanyak 34 provinsi dikalikan 10 tahun, yaitu 340 observasi. Jumlah observasi tersebut dinilai memadai untuk mendukung estimasi model regresi data pool yang membutuhkan variasi data yang cukup, baik pada dimensi antarprovinsi (between variation) maupun dimensi antarwaktu (within variation), sehingga hasil estimasi memiliki tingkat presisi dan keandalan yang memadai untuk generalisasi pada konteks pasar tenaga kerja Indonesia secara nasional.

3.4 Definisi Operasional Variabel

Definisi operasional variabel disusun untuk memberikan batasan yang jelas mengenai konsep, satuan pengukuran, bentuk transformasi data, serta sumber perolehan data bagi setiap variabel yang digunakan dalam penelitian ini, sebagaimana Tabel 1, Variabel dependen dalam penelitian ini terdiri atas seluruh tenaga kerja, tenaga kerja formal, tenaga kerja informal, dan tingkat pengangguran terbuka, sedangkan variabel independen utama adalah Upah Minimum Provinsi. Penelitian ini juga menyertakan sejumlah variabel kontrol, yaitu Produk Domestik Regional Bruto, jumlah penduduk usia 15 tahun ke atas, serta Angka Partisipasi Sekolah pada kelompok usia 16–18 tahun dan 19–23 tahun, yang secara teoretis turut memengaruhi kondisi ketenagakerjaan di tingkat provinsi. Seluruh variabel yang berbentuk jumlah dan nilai moneter ditransformasikan ke dalam bentuk logaritma natural (ln) guna mengurangi heteroskedastisitas serta menginterpretasikan koefisien regresi sebagai elastisitas, sedangkan variabel Angka Partisipasi Sekolah dan tingkat pengangguran terbuka tetap dinyatakan dalam satuan persen karena secara konseptual telah berbentuk rasio.

Tabel 1. Definisi Operasional Variabel Penelitian

Variabel	Definisi Operasional	Satuan	Transformasi	Sumber Data
Seluruh Tenaga Kerja	Jumlah penduduk usia kerja yang bekerja pada periode referensi survei di masing-masing provinsi	Jiwa	Logaritma natural (ln)	BPS (Sakernas)
Tenaga Kerja Formal	Jumlah pekerja dengan status berusaha dibantu buruh tetap dan buruh/karyawan/pegawai	Jiwa	Logaritma natural (ln)	BPS (Sakernas)
Tenaga Kerja Informal	Jumlah pekerja dengan status berusaha sendiri, buruh tidak tetap, dan pekerja keluarga/tidak dibayar	Jiwa	Logaritma natural (ln)	BPS (Sakernas)
Tingkat Pengangguran Terbuka (TPT)	Persentase angkatan kerja yang tidak bekerja dan sedang mencari pekerjaan terhadap total angkatan kerja	Persen	Tidak ditransformasi	BPS (Sakernas)
Upah Minimum Provinsi (UMP)	Besaran upah minimum bulanan yang ditetapkan oleh gubernur untuk masing-masing provinsi pada tahun berjalan	Rupiah/bulan	Logaritma natural (ln)	Kemnaker RI
PDRB	Produk Domestik Regional Bruto atas dasar harga konstan sebagai indikator aktivitas perekonomian provinsi	Miliar rupiah	Logaritma natural (ln)	BPS
Penduduk Usia 15 Tahun ke Atas	Jumlah penduduk yang termasuk kategori usia kerja menurut definisi ketenagakerjaan BPS	Jiwa	Logaritma natural (ln)	BPS (Sakernas)
APS 16–18 Tahun	Persentase penduduk usia 16–18 tahun yang masih bersekolah terhadap total penduduk kelompok usia tersebut	Persen	Tidak ditransformasi	BPS (Susenas)
APS 19–23 Tahun	Persentase penduduk usia 19–23 tahun yang masih bersekolah terhadap total penduduk kelompok usia tersebut	Persen	Tidak ditransformasi	BPS (Susenas)

3.5 Model Empiris Penelitian 

3.5.1 Pooled OLS (Common Effect Model)

Tahap awal analisis dalam penelitian ini menggunakan model regresi Ordinary Least Squares (OLS) yang diestimasi dengan memperlakukan seluruh observasi sebagai satu kesatuan data tanpa membedakan dimensi provinsi maupun waktu (pooled data). Model Pooled OLS pada tahap ini berfungsi sebagai model pembanding awal (baseline model) untuk memperoleh gambaran umum mengenai arah dan besaran hubungan antara Upah Minimum Provinsi terhadap masing-masing variabel dependen, tanpa mempertimbangkan heterogenitas karakteristik antarprovinsi yang tidak teramati. model Pooled OLS dituliskan sebagai berikut.

Keterangan:

= variabel dependen pada provinsi ke- dan tahun ke-, yang dianalisis secara terpisah untuk:

                    = logaritma natural jumlah tenaga kerja;

      = logaritma natural jumlah tenaga kerja formal;

  = logaritma natural jumlah tenaga kerja informal;

                  = tingkat pengangguran terbuka (persen).

= konstanta.

= koefisien regresi masing-masing variabel independen.

= logaritma natural Upah Minimum Provinsi.

= logaritma natural Produk Domestik Regional Bruto atas dasar harga konstan.

= logaritma natural jumlah penduduk usia 15 tahun ke atas.

= Angka Partisipasi Sekolah kelompok usia 16–18 tahun (persen).

= Angka Partisipasi Sekolah kelompok usia 19–23 tahun (persen).

= komponen galat (error term).

= provinsi, dengan .

= tahun pengamatan, dengan .

Model Pooled OLS tersebut mengasumsikan bahwa intersep dan koefisien regresi bersifat homogen untuk seluruh provinsi dan seluruh periode, sebuah asumsi yang secara teoretis kurang realistis mengingat setiap provinsi memiliki karakteristik struktural pasar tenaga kerja yang berbeda. Oleh karena itu, model pooled OLS pada penelitian ini hanya digunakan sebagai titik awal analisis dan bukan sebagai model estimasi akhir yang menjadi dasar penarikan kesimpulan.

Analisis utama dalam penelitian ini menggunakan regresi data pool yang mampu mengakomodasi heterogenitas individu, yaitu Fixed Effect Model (FEM) dan Random Effect Model (REM). Kedua model tersebut dipilih karena mampu mengontrol perbedaan karakteristik antarprovinsi yang tidak teramati (unobserved heterogeneity) sehingga estimasi koefisien regresi menjadi lebih andal dibandingkan model Pooled OLS biasa.

3.5.2 Fixed Effect Model (FEM)

Fixed Effect Model merupakan pendekatan estimasi data pool yang mengasumsikan bahwa terdapat efek individual (individual effect) yang bersifat tetap dan spesifik untuk masing-masing provinsi, yang tercermin dalam perbedaan intersep antarprovinsi namun dengan slope koefisien yang tetap homogen. Efek individual ini merepresentasikan seluruh karakteristik provinsi yang tidak berubah sepanjang waktu penelitian (time-invariant), seperti kondisi geografis, struktur kelembagaan pasar kerja, maupun budaya ekonomi lokal, yang berpotensi memengaruhi variabel dependen namun sulit diukur secara langsung. Model FEM dirumuskan sebagai berikut.

Keterangan:

= efek tetap (individual effect) yang merepresentasikan karakteristik khusus masing-masing provinsi yang tidak berubah selama periode pengamatan dan dapat berkorelasi dengan variabel independen.

dengan αi menunjukkan individual effect atau efek tetap provinsi ke-i yang diasumsikan berkorelasi dengan variabel independen dalam model. Keberadaan αi inilah yang membedakan FEM dari model pooled OLS, karena FEM secara eksplisit mengontrol seluruh karakteristik provinsi yang tidak berubah sepanjang waktu melalui estimasi intersep yang berbeda untuk setiap provinsi, baik melalui pendekatan Least Squares Dummy Variable (LSDV) maupun transformasi within estimator. Dengan mengontrol αi, estimasi koefisien β1 hingga β5 pada FEM menjadi lebih konsisten karena tidak lagi bias akibat terabaikannya variabel provinsi yang bersifat time-invariant dan berkorelasi dengan variabel independen utama.

3.5.3 Random Effect Model (REM)

Random Effect Model merupakan pendekatan alternatif yang memperlakukan efek individual sebagai komponen acak (random) yang tersebar mengikuti distribusi tertentu, bukan sebagai parameter tetap sebagaimana pada FEM. Pendekatan ini beranggapan bahwa perbedaan karakteristik antarprovinsi bersifat acak dan tidak berkorelasi dengan variabel independen dalam model, sehingga variasi antarprovinsi dapat diperlakukan sebagai bagian dari komponen galat gabungan (composite error). Model REM dirumuskan sebagai berikut.

dengan μi merupakan komponen galat spesifik provinsi yang diasumsikan bersifat acak, identik, dan independen (iid) dengan rata-rata nol dan varians konstan sebesar σμ², serta tidak berkorelasi baik dengan εit maupun dengan variabel independen dalam model. Asumsi non-korelasi antara μi dan variabel independen inilah yang menjadi syarat utama konsistensi estimator REM, yang diestimasi menggunakan metode Generalized Least Squares (GLS) guna mengatasi struktur galat yang tidak lagi bersifat homoskedastik akibat adanya komponen acak antarprovinsi.

Perbedaan mendasar antara FEM dan REM terletak pada asumsi mengenai hubungan antara efek individual dan variabel independen. FEM tidak mensyaratkan asumsi non-korelasi tersebut sehingga lebih tepat digunakan apabila terdapat dugaan bahwa karakteristik provinsi yang tidak teramati berkorelasi dengan Upah Minimum Provinsi maupun variabel kontrol lainnya, sebagaimana lazim terjadi dalam konteks kebijakan pengupahan yang seringkali ditetapkan dengan mempertimbangkan kondisi ekonomi spesifik daerah. Sebaliknya, REM lebih efisien secara statistik apabila asumsi non-korelasi tersebut terpenuhi, karena REM memanfaatkan variasi antarprovinsi (between variation) sekaligus variasi antarwaktu (within variation) secara simultan sehingga menghasilkan derajat kebebasan yang lebih besar dibandingkan FEM.

3.6 Pemilihan Model Pool

Pemilihan model estimasi terbaik antara model Pooled OLS, Fixed Effect Model, dan Random Effect Model dilakukan melalui tiga tahap pengujian spesifikasi model, yaitu Uji Chow, Uji Breusch–Pagan Lagrange Multiplier (LM), dan Uji Hausman. Ketiga pengujian tersebut dilakukan secara berurutan untuk memastikan bahwa model akhir yang digunakan dalam penelitian ini benar-benar sesuai dengan struktur data pool yang dianalisis.

3.6.1 Uji Chow

Uji Chow digunakan untuk menentukan model yang lebih sesuai antara model Pooled OLS (common effect) dan Fixed Effect Model. Hipotesis dalam Uji Chow dirumuskan sebagai berikut: H0 menyatakan bahwa model Pooled OLS lebih sesuai digunakan karena tidak terdapat perbedaan intersep antarprovinsi, sedangkan Ha menyatakan bahwa Fixed Effect Model lebih sesuai digunakan karena terdapat perbedaan intersep yang mencerminkan heterogenitas antarprovinsi. Pengujian ini menggunakan statistik F yang dirumuskan sebagai perbandingan antara selisih Restricted Residual Sum of Squares (RRSS) dari model Pooled OLS dan Unrestricted Residual Sum of Squares (URSS) dari model FEM, dibagi dengan derajat kebebasan yang sesuai, sebagaimana dirumuskan berikut.

Keterangan:

F = Statistik Uji Chow.

RRSS (Restricted Residual Sum of Squares) = Jumlah kuadrat residual dari model terbatas (Pooled OLS/Common Effect Model).

URSS (Unrestricted Residual Sum of Squares) = Jumlah kuadrat residual dari model tidak terbatas (Fixed Effect Model).

N = Jumlah unit cross-section (provinsi).

T = Jumlah periode pengamatan (tahun).

K = Jumlah parameter yang diestimasi dalam model.

Keputusan pengujian dilakukan dengan membandingkan nilai F hitung terhadap F tabel, atau secara lebih praktis dengan membandingkan nilai probabilitas (p-value) terhadap taraf signifikansi 5 persen. Apabila nilai probabilitas F lebih kecil dari 0,05, maka H0 ditolak sehingga Fixed Effect Model dinyatakan lebih sesuai digunakan dibandingkan model Pooled OLS. Sebaliknya, apabila nilai probabilitas F lebih besar dari atau sama dengan 0,05, maka H0 tidak dapat ditolak sehingga model Pooled OLS dianggap sudah memadai untuk merepresentasikan struktur data pool penelitian.

3.6.2 Uji Breusch–Pagan Lagrange Multiplier (LM)

Apabila hasil Uji Chow mengindikasikan bahwa model Pooled OLS tidak dapat ditolak, pengujian dilanjutkan dengan Uji Breusch–Pagan LM untuk menentukan model yang lebih sesuai antara model Pooled OLS dan Random Effect Model. Hipotesis dalam pengujian ini dirumuskan sebagai berikut: H0 menyatakan bahwa varians dari efek individual acak sama dengan nol, yang berarti model Pooled OLS lebih sesuai digunakan, sedangkan Ha menyatakan bahwa varians efek individual acak tidak sama dengan nol, yang berarti Random Effect Model lebih sesuai digunakan. Tujuan pengujian ini adalah untuk memastikan bahwa penggunaan model pool dengan komponen galat acak memang diperlukan dan tidak sekadar menambah kompleksitas model tanpa peningkatan kesesuaian model yang berarti.

Keterangan:

LM = Statistik Breusch–Pagan Lagrange Multiplier.

ê_it = Residual hasil estimasi model Pooled OLS pada provinsi ke-i dan periode ke-t.

N = Jumlah unit cross-section (provinsi).

T = Jumlah periode pengamatan (tahun).

Statistik uji LM mengikuti distribusi chi-square dengan derajat kebebasan sebesar satu. Keputusan pengujian dilakukan dengan membandingkan nilai statistik LM terhadap nilai kritis chi-square, atau dengan membandingkan nilai probabilitasnya terhadap taraf signifikansi 5 persen. Apabila nilai probabilitas LM lebih kecil dari 0,05, maka H0 ditolak sehingga Random Effect Model dinyatakan lebih sesuai digunakan dibandingkan model Pooled OLS.

3.6.2 Uji Hausman

Apabila hasil Uji Chow menunjukkan bahwa Fixed Effect Model lebih sesuai dibandingkan model Pooled OLS, pengujian dilanjutkan dengan Uji Hausman untuk menentukan model akhir yang paling sesuai antara Fixed Effect Model dan Random Effect Model. Hipotesis dalam pengujian ini dirumuskan sebagai berikut: H0 menyatakan bahwa efek individual tidak berkorelasi dengan variabel independen dalam model, yang berarti Random Effect Model bersifat konsisten dan efisien, sedangkan Ha menyatakan bahwa efek individual berkorelasi dengan variabel independen dalam model, yang berarti hanya Fixed Effect Model yang bersifat konsisten sedangkan Random Effect Model menjadi tidak konsisten.

Statistik Uji Hausman dirumuskan berdasarkan selisih antara vektor koefisien hasil estimasi FEM dan REM, yang dibobot dengan matriks kovarians selisih kedua estimator tersebut, sebagaimana dirumuskan berikut.

Keterangan:

W = Statistik Uji Hausman.

β̂_FE = Vektor koefisien hasil estimasi Fixed Effect Model.

β̂_RE = Vektor koefisien hasil estimasi Random Effect Model.

Var(β̂_FE) = Matriks varians-kovarians dari estimator Fixed Effect Model.

Var(β̂_RE) = Matriks varians-kovarians dari estimator Random Effect Model.

Statistik W mengikuti distribusi chi-square dengan derajat kebebasan sebesar jumlah variabel independen dalam model. Apabila nilai probabilitas statistik Hausman lebih kecil dari 0,05, maka H0 ditolak sehingga Fixed Effect Model dipilih sebagai model estimasi akhir karena diduga terdapat korelasi antara efek individual provinsi dengan Upah Minimum Provinsi maupun variabel kontrol lainnya, sebagaimana lazim terjadi mengingat kebijakan pengupahan daerah seringkali ditetapkan dengan mempertimbangkan kondisi ekonomi spesifik provinsi. Sebaliknya, apabila nilai probabilitas statistik Hausman lebih besar dari atau sama dengan 0,05, maka H0 tidak dapat ditolak sehingga Random Effect Model dipilih sebagai model estimasi akhir karena dinilai lebih efisien tanpa mengorbankan konsistensi estimator.

3.7 Uji Asumsi dan Diagnostik Model

Mengingat model estimasi akhir dalam penelitian ini menggunakan pendekatan regresi data pool, tidak seluruh asumsi klasik yang berlaku pada model Pooled OLS bersifat wajib dipenuhi. Sebagai contoh, asumsi normalitas residual menjadi kurang relevan pada sampel besar sebagaimana penelitian ini dengan 340 observasi, karena berdasarkan teorema limit pusat (central limit theorem) distribusi estimator akan mendekati normal seiring bertambahnya jumlah observasi. Meskipun demikian, penelitian ini tetap melakukan sejumlah pengujian diagnostik untuk memastikan validitas dan keandalan hasil estimasi, yaitu pengujian multikolinearitas, endogenitas, heteroskedastisitas, dan autokorelasi.

3.7.1 Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk mendeteksi ada tidaknya hubungan linear yang tinggi antarvariabel independen dalam model, yang apabila terjadi dapat menyebabkan standard error koefisien regresi menjadi tidak stabil meskipun estimator tetap tidak bias. Pengujian ini dilakukan dengan menghitung nilai Variance Inflation Factor (VIF) untuk masing-masing variabel independen. Sebagai pedoman umum, nilai VIF yang melebihi angka 10 mengindikasikan adanya masalah multikolinearitas yang serius antarvariabel independen, sedangkan nilai VIF di bawah 10 menunjukkan bahwa tingkat multikolinearitas berada pada batas yang dapat ditoleransi sehingga tidak mengganggu validitas estimasi koefisien regresi.

3.7.2 Uji Endogenitas

Uji endogenitas dilakukan untuk mendeteksi kemungkinan adanya korelasi antara variabel independen, khususnya Upah Minimum Provinsi, dengan komponen galat dalam model, yang apabila terjadi akan menyebabkan estimator OLS maupun pool menjadi bias dan tidak konsisten. Potensi endogenitas ini relevan mengingat kemungkinan hubungan simultan antara kondisi ketenagakerjaan daerah dan penetapan kebijakan upah minimum oleh pemerintah daerah. Pengujian endogenitas dalam penelitian ini menggunakan Durbin–Wu–Hausman Test dengan hipotesis nol yang menyatakan bahwa variabel independen bersifat eksogen, sedangkan hipotesis alternatif menyatakan bahwa variabel independen bersifat endogen. Apabila nilai probabilitas hasil pengujian lebih kecil dari taraf signifikansi 5 persen, maka H0 ditolak sehingga terindikasi adanya masalah endogenitas yang perlu diperhitungkan dalam interpretasi hasil estimasi.

3.7.3 Uji Heteroskedastisitas

Struktur data pool dengan dimensi cross section antarprovinsi yang memiliki skala ekonomi berbeda-beda secara teoretis rentan terhadap masalah heteroskedastisitas, yaitu kondisi di mana varians residual tidak konstan antarunit observasi. Alih-alih melakukan koreksi heteroskedastisitas melalui transformasi model, penelitian ini menggunakan pendekatan cluster-robust standard errors pada tingkat provinsi dalam estimasi akhir model. Pendekatan ini memungkinkan standard error koefisien regresi tetap valid untuk keperluan inferensi statistik meskipun struktur varians residual antarprovinsi bersifat heterogen, sehingga hasil pengujian signifikansi koefisien regresi tetap dapat diandalkan tanpa memerlukan spesifikasi ulang terhadap bentuk fungsional model.

3.7.4 Uji Autokorelasi

Pengujian autokorelasi dilakukan menggunakan Wooldridge Test for Autocorrelation in pool Data. Apabila hasil pengujian menunjukkan adanya autokorelasi (Prob < 0,05), penelitian tidak melakukan transformasi model, melainkan menggunakan cluster-robust standard errors pada tingkat provinsi dalam estimasi akhir. Pendekatan ini menghasilkan standard error yang konsisten terhadap pelanggaran asumsi homoskedastisitas maupun adanya korelasi serial dalam setiap unit cross-section. 

3.8 Teknik Analisis Data

Teknik analisis data dalam penelitian ini dilakukan secara bertahap dan sistematis guna memastikan bahwa proses estimasi model berjalan sesuai dengan kaidah ekonometrika data pool. Tahapan analisis data disajikan sebagai berikut.

1. Melakukan analisis statistik deskriptif terhadap seluruh variabel penelitian untuk memperoleh gambaran umum mengenai nilai rata-rata, standar deviasi, nilai minimum, dan nilai maksimum dari masing-masing variabel, baik variabel dependen, variabel independen utama, maupun variabel kontrol.

2. Melakukan estimasi model regresi Pooled OLS sebagai model pembanding awal untuk memperoleh gambaran umum hubungan antarvariabel sebelum mempertimbangkan heterogenitas antarprovinsi.

3. Melakukan estimasi Fixed Effect Model untuk mengontrol karakteristik provinsi yang bersifat time-invariant dan berpotensi berkorelasi dengan variabel independen dalam model.

4. Melakukan estimasi Random Effect Model sebagai alternatif estimasi yang memperlakukan efek individual provinsi sebagai komponen acak yang tidak berkorelasi dengan variabel independen.

5. Melakukan pemilihan model estimasi terbaik melalui tahapan Uji Chow, Uji Breusch–Pagan LM, dan Uji Hausman secara berurutan untuk menentukan model akhir yang paling sesuai dengan struktur data pool penelitian.

6. Melakukan estimasi akhir model terpilih dengan menggunakan cluster-robust standard errors pada tingkat provinsi guna mengatasi potensi heteroskedastisitas dan autokorelasi dalam residual model.

7. Melakukan interpretasi koefisien regresi hasil estimasi akhir, baik dari segi arah hubungan, besaran elastisitas, maupun tingkat signifikansi statistik masing-masing variabel independen terhadap variabel dependen.

8. Menarik kesimpulan penelitian berdasarkan hasil estimasi dan pengujian hipotesis yang telah dilakukan, serta mengaitkannya dengan kerangka teori dan temuan penelitian terdahulu mengenai pengaruh upah minimum terhadap pasar tenaga kerja.

BAB IV HASIL PENELITIAN

4.1 Statistik Deskriptif

Statistik deskriptif variabel penelitian bersumber dari data pool 34 provinsi di Indonesia selama periode 2016–2025, sehingga menghasilkan 340 observasi. Statistik deskriptif yang disajikan merupakan ringkasan gabungan dari seluruh unit provinsi dan seluruh tahun pengamatan secara bersamaan, sehingga nilai rata-rata, simpangan baku, minimum, dan maksimum yang dilaporkan mencerminkan karakteristik keseluruhan data penelitian dan bukan karakteristik satu provinsi atau satu tahun tertentu. Dengan demikian, variasi nilai yang tampak pada statistik deskriptif berikut merupakan gabungan dari variasi antarprovinsi (cross section) dan variasi antarwaktu (time series) yang melekat pada struktur data Pooled Data. 

Tabel 2. Statistik Deskriptif

Variable	Obs	Mean	Std. Dev.	Min	Max
Jumlah tenaga kerja	340	3868844.1	5502119.9	273423	24750719
Tenaga kerja formal	340	2248132.4	3207944.3	117629	14712029
Tenaga kerja informal	340	1620711.7	2357260.1	155794	11150199
TPT (%)	340	4.757	1.635	.88	10.12
UMP (Rp)	340	2596051.2	669163.99	910000	5396761
PDRB (miliar Rp)	340	515990.89	740608.28	29151	3926153
Pop 15 tahun ke atas	340	5431566	7917899.4	370913	34037887
APS 16-18 tahun	340	75.11	6.037	61.037	93.03
APS 19-23 tahun	340	29.814	7.011	14.52	56.94
Sumber: Badan Pusat Statistik Indonesia, diolah

Variabel seluruh tenaga kerja memiliki rata-rata sebesar 3.868.844 jiwa dengan simpangan baku sebesar 5.502.120 jiwa, yang menunjukkan bahwa simpangan baku jauh melampaui nilai rata-rata sehingga tingkat variasi jumlah tenaga kerja antarprovinsi dan antarwaktu tergolong sangat tinggi. Rentang data bergerak dari nilai minimum sebesar 273.423 jiwa yang tercatat di Provinsi Kalimantan Utara pada tahun 2016 hingga nilai maksimum sebesar 24.750.719 jiwa yang tercatat di Provinsi Jawa Barat pada tahun 2025. Kesenjangan yang sangat lebar antara nilai minimum dan maksimum tersebut menggambarkan ketimpangan struktural daya serap tenaga kerja antarprovinsi di Indonesia, di mana provinsi dengan basis penduduk dan aktivitas ekonomi besar seperti Jawa Barat menyerap tenaga kerja dalam jumlah yang jauh lebih besar dibandingkan provinsi dengan basis penduduk kecil seperti Kalimantan Utara yang baru dimekarkan.

Variabel tenaga kerja formal menunjukkan rata-rata sebesar 2.248.132 jiwa dengan simpangan baku sebesar 3.207.944 jiwa. Nilai minimum sebesar 117.629 jiwa kembali tercatat di Provinsi Kalimantan Utara pada tahun 2016, sedangkan nilai maksimum sebesar 14.712.029 jiwa tercatat di Provinsi Jawa Timur pada tahun 2025. Tingginya simpangan baku dibandingkan rata-rata pada variabel ini mengindikasikan bahwa penyerapan tenaga kerja formal sangat terkonsentrasi pada provinsi dengan basis industri dan sektor jasa yang lebih maju, sementara provinsi dengan struktur ekonomi berbasis sumber daya alam atau agraris cenderung memiliki jumlah tenaga kerja formal yang jauh lebih terbatas.

Variabel tenaga kerja informal memiliki rata-rata sebesar 1.620.712 jiwa dengan simpangan baku sebesar 2.357.260 jiwa, dengan nilai minimum sebesar 155.794 jiwa di Provinsi Kalimantan Utara pada tahun 2016 dan nilai maksimum sebesar 11.150.199 jiwa di Provinsi Jawa Barat pada tahun 2025. Pola variasi tenaga kerja informal yang sejalan dengan pola variasi tenaga kerja formal mengonfirmasi bahwa provinsi dengan jumlah penduduk usia kerja besar cenderung memiliki skala pasar tenaga kerja yang besar pula pada kedua segmen, baik formal maupun informal, meskipun proporsi keduanya dapat berbeda menurut struktur ekonomi masing-masing provinsi.

Variabel tingkat pengangguran terbuka memiliki rata-rata sebesar 4,76 persen dengan simpangan baku sebesar 1,64 persen. Berbeda dengan tiga variabel sebelumnya, simpangan baku pada variabel ini jauh lebih kecil dibandingkan rata-ratanya, yang menunjukkan bahwa tingkat pengangguran terbuka relatif lebih homogen antarprovinsi dan antarwaktu dibandingkan variabel jumlah tenaga kerja. Nilai minimum sebesar 0,88 persen tercatat di Provinsi Bali pada tahun 2018, mencerminkan kondisi pasar tenaga kerja yang sangat ketat pada periode tersebut, sedangkan nilai maksimum sebesar 10,12 persen tercatat di Provinsi Kepulauan Riau pada tahun 2021, yang bertepatan dengan periode tekanan ekonomi akibat pandemi yang berdampak signifikan pada sektor perdagangan dan jasa kepelabuhanan di wilayah tersebut.

Variabel Upah Minimum Provinsi memiliki rata-rata sebesar Rp2.596.051 per bulan dengan simpangan baku sebesar Rp669.164, mencerminkan variasi kebijakan pengupahan yang cukup moderat antarprovinsi dan antarwaktu dibandingkan dengan variabel jumlah tenaga kerja. Nilai minimum sebesar Rp910.000 tercatat di Provinsi Jawa Tengah pada tahun 2016, sedangkan nilai maksimum sebesar Rp5.396.761 tercatat di Provinsi DKI Jakarta pada tahun 2025. Kesenjangan upah minimum antarprovinsi tersebut mencerminkan perbedaan biaya hidup, tingkat produktivitas, dan kemampuan fiskal daerah dalam menetapkan kebijakan pengupahan, dengan DKI Jakarta secara konsisten menempati posisi upah minimum tertinggi sebagai konsekuensi dari tingginya biaya hidup di ibu kota.

Variabel PDRB memiliki rata-rata sebesar Rp515.991 miliar dengan simpangan baku sebesar Rp740.608 miliar, yang mengindikasikan tingkat variasi aktivitas perekonomian antarprovinsi tergolong sangat tinggi. Nilai minimum sebesar Rp29.151 miliar tercatat di Provinsi Maluku Utara pada tahun 2016, sedangkan nilai maksimum sebesar Rp3.926.153 miliar tercatat di Provinsi DKI Jakarta pada tahun 2025. Kesenjangan yang sangat besar antara nilai minimum dan maksimum tersebut menegaskan ketimpangan struktur perekonomian antarwilayah di Indonesia, di mana pusat aktivitas ekonomi nasional masih terkonsentrasi pada provinsi tertentu di Pulau Jawa, sementara provinsi di kawasan timur Indonesia seperti Maluku Utara memiliki skala perekonomian yang jauh lebih kecil.

Variabel penduduk usia 15 tahun ke atas memiliki rata-rata sebesar 5.431.566 jiwa dengan simpangan baku sebesar 7.917.899 jiwa, yang merupakan variabel dengan tingkat variasi tertinggi di antara seluruh variabel penelitian ini. Nilai minimum sebesar 370.913 jiwa tercatat di Provinsi Papua Barat pada tahun 2024, sedangkan nilai maksimum sebesar 34.037.887 jiwa tercatat di Provinsi Jawa Barat pada tahun 2016. Variasi yang sangat lebar pada variabel ini secara langsung memengaruhi variasi pada variabel jumlah tenaga kerja, mengingat penduduk usia kerja merupakan basis utama pembentukan angkatan kerja pada masing-masing provinsi.

Variabel Angka Partisipasi Sekolah usia 16–18 tahun memiliki rata-rata sebesar 75,11 persen dengan simpangan baku sebesar 6,04 persen, dengan nilai minimum sebesar 61,04 persen tercatat di Provinsi Papua pada tahun 2025 dan nilai maksimum sebesar 93,03 persen tercatat di Provinsi Daerah Istimewa Yogyakarta pada tahun 2025. Tingkat variasi yang relatif rendah pada variabel ini menunjukkan bahwa partisipasi pendidikan menengah atas di Indonesia cenderung mengumpul pada rentang tertentu, meskipun kesenjangan antara Papua dan Daerah Istimewa Yogyakarta tetap mencerminkan disparitas akses pendidikan antara wilayah timur Indonesia dan wilayah dengan infrastruktur pendidikan yang lebih mapan.

Variabel Angka Partisipasi Sekolah usia 19–23 tahun memiliki rata-rata sebesar 29,81 persen dengan simpangan baku sebesar 7,01 persen, dengan nilai minimum sebesar 14,62 persen tercatat di Provinsi Kepulauan Bangka Belitung pada tahun 2016 dan nilai maksimum sebesar 56,94 persen tercatat di Provinsi Daerah Istimewa Yogyakarta pada tahun 2017. Rata-rata partisipasi pendidikan tinggi yang jauh lebih rendah dibandingkan partisipasi pendidikan menengah atas mencerminkan penurunan tingkat keberlanjutan pendidikan pada jenjang yang lebih tinggi, sementara dominasi Daerah Istimewa Yogyakarta pada nilai maksimum sejalan dengan posisi provinsi tersebut sebagai salah satu pusat pendidikan tinggi utama di Indonesia yang menarik partisipasi pendidikan tinggi jauh di atas rata-rata nasional.

Secara keseluruhan, pola statistik deskriptif pada seluruh variabel penelitian menunjukkan bahwa variabel-variabel berbasis jumlah absolut, yaitu seluruh tenaga kerja, tenaga kerja formal, tenaga kerja informal, dan penduduk usia 15 tahun ke atas, memiliki tingkat variasi yang jauh lebih tinggi dibandingkan variabel berbasis rasio, yaitu tingkat pengangguran terbuka dan Angka Partisipasi Sekolah. Kondisi ini konsisten dengan karakteristik data Pooled Data yang menggabungkan provinsi dengan skala ekonomi dan demografi yang sangat beragam, mulai dari provinsi dengan basis penduduk besar seperti Jawa Barat dan Jawa Timur hingga provinsi dengan basis penduduk kecil seperti Kalimantan Utara dan Papua Barat, sehingga variabel dalam bentuk jumlah absolut secara alamiah memiliki rentang nilai yang jauh lebih lebar dibandingkan variabel dalam bentuk persentase.

4.2 Hasil Estimasi Model

4.2.1 Pemilihan Model Pengaruh UMP Terhadap Seluruh Tenaga Kerja

1. Uji Chow

Berdasarkan hasil Uji Chow diperoleh nilai probabilitas (Prob > F) sebesar 0,0000, yang lebih kecil dari tingkat signifikansi 5 persen (0,05). Oleh karena itu, hipotesis nol ditolak sehingga Fixed Effect Model lebih tepat dibandingkan Common Effect Model dalam mengestimasi pengaruh variabel independen terhadap jumlah tenaga kerja.

2. Uji Breusch–Pagan Lagrange Multiplier (LM)

Hasil pengujian menunjukkan nilai Prob > chibar² sebesar 0,0000, sehingga hipotesis nol ditolak. Dengan demikian, Random Effect Model lebih tepat dibandingkan Common Effect Model.

3. Uji Hausman

Hasil Uji Hausman menunjukkan nilai Prob > chi² sebesar 0,0000, sehingga hipotesis nol ditolak. Oleh karena itu, Fixed Effect Model dipilih sebagai model terbaik dalam mengestimasi pengaruh variabel independen terhadap jumlah tenaga kerja.

4.2.2 Pemilihan Model Pengaruh UMP Terhadap Tenaga Kerja Formal

1. Uji Chow

Berdasarkan hasil Uji Chow diperoleh nilai Prob > F sebesar 0,0000. Nilai tersebut lebih kecil dari tingkat signifikansi 5 persen sehingga hipotesis nol ditolak. Dengan demikian, Fixed Effect Model lebih tepat dibandingkan Common Effect Model.

2. Uji Breusch–Pagan LM

Hasil Uji Breusch–Pagan LM menunjukkan nilai Prob > chibar² sebesar 0,0000, sehingga hipotesis nol ditolak. Hal ini menunjukkan bahwa Random Effect Model lebih tepat dibandingkan Common Effect Model.

3. Uji Hausman

Hasil Uji Hausman menghasilkan nilai Prob > chi² sebesar 0,0000. Oleh karena itu, hipotesis nol ditolak sehingga Fixed Effect Model dipilih sebagai model terbaik.

4.2.3 Pemilihan Model Pengaruh UMP Terhadap Tenaga Kerja Informal 

1. Uji Chow

Berdasarkan hasil Uji Chow diperoleh nilai Prob > F sebesar 0,0000, sehingga hipotesis nol ditolak. Dengan demikian, Fixed Effect Model lebih tepat dibandingkan Common Effect Model.

2. Uji Breusch–Pagan LM

Hasil Uji Breusch–Pagan LM menunjukkan nilai Prob > chibar² sebesar 0,0000. Oleh karena itu, hipotesis nol ditolak sehingga Random Effect Model lebih tepat dibandingkan Common Effect Model.

3. Uji Hausman

Hasil Uji Hausman menunjukkan nilai Prob > chi² sebesar 0,0000, sehingga hipotesis nol ditolak. Dengan demikian, Fixed Effect Model dipilih sebagai model terbaik.

4.2.4 Pemilihan Model Pengaruh UMP Terhadap Tingkat Pengangguran Terbuka

1. Uji Chow

Berdasarkan hasil Uji Chow diperoleh nilai Prob > F sebesar 0,0000, sehingga hipotesis nol ditolak. Dengan demikian, Fixed Effect Model lebih tepat dibandingkan Common Effect Model.

2. Uji Breusch–Pagan LM

Hasil Uji Breusch–Pagan LM menunjukkan nilai Prob > chibar² sebesar 0,0000. Oleh karena itu, hipotesis nol ditolak sehingga Random Effect Model lebih tepat dibandingkan Common Effect Model.

3. Uji Hausman

Berbeda dengan tiga model sebelumnya, hasil Uji Hausman pada model tingkat pengangguran terbuka menunjukkan nilai Prob > chi² sebesar 0,9953, yang lebih besar dari tingkat signifikansi 5 persen. Dengan demikian, hipotesis nol gagal ditolak sehingga Random Effect Model dipilih sebagai model terbaik.

4.3 Pengujian Asumsi dan Diagnostik Model 

4.3.1 Uji Multikolinearitas

Berdasarkan hasil pengujian Variance Inflation Factor (VIF), seluruh variabel independen memiliki nilai VIF di bawah batas kritis sehingga tidak terdapat indikasi multikolinearitas yang serius dalam model. Dengan demikian, hubungan linear antarvariabel independen masih berada pada tingkat yang dapat ditoleransi sehingga estimasi koefisien regresi dapat diinterpretasikan secara memadai. 

4.3.2 Uji Endogenitas 

Hasil pengujian menunjukkan nilai probabilitas Robust score chi2 sebesar 0,7023 dan Robust regression F sebesar 0,6791, yang keduanya lebih besar dari tingkat signifikansi 5 persen.

Dengan demikian, hipotesis nol yang menyatakan bahwa variabel UMP bersifat eksogen gagal ditolak. Hasil ini menunjukkan bahwa tidak terdapat bukti statistik yang kuat mengenai adanya endogenitas pada variabel UMP. Oleh karena itu, estimasi Ordinary Least Squares (OLS) dianggap telah menghasilkan estimator yang konsisten dan dapat digunakan sebagai model utama dalam penelitian ini, sedangkan model IV digunakan sebagai pengujian tambahan (robustness check).

4.3.2 Heteroskedastisitas

Berdasarkan hasil pengujian heteroskedastisitas menggunakan Modified Wald Test, seluruh model penelitian menghasilkan nilai Prob > chi² = 0,0000, sehingga hipotesis nol yang menyatakan tidak terdapat heteroskedastisitas ditolak pada tingkat signifikansi 5 persen. Dengan demikian dapat disimpulkan bahwa seluruh model mengalami masalah heteroskedastisitas, yang mengindikasikan bahwa varians residual berbeda antarprovinsi.

Untuk mengatasi permasalahan tersebut, estimasi akhir tidak menggunakan standard error konvensional, melainkan cluster-robust standard errors pada tingkat provinsi. Pendekatan ini menghasilkan standard error yang tetap konsisten dan valid meskipun terdapat heteroskedastisitas maupun korelasi residual di dalam masing-masing provinsi. 

4.3.4 Autokorelasi 

Uji autokorelasi dilakukan menggunakan Wooldridge Test for Autocorrelation in pool Data. Hasil pengujian menunjukkan bahwa seluruh model memiliki nilai probabilitas (Prob > F) sebesar 0,0000, sehingga hipotesis nol yang menyatakan tidak terdapat autokorelasi ditolak pada taraf signifikansi 5 persen. Dengan demikian, residual pada seluruh model terindikasi mengalami autokorelasi serial. Kondisi ini merupakan karakteristik yang umum dijumpai pada data pool dengan dimensi waktu, khususnya pada penelitian ketenagakerjaan yang memiliki keterkaitan antarperiode. Oleh karena itu, estimasi akhir dilakukan menggunakan cluster-robust standard errors pada tingkat provinsi, sehingga inferensi statistik tetap valid meskipun terdapat autokorelasi dan heteroskedastisitas dalam residual.  

4.4 Hasil Estimasi Model Akhir

4.4.1 Pengaruh UMP Terhadap Seluruh Tenaga Kerja 

Berdasarkan hasil estimasi model Fixed Effect dengan cluster-robust standard errors pada tingkat provinsi, model secara keseluruhan terbukti signifikan secara statistik dengan nilai F(14,33) = 44,91 dan Prob > F = 0,0000. Hal ini menunjukkan bahwa variabel Upah Minimum Provinsi (UMP), Produk Domestik Regional Bruto (PDRB), jumlah penduduk usia 15 tahun ke atas, Angka Partisipasi Sekolah (APS) usia 16–18 tahun, APS usia 19–23 tahun, serta dummy tahun secara simultan berpengaruh terhadap jumlah tenaga kerja. Nilai R-squared within sebesar 0,7967 menunjukkan bahwa sekitar 79,67% variasi jumlah tenaga kerja di dalam suatu provinsi dari waktu ke waktu mampu dijelaskan oleh variabel-variabel independen dalam model, sedangkan sisanya sebesar 20,33% dijelaskan oleh faktor lain di luar model.

Secara parsial, variabel Upah Minimum Provinsi memiliki koefisien sebesar -0,0757, namun tidak signifikan secara statistik. Hal ini menunjukkan bahwa setelah mengendalikan karakteristik tetap masing-masing provinsi dan menggunakan standar error yang telah dikoreksi terhadap heteroskedastisitas serta autokorelasi, perubahan UMP tidak memiliki pengaruh yang signifikan terhadap jumlah tenaga kerja.

Variabel Produk Domestik Regional Bruto memiliki koefisien positif sebesar 0,0022, tetapi tidak signifikan. Dengan demikian, perubahan aktivitas ekonomi yang diukur melalui PDRB tidak terbukti memberikan pengaruh yang signifikan terhadap perubahan jumlah tenaga kerja dalam suatu provinsi selama periode penelitian.

Variabel jumlah penduduk usia 15 tahun ke atas memiliki koefisien sebesar -0,1570 dan signifikan pada taraf 5 persen. Karena model menggunakan bentuk logaritma ganda (log-log), koefisien ini merupakan elastisitas. Artinya, setiap peningkatan jumlah penduduk usia 15 tahun ke atas sebesar 1% diperkirakan akan menurunkan jumlah tenaga kerja sebesar 0,157%, dengan asumsi variabel lain konstan. Hasil ini mengindikasikan bahwa pertumbuhan penduduk usia kerja tidak selalu diikuti oleh peningkatan penyerapan tenaga kerja.

Variabel APS usia 16–18 tahun memiliki koefisien sebesar -0,0065 dan signifikan pada taraf 5 persen. Artinya, peningkatan APS usia 16–18 tahun sebesar 1 poin persentase diperkirakan menurunkan jumlah tenaga kerja sekitar 0,65%, ceteris paribus. Temuan ini menunjukkan bahwa semakin banyak penduduk usia 16–18 tahun yang masih bersekolah, semakin sedikit yang memasuki pasar kerja sehingga jumlah tenaga kerja menjadi lebih rendah.

Sementara itu, variabel APS usia 19–23 tahun memiliki koefisien sebesar -0,0012, namun tidak signifikan. Dengan demikian, tingkat partisipasi sekolah pada kelompok usia tersebut belum terbukti memengaruhi jumlah tenaga kerja secara statistik.

Dummy tahun menunjukkan bahwa dibandingkan dengan tahun dasar 2016, hampir seluruh tahun setelahnya memiliki koefisien positif dan signifikan, kecuali tahun 2017 yang tidak signifikan. Koefisien tahun 2018 sebesar 0,0529 menunjukkan bahwa jumlah tenaga kerja pada tahun 2018 lebih tinggi sekitar 5,3% dibandingkan tahun 2016, setelah mengendalikan variabel lain. Peningkatan tersebut terus berlanjut pada tahun-tahun berikutnya, yaitu sekitar 7,8% pada tahun 2019, 11,4% pada tahun 2020, 13,9% pada tahun 2021, 16,8% pada tahun 2022, 20,7% pada tahun 2023, 23,8% pada tahun 2024, dan mencapai 26,6% pada tahun 2025. Hal ini menunjukkan adanya kecenderungan peningkatan jumlah tenaga kerja secara nasional sepanjang periode penelitian setelah mempertimbangkan perbedaan karakteristik tetap antarprovinsi.

4.4.2 Pengaruh UMP Terhadap Tenaga Kerja Formal

Berdasarkan hasil estimasi model Fixed Effect dengan cluster-robust standard errors pada tingkat provinsi, model secara keseluruhan signifikan secara statistik dengan nilai F(14,33) = 45,83 dan Prob > F = 0,0000. Hal ini menunjukkan bahwa variabel Upah Minimum Provinsi (UMP), Produk Domestik Regional Bruto (PDRB), jumlah penduduk usia 15 tahun ke atas, Angka Partisipasi Sekolah (APS) usia 16–18 tahun, APS usia 19–23 tahun, serta dummy tahun secara simultan berpengaruh terhadap jumlah tenaga kerja formal. Nilai R-squared within sebesar 0,6765 menunjukkan bahwa sekitar 67,65% variasi jumlah tenaga kerja formal di dalam suatu provinsi dari waktu ke waktu dapat dijelaskan oleh variabel-variabel independen yang digunakan dalam model, sedangkan sisanya sebesar 32,35% dipengaruhi oleh faktor lain di luar model.

Secara parsial, variabel Upah Minimum Provinsi memiliki koefisien sebesar -0,1688 dan signifikan pada taraf signifikansi 5 persen. Karena model menggunakan bentuk logaritma ganda (log-log), koefisien ini dapat diinterpretasikan sebagai elastisitas. Artinya, setiap kenaikan Upah Minimum Provinsi sebesar 1% diperkirakan akan menurunkan jumlah tenaga kerja formal sebesar 0,169%, dengan asumsi variabel lain konstan. Temuan ini mengindikasikan bahwa kenaikan biaya tenaga kerja akibat peningkatan UMP dapat mendorong perusahaan mengurangi penyerapan tenaga kerja formal, terutama pada sektor-sektor yang padat karya atau memiliki produktivitas relatif rendah.

Variabel Produk Domestik Regional Bruto memiliki koefisien sebesar -0,0034, namun tidak signifikan secara statistik. Hal ini menunjukkan bahwa perubahan aktivitas ekonomi daerah yang diukur melalui PDRB belum terbukti memberikan pengaruh yang signifikan terhadap perubahan jumlah tenaga kerja formal setelah karakteristik tetap masing-masing provinsi dikendalikan.

Variabel jumlah penduduk usia 15 tahun ke atas memiliki koefisien sebesar -0,1920 dan signifikan pada taraf 5 persen. Artinya, setiap peningkatan jumlah penduduk usia 15 tahun ke atas sebesar 1% diperkirakan akan menurunkan jumlah tenaga kerja formal sebesar 0,192%, dengan asumsi variabel lain tetap. Hasil ini menunjukkan bahwa pertumbuhan penduduk usia kerja tidak selalu diikuti oleh peningkatan kesempatan kerja formal, sehingga sebagian tambahan angkatan kerja kemungkinan terserap pada sektor informal atau menjadi penganggur.

Selanjutnya, variabel APS usia 16–18 tahun memiliki koefisien sebesar -0,0016 dan APS usia 19–23 tahun memiliki koefisien sebesar -0,00005. Kedua variabel tersebut tidak berpengaruh signifikan terhadap jumlah tenaga kerja formal. Dengan demikian, tingkat partisipasi sekolah pada kedua kelompok usia tersebut belum terbukti memengaruhi perubahan penyerapan tenaga kerja formal selama periode penelitian.

Untuk variabel dummy tahun, dibandingkan dengan tahun dasar 2016, tahun 2017, 2018, dan 2019 tidak menunjukkan perbedaan yang signifikan terhadap jumlah tenaga kerja formal. Namun, mulai tahun 2020 hingga 2025 seluruh koefisien bernilai positif dan signifikan. Koefisien tahun 2020 sebesar 0,1763 menunjukkan bahwa jumlah tenaga kerja formal pada tahun tersebut sekitar 17,63% lebih tinggi dibandingkan tahun 2016 setelah mengendalikan pengaruh variabel lain. Peningkatan tersebut berlanjut pada tahun 2021 sebesar 18,74%, 2022 sebesar 21,22%, 2023 sebesar 24,56%, 2024 sebesar 25,43%, dan mencapai 26,94% pada 2025. Hasil ini mengindikasikan adanya tren peningkatan jumlah tenaga kerja formal dalam jangka panjang dibandingkan tahun dasar, setelah mempertimbangkan karakteristik tetap masing-masing provinsi.

4.4.3 Pengaruh UMP Terhadap Tenaga Kerja Informal

Hasil estimasi model Fixed Effect dengan cluster-robust standard errors menunjukkan bahwa model secara keseluruhan signifikan secara statistik. Hal tersebut ditunjukkan oleh nilai F(14,33) sebesar 76,35 dengan Prob > F sebesar 0,0000, sehingga secara simultan variabel Upah Minimum Provinsi (UMP), Produk Domestik Regional Bruto (PDRB), jumlah penduduk usia 15 tahun ke atas, Angka Partisipasi Sekolah (APS) usia 16–18 tahun, APS usia 19–23 tahun, serta dummy tahun mampu menjelaskan variasi jumlah tenaga kerja informal. Nilai R–squared within sebesar 0,5934 menunjukkan bahwa sekitar 59,34 persen variasi jumlah tenaga kerja informal dalam suatu provinsi selama periode pengamatan dapat dijelaskan oleh variabel-variabel independen yang digunakan dalam model, sedangkan sisanya sebesar 40,66 persen dipengaruhi oleh faktor-faktor lain di luar model penelitian.

Secara parsial, variabel Upah Minimum Provinsi memiliki koefisien positif sebesar 0,0432, namun tidak signifikan secara statistik. Hasil ini menunjukkan bahwa perubahan Upah Minimum Provinsi tidak memiliki pengaruh yang signifikan terhadap perubahan jumlah tenaga kerja informal setelah mengendalikan karakteristik tetap masing-masing provinsi. Dengan demikian, kenaikan upah minimum belum terbukti mendorong perpindahan tenaga kerja ke sektor informal ataupun meningkatkan jumlah pekerja informal secara langsung selama periode penelitian.

Variabel Produk Domestik Regional Bruto memiliki koefisien sebesar -0,0183 dan juga tidak signifikan (p = 0,767). Hal ini mengindikasikan bahwa perubahan tingkat aktivitas ekonomi daerah belum mampu menjelaskan perubahan jumlah tenaga kerja informal secara signifikan. Kondisi tersebut menunjukkan bahwa pertumbuhan ekonomi yang terjadi di suatu provinsi tidak selalu diikuti oleh perubahan penyerapan tenaga kerja pada sektor informal.

Variabel jumlah penduduk usia 15 tahun ke atas memiliki koefisien sebesar -0,0717, namun tidak signifikan secara statistik. Dengan demikian, peningkatan jumlah penduduk usia kerja belum terbukti memberikan pengaruh terhadap perubahan jumlah tenaga kerja informal. Hasil ini mengindikasikan bahwa pertumbuhan penduduk usia produktif tidak secara otomatis meningkatkan jumlah pekerja informal karena dipengaruhi oleh berbagai faktor lain, seperti kondisi pasar kerja, tingkat pendidikan, dan karakteristik struktur ekonomi daerah.

Variabel APS usia 16–18 tahun memiliki koefisien negatif sebesar -0,0162 dengan nilai probabilitas 0,099, sehingga signifikan pada taraf signifikansi 10 persen. Artinya, setiap peningkatan APS usia 16–18 tahun sebesar satu poin persentase diperkirakan akan menurunkan jumlah tenaga kerja informal sekitar 1,62 persen, dengan asumsi variabel lain konstan. Temuan ini menunjukkan bahwa semakin tinggi partisipasi sekolah pada kelompok usia tersebut, semakin sedikit penduduk usia muda yang memasuki sektor informal karena mereka masih berada dalam sistem pendidikan. Sebaliknya, variabel APS usia 19–23 tahun memiliki koefisien sebesar -0,0003 dan tidak signifikan (p = 0,926), sehingga belum terbukti memengaruhi jumlah tenaga kerja informal.

Berdasarkan variabel dummy waktu, tahun 2017 menunjukkan koefisien positif sebesar 0,0290 dan signifikan pada taraf 10 persen, sedangkan tahun 2018, 2019, 2021, 2022, 2023, 2024, dan 2025 memiliki koefisien positif dan signifikan pada taraf 5 persen. Dibandingkan dengan tahun dasar 2016, jumlah tenaga kerja informal pada tahun 2018 meningkat sekitar 6,85 persen, kemudian meningkat menjadi 13,17 persen pada tahun 2019. Meskipun koefisien tahun 2020 bernilai positif sebesar 0,0477, pengaruhnya tidak signifikan secara statistik. Selanjutnya, peningkatan jumlah tenaga kerja informal kembali signifikan pada tahun 2021 sebesar 9,62 persen, tahun 2022 sebesar 12,41 persen, tahun 2023 sebesar 17,67 persen, tahun 2024 sebesar 24,58 persen, dan mencapai 32,12 persen pada tahun 2025 dibandingkan dengan tahun dasar 2016. Pola tersebut menunjukkan adanya kecenderungan peningkatan jumlah tenaga kerja informal dalam beberapa tahun terakhir setelah mengendalikan karakteristik tetap antarprovinsi.

Secara keseluruhan, hasil estimasi menunjukkan bahwa setelah mengendalikan heterogenitas tetap antarprovinsi melalui model Fixed Effect dan menerapkan cluster-robust standard errors, tidak terdapat bukti empiris bahwa Upah Minimum Provinsi, Produk Domestik Regional Bruto, maupun jumlah penduduk usia 15 tahun ke atas memengaruhi jumlah tenaga kerja informal secara signifikan. Variabel yang menunjukkan pengaruh adalah APS usia 16–18 tahun, meskipun hanya signifikan pada taraf 10 persen, yang mengindikasikan bahwa peningkatan partisipasi sekolah pada kelompok usia tersebut berkontribusi dalam mengurangi keterlibatan penduduk usia muda pada sektor informal. Temuan ini mengisyaratkan bahwa dinamika tenaga kerja informal di Indonesia lebih dipengaruhi oleh faktor-faktor struktural dan karakteristik pasar kerja yang tidak sepenuhnya dapat dijelaskan oleh variabel ekonomi makro yang digunakan dalam penelitian ini.

4.4.3 Pengaruh UMP Terhadap Tingkat Pengangguran Terbuka

Berdasarkan hasil uji pemilihan model data pool, model Random Effect terpilih sebagai model terbaik untuk menjelaskan variasi Tingkat Pengangguran Terbuka (TPT). Estimasi dilakukan menggunakan cluster-robust standard errors pada tingkat provinsi sehingga inferensi statistik tetap valid meskipun terdapat heteroskedastisitas maupun korelasi serial dalam masing-masing provinsi.

Secara parsial, variabel Upah Minimum Provinsi memiliki koefisien sebesar 1,2733, tetapi tidak signifikan secara statistik. Hasil tersebut menunjukkan bahwa setelah mempertimbangkan karakteristik spesifik masing-masing provinsi melalui model Random Effect, perubahan Upah Minimum Provinsi belum mampu menjelaskan perubahan Tingkat Pengangguran Terbuka secara signifikan. Dengan demikian, hipotesis bahwa kenaikan upah minimum meningkatkan tingkat pengangguran tidak memperoleh dukungan empiris dalam penelitian ini.

Variabel Produk Domestik Regional Bruto memiliki koefisien sebesar −0,1619, tetapi tidak berpengaruh signifikan terhadap Tingkat Pengangguran Terbuka. Temuan ini mengindikasikan bahwa peningkatan aktivitas ekonomi daerah yang tercermin dari pertumbuhan PDRB belum secara langsung diikuti oleh penurunan tingkat pengangguran terbuka. Kondisi tersebut dapat terjadi apabila pertumbuhan ekonomi lebih banyak ditopang oleh sektor-sektor yang bersifat padat modal atau memiliki kemampuan penyerapan tenaga kerja yang relatif terbatas.

Variabel jumlah penduduk usia 15 tahun ke atas memiliki koefisien positif sebesar 0,3787, tetapi tidak signifikan secara statistik. Dengan demikian, peningkatan jumlah penduduk usia kerja belum terbukti berpengaruh terhadap perubahan Tingkat Pengangguran Terbuka selama periode penelitian. Hasil ini mengindikasikan bahwa peningkatan jumlah penduduk usia kerja tidak selalu diikuti oleh peningkatan jumlah penganggur apabila pasar tenaga kerja mampu menyerap tambahan angkatan kerja tersebut.

Variabel Angka Partisipasi Sekolah (APS) usia 16–18 tahun memiliki koefisien positif sebesar 0,0354 dan signifikan pada taraf signifikansi 10 persen. Hasil ini menunjukkan bahwa peningkatan APS kelompok usia 16–18 tahun cenderung diikuti oleh peningkatan Tingkat Pengangguran Terbuka dalam jangka pendek. Fenomena tersebut dapat dijelaskan karena semakin banyak penduduk usia tersebut yang melanjutkan pendidikan sehingga transisi menuju pasar kerja menjadi lebih panjang, atau meningkatnya jumlah lulusan baru (fresh graduates) yang sedang mencari pekerjaan sehingga sementara waktu tercatat sebagai pengangguran terbuka.

Sementara itu, variabel APS usia 19–23 tahun memiliki koefisien negatif sebesar −0,0350, tetapi tidak signifikan secara statistik. Dengan demikian, peningkatan partisipasi pendidikan pada kelompok usia perguruan tinggi belum terbukti memberikan pengaruh yang signifikan terhadap Tingkat Pengangguran Terbuka selama periode penelitian.

Dummy tahun menunjukkan adanya perubahan Tingkat Pengangguran Terbuka dibandingkan tahun dasar (2016). Tahun 2018, 2019, 2020, dan 2025 memiliki koefisien negatif dan signifikan, masing-masing sebesar −0,7115, −0,9750, −1,0277, dan −1,3332. Hal ini mengindikasikan bahwa setelah mengendalikan seluruh variabel dalam model, Tingkat Pengangguran Terbuka pada tahun-tahun tersebut secara rata-rata lebih rendah dibandingkan tahun dasar. Penurunan terbesar terjadi pada tahun 2025, yang menunjukkan adanya perbaikan kondisi pasar tenaga kerja dibandingkan periode awal penelitian. Sementara itu, dummy tahun 2017, 2021, 2022, 2023, dan 2024 tidak menunjukkan pengaruh yang signifikan secara statistik pada taraf signifikansi 5 persen, meskipun tahun 2017 dan 2024 signifikan pada taraf 10 persen.

Secara keseluruhan, hasil estimasi menunjukkan bahwa faktor-faktor yang secara signifikan memengaruhi Tingkat Pengangguran Terbuka hanya terbatas pada APS usia 16–18 tahun serta beberapa efek waktu (dummy tahun). Sebaliknya, variabel Upah Minimum Provinsi, Produk Domestik Regional Bruto, jumlah penduduk usia 15 tahun ke atas, dan APS usia 19–23 tahun belum menunjukkan pengaruh yang signifikan terhadap Tingkat Pengangguran Terbuka setelah mempertimbangkan heterogenitas antarprovinsi melalui model Random Effect. Temuan ini mengindikasikan bahwa dinamika pengangguran terbuka di Indonesia lebih banyak dipengaruhi oleh faktor struktural lain di luar variabel yang digunakan dalam penelitian, seperti karakteristik pasar kerja daerah, kualitas penciptaan lapangan kerja, kesesuaian keterampilan tenaga kerja (skill mismatch), serta kondisi makroekonomi yang tidak sepenuhnya tercermin dalam model estimasi.

4.5 Pembahasan

4.5.1 Pengaruh Upah Minimum Provinsi terhadap Ketenagakerjaan dan Tingkat Pengangguran Terbuka

Hasil estimasi menunjukkan bahwa pengaruh Upah Minimum Provinsi (UMP) berbeda pada masing-masing indikator pasar kerja. Pada model jumlah tenaga kerja secara keseluruhan, UMP tidak berpengaruh signifikan terhadap penyerapan tenaga kerja. Hal tersebut menunjukkan bahwa kenaikan upah minimum belum mampu menunjukkan untuk mengubah jumlah pekerja secara agregat. Kondisi ini mengindikasikan bahwa perusahaan cenderung melakukan berbagai bentuk penyesuaian selain mengurangi jumlah pekerja, seperti meningkatkan produktivitas tenaga kerja, melakukan efisiensi operasional, atau mengurangi jam kerja sehingga jumlah pekerja secara keseluruhan relatif tidak berubah.

Berbeda dengan model tenaga kerja secara keseluruhan, UMP terbukti berpengaruh negatif dan signifikan terhadap tenaga kerja formal. Hasil ini menunjukkan bahwa kenaikan UMP sebesar satu persen diperkirakan menurunkan jumlah tenaga kerja formal sebesar 0,169 persen. Temuan tersebut sesuai dengan teori permintaan tenaga kerja (labour demand theory) yang menyatakan bahwa upah merupakan biaya produksi sehingga peningkatan upah akan menurunkan permintaan tenaga kerja apabila peningkatan produktivitas tidak mampu mengimbangi kenaikan biaya tersebut. Dampak tersebut umumnya lebih besar pada sektor formal karena sektor ini wajib mematuhi ketentuan upah minimum sesuai regulasi ketenagakerjaan.

Sementara itu, pada tenaga kerja informal, UMP tidak menunjukkan pengaruh yang signifikan. Temuan ini mengindikasikan bahwa pekerja informal relatif tidak dipengaruhi oleh kebijakan upah minimum karena sebagian besar hubungan kerja di sektor informal tidak berada di bawah ketentuan pengupahan formal. Dengan demikian, perubahan UMP tidak secara langsung memengaruhi keputusan masyarakat untuk bekerja pada sektor informal.

Pada model Tingkat Pengangguran Terbuka (TPT), UMP juga tidak berpengaruh signifikan. Hasil tersebut menunjukkan bahwa perubahan UMP belum terbukti meningkatkan maupun menurunkan tingkat pengangguran secara nyata. Kondisi ini menunjukkan bahwa mekanisme pasar tenaga kerja di Indonesia tidak hanya dipengaruhi oleh kebijakan upah minimum, tetapi juga dipengaruhi oleh pertumbuhan kesempatan kerja, struktur ekonomi daerah, kualitas sumber daya manusia, serta karakteristik sektor usaha di masing-masing provinsi.

Secara keseluruhan, hasil penelitian menunjukkan bahwa kebijakan upah minimum terutama memengaruhi komposisi penyerapan tenaga kerja formal, sedangkan dampaknya terhadap jumlah tenaga kerja secara keseluruhan, tenaga kerja informal, dan tingkat pengangguran relatif terbatas.

4.5.2 Pengaruh Produk Domestik Regional Bruto terhadap Ketenagakerjaan dan Tingkat Pengangguran Terbuka

Hasil estimasi menunjukkan bahwa Produk Domestik Regional Bruto (PDRB) tidak berpengaruh signifikan terhadap seluruh tenaga kerja, tenaga kerja formal, tenaga kerja informal, maupun Tingkat Pengangguran Terbuka. Temuan tersebut menunjukkan bahwa pertumbuhan ekonomi daerah selama periode penelitian belum secara otomatis menciptakan kesempatan kerja yang lebih besar.

Secara teoritis, peningkatan output ekonomi seharusnya meningkatkan permintaan tenaga kerja karena perusahaan membutuhkan tambahan faktor produksi untuk memenuhi peningkatan permintaan barang dan jasa. Namun demikian, hasil penelitian ini menunjukkan bahwa pertumbuhan ekonomi antarprovinsi di Indonesia cenderung bersifat capital intensive atau padat modal sehingga peningkatan output lebih banyak berasal dari peningkatan produktivitas modal dibandingkan penambahan tenaga kerja.

Fenomena tersebut dikenal sebagai jobless growth, yaitu kondisi ketika pertumbuhan ekonomi berlangsung tanpa diikuti peningkatan penyerapan tenaga kerja secara proporsional. Kondisi ini banyak dijumpai pada daerah yang pertumbuhan ekonominya ditopang oleh sektor pertambangan, industri pengolahan modern, serta sektor-sektor berbasis teknologi yang memiliki produktivitas tinggi tetapi kebutuhan tenaga kerjanya relatif rendah.

Temuan tersebut mengindikasikan bahwa peningkatan PDRB saja belum cukup untuk memperbaiki kondisi pasar kerja apabila tidak disertai pertumbuhan sektor-sektor yang bersifat padat karya.

4.5.3 Pengaruh Jumlah Penduduk Usia 15 Tahun ke Atas terhadap Ketenagakerjaan dan Tingkat Pengangguran Terbuka

Jumlah penduduk usia 15 tahun ke atas berpengaruh negatif dan signifikan terhadap jumlah tenaga kerja secara keseluruhan maupun tenaga kerja formal. Temuan ini menunjukkan bahwa peningkatan jumlah penduduk usia kerja tidak selalu diikuti oleh peningkatan kesempatan kerja yang tersedia.

Secara teoritis, bertambahnya penduduk usia produktif akan meningkatkan penawaran tenaga kerja. Namun apabila penciptaan lapangan kerja berlangsung lebih lambat dibandingkan pertumbuhan angkatan kerja, maka sebagian penduduk usia produktif tidak mampu terserap ke dalam sektor formal. Kondisi tersebut menyebabkan peningkatan jumlah penduduk usia kerja justru berkorelasi dengan menurunnya proporsi tenaga kerja yang berhasil diserap.

Sebaliknya, pada model tenaga kerja informal maupun Tingkat Pengangguran Terbuka, jumlah penduduk usia kerja tidak menunjukkan pengaruh yang signifikan. Hal tersebut mengindikasikan bahwa perubahan jumlah penduduk usia produktif belum cukup menjelaskan dinamika sektor informal maupun tingkat pengangguran setelah memperhitungkan karakteristik tetap masing-masing provinsi.

4.5.4 Pengaruh Angka Partisipasi Sekolah Usia 16–18 Tahun terhadap Ketenagakerjaan dan Tingkat Pengangguran Terbuka

Hasil penelitian menunjukkan bahwa APS usia 16–18 tahun berpengaruh negatif terhadap jumlah tenaga kerja secara keseluruhan serta memiliki kecenderungan menurunkan tenaga kerja informal. Temuan tersebut menunjukkan bahwa semakin banyak penduduk usia sekolah yang tetap berada di bangku pendidikan, semakin sedikit penduduk usia muda yang memasuki pasar kerja.

Hasil tersebut sesuai dengan Human Capital Theory yang dikemukakan oleh Becker, yaitu bahwa pendidikan merupakan investasi yang meningkatkan kualitas tenaga kerja pada masa mendatang. Dalam jangka pendek, peningkatan partisipasi sekolah memang mengurangi jumlah penduduk yang bekerja karena mereka masih melanjutkan pendidikan. Namun dalam jangka panjang, peningkatan kualitas pendidikan diharapkan meningkatkan produktivitas, pendapatan, serta peluang memperoleh pekerjaan formal.

Menariknya, pada model Tingkat Pengangguran Terbuka APS usia 16–18 tahun justru menunjukkan pengaruh positif pada taraf signifikansi 10 persen. Kondisi tersebut dapat dijelaskan bahwa semakin banyak lulusan sekolah menengah yang memasuki pasar kerja, sebagian di antaranya membutuhkan waktu untuk memperoleh pekerjaan sehingga sementara waktu tercatat sebagai pengangguran terbuka.

4.5.5 Pengaruh Angka Partisipasi Sekolah Usia 19–23 Tahun terhadap Ketenagakerjaan dan Tingkat Pengangguran Terbuka

Berbeda dengan APS usia 16–18 tahun, APS usia 19–23 tahun tidak menunjukkan pengaruh yang signifikan pada seluruh model estimasi. Temuan tersebut menunjukkan bahwa peningkatan partisipasi pendidikan tinggi belum secara langsung memengaruhi kondisi pasar tenaga kerja selama periode penelitian.

Secara ekonomi, manfaat pendidikan tinggi umumnya baru dirasakan setelah mahasiswa menyelesaikan studi dan memasuki dunia kerja. Oleh karena itu, peningkatan APS kelompok usia ini belum memberikan dampak langsung terhadap penyerapan tenaga kerja maupun tingkat pengangguran dalam jangka pendek. Selain itu, proporsi mahasiswa terhadap keseluruhan penduduk usia kerja relatif kecil sehingga perubahan APS usia 19–23 tahun belum cukup besar untuk memengaruhi indikator pasar kerja secara agregat.

4.5.6 Perubahan Kondisi Pasar Kerja Berdasarkan Dummy Tahun

Variabel dummy tahun menunjukkan adanya perubahan kondisi pasar kerja selama periode penelitian setelah mengendalikan seluruh variabel ekonomi yang digunakan dalam model. Pada model jumlah tenaga kerja, tenaga kerja formal, dan tenaga kerja informal, sebagian besar dummy tahun sejak 2020 memiliki koefisien positif dan signifikan. Temuan tersebut menunjukkan bahwa penyerapan tenaga kerja mengalami peningkatan dibandingkan tahun dasar 2016.

Peningkatan tersebut mengindikasikan adanya proses pemulihan pasar tenaga kerja setelah pandemi COVID-19. Program pemulihan ekonomi nasional, meningkatnya aktivitas produksi, serta kembali pulihnya mobilitas masyarakat mendorong peningkatan permintaan tenaga kerja, baik pada sektor formal maupun informal.

Sebaliknya, pada model Tingkat Pengangguran Terbuka, sebagian besar dummy tahun memiliki koefisien negatif dibandingkan tahun dasar. Hal tersebut menunjukkan bahwa tingkat pengangguran cenderung mengalami penurunan pada tahun-tahun setelah pandemi. Penurunan ini mengindikasikan bahwa pemulihan ekonomi nasional tidak hanya meningkatkan jumlah tenaga kerja yang terserap, tetapi juga memperbaiki kondisi pasar kerja secara umum.

4.5.7 Implikasi Kebijakan

Pertama, kebijakan peningkatan upah minimum perlu dirancang secara lebih adaptif terhadap kondisi pasar kerja daerah. Hasil penelitian menunjukkan bahwa kenaikan UMP berpengaruh negatif dan signifikan terhadap penyerapan tenaga kerja formal, sedangkan pengaruhnya terhadap keseluruhan tenaga kerja, tenaga kerja informal, dan tingkat pengangguran terbuka tidak lagi signifikan setelah dilakukan koreksi cluster-robust standard errors. Temuan ini mengindikasikan bahwa penetapan UMP yang terlalu tinggi berpotensi mengurangi kemampuan perusahaan formal dalam menyerap tenaga kerja. Oleh karena itu, pemerintah perlu menetapkan UMP dengan mempertimbangkan produktivitas tenaga kerja, kemampuan dunia usaha, dan karakteristik ekonomi masing-masing daerah sehingga perlindungan kesejahteraan pekerja tetap tercapai tanpa mengurangi kesempatan kerja di sektor formal.

Kedua, peningkatan jumlah penduduk usia kerja perlu diimbangi dengan perluasan kesempatan kerja yang lebih cepat. Variabel penduduk usia 15 tahun ke atas terbukti berpengaruh negatif terhadap penyerapan tenaga kerja secara keseluruhan maupun tenaga kerja formal. Hal ini menunjukkan bahwa pertumbuhan angkatan kerja yang tidak diikuti oleh peningkatan kapasitas penyerapan pasar kerja dapat menurunkan proporsi penduduk yang bekerja. Oleh karena itu, pemerintah perlu mempercepat penciptaan lapangan kerja produktif melalui investasi padat karya, pengembangan sektor-sektor yang memiliki daya serap tenaga kerja tinggi, serta peningkatan kualitas pelatihan vokasi yang sesuai dengan kebutuhan industri.

Ketiga, peningkatan angka partisipasi sekolah usia 16–18 tahun perlu tetap dipertahankan sebagai investasi jangka panjang sumber daya manusia. Hasil penelitian menunjukkan bahwa peningkatan APS usia 16–18 tahun berkorelasi dengan penurunan penyerapan tenaga kerja secara keseluruhan dan tenaga kerja informal. Temuan ini mengindikasikan bahwa semakin banyak remaja yang melanjutkan pendidikan menengah, semakin sedikit mereka yang memasuki pasar kerja pada usia tersebut. Dengan demikian, kebijakan perlu difokuskan pada peningkatan akses pendidikan menengah tanpa menganggap penurunan sementara dalam penyerapan tenaga kerja sebagai fenomena yang negatif, karena pendidikan yang lebih tinggi berpotensi meningkatkan kualitas tenaga kerja dan produktivitas pada masa mendatang.

Keempat, tidak signifikannya pengaruh PDRB dan angka partisipasi sekolah usia 19–23 tahun pada model utama menunjukkan bahwa pertumbuhan ekonomi dan peningkatan partisipasi pendidikan tinggi belum secara langsung diterjemahkan menjadi peningkatan penyerapan tenaga kerja setelah memperhitungkan karakteristik tetap masing-masing provinsi. Kondisi ini mengindikasikan perlunya peningkatan kualitas pertumbuhan ekonomi agar lebih inklusif dan mampu menghasilkan lapangan kerja baru, serta penguatan keterkaitan antara dunia pendidikan tinggi dengan kebutuhan pasar kerja melalui program link and match, magang industri, dan pengembangan kompetensi yang sesuai dengan permintaan tenaga kerja.

Secara keseluruhan, hasil penelitian menunjukkan bahwa kebijakan ketenagakerjaan tidak dapat hanya berfokus pada peningkatan pertumbuhan ekonomi atau kenaikan upah minimum. Pemerintah perlu menerapkan pendekatan yang lebih komprehensif melalui sinkronisasi kebijakan upah, penciptaan lapangan kerja produktif, pengendalian pertumbuhan angkatan kerja melalui peningkatan kualitas sumber daya manusia, serta penguatan keterkaitan antara sistem pendidikan dan kebutuhan pasar tenaga kerja. Pendekatan tersebut diharapkan mampu meningkatkan penyerapan tenaga kerja secara berkelanjutan tanpa mengorbankan kesejahteraan pekerja maupun daya saing dunia usaha.

BAB V KESIMPULAN

5.1 Kesimpulan

Penelitian ini bertujuan untuk menganalisis pengaruh Upah Minimum Provinsi (UMP), Produk Domestik Regional Bruto (PDRB), jumlah penduduk usia 15 tahun ke atas, Angka Partisipasi Sekolah (APS) usia 16–18 tahun, dan APS usia 19–23 tahun terhadap kondisi ketenagakerjaan di Indonesia pada 34 provinsi selama periode 2016–2025 menggunakan pendekatan data pool. Berdasarkan hasil pemilihan model, seluruh model tenaga kerja (tenaga kerja total, tenaga kerja formal, dan tenaga kerja informal) menggunakan Fixed Effect Model, sedangkan model Tingkat Pengangguran Terbuka (TPT) menggunakan Random Effect Model sesuai hasil uji Hausman.

Hasil penelitian menunjukkan bahwa pada model tenaga kerja total, variabel jumlah penduduk usia 15 tahun ke atas berpengaruh negatif dan signifikan terhadap jumlah tenaga kerja, sedangkan APS usia 16–18 tahun juga berpengaruh negatif dan signifikan. Sementara itu, Upah Minimum Provinsi (UMP), PDRB, dan APS usia 19–23 tahun tidak menunjukkan pengaruh yang signifikan setelah karakteristik tetap masing-masing provinsi dikendalikan melalui pendekatan fixed effect. Temuan ini mengindikasikan bahwa perubahan kondisi ketenagakerjaan antarwaktu lebih banyak dipengaruhi oleh perubahan karakteristik demografi dan pendidikan dibandingkan perubahan tingkat upah minimum maupun pertumbuhan ekonomi daerah.

Pada model tenaga kerja formal, Upah Minimum Provinsi berpengaruh negatif dan signifikan terhadap penyerapan tenaga kerja formal. Hasil ini menunjukkan bahwa peningkatan UMP cenderung diikuti oleh penurunan jumlah pekerja formal setelah mempertimbangkan karakteristik tetap setiap provinsi. Selain itu, jumlah penduduk usia 15 tahun ke atas juga berpengaruh negatif dan signifikan terhadap tenaga kerja formal. Sebaliknya, PDRB, APS usia 16–18 tahun, dan APS usia 19–23 tahun tidak memberikan pengaruh yang signifikan terhadap penyerapan tenaga kerja formal.

Pada model tenaga kerja informal, tidak terdapat variabel utama yang berpengaruh signifikan pada taraf signifikansi 5 persen. Variabel UMP, PDRB, jumlah penduduk usia 15 tahun ke atas, dan APS usia 19–23 tahun tidak menunjukkan pengaruh yang signifikan terhadap jumlah tenaga kerja informal. APS usia 16–18 tahun hanya menunjukkan pengaruh negatif pada taraf signifikansi 10 persen, sehingga secara statistik belum cukup kuat untuk menyimpulkan adanya hubungan pada tingkat kepercayaan 95 persen. Hasil ini menunjukkan bahwa dinamika tenaga kerja informal dipengaruhi oleh faktor-faktor lain di luar variabel yang dianalisis dalam penelitian ini.

Pada model Tingkat Pengangguran Terbuka (TPT), tidak terdapat pengaruh signifikan dari Upah Minimum Provinsi, PDRB, jumlah penduduk usia 15 tahun ke atas, maupun APS usia 19–23 tahun terhadap tingkat pengangguran terbuka. APS usia 16–18 tahun hanya menunjukkan pengaruh positif pada tingkat signifikansi 10 persen. Selain itu, dummy tahun menunjukkan bahwa dibandingkan tahun dasar 2016, tingkat pengangguran terbuka pada beberapa tahun setelahnya cenderung lebih rendah, terutama pada tahun 2018, 2019, 2020, dan 2025. Temuan tersebut mengindikasikan bahwa variasi pengangguran antarprovinsi lebih banyak dipengaruhi oleh karakteristik spesifik daerah dan faktor lain yang belum dimasukkan ke dalam model.

Secara keseluruhan, penelitian ini menunjukkan bahwa pengaruh Upah Minimum Provinsi terhadap pasar tenaga kerja tidak bersifat seragam pada seluruh indikator ketenagakerjaan. UMP hanya terbukti berpengaruh signifikan terhadap penyerapan tenaga kerja formal, sedangkan terhadap tenaga kerja total, tenaga kerja informal, dan tingkat pengangguran terbuka tidak ditemukan bukti pengaruh yang signifikan setelah mempertimbangkan heterogenitas antarprovinsi. Hasil ini mengindikasikan bahwa kebijakan upah minimum tidak dapat dipandang sebagai satu-satunya instrumen dalam meningkatkan kinerja pasar tenaga kerja, sehingga diperlukan dukungan kebijakan lain seperti peningkatan produktivitas tenaga kerja, pengembangan investasi padat karya, peningkatan kualitas pendidikan dan pelatihan vokasi, serta penciptaan lapangan kerja yang lebih inklusif agar mampu meningkatkan penyerapan tenaga kerja sekaligus menurunkan tingkat pengangguran secara berkelanjutan.

5.2 Keterbatasan

Penelitian ini masih memiliki beberapa keterbatasan yang perlu diperhatikan, antara lain:

1. Penelitian ini menggunakan periode pengamatan tahun 2016–2025 dengan data sekunder yang bersumber dari Badan Pusat Statistik (BPS). Selama periode penelitian, terjadi pemekaran wilayah administratif di Provinsi Papua dan Provinsi Papua Barat sehingga jumlah provinsi di Indonesia bertambah dari 34 menjadi 38 provinsi. Perubahan tersebut mengharuskan dilakukannya penyesuaian data agar struktur panel tetap seimbang, khususnya untuk data tahun 2024–2025, sehingga konsisten dengan jumlah provinsi sebelum pemekaran. 
2. Penggunaan periode pengamatan yang hanya mencakup sepuluh tahun juga menjadi keterbatasan penelitian karena belum mampu menangkap dinamika jangka panjang kondisi ketenagakerjaan di Indonesia. Selama periode penelitian, terdapat peristiwa pandemi COVID-19 yang memberikan dampak besar terhadap perekonomian dan pasar tenaga kerja. Pandemi menyebabkan penurunan aktivitas ekonomi, meningkatnya pemutusan hubungan kerja, serta berkurangnya penyerapan tenaga kerja di berbagai sektor, terutama pada tahun 2020 hingga 2021. Kondisi tersebut menyebabkan terjadinya fluktuasi data ketenagakerjaan yang cukup signifikan selama periode penelitian.
3. Penelitian ini hanya menggunakan beberapa variabel kontrol, yaitu Produk Domestik Regional Bruto (PDRB), populasi penduduk usia di atas 15 tahun, serta Angka Partisipasi Sekolah (APS) usia 16–18 tahun dan 19–23 tahun. Sementara itu, masih terdapat faktor lain yang juga dapat memengaruhi kondisi ketenagakerjaan, seperti tingkat investasi, inflasi, rata-rata lama sekolah, perkembangan teknologi, struktur industri, serta kebijakan pemerintah daerah yang belum dimasukkan ke dalam model penelitian.

DAFTAR PUSTAKA

Badan Pusat Statistik Provinsi Sulawesi Tenggara. (2024). Upah minimum provinsi (UMP) per bulan menurut provinsi di Indonesia (rupiah), 2021–2024. https://sultra.bps.go.id/id/statistics-table/1/NDc4MyMx/upah-minimum-provinsi-ump-per-bulan-menurut-provinsi-di-indonesia-rupiah-2021-2024.html

Badan Pusat Statistik. (2015). Upah minimum regional/propinsi (rupiah), 2015. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2016–2025). Produk Domestik Regional Bruto provinsi-provinsi di Indonesia atas dasar harga konstan. BPS. https://www.bps.go.id

Badan Pusat Statistik. (2016–2025). Survei Sosial Ekonomi Nasional (Susenas). BPS. https://www.bps.go.id

Badan Pusat Statistik. (2016a). Persentase tenaga kerja formal menurut provinsi (persen), 2015. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2016b). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2015. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2015

Badan Pusat Statistik. (2016c). Tingkat pengangguran terbuka menurut provinsi (persen), 2015. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2016d). Upah minimum regional/propinsi (rupiah), 2016. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2017a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2016. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2017b). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2016. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2016

Badan Pusat Statistik. (2017c). Persentase tenaga kerja formal menurut provinsi (persen), 2016. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2017d). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2016. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2016

Badan Pusat Statistik. (2017e). Tingkat pengangguran terbuka menurut provinsi (persen), 2016. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2017f). Upah minimum regional/propinsi (rupiah), 2017. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2018a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2017. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2018b). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2017. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2017

Badan Pusat Statistik. (2018c). Persentase tenaga kerja formal menurut provinsi (persen), 2017. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2018d). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2017. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2017

Badan Pusat Statistik. (2018e). Tingkat pengangguran terbuka menurut provinsi (persen), 2017. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2018f). Upah minimum regional/propinsi (rupiah), 2018. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2019a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2018. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2019b). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2018. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2018

Badan Pusat Statistik. (2019c). Persentase tenaga kerja formal menurut provinsi (persen), 2018. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2019d). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2018. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2018

Badan Pusat Statistik. (2019e). Tingkat pengangguran terbuka menurut provinsi (persen), 2018. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2019f). Upah minimum regional/propinsi (rupiah), 2019. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2020a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2019. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2020b). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2019. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2019

Badan Pusat Statistik. (2020c). Persentase tenaga kerja formal menurut provinsi (persen), 2019. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2020d). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2019. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2019

Badan Pusat Statistik. (2020e). Tingkat pengangguran terbuka menurut provinsi (persen), 2019. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2020f). Upah minimum regional/propinsi (rupiah), 2020. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2021a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2020. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2021b). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2020. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2020

Badan Pusat Statistik. (2021c). Persentase tenaga kerja formal menurut provinsi (persen), 2020. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2021d). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2020. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2020

Badan Pusat Statistik. (2021e). Tingkat pengangguran terbuka menurut provinsi (persen), 2020. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2022a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2021. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2022b). Jumlah penduduk usia 15 tahun ke atas menurut provinsi (orang), 2021. https://www.bps.go.id/id/statistics-table/2/MjM5NyMy/jumlah-penduduk-usia-15-tahun-ke-atas-menurut-provinsi.html

Badan Pusat Statistik. (2022c). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2021. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2021

Badan Pusat Statistik. (2022d). Persentase tenaga kerja formal menurut provinsi (persen), 2021. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2022e). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2021. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2021

Badan Pusat Statistik. (2022f). Tingkat pengangguran terbuka menurut provinsi (persen), 2021. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2022g). Upah minimum provinsi (UMP) per bulan menurut provinsi (rupiah), 2016–2019. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2023a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2022. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2023b). Jumlah penduduk usia 15 tahun ke atas menurut provinsi (orang), 2022. https://www.bps.go.id/id/statistics-table/2/MjM5NyMy/jumlah-penduduk-usia-15-tahun-ke-atas-menurut-provinsi.html

Badan Pusat Statistik. (2023c). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2022. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2022

Badan Pusat Statistik. (2023d). Persentase tenaga kerja formal menurut provinsi (persen), 2022. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2023e). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2022. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2022

Badan Pusat Statistik. (2023f). Tingkat pengangguran terbuka menurut provinsi (persen), 2022. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2024a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2023. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2024b). Jumlah penduduk usia 15 tahun ke atas menurut provinsi (orang), 2023. https://www.bps.go.id/id/statistics-table/2/MjM5NyMy/jumlah-penduduk-usia-15-tahun-ke-atas-menurut-provinsi.html

Badan Pusat Statistik. (2024c). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2023. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2023

Badan Pusat Statistik. (2024d). Persentase tenaga kerja formal menurut provinsi (persen), 2023. https://www.bps.go.id/id/statistics-table/2/MTE2OCMy/persentase-tenaga-kerja-formal-menurut-provinsi.html

Badan Pusat Statistik. (2024e). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2023. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2023

Badan Pusat Statistik. (2024f). Tingkat pengangguran terbuka menurut provinsi (persen), 2023. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2025, Desember 23). Keadaan pekerja di Indonesia Agustus 2025. https://www.bps.go.id/id/publication/2025/12/23/5fe58c9723acafc73fb95bff/keadaan-pekerja-di-indonesia-agustus-2025.html

Badan Pusat Statistik. (2025a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2024. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2025b). Jumlah penduduk usia 15 tahun ke atas menurut provinsi (orang), 2024. https://www.bps.go.id/id/statistics-table/2/MjM5NyMy/jumlah-penduduk-usia-15-tahun-ke-atas-menurut-provinsi.html

Badan Pusat Statistik. (2025c). Penduduk berumur 15 tahun ke atas menurut provinsi dan jenis kegiatan selama seminggu yang lalu, 2008–2024. https://www.bps.go.id/id/statistics-table/1/MTkwNyMx/penduduk-berumur-15-tahun-ke-atas-menurut-provinsi-dan-jenis-kegiatan-selama-seminggu-yang-lalu–2008—2024.html

Badan Pusat Statistik. (2025d). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2024. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2024

Badan Pusat Statistik. (2025e). Persentase tenaga kerja formal menurut provinsi (persen), 2024. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2025f). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2024. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2024

Badan Pusat Statistik. (2025g). Tingkat pengangguran terbuka menurut provinsi (persen), 2024. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2026a). Angka partisipasi sekolah (APS) menurut provinsi dan kelompok umur, 2025. https://www.bps.go.id/id/statistics-table/2/MjIxMSMy/angka-partisipasi-sekolah–aps–menurut-provinsi-dan-kelompok-umur.html

Badan Pusat Statistik. (2026b). Angkatan kerja (AK) menurut provinsi (orang), 2025. https://www.bps.go.id/id/statistics-table/2/MjM5NCMy/angkatan-kerja-ak-menurut-provinsi.html

Badan Pusat Statistik. (2026c). Jumlah penduduk usia 15 tahun ke atas menurut provinsi (orang), 2025. https://www.bps.go.id/id/statistics-table/2/MjM5NyMy/jumlah-penduduk-usia-15-tahun-ke-atas-menurut-provinsi.html

Badan Pusat Statistik. (2026d). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut provinsi, 2025. https://www.bps.go.id/id/statistics-table/3/V1ZSbFRUY3lTbFpEYTNsVWNGcDZjek53YkhsNFFUMDkjMyMwMDAw/jumlah-penduduk–laju-pertumbuhan-penduduk–distribusi-persentase-penduduk–kepadatan-penduduk–rasio-jenis-kelamin-penduduk-menurut-provinsi.html?year=2025

Badan Pusat Statistik. (2026e). Persentase tenaga kerja formal menurut provinsi (persen), 2025. https://www.bps.go.id/id/statistics-table/2/MjIwIzI=/upah-minimum-regional-propinsi.html

Badan Pusat Statistik. (2026f). Produk domestik regional bruto atas dasar harga berlaku menurut provinsi, 2025. https://www.bps.go.id/id/statistics-table/3/WkdVMWRYVnBkMnBvVEhKSVkyWXhNblZtTjJSbmR6MDkjMw==/produk-domestik-regional-bruto-atas-dasar-harga-berlaku-menurut-provinsi–miliar-rupiah—2022.html?year=2025

Badan Pusat Statistik. (2026g). Tingkat pengangguran terbuka menurut provinsi (persen), 2025. https://www.bps.go.id/id/statistics-table/2/NTQzIzI=/tingkat-pengangguran-terbuka-menurut-provinsi.html

Badan Pusat Statistik. (2026h, Februari 26). Pengangguran menurut golongan umur (orang), 2025. https://www.bps.go.id/id/statistics-table/2/MjQwMSMy/pengangguran-menurut-golongan-umur–orang-.html

Baltagi, B. H. (2005). Econometric analysis of panel data (3rd ed.). John Wiley & Sons.

Becker, G. S. (1964). Human capital: A theoretical and empirical analysis, with special reference to education. National Bureau of Economic Research; Columbia University Press.

Bisnis.com. (2025, Desember 16). Sah, Prabowo teken aturan soal formulasi kenaikan UMP 2026 [Video]. YouTube. https://www.youtube.com/watch?v=PNvPfrOZuUM

CNN Indonesia. (2025, Desember 22). Kemnaker rilis biaya hidup layak di 38 provinsi, Jakarta Rp5,8 juta. https://www.cnnindonesia.com/ekonomi/20251222123453-92-1309482/kemnaker-rilis-biaya-hidup-layak-di-38-provinsi-jakarta-rp58-juta

CNN Indonesia. (2026, April 14). Pengusaha beber cuma 36 persen pekerja digaji minimal UMP. https://www.cnnindonesia.com/ekonomi/20260414141441-92-1347820/pengusaha-beber-cuma-36-persen-pekerja-digaji-minimal-ump

Doeringer, P. B., & Piore, M. J. (1971). Internal labor markets and manpower analysis. D.C. Heath and Company. https://doi.org/10.4324/9781003069720

Fotaleno, F., & Batubara, D. S. (2024). Fenomena kesulitan generasi Z dalam mendapatkan pekerjaan ditinjau perspektif teori kesenjangan generasi. Jurnal Syntax Admiration, 5(8), 3199–3208. https://doi.org/10.46799/jsa.v5i8.1513

Hadi, A. S., Riani, W., & Haryatiningsih, R. (2022). Pengaruh laju pertumbuhan ekonomi, indeks pembangunan manusia (IPM), dan upah minimum provinsi terhadap tingkat pengangguran terbuka di Pulau Jawa tahun 2016–2020. Bandung Conference Series: Economics Studies, 2(2), 446–454. https://doi.org/10.29313/bcses.v2i2.4470

Hidayah Rahma. (2025). Desain penelitian ekonometrika dalam analisis pasar tenaga kerja.

Hsiao, C. (2014). Analysis of panel data (3rd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9781139839327

Huda, Q. (2025). Klasterisasi dan perbandingan indikator ekonomi makro penentuan upah minimum di Jawa Tengah dan Jawa Timur. Kompeten: Jurnal Ilmiah Ekonomi dan Bisnis, 4(3), 1380–1396. https://jurnal.penerbitseval.com/jurnal/index.php/kompeten/article/view/228/161

Kementerian Ketenagakerjaan Republik Indonesia. (2016–2025). Penetapan upah minimum provinsi. Kemnaker RI. https://www.kemnaker.go.id

Kementerian Ketenagakerjaan Republik Indonesia. (2025). Upah minimum provinsi (UMP) tahun 2025. https://satudata.kemnaker.go.id/data/kumpulan-data/2252

Kementerian Ketenagakerjaan Republik Indonesia. (2026). Upah minimum provinsi (UMP) tahun 2026. https://satudata.kemnaker.go.id/data/kumpulan-data/3005

Lindbeck, A., & Snower, D. J. (1988). The insider-outsider theory of employment and unemployment. MIT Press. https://mitpress.mit.edu/9780262620741/the-insider-outsider-theory-of-employment-and-unemployment/

Mankiw, N. G. (2018). Macroeconomics (11th ed., pp. 469–488). Macmillan Learning.

Neumark, D., & Wascher, W. L. (2008). Minimum wages. MIT Press. https://doi.org/10.7551/mitpress/9780262141024.001.0001

Paramita, R. (2021). Menilik upah minimum dan ketimpangan pendapatan di Indonesia. Jurnal Budget, 6(2), 184–200. https://doi.org/10.22212/jbudget.v6i2.115

Putri, Sonia Mariska. (2026). Analisis data panel dalam penelitian ketenagakerjaan regional..

Ruang Jurnal. (2019). Panduan penggunaan data sekunder dalam penelitian ilmu sosial. .

Satu Data Ketenagakerjaan. (2026). Upah minimum provinsi (UMP) tahun 2026. Kementerian Ketenagakerjaan Republik Indonesia. https://satudata.kemnaker.go.id/data/kumpulan-data/3005

Stigler, G. J. (1946). The economics of minimum wage legislation. The American Economic Review, 36(3), 358–365. https://www.jstor.org/stable/1801842

Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd ed.). MIT Press.

Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd ed.). MIT Press.

Wulandari Agustina. (2019). Metode penelitian kuantitatif dalam ilmu ekonomi.

Wulandari Agustina. (2019). Pengaruh kebijakan upah minimum provinsi terhadap penyerapan tenaga kerja formal dan informal: Studi empiris Pulau Jawa [Skripsi S1, Universitas Gadjah Mada]. ETD Repository UGM. https://etd.repository.ugm.ac.id/penelitian/detail/181483