I. PENDAHULUAN

Studi ini menganalisis dampak pendapatan per kapita dan pendapatan rumah tangga terhadap pengeluaran anak di beberapa negara pada tahun 2022. Pemilihan periode ini sangat penting karena mencerminkan situasi perekonomian saat ini, terutama setelah pandemi COVID-19 memberikan dampak yang signifikan terhadap perekonomian global dan pola pengeluaran rumah tangga. Pandemi ini telah mengubah struktur pendapatan dan pengeluaran di banyak negara, memaksa banyak keluarga untuk menyesuaikan anggaran mereka dengan kebutuhan mendesak, sehingga mempengaruhi alokasi sumber daya untuk anak-anak.

Issue Meningkatnya fokus pada pengelolaan anggaran rumah tangga, khususnya belanja anak, telah memunculkan sejumlah isu penting yang perlu dikaji. Pertama, terdapat kebutuhan mendesak untuk memahami bagaimana pendapatan per kapita, yang mencerminkan pendapatan rata-rata individu di suatu negara, dan pendapatan rumah tangga, yang mewakili total pendapatan seluruh anggota rumah tangga, mempengaruhi keputusan pengeluaran rumah tangga terhadap anak. Dalam konteks ini, penting untuk mempertimbangkan apakah peningkatan pendapatan berhubungan langsung dengan peningkatan pengeluaran untuk kebutuhan anak, seperti pendidikan, kesehatan, dan kebutuhan sekunder lainnya.

Terakhir, adanya perbedaan tingkat pendapatan per kapita antar negara dan kebijakan sosial pemerintah juga memerlukan analisis yang lebih rinci untuk memahami perbedaan pola pengeluaran keluarga. Oleh karena itu, penelitian ini mengidentifikasi dan menganalisis faktor-faktor yang akan mempengaruhi pengeluaran untuk anak-anak di berbagai negara pada tahun 2022, membantu merumuskan kebijakan yang lebih efektif untuk mendukung kesejahteraan anak di seluruh dunia.

II. METODOLOGI

2.1. Analisis Data

Analisis data yang dilakukan diperlukan pendugaan terhadap parameter populasi yang diamati. Analisis ini biasa disebut dengan analisis parametrik. Sebelum dilakukan statistik uji, data umumnya harus berdistribusi normal. Oleh karena itu, perlu dilakukan metode statistika grafik umum untuk menguji kenormalan data.

2.1.1. Histogram

Histogram adalah grafik yang digunakan untuk menampilkan distribusi atau penyebaran data numerik dengan cara mengelompokkan data ke dalam beberapa interval kelas (bin). Pada histogram, sumbu horizontal (x) menunjukkan interval nilai data, sedangkan sumbu vertikal (y) menunjukkan frekuensi atau banyaknya data dalam setiap interval tersebut.

Melalui histogram, kita dapat melihat pola distribusi data, seperti apakah data cenderung simetris, miring ke kiri atau ke kanan, serta mengetahui konsentrasi dan penyebaran data secara visual. Histogram juga sering digunakan dalam analisis statistik untuk mengidentifikasi bentuk distribusi data, misalnya apakah mendekati distribusi normal atau tidak.

2.1.2. Box Plot

Boxplot (box-and-whisker plot) adalah grafik yang digunakan untuk menampilkan ringkasan distribusi data berdasarkan lima nilai utama, yaitu minimum, kuartil pertama (Q1), median (Q2), kuartil ketiga (Q3), dan maksimum.Pada boxplot, kotak (box) menunjukkan rentang antara Q1 dan Q3 yang disebut interquartile range (IQR), sedangkan garis di dalam kotak menunjukkan nilai median. Garis yang memanjang dari kotak disebut whisker, yang menunjukkan sebaran data hingga nilai minimum dan maksimum.

2.2. Model Regresi

Regresi linier berganda merupakan pengembangan dari regresi sederhana untuk menyatakan hubungan antara sebuah variabel dependen (respon) dengan lebih dari satu variabel independent (variabel bebas). Secara umum variabel respon Y dapat dihubungkan dengan k variabel bebas k1, k2, k3,…,k. Modelnya sebagai berikut : \[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 +...+\beta_n x_ +\epsilon \] Disebut model regresi linier berganda dengan k regressor. dengan 𝛽0, 𝛽1, 𝑖 = 1, 2,…,n masing-masing konstanta yang diperoleh dari output dan uji signifikansinya. Parameter (𝛽𝑖(1,2, … , 𝑘)) disebut koefisien regresi. Kesesuaian model pun diuji yang kemudian dikenalkan metode- metode analisis yang digunakan dan perbedaan hasil masing-masing metode.

2.3. Uji Asumsi Residual

2.3.1. Uji Normalitas

Uji normalitas digunakan dalam model regresi untuk menguji apakah nilai residual yang dihasilkan terdistribusi secara normal atau tidak. Model regresi yang baik adalah model regresi yang memiliki nilai residual yang terdistribusi secara normal. Secara visual dengan melihat pada Q-Q Plot pada output, jika plot tersebut mengikuti garis lurus maka residual berdistribusi normal yang berarti asumsi normalitas terpenuhi. Sedangkan Secara formal menguji residual berdistribusi normal dapat digunakan uji Kolmogorov-Smirnov. Uji normalitas ditentukan dengan melihat p-value, Jika p-value > alpha, maka H0 gagal ditolak yang berarti Uji Normalitas Terpenuhi.

2.3.2. Uji Linieritas

Linieritas adalah tidak terdapatnya hubungan antara nilai-nilai prediksi dengan nilai residual. Ini biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi linear. Metode yang digunakan untuk memeriksa asumsi ini adalah dengan membuat plot residual terhadap nilai prediksi. Secara Formal uji ini dapat dilihat dari output RESET test. Uji Linieritas ditentukan dengan melihat p-value, Jika p-value > alpha, maka H0 gagal ditolak yang berarti Uji Linieritas Terpenuhi.

2.3.3. Uji Homoskedastisitas

Uji ini digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas. Uji secara formal menggunakan output uji Breusch-Pagan dimana jika nilai p-value untuk variabel X lebih besar dari 𝛼 = 5%, maka dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas atau dengan kata lain asumsi homoskedastisitas terpenuhi.

2.3.4. Uji Non-Autokorelasi

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Uji secara formal menggunakan output uji Durbin-Watson dimana jika nilai p-value lebih besar dari 𝛼 = 5%, maka dapat disimpulkan bahwa tidak terjadi mengalami autokorelasi atau uji asumsi Non-Autokorelasi terpenuhi

2.4. Uji Signifikansi Parameter

2.4.1. Uji F

Uji ini merupakan pengujian yang digunakan untuk menentukan ada tidaknya suatu hubungan linear antara variabel dependen atau respon dengan variabel independen. Sehingga hipotesis awal (H0) pada uji ini adalah model regresi tidak cocok, dengan kata lain tidak ada hubungan linear antara variabel independen dengan variabel dependen/model tidak sesuai. Model yang baik adalah model yang memiliki suatu hubungan linear antara variabel dependen atau respon dengan variabel independen atau dengan kata lain menolak H0. Pada pengujian ini, H0 akan ditolak apabila nilai Fhitung > Ftabel (F,k,n-k-1) atau nilai p-value < α.

2.4.2. Uji T

Uji ini dilakukan untuk mengetahui pengaruh dari masing-masing koefisien parameter dengan hipotesis awal yaitu koefisien parameter tidak berpengaruh terhadap model. H0 atau hipotesis awal ditolak apabila nilai |thitung| > ttabel atau Sig. < α. Apabila H0 ditolak, berarti bahwa koefisien dari parameter tersebut memiliki pengaruh yang signifikan terhadap variabel dependennya atau modelnya.

2.5. Koefisien Determinasi (R²)

Koefisien determinasi merupakan ukuran untuk mengetahui kesesuaian atau ketepatan antara nilai dugaan atau garis regresi dengan data sampel. Apabila nilai koefisien korelasi sudah diketahui, maka untuk mendapatkan koefisien determinasi dapat diperoleh dengan mengkuadratkannya. Sebuah model dikatakan baik jika nilai R2 mendekati satu dan sebaliknya jika nilai R2 mendekati 0 maka model kurang baik.

2.6. Mean Square Error (MSE)

Salah satu kriteria untuk memilih estimator terbaik di antara estimator yang ada adalah berdasarkan mean squared error (MSE) atau kesalahan kuadrat rata-rata dari estimator tersebut. Semakin kecil MSE maka semakin baik. Berikut rumus untuk MSE: \[ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2 \]

III. STUDI KASUS

3.1. Data

Data yang digunakan dalam analisis ini merupakan data yang menggambarkan kondisi ekonomi pada beberapa wilayah. Dataset terdiri dari 50 observasi wilayah (Region) yang masing-masing memiliki informasi terkait pengeluaran dan pendapatan.Variabel yang dianalisis dalam dataset ini terdiri dari satu variabel respon dan dua variabel penjelas. Variabel respon dalam penelitian ini adalah Pengeluaran Per Anak (Y) yang menggambarkan besarnya pengeluaran yang dikeluarkan untuk kebutuhan anak pada setiap wilayah. Selanjutnya terdapat dua variabel penjelas, yaitu Pendapatan Per Kapita (X1) yang menunjukkan rata-rata pendapatan per individu pada suatu wilayah, serta Pendapatan Keluarga (X2) yang menggambarkan total pendapatan yang diperoleh oleh suatu keluarga dalam wilayah tersebut.

3.2. STATISTIK DESKRIPTIF

##     Region          Pengeluaran Per Anak (Y) Pendapatan Per Kapita (X1)
##  Length:50          Min.   : 8.748           Min.   :46.25             
##  Class :character   1st Qu.:13.073           1st Qu.:56.89             
##  Mode  :character   Median :15.213           Median :61.25             
##                     Mean   :16.087           Mean   :62.78             
##                     3rd Qu.:19.228           3rd Qu.:68.16             
##                     Max.   :30.282           Max.   :84.97             
##  Pendapatan Keluarga (X2)
##  Min.   :46.51           
##  1st Qu.:57.39           
##  Median :62.53           
##  Mean   :64.53           
##  3rd Qu.:72.82           
##  Max.   :87.06

Distribusi data menunjukkan bahwa dataset terdiri dari 50 observasi wilayah (Region). Variabel yang dianalisis meliputi Pengeluaran Per Anak (Y), Pendapatan Per Kapita (X1), dan Pendapatan Keluarga (X2).

Berdasarkan hasil statistik deskriptif, nilai Pengeluaran Per Anak (Y) memiliki nilai minimum sebesar 8.748 dan maksimum sebesar 30.282, dengan nilai rata-rata sebesar 16.087 dan median 15.213. Hal ini menunjukkan bahwa rata-rata pengeluaran per anak berada di sekitar 15 satuan nilai pada dataset tersebut. Selanjutnya, variabel Pendapatan Per Kapita (X1) memiliki nilai minimum 46.25 dan maksimum 84.97, dengan rata-rata sebesar 62.78. Sementara itu, Pendapatan Keluarga (X2) memiliki nilai minimum 46.51 dan maksimum 87.06, dengan rata-rata sebesar 64.53.

Secara keseluruhan, statistik deskriptif ini memberikan gambaran awal mengenai sebaran, kecenderungan pusat, serta variasi data pada masing-masing variabel, yang selanjutnya dapat dianalisis lebih lanjut melalui visualisasi data dan metode analisis statistik lainnya.

3.3. ANALISIS DATA

3.3.1. Histogram

Berdasarkan visualisasi histogram di atas, variabel dependen Pengeluaran Per Anak (Y) menunjukkan distribusi yang cukup simetris dengan pemusatan data tertinggi pada rentang nilai 15 hingga 20. Meskipun secara umum terlihat mendekati distribusi normal, terdapat sedikit pencilan (outlier) di sisi kanan pada nilai di atas 30, yang menandakan adanya sebagian kecil sampel dengan pengeluaran yang jauh lebih tinggi dibandingkan mayoritas kelompok lainnya. Pola ini mengindikasikan bahwa sebagian besar unit observasi memiliki pengeluaran yang seragam di level menengah.

Sementara itu, variabel independen Pendapatan Per Kapita (X1) dan Pendapatan Keluarga (X2) menunjukkan sebaran data yang lebih menyebar namun tetap memiliki kecenderungan pemusatan di area nilai 55 hingga 65. Variabel X1 terlihat memiliki bentuk yang cukup lonjong (bell-shaped), sedangkan X2 menunjukkan variasi yang lebih dinamis dengan adanya beberapa puncak frekuensi lokal, termasuk kenaikan frekuensi di sekitar nilai 75-80.

3.3.2. Box Plot

Berdasarkan boxplot yang ditampilkan, dapat dilihat bahwa variabel Y (Pengeluaran per Anak) memiliki median sekitar 15 dengan sebagian besar data berada pada rentang sekitar 13 hingga 19. Selain itu terdapat satu titik di atas whisker yang menunjukkan adanya outlier, yaitu nilai pengeluaran yang relatif lebih tinggi dibandingkan data lainnya.

Pada variabel X1 (Pendapatan per Kapita) dan X2 (Pendapatan Keluarga), penyebaran data terlihat cukup lebar namun tidak terdapat outlier. Median X1 berada di sekitar 61, sedangkan median X2 sekitar 62–63. Hal ini menunjukkan bahwa sebagian besar nilai pada kedua variabel independen berada pada kisaran tersebut dengan distribusi data yang relatif stabil tanpa pencilan yang ekstrem.

3.4. Model Regresi

Persamaan Model Regresi: \[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 +\epsilon \]

## 
## Call:
## lm(formula = `Pengeluaran Per Anak (Y)` ~ `Pendapatan Per Kapita (X1)` + 
##     `Pendapatan Keluarga (X2)`, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.9864 -1.8973  0.2906  1.6906  8.4194 
## 
## Coefficients:
##                              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                  -6.12415    3.16111  -1.937 0.058726 .  
## `Pendapatan Per Kapita (X1)`  0.39404    0.09478   4.157 0.000135 ***
## `Pendapatan Keluarga (X2)`   -0.03914    0.08144  -0.481 0.633023    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.15 on 47 degrees of freedom
## Multiple R-squared:  0.5214, Adjusted R-squared:  0.5011 
## F-statistic:  25.6 on 2 and 47 DF,  p-value: 3.011e-08

Model Akhir: \[ y = -6.1241 + 0.394 X_1 + -0.0391 X_2 \] Model regresi yang diperoleh adalah y = -6.1241 + 0.394 X1 + -0.0391 X2. Nilai konstanta sebesar -6.1241 menunjukkan bahwa ketika variabel X1 dan X2 bernilai 0, maka nilai variabel Y diperkirakan sebesar -6.1241. Meskipun demikian, dalam banyak kasus konstanta hanya berfungsi sebagai penyesuaian model dan tidak selalu memiliki makna praktis jika nilai nol pada variabel independen tidak relistis.

Koefisien regresi untuk variabel X1 sebesar 0.394 menunjukkan bahwa setiap peningkatan 1 satuan pada X1 dengan asumsi variabel X2 tetap, maka nilai Y akan meningkat sebesar 0.394 satuan. Sebaliknya, koefisien regresi untuk variabel X2 sebesar -0.0391 menunjukkan bahwa setiap peningkatan 1 satuan pada X2 dengan asumsi X1 tetap, maka nilai Y akan menurun sebesar -0.0391 satuan. Hal ini menunjukkan bahwa X1 memiliki pengaruh positif terhadap Y, sedangkan X2 memiliki pengaruh negatif terhadap Y.

3.5. Uji Asumsi Residual

3.5.1. Uji Normalitas

Secara Visual

Berdasarkan grafik QQ Plot ketiga variabel, terlihat bahwa sebagian besar titik data berada di sekitar garis diagonal. Hal ini menunjukkan bahwa data cenderung mengikuti distribusi normal, sehingga asumsi normalitas dapat dikatakan cukup terpenuhi.

Secara Formal

## 
##  Exact one-sample Kolmogorov-Smirnov test
## 
## data:  error
## D = 0.084549, p-value = 0.8375
## alternative hypothesis: two-sided

Berdasarkan hasil uji Kolmogorov–Smirnov diperoleh nilai statistik D sebesar 0.0845 dengan p-value sebesar 0.8375. Karena nilai p-value lebih besar dari 0,05 maka gagal menolak H0 sehingga dapat disimpulkan bahwa residual berdistribusi normal.

Dengan demikian, dapat disimpulkan bahwa asumsi normalitas pada model regresi telah terpenuhi sehingga model regresi yang digunakan layak untuk analisis lebih lanjut.

3.5.2. Uji Linearitas

Secara Visual

Pendapatan Per Kapita (X1) dan Pengeluaran Per Anak (Y) menunjukkan kecenderungan hubungan positif pada scatterplot. Hal ini berarti semakin tinggi pendapatan per kapita, maka pengeluaran per anak cenderung meningkat, dengan pola titik yang mengikuti arah naik sehingga mengindikasikan kemungkinan hubungan linear. Scatterplot antara Pendapatan Keluarga (X2) dan Pengeluaran Per Anak (Y) juga menunjukkan kecenderungan hubungan positif. Artinya, wilayah dengan pendapatan keluarga yang lebih tinggi cenderung memiliki pengeluaran per anak yang lebih besar. Maka dapat disimpulkan secara visual uji linearitas terpenuhi.

Secara Formal

## 
##  RESET test
## 
## data:  model
## RESET = 0.38631, df1 = 2, df2 = 45, p-value = 0.6818

Berdasarkan hasil uji linearitas menggunakan RESET test diperoleh nilai statistik RESET sebesar 0.3863 dengan derajat bebas df1 = 2 dan df2 = 45, serta p-value sebesar 0.6818. Karena nilai p-value lebih besar dari 0,05 maka gagal menolak H0, sehingga dapat disimpulkan bahwa model regresi yang digunakan memenuhi asumsi linearitas.

3.5.3. Uji Homoskedastisitas

## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 2.5867, df = 2, p-value = 0.2744

Berdasarkan hasil uji heteroskedastisitas menggunakan uji Breusch–Pagan diperoleh nilai statistik BP sebesar 2.5867 dengan derajat bebas sebesar 2, serta p-value sebesar 0.2744. Karena nilai p-value lebih besar dari 0,05 maka gagal menolak H0 sehingga dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas atau uji homoskedastisitas terpenuhi pada model regresi.

3.5.4. Uji Non-Autokorelasi

## 
##  Durbin-Watson test
## 
## data:  model
## DW = 2.2929, p-value = 0.8514
## alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan hasil uji autokorelasi menggunakan uji Durbin–Watson diperoleh nilai statistik DW sebesar 2.2929 dengan p-value sebesar 0.8514. Karena nilai p-value lebih besar dari 0,05 maka gagal menolak H0, sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi pada residual model regresi.

3.6. Uji Signifikansi Parameter

3.6.1. Uji F

Fstatistic
##    value 
## 25.60436
pvalue
##        value 
## 3.011428e-08

Berdasarkan hasil uji F diperoleh nilai F hitung sebesar 25.6044 dengan p-value sebesar 3.011^{-8}. Karena nilai p-value lebih kecil dari 0,05 maka H0 ditolak, sehingga dapat disimpulkan bahwa variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen.

3.6.2. Uji T

tstatistic
##                  (Intercept) `Pendapatan Per Kapita (X1)` 
##                   -1.9373413                    4.1573743 
##   `Pendapatan Keluarga (X2)` 
##                   -0.4806102
pvalue
##                  (Intercept) `Pendapatan Per Kapita (X1)` 
##                 0.0587263197                 0.0001352745 
##   `Pendapatan Keluarga (X2)` 
##                 0.6330232373

Berdasarkan hasil uji t diketahui bahwa variabel Pendapatan Per Kapita (X1) memiliki nilai t hitung sebesar 4.1574 dengan p-value sebesar 1.353^{-4}. Karena p-value < 0,05 maka H0 ditolak sehingga dapat disimpulkan bahwa variabel Pendapatan Per Kapita (X1) berpengaruh signifikan terhadap Pengeluaran per Anak (Y).

Sementara itu variabel Pendapatan Keluarga (X2) memiliki nilai t hitung sebesar -0.4806 dengan p-value sebesar 0.633. Karena p-value > 0,05 maka H0 gagal ditolak sehingga dapat disimpulkan bahwa variabel Pendapatan Keluarga (X2) tidak berpengaruh signifikan terhadap Pengeluaran per Anak (Y).

3.7. Koefisien Determinasi (R²)

summary(model)$r.squared
## [1] 0.5214275
summary(model)$adj.r.squared
## [1] 0.5010627

Berdasarkan hasil analisis diperoleh nilai koefisien determinasi (R²) sebesar 0.5214 dan nilai Adjusted R² sebesar 0.5011. Hal ini menunjukkan bahwa sebesar 52.14% variasi pada variabel dependen (Pengeluaran per Anak) dapat dijelaskan oleh variabel independen yaitu Pendapatan Per Kapita (X1) dan Pendapatan Keluarga (X2), sedangkan sisanya sebesar 47.86% dijelaskan oleh variabel lain di luar model.

3.8. Mean Squared Error (MSE)

mse
## [1] 9.328099
rmse
## [1] 3.054194

Berdasarkan hasil evaluasi model regresi berganda diperoleh nilai Mean Squared Error (MSE) sebesar 9.328 dan Root Mean Squared Error (RMSE) sebesar 3.054. Nilai RMSE menunjukkan bahwa rata-rata kesalahan prediksi model terhadap nilai aktual adalah sekitar 3.054 satuan. Maka dapat disimpulkan nilai tersebut tergolong rendah, sehingga dapat dikatakan model regresi tergolong baik.

IV.PENUTUP

Berdasarkan hasil analisis regresi linear berganda diperoleh model regresi Y = -6.1241 + 0.394X1 -0.0391X2. Model tersebut menunjukkan bahwa variabel Pendapatan Per Kapita (X1) memiliki pengaruh positif terhadap Pengeluaran per Anak (Y), sedangkan Pendapatan Keluarga (X2) memiliki pengaruh negatif. Hasil uji asumsi klasik menunjukkan bahwa model telah memenuhi asumsi regresi, dimana Hasil uji normalitas dengan Kolmogorov–Smirnov diperoleh nilai statistik sebesar 0.0845 dengan p-value sebesar 0.8375 sehingga residual berdistribusi normal. Uji linearitas RESET memberikan nilai statistik sebesar 0.3863 dengan p-value sebesar 0.6818 sehingga model bersifat linear. Uji homoskedastisitas menggunakan Breusch–Pagan menghasilkan nilai BP sebesar 2.5867 dengan p-value sebesar 0.2744 yang menunjukkan tidak terdapat heteroskedastisitas. Selain itu, uji autokorelasi Durbin–Watson menghasilkan nilai DW sebesar 2.2929 dengan p-value sebesar 0.8514 sehingga tidak terdapat autokorelasi pada residual.

Hasil uji F menunjukkan bahwa model regresi signifikan secara simultan dengan nilai F sebesar 25.6044 dan p-value sebesar 0.05873, 1.353^{-4}, 0.633, sehingga variabel Pendapatan Per Kapita (X1) dan Pendapatan Keluarga (X2) secara bersama-sama berpengaruh terhadap Pengeluaran per Anak (Y). Berdasarkan uji t diketahui bahwa variabel Pendapatan Per Kapita (X1) memiliki nilai t sebesar 4.1574 dengan p-value sebesar 1.353^{-4} sehingga berpengaruh signifikan terhadap Pengeluaran per Anak. Sementara itu variabel Pendapatan Keluarga (X2) memiliki nilai t sebesar -0.4806 dengan p-value sebesar 0.633 sehingga tidak berpengaruh signifikan terhadap Pengeluaran per Anak.

Nilai koefisien determinasi (R²) sebesar 0.5214 menunjukkan bahwa sekitar 52.14% variasi Pengeluaran per Anak dapat dijelaskan oleh variabel Pendapatan Per Kapita (X1) dan Pendapatan Keluarga (X2), sedangkan sisanya sebesar 47.86% dipengaruhi oleh faktor lain di luar model.Sehingga, perubahan yang terjadi pada Pendapatan Per Kapita dan Pendapatan Keluarga baik mengalami penaikan maupun penurunan sangat memberikan pengaruh terhadap Pengeluaran Per Anak. Setelah dilakukan beberapa uji asumsi dari analisis regresi berganda diperoleh model akhir Y = -6.1241 + 0.394X1 -0.0391X2.

Berdasarkan hasil evaluasi model regresi berganda diperoleh nilai Mean Squared Error (MSE) sebesar 9.328 dan Root Mean Squared Error (RMSE) sebesar 3.054. Nilai RMSE menunjukkan bahwa rata-rata kesalahan prediksi model terhadap nilai aktual adalah sekitar 3.054 satuan. Maka dapat disimpulkan nilai tersebut tergolong rendah, sehingga dapat dikatakan model regresi tergolong baik.