Syntax Literate: Jurnal Ilmiah Indonesia �p�ISSN: 2541-0849 e-ISSN: 2548-1398

Vol. 8, No. 2, Februari 2023

 

ANALISIS PENGARUH PENGELUARAN PEMERINTAH SEKTOR KESEHATAN, PENGGUNA KB, PENDIDIKAN WANITA, DAN TINGKAT PARTISIPASI ANGKATAN KERJA WANITA TERHADAP FERTILITAS DI INDONESIA TAHUN 1980-2020

 

Juhdah Nafilah, Fitri Amalia�

Universitas Islam Negeri Syarif Hidyatullah Jakarta, Indonesia

Email: [email protected], [email protected]

 

Abstrak

Kepadatan penduduk di Indonesia yang setiap tahunnya semakin bertambah tanpa diikuti dengan peningkatan SDM (Sumber Daya Manusia) yang lebih baik dapat mempengaruhi pertumbuhan ekonomi serta kesejahteraan penduduk Indonesia itu sendiri. Untuk menekan laju pertumbuhan penduduk dan peningkatan angka fertilitas, maka pemerintah dapat melakukan pengeluaran anggaran dalam sektor kesehatan dan menetapkan kebijakan yaitu penggunaan KB (Keluarga Berencana), serta meningkatkan pendidikan wanita sehingga banyak wanita yang lebih memilih untuk bekerja dan dapat menurunkan jumlah fertilitas yang ada.� Penelitian ini bertujuan untuk mengetahui pengaruh pengeluaran pemerintah sektor kesehatan, penggunaan KB(Keluarga Berencana), pendidikan wanita, dan Tingkat Partisipasi Angkatan Kerja (TPAK) wanita terhadap fertilitas di Indonesia pada tahun 1980-2020. Adapun jenis penelitian ini adalah penelitian kuantitatif dengan teknik analisis menggunakan analisis regresi linear berganda dengan software eviews. Hasil penelitian ini menyebutkan bahwa Pengeluaran Anggaran Pemerintah sektor kesehatan, penggunaan KB, pendidikan wanita dan TPAK (Tingkat Partisipasi Angkatan Kerja) wanita secara parsial berpengaruh negatif dan signifikan terhadap penurunan fertilitas di Indonesia pada tahun 1980-2020.

 

Kata kunci: Pendidikan Wanita, Pengeluaran Pemerintah sektor Kesehatan, Pengguna KB, Tingkat Partisipasi Angkatan Kerja Perempuan.

 

Abstract

The population density in Indonesia which is increasing every year without being followed by an increase in better human resources (Human Resources) will affect economic growth and the welfare of the Indonesian population itself. To reduce the rate of population growth and increase fertility rates, the government can make budget expenditures in the health sector and establish policies, namely the use of KB (Family Planning), as well as increasing women's education so that many women prefer to work and can reduce the number of existing fertility. This study aims to determine the effect of government spending on the health sector, use of family planning (KB), women's education, and women's labor force participation rate (TPAK) on fertility in Indonesia in 1980-2020. The type of this research is quantitative research with analytical techniques using multiple linear regression analysis with software eviews. The results of this study indicate that government budget expenditures for the health sector, use of family planning, women's education and women's TPAK (Labor Force Participation Rate) partially negative affect the decline in fertility in Indonesia in 1980-2020.

 

Keywords: �Contraception, female labor force participation rates, fertility rates, public health expenditure, women�s education

 

Pendahuluan

Pertumbuhan penduduk merupakan dasar dari pembangunan (Mahendra, 2016) Dalam nilai-nilai universal, warga merupakan subjek dan tujuan pembangunan serta� dapat menikmati hasil� pembangunan untuk dirinya sendiri. Kaitannya dengan peran penduduk� adalah kualitas yang perlu ditingkatkan dengan pencapaian beberapa sumber daya yang unik dan� keluarga inti yang berkualitas.

(Rahmi, 2020) Populasi dunia berkembang pesat, menggandakan ledakan populasi. Terlihat� ketimpangan� distribusi penduduk� negara berkembang dan negara maju, serta penurunan pertumbuhan penduduk di negara berkembang merupakan langkah yang sangat penting dalam mempercepat laju pembangunan ekonomi (Sukirno, 2016)

(BPS, n.d.) Penduduk Indonesia masih cukup tinggi kepadatannya. Hal ini terlihat pada jumlah penduduk Indonesia sebesar 270,2 juta pada tahun 2020, meningkat 32,56 juta dibandingkan� tahun 2010. Laju pertumbuhan penduduk dari 2010 hingga 2020 adalah 1,25%, lebih lambat dari periode 2000 hingga 2010. 1,49%

Untuk meningkatkan pembangunan dan mengatasi masalah kependudukan seperti jumlah penduduk, komposisi dan distribusi. Solusi yang dapat dilakukan dalam upaya mengontrol populasi. Pengendalian kelahiran adalah sesuatu yang dapat dikendalikan oleh penduduk. Tentang bentuk pengelolaan kependudukan lainnya, seperti mortalitas (kematian) dan migrasi (migrasi).

(Rahmayeni, 2016) Kelahiran merupakan ukuran yang dapat digunakan untuk mengukur hasil reproduksi wanita dari data statistik angka kelahiran. Dengan �������� bertambahnya jumlah kelahiran, demikian pula jumlah penduduk. Kesuburan yang tinggi mempengaruhi kehidupan sosial dan ekonomi penduduk.

Tujuan pengendalian pertumbuhan penduduk adalah untuk meminimalisir kekhawatiran tentang ketidakstabilan sumber daya alam untuk memenuhi permintaan. Jika kita tidak mengekang pertumbuhan penduduk, sumber daya alam yang tersedia akan habis setiap tahun, dan orang-orang akan menderita kekurangan pangan dan kesejahteraan yang berkurang.

Persalinan bila dimanfaatkan secara ekonomis, dapat modal awal pembangunan yang diuntungkan berupa sumber daya manusia yang berkualitas, yang merupakan unsur penting dalam proses produksi. Kondisi ini menguntungkan bagi negara industri, namun� tidak berlaku bagi negara berkembang yang kualitas sumber daya manusianya belum baik (Larasati et al., 2019).

Indonesia termasuk negara berkembang dan masih menghadapi banyak masalah seperti masalah kependudukan dengan jumlah penduduk yang banyak dan ketimpangan penduduk. Kualitas penduduk yang buruk tercermin dari rendahnya pendidikan dan pengeluaran rumah tangga.�����������

(Mahendra, 2016) Salah satu faktor penting dalam pertumbuhan penduduk adalah angka fertilitas, yang direpresentasikan dengan nilai TFR (Total Fertility Rate). Ada dua pendekatan untuk mengukur tingkat kesuburan yaitu kinerja tahunan dan riwayat reproduksi, masing-masing dengan kekuatan dan kelemahannya sendiri. TFR merupakan salah satu teknik yang masuk dalam pendekatan yearly performance.

Peningkatan penduduk dapat dilihat dari angka kelahiran total pada suatu negara. Seperti di Indonesia, dimana TFR (Total Fertility Rate) yang masih fluktuatif. Jika angka kelahiran terus meningkat maka akan menyebabkan pertambahan jumlah penduduk yang dapat menyebabkan munculnya masalah baru.

Saat ini, Indonesia sedang mengupayakan menurunkan angka fertilitas yang diduga menjadi salah satu penyebab penghambat proses pembangunan. Perencanaan pembangunan ekonomi dan sosial memperhitungkan jumlah penduduk, yang merupakan persyaratan minimum dari proses perencanaan pembangunan.

Indonesia merupakan salah satu negara terpadat di dunia, dan Indonesia menempati urutan keempat setelah China, India dan Amerika Serikat (Wendy, 2020). Hakikat pembangunan ekonomi di suatu negara adalah dilihat dari kesejahteraan dan kemakmuran rakyatnya. Untuk mewujudkannya, pemerintah bisa melakukan beberapa hal melalui kuasa yang dimiliki dalam mengatur distribusi sumber daya secara adil dan wajar kepada masyarakat.

(Siregar, 2022) Melalui peningkatan pengeluaran pemerintah di sektor kesehatan dapat memberi efek dalam keputusan fertilitas dimana dapat menurunkan jumlah anak dalam rumah tangga, karena adanya biaya yang ditanggung pemerintah dalam jaminan kesehatan. Di negara Jepang dan Eropa melakukan simulasi menurunkan fertilitas melalui pengeluaran pemerintah khusus anak, melebihi biaya fiskal jangka panjang dengan menaikkan pajak.

(Raharja, 2017) Ada beberapa faktor yang mempengaruhi persalinan, seperti anggaran pemerintah di sektor kesehatan, penggunaan alat kontrasepsi, dan pendidikan ibu. Selain itu, pengeluaran pemerintah sektor kesehatan merupakan salah satu faktor yang dapat menghambat peningkatan fertilitas karena tingginya kualitas pendidikan dan kualitas hidup anak.

Faktor lain yang mempengaruhi persalinan adalah penggunaan kontrasepsi pada pasangan. Sejak tahun 1968, Pemerintah Indonesia telah membentuk Lembaga Keluarga Berencana Nasional (LKBN) yang dipimpin oleh Menteri Kesejahteraan Rakyat yang mempunyai misi untuk menurunkan fertilitas melalui program KB yang merupakan bagian dari Program Pembangunan Nasional. Kami bertujuan untuk meningkatkan populasi dengan menekan angka kelahiran (BPS, 2019).

Menurut Malthus, pertumbuhan penduduk dibatasi dengan mengurangi kelahiran, yaitu dengan menggunakan alat kontrasepsi. Dan menurut Ronald Freedman intermediate variable sangat erat kaitannya dengan norma dan sosial, maka perilaku seseorang akan dipengaruhi oleh norma yang ada (Mahendra, 2019).

(Ladimar, 2016) Indonesia sebagai negara berkembang masih menghadapi masalah kependudukan dengan jumlah penduduk yang besar, ketimpangan penduduk dan kualitas yang buruk, yang diwujudkan dengan kemiskinan yang tinggi, pendidikan yang rendah dan harapan yang rendah.

Berkenaan dengan pendidikan, persalinan juga dipengaruhi oleh pendidikan orang tua. Ini juga penting, dan pendidikan yang lebih baik untuk ibu umumnya mengarah pada pendidikan yang lebih baik untuk anak-anak (Larasati et al., 2019). Semakin tinggi pendidikan, semakin lambat pernikahan dan semakin lambat angka kelahiran. Perempuan dan laki-laki yang berpendidikan lebih tahu tentang resiko serta tanggung jawab atas persalinan dan pencegahannya.

Semakin baik dan tinggi pendidikan, semakin baik dan lebih konseptual keputusan keluarga. Sang ibu memilih untuk menunda kehamilannya sebagai persiapan untuk memiliki bayi. Dan ketika keputusan dibuat untuk kepentingan anak, kualitas yang ditawarkan sangat baik dan diperhitungkan. Kedua pasangan merawat anak-anak mereka dan memahami pentingnya dan dampak melahirkan bagi kehidupan negara dan keluarganya.

Berdasarkan uraian latar belakang di atas, penulis tertarik untuk menganalisis pengaruh faktor sosial ekonomi terhadap tingkat fertilitas di Indonesia. Penelitian ini bertujuan untuk mengetahui hubungan antara fertilitas dengan pengeluaran pemerintah sektor kesehatan, pengguna KB (Keluarga Berencana) pendidikan wanita dan TPAK (Tingkat Partisipasi Angkatan Kerja) wanita di Indonesia.

 

Metode Penelitian

����������� Data dan Sumber Data

Data dalam penelitian ini bersifat kuantitatif dan diperoleh dari sumber eksternal berupa data sekunder. Data diperoleh dari berbagai sumber, antara lain dokumen pemerintah, publikasi ilmiah seperti majalah, studi kepustakaan, dan referensi nasional dan internasional.

Jenis data yang digunakan adalah data time series, yaitu data yang terdiri dari objek-objek yang mencakup beberapa periode waktu (Winarno, 2015). Durasi penelitian ini mencakup data tahunan dari tahun 1980 hingga 2020 dengan tujuan mendeteksi fluktuasi data.

Metode Pengumpulan Data

1.    Data Sekunder

Untuk data sekunder yang diperoleh dari suatu lembaga, orang lain, atau perantara seperti� dokumen lain yang diterbitkan (Sugiyono, 2018). Keuntungan dari data sekunder adalah membutuhkan waktu yang lebih sedikit untuk mengambil data dan tidak memerlukan banyak usaha. Namun, keakuratan data tersebut rendah dan akan mempengaruhi hasil penelitian selanjutnya.

2.    Studi Pustaka

Metode penelitian sastra dilakukan dengan mengumpulkan informasi melalui buku, website, majalah dan berbagai literatur terkait lainnya. Penelitian ini menggunakan alasan untuk menganalisis kasus.

Metode Analisis Data

1.   Model Regresi Linear Berganda

Berdasarkan penjelasan mengenai keterkaitan antar variabel sebelumnya, dapat dilihat model regresi dalam penelitian ini berupa:

Fit ������ = α + β1PKESit + β2PKBit + β3PEND + β4TPAK + eit

Keterangan:

Fit������� �� : Fertilitas di Indonesia

PKESit����������� �� : Pengeluaran Pemerintah Sektor Kesehatan di Indonesia

PKBit� �� : Penggunaan Alat Kontrasepsi di Indonesia

PENDit� : Pendidikan Wanita di Indonesia

TPAKit� : Tingkat Partisipasi Angkatan Kerja Wanita di Indonesia

Α�������� : Konstanta

β1, β2, β3 β4: �Koefisien Regresi

eit������� : error terms

2.   Uji Asumsi Klasik

Uji Normalitas

Menurut (Ghozali, 2012) uji normalitas merupakan pengujian yang bertujuan untuk mengetahui apakah variabel pengganggu (ui) didistribusikan secara normal atau tidak. Hasil dari uji normalitas dapat dilihat melalui grafik distribusi dan analisis statistiknya apakah data terdistribusi normal melalui nilai probabilitas yang tertera.

Penggunaan grafik distribusi ini merupakan cara yang paling sederhana untuk melakukan uji normalitas. Cara ini dilakukan karena bentuk data yang terdistribusi secara normal akan mengikuti pola distribusi normal di mana bentuk grafiknya mengikuti bentuk lonceng. Kemudian untuk analisis statistik dapat menggunakan analisis tingkat kemiringan kurva dibandingkan dengan indikatornya.

Uji Autokorelasi

Menurut (Nachrowi & Usman, 2008) uji autokorelasi adalah uji korelasi pada titik-titik yang dekat dengan data, yaitu pada potongan melintang. Uji autokorelasi menggambarkan korelasi yang terjadi antar time series, apakah terdapat hubungan pembentuk pola tertentu antara data penelitian tahun ini dengan data penelitian tahun sebelumnya. Uji autokorelasi selanjutnya berfokus pada dua data survei berdasarkan time series yang digunakan. Cara untuk menentukan apakah studi

(Marchal & Wathen, 2014) autokorelasi adalah dengan melihat nilai DW (DurbinWatson). Kriterianya adalah jika nilai DW > dU maka tidak ada autokorelasi negatif dalam penelitian dan nilai DW < dU. Untuk dU, penelitian ini tidak memiliki autokorelasi positif. Nilai dU sendiri dapat diperoleh dari tabel DurbinWatson.

Uji Multikolinearitas

Menurut (Ghozali, 2012) ), uji multikolinearitas adalah pengujian untuk melihat ada tidaknya hubungan atau korelasi antar variabel bebas dari suatu model regresi. Jika ada hubungan antara variabel bebas penelitian dan model regresi yang digunakan tidak sesuai, maka hubungan antar variabel harus dihindari. Anda dapat mengetahui apakah ada korelasi antara variabel independen dengan melihat toleransi Variance Expansion Factor (VIF). Semakin rendah toleransi, semakin tinggi nilai VIF (karena VIF = 1 / toleransi). Jika toleransi > 0,8 maka terjadi multikolinearitas pada variabel bebas penelitian.

Uji Heteroskedastisitas

Menurut (Ghozali, 2012) uji varians heterogen adalah pengujian untuk melihat ada tidaknya ketidaksamaan varians antara residu pengamatan suatu model regresi dengan model regresi lainnya. Untuk melihat apakah ada varians yang tidak seragam, lihat grafik grafik antara nilai prediksi variabel dependen.

Selain itu, uji Glejser menawarkan kemungkinan untuk mendeteksi multikolinearitas. Uji Glejser dilakukan dengan meregresi nilai absolut dari residu variabel bebas. Jika variabel independen signifikan secara statistik dan mempengaruhi variabel dependen, ada tanda-tanda varians heterogen dan sebaliknya.

3.   Uji Signifikansi

Untuk menganalisis metode One Least Square (OLS), uji t-statistik, uji F, dan koefisien determinasi digunakan untuk menentukan hipotesis atau pengaruh antar variabel menurut signifikansi signifikansinya (Gujarati, 2012) berikut pengertian dari metode uji signifikansi, yaitu :Uji t-Statistik� (Uji Signifikansi Parsial)

(Marchal & Wathen, 2014) Uji t dilakukan untuk mengetahui pengaruh parsial variabel independen (masing-masing variabel) terhadap variabel dependen. Uji-t dilakukan dengan membandingkan t-number masing-masing variabel dengan t-tabel dengan ketentuan sebagai berikut:

H0 : β = 0, maka tidak ada pengaruh positif dari masing-masing variabel independen terhadap variabel dependen secara parsial (individu).

H1 : β > 0, maka ada pengaruh positif dari masing-masing variabel independen terhadap variabel dependen secara parsial (individu).

Menurut (Marchal & Wathen, 2014) tingkat kepercayaan yang digunakan dalam uji-t adalah 95% atau taraf signifikansi 5% (α = 0,05) dan 90% atau taraf signifikansi 10% (α = 0,1).

1)   Jika t hitung > t tabel, maka H0 diterima dan H1 ditolak. Artinya semua variabel bebas memiliki pengaruh yang besar terhadap variabel terikat.

2)   Dalam hal t hitung & lt ;, t-tabel, H1 diterima dan H0 ditolak. Artinya tidak ada pengaruh yang signifikan dari masing-masing variabel independen terhadap variabel dependen.

Uji Signifikansi Simultan (Uji F-statistik)

Menurut (Marchal & Wathen, 2014) uji F dilakukan untuk menentukan apakah semua variabel independen mempengaruhi variabel dependen pada waktu yang sama (bersama-sama). Metode yang digunakan adalah membandingkan F-number yang dihitung pada kondisi berikut dengan F-tabel.

H0 : β = 0, maka tidak ada pengaruh signifikan dari variabel independen terhadap variabel dependen secara simultan (bersama- sama).

H1 : β > 0, maka ada hubungan yang signifikan dari variabel independen terhadap variabel dependen secara simultan (bersama- sama).

Tingkat kepercayaan yang digunakan adalah 95% atau tingkat signifikansi 5% (α = 0,05), yang dapat disimpulkan dengan ketentuan sebagai berikut:

1)   Jika F hitung > F tabel, maka H0 diterima dan H1 ditolak. Artinya, variabel independen datang bersama-sama. Pengaruh yang signifikan untuk variabel terikat.

2)   Untuk F-hitung & lt;Untuk F tabel, H1 diterima dan H0 ditolak. Artinya variabel bebas tidak bersatu dan berpengaruh signifikan terhadap variabel terikat.

Koefisien Determinasi R2

Koefisien determinasi merupakan indikator penting dan harus dipertimbangkan saat melakukan analisis regresi. Nilai koefisien determinasi dapat memberikan informasi apakah model regresi yang diestimasi sudah sesuai. Dengan kata lain, koefisien determinan dapat mengukur seberapa dekat garis regresi yang diestimasi dengan data yang sebenarnya.

Menurut (Marchal & Wathen, 2014) nilai koefisien determinasi (goodness of fit) mencerminkan seberapa besar variasi� variabel dependen (Y) dapat dijelaskan oleh variabel independen (X). Koefisien determinasi disebut R2. Ketika R2 = 0,� variasi� variabel dependen tidak dapat dijelaskan oleh variabel independen sama sekali.

Sementara (Nachrowi & Usman, 2008) jika R2 = 1,� variasi total variabel dependen� dapat dijelaskan oleh variabel independen. Jika R2 = 1,� semua stasiun yang berbeda pada garis regresi atau taksiran berada pada garis yang� sama dengan garis, menurut data aktual. Semakin tinggi nilai R2 maka semakin besar pengaruh fluktuasi variabel independen terhadap variabel independen. Rentang nilai untuk R2 adalah 0 hingga 1.

4.   Operasional Variabel Penelitian

 

 

Tabel 1

Operasional Variabel Penelitian

Variabel

Definisi

Satuan

Sumber

Fertilitas

Hasil reproduksi nyata dari seorang atau sekelompok wanita. untuk mengukur fertilitas dilihat dari angka kelahiran total di Indonesia.

Persentase

World Bank

Pengeluaran Pemerintah Sektor Kesehatan

Penggunaan uang atau sumberdaya suatu negara untuk membiayai suatu kegiatan negara atau pemerintah dalam rangka mewujudkan kesejahteraan. Alokasi anggaran kesehatan 5% dari belanja negara.

Persentase

World Bank

Pengguna KB

Pasangan usia subur yang suami/istrinya sedang memakai atau

Persentase

World Bank

Pendidikan Wanita

Pembelajaran pengetahuan, keterampilan dan kebiasaan bagi seorang wanita yang akan diturunkan dari satu generasi ke generasi selanjutnya melalui pengajaran, penelitian dan pelatihan untuk mengukur Pendidikan dilihat dari Rata-rata lama sekolah wanita

Persentase

World Bank

Tingkat Partisipasi Angkatan Kerja Wanita

Jumlah wanita yang bekerja sesuai dengan penduduk usia kerja (15th ke atas)

Persentase

World Bank

 

*) sumber data diolah oleh peneliti

 

Hasil dan Pembahasan

Hasil

1.    Hasil Uji Asumsi Klasik

a.    Uji Normalitas

Pelaksanaan uji normalitas bertujuan untuk melihat kenormalan suatu distribusi data.

 

 

 

 

 

 

Tabel 2

Uji Normalitas

 

Pada tabel hasil di atas diketahui bahwa nilai Jarque Bera Probability adalah 0,436061 > 0,05 yang dapat diartikan bahwa penelitian ini berdistribusi normal.

b.    Uji Heteriskedastisitas

Dalam sebuah penelitian, residual dari suatu pengamatan dengan pengamatan lainnya harus homoskedastisitas atau harus sama. Meregresikan variabel bebas dengan variabel terikat ialah cara pada Uji Breusch Pagan Godfrey untuk mengetahui apakah terdapat heteroskedastitas atau tidak dalam penelitian ini.

 

Tabel 3

Uji Heteriskedastisitas

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic

1.331173

    Prob. F(4,36)

0.2772

Obs*R-squared

5.282855

    Prob. Chi-Square(4)

0.2595

Scaled explained SS

3.172741

    Prob. Chi-Square(4)

0.5293

Test Equation:

 

 

 

Dependent Variable: RESID^2

 

 

Method: Least Squares

 

 

Date: 03/19/22�� Time: 15:57

 

 

Sample: 1980 2020

 

 

Included observations: 41

 

 

Variable

Coefficient

Std. Error

t-Statistic

Prob.  

C

0.169091

0.089699

1.885090

0.0675

PKES

-0.035572

0.031567

-1.126854

0.2673

KB

-6.16E-06

1.09E-05

-0.562687

0.5771

PEND

0.000681

0.001074

0.634268

0.5299

TPAK

-5.87E-06

2.72E-05

-0.216035

0.8302

R-squared

0.128850

    Mean dependent var

0.039276

Adjusted R-squared

0.032056

    S.D. dependent var

0.049633

S.E. of regression

0.048831

    Akaike info criterion

-3.087073

Sum squared resid

0.085839

    Schwarz criterion

-2.878101

Log likelihood

68.28500

    Hannan-Quinn criter.

-3.010977

F-statistic

1.331173

    Durbin-Watson stat

1.202671

Prob(F-statistic)

0.277152

 

 

 

 

Dari hasil output di atas dapat dilihat bahwa nilai Obs*R Squared pada bagian Prob Chi Square (4) nilainya sebesar 0,2595 > 0,05. Apabila hasil Prob Chi Square lebih kecil dari 5% maka akan terdapat heteroskedastisitas dalam model penelitian ini. Namun, pada penelitian ini nilai Prob Chi Square > 5% maka tidak ada gejala heteroskedastisitas dalam model regresi.

c.    Uji Autokorelasi

Untuk melihat terjadinya korelasi atau tidaknya data tahun sebelumnya dengan tahun saat ini yang membentuk pola tertentu dapat dilakukan dengan menggunakan pengecekan autokolerasi melalui Uji Durbin Watson.

 

Tabel 4

Uji Autokorelasi

 

Breusch-Godfrey Serial Correlation LM Test:

 

 

 

 

 

 

 

 

 

 

 

F-statistic

2.677817

    Prob. F(2,34)

0.0832

Obs*R-squared

5.579404

    Prob. Chi-Square(2)

0.0614

 

 

 

 

 

 

 

 

 

 

Test Equation:

 

 

 

Dependent Variable: RESID

 

 

Method: Least Squares

 

 

Date: 03/19/22�� Time: 15:56

 

 

Sample: 1980 2020

 

 

Included observations: 41

 

 

Presample missing value lagged residuals set to zero.

 

 

 

 

 

 

 

 

 

 

Variable

Coefficient

Std. Error

t-Statistic

Prob.  

 

 

 

 

 

 

 

 

 

 

C

0.057426

0.387684

0.148125

0.8831

PKES

-0.067669

0.135214

-0.500454

0.6200

KB

5.22E-05

5.08E-05

1.027558

0.3114

PEND

0.001022

0.004481

0.228020

0.8210

TPAK

-4.78E-05

0.000117

-0.409299

0.6849

RESID(-1)

0.437938

0.192729

2.272298

0.0295

RESID(-2)

-0.062140

0.179619

-0.345956

0.7315

 

 

 

 

 

 

 

 

 

 

R-squared

0.136083

    Mean dependent var

2.65E-16

Adjusted R-squared

-0.016373

    S.D. dependent var

0.200643

S.E. of regression

0.202279

    Akaike info criterion

-0.204085

Sum squared resid

1.391172

    Schwarz criterion

0.088476

Log likelihood

11.18375

    Hannan-Quinn criter.

-0.097551

F-statistic

0.892606

    Durbin-Watson stat

1.812935

Prob(F-statistic)

0.511293

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Dalam model regresi ini dapat dilihat bahwa nilai Prob Chi Square (2) 0,0614 > 0,05 maka tidak terdapat autokolerasi dalam penelitian ini.� Kita juga dapat mengetahui atau melihat autokolerasi dengan melihat nilai Durbin Watson pada tabel berikut sebesar 1,812935.

Kemudian kita bandingkan dengan nilai tabel dengan cara melihat variabel bebas dan jumlah data atau sampel yang kita gunakan.� Dalam pemelitian ini penulis menggunakan (k ; N) = ( 4 ; 41). Didapatkan dL sebesar 1,2958 dan dU sebesar 1,7205. Hal ini menunjukkan kriteria dU< DW < 4 � dU atau 1,7205 < 1,81293 < 2,2795 maka dapat kita simpulkan bahwa dalam model regresi ini tidak terdapat masalah autokolerasi.

d.   Uji Multokoleniaritas

Melihat dari besarnya nilai VIF dilakukan sebagai upaya dalam melihat ada atau tidaknya hubungan antarvariabel bebas dalam sebuah penelitian atau biasa dikenal dengan uji multikoleniaritas.

 

Tabel 5. Uji Multokoleniaritas

Variance Inflation Factors

 

Date: 03/19/22�� Time: 15:59

 

Sample: 1980 2020

 

Included observations: 41

 

 

 

 

 

 

 

 

 

 

Coefficient

Uncentered

Centered

Variable

Variance

VIF

VIF

 

 

 

 

 

 

 

 

C

 0.150938

 138.3491

 NA

PKES

 0.018694

 98.92018

 3.744214

KB

 2.25E-09

 57.04650

 2.263305

PEND

 2.16E-05

 5.662407

 2.894281

TPAK

 1.39E-08

 184.3193

 1.665551

 

 

 

 

 

 

 

 

 

Hasil dari regresi ini adalah nilai Centered VIF pada pengeluaran pemerintah sector kesehatan (PKES), pengguna Keluarga Berencana (KB), pendidikan (PEND), dan Tingkat Partisipasi Angkatan Kerja Wanita (TPAK) kurang dari 10. Maka dapat disimpulkan bahwa model regresi dalam penelitian ini tidak terdapat masalah multikoleniaritas.

2.    Hasil Uji Signifikansi

Sebelum menginterpretasi hasil uji signifikansi, perlu diketahui bahwa model regresi yang didapat dari pengolahan data yang telah dilakukan menggunakan eviews. Model tersebut dapat diketahui melalui tabel dibawah ini.

 

Tabel 6

Hasil Analisis Linear Berganda

Dependent Variable: FRT

 

 

Method: Least Squares

 

 

Date: 03/19/22�� Time: 15:50

 

 

Sample: 1980 2020

 

 

Included observations: 41

 

 

 

 

 

 

 

 

 

 

 

 

Variable

Coefficient

Std. Error

t-Statistic

Prob.  

 

 

 

 

 

 

 

 

 

 

C

7.764296

0.388507

19.98494

0.0000

PKES

-0.541410

0.136725

-3.959857

0.0003

KB

-0.000130

4.74E-05

-2.739821

0.0095

PEND

-0.010789

0.004650

-2.320159

0.0261

TPAK

-0.000747

0.000118

-6.346116

0.0000

 

 

 

 

 

 

 

 

 

 

R-squared

0.892955

    Mean dependent var

2.858049

Adjusted R-squared

0.881061

    S.D. dependent var

0.613255

S.E. of regression

0.211496

    Akaike info criterion

-0.155368

Sum squared resid

1.610307

    Schwarz criterion

0.053605

Log likelihood

8.185035

    Hannan-Quinn criter.

-0.079271

F-statistic

75.07662

    Durbin-Watson stat

1.232382

Prob(F-statistic)

0.000000

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Berdasarkan hasil regresi di atas, model persamaan yang didapat adalah sebagai berikut:

FRTit ��= ���� 7,764296 � 0,541410PKESit � 0,000130KBit � 0,010789PENDit �

����������������������� 0,000747TPAKit - eit

Konstanta sebesar 7,764296 menggambarkan nilai fertilitas apabila variabel pengeluaran pemerintah sektor kesehatan, pengguna KB, pendidikan wanita, dan Tingkat Partisipasi Angkatan Kerja (TPAK) wanita nilainya sebesar nol.

Interpretasi variabel-variabel independen terhadap variabel dependen adalah apabila pengeluaran pemerintah pada sektor kesehatan meningkat sebanyak 1% maka akan mengurangi fertilitas sebesar 54,14%.

������� Apabila pengguna KB meningkat sebesar 1% maka akan mengurangi angka fertilitas sebesar 0,1%. Apabila pendidikan wanita meningkat sebesar 1% maka akan mengurangi jumlah fertilitas sebesar 1%. Apabila ada peningkatan dalam partisipasi kerja wanita sebesar 1% maka akan mengurangi jumlah fertilitas sebesar 0,7%.

a.    Uji T-statistik

Dalam upaya melihat apakah variabel bebas pada penelitian ini berpengaruh pada variabel terikatnya secara parsial, maka uji t-statistik dilakukan dengan membandingkan hasil nilai prob dengan α senilai 0,05.

1)      Nilai prob variabel pengeluaran pemerintah sektor kesehatan (PKES) adalah 0,0003 (0,0003 < 0,05). H0 ditolak dan H1 diterima sehingga dinyatakan variabel PKES berpengaruh terhadap variabel fertilitas. Pengeluaran pemerintah berpengaruh secara parsial terhadap peningkatan dan penurunan fertilitas pada tahun 1980-2020.

2)      Nilai prob variabel pengguna Keluarga Berencana (KB) adalah 0,0095 (0,0095 < 0,05). Maka H0 ditolak dan H1 diterima dan dinyatakan bahwa variabel pengguna KB berpengaruh pada variabel fertilitas. Pengguna KB berpengaruh secara parsial terhadap peningkatan dan penurunan fertilitas pada tahun 1980-2020.

3)      Nilai prob variabel pendidikan wanita (PEND) adalah 0,0261 (0,0261 < 0,05). Maka dinyatakan bahwa H0 ditolak dan H1 diterima. Sehingga dapat dinyatakan bahwa variabel pendidikan wanita berpengaruh terhadap variabel fertilitas. Pendidikan wanita berpengaruh secara parsial terhadap peningkatan dan penurunan fertilitas pada tahun 1980-2020.

4)      Nilai prob variabel Tingkat Partisipasi Angkatan Kerja wanita (TPAK) adalah sebesar 0,0000 (0,0000 < 0,05 ). Dapat dinyatakan bahwa H0 ditolak dan H1 diterima, maka variabel TPAK berpengaruh terhadap variabel fertilitas. Maka tingkat partisipasi angkatan kerja wanita berpengaruh secara parsial terhadap peningkatan dan penurunan fertilitas pada tahun 1980-2020.

b.    Uji F-statistik

Selain menganalisis secara parsial (secara individu), dilakukan pula uji untuk mengetahui pengaruh secara simultan (bersama-sama) antara variabel independen dengan variabel dependen.

�� Dapat dilihat dalam tabel regresi linear berganda pada Prob (F-statistic) dimana p-value < a (0, 000000 < 0, 05) dengan demikian, dapat disimpulkan bahwa H0 ditolak dan H1 diterima. Maka variabel pengeluaran pemerintah dalam sektor kesehatan, pengguna KB, Pendidikan wanita, dan Tingkat Partisipasi Angkatan Kerja (TPAK) wanita secara simultan (bersama-sama) berpengaruh terhadap variabel fertilitas pada tahun 1980-2020.

c.    Uji Koefisien Determinansi (adjusted R2)

Pada tabel regresi linear berganda terlihat bahwa Adjusted R Square (Adjusted R2) bernilai 0,881. Dimana nilai ini menyatakan bahwa 88,1% variabel fertilitas dapat dijelaskan oleh variabel pengeluaran pemerintah pada sektor kesehatan, pengguna KB, Pendidikan wanita, dan Tingkat Partisipasi Angkatan Kerja (TPAK) wanita. Sedangkan 11,9% sisanya dapat dijelaskan oleh variabel lain diluar penelitian.

Pembahasan

1.    Pengaruh Pengeluaran Pemerintah Sektor Kesehatan terhadap Fertilitas di Indonesia

Penelitian ini menjelaskan bahwa secara parsial variabel pengeluaran pemerintah sektor kesehatan berpengaruh secara negatif dan signifikan terhadap fertilitas di Indonesia. Hasil penelitian ini menerangkan bahwa apabila pengeluaran pemerintah terhadap sektor kesehatan meningkat dan dialokasikan dengan baik, maka akan mempengaruhi penurunan angka fertilitas di Indonesia.

Hasil penelitian ini bertolak belakang dengan penelitian Tatsuya OMORI (2015) dimana pengeluaran pemerintah sektor kesehatan di Jepang berpengaruh positif dan signifikan terhadap peningkatan fertilitas, karena anggaran kesehatan yang disediakan untuk lansia akan membuat masyarakat Jepang tidak perlu khawatir untuk menambah anak (Omori, 2015).

2.    Pengaruh Pengguna Keluarga Berencana (KB) terhadap Fertilitas di ��Indonesia

Hasil penelitian ini menjeleskan bahwa secara parsial variabel penggunaan Keluarga Berencana (KB) berpengaruh secara negatif dan signifikan terhadap fertilitas di Indonesia. Berpengaruhnya penggunaan KB terhadap fertilitas dapat dijelaskan bahwa ketika pemerintah memberlakukan kebijakan penggunaan KB untuk menurunkan fertilitas dengan cara menunda kehamilan dan membatasi angka kelahiran lewat program penggunaan KB.

Penelitian ini sejalan dengan penelitian yang dilakukan oleh Ferry Hadiyanto (2017) yang mengungkapkan bahwa faktor penggunaan KB jangka pendek berpengaruh pada masyarakat kota dan alat kontrasepsi jangka panjang dipilih oleh wanita yang semakin bertambah usianya(Hadiyanto, 2017)

Hasil penelitian ini mengartikan bahwa semakin tinggi atau banyaknya partisipasi wanita yang menggunakan KB maka akan memiliki pengaruh pada penurunan fertilitas di Indonesia. Dengan adanya partisipasi penggunaan KB yang massif maka akan semakin berkurang angka fertilitas di Indonesia.

3.    Pengaruh Pendidikan Wanita terhadap Fertilitas di Indonesia

Pendidikan wanita merupakan pondasi awal dalam penurunan fertilitas di Indoensia. Dimana ketika wanita memiliki pendidikan yang lebih baik, maka akan memiliki wawasan yang lebih luas sehingga mereka akan lebih memilih untuk berkerja dulu dan memunda pernikahan.

Hasil penelitian ini menjelaskan bahwa variabel pendidikan wanita secara parsial berpengaruh secara negatif dan signiifikan terhadap fertilitas di Indonesia. Hasil penelitian ini sejalan dengan penelitian Mahendra (2017) dimana pendidikan wanita berpengatuh negatif dan signifikan terhadap fertilitas.

Hasil penelitian ini mengartikan bahwa semakin tinggi pendidikan wanita di Indonesia akan mempengaruhi penurunan fertilitas yang ada. Penjelasan terkait penelitian ini adalah wanita yang memperoleh kesempatan pendidikan tidak hanya didaerah perkotaan namun juga wanita di pedesaan, dimana wanita yang memiliki pendidikan tinggi umumnya memiliki umur perkawinan pertama yang tinggi dan pada akhirnya berpengaruh terhadap jumlah anak yang dilahirkan akan menjadi lebih sedikit (Sinaga et al., 2017)

4.    Pengaruh Tingkat Partisipasi Angkatan Kerja (TPAK) Perempuan terhadap Fertilitas di Indonesia

Sejak tahun 1960 sampai saat ini, partisipasi wanita dalam pasar tenaga kerja mengalami peningkatan secara dramatis di negara maju dan juga negara berkembang, jika pada zaman dahulu wanita yang bekerja dianggap tabu dan bertentangan dengan norma, maka saat ini dianggap hal biasa.

Hal ini didorong oleh perkembangan pembangunan, dimana memajukan teknologi dan pengetahuan serta informasi-informasi baru. Total angkatan kerja perempuan saat ini menunjukkan bajwa sudah semakin banyak perempuan yang menghabiskan waktunya diluar untuk bekerja dibandingkan hanya berdiam diri dirumah (Andri Harsoyo, 2018).

Dalam penelitian ini menjelaskan bahwa variabel Tingkat Partisipasi Angkatan Kerja (TPAK) Perempuan secara parsial berpengaruh negatif dan signifikan terhadap fertilitas di Indonesia pada tahun 1980-2020. Hasil penelitian ini menerangkan bahwa apabila TPAK perempuan meningkat akan mempengaruhi penurunan angka fertilitas di Indonesia.

 

Kesimpulan

Berdasarkan hasil pengujian yang dilakukan maka dapat disimpulkan bahwa pengeluaran pemerintah sektor kesehatan secara parsial berpengaruh secara negatif dan signifikan terhadap Fertilitas di Indonesia pada tahun 1980-2020. Semakin tinggi pengeluaran pemerintah pada sektor kesehatan akan mengurangi jumlah fertilitas yang ada di Indonesia. Sementara itu, penggunaan Keluarga Berencana (KB) secara parsial berpengaruh negatif dan signifikan terhadap fertilitas di Indonesia pada tahun 1980-2020. Semakin besar penggunaan KB yang telah disediakan pemerintah dengan tujuan mengurangi fertilitas di Indonesia. Pendidikan wanita berpengaruh secara negatif dan signifikan terhadap fertilitas di Indonesia pada tahun 1980-2020. Dimana semakin tinggi wanita mengenyam pendidikan maka semakin terbuka pemikirannya dalam memikirkan berkeluarga sehingga pernikahan akan tertunda dan penurunan angka fertilitas di Indonesia. Tingkat Partisipasi Angkatan Kerja (TPAK) Perempuan berpengaruh secara negatif dan signifikan terhadap fertilitas di Indonesia pada tahun 1980-2020. Semakin tinggi pendidikan wanita maka akan tinggi pula partisipasi wanita di pasar tenaga kerja sehingga dapat menurunkan angka fertilitas di Indonesia. Dengan demikian, pengeluaran pemerintah sektor kesehatan, pengguna KB (Keluarga Berencana), pendidikan wanita, TPAK (Tingkat Partisipasi Angkatan Kerja) wanita secara simultan berpengaruh secara negatif dan signifikan terhadap fertilitas di Indonesia pada tahun 1980-2020

BIBLIOGRAFI

 

�Adhikari, A., Sigurdsson, T., Topiwala, M. A., & Gordon, J. A. (2010). Cross-correlation of instantaneous amplitudes of field potential oscillations: A straightforward method to estimate the directionality and lag between brain areas. Journal of Neuroscience Methods, 191(2), 191�200. https://doi.org/10.1016/j.jneumeth.2010.06.019

 

Ainy, H., Nurrochmah, S., & Katmawanti, S. (2019). Hubungan Antara Fertilitas, Mortalitas, Dan Migrasi Dengan Laju Pertumbuhan Penduduk. Preventia : The Indonesian Journal of Public Health, 4(1), 15. https://doi.org/10.17977/um044v4i1p15-22

 

Alam, S. A., & P�rtner, C. C. (2018). Income shocks, contraceptive use, and timing of fertility. Journal of Development Economics, 131, 96�103. https://doi.org/10.1016/j.jdeveco.2017.10.007

 

Andri Harsoyo, E. S. (2018). Pengaruh fertilitas terhadap partisipasi tenaga kerja perempuan. Jurnal Ekonomi Kuanntitatif Terapan, 11. https://ojs.unud.ac.id/index.php/jekt/article/view/32711

 

Bank, W. (n.d.). Angka Partisipasi Murni Sd Lkpr.

 

Bank, W. (2020). Pengeluaran Rumah Tangga. https://www.bps.go.id/subject/5/konsumsi-dan-pengeluaran.html

 

Bank, W. (2021a). contaceptive pravalence (p. 4).

 

Bank, W. (2021b). fertility rate total (p. 4).

 

Bappenas. (2010). BERENCANA BAGI MASYARAKAT PRASEJAHTERA / KPS DAN KELUARGA. Bappenas.

 

Bappenas. (2017). Evaluasi Paruh Waktu RPJMN 2015-2019. 1�198. https://www.bappenas.go.id/id/berita-dan-siaran-pers/evaluasi-paruh-waktu-rpjmn-2015-2019/

 

Boldrin, M., De Nardi, M., & Jones, L. E. (2005). Fertility and Social Security. Cambridge.Org. https://www.cambridge.org/core/journals/journal-of-demographic-economics/article/fertility-and-social-security/4FA674742794BC43650452A21CBD1C0D%0Ahttp://www.nber.org/papers/w11146

 

Bongaarts, J. (2017). The effect of contraception on fertility: Is sub-Saharan Africa different? Demographic Research, 37(1), 129�146. https://doi.org/10.4054/DemRes.2017.37.6

 

BPS. (n.d.). jumlah-penduduk-indonesia-bertambah-32-juta-pulau-jawa-terbanyak-kirVmfN79F. 2021.

 

BPS. (2019). BPS. BPS.

 

Gani, I. & Amalia, S. (2018). Alat Analisis Data (P Chiristian, Ed). Alat Analisis Data (P Chiristian, Ed) Revisi, 14(1), 29.

 

Ghozali, I. (2012). Aplikasi Analisis Multivariate dengan Program IBM SPSS. Universitas Diponegoro.

 

Gujarati, D. (2012). Basic Econometrics (4th Edition) (4th ed.). McGraw-Hill.

 

Hadiyanto, F. (2017). Faktor-Faktor yang Mempengaruhi Fertilitas. Jurnal Buletin Studi Ekonomi, 22(1), 34�42.

 

Haryanto. (2019). Pengertian Pendidikan. Universal Pendidikan, april 2017, 8�22. https://unpendidikan.blogspot.com/2019/02/pengertian-pendidikan.html

 

Jatmiko, Y. A., & Wahyuni, S. (2019). Determinan Fertilitas Di Indonesia Hasil Sdki 2017. Euclid, 6(1), 95. https://doi.org/10.33603/e.v6i1.1516

 

Kalwij, A. (2010). Fertility in Western Europe *. Access, 47(2), 503�519.

 

Kementerian Pemberdayaan Perempuan dan Perlindungan anak. (2019). Pr o f i l e r e mp u ON. Profil Perempuan Indonesia.

 

Kementrian kesehatan. (2020). Profil Kesehatan Indonesia 2019. Kementrian Kesehatan.

 

Keuangan, K. (2021). Anggaran Kesehatan 2010-2022. Direktorat Penyusunan APBN. http://www.data-apbn.kemenkeu.go.id/Dataset/Details/1008

 

Ladimar, K. (2016). Analisis Tingkat Fertilitas di Kabupaten/Kota Provinsi Jawa Timur.

 

Larasati, D., Idris, I., & Anis, A. (2019). Analisis Pengaruh Faktor Sosial Ekonomi Rumah Tangga Terhadap Fertilitas Di Sumatera Barat. Jurnal Ecogen, 1(3), 648. https://doi.org/10.24036/jmpe.v1i3.5111

 

Maharrani, A. (2021, April). Survei BPS: Peserta KB di Indonesia terus menurun. Lokadata. https://lokadata.id/artikel/survei-bps-peserta-kb-di-indonesia-terus-menurun

 

Mahendra, A. (2016). Faktor-Faktor yang Mempengaruhi Fertilitas di Indonesia Timur. Jrak, 3(2), 223�242. http://103.76.21.184/index.php/JRAK/article/download/448/478

 

Mahendra, A. (2019). Analisis Faktor-faktor yang Mempengaruhi Fertilitas di Indonesia. Jurnal Riset Akuntansi & Keuangan, 3(2), 223�242.

 

Mahsunah, D. (2013). Analisis Pengaruh Jumlah Penduduk, Pendidikan Dan Pengangguran Terhadap Kemiskinan Di Jawa Timur. Jurnal Pendidikan Ekonomi (JUPE), 1(3), 1�17.

 

Marchal, W. G., & Wathen, S. A. (2014). Teknik-Teknik Statistika dalam Bisnis dan Ekonomi (15th ed.). Salemba Empat.

 

Mayer, K. B., & Coale, A. J. (1961). Demographic and Economic Change in Developed Countries: A Conference of the Universities-National Bureau Committee for Economic Research. American Sociological Review, 26(3), 496. https://doi.org/10.2307/2090707

 

Nachrowi, & Usman, H. (2008). Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. Universitas Indonesia.

 

Omori, T. (2015). Public health expenditure , social security , and fertility. 1992, 1�16.

 

Raharja, M. B. (2017). Fertilitas Menurut Etnis Di Indonesia : Analisis Data Sensus Penduduk 2010 ( Fertility By Ethnicity in Indonesia : Analysis of 2010 Indonesian Population Census ). Jurnal Kependudukan Indonesia, 12(1), 69�78.

 

Rahmayeni, Z. (2016). Faktor-Faktor Yang Mempengaruhi Fertilitas Pasangan Usia Subur Peserta KB Di Kelurahan Aur Kuning Kecamatan Aur Birugo Tigo Baleh. Majalah Ilmiah, 23(2), 30�38.

 

Rahmi, N. A. (2020). Pengaruh Faktor Demografi Dan Non� Demografi Terhadap Tingkat Fertilitas Di� Indonesia. 1�9.

 

Santoso, S., Hamzah, A., & Syrchalad, N. (2013). Analisis Pengaruh Pengeluaran Pemerintah Kabupaten/Kota Sektor Kesehatan Dan Pendidikan Terhadap Indeks Pembangunan Manusia Di Provinsi Aceh. Jurnal Magister Ilmu Ekonomi, 1(4), 76�88.

Sinaga, L., Hardiani, H., & Prihanto, P. H. (2017). Faktor-faktor yang mempengaruhi tingkat fertilitas di perdesaan (Studi pada Desa Pelayangan Kecamatan Muara Tembesi Kabupaten Batanghari). Jurnal Paradigma Ekonomika, 12(1), 41�48. https://doi.org/10.22437/paradigma.v12i1.3933

 

SIREGAR, O. K. (2022). Kebijakan Fiskal Dan Fertilitas Di Indonesia. http://dx.doi.org/10.31237/osf.io/rhw4z

 

Sugiyono. (2018). Metode Penelitian Kuantitatif. Alfabeta.

 

Sukirno, S. (2016). Makro Ekonomi Teori Pengantar (24th ed.). PT Raja Grafindo Persada.

 

Tjaja, R. P. (2000). Wanita Bekerja Implikasi Sosial. Wanita Bekerja Implikasi Sosial, No. 20 jun(20), 1�6.

 

Todaro, M. P. (2000). pembangunan ekonomi dunia ke tiga (4th ed.). Erlangga.

 

Wahab, A., Junaidi, & Edi, J. K. (2018). Faktor-faktor yang mempengaruhi fertilitas wanita pekerja pada rumah tangga miskin di Kabupaten Muaro Jambi ( Study Kasus Desa Tantan Kecamatan Sekernan Kabupaten Muaro Jambi ). E-Jurnal Ekonomi Sumberdaya Dan Lingkungan, 7(3), 124�131.

 

Wendy, S. (2020). Universitas bung hatta padang. IV(3), 1�11.

 

Westoff, C. (1990). Rates and Fertility Intentions Reproductive. International Family Planning Perspectives, 16(3), 84�89.

 

Widarti, D. (1998). Determinants of labour force participation by married women: the case of Jakarta. Bulletin of Indonesian Economic Studies, 34(2), 93�120. https://doi.org/10.1080/00074919812331337350

 

Copyright holder:

Nama Author (2023)

 

First publication right:

Syntax Literate: Jurnal Ilmiah Indonesia

 

This article is licensed under: