commit to user 73
Gambar diagram garis dibawah menunjukkan bahwa pertumbuhan penduduk selama tahun 1991-2008 sangat bervareasi, mengalami
pertumbuhan negatif pada tahun 2001 dan mencapai puncaknya pada tahun 2006.
Sumber : Data sekunder diolah, BPS Kab. Sragen 2009 Gambar 4.4 Diagram Garis Pertumbuhan Penduduk.
C. Pengujian Hipotesis
1. Analisis Regresi Linier Berganda
Alat analisis yang digunakan dalam pengujian hipotesis pada penelitian ini adalah analisis regresi linier berganda dengan persamaan double logaritma
naturl ln. Pengujian hipotesis dilakukan dengan sofware SPSS 16.0 views, dengan tingkat kemaknaan 5
α
=0.05, hasil pengujian penelitian sebagai berikut :
commit to user 74
Tabel 4.5 Hasil Regresi Linier Berganda
Sumber : Data sekunder diolah lampiran hal. 1 Dari hasil regresi berganda tersebut dapat disusun persamaan regresi
sebagai berikut : Lnpad = 147.731 + 6.685Lnkapita + 0.095Lnjpers - 10.607Lnjpdd
Hasil regresi tersebut diatas menunjukkan bahwa : 1 Variabel pendapatan perkapita Lnkapita mempunyai koefisien
sebesar 6.685 dengan taraf signifikansi sebesar 0,000 lebih kecil dari α=0.05, yang berarti variabel tersebut berpengaruh positif dan
signifikan secara statistik terhadap PAD. 2 Variabel Jumlah PerusahaanLnjpers mempunyai koefisien sebesar
0.095 dengan taraf signifikansi sebesar 0,523 lebih besar dari α=0.05,
yang berarti variabel tersebut tidak berpengaruh secara statistik terhadap PAD.
3 Variabel Jumlah Penduduk Lnjpdd mempunyai koefisien sebesar -10.607 dengan taraf signifikansi sebesar 0,009 lebih kecil dari
α = 0.05, yang berarti variabel tersebut berpengaruh negatif dan signifikan
secara statistik terhadap PAD.
commit to user 75
4 Variabel yang dominan adalah variabel Pendapatan Perkapita dengan koefisien beta terbesar yaitu 0.951.
2. Uji Kebaikan Model Regresi
a Uji-t
Uji-t ini digunakan untuk menguji pengaruh variabel independen terhadap variabel dependen secara parsial. Pengujian dalam penelitian
ini menggunakan taraf signifikansi 5. Hasil pengujian secara parsial dengan menggunakan uji-t sebagai berikut :
1 Untuk variabel pendapatan perkapita mempunyai nilai t-hitung sebesar 15.244 lebih besar dari t-tabel sebesar 1.74 atau nilai
probabilitas sebesar 0.000 lebih kecil dari 0.05, dengan demikian pendapatan perkapita berpengaruh signifikan positif terhadap PAD.
Artinya apabila pendapatan perkapita naik sebesar satu juta rupiah maka PAD juga akan naik sebesar 6.685 juta rupiah. Hipotesis
yang diajukan diterima atau menolak hipotesis nol. 2 Untuk variabel Jumlah Perusahaan mempunyai nilai t-hitung
sebesar 0.655 lebih besar dari t-tabel sebesar 1.74 atau nilai probabilitas sebesar 0,523 lebih besar dari 0.05, dengan demikian
Jumlah Perusahaan tidak berpengaruh signifikan terhadap PAD. Artinya apabila jumlah perusahaan bertambah atau berkurang maka
PAD tidak akan berubah konstan. Hipotesis yang diajukan ditolak atau menerima hipotesis nol.
commit to user 76
3 Untuk variabel Jumlah Penduduk mempunyai nilai t-hitung sebesar -3.025 lebih besar dari t-tabel sebesar 1.74 atau nilai probabilitas
sebesar 0,009 lebih kecil dari 0.05, dengan demikian Jumlah Penduduk berpengaruh signifikan negatif terhadap PAD. Artinya
apabila Jumlah Penduduk bertambah maka PAD akan berkurang dan sebaliknya. Menolak hipotesis nol.
b Uji-F
Uji ini digunakan untuk menguji keberartian koefisien regresi secara bersama-sama atau simultan antara variabel Pendapatan Perkapita,
Jumlah Perusahaan dan Jumlah Penduduk terhadap variabel PAD. Pengujian dalam penelitian ini dilakukan dengan bantuan software
SPSS for window 16.0 views , dengan taraf signifikansi 5. Hasil pengujian yang telah dilakukan nampak pada tabel berikut ini :
Tabel 4.6 Anova Uji-F Model
df derajat bebas F
hit
Sign. Regresi
3 360.027
0.000 Residual
14 Total
17 Sumber : data sekunder diolah lampiran 1
Nilai F-hitung pada tabel di atas menunjukkan bahwa ketiga variabel independen secara simultan berpengaruh terhadap variabel
dependen. Hal ini ditunjukkan dengan nilai F-hitung sebesar 360.027
commit to user 77
lebih besar dari F-tabel sebesar 3.3344 F-tabel : α=0.05, df1=3,
df2=14 atau nilai signifikansi sebesar 0,000 lebih kecil dari 0.05.
c Koefisien Determinasi R
2
Koefisien determinasi dinotasikan dengan R
2
merupakan ukuran penting dalam regresi, karena dapat menginformasikan baik tidaknya
regresi yang terestimasi dan dapat mengukur seberapa dekatkah garis regresi
yang terestimasi
dengan data
sesungguhnya. Dan
mencerminkan seberapa besar variasi dari variabel dependen dapat dijelaskan oleh variabel independen.
Tabel 4.7 Koefisien Determinasi R
2
Model Adjusted R
2
1 0.984
Sumber : data sekunder diolah lampiran 1 Tabel di atas diketahui bahwa nilai R
2
sebesar 0.984, hal ini menunjukkan
bahwa variabel
Pendapatan Perkapita,
Jumlah Perusahaan dan Jumlah Penduduk hanya mampu menjelaskan sebesar
98,4 terhadap variabel PAD, sedangkan sisanya 1,6 dijelaskan oleh variabel lain diluar model penelitian ini.
Kesimpulan model regresi linier berganda yang digunakan cukup baik, karena:
1. 2 variabel independen mempengaruhi uji t yang signifikan. 2. Uji F menampilkan hasil yang signifikan.
commit to user 78
3. Koefisien determinasi R
2
adjusted menampilkan bahwa 98,4 variasi variabel dependen dapat dijelaskan oleh variasi variabel
independen.
3. Uji Asumsi Klasik
