4.1. Deskripsi Data
Penelitian ini bertujuan untuk mengetahui pengaruh alokasi APBN dan APBD terhadap TFR dan LPP. Populasi dalam penelitian ini adalah alokasi program KP pada APBN dan APBN tahun 2007, 2010, dan 2012. Sebelum membahas pembuktian hipotesis, secara deskriptif akan dijelaskan mengenai kondisi masing-masing variable yang digunakan dalam penelitian ini.
Deskripsi variabel dalam statisktik deskriptif yang digunakan pada penelitian ini meliputi nilai minimum, maksimum, mean, dan standar deviasi dari satu variabel dependen yaitu Laju Pertumbuhan Penduduk (LPP) dan dua variabel independen yaitu Alokasi Anggaran Pemerintah Pusat (APBN) dan Alokasi Anggaran Pemerintah Daerah (APBD).
Statistik deskriptif berkaitan dengan pengumpulan dan peringkat data. Statistik deskriptif menggambarkan karakter sampel yang digunakan dalam penelitian ini. Distribusi statistik deskriptif untuk masing-masing variabel terdapat pada tabel 3 berikut ini:
Tabel 5
Deskripsi Variabel Penelitian
Variabel N Minimum Maximum Mean Std. Deviation APBN 97 1226,22 87.751,83 12.991,57 15.719,29 APBD 97 2.312,24 196.961,67 36.644,45 39.815,78
TFR 97 1.80 4.20 2.7803 0.47497
LPP 97 0.37 5.39 2.0489 1.00985
Valid N (listwise) 97 Sumber: Hasil Output SPSS
Berdasarkan tabel 3 dapat dilihat bahwa selama periode pengamatan, variabel APBN menunjukkan nilai rata-rata sebesar Rp.12.991.565.600,-, nilai minimum sebesar Rp.1.226.220.000,-, nilai maksimum sebesar Rp.87.751.830.000,-, dan standar deviasi sebesar Rp.15.719.288.110,-. Standar deviasi lebih besar dari rata-rata berarti sebaran nilainya baik, artinya simpangan nilai APBN antara nilai minimum dengan nilai maksimum besar.
29
Nilai alokasi anggaran Program KB (APBN) terkecil sebesar Rp.1.226.215.000,- yaitu alokasi Program KB (APBN) pada Provinsi Papua Barat Tahun Anggaran 2010, sedangkan alokasi anggaran Program KB (APBN) terbesar sebesar Rp.87.751.826.000,- yaitu alokasi Program KB (APBN) pada Provinsi Jawa Tengah Tahun Anggaran 2012.
Variabel APBD menunjukkan nilai rata-rata sebesar Rp.36.644.453.700,- nilai minimum sebesar Rp2.312.240.000,-, nilai maksimum sebesar Rp.196.961.670.000,-, dan standar deviasi sebesar Rp.39.815.779.700,-. Standar deviasi lebih besar dari rata-rata berarti sebaran nilainya baik, artinya simpangan nilai APBD antara nilai minimum dengan nilai maksimum besar. Nilai alokasi anggaran Program KB (APBD) terkecil sebesar Rp.2.312.240.000,- yaitu alokasi Program KB (APBN) pada Provinsi Papua Barat Tahun Anggaran 2007, sedangkan alokasi anggaran Program KB (APBD) terbesar sebesar 196.961.670.000,- yaitu alokasi Program KB (APBD) pada Provinsi Jawa Timur Tahun Anggaran 2012.
Selanjutnya, untuk nilai TFR dari tiga tahun pengamatan, nilai terkecil adalah sebesar 1,80 yang berasal dari provinsi D.I. yogyakarta pada tahun 2007, dan nilai TFR terbesar berasal dari provinsi Nusa Tenggara Timur di tahun 2007 yaitu sebesar 4,20. Standar deviasi yang dimiliki oleh nilai TFR dari tiga tahun pengamatan sebesar 0,47497, artinya sebaran nilai dari variabel TFR adalah baik (nilai TFR antar tahun dan antar provinsi memiliki selisih yang kecil). Variabel keempat yaitu variabel LPP, nilai LPP terkecil berasal dari provinsi Jawa Tengah di tahun 2010 yaitu sebesar 0,37, dan nilai LPP tertinggi dari provinsi Papua di tahun 2010 yaitu sebesar 5,39. Besarnya standar deviasi dari LPP adalah sebesar 1,00985, nilai ini cukup rendah yang artinya nilai sebaran LPP pada periode pengamatan memiliki sebaran yang merata/baik.
4.2. Hasil Penelitian
1. Hasil Uji Prasyarat Analisis a. Hasil Uji Normalitas
Salah satu uji persyaratan yang harus dipenuhi dalam analisis parametrik yaitu uji normalitas sampel. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.
Hal ini dapat ditegaskan, bahwa suatu penelitian yang melakukan pengujian
30
hipotesis dengan menggunakan uji-t atau uji-F mengasumsikan bahwa nilai residual mengikuti distribusi normal, bila asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2006: 147). Uji statistik yang digunakan untuk menguji normalitas residual adalah uji Kolmogorov-Smirnov (K-S). Hasil uji normalitas dalam penelitian ini dapat dilihat pada tabel berikut:
Tabel 6 Hasil Uji Normalitas
Residual model
N Kolmogorov-Smirnov Z
Asymp.
Sig (2-tailed)
Kesimpulan
97 1,275 0,078 Normal
Sumber: Data diolah (2015)
Dari tabel di atas terlihat bahwa angka signifikansi (Asymp. Sig (2-tailed)) lebih besar dari 0,05 yaitu sebesar 0,078, sehingga dapat disimpulkan bahwa data sudah berdistribusi normal. Dengan demikian, analisis tahap selanjutnya pada penelitian ini dapat dilakukan, yaitu uji regresi.
b. Hasil Uji Heteroskedastisitas
Uji heterosedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya.
Jika varians residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Dalam penelitian ini untuk menguji heteroskedastisitas dengan melihat grafik scatterplot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
31
Gambar 1.
Hasil Uji Heteroskedastisitas
Sumber: Data diolah (2015)
Dari grafik scatterplot di atas terlihat semua titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, serta tidak ada pola yang jelas, maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas. Dengan demikian, analisis tahap selanjutnya pada penelitian ini dapat dilakukan, yaitu uji regresi.
c. Hasil Uji Multikolinieritas
Uji multikolinieritas dilakukan dengan tujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika variabel independen saling berkorelasi maka terjadi masalah multikolinieritas. Uji ini dilakukan dengan melihat nilai VIF (Variance Inflation Factor) serta dapat dilihat dari korelasi antar variabel independen dan nilai tolerance. Analisis data dapat dilanjutkan jika nilai VIF untuk tiap-tiap variabel lebih kecil dari 10, nilai tolerance variabel independen lebih besar dari 0,10. Uji multikolinieritas dalam penelitian ini dapat dilihat pada tabel berikut:
32
Tabel 7
Hasil Uji Multikolinieritas
Variabel Tolerance VIF Kesimpulan
APBN 0,644 1,553 Tidak Terjadi
Multikolinieritas
APBD 0,595 1,681 Tidak Terjadi
Multikolinieritas
TFR 0,906 1,103 Tidak Terjadi
Multikolinieritas Sumber: Data diolah (2015)
Berdasarkan hasil uji multikolinieritas pada tabel di atas menunjukkan bahwa semua variabel tidak terjadi multikolinieritas. Besarnya VIF tidak ada yang lebih besar dari 10, serta nilai tolerance tidak ada yang kurang dari 0,10. Dengan demikian, analisis tahap selanjutnya pada penelitian ini dapat dilakukan, yaitu pengujian hipotesis dengan analisis regresi.
2. Hasil Analisis Regresi
Pelaporan hasil pengujian hipotesis menunjukkan keberadaan pengaruh yang telah diduga dalam hipotesis. Tabel 8 di bawah ini menyajikan hasil analisis regresi untuk pengujian hipotesis 1 sampai 7, dan selanjutnya akan dijelaskan pula pengaruh langsung, tidak langsung, dan total dari variabel independen pada variabel dependen melalui variabel mediasi.
33
Tabel 8
Hasil Analisis Regresi dalam Pengujian Hipotesis
Variabel β t p ∆ R2 F
Model: LPP = 1,587–0,180 APBN–0,289
APBD+0,153 TFR
Tahap 4 (M ke Y)
Total Fertility Rate (M) 0,259 2,609 0,011* 0,057 6,808*
Model: TFR = 0,520 + 0,259 TFR
Sumber: Data primer yang diolah (2014)
*) signifikan pada α ≤ 0,05 Keterangan:
X1 : Anggaran Program KB-APBN X2 : Anggaran Program KB-APBD M : Total Fertility Rate
Y : Laju Pertumbuhan Penduduk
Tabel 8 menunjukkan nilai adjusted R2 tahap 1 bernilai 0,195. Hasil tersebut menunjukkan bahwa variabel Anggaran Program KB-APBN dan APBD dapat menjelaskan varians Laju Pertumbuhan Penduduk sebesar 19,5 %, sedangkan 80,5 % Laju Pertumbuhan Penduduk dipengaruhi oleh variabel lain di luar model penelitian.
Hasil uji F menyatakan bahwa model didukung dengan signifikan pada p < 0,05. Tahap 2