LAPORAN AKHIR PENELITIAN HIBAH BERSAING. Penerapan Metode Ekonometrika Tingkat Lanjut Dalam Analisis Permintaan dan Pertumbuhan Wisataa (APPW)

LAPORAN AKHIR PENELITIAN HIBAH BERSAING

Penerapan Metode Ekonometrika Tingkat Lanjut Dalam Analisis Permintaan dan Pertumbuhan Wisata (APPW) Tahun ke-1 dari rencana 3 tahun

Dra Ni Luh Putu Suciptawati,M.Si (NIDN:0022016303) Ir. Komang Dharmawan M.Math.PhD.(NIDN:0018026202) I Nyoman Sudiarta SE., M.Par.(NIDN :0015036507)

UNIVERSITAS UDAYANA Nopember 2015 Dibiayai dari Dana BOPTN Universitas Udayana dengan Surat Perjanjian Penugasan Penelitian No:311-49/UN14.2/PNL.01.03.00/2015 tanggal 30 Maret 2015

Page 1 of 56

ii Page 2 of 56

KATA PENGANTAR Puji syukur peneliti panjatkan kehadirat Ida Sang Hyang Widi atas rahmat-Nya kami dapat menyelesaikan Laporan Penelitian Hibah Bersaing Ini Penelitian ini dilakukan untuk pengembangan ekonometrika tingkan lanjut (Advanced Econometrics) dalam APPW untuk kasus pada destinasi wisata Indonesia khususnya Bali. Pada kesempatan ini, tidak lupa kami ucapkan terima kasih kepada 1. Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Udayana yang telah memberkan kesempatan kepada kami untuk melakukan penelitian ini.

2. Universitas Udayana yang telah memberikan dana untuk penelitian ini berdasarkan Surat perjanjian Penugasan dalam rangka Pelaksanaan Penelitian Hibah Desentralisasi (BOPTN) Anggaran 2015 No:311-49/UN14.2/PNL.01.03.00/2015

3. Semua pihak yang telah membantu pelaksanaan penelitian ini, yang tidak dapat kami sebutkan satu per satu Kami menyadari bahwa apa yang telah dipaparkan dalam laporan ini masih jauh dari sempurna. Oleh karena itu, kritik dan saran yang membangun sangat kami harapkan. Akhir kata semoga laporan ini dapat bermanfaat.

Tim Penysun

iii Page 3 of 56

RINGKASAN

Pariwisata Bali merupakan salah satu kegiatan ekonomi utama

di koridor ekonomi

Provinsi Bali-Nusra dalam Programr Masteplan Percepatan dan Perluasan Pembangunan Ekonomi Indonesia (MP3EI). Pariwisata Provinsi Bali cukup berpengaruh terhadap perekonomian Provinsi Bali. Adapun tujuan penelitian ini adalah untuk mendapatkan model APPW destinasi wisata Indonesia/Bali menggunakan analisis ekonometrika tingkat lanjut yaitu Cointegration (CI), Vector Autoregression (VAR), Error Correction Mechanism (ECM). Variabel-variabel yang diamati adalah jumlah wisatwan mancanegara ke Provinsi Bali , tingkat inflasi indonesia, IHK Indonesia, nilai tukar mata uang dolar Amerika terhadap rupiah, serta PDRB Provinsi Bali. Data yang diganakan dalam penelitian ini merupakan data sekunder berupa data bulanan dari bulan Januari 2004 sampai Juni 2014..Hasil penelitian dengan metode ECM menunjukkan terjadi keseimbangan jangka panjang antara jumlah kunjungan wisatawan mancanegara dengan variabel-variabel bebas yang diamati dengn nilai R2=0.888632, sedangkan R2 untuk persamaan jangka pendek sebesar 0.194759 dengan koefisien koreksi keseimbangan sebesar 0.371849 menunjukkan bahwa pada periode sebelumnya

, jumlah kunjungan

wisatawan melebihi hubungan keseimbangannya, sehingga pada waktu

harus berkurang

sebesar 37% agar tercapai keseimbangannya. model persamaan jangka panjang sebagai berikut : Wismant=21558.32 +0.13114 PDRBt -2.063307 Nilai-tukarit-835.4468 IHK t model persamaan jangka panjang sebagai berikut : Wismant=21558.32 +0.13114 PDRBt -2.063307 Nilai-tukarit-835.4468 IHK t Persamaan jangka pendek sebagai berikut : ΔWismant =-43.35973+0.086034Δ PDRBt +0.086034Δ Nilai tukart +786.3204ΔIHKt – 0.371849 ΔECT(-1)

iii Page 4 of 56

DAFTAR ISI

HALAMAN JUDUL LEMBAR PENGESAHAN ...........................................................Error! Bookmark not defined. KATA PENGANTAR ................................................................................................................... iii RINGKASAN ................................................................................................................................ iii DAFTAR ISI.................................................................................................................................. iv DAFTAR TABEL.......................................................................................................................... vi DAFTAR GAMBAR .................................................................................................................... vii DAFTAR LAMPIRAN................................................................................................................ viii BAB I PENDAHULUAN............................................................................................................... 1 1.1 Latar Belakang…………………………………………………………………………..1 1.2 Rumusan masalah ………………………………………………………………………3 BAB II TINJAUAN PUSTAKA .................................................................................................... 4 2.1

State of the art ………………………………………………………………………..4 2.1.1 Analisis Menggunakan ‘Single-Equation Static Model (SESM)’ ……………..5 2.1.2 Analisis Menggunakan ‘Single-Equation Dynamic Models (SEDM)’ ……….7 2.1.3 Analisis Menggunakan ‘Multi-Equation Dynamic Models (MEDM)’ ………...8

2.2

Kointegrasi……………………………………………………………………………8

2.3

Error Correction Mechanism (ECM) ……………………………………………….10

BAB III TUJUAN DAN MANFAAT .......................................................................................... 12 BAB IV METODOLOGI PENELITIAN ..................................................................................... 13 4.1 Negara asal wisatawan ……………………………………………………………….13 4.2 Ukuran (measure) dalam APPW ……………………………………………………..13 iv Page 5 of 56

4.3 Variabel-variabel bebas ………………………………………………………………13 4.4 Metode General-To-Specific (GTS) …………………………………………………13 BAB V HASIL DAN PEMBAHASAN ....................................................................................... 15 5.1 Data kunjungan Wisatawan Mancanegara …………………………………………...15 5.2 Pemodelan Kunjungan Wisatawan Mancanegara ke Bali ……………………………18 5.2.1 Uji Kestasioneran Data ……………………………………………………….18 5.2.2 Uji Kointegrasi ………………………………………………………………20 5.2.3 Uji ECM ……………………………………………………………………..23 5.2.4. Uji Kebaikan Model …………………………………………………………24 5.2.5 Interpretasi Koefisien Persamaan Jangka Panjang dan Jangka Pendek ………26 5.3 Pemodelan Kunjungan Wisatawan China ke Bali …………………………………….27 5.3.1 Unit Root Test ………………………………………………………………27 5.3.2 Penentuan Panjang Lag Optimal ……………………………………………...30 5.3.3 Uji Kointegrasi Johansen... …………………………………………………...31 5.3.4 Error Corection Model (ECM) ……………………………………………….35 BAB VI KESIMPULAN DAN SARAN ...................................................................................... 38 6.1 Kesimpulan …………………………………………………………………………...38 6.2 Saran …………………………………………………………………………………..38 Daftar Pustaka............................................................................................................................... 39 LAMPIRAN.................................................................................................................................. 41

v Page 6 of 56

DAFTAR TABEL Table 5.1 Jumlah Wisatawan Mancanegara Ke Indonesia Dan Bali Per Tahun Periode Tahun 1989 – Tahun 2013....................................................................................................... 15 Table 5.2 Hasil Uji ADF Terhadap Variabel-Variabel Penelitian............................................... 19 Table 5.3 Hasil Uji Integrasi......................................................................................................... 20 Table 5.4 Uji Unit ADF Terhadap Residual ................................................................................. 20 Table 5.5 Panjang Lag Maksimal ................................................................................................. 21 Table 5.6 Hasil Uji kointegrasi dengan Metode Johansen’s Contegration Test (Trace Test)...... 22 Table 5.7 Hasil Uji kointegrasi dengan Metode Johansen(maximum eigenvalue statistics) ........ 22 Table 5.8 Hasil Estimasi Persamaan Jangka Panjang ................................................................... 23 Table 5.9 Hasil Estimasi Persamaan Jangka Pendek .................................................................... 23 Table 5.10 Hasil Uji White ........................................................................................................... 25 Table 5.11 Hasil Uji Breusch-Godfrey Serial Correlation LM : .................................................. 26 Table 5.12 Hasil Uji ADF secara Simultan .................................................................................. 29 Table 5.13 Hasil Uji ADF secara Individu ................................................................................... 29 Table 5.14 Hasil Uji ADF Untuk I(1)........................................................................................... 30 Table 5.15 Panjang Lag Optimal .................................................................................................. 30 Table 5.16 Hasil Uji Johansen (Trace Statistics) .......................................................................... 31 Table 5.17 Hasil Uji Johansen(Maximum Eigenvalue) ............................................................... 32 Table 5.18 Model Persamaan Kointegrasi 1 ................................................................................. 32 Table 5.19 Koefisien Koreksi Keseimbangan Model 1 ................................................................ 32 Table 5.20 Persaman Kointegrasi 2 .............................................................................................. 33 Table 5.21 Koefisien Koreksi Keseimbangan Model 2 ................................................................ 33 Table 5.22 Persaman Kointegrasi 3 .............................................................................................. 33 Table 5.23 Persamaan Kointegrasi 4 ............................................................................................ 34 Table 5.24 Estimasi jangka Panjang ............................................................................................. 35 Table 5.25 Estimasi jangka Pendek .............................................................................................. 35

vi Page 7 of 56

DAFTAR GAMBAR Gambar 5.1 Kunjungan Wisatawan ke Indonesia dan Bali Periode Th 1998-2013 ..................... 17 Gambar 5.2 Pertumbuhan Kunjungan Wisatawan mancanegara ke Indonesia Periode Tahun 1990-2013 ................................................................................................................ 17 Gambar 5.3 Pertumbuhan Kunjungan Wisatawan mancanegara ke Bali Periode Tahun 19902013 ......................................................................................................................... 18 Gambar 5.4 Hasil uji kenormalan ................................................................................................. 24

vii Page 8 of 56

BAB I PENDAHULUAN

1.1

Latar Belakang Pariwisata Indonesia/Bali telah ditempatkan sebagai salah satu kegiatan ekonomi utama

di Koridor Ekonomi Bali-Nusa Tenggara dalam Program Masterplan Percepatan dan Perluasan Pembangunan Ekonomi Indonesia (MP3EI).Universitas Udayana (UNUD) sebagai institusi pendidikan dan penelitian di Bali memegang peran penting dalam mewujudkan tujuan program MP3EI tersebut.Penetapan UNUD sebagai Pusat Unggulan Iptek (Center of Excellence) pada bidang pariwisata merupakan tanggung jawab intelektual peneliti-peneliti di bidang pariwisata UNUD untuk merealissasikan target MP3EI. Dalam MP3EI, pariwisata adalah kegiatan ekonomi, sudah tentu riset di bidang pariwisata akan melihat sektor ekonomi sebagai variabel penentu dalam setiap kebijakan pariwisata. Pertumbuhan dunia pariwisata Indonesia/Bali berkembang cukup signifikan selama sepuluh tahun terakhir. Wisatawan mancanegara (wisman) yang datang ke Bali dalam kurun waktu lima tahun terakhir mengalami peningkatan yang cukup besar, yaitu dari 2.385.122 orang wisman pada tahun 2009 menjadi 3.278.598 orang wisman pada tahun 2013 (BPS Provinsi Bali, 2013 [b], p.19). Adanya tren yang positif pada jumlah kedatangan wisatawan ke Indonesia/Bali akan berdampak pada pertumbuhan pada sektor ekonomi. Pertumbuhan ini hendaknya disikapi dengan mendorong minat pelaku atau peneliti di bidang pariwisata untuk terus melakukan kajian terhadap apa yag disebut dengan Analisis Permintaan dan Pertumbuhan Wisata (APPW)’. Tidak hanya obyek wisata yang perlu ditingkatkan, berbagai fasilitas pendukung seperti operator tur, hotel, kapal pesiar, dan fasilitas-fasilitas pendukung lainnya merupakan bagian dari APPW, perlu mendapatkan kajian yang memadai.APPWadalah landasan yang banyak dipakai oleh pemerintah, turis, atau pebisnis pariwisata dalam menentukan keberhasilan dari suata kebijakan atau bisnis pariwisata. Penelitian menganai APPW telah banyak dilakukan namun lebih berfokus pada negaranegara Barat sebagai tujuan dan juga pada beberapa negara Asia seperti Thailand, Hongkong, 1 Page 9 of 56

Singapura dan Malaysia, hanya sedikit yang mengkaji APPW yangberfokus pada destinasi Indonesia/Bali dan itupu masih menggunakan pendekatan metode traditional. Kajian APPW untuk kasus Indonesia/Bali menggunakan model ekonometrika tingkat lanjut belum banyak muncul dalam literatur. Oleh karena itu, penelitian ini bertujuan untuk mengisi kekosongan studi kepariwisataan yang berbasis pada teori-teori ekonometrika tingkat lanjut (advanced). Seperti diungkapkan dalam Song (2012) bahwa sebagian besar riset mengenai APPW, tepatnya sebelum 1990, berbasis pada metode regresi linear, baik single maupun multi variabel.Metode riset tersebut bersifat klasik, menggunakan OLS (ordinary Least Square) sebagai metode penaksiran parameter-parameternya.

Data yang umumnya digunakan dalam

APPWadalah data time series, seperti pengeluaran selama kunjungan, jumlah kedatangan per bulan, income diukur dari income pribadi atau GDP, biaya hidup wisatawan selama di tempat wisata, biaya transportasi, dan harga paket wisata di negara-negara pesaing. Kemudian metode regresi linear dipakai untuk memprediksi permintaan wisata.Kajian seperti ini, dalam Song (2012) disebut metode tradisional (MT). Langkah-langkah MT dalam APPW adalah sebagai berikut: 1) memformulasikan hipotesis sesuai dengan teori permintaan (deman theory), 2) menetapkan model dalam bentuk fungsi matematika, 3) mengumpulkan data, 4) mengestimasi parameter-parameter dalam model yang telah ditetapkan, 5) uji hipotesis yang telah ditetapkan dalam (1), melakukan peramalan dan mengevaluasi kebijakan. Terdapat lima asumsi yang harus dipenuhi dalam penerapan MT, seperti diungkapkan dalam Witt dan Witt (1995); 1) data time series harus disajikan dalam bentuk interval waktu yang periodik, yaitu bulanan, kuartal, atau tahunan, dan data harus bersifat stasioner, 2) Penggunaan data cross-sectional yang terdiri dari beberapa variabel harus dikumpulkan pada saat bersamaan, 3) Data longitudinal (pooled data), yaitu kombinasi antara data time series dan data cross-sectional adalah data dimana informasi pada satuan data crosssectional (misalnya rumahtangga, perusahaan) adalah waktu, 4) data APPWadalah stasioner atau mempunyai tren yang stasioner. Permasalahan utama yang muncul dalam penerapan MT dalam riset APPW adalah penaksiran parameter-parameter data time series tanpa menguji sifat kestasionerannya berpotensi terbetuknya regresi semu (spurious). Permasalahan kedua adalah penggunaan data crosssectional pada dasarnya akan memunculkan masalah heteroskedastik. Penggunaan metode Weighted Least Square (WLS) akan memunculkan masalah lain jika bobot ditetapkan secara 2 Page 10 of 56

tidak benar. Ketiga, penggunaan data panel bergantung pada derajat kehomogenan data.Masalah lain yang muncul dalam penggunaan MT dalam APPW adalah peramalan yang dihasilkan sangat jelek jika dibandingkan dengan metode lain. Salah satu penyebabnya adalah MT tidak melibatkan hubungan jangka panjang maupun hubungan jangka pendek (long/short run cointegrating relationship).

1.2

Rumusan masalah Berdasarkan uraian pada latar belakang, maka rumusan masalah dalam penelitian ini

adalah bagaimana penerepan analisis ekonometrika tingkat lanjut yaitu Cointegration (CI), Vector Autoregression (VAR), Error Correction Models (ECM), pada APPW untuk kasus destinasi wisata Indonesia/ Bali.

3 Page 11 of 56

BAB II TINJAUAN PUSTAKA

2.1

State of the art Adanya kunjungan wisatawan ke suatu destinasi tertentu disebabkan oleh beberapa hal,

antara lain: liburan, kunjungan bisnis, mengunjungi teman atau keluarga, konferensi, dan lainlain.Akan tetapi, sebagian besar studi empiris mengenai APPW mengkaji jumlah kunjungan berdasarkan kunjungan dengan maksud berlibur.Istilah APPW secara umum dapat diartikan sebagai melakukan analisis terhadap sejumlah produk wisata (kombinasi antara barang dan jasa) dimana wisatawan (konsumen) berkeinginan untuk membelinya selama periode tertentu dengan kondisi tertentu(Lagu et al 2009).Kondisi dalam hal ini dikaitkan dengan jumlah wisatawan yang diinginkan mencakup harga (biaya yang dikeluarkan selama di daerah tujuan dan biaya yang dikeluarkan saat menuju ke destinasi tujuan), penghasilan wisatawan, tersedianya harga yang kompetitif, pengeluaran untuk promosi wisata, selera negara asal wisatawan, sosial budaya, faktor geografis, dan faktor politik. Fungsi permintaan (demand function) untuk produk pariwisata pada destinasi tujuan dari negara asal dapat dituliskan sebagai

dimana

adalah jumlah produk wisata yang diinginkan di destinasi tujuan

dari negara asal ,

adalah harga wisata pada destinasi

oleh wisatawan

(jumlah biaya yang dikeluarkan

selama di destinasi tujuan dan biaya yang dikeluarkan saat menuju ke destinasi tujuan),

adalah

harga wisata pada destinasi pesaing,

adalah

adalah selera konsumen pada negara asal ,

biaya promosi oleh destinasi di destinasi tujuan ,

adalah faktor-faktor lain yang mungkin

memengaruhi jumlah produk wisata yang diinginkan di destinasi tujuan

oleh wisatawan dari

negara asal

4 Page 12 of 56

Variabel tak bebas dalam persamaan (1) adalah produk wisata yang diinginkan di destinasi tujuan

oleh wisatawan dari negara asal . Sedangkan variabel bebas (explanatory

variabel) antara lain:(1) populasi negara asal wisatawan, tingkat kedatangan turis asing akan bergantung dari populasi negara asal wisatawan. (2) Income turis yang akan berkujung akan berpengaruh terhadap

fungsi permintaan wisata. (3) nilai tukar matauang (exchange rate)

terhadap rupiah. (4) biaya tinggal di destinasi tujuan dan biaya hidup selama tinggal di destinasi tujuan, (5) penghasilan wisatawan, (6) tersedianya harga yang kompetitif, (7) pengeluaran untuk promosi, (8) selera negara asal wisatawan, sosial budaya, faktor geografis, dan faktor politik. Persamaan (1) adalah ungkapan matematis (model teoritis) dari APPWyang menyatakan bahwa terdapat suatu hubungan atau korelasi antar variabel-variabel yang ada (variabel bebas maupun tak bebas), akan tetapi bagaimana bentuk hubungan masing-masing variabel belum diketahui. Dalam penerapannya, fungsi

APPW yang lebih konkrit dapat diturunkan dari

persamaan (1) , yaitu

dimana variabel-variabel

dan

adalah variabel-variabel seperti terdefinisi pada

persamaan (1). Solusi persamaan (2) dapat dilakukan dengan menerapkan metode Ekonometrika atau metode Times Series sebagai berikut:

2.1.1 SESM,

Analisis Menggunakan ‘Single-Equation Static Model (SESM)’ Studi menggunakan metode Multiple Regression (MRM), yang merupakan kelas dari secara intensif diterapkan dalam APPWsejak tahun 1995, yang ditandai dengan

munculnya karya oleh Qiu and Zhang (1995). Dalam penelitian tersebut, Qiu and Zhang (1995) menggunakan MRM dalam menentukan faktor-fraktor yang memengaruhi jumlah kedatangan dan jumlah pengeluaran wisatawan di Kanada.Dalam periode tahun 1996-2000 muncul 7 artikel yang merupakan studi empiris menggunakan MRM dalam pemodelan APPW, salah satunya adalah

paper oleh Crouch (2000). Penggunaan MRM dalam riset pariwisata tidak begitu

popular.Hal ini disebabkan oleh ketakmampuan MRM menangani data yang bersifat nonstationer.Penerapan MRM sering menghasilkan taksiran regresi yang bersifat semu (spurious regression).Pada periode tahun 2001-2014, hanya muncul 7 paper yang menggunakan RMR dengan analisis ekonometrika, yaitu oleh

Ledesma-Rodriguez dan Navarro-Ibanez

5 Page 13 of 56

(2001).Selain menggunakan SESM, Ledesma-Rodriguez dan Navarro-Ibanez(2001) juga menerapkan Multi-Equation Dynamic Models (MEDM), yaitu analisis data panel.Selanjutnya tahun 2002, terdapat hanya 1 paper yang menerapkan MRM, yaitu Payne dan Mervar (2002). Secara umum sebagian besar studi dalam APPW menggunakan Cointegration (CI), Error Correction Model (ECM), dan Vector Autoregressive (VAR).Parameter-parameter ketiga model tersebut diestimasi menggunakan metode Ordinary Least Square (OLS) dengan mengasumsikan koefisien-koefisien model tersebut konstan dalam interval waktu tertentu.Akan tetapi asumsi ini mungkin tidak selalu benar oleh karena pada kenyataannya koefisien-koefisien berubah menurut waktu. Hal ini telah ditunjukkan dalam penelitian yang dilakukan oleh Song dan Witt (2000) bahwa elastisitas harga APPW menurun ketika elastisitas hargasilang meningkat menurut waktu. Dengan demikian, ketiga model tersebut mungkin tidak akan memberikan hasil yang bagus dipakai oleh pengambil keputusan dan perencanaan. Song dan Witt (2000) pertama kali menggunakan Time Varying Parameter (TVP) dalam riset mengenai APPW. Mengacu kepada apa yang telah dilakukan oleh Song dan Witt (2000), beberapa artikel muncul menggunakan TVP dalam riset mengenai APPW diterapkan pada destinasi wisata yang berbeda-beda, antara lain Song, Witt, & Jensen (2003), Song& Wong, (2003), Witt, Song, & Louvieris (2003), Li, Song, & Witt (2006) Shen, Li &Song (2008), Li et al (2013), dan Chang et all (2013), Dalam penerapannya model TVP memberikan hasil yang lebih baik dari model-model ekonometrika lainya dalam hal keakuratan dalam peramalan. Seperti telah disebutkan dalam banyak artikel bahwa MRM diaggap kurang mampu menangani data-data yang tidak stationer dengan demikian berpotensi menghasilan regresi semu (Granger and Newbold, 1996). Setelah tahun 1996, penelitian dibidang APPW berfokus pada penerapan metode yang mampu menangani data yang bersifat non-stationer. Dalam penelitianpenelitian terbaru di bidang APPW, data times series diuji kestasionerannya menggunakan uji unit root atau dikenal dengan nama uji Augmented Dickey Fuller (ADF),seperti pada Webber (2001); Lim & McAleer, (2002); Songet al. (2003) atau penggunaan uji the Phillips-Perron (PP) dalam Song et al. (2000); Algieri (2006). Untuk riset APPW yang melibatkan data musiman dilakukan oleh Kulendran & Witt (2001), Veloce (2004), Wong,Song, dan Chon (2006). Uji untuk unit roots musiman digunakan uji HEGY (Hyllebert, Engle, Granger dan Yoo). Pada dasarnya, penghilangan sifat ketaksioneran data dapat dilakukan dengan melakukan differencing. Akan tetapi, data hasil differencing kehilangan pengaruh jangka panjang (long-run 6 Page 14 of 56

effects) sehingga semua analisis untuk melihat prilaku hubungan jangka panjang tidak dapat lagi dilakukan. Engle and Granger (1987) mengungkapkan bahwa jika data

dan

tidak stasioner tetapi dapat

disajikan dalam bentuk kombinasi linier satu sama lain maka errornya akan bersifat stasioner, yaitu I(0). Data yang tidak stasioner tersebut disebut terintegrasi (Cointegrated, CI). Suatu persamaan yang terintegrasi (CI) dapat diterapkan dalam metode Vector Autoregressive (VAR) multivariate untuk mendapatkan hubungan jangka panjang (long-run relationship). Studi mengenai APPW yang menggunakan CI dalam VAR untuk melihat hubungan jangka panjang dapat dilakukan oleh Shen et al. (2008), Song & Witt (2006), Veloce (2004), dan Wong et al., 2007), Algieri (2006), Querfelli (2008), dan Song et al. (2003). Beberapa studi menggunakan metode Engle-Granger

dengan uji CI-ADF

untuk menguji non-integration dilakukan oleh

Choyakh (2008), Li, Song, &Witt (2006), Song, Witt, Wong, & Wu (2009), dan Webber (2001). Vanegas, M. (2013)

2.1.2 Analisis Menggunakan ‘Single-Equation Dynamic Models (SEDM)’ Jika dibandingkan dengan regresi statis, regresi dinamis lebih realistis diterapkan, karena model ini melibatkan pengaruh lag, dimana pada regresi statis hanya melibatkan pengaruh sesaat dari variabel-variabel bebas (independent variables). Tujuan dari menyertakan lag dalam model dalam model APPW adalah agar tersedianya interval waktu dalam penyesuaian antara ‘supply’ dan ‘demand’ yang meningkat. Namun demikian, melibatkan variabel yang memiliki lag dalam model sering memunculkan masalah baru. Beberapa artikel yang mengungkapkan masalah ini, antara lain terdapat pada paper oleh Kulendran & Witt (2001), Li, Song, & Witt (2006), Song et al. (2009), Witt et al. (2003).Kuo, H., Liu, K.E., Chen, C. (2014). Li, C. M. Rosli, A., and O.S. Chuan (2013).Daniel, A.C.M., Rodrigues, P.M.M. (2012). Engle and Granger (1987) mengungkapkan bahwa jika

dan

terintegrasi CI(1,1),

maka akan terdapat suatu model dengan error terkoreksi (Error Correction Model, ECM), atau sebaliknya. Suatu ECM memuat informasi jangka pendek dan jangka panjang, dengan simpangan terhadap titik stabil terkoreksi secara bertahap.Menggunakan hubungan jangka panjang yang stabil dalam model CI, maka dinamika hubungan jangka pendek secara langsung diketahui (terestimasi) dalam model ECM. Ada beberapa keuntungan menggunakan CI dan ECM pada APPW, yaitu ECM sangat efisien dalam mengatasi masalah regresi semu (spurious), ECM 7 Page 15 of 56

mampu menangkap dinamika jangka pendek, dan jika dikombinasikan dengan TVP memiliki kemampuan untuk mengetahhui adanya struktur data yang tidak stabil. Seperti dilaporkan oleh Li, Wong, dan Witt (2006), kombinasi kedua model tersebut meberikan hasil estimasi yang lebih akurat.

2.1.3

Analisis Menggunakan ‘Multi-Equation Dynamic Models (MEDM)’ Penerapan MEDM dalam APPW semakin popular dalam sepuluh tahun terakhir. Model-

model yang dikelompokan dalam MEDM merupakan kombinasi dari beberapa metode dalam MESM dan metode dalam SEDM, seperti misalnya model VEC (Vector Error Correction), merupakan model yang melibatkan hubungan kointegrasi antara variabel yang digunakan dalam APPW, seperti income, biaya transportasi, dan nilai tukar matauang (exchange rate) (Dritsakis, 2004; Lim & McAleer, 2001b). MEDM lain yang merupakan kombinasi dari beberapa model yang dipakai dalam APPW adalah EC-LAIDS(Error Correction Linear Approximated AlmostIdeal Demand System; Li et al., 2004), dan TVP-EC-AIDS yang memakai model TVP dalam model EC-LAID (Li, Song, &Witt, 2006, Song, H., Kim J. H., Yang S. 2010, Kuo, H., Liu, K.E., Chen, C., 2014)

2.2

Kointegrasi Kointegrasi berhubungan erat dengan masalah menentukan suatu hubungan jangka

panjang atau keseimbangan jangka panjang. Apabila data runtun waktu terkointegrasi, maka terdapat suatu hubungan jangka panjang di antara data runtun waktu tersebut dan disebut dalam keadaan long run equilebrium (Engle & Granger, 1987). Menurut Enders (2010), analisis kointegrasi secara formal diawali dengan menganggap suatu himpunan variabel ekonomi berada pada keseimbangan jangka panjang (long run equilibrium) seperti ditunjukkan pada persamaan berikut:

1 x1t   2 x2t     n xnt  0

(3)

Penyimpangan dari keseimbangan jangka panjang disebut kesalahan keseimbangan (equilibrium error) yang dinotasikan:

et  1 x1t   2 x2t     n xnt

(4)

Jika keseimbangan tersebut mempunyai arti dalam ilmu ekonomi maka et akan stasioner. 8 Page 16 of 56

Engle dan Granger (1987) mendefinisikan kointegrasi sebagai berikut: Komponenkomponen vektor dengan

dikatakan terkointegrasi pada orde d,b, dinotasikan , jika:

1.

Semua komponen vektor

2.

Terdapat

sebuah

adalah variabel I d  . vektor

,

sedemikian

sehingga

, dengan d  b  0 . Vektor disebut vektor kointegrasi.

Untuk menguji kointegrasi uji yang sering digunakan adalah uji kointegrasi Johansen (Johansen’s Cointegration).Uji kointegrasi menurut Johansen umumnya hanya untuk variabel yang terintegrasi pada orde satu dan orde nol, yaitu

dan

. Untuk suatu model

,

yang direpresentasikan kedalam bentuk VECM, seperti persamaan berikut:

dengan

,

i  1,2,  , p , dan

adalah matriks parameter yang berukuran

n  n ,

adalah vektor error yang berukuran n  1.

Langkah-langkah pengujian kointegrasi Johansen adalah sebagai berikut: a.

Lakukan uji orde integrasi pada variabel runtun waktu yang ada dengan menggunakan uji Augmented Dickey-Fuller (ADF). Kointegrasi mengharuskan variabel-variabel tersebut terintegrasi pada orde yang sama. Dalam hal ini variabel harus terintegrasi pada orde nol, . Karena analisis kointegrasi hanya diperlukan untuk variabel-variabel runtun waktu nonstasioner, maka jika ada variabel yang telah stasioner maka variabel tersebut tidak dimasukkan ke pengujian selanjutnya .

b.

Pemilihan panjang lag dalam persamaan

menggunakan salah satu dari metode:

Akaike Information Criterion (AIC), atau Schwarz Information Criterion (SIC). Semakin kecil nilai AIC maka semakin baik model yang digunakan, sehingga panjang lag yang digunakan adalah panjang lag dari persamaan dengan nilai AIC terkecil (Tsay, 2002). SICdigunakan untuk mengetahui signifikansi model. Kriteria pemilihan panjang lag sama dengan AIC, yaitu memilih panjang lag dari persamaan dengan nilai SIC yang terkecil. c.

Menguji jumlah hubungan kointegrasi dengan menggunakan Trace test Adanya kecenderungan bahwa trace test hampir selalu menerima adanya kointegrasi, maka kriteria 9 Page 17 of 56

penerimaan adanya kointegrasi dapat ditempuh berdasarkan hasil maximum eigenvalue test(Johansen & Juselius, 1990).

Hipotesis pengujian: ,

(tidak terdapat kointegrasi) ,

(1 vektor kointegrasi)

,

(2 vektor kointegrasi)

,

(3 vektor kointegrasi)

dan seterusnya Apabila nilai maximum eigenvalue lebih besar dari nilai kritis pada tingkat kepercayaan adalah 5 % atau nilai probabilitas lebih kecil dari

adalah 5 % maka hipotesis nol ditolak yang

berarti terindikasi adanya kointegrasi. 2.3

Error Correction Mechanism (ECM) Secara ekonomi kointegrasi menunjukkan adanya keseimbangan jangka panjang

antara variable-variabel yang diamati, tetapi dalam jangka pendek ada kemungkinan variablevariabel tersebut tidak mencapai keseimbangan. Hal ini menunjukkan dalam jangka pendek apa yang diinginkan pelaku ekonomi belum tentu sama dengan keadan yang sebenarnya.Adanya perbedaan tersebut memerlukan penyesuaian untuk mengoreksi ketidakkseimbangan dalam jangka pendek menuju ke keseimbangan jangka panjang. Model yangdapat digunakan untuk tujuan tersebut adalah Error Correction Mechanism (ECM).

Menurut Enders(2010), Error

Correction Mechanism (ECM) merupakan salah satu analisis yang dikembangkan oleh Engle dan Granger. Dengan demikian dapat dikatakan bahwa ECM merupakan kelanjutan dari pengujian kointegrasi yang bertujuan untuk mengoreksi penyimpangan terhadap keseimbangan jangka panjang. Menurut Enders(2010), variabel-variabel dalam ECM adalah variabel-variabel first differencing dalam VAR yang dibedakan oleh Error Correction Term(ECT) atau dengan kata lain, representasi ECM menggunakan variabel-variabel yang terkointegrasi pada orde satu

,

ECM dapat mengatasi masalah data yang tidak stasioner dengan metode koreksi galat (error correction). Tujuan dari metode tersebut adalah untuk membuat galat yang dihasilkan stasioner. Bentuk umum ECM Engle-Granger dapat didefinisikan sebagai berikut: 10 Page 18 of 56

(7)

Dengan

dan

, sehingga persamaan (7) dapat dituliskan: (8)

Untuk mengetahui spesifikasi model dengan ECM merupakan model yang valid, dapat dilihat pada hasil uji statistik terhadap koefisien

dari regresi pertama, yang dapat disebut

Error Correction Term (ECT).Jika hasil pengujian terhadap koefisien ECT signifikan, maka spesifikasi model yang diamati valid.Nilai mutlak koefisien ECT menyatakan lamanya waktu yang diperlukan untuk kembali ke arah keseimbangannya.Satuan waktu yang diperlukan bergantung pada jenis data, apabila periode data adalah bulanan, maka lamanya waktu yang diperlukan untuk kembali ke arah keseimbangan adalah

bulan.

Apabila pengujian membuktikan terdapat vektor kointegrasi maka dapat menerapkan Error Correction Model (ECM) untuk single equation dan Vektor Error Correction Model (VECM) untuk system equation.

11 Page 19 of 56

BAB III TUJUAN DAN MANFAAT Adapun tujuan penelitian ini adalah untuk mendapatkan model APPW destinasi wisata Indonesia/Bali menggunakan analisis ekonometrika tingkat lanjut yaitu Cointegration (CI), Vector Autoregression (VAR), Error Correction Mechanism (ECM.

Manfaat yang diharapkan dalam penelitian ini adalah: 1. Bagi Pengusul Melalui penelitian ini pengusul dapat menambah wawassan dengan mempelajari Analisis ekonometrika tingkat lanjut dan diterapkan pada APPW 2. Bagi Akademisi (a) Suatu terobosan baru berupa prosedur pembentukan model APPW berbasis CI, ECM, VAR, dan TVP. (b) Bahan ajar berbasis riset jenjang S1 untuk matakuliah

Ekonometrika,

S2 Kajian

Pariwisata.

12 Page 20 of 56

BAB IV METODE PENELITAN

Ada 3 jenis frekuensi data yang umumnya dipakai dalam APPW,

yaitu tahunan,

kuartalan, atau bulanan. Dari paper yang direview, hampir 70% menggunakan data tahunan, disusul data kuartalan, dan hanya sedikit yang menggunakan data bulanan (kurang dari 10%). Dalam penelitain ini digunakan data bulanan.

4.1 Negara asal wisatawan Dalam penelitian ini dikaji Model Kunjungan wisatwan mancanegara secara keseluruhan, serta wisatwan dari negara yang mendominasi kunjunganya ke Indonesia/Bali, yaitu Australia, China, dan Wisatawan mancanegara secara umum. Negera-negara tersebut telah meberikan kontribusi yang signifikan terhadap kemajuan pariwisata Indonesia/Bali.

4.2 Ukuran (measure) dalam APPW Dalam penelitian ini Jumlah kedatangan wisatawan digunakan sebagai alat ukur dalam APPW. Dengan kata lain jumlah kunjungan wisatawan dijadikan sebagai variable terikat dalam pemodelan.

4.3 Variabel-variabel bebas Variabel-variabel bebas yang akan dipakai dalam penelitian adalah nilai tukar mata uang (Exchange rate) antara Rupiah dengan negara asal wisatawan, PDRB, IHK Indonesia, serta tingkat inflasi

4.4 Metode General-To-Specific (GTS) Pemodelan APPW menggunakan

pendekatan

tradisional

(MT)

dimulai

dari

mengkostruksi model yang sederhana yang konsisten dengan teori permintaan, kemudian dilakukan uji parameter pada model yang sederhana tersebut, sehingga pada akhirnya didapat 13 Page 21 of 56

suatu model yang dapat dipakai dalam peramalan. Pendekatan seperti ini yang dikakukan untuk mendapatkan model terbaik disebut pendekatan specific-to-general (STG). Metode ini, seperti diungkapkan dalam Song et al (2012) banyak menuai kritik. Hal ini disebabkan karena metode STG menggunakan data mining yang terlalu banyak, peneliti hanya melaporkan model terakhir yang didapat. Berbagai permasalahyang muncul dalam STG dibahas dalam Witt dan Witt (1995). Dalam penelitian ini akan digunakan metode General-To-Specific (GTS). Metode GTS dimulai dari bentuk umum yang mengandung sebanyak mungkin variabel yang sesuai dengan teori ekonomi.Misalkan

adalah variabel tak bebas yang ditentukan oleh sejumlah

variabel

bebas, maka model umum ini dapat ditulis dalam model matematika sebagai berikut

Persamaan (9) dikenal dengan nama Austoregresive Distributed Lag Model (ADLM), dimana adalah panjang lag, bulanan.

untuk data tahunan,

untuk data kuartal,

adalah error yang diasumsikan berdistribusi normal dengan varians . Apabila variabel penelitian hanya terdiri dari 2 variabel, yaitu

panjang lag

untuk data

dan

, yaitu dengan

, maka persamaan (3) dapat ditulis dalama bentuk (10)

1.

Uji restriksi pada parameter-parameter regresi. Uji ini dilakukan untuk mengetahui apakah nilai parameter-parameter yang diberikan pada model ADLM signifikan atau tidak?

2.

Setelah melakukan uji restriksi, model hasil seleksi telah dapat ditetapkan. Untuk selanjutnya dilakukan uji diagnostik untuk mengetahui apakah model yang telah dipilih dapat diterima secara statistic?

Dalam tahapan ini dilakukan uiji autokorelasi, uji

heteroskedastik, uji kenormalan, uji kesalahan spesifikasi, uji kestabilan, uji exogeneity. 3.

Pada tahap terakhir dilakukan pemilihan model. Walaupun model dapat diterima secara statistik, tapi belum tentu valid secara social-ekonomi.

14 Page 22 of 56

BAB V HASIL DAN PEMBAHASAN

5.1

Data kunjungan Wisatawan Mancanegara Mengacu data yang diperoleh dari Badan Pusat Statistik (BPS) Indonesia, dan Dinas

Pariwisata Provinsi Bali diperoleh bahwa jumlah kunjungan wisatwan Mancanegara ke Indonesia khusunya Bali cenderung meningkat. Data lengkapnya seperti ditunjukkan pada table 5.1 berikut: Table 5.1 Jumlah Wisatawan Mancanegara Ke Indonesia Dan Bali Per Tahun Periode Tahun 1989 – Tahun 2013 Tahun

Indonesia

/ Year

Total

Bali

Growth (%)

Total

Growth (%)

1989

1 625 965

436 358

1990

2 051 686

26.18

489 710

12.23

1991

2 569 870

25.26

554 975

13.33

1992

3 060 197

19.08

735 777

32.58

1993

3 403 138

11.21

884 206

20.17

1994

4 006 312

17.72

1 030 944

16.60

1995

4 310 504

7.59

1 014 085

-1.64

1996

5 034 472

16.80

1 138 895

12.31

1997

5 184 486

2.98

1 230 316

8.03

1998

4 606 416

-11.15

1 187 153

-3.51

1999

4 600 000

-0.14

1 355 799

14.21

2000

5 064 217

10.09

1 412 839

4.21

2001

5 153 620

1.77

1 356 774

-3.97

2002

5 033 400

-2.33

1 285 842

-5.23

2003

4 467 021

-11.25

995 272

-22.60

15 Page 23 of 56

Tabel 5.1 (lanjutan) Tahun / Indonesia

Bali

Year

Total

Growth (%)

Total

Growth (%)

2004

5 321 165

19.12

1 460 420

46.74

2005

5 002 101

-6.00

1 388 984

-4.89

2006

4 871 351

-2.61

1 262 537

-9.10

2007

5 505 759

13.02

1 668 531

32.16

2008

6 234 497

13.24

2 085 084

24.97

2009

6 323 730

1.43

2 385 122

14.39

2010

7 002 944

10.74

2 576 142

8.01

2011

7 649 731

9.24

2 826 709

9.73

2012

8 044 462

5.16

2 949 332

4.34

2013

8 802 129

9.42

3 278 598

11.16

Dari Tabel 5.1 terlihat ada penurunan jumlah kunjungan wisatawan mancanegara ke Indonesia maupun ke Bali pada tahun-tahun tertentu yang disebabkan oleh berbagai hal. Tahun 1998 terjadi penurunan kunjungan wisatawan mancanegara ke Indonesia maupun Bali karena terjadinya krisi moneter global. Tampak pula bahwa terjadinya bom Bali 1(12 Oktober 2002) dan bom Bali 2 (1 Oktober 2005) sangat berdampak pada menurunnya kunjungan wisatawan mancanegara baik ke Indonesia maupun Bali sampai tahun berikutnya.Setelah tragedi bom Bali pemerintah Daerah Bali beserta pelaku pariwisata mulai gencar melakukan terobosan dan promosi pariwisata ke berbagai negara. Hasil dari usaha tersebut membuahkan hasil yang cukup menggembirakan mulai tahun 2007 atau dua tahun pasca bom Bali 2 jumlah kunjungan wisatawan mancanegara ke Indonesia khususnya Bali mulai mengalami peningkatan yang signifikan. Untuk lebih jelasnya Grafik perkembangan kunjungan wisatawan mancanegara ke Indonesia maupun Bali pada periode tahun 1990-2013 dapat dilihat pada gambar 5.1, 5.2, dan 5.3 berikut:

16 Page 24 of 56

Wisatawan Mancanegara ke Bali dan Indonesia 9000000

Variable k e-Indonesia k e-Bali

jumlah wisatawan (orang)

8000000 7000000 6000000 5000000 4000000 3000000 2000000 1000000 0 1990

1995

2000 2005 Tahun

2010

2015

Gambar 5.1 Kunjungan Wisatawan ke Indonesia dan Bali Periode Th 1998-2013 pertumbuhan W isatawan Mancanegara ke Indonesia P eriode 1 9 9 0 -2 0 1 3 30

G-Ind

20

10

0

-10 1990

1995

2000

2005

2010

2015

Ta hun

Gambar 5.2 Pertumbuhan Kunjungan Wisatawan mancanegara ke Indonesia Periode Tahun 1990-2013

17 Page 25 of 56

Pertumbuhan Wisatawan Mancanegara ke Bali Periode 1990-2013 50 40 30

G.Bali

20 10 0 -10 -20 -30 1990

1995

2000

2005

2010

2015

Tahun

Gambar 5.3 Pertumbuhan Kunjungan Wisatawan mancanegara ke Bali Periode Tahun 1990-2013 5.2 Pemodelan Kunjungan Wisatawan Mancanegara ke Bali Pemodelan kunjungan wisatawan mancanegara dengan

menggunakan analisis

kointegrasi antara jumlah wisatawan mancanegara dengan variabel-variabel bebas yang diamati adalah: inflasi, nilai tukar, PDRB provinsi Bali, serta Indeks harga Konsumen (IHK) Indonesia. Untuk mempermudah analisa nilai tukar digunakan nilai tukar dolar Amerika terhadap rupiah dengan pertimbangan mata uang asing yang paling sering digunakan wisatawan adalah dolar Amerika. Data yang diamati merupakan data bulanan dari bulan Januari 2004 sampai Juni 2014. 5.2.1 Uji Kestasioneran Data Sebelum melakukan analisis

kointegrasi maka perlu dilakukan pemeriksaan

kestasioneran data. Pada penelitian ini uji kestasioneran menggunakan uji Augmented Dickey Fuller (ADF). Untuk variabel-variabel penelitian di atas hipotesis yang akan diuji adalah a) Jumlah wisatawan Mancanegara (Jumlah kunjungan wisatawan mancanegara ke Bali memiliki unit root/tidak stasioner),

18 Page 26 of 56

(Jumlah kunjungan

wisatawan mancanegara ke Bali tidak memiliki unit

root/stasioner). b) PDRB (PDRB memiliki unit root/tidak stasioner), (PDRB tidak memiliki unit root/stasioner). c) Inflasi (inflasi memiliki unit root/tidak stasioner), (inflasi tidak memiliki unit root/stasioner). d) Nilai tukar (kurs memiliki unit root/tidak stasioner), (kurs tidak memiliki unit root/stasioner). e) Indeks Harga konsumen Indonesia(IHK) (IHK memiliki unit root/tidak stasioner), (IHK tidak memiliki unit root/stasioner). Pada penelitian ini tingkat kepercayaan yang digunakan adalah

=10%. Hasil uji ADF

dapat dilihat pada tabel berikut Table 5.2 Hasil Uji ADF Terhadap Variabel-Variabel Penelitian Variabel

Peluang

Keterangan

PDRB (X1)

0.9989

Tidak Stasioner

Nilai tukar (X2)

0.3499

Tidak Stasioner

Tingkat inflasi (X3)

0.0000

Stasioner

IHK (X4)

0.3541

Tidak Stasioner

Jumlah

kunjungan

wisatawan (Y)

Tidak Stasioner

0.7019

Berdasarkan tabel 5.2 tanpak bahwa hanya inflasi yang stasioner (peluang=0.0000), sedangkan variabel-variabel lain tidak stasioner. Karena inflasi stasioner pada level (0) maka variabel inflasi tidak diikut sertakan dalam pengujian selanjutnya.

19 Page 27 of 56

Langkah selanjutnya lakukan diferiansi (differencing) orde 1/I(1) terhadap variabelvariabel yang tidak stasioner, lakukan uji ADF terhadap I(1) disebut dengan uji Integrasi. Hasil uji Integrasi dapat dilihat pada table 5.3 berikut Table 5.3 Hasil Uji Integrasi Variabel

Peluang ADF

Keterangan

D(PDRB)

0.0025

Stasioner

D(Nilai tukar)

0.0000

Stasioner

D(Wisman)

0.0024

Stasioner

Berdasarkan table 5. 3 tampak bahwa pada diferensi-1 semua variabel sudah stasioner, karena pada diferensi-1 semua variabel stasioner maka uji kointegrasi dapat dilakukan. 5.2.2 Uji Kointegrasi Karena data pengamatan awal tidak stasioner, langkah selanjutnya mengidentifikasi apakah terjadi kointegrasi. Uji kointegrasi dilakukan untuk melihat hubungan keseimbangan jangka panjang antara variable-variabel yang telah memenuhi persyaratan selama proses integrasi yaitu varabel-variabel penelitan menjadi stasioner pada difernsi-1, tetapi mempunyai kombinasi linier yang stasioner. Adanya hubungan kointegrasi dalam sebuah sistem persamaan mengimplikasikan bahwa dalam sistem tersebut terdapat Error Correction Model yang menggambarkan adanya dinamisasi jangka pendek secara konsisten dengan hubungan jangka panjangnya antar variabel yang diamati.

Uji kointegrasi diperoleh dengan cara membuat

persamaan regresi variabel bebas terhadap variabel terikat dengan metode MKT, selanjutnya selidiki kestasioneran residualnya, jika residual stasioner maka terbukti ada kointegrasi antar variabel-variabel penelitian. Hasil pengujian kestasioneran residual dapat dilihat pada table berikut: Table 5.4 Uji Unit ADF Terhadap Residual Null Hypothesis: RES has a unit root t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-5.272603

0.0000

Test critical values: 1% level

-3.485115 20 Page 28 of 56

5% level

-2.885450

10% level

-2.579598

Karena nilai peluang statistic ADF =0.000, ini berarti residual stasioner, hasil ini mengindikasikan terjadi kointegrasi antara variabel-variabel penelitian. Uji kointegrasi sensitif terhadap panjang lag yang dipilih, maka akan ditentukan terlebih dahulu panjang lag yang sesuai Penentuan panjang lag dilakukan dengan nilai AIC yang terkecil. Prosedur pemilihan panjang lag dilakukan dengan memilih beberapa panjang lag dan menghitung nilai AIC untuk masing-masing persamaan dengan panjang lag yang berbeda. Berikut ini dicantumkan tabel hasil panjang lag optimal berdasarkan AIC pada Tabel 5.4 yang ditandai dengan tanda *.

Table 5.5 Panjang Lag Maksimal Lag LogL

AIC

SC

HQ

0

-4013.829

68.08185

68.15229

68.11045

1

-3558.738

60.52098

60.80275

60.63539

2

-3535.836

60.28535

60.77844* 60.48556

3

-3531.690

60.36763

61.07204

60.65364

4

-3499.922

59.98173

60.89747

60.35355*

5

-3489.428

59.95640* 61.08346

Tampak bahwa nilai AIC terkecil terdapat pada

60.41402

panjang lag 5 , sehingga uji kointegrasi

menggunakan panjang lag tersebut. Dalam penelitian ini, uji kointegrasi dilakukan dengan menggunakan metode Johansen. Variabel-variabel yang akan diuji harus merupakan variabel yang stasioner pada derajat yang sama atau pada orde d, yaitu jumlah kunjungan wisman, nilai tukar,inflasi dan PDRB Provinsi Bali. Uji hipotesis yang digunakan banyaknya vektor kointegrasi

,

banyaknya vektor kointegrasi

. 21 Page 29 of 56

Table 5.6 Hasil Uji kointegrasi dengan Metode Johansen’s Contegration Test (Trace Test) Unrestricted Cointegration Rank Test (Trace) Hypothesized

Trace

0.05

No. of CE(s) Eigenvalue

Statistic

Critical Value Prob.**

None *

0.452752

113.1016

69.81889

0.0000

At most 1

0.240061

41.96501

47.85613

0.1597

At most 2

0.067898

9.572036

29.79707

0.9859

At most 3

0.009509

1.275121

15.49471

0.9997

At most 4

0.001251

0.147672

3.841466

0.7008

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level

Table 5.7 Hasil Uji kointegrasi dengan Metode Johansen(maximum eigenvalue statistics) Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized

Max-Eigen

0.05

No. of CE(s) Eigenvalue

Statistic

Critical Value Prob.**

None *

0.452752

71.13658

33.87687

0.0000

At most 1 *

0.240061

32.39298

27.58434

0.0111

At most 2

0.067898

8.296915

21.13162

0.8846

At most 3

0.009509

1.127449

14.26460

0.9997

At most 4

0.001251

0.147672

3.841466

0.7008

Berdasarkan Tabel 5.6 dan Tabel 5.7 dapat dilihat bahwa nilai trace statistic dan maximum eigenvalue pada

lebih kecil dari critical value dengan tingkat dignifikansi 5%. Hal ini

berarti hipotesis nol yang menyatakan bahwa tidak ada kointegrasi ditolak. Tampak pula terdapat 1 buah vector kointegrasi. 22 Page 30 of 56

Table 5.8 Hasil Estimasi Persamaan Jangka Panjang

Variable

Coefficient

C PDRB INFLASI NILAI_TUKAR IHK_IND

21558.32 0.131144 -457.0879 -2.063307 -835.4468

R-squared 0.888632 Adjusted R-squared 0.884889 S.E. of regression 21928.71 Sum squared resid 5.72E+10 Log likelihood -1412.845 F-statistic 237.3828 Prob(F-statistic) 0.000000

Std. Error

t-Statistic

35555.52 0.606328 0.004933 26.58442 2329.915 -0.196182 2.520380 -0.818649 152.8403 -5.466143 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Prob. 0.5455 0.0000 0.8448 0.4146 0.0000 187325.4 64632.97 22.86847 22.98219 22.91466 0.749098

5.2.3 Uji ECM Adanya kointegrasi menunjukkan adanya hubungan keseimbangan jangka panjang antar variabel-variabel penelitian. Walaupun dalam jangka panjang terjadi keseimbangan, dalam jangka pendek bisa saja variabel-variabel tersebut tidak mencapai keseimbngan. Terjadinya perbedaan tersebut dapat diatasi dengan menggunakan Erorr Corection Mechanism(ECM). Table 5.9 Hasil Estimasi Persamaan Jangka Pendek Variable

Coefficient

C D(PDRB) D(INFLASI) D(NILAI_TUKAR) D(IHK_IND) RES(-1)

-43.35973 0.086034 -700.7598 0.302915 786.3204 -0.371849

R-squared 0.194759 Adjusted R-squared 0.159749 S.E. of regression 16986.04 Sum squared resid 3.32E+10 Log likelihood -1347.172 F-statistic 5.562877

Std. Error

t-Statistic

1948.153 -0.022257 0.040060 2.147647 1336.686 -0.524252 5.758796 0.052600 1337.294 0.587994 0.073757 -5.041523 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Prob. 0.9823 0.0338 0.6011 0.9581 0.5577 0.0000 1784.033 18530.52 22.36649 22.50512 22.42279 1.823686

23 Page 31 of 56

Prob(F-statistic)

0.000126

Probabilitas ECT= 0.000< 0.05 dan probabilitas F= 0.000126 <0.05 menunjukkan bahwa model valid untuk menggambarkan dinamika jangka pendek. Nilai koefisien koreksi ketidakseimbangan untuk model kunjnungan wisatawan mancanegar ke Bali 0.371849 menunjukkan bahwa ketidak seimbangan periode sebelumnya terkoreksi pada periode sekarang sebesar 0.371849. Ini berarti kecepatan residual pada periode sebelumnya untuk mengoreksi perubahan variabel kunjungan wisatawan mancanegara ke Bali menuju keseimbangan pada periode selanjutnya sebesar 37.185% . 5.2.4. Uji Kebaikan Model Pada analisis regresi yang menggunakan MKT haruslah memenuhi beberapa asumsi klasik yaitu : residual harus menyebar normal, data harus homogenen (tidak terjadi Heteroscedastisitas ), tidak terjadi Multicolinearitas, serta tidak ada Autokorelasi. Berikut hasil pengecekan asumsi a. Uji Kenormalan Ho : error term/residual berdistribusi normal H1 : error term tidak berdistribusi normal Untuk menguji kenormalan dalam penelitian ini digunakan statisttik Jarque-Berra Jika p-value < ɑ, maka Ho ditolak Hasil uji kenormalan dapat dilihat pada gambar berikut 24 S e r ie s : R e s id u a ls S a m p le 2 0 0 4 M 0 1 2 0 1 4 M 0 6 O b s e r v a tio n s 1 2 4

20

Mean M e d ia n M a xim u m M in im u m S td . D e v. S ke wn e ss K u rto s is

16

12

8

4

0 -60000

Ja r q u e -B e ra P ro b a b ility -40000

-20000

0

20000

40000

2 .0 0 e - 1 2 - 3 2 0 4 .0 6 9 5 9 6 2 8 .6 6 - 5 7 9 8 4 .7 0 2 1 5 6 9 .2 0 0 .4 0 0 8 1 9 3 .1 2 0 5 2 4 3 .3 9 5 2 7 9 0 .1 8 3 1 1 5

60000

Gambar 5.4 Hasil uji kenormalan

24 Page 32 of 56

Dari gambar 5.4 dan nilai Probabilitas 0.183115 > tingkat signifikansi 0.10 ini menunjukkan error term berdistribusi normal b. Uji Heteroscedastisitas Uji yang digunakan adalah uji White, hipotesis yang digunakan Ho : error term/residual homogeny/tidak ada heteroscedastisitas H1 : error term tidak homogeny/ada heteroscedastisitas Jika p-value < ɑ, maka Ho ditolak

Table 5.10 Hasil Uji White F-statistic 0.312536 Obs*R-squared 1.289127 Scaled explained SS 1.258807

Prob. F(4,119) 0.8691 Prob. Chi-Square(4) 0.8632 Prob. Chi-Square(4) 0.8683

Karena nilai peluang Obs*R-squared=0.8691 . 0.05 maka Ho diterima, ini menunjukkan tidak terjadi heteroscedastisitas c. Uji Multikolinearitas Multikolinearitas berarti adanya hubungan linear yang sempurna antara beberapa atau semua variabel yang menjelaskan model regresi. jika koefisien korelasi antara masing-masing variabel bebas lebih besar dari 0.8, berarti terjadi multikolinearitas dalam model regresi. PDRB

INFLASI

NILAI_TUKARIHK_IND

PDRB

1.000000

-0.106537

0.384136

-0.242431

INFLASI

-0.106537

1.000000

-0.011661

-0.033763

NILAI_TUKAR 0.384136

-0.011661

1.000000

-0.347732

IHK_IND

-0.033763

-0.347732

1.000000

-0.242431

Tampak bahwa koefisien korelasi antara masing-masing variabel semuanya bernilai < 0.8, ini mengindikasikan bahwa tidak terjadi multikolinearitas antar variabel. d. Uji Autokorelasi Hipotesis yang digunakan Ho : tidak ada korelasi serial H1 : ada korelasi serial Uji yang digunakan adalah Breusch-Godfrey Serial Correlation LM Test: 25 Page 33 of 56

Table 5.11 Hasil Uji Breusch-Godfrey Serial Correlation LM : F-statistic

35.79538

Prob. F(2,117)

0.6986

Obs*R-squared

47.07152

Prob. Chi-Square(2)

0.1002

Hasil Uji Breusch-Godfrey Serial Correlation LM menunjukkan bahwa tidak terjadi autokorelasi. Berdasarkan uji kelayakan model yang telah dilakukan sebelumnya dapa ditunjukkan bahwa semua asumsi klasik dipenuhi, maka estimasi model regresi yang diperoleh telah cocok/layak digunakan. 5.2.5 Interpretasi Koefisien Persamaan Jangka Panjang dan Jangka Pendek Dari tabel 5.8 model persamaan jangka panjang sebagai berikut : Wismant=21558.32 +0.13114 PDRBt -2.063307 Nilai-tukarit-835.4468 IHK t Dengan nilai R2=0.888632 Interpretasi dari hasil estimasi jangka panjang model ECM dapat dijelaskan sebagai berikut : 1. Koefisien PDRB terhadap Wisman positif 0.13114, berarti jika terjadi kenaikan PDRB sebesar 1%, maka terjadi pula kenaikan kunjungan wisman sebesar 0.13114%. 2. Koefisien Nilai tukar negative 2.063307 , menunjukkan antara nilai tukar rupiah terhadap dolar AS berlawan dengan jumlah kunjungwisatawan mancanegara ke Bali. Menguatnya nilai tukar rupiah terhadap dollar AmerikaSerikat berarti melemahnya nilai dolar Amerika terhadap rupiah, berdampak menurunnya jumlah wisatawan yang datang ke Bali. Meningkatnya nilai tukar rupiah terhadap dolar 1% akan menurunkan jumlah wisatawan atang mancanegara yang ke Bali sebesar 2.063307% 3. Koefisien IHK negatif 835.4468, berarti jika terjadi kenaikan IHK Indonesia akan menurunkan jumlah kunjungan wisatwan mancanegara ke Bali Persamaan jangka pendek sebagai berikut : ΔWismant =-43.35973+0.086034Δ PDRBt +0.086034Δ Nilai tukart +786.3204ΔIHKt – 0.371849 ΔECT(-1) Interpretasi dari hasil estimasi jangka pendek model ECM dapat dijelaskan sebagai berikut : Berdasarkan table 5.9 hanya variabel PDRB yang signifikan, ini menunjukkan dalam jangka pendek hanya PDRB yang mempengaruhi kedatangan wisatawan mancanegara keBali. Kenaikan 26 Page 34 of 56

1% PDRB Bali menunjukkan kenaikan jumlah kunjungan wisatawan mancanegara ke Bali sebesar 0.086034%. 5.3 Pemodelan Kunjungan Wisatawan China ke Bali Dari kawasan Asia wisatawan yang paling banyak datang ke Bali berasal dari China., Berbeda dengan pemodelan wisatawan mancanegara,variabel bebas yang diuji ditambahkan harga pariwisata.Hal ini sesuai dengan apa yang diungkapkan oleh Song (2012) bahwaq salah satu penyebab kunjungan wisatawan ke suatu destinasi adalah harga pariwisata.. Pada penelitian ini akan dicari kointegrasi antara permintaan pariwisata(Y) dengan harga pariwisata(X1),nilai tukar(X2), tingkat inflasi(X3), dan indeks harga konsumen Indonesia(X4) dengan menggunakan metode Error Correction Model (ECM). Permintaan pariwisata diproksi dengan jumlah kunjungan wisatawan, harga pariwisata diproksi dengan HP 

IHKa / ex IHKt

Dengan HP = harga pariwisata, IHKa= indeks harga konsumen negara asal Ex= nilai tukar IHKt= indeks harga konsumen Indonesia. Dalam penelitian ini tingkat kepercayaan yang digunakan adalah 15%, prosentase yang sering dipakai pada penelitian ekonomi 5.3.1

Unit Root Test Metode yang digunakan uji Augmented Dickey Fuller (ADF).Uji ini digunakan untuk

mengatasi kemungkinan adanya serial correlation atau adanya korelasi pada suku galat atau residual. Dengan menggunakan uji ADF, maka variabel diasumsikan mengikuti persamaan (14), dengan

merupakan operator differencing pertama. Prosedur penentuan panjang lag difference

adalah memasukkan lag tertentu ke dalam persamaan (14), misal

, kemudian menguji

apakah terdapat serial correlation pada residual. Apabila terdapat serial correlation, maka 27 Page 35 of 56

dilanjutkan dengan memasukkan lag

demikian seterusnya hingga tidak terdapat

serial correlation. Proses iterasi untuk menentukan panjang lag hingga tidak terdapat serial correlation dibantu dengan menggunakan software EViews. hipotesis sebagai berikut. 1.

Permintaan Pariwisata (Permintaan Pariwisata memiliki unit root/tidak stasioner), (Permintaan Pariwisata tidak memiliki unit root/stasioner).

2.

Harga Pariwisata (Harga Pariwisata memiliki unit root/tidak stasioner), (Harga Pariwisata tidak memiliki unit root/stasioner).

3.

Inflasi (inflasi memiliki unit root/tidak stasioner), (inflasi tidak memiliki unit root/stasioner).

4.

Nilai tukar (kurs memiliki unit root/tidak stasioner), (kurs tidak memiliki unit root/stasioner).

5.

Indeks Harga konsumen Indonesia(IHK) (IHK memiliki unit root/tidak stasioner), (IHK tidak memiliki unit root/stasioner).

Untuk masing-masing hipotesis dari variabel yang diteliti kriteria penerimaan nilai statistik uji

adalah apabila

(tau) lebih besar dari nilai kritis pada table Dickey-Fuller(DF) atau nilai

probabilitas yang lebih besar dari 0.15. 28 Page 36 of 56

Hasil Uji ADF dapat dilihat pada tabel berikut Table 5.12 Hasil Uji ADF secara Simultan Method

Statistic

Prob.**

ADF - Choi Z-stat

0.07724

0.5308

** Probabilities for Fisher tests are computed using an asymptotic Chi-square distribution. All other tests assume asymptotic normality.

Table 5.13 Hasil Uji ADF secara Individu Series

Prob.

X1

0.8504

X2

Lag

Max Lag

Obs

0

10

63

0.9817

1

10

62

X3

0.0000

1

10

62

X4

0.3541

0

10

63

Y

0.9986

6

10

57

Berdasarkan tabel 5.12 tanpak bahwa nilai statistic ADF >-2.88719, demikian juga nilai peluang > 0.15, berarti ada variabel yang tidak stasioner, Selanjutnya diselidiki variabelvariabel apa saja yang tidak stasioner,berdasarkan nilai peluang pada tabel 5.13 tanpak bahwa hanya inflasi yang stasioner (peluang=0.0000), sedangkan variabel-variabel lain tidak stasioner. Supaya vanriabel-variabel tersebut menjadi stasioner, maka diasumsikan variabel-variabel tersebut stasioner pada order satu I(1) dengan melakukan differencing terhadap variable-variabel tersebut selanjutnya lakukan uji ADF lagi. Hasil uji ADF untuk I(1) dapat dilihat pada table 5.3.

29 Page 37 of 56

Table 5.14 Hasil Uji ADF Untuk I(1) Series

Prob.

D(X1)

0.0000

D(X2)

Lag

Max Lag

Obs

0

10

62

0.0000

0

10

62

D(X3)

0.0000

3

10

59

D(X4)

0.0000

0

10

62

D(Y)

0.0000

5

10

57

Pada differencing-1 semua variable sudah stasioner, karena nilai peluangnya semua bernilai nol < 0.15. Langkah selanjutnya menentukan panjang Lag optimal. 5.3.2 Penentuan Panjang Lag Optimal Penentuan panjang lag dilakukan dengan nilai AIC yang terkecil. Prosedur pemilihan panjang lag dilakukan dengan memilih beberapa panjang lag dan menghitung nilai AIC untuk masing-masing persamaan dengan panjang lag yang berbeda. Semakin kecil nilai AIC maka semakin baik model yang digunakan dan sebaliknya, sehingga panjang lag yang digunakan adalah panjang lag dari persamaan dengan nilai AIC terkecil. Berikut ini dicantumkan tabel hasil panjang lag optimal berdasarkan AIC pada Tabel 5.4 yang ditandai dengan tanda *. Table 5.15 Panjang Lag Optimal Lag

AIC

0 1 2 3 4 5 6 7 8

25.03799 16.72710 16.82849 16.52539 16.38305 16.21481 14.85973 14.37768 12.98178* 30 Page 38 of 56

Nilai AIC terkecil diperoleh pada lag ke-8, berdasarkan panjang lag tersebut dilakukan uji kointegrasi. 5.3.3

Uji Kointegrasi Johansen Dalam penelitian ini, uji kointegrasi dilakukan dengan menggunakan metode Johansen.

Variabel-variabel yang akan diuji harus merupakan variabel yang stasioner pada derajat yang sama atau pada orde d,dalam hal ini digunakan orde 1, karena pada orde 1 semua variable sudah stasioner (table 5.3) Hipotesis yang digunakan sebagai berikut: banyaknya vektor kointegrasi

,

banyaknya vektor kointegrasi

.

Apabila nilai trace statistic dan maximum eigenvalue lebih besar daripada nilai kritis pada tingkat kepercayaan

adalah 15 % atau nilai probabilitas lebih kecil dari

adalah 15 % maka

hipotesis nol ditolak yang artinya terjadi kointegrasi. Table 5.16 Hasil Uji Johansen (Trace Statistics) Hipotess Nol

Trace

0.05

No. of CE(s)

Eigenvalue

Statistic

Critical Value

Prob.**

None *

0.944021

351.5330

69.81889

0.0001

At most 1 *

0.887176

192.9806

47.85613

0.0000

At most 2 *

0.500864

72.97491

29.79707

0.0000

At most 3 *

0.381264

34.75673

15.49471

0.0000

At most 4 *

0.140895

8.352520

3.841466

0.0039

Trace test indicates 5 cointegrating eqn(s) at the 0.05 level

31 Page 39 of 56

Table 5.17 Hasil Uji Johansen(Maximum Eigenvalue) Hypothesized No. of CE(s) None * At most 1 * At most 2 * At most 3 * At most 4 *

Eigenvalue

Max-Eigen Statistic

0.05 Critical Value

Prob.**

0.944021 0.887176 0.500864 0.381264 0.140895

158.5524 120.0057 38.21818 26.40421 8.352520

33.87687 27.58434 21.13162 14.26460 3.841466

0.0001 0.0000 0.0001 0.0004 0.0039

Max-eigenvalue test indicates 5 cointegrating eqn(s) at the 0.05 level Berdasarkan tabel 5.16 dan 5.17 dapat dilihat bahwa terjadi kointegrasi variable-variabel penelitian, ini menunjukkan terjadi keseimbangan jangka panjang antara permintaan pariwisata dengan harga pariwisata, nilai tukar, tingkat inflasi, dan indeks harga konsumen Indonesia. Berdasrkan hasil uji kointegrasi Johansen diperoleh 4 persamaan kointegrasi/kesemibangan jangka panjang. Hasil taksiran jangka panjang koefisien kointegrasi beserta standar errornya sebagai berikut Table 5.18 Model Persamaan Kointegrasi 1 Eigenvalue)1 Cointegrating Equation(s): Y 1.000000

X1 -7.33E+08 (6.0E+07)

Log likelihood

-84.22364

X2 -316.0589 (23.7586)

X3 -467.9880 (2013.68)

X4 -3871.402 (336.664)

Persamaan Kointegrasi yang terbentuk adalah Yt=-7.33E+08X1t - 316.0589-467.9880X3t-3871.402X4t Dengan koefisien koreksi keseimbangan seperti yang tercantum pada tabel berikut: Table 5.19 Koefisien Koreksi Keseimbangan Model 1 Variabel

koefisien

Standar error

D(Y)

-0.065626

0.62722

D(X1)

-5.28E-10

5.4E-10

D(X2)

-0.003327

0.00116

D(X3)

3.50E-05

4.0E-05 32 Page 40 of 56

D(X4)

0.000487

0.00011

Table 5.20 Persaman Kointegrasi 2 2 Cointegrating Equation(s): Y 1.000000

X1 0.000000

0.000000

1.000000

Log likelihood

-24.22079

X2 -28.82624 (2.61378) 3.92E-07 (3.6E-09)

X3 10769.98 (2145.95) 1.53E-05 (3.0E-06)

X4 283.2453 (41.2399) 5.67E-06 (5.7E-08)

Keterangan nilai dalam kurung merupakan standar error. Koefisien koreksi keseimbangan Model 2 dapat dilihat pada table berikut:: Table 5.21 Koefisien Koreksi Keseimbangan Model 2 Variabel

Koefisien pers.1

Standar error 1

Standar error 2

0.77892

Koefisien pers.2 0.77892

D(Y)

0.203598

D(X1)

-1.77E-09

3.8E-10

-0.452143

0.27249

D(X2)

-0.000522

0.00069

4334169

492830

D(X3)

2.25E-05

5.0E-05

-34049.70

35895.5

D(X4)

0.000702

9.2E-05

-210847.6

65504.9

5.5E+08

Table 5.22 Persaman Kointegrasi 3 3 Cointegrating Equation(s): X1 0.000000

X2 0.000000

1.000000

0.000000

0.000000

1.000000

Log likelihood

-5.111697

X3 24726.52 (4726.08) -0.000174 (4.3E-05) 484.1611 (111.211)

X4 504.5386 (70.7340) 2.66E-06 (6.5E-07) 7.676800 (1.66447)

33 Page 41 of 56

Nilai Koefisien Keseimbangan Model kointegrasi 3 D(Y) D(X1) D(X2) D(X3) D(X4)

0.226589

2.25E+08

80.98554

(2.17285)

(7.3E+08)

(374.381)

-3.45E-09

-0.057573

1.22E-07

(9.4E-10)

(0.31710)

(1.6E-07)

-0.001519

4568108.

1.861489

(0.00191)

(641442.)

(0.32856)

0.000248

-86906.25

-0.047216

(0.00012)

(41570.8)

(0.02129)

0.000922

-262523.7

-0.135388

(0.00025)

(83423.9)

(0.04273)

Table 5.23 Persamaan Kointegrasi 4 4 Cointegrating Equation(s): Log likelihood

8.090407

Y 1.000000

X1 0.000000

X2 0.000000

X3 0.000000

0.000000

1.000000

0.000000

0.000000

0.000000

0.000000

1.000000

0.000000

0.000000

0.000000

0.000000

1.000000

X4 517.5825 (124.182) 2.57E-06 (9.0E-07) 7.932208 (2.45003) -0.000528 (0.00491)

Nilai Koefisien keseimbangan model 4 D(Y)

D(X1)

D(X2)

D(X3)

D(X4)

-0.862817

6.53E+08

324.2353

-16718.61

(1.85572)

(6.3E+08)

(325.997)

(15637.7)

-3.26E-09

-0.133711

7.84E-08

-1.24E-05

(9.5E-10)

(0.32143)

(1.7E-07)

(8.0E-06)

-0.001679

4630876.

1.897119

63.29560

(0.00196)

(665066.)

(0.34367)

(16.4857)

0.000202

-68922.75

-0.037008

-2.502146

(0.00012)

(39430.0)

(0.02038)

(0.97739)

0.000831

-226736.4

-0.115074

1.207012

(0.00023)

(79263.0)

(0.04096)

(1.96478)

34 Page 42 of 56

Keteranag nilai dalam kurung merupakan standar error

5.3.4 Error Corection Model (ECM) Error Corection Model (ECM) dipakai untuk menyajikan keseimbangan jangka panjang dan ketakseimbangan jangka pendek antara variable-variabelnya, sehingga diperoleh model yang lebih sesuai dan lebih presisi dipakai dalam peramalan. Table 5.24 Estimasi jangka Panjang Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

169335.8

153338.5

1.104327

0.2739

X1

-1.20E+08

97131757 -1.232705

0.2226

X2

8.049275

31.78363

0.253252

0.8010

X3

1388.212

2016.865

0.688302

0.4940

X4

-704.3426

420.9729 -1.673130

0.0996

R-squared F-statistic Prob(F-statistic)

0.653053 27.76374 0.000000

Mean dependent var Durbin-Watson stat

30645.63 1.822533

Tampak nilai P untuk statistic F=0.0000< 0.05 menunjukkan model signifikan dengan kata lain secara bersama-sama ada keseimbangan jangka panjang antara Permintaan pariwisata, dengan harga pariwisata, nilai tukar China terhadap rupiah, inflasi dan IHK Indonesia. Nilai R2 =0.653 menunjukkan model yang

diperoleh mampu menjelaskan variabel terikat sebesar

65.3%

sedangkan sisanya merupakan variabel lain yang tidak masuk dalam model. Persamaan jangka panjang diperoleh Yt=169335.8--1.20E+08X1t+8.049275X2t+1388.212X3t+-704.3426X4t Table 5.25 Estimasi jangka Pendek

Variable

C

Coefficient

Std. Error

t-Statistic

Prob.

553.5122

1335.839

0.414355

0.6802

35 Page 43 of 56

D(X1)

1.54E+08

3.23E+08

0.477316

0.6350

D(X2)

51.11032

92.42030

0.553020

0.5824

D(X3)

-621.3235

1751.117 -0.354816

0.7240

D(X4)

202.0444

1073.063

0.188288

0.8513

RES(-1)

-0.934484

0.132573 -7.048823

0.0000

R-squared

0.497508

Mean dependent var

553.0794

F-statistic

11.28694

Durbin-Watson stat

1.922629

Prob(F-statistic)

0.000000

Tampak nilai probabilitas F-statistic < alpha (0.10) menunjukkan variable-variabel bebas berpengaruh pada jangka pendek. Nilai koefisien koreksi ketidakseimbangan 0.934 menunjukkan bahwa ketidak seimbangan periode sebelumnya terkoreksi pada periode sekarang sebesar 0.934. Ini berarti kecepatan residual pada periode sebelumnya untuk mengoreksi perubahan variabel kunjungan wisatawan China ke Bali menuju keseimbangan pada periode selanjutnya sebesar 93.4% . Model jangka pendek diperoleh ΔYt =553.5122+1.54E+08ΔX1t+51.11032ΔX2t +-621.3235ΔX3t +202.0444ΔX4t0.934484ΔECTt-1

Berdasarkan model tersebut dapat disimpulkan dalam jangka pendek hanya variabel harga pariwisata yang berpengaruh signifikan terhadap kunjungan wisatwan China ke Indonesia. Peningkatan harga pariwisata sebesar 1 satuan akan menurunkan kunjungan wisatawan asal China ke Bali sebesar 1.2E+08. Adanya hubungan negatif tersebut menunjukkan bahwa jika harga pariwisata meningkat menyebabkan wisatawan asal China yang berkunjung ke Bali akan berkurang. Ini sesuai dengan hukum ekonomi bahwa jika harga produk meningkat pembeli akan berkurang dan beralih ke

36 Page 44 of 56

produk sejenis yang lebih murah. Sedangkan nilai tukar dan IHK tidak berpengaruh secara signifikan terhadap kunjungan wisatawan China ke Bali.

37 Page 45 of 56

BAB VI KESIMPULAN DAN SARAN

6.1 Kesimpulan Berdasarkan uraian pada bab-bab sebelumnya dapat disimpulkan : 1. Secara umu terjadi kointegrasi antara jumlah kunjungan wisatawan mancanegara ke Bali dengan PDRB, harga pariwisata, nilai tukar ,inflasi dann Indeks harga konsumen Indonesia. 2. Model kunjungan wisatwan mancanegara ke Bali mempunyai 1 persamaan kontegrasi, sedangkan untuk pengamatan khusus nwisatawan China persamaan kointegrasi yang terjadi sebanyak 4 3. Nilai koefisien koreksi ketidakseimbangan untuk model kunjungan wisatawan mancanegara ke Bali 0.371849 berarti kecepatan residual pada periode sebelumnya untuk mengoreksi perubahan variabel kunjungan wisatawan

mancanegar ke Bali menuju

keseimbangan pada periode selanjutnya sebesar 37% . Sedangkan koefisien koreksi ketidakseimbangan untuk model kujnungan wisatawan China ke Bali 0.934 menunjukkan bahwa ketidak seimbangan periode sebelumnya terkoreksi pada periode sekarang sebesar 93.4% . 6.2 Saran Karena terjadi keseimbangan jangka panjang antara variabel-variabel penelitian, terutama harga pariwisata diharapkan para pengambil kebijakan serta pelaku industri pariwisata dapat membuat inovasi-inovasi paket wisata yang khas sehingga selalu dapat menarik wisatawan mancanegara ke Bali.

38 Page 46 of 56

Daftar Pustaka Albaladejo, I.P., González-Martínez,M.I. Martínez-García.M.P. (2014).Quality and endogenous tourism: An empirical approach. Tourism Management, Volume 41, April 2014, Pages 141-147 Alegre, J. & Pou, L. (2006).The length of stay in demandfor tourism.Tourism Management, 27(6), 1343–1355. Algieri, B. (2006). An econometric estimation of thedemand for tourism: The case of Russia. TourismEconomics, 12(1), 5–20. Alleyne, D. (2006). Can seasonal unit-root testing improveforecasting accuracy of tourist arrivals? TourismEconomics, 12(1): 45–64. Akal,M. (2004). Forecasting Turkey’s tourism revenues by ARMAX model.Tourism Management.25, 565–580. Akturk T. and C.C. Kucukozmien. (2012). Tourism Demand for Turkey: Models, Analysis and Results. Working Paper.Middle East Technical University, Ankara Institute of Applied Mathematics.http://www.coskunkucukozmen.com/wp-content/uploads/2012/02/g5.pdf Accessed: 8 February 2014 Apergis, N., Payne, J.E. (2012). Tourism and growth in the Caribbean – evidence from a panel error correction model. Tourism Economics, Volume 18, Number 2, April 2012 , pp. 449-456(8) Asemota O.J. and D. A. Bala.(2012). Modeling Tourism Demand in Japan Using Cointegration and Error correction Model.International Review of Business Research Papers.Vol. 8. No.2. March 2012. Pp. 29 – 43 Brida, J.G., Cortes-jimenez, I., Pulina, M.(2013).Has the tourism-led growth hypothesis been

validated? A literature review, Current Issues in Tourism, 2013, p.1-37 Brida, J. G., Lanzilotta, B., Pereyra, J. S., Pizzolon, F. (2013). A nonlinear approach to the tourism-led growth hypothesis: the case of the MERCOSUR. Current Issues in Tourism, 2013, p.1-20 Burger, C. J. S. C., Dohnal, M., Kathrada, M., & Law, R.(2001).A practitioners guide to timeseries methods fortourism demand forecasting-A case study of Durban,South Africa. Tourism Management, 22(4), 403–409. Coshall, J.T and R. Charlesworth. (2011). A management orientated approach to combination forecasting of tourism demand.Tourism Management, Volume 32, Issue 4, August 2011, Pages 759-769 39 Page 47 of 56

Daniel, A.C.M., Rodrigues, P.M.M.(2012). Assessing the impact of shocks on international tourism

demand for Portugal.Tourism Economics, 18, 3, 617-634(18) Kuo, H., Liu, K.E., Chen, C. (2014).Modeling Japanese Tourism Demand for Asian Destinations: A

Dynamic AIDS Approach.Asia Pacific Journal of Tourism Research, 2014, Vol.19(1), p.86-102 Li, C. M. Rosli, A., and O.S. Chuan (2013).Economic Growth, Tourism and Selected Macroeconomic Variabels: A Triangular Causal Relationship in MalaysiaMargin: The Journal of Applied Economic Research, 2013, Vol.7(2), pp.185-206 Lee, K. N. (2011). Forecasting long-haul tourism demand for Hong Kong using error correction models, Applied Economics, 2011, Vol.43(5), p.527-549 Louw S. and A. Saayman.(2013).Forecasting Tourism Demand forSouth Africa Using a Single Equation Causal Approach. Quantitative Method In Tourism Economics. DOI 10.1007/978-3-7908-2879-5_5.Springer-Verlag Berlin Heidelberg Mathias A. et al. (2013).Tourism Growth Versus Economic Development: An Analysis by Multivariate Techniques. Quantitative Method In Tourism Economics, DOI 10.10007/978-3-7908-2879-5_13. Springer-Verlag Berlin Heidelberg. Otero-Giráldez M., Álvarez-Díaz M., González-Gómez M.(2012). Estimating the long-run effects of socioeconomic and meteorological factors on the domestic tourism demand for Galicia (Spain).Tourism Management, 2012, Vol.33(6), pp.1301-1308 Song, H., Kim J. H., Yang S. (2010). Confidence Intervals for Tourism Demand Elasticity,Annals of Tourism Research, 2010, Vol.37(2), pp.377-396 Song H., S. F. Witt, and G. Li .(2012). The Advanced Econometrics of Tourism Demand. Routledge. Song, H., Dwyer, L., Li, G., Cao, Z. (2012). Tourism economics research: A review and assessment. Annals of Tourism Research, 2012, Vol.39(3), pp.1653-1682

40 Page 48 of 56

LAMPIRAN Lampiran 1 Data Kedatanagn Wisatawan Mancanegara ke Bali Indeks

Periode

PDRB

Wisman

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

Jan-04 Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 Nov-04 Dec-04 Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05 Jan-06 Feb-06 Mar-06 Apr-06 May-06 Jun-06 Jul-06 Aug-06 Sep-06 Oct-06

1613334 1610451 1613419 1626565 1637991 1652023 1675739 1689676 1700911 1701798 1713366 1727969 1758084 1769398 1774389 1762258 1762699 1764915 1782465 1778059 1765256 1733660 1711863 1689468 1639576 1636159 1652318 1703274 1747169 1799224 1877457 1932319 1981827 2049778

104057 84368 99826 111022 117191 131685 148086 155000 141900 128399 110506 125525 102146 100839 117340 116486 116814 136544 158731 157456 162307 81343 62894 76084 80002 73075 84262 104044 101951 109825 122323 118441 118551 112876

Inflasi 1.36 -0.36 0.67 0.44 0.98 0.44 -0.03 -0.21 -0.43 0.27 0.72 1.98 1.09 -0.16 2 -0.2 0.09 -0.07 0.84 0.92 0.07 6.86 0.42 -0.9 0.91 1.73 -0.22 0.14 -0.05 0.47 0.27 -0.41 0.01 0.61

Nilai Tukar 8395 8425 8569 8608 8965 9382 9037 9235 9183 9096 9031 9223 9204 9245 9371 9539 9480 9616 9799 9987 10233 10093 10041 9857 9493 9253 9172 8937 8985 9363 9125 9094 9143 9187

IHK-Ind 118.53 118.33 120.59 121.00 121.25 121.86 122.81 123.48 124.33 135.15 136.92 136.86 138.72 139.53 139.57 139.64 140.16 140.79 141.42 141.88 142.42 143.65 144.14 145.89 147.41 148.32 148.67 148.43 148.58 148.92 149.99 151.11 152.32 153.53

41 Page 49 of 56

35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75

Nov-06 Dec-06 Jan-07 Feb-07 Mar-07 Apr-07 May-07 Jun-07 Jul-07 Aug-07 Sep-07 Oct-07 Nov-07 Dec-07 Jan-08 Feb-08 Mar-08 Apr-08 May-08 Jun-08 Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09 Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10

2070734 2068489 2006235 1985198 1968568 1956790 1948642 1944568 1951481 1950370 1948148 1933951 1937654 1948395 1975556 1993333 2011111 2026420 2046049 2067531 2099753 2118272 2131975 2137901 2144198 2147901 2142593 2145926 2151481 2159753 2169383 2180864 2201111 2211111 2217778 2214198 2219383 2226420 2235802 2246173 2258025

114081 123106 109875 118483 119458 125393 129039 145500 164972 167031 152804 146385 142124 147467 147799 161776 160708 154911 167463 178404 190854 195549 189346 189234 173077 175963 174541 147704 168205 188776 190803 200566 235198 232255 218443 221282 184803 222546 179273 191926 192579

0.29 0.46 1.67 0.26 0.25 0.32 -0.09 0.06 0.44 0.36 0.55 0.04 0.74 1.17 2.5 0.47 0.36 0.11 1.15 1.78 1.63 1.09 0.39 0.32 0.44 0.28 -0.21 0.98 1.35 -0.61 -0.17 0.17 0.38 0.5 0.88 0.35 0.1 0.57 0.95 0.55 -0.08

9135 9087 9067 9068 9164 9098 8844 8984 9067 9367 9310 9107 9264 9334 9406 9181 9185 9209 9291 9296 9163 9149 9341 10048 11711 11325 11167 11853 11850 11025 10393 10207 10111 9978 9901 9483 9470 9458 9275 9348 9174

153.81 155.50 158.26 159.29 160.81 161.73 164.01 110.08*) 111.59 112.16 113.25 113.76 113.90 113.86 113.78 114.02 114.27 113.92 113.97 114.10 114.61 115.25 116.46 116.68 116.65 117.03 118.01 118.36 118.19 118.37 118.71 119.86 121.74 122.67 123.21 123.29 124.03 125.17 126.29 126.46 126.05

42 Page 50 of 56

76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116

Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10 Jan-11 Feb-11 Mar-11 Apr-11 May-11 Jun-11 Jul-11 Aug-11 Sep-11 Oct-11 Nov-11 Dec-11 Jan-12 Feb-12 Mar-12 Apr-12 May-12 Jun-12 Jul-12 Aug-12 Sep-12 Oct-12 Nov-12 Dec-12 Jan-13 Feb-13 Mar-13 Apr-13 May-13 Jun-13 Jul-13 Aug-13

2268889 2285556 2305556 2286420 2344938 2438642 2710247 2767284 2752469 2523580 2471728 2454691 2517901 2536420 2555679 2580123 2597531 2612346 2626543 2634691 2638765 2622469 2630617 2646914 2683210 2706914 2729877 2754074 2774074 2791852 2812840 2822099 2825062 2802963 2807407 2819630 2848519 2869630 2891852 2922099 2941358

184907 203388 228045 254907 243154 240947 229904 199861 227251 209093 207195 207907 224704 209058 245652 283524 258377 258440 247565 221603 253591 253286 225993 230957 225488 220700 244080 271512 254079 257363 255021 242781 268072 232935 241868 252210 242369 247972 275667 297878 309219

-0.19 0.7 0.74 2.33 1.19 0.22 -0.08 0.57 0.94 1.03 -0.01 0.24 -0.04 0.02 0.84 0.77 0.02 0.03 0.13 0.18 0.49 0.9 0.63 0.46 0.25 -0.05 0.43 0.72 0.19 -0.04 0.41 0.13 0.58 1.41 1.19 1.08 -0.13 -0.66 0.47 2.81 0.83

9027 9183 9148 9049 8972 8976 8928 8938 9023 9037 8913 8761 8651 8556 8564 8533 8532 8766 8895 9015 9088 9109 9026 9165 9176 9290 9451 9457 9500 9566 9597 9628 9646 9687 9687 9709 9724 9761 9882 10073 10573

125.66 125.81 126.50 127.35 128.54 128.89 128.74 129.18 129.91 130.90 130.96 131.05 131.32 131.41 132.23 133.16 134.43 134.45 134.67 134.76 135.49 136.88 137.91 138.78 138.64 138.60 140.03 144.63 146.25 145.74 145.87 146.04 146.84 110.992) 111.28 111.37 111.35 111.53 112.01 113.05 113.58

43 Page 51 of 56

117 118 119 120 121 122 123 124 125 126

Sep-13 Oct-13 Nov-13 Dec-13 Jan-14 Feb-14 Mar-14 Apr-14 May-14 Jun-14

2956543 2968642 2974938 2976420 2952840 2959877 2977284 3005062 3043210 3091728

305629 266562 307276 299013 279257 276573 276573 280096 286033 329654

-0.45 -0.25 0.36 0.49 1.19 0.37 0.29 0.13 0.31 -0.27

11346 11367 11613 12087 12180 11935 11427 11436 11526 11893

113.89 114.42 116.14 119.00 118.71 118.28 118.48 118.91 119.50 119.60

44 Page 52 of 56

Lampiran 2 Data Jumlah Kunjungan Wisatawan RRC/China ke Bali

NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

BULAN JANUARI'10 FEBRUARI'10 MARET'10

PERMINTAN PARIWISATA 15,846 31,456 11,206

APRIL'10 MEI'10 JUNI'10 JULI'10 AGUSTUS'10 SEPTEMBER'10 OKTOBER'10 NOVEMBER'10 DESEMBER'10 JANUARI'11 FEBRUARI'11 MARET'11 APRIL'11 MEI'11 JUNI'11 JULI'11 AGUSTUS'11 SEPTEMBER'11 OKTOBER'11

12,827 12,484 14,726 19,750 21,495 17,133 17,820 11,007 11,113 17,102 27,616 12,253 14,215 15,852 19,363 25,331 26,299 21,188

IHK RRC

IHK INDONESIA

INFLASI INDONESIA

101.50

118,01

0,84

102.70

118,36

0,3

102.40

118,19

-0,14

102.80

118,37

0,15

103.10

118,71

0,29

102.90

119,86

0,97

103.30

121,74

1,57

103.50

122,67

0,76

103.60

123,21

0,44

104.40

123,29

0,06

105.10

124,03

0,6

104.60

125,17

0,92

104.90

126,29

0,89

104.90

126,46

0,13

105.40

126,05

-0,32

105.30

125,66

-0,31

105.50

125,81

0,12

106.40

126,5

0,55

106.50

127,35

0,67

106.20

128,54

0,93

106.10

128,89

0,27

105.50

128,74

-0,12

NILAI TUKAR 1358.58 1369.30 1343.85 1322.46 1345.06 1341.77 1335.23 1321.37 1332.56 1336.56 1342.90 1356.38 1368.56 1353.82 1334.32 1324.40 1316.73 1322.03 1320.64 1330.44 1373.24 1399.46

45 Page 53 of 56

19,571 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46

NOVEMBER'11 DESEMBER'11 JANUARI'12 FEBRUARI'12 MARET'12 APRIL'12 MEI'12 JUNI'12 JULI'12 AGUSTUS'12 SEPTEMBER'12 OKTOBER'12 NOVEMBER'12 DESEMBER'12 JANUARI'13 FEBRUARI'13 MARET'13 APRIL'13 MEI'13 JUNI'13 JULI'13 AGUSTUS'13 SEPTEMBER'13 OKTOBER'13

18,239 19,839 55,178 27,607 21,212 20,369 19,089 19,648 21,818 29,092 21,076 32,264 21,466 22,085 28,839 47,863 23,890 27,542 26,195 33,304 38,861 37,915 37,157 27,859

104.20

129,18

0,34

104.10

129,91

0,57

104.50

130,9

0,76

103.20

130,96

0,05

103.60

131,05

0,07

103.40

131,32

0,21

103.00

131,41

0,07

102.20

132,23

0,62

101.80

133,16

0,7

102.00

134,43

0,95

101.90

134,45

0,01

101.70

134,67

0,16

102.00

134,76

0,07

102.50

135,49

0,54

102.00

136,88

1,03

103.20

137,91

0,75

102.10

138,78

0,63

102.40

138,64

-0,1

102.10

138,6

-0,03

102.70

140,03

1,03

102.70

144,63

3,29

102.60

146,25

1,12

103.10

145,74

-0,35

103.20

145,87

0,09

1421.77 1436.09 1442.53 1432.66 1452.74 1457.63 1473.82 1496.12 1495.47 1498.41 1509.00 1518.29 1529.31 1533.51 1542.72 1541.73 1547.42 1556.87 1574.78 1601.51 1631.97 1713.29 1842.41 1850.90

46 Page 54 of 56

47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64

NOVEMBER'13 DESEMBER'13 JANUARI'14 FEBRUARI'14 MARET'14 APRIL'14 MEI'14 JUNI'14 JULI'14 AGUSTUS'14 SEPTEMBER'14 OKTOBER'14 NOVEMBER'14 DESEMBER'14 JANUARI'15 FEBRUARI'15 MARET'15 APRIL'15

31,886 26,222 52,060 56,943 42,055 40,375 29,673 43,758 65,308 59,455 56,092 53,084 40,568 46,929 51,827 93,920 46,415 50,690

103.00

146,04

0,12

102.50

146,84

0,55

2)

1976.34

102.50

110,99

102.00

111,28

0,26

102.40

111,37

0,08

101.80

111,35

-0,02

102.50

111,53

0,16

102.30

112,01

0,43

102.30

113,05

0,93

102.00

113,58

0,47

101.60

113,89

0,27

101.60

114,42

0,47

101.40

116,14

1,5

101.50

119,00

2,46

118.71

-0.24

2053.14

118.28

-0.36

2078.65

101.40

118.48

0.17

101.50

118.91

0.36

100.80 101.40

1,07

1892.37

1995.09 1953.01 1862.61 1857.81 1870.32 1931.77 1898.99 1900.37 1932.34 1976.09 1979.15 2031.02

2124.45 2112.14

47 Page 55 of 56

Lampiran 3 PEMODELAN JUMLAH KUNJUNGAN WISATAWAN CHINA KE BALI MENGUNAKAN ERROR CORRECTION MODEL (ECM)

PEMODELAN JUMLAH KUNJUNGAN WISATAWAN CHINA KE BALI MENGUNAKAN ERROR CORRECTION MODEL (ECM) Ni Luh Putu Suciptawati1),Komang Dharmawan2), I Nyoman Sudiarta3) 1 Jurusan Matematika,FMIPA,UNUD,Bukit Jimbaran, Badung Telp 0361703137,[email protected] 2 Jurusan Matematika,FMIPA,UNUD,Bukit Jimbaran, Badung Telp 0361703137 31 Jurusan Destinasi Pariwisata,FPariwisata,UNUD,Jl Goris No 7, Denpasar Telp 0361223798

Abstrak Penelitian ini bertujuan untuk memodelkan jumlah kunjungan wisatawan China ke Bali. Variabel-variabel yang dikaji dalam penelitian ini adalah Jumlah kunjungan wisatawan China ke Bali sebagai variabel terikat, sedangkan sebagai variabel bebas diantaranya: harga pariwisata,tingkat inflasi, nilai tukar mata uang Yuan terhadap rupiah, dan IHK Indonesia. Data yang digunakan merupakan data sekunder berupa data bulanan dari bulan Januari 2010 sampai dengan bulan April 2015.Untuk menganalisa data metode yang digunakan adalah Error Corection Model (ECM). Hasil penelitan menunjukkan terjadi kointegrasi pada data yang digunakran dalam penelitian. Ini berarti bahwa variabel-variabel penelitian memiliki hubungan jangka panjang. Dengan kata lain secara bersama-sama ada keseimbangan jangka panjang antara kunjungan wisatawan China, dengan harga pariwisata, tingkat,inflasi dan IHK Indonesia. Nilai R2 =0.653 menunjukkan model yang diperoleh mampu menjelaskan variabel terikat sebesar 65.3% sedangkan sisanya merupakan variabel lain yang tidak masuk dalam model. Kata kunci: kointegrasi, ECM, kunjungan wisatawan This study aims to modeling the number of tourist from China visiting Bali. The impact of tourism fee, inflation rate, exchange rate of Yuan to Rupiah, and Indonesia’s CPI on the number of Chinese visitor in Bali will be quantified, using monthly data from January 2010 until April 2015. Error Correction Model (ECM) will be used to analyze those data. The result shows that all of variabels being used in this study are cointegrated, which means they all have long-term relationships. That is to say, comprehensively, there is a long-term balance between Chinese’s visit and tourism fee, inflation rate, exchange rate of Yuan to Rupiah as well as Indonesia’ CPI. The value of R 2 = 0.653 indicates that the number of Chinese visitor can be explained by those four explanatory variabels by 65.3%, while the rest (34.7%) is explained by other variabels which are not included in the model. Key word: cointegration, ECM, tourist arrivals

1. Pendahuluan Pariwisata Bali telah ditempatkan sebagai salah satu kegiatan ekonomi utama di Koridor Ekonomi Bali-Nusa Tenggara dalam Program Masterplan Percepatan dan Perluasan Pembangunan Ekonomi Indonesia (MP3EI). Sejak lima tahun terakhir terjadi peningkatan kunjungna wisatawan mancanegara ke Bali.Pada tahun 2009 tercatat jumlah wisatawan mancanegara ke Bali 2385122 orang, sedangkan pada tahun 2013 terjadi peningkatan yang cukup signifikan yaitu 3278598. (BPS, 2013). Adanya tren yang positif pada jumlah kedatangan wisatawan ke Bali akan berdampak pada pertumbuhan pada sektor ekonomi. Berdasarkan data BPS negara yang warga negaranya banyak berkunjung ke Bali

48 Page 56 of 56