III. METODE PENELITIAN. pariwisata menggunakan data time series dari tahun 2001 sampai dengan perpustakaan IPB, media massa, dan internet

III. METODE PENELITIAN

3.1. Jenis dan Sumber Data Jenis data yang digunakan pada penelitian ini adalah data sekunder. Data yang digunakan untuk analisis dayasaing merupakan data sekunder dari tahun 2006 sampai dengan 2010. Sedangkan, analisis faktor-faktor yang memengaruhi pariwisata menggunakan data time series dari tahun 2001 sampai dengan 2011. Data-data yang digunakan pada penelitian ini diperoleh dari berbagai dinas pemerintahan Kabupaten Cianjur, yaitu Badan Pusat Statistik (BPS) Kabupaten Cianjur, Dinas Kebudayaan dan Pariwisata, Dinas Pendapatan Daerah, dan Kantor Lingkungan Hidup. Selain itu, data juga diperoleh dari literatur yang ada di perpustakaan IPB, media massa, dan internet. Data yang digunakan dalam pembentukan variabel dependen dan independen untuk analisis faktor-faktor yang memengaruhi industri pariwisata dalam penelitian ini bisa dilihat pada tabel 3.1. Tabel 3.1. Data, Satuan, dan Sumber Data Variabel Satuan Simbol PAD Pariwisata Rupiah PADPar Jumlah Hotel dan Unit JHot Akomodasi lainnya Jumlah Restoran Unit JRes Jalan Beraspal Kualitas Km JKB Baik Tingkat Pendidikan Persen TPPar Tenaga Kerja Pariwisata Tingkat Hunian Hotel Persen THH

Sumber Dispenda Kab.Cianjur Budpar dan BPS Kab.Cianjur Disbudpar Kab. Cianjur BPS Kab. Cianjur BPS Kab. Cianjur BPS Kab. Cianjur

28

3.2. Metode Analisis Dayasaing 3.2.1. Analisis Competitiveness Monitor Metode yang digunakan dalam penelitian dayasaing pariwisata Kabupaten Cianjur adalah metode Competitiveness Monitor (CM). Variabel yang digunakan dalam penelitian ini adalah indeks dayasaing pariwisata yang dibentuk dari delapan indikator penentu dayasaing pariwisata yang telah ditetapkan oleh World Tourism Organization (WTO). Kedelapan indikator tersebut adalah sebagai berikut (World Tourism Organization, 2008),: 1. Indikator Pengaruh Pariwisata Indikator ini menunjukkan pencapaian perkembangan ekonomi daerah akibat kedatangan turis pada daerah tersebut. Indikator ini diukur dengan menggunakan Tourism Impact Index (TII). Besarnya TII dapat dihitung dengan rumus berikut:

𝑇𝐼𝐼 =

PAD Pariwisata PDRB Total

2.Indikator Dayasaing Tingkat Harga (IDTH) Indikator ini menunjukkan harga komoditi yang dikonsumsi oleh turis selama berwisata di daerah tujuan wisata. Pengukuran yang digunakan untuk indikator ini adalah Purchasing Power Parity (PPP) dan rata-rata tarif minimum hotel berbintang. IDTH = f (PPP, rata-rata tarif minimum hotel berbintang)

29

3. Indikator Perkembangan Infrastruktur (IPI) Indikator ini menunjukkan perkembangan infrastruktur di daerah tujuan wisata. Pengukuran yang digunakan untuk indikator ini adalah panjang jalan beraspal dan kualitas jalan. Rumus dari indikator ini adalah sebagai berikut: IPI = f (panjang jalan beraspal, kualitas jalan) 4. Indikator Lingkungan Indikator ini menunjukkan kualitas lingkungan dan kesadaran penduduk dalam memelihara lingkungannya. Pengukuran yang digunakan untuk indikator ini adalah indeks kepadatan penduduk, dan indeks kualitas udara. Kepadatan Penduduk =

Jumlah Penduduk Luas Wilayah

Kualitas Udara = f (kadar CO, kadar debu, temperatur, kebisingan) 5. Indikator Sumberdaya Manusia (ISM) Indikator ini menunjukkan kualitas sumberdaya manusia daerah tersebut sehingga dapat memberikan pelayanan yang lebih baik kepada turis. Pengukuran yang digunakan untuk indikator ini adalah indeks pendidikan yang dapat

diukur

dengan rumus berikut: ISM = f (angka melek huruf, rata-rata lama sekolah) 6. Indikator Keterbukaan (IK) Indikator ini menunjukkan tingkat keterbukaan destinasi terhadap perdagangan internasional dan turis internasional. Rumus untuk mengukur Indikator Keterbukaan adalah sebagai berikut: IK =

Jumlah Turis Asing yang Menginap di Hotel Total Tamu Hotel

30

7. Indikator Sosial Indikator ini menunjukkan kenyamanan dan keamanan turis untuk berwisata di daerah destinasi. Ukuran SDI adalah rata-rata masa tinggal turis di daerah destinasi. SDI = Rata-rata masa tinggal turis. 8. Indikator Kemajuan Teknologi Indikator ini menunjukkan perkembangan infrastruktur dan teknologi modern yang ditunjukkan dengan adanya ekspor produk-produk berteknologi tinggi. Pengukuran yang digunakan untuk indikator ini adalah indeks ekspor, yang dapat dihitung dengan rumus berikut: Indeks Ekspor =

Jumlah Ekspor elektronik ,obat −obatan ,dan kamera Jumlah Ekspor Total

Metode Competitiveness Monitor tidak memiliki standar baku untuk melihat tinggi atau rendahnya nilai dayasaing dari setiap indikator. Analisis ini hanya membandingkan hasil pengukuran dayasaing Kabupaten Cianjur dengan daerah pembandingnya, yaitu Kabupaten Bogor. Pemilihan Kabupaten Bogor sebagai daerah pembanding dilakukan secara sengaja dengan justifikasi bahwa daya tarik wisata yang ada di Kabupaten Bogor memiliki karakteristik yang hampir sama dengan Kabupaten Cianjur.

3.2.2. Uji t Dua Sampel Independen. Uji t digunakan untuk menguji apakah rata-rata satu grup sampel berbeda dengan grup sampel lainnya (Pratisto, 2004). Setelah mendapatkan nilai masingmasing indikator, maka dapat dilakukan uji t untuk melihat signifikansi perbedaan

31

dayasaing di Kabupaten Cianjur dan Kabupaten Bogor. Uji t yang dilakukan menggunakan software Minitab 14. Hipotesis: H0

: β1 ≥ 0

H1

: β1 < 0

i = 1,2,3,....0

Kriteria uji yang digunakan dalam melakukan uji t adalah sebagai berikut: Jika t-hitung ≥ t 𝛼/2(𝑛−𝑘 ) maka tolak H0 Jika t-hitung < t 𝛼 /2(𝑛 −𝑘) maka terima H0 Jika t-hitung > t-tabel ( t 𝛼 /2(𝑛−𝑘) ), maka tolak H0 , artinya dayasaing Kabupaten Cianjur lebih rendah dibandingkan dayasaing Kabupaten Bogor. Sedangkan apabila t-hitung < t-tabel (t 𝛼 /2(𝑛 −𝑘) ), maka terima H0 , hal ini berarti dayasaing Kabupaten Cianjur relatif sama atau lebih tinggi dibandingkan dayasaing Kabupaten Bogor.

3.3. Metode Analisis 3.3.1. Analisis Regresi Berganda Dalam penelitian ini dilakukan analisis untuk melihat faktor-faktor yang memengaruhi industri pariwisata Kabupaten Cianjur. Metode analisis yang digunakan adalah metode Regresi Linear Berganda (Ordinary Least Square) dengan menggunakan software Microsoft Excel 2007 dan software Minitab. Salah satu regresi dalam OLS adalah regresi linear berganda. Analisis regresi linear berganda menunjukkan hubungan sebab akibat antara variabel X (variabel bebas) yang merupakan penyebab dan variabel Y (variabel tak bebas) yang merupakan akibat. Analisis regresi linier berganda merupakan suatu metode

32

yang digunakan untuk menguraikan pengaruh variabel bebas terhadap variabel tak bebasnya. Regresi linier berganda tidak hanya melihat keterkaitan antar variabel, namun juga mengukur besaran hubungan kausalitasnya. Menurut Walpole (1995), model regresi linier berganda adalah sebagai berikut: Y = 𝑌 = 𝑏0 + 𝑏1 𝑥1 + 𝑏2 𝑥2 + 𝑏𝑟 𝑥𝑟 keterangan: r = 1, 2, 3, ..., N 𝑏0 = intersep

3.3.2. Model Analisis Faktor-faktor yang Memengaruhi Sektor Pariwisata Kabupaten Cianjur. Analisis faktor-faktor yang memengaruhi industri pariwisata Kabupaten Cianjur menggunakan Pendapatan Asli Daerah Sektor Pariwisata sebagai variabel dependen. Variabel independen yang digunakan antara lain jumlah hotel, jumlah wisatawan, dan tingkat pendidikan tenaga kerja sektor pariwisata. Setelah melalui beberapa tahapan spesifikasi, model persamaan terbaik yang digunakan untuk menganalisis faktor-faktor yang memengaruhi Sektor Pariwisata adalah sebagai berikut: PADPart = α0 + α1JHott + α2JKBt + α3JRest + α4TPPart + α5THHt + εt keterangan: PADPart = Jumlah Pendapatan Asli Daerah Sektor Pariwisata pada Periode (Rupiah) JHott

= Jumlah Hotel dan Akomodasi Lainnya pada Periode t (Unit)

JKBt

= Jalan Beraspal Kualitas Baik pada Periode t (Km)

33

JRest

= Jumlah Restoran pada Periode t (Unit)

TPPart

= Tingkat Pendidikan Tenaga Kerja Pariwisata pada Periode t (Persen)

THHt

= Tingkat Hunian Hotel pada Periode t (Persen)

εt

= Error Term Langkah selanjutnya adalah merubah data-data yang berada pada

persamaan tersebut ke dalam bentuk logaritma untuk mempermudah dalam melihat respon dari setiap variabel independen yang digunakan terhadap variabel dependen. LnPADPart = α0 + α1LnJHott + α2LnJKBt + α3LnJRest + α4TPPart + α5THHt + εt keterangan: LnPADPart = Jumlah Pendapatan Asli Daerah Sektor Pariwisata pada Periode (Persen) LnJHott

= Jumlah Hotel dan Akomodasi Lainnya pada Periode t (Persen)

LnJKBt

= Jalan Beraspal Kualitas Baik pada Periode t (Persen)

LnJRest

= Jumlah Restoran pada Periode t (Persen)

TPPart

= Tingkat Pendidikan Tenaga Kerja Pariwisata pada Periode t (Persen)

THHt

= Tingkat Hunian Hotel pada Periode t (Persen)

εt

= Error Term Kemudian, model tersebut dianalisis menggunakan kriteria-kriteria uji

agar model tersebut memenuhi persyaratan metode analisis Ordinary Least Square

(OLS),

seperti

terbebas

heteroskedastisitas, dan multikolinieritas.

dari

masalah-masalah

autokorelasi,

34

3.4. Identifikasi Model 3.4.1. Uji Kriteria Statistik Tujuan pengujian kriteria adalah untuk melihat korelasi antar variabel persamaan, yaitu dengan menggunakan uji t, uji F, dan uji Koefisien Determinasi. 1. Uji Koefisien Regresi secara Individual (Uji-t) Uji t dilakukan untuk melihat tingkat signifikansi variabel bebas, apakah variabel bebas berpengaruh atau tidak tehadap variabel tak bebas. Perbandingan antara nilai t-statistik dengan nilai t-tabel dapat menunjukkan daerah atau wilayah penolakan. Selain itu, uji ini digunakan untuk melihat keabsahan dari hipotesis dan membuktikan bahwa koefisien regresi dalam model secara statistik signifikan atau tidak. Hipotesis: H0

: β1 = 0

H1

: β1 ≠ 0

i = 1,2,3,....0

Statistik uji yang dilakukan dalam uji t adalah sebagai berikut: t-hitung =

b−B Sb

Kemudian hasil t-hitung dibandingkan dengan t-tabel (t-tabel = 1,96). Keterangan: b = koefisien regresi parsial sampel B = koefisien regresi parsial populasi Sb = Simpangan baku koefisien dugaan Kriteria uji yang digunakan dalam melakukan uji t adalah sebagai berikut: Jika t-hitung > t 𝛼/2(𝑛−𝑘) maka tolak H0 Jika t-hitung < t 𝛼 /2(𝑛 −𝑘) maka terima H0

35

Jika t-hitung > t-tabel (t 𝛼 /2(𝑛−𝑘) ), maka tolak H0 hal ini berarti variabel bebas yang digunakan berpengaruh nyata terhadap variabel tak bebasnya pada taraf nyata α. Sedangkan apabila t-hitung < t-tabel (t 𝛼 /2(𝑛−𝑘) ), maka terima H0 , hal ini berarti variabel bebas yang digunakan tidak berpengaruh nyata terhadap variabel bebasnya pada taraf α. 2. Uji Signifikansi Simultan (Uji F) Uji F dilakukan untuk melihat pengaruh variabel bebas terhadap variabel tak bebas secara keseluruhan dengan menggunakan pengujian F-hitung. Uji F juga digunakan untuk mengetahui kelayakan model yang diajukan untuk menduga parameter yang ada pada persamaan. Hipotesis: H0 : β0 = β1 = β2 = ⋯ = βn = 0

(variabel bebas tidak berpengaruh nyata terhadap variabel tak bebas)

H1 : minimal ada salah satu β1 ≠ 0

(paling sedikit ada satu variabel bebas yang berpengaruh nyata terhadap variabel tak bebas)

β = dugaan parameter Statistik uji yang dilakukan dalam uji F adalah sebagai berikut: F-hitung =

R 2/k−1 1−R 2 /n−k

Kemudian hasil dari F-hitung dibandingkan dengan F-tabel (F𝛼(𝑘 −1,𝑛 −𝑘) ).

36

Keterangan: R2 = Koefisien determinasi n = Banyaknya data K = Jumlah koefisien regresi dugaan Kriteria uji yang digunakan dalam melakukan uji F adalah sebagai berikut : Jika F-hitung > (F𝛼 (𝑘−1,𝑛 −𝑘) ), maka tolak H0 Jika F-hitung < (F𝛼 (𝑘−1,𝑛 −𝑘) ) maka terima H0 Jika hasil F-hitung > F-tabel (F𝛼 (𝑘−1,𝑛 −𝑘) ), maka tolak H0 , hal ini seperti minimal terdapat variabel bebas yang nilainya tidak nol dan berpengaruh nyata terhadap variabel tak bebas. Sedangkan apabila F-hitung < F-tabel (F𝛼(𝑘−1,𝑛−𝑘 ) ), maka terima H0 hal ini berarti tidak ada variabel bebas yang dapat menjelaskan secara nyata keragaman dari variabel bebas. 3. Uji Koefisien Determinasi (R2 ) dan Adjusted R2 Koefisien determinasi ( R2 ) dan Adjusted R2 digunakan untuk melihat sejauh mana variabel bebas mampu menerangkan keragaman variabel tak bebas dan untuk melihat seberapa kuat variabel bebas mampu menerangkan keragaman variabel tak bebas dan untuk melihat seberapa kuat variabel yang dimasukkan pada model dapat menerangkan model tersebut. Menurut Gujarati (1995) terdapat dua sifat R-squared, yaitu: a. Merupakan besaran non-negatif b. Batasnya adalah 0 ≤ R2 ≥ 1. Jika R2 bernilai 1 ada suatu kecocokan sempurna, sedangkan jika R2 bernilai 0 berarti tidak ada hubungan antara variabel bebas dengan variabel tak bebas.

37

Nilai koefisien determinasi dapat dihitung dengan rumus sebagai berikut : 𝐸𝑆𝑆

R2 = 𝑇𝑆𝑆 dimana :

ESS = Jumlah kuadrat yang dijelaskan (explained sum square) TSS = Jumlah kuadrat total (total sum square) Salah satu masalah jika menggunakan ukuran R-squared untuk menilai baik buruknya suatu model adalah akan selalu mendapatkan nilai yang terus naik seiring dengan pertambahan variabel bebas ke dalam model sehingga Adjusted Rsquared juga bisa digunakan untuk melihat sejauh mana variabel bebas mampu menerangkan keragaman variabel bebas. Adjusted R-squared

secara umum

memberikan hukuman terhadap penambahan variabel bebas yang tidak mampu menambah daya prediksi suatu model. Nilai Adjusted R-squared tidak akan pernah melebihi nilai R-squared, bahkan dapat menurunkan daya prediksi jika ditambahkan variabel bebas yang tidak perlu. 𝜎2

R2 = 1 − 𝑆 2 𝑦

dimana : 𝜎 2 = Variabel residual 𝑆𝑦2 = Varian sampel dari Y

3.4.2. Uji Kriteria Ekonometrika Permasalahan yang dapat ditemukan ketika menggunakan metode OLS adalah masalah autokorelasi, heteroskedastisitas, dan multikolinieritas.

38

1. Uji Normalitas Uji normalitas merupakan salah satu asumsi statistik dimana error term terdistribusi secara normal (Firdaus, 2004). Model regresi seperti ini disebut model regresi linear normal klasik. Regresi normal klasik mengasumsikan bahwa tiap ϵi didistribusikan secara normal dengan: 1. Rata-rata : E (ϵi) = 0 2. Varians : E (ϵi) = σ2 3. Cov (ϵi, ϵj) : E (ϵi, ϵj) = 0, i ≠ j 2. Uji Autokorelasi Masalah yang sering ditemukan pada berbagai penelitian adalah adanya hubungan serius antara gangguan estimasi satu observasi dengan gangguan estimasi obserbasi yang lain. Nisbah antara obserbasi inilah yang disebut sebagai menjadi tidak bias, nilai galat baku terkorelasi sehingga ramalan menjadi tidak efisien, dan ragam galat berbias. Uji Durbin Watson (Uji DW) biasa digunakan untuk melihat ada atau tidaknya autokorelasi pada model. Nilai hitung statistik d dibandingkan dengan d tabel, yaitu dengan bataas bawah (dL) dan batas atas (dU). Hasil pebandingan akan menghasilkan kesimpulan sebagai berikut: 1. Jika d < dL, berarti ada autokorelasi positif. 2. Jika d > 4-dL, berarti ada autokorelasi negatif. 3. Jika dL < d < 4-dU, berarti tidak terjadi autokorelasi positif maupun negatif 4. Jika dL ≤ d ≤ dU atau 4-dU ≤ d ≤ 4-dL, berarti tidak dapat disimpulkan. Solusi yang dapat dilakukan untuk mengatasi masalah autokorelasi adalah sebagai berikut (Gujarati, 1993):

39

a. Menghilangkan variabel bebas yang sebenarnya berpengaruh terhadap variabel tak bebas. b. Apabila terjadi kesalahan dalam hal spesifikasi model, hal ini dapat diatasi dengan mentransformasi model, misalnya dari model linier menjadi model non-linier atau sebaliknya. 3. Uji Heteroskedastisitas Suatu model dikatakan baik apabila memenuhi asumsi homoskedastisitas (tidak terjadi heteroskedastisitas) atau memiliki ragam error yang sama. Heteroskedastisitas adalah suatu penyimpangan asumsi OLS dalam bentuk varians gangguan estimasi yang dihasilkan oleh estimasi OLS yang tidak bernilai konstan. Heteroskedastisitas tidak merusak sifat ketidakbiasan dan konsistensi dari penaksir OLS tetapi penaksir yang dihasilkan tidak lagi mempunyai varians yang minimum (efisiensi). Menurut Gujarati (1993), jika terjadi heteroskedastisitas maka akan berakibat sebagai berikut : a. Estimasi dengan menggunakan OLS tidak akan memiliki varian yang minimum atau estimator tidak efisien. b. Prediksi (nilai Y untuk X tertentu) dengan estimator dari data yang sebenarnya akan mempunyai varian yang tinggi sehingga prediksi menjadi tidak efisien. c. Tidak dapat diterapkannya uji nyata koefisien atau selang kepercayaan dengan menggunakan formula yang berkaitan dengan nilai varian. Untuk memeriksa keberadaan heteroskedastisitas salah satunya dapat ditujukan dengan White-Heteroskedastisity Test, dimana tidak perlu asumsi normalitas dan relatif mudah. Hipotesis yang digunakan untuk menguji keberadaan heteroskedastisitas adalah sebagai berikut :

40

Hipotesis : H0 : 𝛾 = 0 (homoskedastisitas) H1 ∶ 𝛾 ≠ 0 (heteroskedastisitas) Jika nilai probability Obs*R-squared-nya > taraf nyata yang digunakan maka hipotesis H0 diterima yang berarti tidak terdpat gejala heteroskedastisitas pada model. Jika nilai probability Obs*R-squared-nya < taraf nyata yang digunakan,

maka

hipotesis

H0

ditolak

yang

berarti

terdapat

gejala

heteroskedastisitas pada model. Solusi dari masalah ini adalah mencari transformasi model asal sehingga model yang baru akan memiliki error term dengan varian yang konstan. 4. Uji Multikolinearitas Multikolinearitas adalah adanya hubungan linier yang sempurna antara beberapa atau semua variabel yang ada pada model. Multikolinearitas menyebabkan koefisien regresi menjadi tidak dapat ditaksir dan nilai standard error setiap koefisien regresi menjadi tidak terhingga. Multikolinearitas dapat disebabkan oleh beberapa hal, antara lain; 1) Kesalahan teoritis dalam pembentukan model fungsi regresi yang digunakan, 2) Terlampau kecilnya jumlah pengamatan yang akan dianalisis dalam model. Gujarati (1993) mengemukakan tanda-tanda adanya multikolinearitas adalah sebagai berikut : a. Tanda tidak sesuai dengan yang diharapkan. b. R-squared-nya tinggi tetapi uji individu tidak banyak bahkan tidak ada yang nyata. c. Korelasi sederhana antara variabel individu tinggi (r𝑖𝑗 tinggi) d. R2 < r𝑖𝑗 menunjukkan adanya masalah multikolinearitas.

41

Solusi untuk mengatasi masalah multikolinieritas menurut Gujarati (1993) adalah sebagai berikut : a. Menggunakan extraneous atau informasi sebelumnya. b. Mengkombinasikan data cross-sectional dan data deretan waktu. c. Meninggalkan variabel yang sangat berkorelasi. d. Mentransformasikan data. e. Mendapatkan tambahan data baru.