IV. METODE PENELITIAN 4.1.
Lokasi dan Waktu Penelitian Penelitian dilakukan di kawasan wisata Puncak Bogor, Provinsi Jawa
Barat. Kawasan wisata ini meliputi wisata outbound (yang berada di Lembah Pertiwi, Alfa Resort, Taman Wisata Matahari, Eagle Hill, dan Pasadena Village), hotel/villa (Hotel Permata Alam, Hotel Puri Avia, Hotel Megamendung Permai, Hotel Safari Garden dan Villa Alfa Resort), wisata kebun teh (Agrowisata Gunung Mas), dan wisata paralayang Puncak. Pemilihan lokasi penelitian dilakukan secara sengaja (purposive) berdasarkan pertimbangan bahwa di kawasan Puncak terdapat banyak obyek wisata dengan tingkat kunjungan yang tinggi dan terjadinya perubahan iklim yang relatif ekstrim. Kegiatan penelitian meliputi perumusan masalah, pengumpulan data, pengolahan data, intepretasi data, dan penarikan kesimpulan hingga perbaikan. Rangkaian kegiatan tersebut dilaksanakan pada bulan Februari - Agustus 2011. 4.2.
Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data primer dan
sekunder. Data primer merupakan data yang diperoleh melalui wawancara langsung dengan menggunakan kuesioner yang dilakukan oleh peneliti, sedangkan data sekunder yang digunakan dalam penelitian ini diperoleh dari beberapa instansi terkait dengan obyek penelitian seperti Dinas Pariwisata dan Kebudayaan Kabupaten Bogor, tim pengelola wisata, dan internet.
4.3.
Metode Pengambilan Contoh Pengambilan contoh dilakukan dengan menggunakan metode non-
probability sampling yaitu teknik purposive sampling. Teknik tersebut merupakan teknik pengambilan contoh dimana peneliti secara sengaja memilih subyeksubyek yang menjadi anggota kelompok tertentu (Wahyuni dan Pudji, 2009). Responden yang digunakan dalam penelitian ini adalah wisatawan yang berkunjung ke obyek wisata di kawasan Puncak Bogor. Jumlah responden yang diambil dalam penelitian ini adalah sebanyak 60 orang. Dalam penelitian sosial, jumlah responden sebanyak 60 orang ini dinilai sudah mewakili keseluruhan populasi wisatawan di Puncak dan hasil estimasi pada model regresi linear berganda juga menunjukkan bahwa data sudah menyebar normal. 4.4.
Metode Pengolahan dan Analisis Data Data yang diperoleh dari penelitian ini dianalisis secara kualitatif dan
kuantitatif. Pengolahan dan analisis data dilakukan menggunakan komputer dengan program Microsoft Office Excell 2007 dan program SPSS 13.0 for Windows. Tabel 2 menyajikan keterkaitan antara tujuan penelitian, sumber data, dan metode analisis data yang digunakan dalam penelitian.
24
Tabel 2. Keterkaitan Tujuan, Sumber Data dan Metode Analisis Data No 1
Menganalisis fenomena perubahan iklim mikro selama sepuluh tahun terakhir
Data sekunder
Metode Analisis Data Analisis Deskriptif Kualitatif
2
Menganalisis dampak perubahan iklim mikro terhadap permintaan wisata
Data primer (wawancara) dan data sekunder
Analisis dengan Model Regresi Linear Berganda
3
Mengestimasi besarnya kerugian obyek wisata akibat adanya perubahan iklim Mengkaji strategi adaptasi pengelola obyek wisata dalam menghadapi perubahan iklim
Data sekunder
Analisis Perubahan Pendapatan Analisis Deskriptif Kualitatif
4
Tujuan Penelitian
Sumber Data
Data primer (wawancara)
4.4.1. Analisis Fenomena Perubahan Iklim Mikro di Kawasan Puncak Bogor Fenomena perubahan iklim mikro yang terjadi selama sepuluh tahun terakhir di kawasan Puncak Bogor dianalisis menggunakan analisis deskriptif kualitatif. Analisis deskriptif adalah jenis analisis data yang dimaksudkan untuk mengungkapkan keadaan atau karakteristik data sampel untuk masing-masing variabel penelitian secara tunggal (Wahyuni dan Pudji, 2009). Analisis ini dilakukan dengan menggunakan teknik statistik deskriptif seperti tabel frekuensi, grafik atau tabulasi yang bertujuan untuk membuat deskripsi, gambaran, atau lukisan secara sistematik sehingga data yang disajikan dapat dengan mudah dipahami oleh semua pihak. Dalam penelitian ini, data yang akan dianalisis secara deskriptif adalah parameter perubahan iklim mikro, meliputi kecepatan angin, curah hujan, dan jumlah hari hujan. Selanjutnya dianalisis keterkaitan perubahan iklim global dengan fenomena perubahan iklim mikro.
25
4.4.2. Analisis Dampak Perubahan Iklim Mikro terhadap Permintaan Wisata Dampak perubahan iklim mikro terhadap permintaan wisata dilihat dari tren perkembangan parameter iklim dengan tren perkembangan jumlah pengunjung wisata, selain itu dianalisis juga dengan menggunakan model regresi linear berganda. Model regresi merupakan alat statistika untuk mengevaluasi hubungan antara satu peubah dengan satu peubah lainnya, atau satu peubah dengan beberapa peubah lainnya (Gujarati, 2003). Penelitian ini akan menganalisis pengaruh hubungan antara satu peubah dengan beberapa peubah lainnya, sehingga analisis yang digunakan adalah model regresi linear dengan dua atau lebih peubah penjelas (regresi linear berganda). Model regresi tersebut yaitu:
Υ = β0 + β1Χ1 + β2 Χ2 + ⋅ ⋅ ⋅ ⋅ +βn Χn + ε i Dimana: Y = Nilai rata-rata dugaan β0 = Intersep β1 = Parameter yang mempengaruhi nilai rataan X1 = Variabel yang mempengaruhi nilai rataan βn = Parameter ke n Xn = Variabel ke n εi = Galat atau error Berdasarkan model regresi di atas, maka hubungan antara tingkat permintaan wisata dan faktor-faktor yang mempengaruhinya dirumuskan sebagai berikut:
Υt = β0 + β1Χ1 + β2 Χ2 + β3 Χ3 + β4 Χ4 + β5 Χ5 + β6 Χ6 + β7 Χ7 + β8 Χ8 + ε i
26
Estimasi parameter dugaan: β1, β2, β3, β4, β7 < 0 β5, β6, β8 > 0 Dimana: Yt = Jumlah kunjungan ke kawasan wisata (jumlah kunjungan per tahun) β0 = Intersep βi = Koefisien regresi untuk faktor Xi, dimana i = 1,2,...,8 X1 = Biaya Perjalanan (Rp) X2 = Kecepatan angin (bernilai 1 jika ”menurun”, bernilai 2 jika ”tetap”, bernilai 3 jika ”meningkat”) X3 = Curah hujan (bernilai 1 jika ”menurun”, bernilai 2 jika ”tetap”, bernilai 3 jika ”meningkat”) X4 = Hari hujan (bernilai 1 jika ”menurun”, bernilai 2 jika ”tetap”, bernilai 3 jika ”meningkat”) X5 = Pendapatan responden (Rp) X6 = Tingkat pendidikan responden X7 = Jarak tempuh (km) X8 = Umur responden (tahun) εi = Galat atau error Besarnya jumlah kunjungan ke lokasi wisata akan mencerminkan besarnya permintaan pada wisata tersebut. Jumlah kunjungan dipengaruhi oleh faktorfaktor sebagai berikut: biaya perjalanan, kecepatan angin, curah hujan, hari hujan, pendapatan responden, tingkat pendidikan responden, jarak tempuh, dan umur responden. Variabel-variabel tersebut diduga mempengaruhi besarnya jumlah kunjungan wisatawan ke Puncak.
27
Variabel yang diduga akan memiliki koefisien bernilai positif yaitu pendapatan responden, tingkat pendidikan responden, dan umur responden. Dihipotesiskan bahwa semakin tinggi pendapatan responden maka diduga akan mempengaruhi responden dalam meningkatkan jumlah kunjungannya ke Puncak. Dihipotesiskan bahwa semakin tinggi pendidikan akhir yang ditempuh responden maka diduga akan mempengaruhi responden dalam meningkatkan jumlah kunjungannya ke Puncak. Dihipotesiskan bahwa semakin tinggi umur responden maka diduga akan mempengaruhi responden dalam meningkatkan jumlah kunjungannya ke Puncak. Variabel yang diduga akan memiliki koefisien bernilai negatif yaitu biaya perjalanan, kecepatan angin, curah hujan, hari hujan, dan jarak yang dibutuhkan untuk mengunjungi obyek wisata. Dihipotesiskan bahwa semakin tinggi biaya perjalanan maka diduga akan mempengaruhi responden dalam mengurangi jumlah kunjungannya ke Puncak. Dihipotesiskan bahwa semakin besar kecepatan angin yang dirasakan responden maka diduga akan mempengaruhi responden dalam mengurangi jumlah kunjungannya ke Puncak. Dihipotesiskan bahwa semakin besar curah hujan yang dirasakan responden maka diduga akan mempengaruhi responden dalam mengurangi jumlah kunjungannya ke Puncak. Dihipotesiskan bahwa semakin besar jumlah hari hujan yang dirasakan responden maka diduga akan mempengaruhi responden dalam mengurangi jumlah kunjungannya ke Puncak. Dihipotesiskan bahwa semakin jauh jarak responden untuk mengunjungi lokasi wisata Puncak maka diduga mempengaruhi responden dalam mengurangi jumlah kunjungannya ke Puncak.
28
4.4.3. Estimasi Kerugian Ekonomi Obyek Wisata di Puncak Akibat Adanya Perubahan Iklim Mikro Nilai kerugian ekonomi akibat adanya pengaruh iklim dianalisis dengan mengestimasi perubahan pendapatan obyek wisata, dimana pendapatan minimum saat dipengaruhi oleh iklim dikurangi dengan pendapatan pada keadaan normal. Pendapatan minimum diestimasi dengan mengalikan jumlah pengunjung minimum saat dipengaruhi iklim dengan harga tiket, sedangkan pendapatan normal diestimasi dengan mengalikan jumlah pengunjung pada keadaan normal dengan harga tiket. Berdasarkan penghitungan tersebut, diperoleh rumus sebagai berikut: ∆I = I2 - I1 Dimana: ∆I = Perubahan pendapatan obyek wisata akibat pengaruh iklim (Rp) I1 = Pendapatan pada keadaan normal (Rp) I2 = Pendapatan minimum akibat pengaruh iklim (Rp) Sementara itu, untuk memperoleh hasil pendapatan suatu obyek wisata dilakukan dengan cara mengalikan jumlah pengunjung dengan hargat tiket. Rumus yang digunakan untuk memperoleh pendapatan adalah sebagai berikut: I=nxP Dimana: I
= Pendapatan obyek wisata (Rp)
n
= Jumlah pengunjung (orang)
P = Harga tiket obyek wisata (Rp)
29
4.4.4. Rekomendasi Kebijakan Adaptasi Pengelola Obyek Wisata dalam Menghadapi Perubahan Iklim Rekomendasi kebijakan adaptasi pihak pengelola obyek wisata dalam menghadapi perubahan iklim dijabarkan secara deskriptif kualitatif. Rekomendasi kebijakan ini untuk melihat apa saja yang dapat dilakukan pengelola obyek wisata dalam beradaptasi menyikapi perubahan iklim yang terjadi di kawasan Puncak Bogor agar tingkat kunjungan wisatawan ke Puncak tetap tinggi. 4.5.
Pengujian Parameter Dalam melakukan analisis menggunakan model regresi linier berganda,
asumsi-asumsi dasar harus terpenuhi. Jika hal ini tidak terpenuhi akan berakibat pengujian yang dilakukan menjadi tidak efisien dan kesimpulan yang didapat menjadi bias, sehingga perlu dilakukan pengujian parameter agar sesuai dengan kriteria statistika dan kriteria ekonometrika. 4.5.1. Uji statistika Menurut Gujarati (2003), model ekonometrika yang baik harus memenuhi kriteria statistika. Kesesuaian model dengan kriteria statistik dilihat dari koefisien determinasi (R2), uji t, dan uji F. 4.5.1.1 Koefisien Determinasi Koefisien determinasi merupakan besaran yang paling lazim digunakan untuk mengukur kebaikan-suai (goodness offit) garis regresi. Secara verbal, R2 mengukur proporsi (bagian) atau persentase total variasi dalam Y yang dijelaskan oleh model regresi. Menurut Firdaus (2004), koefisisen determinasi merupakan suatu nilai statistik yang dapat digunakan untuk mengukur ketepatan atau kecocokan suatu garis regresi dan dapat pula digunakan untuk mengetahui
30
besarnya kontribusi variabel bebas (X) terhadap variasi variabel (Y) dari suatu persamaan regresi. Nilai koefisien determinasi berkisar antara nol dan satu. Jika nilai koefisien determinasi semakin mendekati satu, berarti semakin besar keragaman
hasil
permintaan
dapat
dijelaskan
oleh
faktor-faktor
yang
mempengaruhinya. 4.5.1.2 Uji Statistik t Uji statistik t dilakukan untuk mengetahui seberapa jauh masing-masing variabel bebas (Xi) berpengaruh terhadap variabel tidak bebasnya (Yi). Prosedur pengujian yang dikemukakan Ramanathan (1997) adalah sebagai berikut: H0 : βi = 0 atau variabel bebas (Xi) tidak berpengaruh nyata terhadap variabel tidak bebasnya (Yi) H0 : βi ≠ 0 atau variabel bebas (Xi) berpengaruh nyata terhadap variabel tidak bebasnya (Yi)
t hit ( n−k ) =
βi − 0 sβ i
Jika t hit ( n − k ) > tα 2 , maka H0 diterima, artinya variabel (Xi) tidak berpengaruh nyata terhadap variabel tidak bebasnya (Yi). Namun, jika t hit ( n − k ) < tα 2 , maka H0 ditolak, artinya variabel (Xi) berpengaruh nyata terhadap variabel tidak bebasnya (Yi). 4.5.1.3 Uji Statistik F Uji statistik F dilakukan untuk mengetahui pengaruh variabel bebas (Xi) secara bersama-sama terhadap variabel tidak bebasnya (Yi). Menurut Ramanathan (1997), prosedur pengujiannya antara lain :
31
H0 = β1 = β2 = β3 = ... = β = 0 Variabel bebas (Xi) secara serentak tidak berpengaruh nyata terhadap variabel tidak bebasnya (Yi)
H1 = β1 = β2 = β3 = ... = β ≠ 0 Variabel bebas (Xi) secara serentak berpengaruh nyata terhadap variabel tidak bebasnya (Yi)
Fhit =
JKK /(k − 1) JKG / k (n − 1)
Dimana: JKK
= Jumlah kuadrat untuk nilai tengah kolom
JKG
= Jumlah kuadrat galat
n
= Jumlah sampel
k
= Jumlah peubah
Jika Fhit < Ftabel , maka H0 diterima yang berarti variabel (Xi) secara serentak tidak berpengaruh nyata terhadap (Yi). Tetapi, jika Fhit > Ftabel , maka H0 ditolak yang berarti variabel (Xi) secara serentak berpengaruh nyata terhadap (Yi). 4.5.2. Uji Ekonometrika Menurut Gujarati (2003), model ekonometrika yang baik harus memenuhi pula kriteria ekonometrika. Berdasarkan kriteria ekonometrika, model harus sesuai dengan asumsi klasik, yaitu terbebas dari gejala multikolinearitas dan heteroskedastisitas.
32
4.5.2.1 Uji Multikolinear Model
yang
melibatkan
banyak
variabel
bebas
sering
terjadi
multicollinearity, yaitu terjadinya kolerasi yang kuat antar variabel-variabel bebasnya. Multicollinearity dalam sebuah model dapat dideteksi dengan membandingkan
besarnya
koefisien
determinasi
(R2)
dengan
koefisien
determinasi parsial antar dua variabel bebas (r2). Hal ini dapat dibuat suatu matriks koefisien determinasi parsial antar variabel bebasnya (Ramanathan, 1997). Multicollinearity dapat dianggap bukan suatu masalah apabila koefisien determinasi parsial antar dua variabel bebas tidak melebihi nilai koefisien determinasi atau koefisien korelasi berganda antar semua variabel secara simultan. Namun, multicollinearity dianggap sebagai masalah apabila koefisien determinasi parsial antar dua variabel bebas melebihi atau sama dengan nilai koefisien determinasi atau koefisien korelasi berganda antar semua variabel secara simultan. Secara matematis dapat dituliskan dalam pertidaksamaan berikut : r2xj, xj > R2 x1 , x 2 , ... , x k Masalah multicollinearity dapat dilihat langsung melalui output regresi berganda, dengan melihat nilai VIF, dimana jika nilai VIF > 10 maka terdapat masalah multicollinearity. 4.5.2.2 Uji Heteroskedastisistas Salah satu asumsi metode pendugaan metode kuadrat terkecil adalah homoskedastisitas, yaitu ragam galat konstan dalam setiap amatan. Pelanggaran atas asumsi homoskedastisitas adalah timbulnya masalah heteroskedastisitas. Gejala heteroskedastisitas dapat dideteksi dengan melihat plot grafik hubungan
33
antar residual dengan fits-nya. Jika pada gambar ternyata residual menyebar dan tidak membentuk pola tertentu, maka dapat dikatakan bahwa dalam model tersebut tidak terdapat gejala heteroskedastisitas. Menurut Gujarati (2003), gejala heteroskedastisitas dapat dideteksi menggunakan uji Park dengan ketentuan sebagai berikut: Regresi Ln(Residual2) = f(Xi), Ln U2i = b0 + b1 X1 + …+ b8 X8 Apabila hasil output memberikan koefisien parameter untuk variabel bebas (X) tidak ada yang berpengaruh nyata, maka dapat disimpulkan bahwa pada model regresi tidak terdapat heteroskedastisitas.
34
