IV. METODE PENELITIAN 4.1
Tempat dan Waktu Penelitian Lokasi penelitian yang dipilih adalah di daerah sekitar terusan BKB
Jakarta, yaitu sepanjang daerah Halimun sampai Karet, Jakarta Pusat. Pengambilan data primer dilaksanakan dari bulan Februari 2012 sampai Maret 2012. Pemilihan lokasi tersebut dilakukan secara sengaja (purposive), karena pada kawasan tersebut terlihat adanya potensi wisata air yang dapat menimbulkan eksternalitas positif bagi masyarakat. 4.2
Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data cross
section. Data dikumpulkan untuk penelitian ini dalam satu waktu tertentu. Sumber data dalam penelitian ini adalah data primer dan data sekunder. Data primer
didapat
dari
hasil
wawancara
terhadap
responden
dengan
menggunakan kuesioner. Data primer merupakan data yang diperoleh langsung dari subjek penelitian atau responden. Sedangkan data sekunder merupakan data yang tidak langsung diperoleh dari responden (Wardiyanta, 2006). Beberapa hal yang dibutuhkan dalam pengumpulan data primer, meliputi: karakteristik responden, eksternalitas positif yang dirasakan responden dari adanya potensi wisata air BKB Jakarta, mengenai kesediaan atau ketidaksediaan membayar, serta seberapa besar nilai yang bersedia di bayarkan. Data sekunder meliputi data lokasi banjir di lima wilayah kota Jakarta, data curah hujan stasiun BMKG dan pos hujan, data luasan Banjir Kanal yang
35
ada di Jakarta, serta data lainnya yang dibutuhkan. Data sekunder tersebut diperoleh dari studi pustaka maupun literatur yang terkait dengan topik penelitian. 4.3
Metode Pengambilan Sampel Penentuan pengambilan sampel dilakukan dengan menggunakan
metode convenience sampling. Metode convenience sampling merupakan metode pengambilan responden yang kebetulan ditemui, memenuhi kriteria dan bersedia diwawancara (Nasution,2003). Jumlah responden yang diambil sebanyak 100 orang. 4.4
Metode Pengolahan dan Analisis Data Data dianalisis secara kualitatif dan kuantitatif, dengan menggunakan
program Excel 2007 dan SPSS 16 For Windows. Matriks metode analisis yang digunakan dapat dilihat pada Tabel 10. Tabel 10. Matriks Analisis Data No Tujuan Penelitian Sumber Data dan Jumlah Sampel 1
2
3
4
Mengidentifikasi eksternalitas positif dari potensi keberadaan BKB Jakarta Mengkaji peluang kesediaan membayar masyarakat Mengestimasi nilai WTP responden terhadap potensi wisata air BKB Jakarta Mengidentifikasi faktor-faktor yang mempengaruhi besarnya nilai WTP
Metode Analisis Data
- Kuesioner - Responden = 100 orang
Analisis deskriptif kualitatif
- Kuesioner - Responden = 100 orang - Kuesioner - Responden (yang menjawab Ya)
Analisis logistik dengan SPSS 16.0
- Kuesioner - Responden (yang menjawab Ya)
Analisis regresi berganda dengan SPSS 16.0
CVM
Sumber: Penulis (2012)
36
4.4.1 Analisis Dampak Eksternalitas Positif Potensi Keberadaan BKB Analisis dampak eksternalitas positif dari potensi keberadaan BKB dilihat dengan melakukan tinjauan secara langsung ke daerah BKB yang memiliki potensi wisata air sehingga dapat menimbulkan suatu eksternalitas positif bagi masyarakat dan menanyakan kepada responden perubahan apa saja yang mereka rasakan. Identifikasi ini meliputi ada atau tidak adanya manfaat atas potensi wisata air BKB Jakarta, pandangan responden terhadap kualitas lingkungan, dan dampak yang timbul akibat potensi wisata air BKB. Dampak eksternalitas positif ini diidentifikasi dengan menggunakan analisis deskriptif kualitatif. 4.4.2
Analisis Peluang Kesediaan Membayar (WTP) Responden Analisis peluang kesediaan membayar responden meliputi bersedia
atau tidak bersedia mengeluarkan sejumlah uang untuk wisata air yang menjadi potensi BKB Jakarta. Analisis ini bertujuan untuk mengetahui nilai observasi dan harapan. Hasil identifikasi ini dapat menduga ketepatan antara nilai harapan dan observasi dari data yang diperoleh. Nilai tersebut didapat melalui perhitungan dengan menggunakan metode regresi logistik. Bentuk model logit yang digunakan adalah: Li = Ln [Pi/(1-Pi)] = β0 + β1PNDKi + β2PNDPi + β3JTKi + β4JTTi + β5FKi + β6KUi + β7TKi + β8KAi + β9PMDi + εi dimana: Li
= peluang responden bersedia membayar akibat eksternalitas positif dari potensi wisata air BKB (bernilai 1 untuk “bersedia”, bernilai 0 untuk “tidak bersedia”) β0 = intersep β1..β9 = koefisien dari regresi PNDK = lamanya menempuh pendidikan (tahun) PNDP = tingkat pendapatan (Rp) JTK = jumlah tanggungan keluarga (orang)
37
JTT FK KU TK KA PMD εi
= jarak tempat tinggal (meter) = frekuensi kunjungan (kali) = kualitas udara (persepsi) = tata kota (persepsi) = kualitas air (persepsi) = pemandangan (persepsi) = kesalahan pengganggu (disturbance’s error) Variabel pendidikan diduga akan mempengaruhi besarnya peluang
kesediaan membayar responden, semakin tinggi tingkat pendidikan maka semakin tinggi pula kesadaran akan pentingnya menjaga lingkugan, sehingga peluang kesediaan membayar akan semakin besar. Variabel pendapatan juga diduga akan mempengaruhi besarnya peluang kesediaan membayar responden, semakin besar pendapatan, maka peluang kesediaan membayar akan semakin besar. Variabel jumlah tanggungan keluarga dan variabel jarak tempat tinggal diduga akan mempengaruhi peluang kesediaan membayar responden. Responden yang memiliki tanggungan keluarga lebih sedikit diduga peluang kesediaan membayarnya juga semakin besar. Responden yang bertempat tinggal dekat dengan terusan BKB diduga peluang kesediaan membayarnya akan semakin besar. Responden yang frekuensi kunjungan ke daerah terusan BKB lebih sering diduga peluang kesediaan membayarnya akan semakin besar. Variabel-variabel yang berhubungan dengan kualitas lingkungan juga diduga akan berpengaruh terhadap peluang kesediaan membayar responden. Semakin baik persepsi responden terhadap kualitas udara, kualitas air, tata kota, serta pemandangan apabila potensi wisata air BKB Jakarta terbangun, maka peluang kesediaan membayarnya akan semakin tinggi.
38
4.4.3 Estimasi Nilai WTP Responden Terhadap Potensi Wisata Air BKB Langkah
selanjutnya
setelah
menganalisis
peluang
kesediaan
membayar responden terhadap wisata air yang menjadi potensi BKB Jakarta adalah mengestimasi nilai ekonomi dari adanya wisata air yang menjadi potensi BKB Jakarta. Besarnya nilai WTP responden dapat diketahui dengan menggunakan pendekatan CVM. Pendekatan tersebut memiliki enam tahapan (Hanley and Spash,1993), yaitu: 1) Membuat Pasar Hipotetik (Setting Up The Hypothetical Market) Pasar hipotetik dibuat atas dasar skenario bahwa pemerintah atau swasta akan memberlakukan kebijakan baru yaitu memanfaatkan potensi wisata air BKB Jakarta sepanjang Halimun sampai Karet yang dapat menimbulkan eksternalitas positif bagi masyarakat. Pertanyaan dalam pasar hipotetik yang dibentuk dalam skenario adalah: “Bersediakah bapak/ibu/saudara/i untuk berpartisipasi dalam bentuk kesediaan membayar terhadap kebijakan pemerintah atau swasta dalam pemanfaatan potensi wisata air BKB Jakarta dalam bentuk perahu unik disepanjang Halimun sampai Karet dan berapa besar dana yang bersedia dibayarkan?” 2) Memperoleh Nilai Penawaran WTP (Obtaining Bids) Alat survei telah dibuat, maka survei dilakukan dengan wawancara langsung. Responden ditanya besarnya maksimum WTP yang dibayarkan terhadap dampak peningkatan kualitas lingkungan, dalam hal ini digunakan cara payment card, karena menurut beberapa penelitian metode ini terbukti lebih mudah dipahami oleh responden. Payment card merupakan salah satu metode yang dapat menghilangkan bias titik awal karena dalam metode ini sudah disediakan beberapa nilai yang dapat
39
langsung dipilih oleh responden. Biaya yang ditawarkan berkisar dari Rp 2.000,00 sampai Rp 10.000,00. Penentuan besarnya biaya tersebut berdasarkan harga tiket untuk menaiki perahu saat adanya water way di Jakarta tahun 2007. Penentuan harga tersebut masih relevan, karena jika dibandingkan dengan harga tiket perahu yang ada di Sungai Musi juga berkisar diantara Rp 2.000,00. 3) Menghitung Dugaan Nilai Rataan WTP (Estimating Mean WTP) Perhitungan nilai rata-rata dan median dapat dilakukan setelah nilai WTP deketahui. Dugaan rata-rata dihitung dengan rumus:
dimana: EWTP xi n i
= Dugaan rataan WTP = Jumlah tiap data = Jumlah responden = Responden ke-i yang bersedia membayar
4) Menduga Kurva Permintaan WTP (Estimating Curve) Pendugaan kurva WTP akan dilakukan dengan menggunakan persamaan berikut: WTP = f (jumlah responden, besarnya nilai WTP) dimana: Jumlah responden
= banyaknya responden yang bersedia membayar sejumlah nilai WTP tertentu (orang) Besarnya nilai WTP = nilai maksimal yang bersedia dibayarkan responden (Rp) 5) Menjumlahkan Data (Agregating Data) Penjumlahan data merupakan proses dimana nilai rata-rata penawaran dikonversikan terhadap populasi yang dimaksud. Nilai total WTP dari
40
masyarakat dapat diketahui setelah menduga nilai tengah WTP. Rumus yang dapat digunakan adalah:
dimana: TWTP WTP ni i
= = = =
Total WTP WTP individu ke-i Jumlah sampel ke-i yang bersedia membayar sebesar WTP Responden ke-i yang bersedia membayar
6) Mengevaluasi Penggunaan CVM (Evaluating the CVM Exercise) Tahap ini memerlukan pendekatan seberapa besar tingkat keberhasilan dalam pengaplikasian CVM. Pelaksanaan model CVM dapat dievaluasi dengan melihat tingkat keandalan fungsi WTP dengan melihat nilai Rsquares (R2) dari model OLS (Ordinary Least Square) WTP. 4.4.4
Analisis Fungsi Willingness to Pay (WTP) Analisis fungsi WTP digunakan untuk mengetahui faktor-faktor yang
mempengaruhi WTP responden. Alat analisis yang digunakan adalah model regresi linier berganda. Fungsi persamaannya sebagai berikut: midWTPi = β0 + β1PNDKi + β2PNDPi + β3JTKi + β4JTT + β5FK + β6KU + β7TK + β8KA + β9PMD + εi dimana: PNDK PNDP JTK JTT FK KU TK KA PMD i ε
= tingkat pendidikan (tahun) = tingkat pendapatan (Rp) = jumlah tanggungan keluarga (orang) = jarak tempat tinggal (meter) = frekuensi kunjugan (kali) = kualitas udara(persepsi) = tata kota(persepsi) = kualitas air (persepsi) = kualitas pemandangan (persepsi) = responden ke-i = galat 41
Variabel yang diduga mempengaruhi secara positif adalah tingkat pendidikan, tingkat pendapatan, frekuensi kunjungan, jarak tempat tinggal, persepsi tentang kualitas air, persepsi tentang kualitas udara, persepsi tentang tata kota, serta persepsi tentang kualitas pemandangan. Tingginya tingkat pendidikan
mencerminkan
responden
memiliki
pengetahuan
akan
eksternalitas, sehingga mempengaruhi responden untuk membayar lebih tinggi. Tingginya tingkat pendapatan diduga akan mempengaruhi responden untuk membayar lebih tinggi. Semakin sering tingkat kunjungan responden, diduga akan mempengaruhi responden untuk membayar lebih tinggi. Semakin dekat jarak tempat tinggal responden, diduga akan mempengaruhi responden untuk membayar lebih tinggi. Persepsi tentang kualitas lingkungan adalah semakin baik persepsi responden terhadap kualitas air yang disebabkan adanya potensi wisata air BKB, diduga akan mempengaruhi responden untuk membayar lebih tinggi. Semakin baik persepsi responden terhadap kualitas udara yang disebabkan adanya potensi wisata air BKB, diduga akan mempengaruhi responden untuk membayar lebih tinggi. Semakin baik persepsi responden terhadap tata kota yang disebabkan adanya potensi wisata air BKB, diduga akan mempengaruhi responden untuk membayar lebih tinggi. Serta semakin baik persepsi responden terhadap kualitas pemandangan yang disebabkan adanya potensi wisata air BKB, diduga akan mempengaruhi responden untuk membayar lebih tinggi.
42
4.5
Pengujian Parameter Pengujian secara statistik terhadap model perlu dilakukan dengan
cara: 4.5.1 Pengujian Regresi Linier Berganda 1) Uji Keandalan Uji ini dilakukan untuk mengevaluasi pelaksanaan CVM dilihat dengan nilai R-squares (R2) dari OLS (Ordinary Least Square)WTP. Koefisien determinasi adalah suatu nilai statistik yang dapat mengetahui besarnya kontribusi variabel bebas terhadap variabel terikat dari suatu persamaan regresi (Firdaus, 2004). Mitchell dan Carson (1989) dalam Hanley dan Spash (1993) merekomendasikan 15 persen sebagai batas mínimum dari R2 yang realibel. Nilai R2 yang lebih besar dari 15 persen menunjukkan tingkat realibilitas yang baik dalam penggunaan CVM. 2) Uji Statistik t Uji statistik t adalah uji untuk mengetahui masing-masing variabel bebas yang berpengaruh terhadap variabel terikatnya. Pengujian koefisien regresi secara individual dilakukan untuk membuktikan bahwa koefisien regresi suatu model regresi tersebut secara statistik signifikan atau tidak. Prosedur pengujian uji statistik t adalah (Ramanathan, 1997): H0 : βi = 0 atau variabel bebas tidak berpengaruh nyata terhadap variabel terikat H 1 : βi ≠ 0 atau varibel bebas berpengaruh nyata terhadap variabel terikat
43
Jika thit(n-k) < tα/2 maka terima H0, artinya variabel bebas (Xi) tidak berpengaruh nyata terhadap (Y). Jika thit(n-k) > tα/2, maka terima H1 artinya variabel bebas (Xi) berpengaruh nyata terhadap (Y). 3) Uji Statistik F Uji statistik F dilakukan untuk mengetahui pengaruh variabel bebas secara bersama-sama terhadap variabel terikat. Prosedur pengujian menurut Ramanathan (1997) adalah: H0 = β1= β2 = β3 = … β = 0 atau tidak ada satupun variabel yang berpengaruh H1 = β1 = β2 = β3 =
…β≠
0 atau minimal ada satu variabel yang berpengaruh
dimana: JKK JKG n k
= jumlah kuadrat untuk nilai tengah kolom = jumlah kuadrat galat = jumlah sampel = jumlah peubah
Jika Fhit < Ftabel maka terima H0, artinya secara serentak variabel (Xi) tidak berpengaruh nyata terhadap (Y). Jika Fhit > Ftabel, maka terima H1, yang artinya variabel (Xi) secara serentak berpengaruh nyata terhadap (Y). 4) Uji Terhadap Kolinear Ganda Model dengan banyak peubah sering terjadi masalah multikolinier yaitu terjadinya korelasi yang kuat antar peubah-peubah bebas. Cara yang paling mudah untuk mengungkapkan apakah multikolinieritas menyebabkan masalah adalah dengan mengkaji simpangan baku koefisiennya. Jika beberapa koefisien mempunyai simpangan baku yang tinggi, dan kemudian mengeluarkan satu atau lebih peubah bebas dari model menyebabkan simpangan bakunya rendah, maka biasanya sumber 44
masalahnya adalah multikolinieritas. Masalah tersebut dapat dilihat langsung melalui hasil komputer, jika Varian Inflation Factor (VIF) < 10, maka tidak ada masalah multikolinier (Gujarati, 2003). 5) Uji Heteroskedastisitas Salah
satu
asumsi
metode
pendugaan
kuadrat
terkecil
adalah
homoskedastisitas, yaitu ragam galat konstan dalam setiap amatan. Pelanggaran atas asumsi ini disebut heteroskedastisitas. Model regresi yang
baik
adalah
heteroskedastisitas
yang
homoskedastisitas
(Ghozali,
2006).
atau
Deteksi
tidak ada
terjadi tidaknya
heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual yang telah di-studentized (Ghozali, 2006). Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Dasar analisis uji heteroskedastisitas (Ghozali, 2006): 1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. 2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y, maka tidak terjadi heteroskedatisitas. Penelitian ini menggunakan uji white seperti yang disarankan oleh Goldfeld dan Quandt (Ramanathan, 1997). Prosedur pengujiannya adalah: H0 = tidak ada heteroskedastisitas
45
H1 = ada masalah heteroskedastisitas Terima H0 jika probability obs*R square lebih besar dari α. Artinya tidak terjadi heteroskedastisitas. 6) Uji Normalitas Uji normalitas diperlukan untuk mengetahui apakah error term dari data atau observasi yang jumlahnya kurang dari 30 mendekati sebaran normal sehingga statistik t dapat dikatakan sah. Data pada penelitian ini jumlahnya lebih dari 30, oleh sebab itu diduga data telah mendekati sebaran normal sehingga statistik t dapat dikatakan sah. Penelitian ini menggunakan uji Kolmogorov-Smirnov. Penerapan uji ini adalah bahwa jika signifikasi dibawah 5 % berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data normal baku, artinya data tersebut tidak normal (Suliyanto, 2005). 7) Uji Autokorelasi Uji autokorelasi dilakukan untuk melihat apakah terdapat hubungan diantara galat dalam persamaan regresi yang diperoleh. Autokorelasi cenderung akan mengestimasi standar error lebih kecil daripada nilai sebenarnya, sehingga nilai statistic-t akan lebih besar. Uji yang digunakan untuk mendeteksi autokorelasi adalah uji DW (Durbin Watson test). Nilai statistik DW berada diantara 1,55 dan 2,46 maka menunjukkan tidak ada autokorelasi (Firdaus, 2004).
46
4.5.2 Pengujian Regresi Logit 1) Uji G Uji G atau Likelihood ratio merupakan rasio kemungkinan maksimum (likelihood ratio test) yang digunakan untuk menguji peranan variabel bebas secara serentak. Rumus umum uji G adalah (Hosmer dan Lemeshow, 1989):
dimana: lo = nilai likelihood tanpa variabel penjelas li = nilai likelihood model penuh Prosedur pengujiannya adalah: H0 = β1 = β2 = .... = βk = 0 H1 = minimal ada satu βi tidak sama dengan nol, dimana i = 1,2,...,n Jika G > χ2 α, k-1, atau nilai-p dari Hosmer and Lemeshow Test lebih besar dari alpha, maka hipotesis nol (H0) ditolak (Juanda, 2009). Artinya secara bersama-sama variabel independen dalam model berpengaruh nyata terhadap variabel dependen. 2) Uji Wald Uji Wald digunakan untuk menguji signifikansi parameter koefisien secara parsial (Juanda, 2009). Statistik uji yang digunakan adalah:
H0 = H1 =
=0 ≠0
47
dimana: = Vektor koefisien dihubungkan dengan penduga (koefisien x) E( ) = Galat kesalahan dari Uji Wald mengikuti sebaran normal baku dengan kaidah keputusan menolak H0 jika
> Zα/2 (Hosmer dan Lemeshow, 1989). Artinya
variabel independen berpengaruh nyata terhadap variabel dependen. 3) Uji Odds Ratio Odds Ratio sebesar Exp (β) merupakan rasio peluang terjadi pilihan-1 terhadap peluang terjadi pilihan-0 (Juanda, 2009). Koefisien yang bertanda positif menunjukkan nilai odds ratio lebih besar dari satu, artinya bahwa peluang kejadian sukses lebih besar dari peluang kejadian tidak sukses. Sedangkan koefisien yang bertanda negatif berarti bahwa peluang kejadian tidak sukses lebih besar dari peluang kejadian sukses. Formula Odds Ratio dapat ditulis sebagai: Pi/(1-Pi) = ezi.
48
