48

BAB IV

HASIL DAN PEMBAHASAN

4.1 Analisis Deskripsi Data

Jenis data yang digunakan dlam penelitian ini adalah data panel yang

merupakan data gabunga antara cross section dan data time series, adapun untuk

data cross section diambil dari 5 Kabupaten yang ada di DIY yaitu Kota

Yogyakarta, Kabupaten Sleman, Kabupaten Bantul, Kabupaten Kulonprogo, dan

Kabupaten Gunung Kidul. Sedangkan untuk data time series menggunakan data

jumlah permintaan air, harga air, PDRB perkapita, jumlah penduduk, jumlah

Rumah Tangga, dan jumlah industri setiap Kabupatennya pada kurun waktu

2004-2013. Penelitian ini bertujuan untuk mengetahui apakah variabel

independent atau penjelas berpengaruh terhadap variabel dependent atau terikat.

Variabel-variabel tersebut adalah sebagai berikut:

1.) Dependen Variabel

 Y adalah data jumlah permintaan air lima Kabupaten di DIY

Merupakan total banyaknya permintaan air di masing-masing PDAM

di Yogyakarta (dalam hitungan liter) per tahun. Data diambil dari

tahun 2004-2013 yang berasal dari kepustakaan PDAM.

 49

2.) Independen Variabel

 X1 adalah data harga air per liter lima Kabupaten di DIY

Merupakan harga air per liter yang ditentukan oleh masing-masing

Perusahaan Daerah Air Minum (PDAM). Data diambil dari tahun

2004-2013 yang berasal dari kepustakaan PDAM.

 X2 adalah data PDRB perkapita lima Kabupaten di DIY

Produk Domestik Regional Bruto (PDRB) adalah besarnya produk

domestik bruto (PDB) suatu daerah atau merupakan banyaknya output

yang dihasilkan oleh daerah tersebut.

PDRB perkapita adalah banyaknya output rata-rata yang dihasilkan

oleh suatu daerah. Dalam hal ini yaitu output rata-rata yang dihasilkan

masing-masing kabupaten di DIY. Data diambil dari tahun 2004-2013

yang berasal dari Badan Pusat Statistik DIY.

 X3 adalah data jumlah penduduk lima Kabupaten di DIY

Penduduk atau warga adalah orang yang tinggal di daerah tersebut,

sehingga dalam hal ini merupakan jumlah orang yang tinggal di

masing-masing kabupaten di Yogyakarta. Data diambil dari tahun

2004-2013 yang berasal dari Badan Pusat Statistik DIY.

 X4 adalah data jumlah rumah tangga lima Kabupaten di DIY

Rumah tangga terdiri dari satu atau lebih orang yang tinggal bersama-

sama di sebuah tempat tinggal dengan kata lain merupakan jumlah

 50

rumah yang ditinggali atau untuk berkeluarga di Yogyakarta. Data

diambil dari tahun 2004-2013 yang berasal dari Badan pusat Statistik

DIY.

 X5 adalah data jumlah industri lima Kabupaten di DIY

Merupakan banyaknya seluruh industri di masing-masing Kabupaten

di Yogyakarta, baik industri kecil dan menengah seperti UMKM

maupun industry besar. Data diambil dari tahun 2004-2013 yang

berasal dari Badan Pusat Statistik DIY.

4.2 Pemilihan Model Regresi

Dalam model regresi data panel harus dilakukan pengujian untuk

memilih model regresi yang tepat digunakan dalam penelitian ini. Dalam

melakukan pengujian model dapat dilakukan dengan tiga alternatif metode yaitu

metode dengan common effect models, fixed effect models dan random effect

models. Berikut merupakan hasil pengujiannya:

 51

4.2.1 Pengujian menggunakan Common Effect Models

Dalam pendekatan estimasi ini, intersep dan slope adalah tetap

sepanjang waktu dan individu, adanya perbedaan intersep dan slope

diasumsikan akan dijelaskan oleh variabel gangguan (error atau residual)

Tabel 4.1
Hasil Estimasi Common Effect Models
Dependent Variable: (Y?)
Method: Pooled Least Squares
Date: 01/02/16 Time: 21:59
Sample: 2004 2013
Included observations: 10
Cross-sections included: 5
Total pool (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 1012759. 930859.3 1.087983 0.2825

X1? -376.1082 220.3027 -1.707234 0.0948
X2? 0.725187 0.094852 7.645481 0.0000
X3? 0.099222 0.118006 0.840817 0.4050
X4? -4.536622 4.261729 -1.064503 0.2929
X5? -16.63483 23.93291 -0.695061 0.4907

R-squared 0.842992 Mean dependent var 4406760.

Adjusted R-squared 0.825150 S.D. dependent var 2931159.
S.E. of regression 1225667. Akaike info criterion 30.98803
Sum squared resid 6.61E+13 Schwarz criterion 31.21748
Log likelihood -768.7009 Hannan-Quinn criter. 31.07541
F-statistic 47.24798 Durbin-Watson stat 0.256423
Prob(F-statistic) 0.000000

Sumber: Olahan data E-Views 8.

Dari hasil regresi pada model common effect models didapatkan bahwa nilai

koefisien pada X1 (harga air) = -376,1082, X2 (PDRB perkapita) = 0,725187,

X3 (jumlah penduduk) = 0,099222, X4 (jumlah rumah tangga) = -0,536622,

dan X5 (jumlah indistri) = -16,63483. Dengan R-squared sebesar 0,842992.

 52

4.2.2 Pengujian menggunakan Fixed Effect Models

Dalam pendekatan estimasi ini, tidak diperhatikan dimensi individu

maupun waktu. Diasumsikan bahwa perilaku data antar wilayah sama dalam

berbagai kurun waktu.

Tabel 4.2
Hasil Estimasi Fixed Effect Models
Dependent Variable: (Y?)
Method: Pooled Least Squares
Date: 01/02/16 Time: 22:03
Sample: 2004 2013
Included observations: 10
Cross-sections included: 5
Total pool (balanced) observations: 50

Variable Coefficient Std. Error t-Statistic Prob.

C 2198867. 286841.4 7.665794 0.0000

X1? 188.8805 69.04451 2.735633 0.0092
X2? 0.117010 0.051451 2.274203 0.0284
X3? 0.135141 0.027815 4.858574 0.0000
X4? 0.039063 1.238165 0.031549 0.9750
X5? -2.538711 5.353081 -0.474252 0.6379
Fixed Effects (Cross)
_YOGYAKARTA—C 4278663.
_SLEMAN—C -1546732.
_BANTUL—C -1997601.
_KULONPROGO—C -1706889.
_GUNUNGKIDUL—C 972557.9

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.990133 Mean dependent var 4406760.

Adjusted R-squared 0.991441 S.D. dependent var 2931159.
S.E. of regression 271170.0 Akaike info criterion 28.03574
Sum squared resid 2.94E+12 Schwarz criterion 28.41814
Log likelihood -690.8934 Hannan-Quinn criter. 28.18136
F-statistic 631.6903 Durbin-Watson stat 1.368011
Prob(F-statistic) 0.000000

Sumber: Olahan data E-Views 8.

 53

Dari hasil regresi diatas dapat dilihat bahwa dari probabilitas tiap individu

yang menunjukkan terdapat tiga variabel signifikan yaitu X1, X2, X3

sedangkan untuk variabel X4 DAN X5 tidak signifikan. R-squared

menunjukkan hasil yang cukup tinggi yaitu sebesar 0,993013. Sedangkan

untuk nilai pribabilitas F-statistik sebesar 0,0000 yang memberikan arti bahwa

model merupakan dengan signifikan yang tinggi.

4.2.3 Pengujian menggunakan Random Effect Models

Dalam pendekatan estimasi ini, data panel didasarkan adanya

perbedaan intersep dan slope sebagai akibat adanya perbedaan antar individu

atau obyek.

Pada estimasi ini, pengujian menggunakan Random Effect Models

tidak dapat digunakan karena jumlah kabupaten (n) terlalu sedikit yaitu

berjumlah lima kabupaten diantaranya Kota Yogyakarta, Kabupaten Sleman,

Kabupaten Bantul, Kabupaten Kulonprogo, dan Kabupaten Gunungkidul.

Sehingga model regresi Random Effects Model tidak dapat dilakukan.

Selanjutnya dilakukan pengujian antara common effect models (CEM)

dengan fixxed effect models (FEM) untuk mengetahui model yang paling

layak untuk digunakan.

 54

4.2.4 Pemilihan Model Regresi

Dalam sebuah pemilihan model pengolahan data yang digunakan pada

sebuah penelitian perlu didasari dari berbagai macam pertimbangan statistik.

1.) Chow Test (uji F-statistik)

Dalam pengujian ini terhadap pemilihan model yang dimana akan

digunakan merupakan antara model estimasi common effect atau model

estimasi fixed effect, dengan pengujian terhadap hipotesis :

Ho: memilih menggunakan model estimasi Common Effect.

H1: memilih menggunakan model estimasi Fixed Effect.
Dalam pengujian ini dapat melakukan pengelihatan terhadap p-

value jika hasil yang didapatkan kurang dari 10% (signifikan) maka

model estimasi yang akan digunakan adalah fixed effect, akan tetapi

jika p-value melebihi dari angka 10% (tidak signifikan) dengan

demikian model estimasi yang digunakan adalah model common effect.

Berikut adalah hasil pengujiannya:

 55

Tabel 4.3
Hasil Uji Chow

Redundant Fixed Effects Tests

Pool: FE
Test cross-section fixed effects

Effects Test Statistic d.f. Prob.

Cross-section F 136.585071 (4,40) 0.0000

Cross-section Chi-square 134.251043 4 0.0000

Sumber: Olahan data E-Views 8.

Hipotesis:

Ho : β1 = β2 = β3 = β4 = β5 = 0  menggunakan CE

Ha : β1 ≠ β2 ≠ β3 ≠ β4 ≠ β5 ≠ 0  menggunakan FE

Dari regresi pengujian antara Commond Effects Model dan Fixed Effects Model

didapatkan hasil probabilitas Cross-section Chi-square yaitu sebesar 0,0000.

Sehingga probabilitas Cross-section Chi-square lebih kecil dari alfa (0,0000 <

0,01). Maka secara statistik signifikan 1% menolak H0, artinya lebih baik

menggunakan Fixed Effect Model.

 56

4.3 Evaluasi Regresi

4.3.1 Uji kebaikan garis regresi (R-squared)

Pengujian ini bertujuan untuk mengukur prosentase dari variasi total

variabel dependen yang mampu dijelaskan oleh model regresi. Perhitungan

dimaksudkan untuk mengetahui ketepatan yang baik dalam analisis yang

dirunjukkan oleh besarnya koefisien determinasi R2.

Dari hasil estimasi didapatkan hasil bahwa besarnya R-squared yaitu

0,990133. Artinya variabel independen (harga air, PDRB perkapita, jumlah

penduduk, jumlah rumah tangga, dan jumlah industri) mampu menjelaskan

variabel dependen (jumlah permintaan air) sebesar 99% sedangkan sisanya

sebesar 1% dijelaskan variabel lain diluar model.

4.3.2 Uji kelayakan model (uji F)

Uji F dilakukan untuk mengetahui signifikan atau tidaknya variabel-

variabel independen terhadap variabel dependen secara menyeluruh

(bersama-sama).

Hipotesis:

Ho : β0 = β1 = β2 = β3 = β4 = β5 = 0  variabel independen tidak berpengaruh

Ha : β0 ≠ β1 ≠ β2 ≠ β3 ≠ β4 ≠ β5 ≠ 0  variabel independen berpengaruh

 57

Dari hasil estimasi didapatkan hasil bahwa besar Probabilitas (F-

statistic) yaitu sebesar 0,000000. Sehingga Probabilitas (F-statistic) lebih

kecil dari alfa (0,00000 < 0,01) maka model signifikan 1% dan menolak Ho.

Artinya model layak dan variabel independen secara bersama-sama

berpengaruh terhadap variabel dependen.

4.3.3 Uji Signifikansi Variabel Independen (uji t)

Uji t dilakukan untuk mengetahui signifikasi atau tidaknya masing-

masing variabel independen terhadap variabel dependen secara individu.

Dari hasil estimasi:

1.) Variabel X1 (harga air)

Dari hasil estimasi didapatkan hasil besar probabilitas variabel X1 yaitu

0,0092. Sehingga probabilitas variabel X1 lebih kecil dari alfa (0,0092 <

0,01) maka variabel X1 signifikan 1% dan variabel X1 (harga air)

berpengaruh terhadap Y (jumlah permintaan air).

2.) Variabel X2 (PDRB perkapita)

Dari hasil estimasi didapatkan hasil besar probabilitas variabel X2 yaitu

0,0284. Sehingga probabilitas variabel X2 lebih kecil dari alfa (0,0284 <

0,05) maka variabel X2 signifikan 5% dan variabel X2 (PDRB perkapita)

berpengaruh terhadap Y (jumlah permintaan air).

 58

3.) Variabel X3 (jumlah penduduk)

Dari hasil estimasi didapatkan hasil besar probabilitas variabel X3 yaitu

0,0000. Sehingga probabilitas variabel X3 lebih kecil dari alfa (0,0000 <

0,01) maka variabel X3 signifikan 1% dan variabel X3 (jumlah penduduk)

berpengaruh terhadap Y (jumlah permintaan air).

4.) Variabel X4 (jumlah rumah tangga)

Dari hasil estimasi didapatkan hasil besar probabilitas variabel X4 yaitu

0,9750. Sehingga probabilitas variabel X4 lebih besar dari alfa (0,9750 >

0,10) maka variabel X4 tidak signifikan dan variabel X4 (jumlah rumah

tangga) tidak berpengaruh terhadap Y (jumlah permintaan air).

5.) Variabel X5 (jumlah industri)

Dari hasil estimasi didapatkan hasil besar probabilitas variabel X5 yaitu

0,6379. Sehingga probabilitas variabel X5 lebih besar dari alfa (0,6379 >

0,10) maka variabel X5 tidak signifikan dan variabel X5 (jumlah industri)

tidak berpengaruh terhadap Y (jumlah permintaan air).

 59

4.3.4 Intepretasi Hasil

Menjelaskan hubungan antara masing-masing variabel independen (X1,

X2, X3, X4, dan X5) dengan variabel dependen (Y), dilihat dari koefisien.

Dari hasil estimasi diatas:

1.) Koefisien variabel X1 (harga air)

Harga air berkorelasi positif. Artinya ketika harga air naik Rp 1 maka

jumlah permintaan air bersih di PDAM juga ikut meningkat 188 m3.

2.) Koefisien variabel X2 (PDRB perkapita)

PDRB perkapita berpengaruh positif. Artinya ketika PDRB perkapita

naik Rp 1 maka jumlah permintaan air akan meningkat 0,117 m3.

3.) Koefisien variabel X3 (jumlah penduduk)

Jumlah penduduk berpengaruh positif. Artinya ketika jumlah penduduk

naik 1 orang maka jumlah permintaan air naik 0,135 m3.

4.) Koefisien variabel X4 (jumlah rumah tangga)

Jumlah rumah tangga tidak berpengaruh signifikan terhadap jumlah

permintaan air bersih di PDAM.

5.) Koefisien variabel X5 (jumlah industri)

Jumlah industri tidak berpengaruh signifikan terhadap jumlah permintaan

air bersih di PDAM.

 60

4.3.5 Analisis Perkabupaten

Tabel 4.4
Hasil Koefisien Berdasarkan Estimasi Fixed Effect
Variable Coefficient

C 2198867.
Fixed Effects (Cross)
_YOGYAKARTA—C 4278663.
_SLEMAN—C -1546732.
_BANTUL—C -1997601.
_KULONPROGO—C -1706889.
_GUNUNGKIDUL—C 972557.9
Sumber: Olahan data E-Views 8.

Dari hasil estimasi diatas:

TABEL 4.5

Kabupaten/Kota Coefficient C Konstanta

Yogyakarta 2198867 6.477.530

4278663
Sleman 2198867 652.135
-1546732
Bantul 2198867 201.266
-1997601
Kulonprogo 2198867 491.978
-1706889
Gunungkidul 2198867 3.171.424,9
972557,9
 61

Sehingga dari konstanta hasil diatas dapat diketahui bahwa

permintaan air tertinggi yaitu permintaan air di Kota Yogyakarta sebesar

6.477.530 m3. Kemudian permintaan tertinggi setelah Kota Yogyakarta

yaitu Kabupaten Gunungkidul sebesar 3.171.424,9. Kemudian Kabupaten

Sleman dengan permintaan sebesar 652.135. Lalu Kabupaten Kulonprogo

sebesar 491.978. Dan yang terendah permintaan air di Kabupaten Bantul

yaitu sebesar 201.266.

4.4 Analisis Ekonomi

4.4.1 Analisis Pengaruh Variabel Harga Air Terhadap Permintaan Air

Bersih di PDAM

Berdasarkan dari probabilitas t-statistik yang dihasilkan harga air

adalah sebesar 0,0092, maka harga air memiliki korelasi terhadap jumlah

permintaan air karena probabilitas t-statistik (0,0092) < α (1% = 0,01).

Sehingga secara statistic variabel harga air (X1) memiliki korelasi dengan

jumlah permintaan air (Y).

Sedangkan koefisien yang dihasilkan variabel X1 (harga air) yaitu

sebesar 188,8805 artinya ketika harga air naik Rp 1 (satu rupiah) maka

jumlah permintaan air akan ikut meningkat sebesar 188,8805 m3 per

tahunnya.
 62

Hasil tersebut tidak sama dengan dugaan hipotesis yang meyebutkan

bahwa harga air berpengaruh negatif terhadap jumlah permintaan air,

ketika harga naik maka seharusnya jika sesuai dengan hipotesis jumlah

permintaan air akan turun. Tetapi hasil tidak sesuai dengan hipotesis. Hal

tersebut dapat terjadi dikarenakan air bersih adalah kebutuhan manusia

yang paling utama untuk melakukan segala sesuatu dalam melanjutkan

hidupnya dan semakin lama kebutuhan air bersih manusia akan terus

meningkat karena melihat kebutuhan manusia yang semakin beragam,

sehingga manusia tetap membutuhkan air dalam kuantitas yang sama

bahkan terus meningkat sampai kapanpun meskipun harga air meningkat.

Untuk itu kenaikan harga air tidak membuat permintaan air menurun tetapi

justru meningkat karena air merupakan kebutuhan pokok manusia yang

akan terus mengalami peningkatan walaupun harga terus meningkat.

Dari hasil penelitian ini juga sedikit berbeda dengan temuan

penelitian sebelumnya. Penelitian yang dilakukan oleh Kusdiyanto dan

Agung Riyadi (2007) menemukan bahwa harga air berpengaruh negatif

terhadap permintaan air PDAM di Kota Surakarta. Setiap kenaikan harga

air PDAM Kota Surakarta mengakibatkan penurunan permintaan air

PDAM di Kota Surakarta. Begitu juga dengan penelitian yang dilakukan

oleh I Made Jember (2008) menemukan bahwa jika harga air rata-rata

yang dibayar oleh rumah tangga pelanggan air PDAM Kota Denpasar
 63

mengalami kenaikkan maka akan terjadi pengurangan penggunaan air

PDAM Kota Denpasar. Akan tetapi penelitian sebelumnya yang dilakukan

oleh Santi Pratiyowati menemukan bahwa hasil penelitian hubungan

antara harga air dengan jumlah permintaan air berhubungan positif sama

dengan hasil penelitian yang penulis lakukan.

4.4.2 Analisis Pengaruh Variabel PDRB Perkapita Terhadap Permintaan

Air Bersih di PDAM

Berdasarkan dari probabilitas t-statistik yang dihasilkan variabel X2

(PDRB perkapita) adalah sebesar 0,0284, maka PDRB perkapita

berpengaruh signifikan 5% mempengaruhi jumlah permintaan air karena

probabilitas t-statistik (0,0284) < α (5% = 0,05). Sehingga secara statistic

variabel PDRB perkapita memiliki pengaruh signifikan dengan variabel Y

(jumlah permintaan air).

Sedangkan koefisien yang dihasilkan variabel X2 (PDRB perkapita)

yaitu sebesar 0,117010 artinya ketika PDRB perkapita meningkat Rp 1

(satu rupiah) maka jumlah permintaan air akan ikut meningkat sebesar

0,117 m3 per tahunnya.

Hasil tersebut sesuai dengan dugaan hipotesis yang meyebutkan

bahwa PDRB perkapita berpengaruh positif terhadap jumlah permintaan

air, ketika PDRB perkapita naik maka memang seharusnya jumlah

 64

permintaan air akan ikut meningkat. Sehingga hasil pengujian sesuai

dengan hipotesis. Hal tersebut dapat terjadi dikarenakan PDRB perkapita

merupakan rata-rata output total yang dihasilkan suatu daerah

perorang/perkapita sehingga jika output atau hasil yang dihasilkan

perorang meningkat pendapatan perorang juga akan meningkat, jika

pendapatan orang meningkat maka jumlah konsumsi orang tersebut akan

ikut meningkat termasuk juga konsumsi airnya, karena pendapatan

termasuk dalam salah satu hal yang sangat mempengaruhi jumlah

permintaan. Sehingga jumlah permintaan air akan ikut meningkat jika

output perkapita/PDRB perkapita meningkat.

4.4.3 Analisis Pengaruh Variabel Jumlah Penduduk Terhadap Permintaan

Air di PDAM

Berdasarkan dari probabilitas t-statistik yang dihasilkan variabel X3

(jumlah penduduk) adalah sebesar 0,0000, maka jumlah penduduk

berpengaruh signifikan 1% mempengaruhi jumlah permintaan air karena

probabilitas t-statistik (0,0000) < α (1% = 0,01). Sehingga secara statistic

variabel jumlah penduduk memiliki pengaruh signifikan dengan variabel

Y (jumlah permintaan air).

Sedangkan koefisien yang dihasilkan variabel X3 (jumlah penduduk)

yaitu sebesar 0,135141 artinya setiap kenaikan jumlah penduduk per orang
 65

maka jumlah permintaan air akan ikut meningkat sebesar 0,135141 m3 per

tahunnya.

Hasil tersebut sesuai dengan dugaan hipotesis yang meyebutkan

bahwa jumlah penduduk berpengaruh positif terhadap jumlah permintaan

air, ketika jumlah penduduk naik maka memang seharusnya jumlah

permintaan air akan ikut meningkat. Sehingga hasil pengujian sesuai

dengan hipotesis. Hal tersebut dapat terjadi dikarenakan setiap orang tidak

terkecuali akan membutuhkan air bersih, tanpa memandang jenis kelamin

laki-laki atau perempuan maupun usia baik yang baru lahir maupun orang

tua pun pasti membutuhkan air bersih, sehingga setiap kenaikan satu orang

jumlah penduduk sudah pasti jumlah permintaan air akan ikut meningkat.

4.4.4 Analisis Pengaruh Jumlah Rumah Tangga Terhadap Permintaan Air

di PDAM

Koefisien yang dihasilkan variabel X4 (jumlah rumah tangga) yaitu

sebesar 0,039063 artinya setiap kenaikan satu rumah tangga maka jumlah

permintaan air akan ikut meningkat sebesar 0,039063 m3 per tahunnya.

Akan tetapi berdasarkan dari probabilitas t-statistik yang dihasilkan

variabel X4 (jumlah rumah tangga) adalah sebesar 0,9750, maka jumlah

rumah tangga tidak berpengaruh signifikan terhadap jumlah permintaan air

karena probabilitas t-statistik (0,9750) > α (10% = 0,10). Sehingga secara

 66

statistic variabel jumlah rumah tangga tidak memiliki pengaruh signifikan

dengan variabel Y (jumlah permintaan air).

Hasil tersebut tidak sesuai dengan dugaan hipotesis yang meyebutkan

bahwa jumlah rumah tangga berpengaruh positif terhadap jumlah

permintaan air, ketika jumlah rumah tangga naik maka memang

seharusnya jumlah permintaan air akan ikut meningkat, karena setiap

rumah tangga akan membutuhkan air sebagai kebutuhan paling utama

dalam rumah tangga. Sehingga hasil pengujian tidak sesuai dengan

hipotesis. Hal tersebut dapat terjadi dikarenakan jumlah permintaan air

memang dipengaruhi oleh jumlah rumah penduduk karena setiap

manusia/penduduk pasti membutuhkan air untuk kelangsungan hidupnya.

Akan tetapi setiap kenaikan jumlah rumah tangga belum tentu

menyebabkan jumlah penduduk ikut meningkat karena rumah tangga

merupakan sebuah tempat tinggal yang ditinggali satu atau lebih orang

secara bersama-sama sehingga dimisalkan jika ada dua keluarga yang

tadinya berada salam satu rumah tangga kemudian memutuskan untuk

berpisah menjadi dua rumah tangga maka jumlah rumah tangga akan

bertambah tetapi jumlah penduduknya tidak mengalami peningkatan

sehingga jumlah air bersih yang dibutuhkan pun tidak akan mengalami

peningkatan karena jumlah penduduknya tidak bertambah. Atau dapat pula

terjadi ketika satu rumah tangga memiliki rumah lebih dari satu maka
 67

dalam perhitungan jumlah rumah tangga akan bertambah, akan tetapi tidak

dengan jumlah permintaan airnya. Sehingga jumlah rumah tangga dapat

tidak berpengaruh terhadap jumlah permintaan air bersih pada PDAM.

4.4.5 Analisis Pengaruh Jumlah Industri Terhadap Permintaan Air di

PDAM

Koefisien yang dihasilkan variabel X5 (jumlah industi) yaitu sebesar

–2,538711, artinya setiap kenaikan satu industri maka jumlah permintaan

air akan turun sebesar 2,539 m3 per tahunnya. Akan tetapi berdasarkan

dari probabilitas t-statistik yang dihasilkan variabel X5 (jumlah industri)

adalah sebesar 0,6379, maka jumlah industri tidak berpengaruh signifikan

terhadap jumlah permintaan air karena probabilitas t-statistik (0,6379) > α

(10% = 0,10). Sehingga secara statistic variabel jumlah industri tidak

memiliki pengaruh signifikan dengan variabel Y (jumlah permintaan air).

Hasil tersebut tidak sesuai dengan dugaan hipotesis yang meyebutkan

bahwa jumlah industri berpengaruh positif terhadap jumlah permintaan air,

ketika jumlah industri naik maka memang seharusnya jumlah permintaan

air akan ikut meningkat, karena industri juga akan membutuhkan air

sebagai faktor input untuk mendukung proses industri. Sehingga hasil

pengujian tidak sesuai dengan hipotesis. Hal tersebut dapat terjadi

dikarenakan sebagian besar industri yang ada di DIY merupakan industri

 68

rumah tangga yang tidak membutuhkan banyak air sebagai faktor

daproduksinya sehingga jumlah industri tidak mempengaruhi jumlah

permintaan air.

4.4.6 Analisis Permintaan Air di Masing-Masing Kabupaten

Berdasarkan hasil konstanta diketahui bahwa permintaan air tertinggi

yaitu permintaan air di Kota Yogyakarta sebesar 6.477.530 m3, artinya

pertumbuhan PDRB perkapita di Kota Yogyakarta lebih tinggi

dibandingkan Kabupaten lain, jumlah penduduk di Kota Yogyakarta juga

mengalami pertumbuhan yang lebih tinggi dibandingkan Kabupaten

lainnya di DIY. Hal itu menandakan bahwa perekonomian di Kota

Yogyakarta juga berkembang lebih cepat dibandingkan Kabupaten

lainnya. Kemudian permintaan tertinggi setelah Kota Yogyakarta yaitu

Kabupaten Gunungkidul sebesar 3.171.424,9. Kemudian Kabupaten

Sleman dengan permintaan sebesar 652.135. Lalu Kabupaten Kulonprogo

sebesar 491.978. Dan yang terendah permintaan air di Kabupaten Bantul

yaitu sebesar 201.266, hal itu disebabkan karena sebagian besar penduduk

di Kabupaten Bantul menggunakan supplay air bersih selain dari

Perusahaan Daerah Air Minum (PDAM).