Efektif Jurnal Bisnis dan Ekonomi
Desember 2012
Vol. 3, No. 2, Desember 2012, 77 - 86
Sulistya Rini Pratiwi
77
ANALISIS DAN IDENTIFIKASI VARIABEL YANG MEMPENGARUHI KESADARAN MASYARAKAT DALAM MENGATASI POLUSI UDARA (Timbal/Pb) DI KOTA TARAKAN, PROVINSI KALIMANTAN TIMUR Sulistya Rini Pratiwi Fakultas Ekonomi Universitas Borneo Tarakan, Kalimantan Timur Abstract The increasing of vehicles causing an increase in the content of the exhaust gas in the air, which has bad impact on health. The increase of the impact of lead may cause the increase in public health costs. Consequently, it takes effort to reduce air pollution by planting vegetation. The purpose of this research is to analyse and identify variables that influence the willingness to pay for the public in reducing the level of air pollution in the city of Tarakan. The analysis method used is regretion to identify the willingness to pay for planting of vegetation to reduce air pollutions. The result is only one variable that significantly affect the WTP(Willing To Pay) of respondents, the cost of care. Results from this study are expected to be a material consideration in determining regulations and policies management and environmental protection. Keywords: Lead, Pollution, Pollutants, Vegetation. PENDAHULUAN 1. Latar Belakang Kualitas udara perkotaan sangat menurun salah satu penyebabnya adalah tingginya aktivitas transportasi. Emisi kendaraan bermotor yang berbahan bakar bensin (premium) ataupun solar mengeluarkan CO (Karbon Monoksida), NO2 (Nitrogen Dioksida), SO2 (Sulfur Dioksida), CO2 (Karbon Dioksida), Partikel Pb (Timbal), dan asap fotokimia (photochemical smog). Kesemuanya tersebut di atas dapat mengganggu kesehatan manusia (Wardhana, 2004). Oleh karena penyebab polusi terbesar sebuah kota berasal dari kendaraan bermotor, maka mengamati tingkat penggunaan kendaraan bermotor menjadi signifikan terhadap kadar pencemaran udara oleh emisi gas-gas buangnya. Zat-zat pencemar tersebut jika tinggal di atmosfer cukup lama akan bercampur dengan seluruh atmosfer akibat proses meteorologis global akan menyebabkan pengurangan lapisan ozon dan efek rumah kaca (Tjasyono, 2004).
Timbal (Pb) adalah salah satu jenis zat polutan yang terdapat dalam gas buang kendaraan bermotor tersebut. Timbal merupakan zat yang ditambahkan ke dalam bensin untuk meningkatkan kadar oktan bensin, dengan tujuan agar pemakaian bahan bakar ini lebih hemat. Timbal dari gas buang kendaraan bermotor berada di sekitar jalan raya, sehingga udara di daerah perkotaan mengandung kadar timbal yang tinggi. Timbal merupakan jenis logam berat yang sangat berbahaya dan merupakan peracun syaraf. Dampak timbal terhadap kesehatan manusia adalah gangguan mental dan juga dapat merusak berbagai organ tubuh manusia terutama sistem syaraf, sistem pembentukan darah, ginjal, sistem jantung, dan sistem reproduksi. Berpijak dari gambaran di atas, salah satu upaya penting dalam mewujudkan “masyarakat yang berkelanjutan” adalah dengan menciptakan greening the city, yakni memperbanyak pohon dan tanaman hijau sebagai paru-paru kota. Tumbuhan tidak
78
Efektif Jurnal Bisnis dan Ekonomi
dapat menurunkan emisi, melainkan hanya dapat membantu proses refreshing udara. Oleh karena itu maka seharusnya manusia yang selayaknya memiliki kesadaran untuk bertanggung jawab melakukan perbaikan atas pencemaran udara yang telah terjadi, serta melakukan pencegahannya, yakni berupa pengendalian pencemaran nikmat udara. Jenis pohon pelindung yang berpengaruh terhadap serapan kandungan timbal di udara disajikan pada Tabel 1. Kiara payung (filicium decipiens) terbukti sebagai pohon pelindung yang berpengaruh terhadap serapan kandungan timbal di udara dengan kemampuan terbesar daripada keempat pohon lainnya, sebesar 18,078 μg/m3. Sedangkan yang terkecil adalah akasia (acacia auriculiformis), sebesar 4,287 μg/m3 (Hendrianty, 2003).
Tabel 1. Jenis Pohon Penyerap Timbal No.
Jenis Pohon
Kemampuan Menyerap Timbal/Pb
1
Kiara payung (filicium decipiens)
18,078 μg/m3
2
Angsana (pterocarpus indicus) 12,703 μg/m3
3
Bunga merak (caesalpinia pulcherrima)
4
Katapang (terminalia catappa) 11,576 μg/m3
5
Akasia (acacia auriculiformis) 4,287 μg/m3
11,837 μg/m3
Sumber : Gravitiani, 2003.
Pertumbuhan ekonomi Kota Tarakan yang berjalan cepat menuntut adanya fasilitas transportasi perkotaan. Aglomerasi menyebabkan adanya peningkatan biaya perjalanan (transport cost) dan biaya produksi (production cost) (Scott dalam Kuncoro, 2004). Pertumbuhan kendaraan rata-rata per tahun dari tahun 2004-2011 sebesar 9,87% (Samsat, 2011). Ditambah lagi panjang jalan di Kota Tarakan tidak mengalami peningkatan secara siginifikan. Hal ini akan menimbulkan kemacetan pada jalan-jalan utama dan terkonsentrasinya polutan di daerah-daerah padat. Pemantauan kualitas udara pada tahun 2011 dilakukan oleh Badan Pengelolaan
Desember 2012
Lingkungan Hidup (BPLH) pada 7 lokasi yaitu di daerah Jalan Mulawarman, Jalan Jenderal Sudirman, Pelabuhan Malundung, Depan Swiss Belhotel Borneo, Jalan Kusuma, Depan Kelurahan Karang Harapan dan Pinggir Jalan Pasir Putih. Berdasarkan hasil pemantauan kualitas udara ambien yang dilakukan di Kota Tarakan, pada tahun 2011 berdasarkan Peraturan Pemerintah RI Nomor 41 Tahun 1999 tentang Pengendalian Pencemaran Udara dan Keputusan KLH No.02/MENKLH/1988 tentang Baku mutu Lingkungan di Wilayah Kalimantan Timur secara umum kualitas udara ambien masih memenuhi baku mutu (BPLH, 2011). 2. Rumusan Masalah Meningkatnya jumlah kendaraan bermotor menyebabkan peningkatan kandungan timbal/ Pb di udara, yang mempunyai dampak buruk terhadap kesehatan. Peningkatan dampak timbal ini menyebabkan peningkatan biaya kesehatan masyarakat. Sehingga dibutuhkan upaya untuk mereduksi polusi udara dengan penanaman vegetasi. Rumusan permasalahan penelitian ini adalah Variabel-variabel apa saja yang secara signifikan mempengaruhi besarnya nilai Kesediaan Membayar (Willingness To Pay=WTP) masyarakat Kota Tarakan dalam peran sertanya mengurangi polusi udara (Timbal/Pb) dengan penanaman vegetasi. 3. Tujuan Penelitian Tujuan penelitian ini adalah analisis dan identifikasi faktor-faktor yang mempengaruhi Kesediaan Membayar (Willingness To Pay=WTP) masyarakat Kota Tarakan dalam peran sertanya mengurangi polusi udara (Timbal/Pb) dengan penanaman vegetasi. 4. Hipotesis Penelitian Diduga variabel model (Status Kepemilikan Rumah, Jenis Vegetasi, Tingkat Pendidikan, Tingkat Umur, Luas Pekarangan, Total Pendapatan, Biaya Kesehatan, Biaya Pembelian Dan Biaya Perawatan) berpengaruh positif terhadap WTP masyarakat Kota Tarakan dalam peran sertanya mengurangi polusi udara dengan penanaman vegetasi.
Desember 2012
Sulistya Rini Pratiwi
TINJAUAN PUSTAKA Cesar (2000) menggunakan metode exposure-response (ER) functions untuk menganalisis estimasi manfaat yang diperoleh dari penurunan 10 persen dan 20 persen kandungan partikel debu ( PM10 ) dan ozon di udara wilayah Mexico City, dengan mengkombinasikan antara peta jumlah penduduk dengan peta kualitas udara. Hasil penelitiannya menunjukkan bahwa estimasi manfaat yang diperoleh dari penurunan 10 persen polusi udara oleh PM10 dan penipisan ozon adalah sebesar US $ 760 juta per-tahun dan sebesar US $ 1,49 miliar per-tahun untuk penurunan 20 persen. Penilaian dampak ekonomi akibat polusi udara dan manfaat yang diperoleh penurunan polusi udara, yang diproyeksikan pada tahun 2010, menggunakan empat skenario, yaitu 10 persen penurunan PM10 dan ozon; 20 persen penurunan PM10 dan ozon; menaikkan ambang batas PM10 dan ozon di area metropolitan; dan penurunan 47 persen PM10 dan 68 persen ozon di area metropolitan. Penilaian moneter terhadap sumber daya alam berbasis pohon dikemukakan oleh Tejo (2003) pada penelitiannya tentang hutan kota di Universitas Gajah Mada Yogyakarta dan Campbell (1993) mengemukakan di Zimbabwe. Kedua penelitian ini menggunakan metode valuasi kontingensi (CVM) untuk melihat nilai pohon sebagai persediaan sumber daya alam. Samudro (2004) meneliti tentang dampak kesehatan masyarakat akibat polusi udara di Kabupaten Sleman. Penelitian ini mengambil data pada pasien di RSU Sardjito yang menderita penyakit akibat CO, dengan kode rekam medik J.45. Hasil penelitian ini adalah adanya peningkatan pengeluaran masyarakat Karena meningkatnya kadar CO di udara. Vassanadumrongdee dan Matsuoka (2005) di Bangkok, menyatakan bahwa kesediaan membayar(WTP) untuk mengurangi resiko pencemaran udara dipengaruhi oleh derajat kecemasan, besarnya Nilai Ambang Batas (NAB), dan penilaian individu, sedangkan untuk kesediaan membayar (WTP) mengurangi risiko kecelakaan lalu lintas dipengaruhi oleh kejadian langsung yang dirasakan oleh
79
responden. Nilai kesediaan membayar (WTP) rata-rata untuk polusi udara sebesar $ 1,32 juta dan nilai kesediaan membayar (WTP) rata-rata kecelakaan lalu lintas sebesar $1,48. Berbeda dengan Xie, Kontoleon, Zhang,dan Yu (2011) yang menggunakan pendekatan pembayaran publik dan pembayaran pribadi. Nilai kesediaan membayar (WTP) pembayaran publik lebih besar 50% dari pada kesediaan membayar (WTP) pribadi. Dampak polusi udara terhadap kesehatan, Gravitiani (2003) dan Mohajan (2012), menyatakan bahwa nilai kesediaan membayar (WTP) masyarakat besar. Kecuali studi yang dilakukan oleh Navrud (2001), kesediaan membayar (WTP) di daerah Norwegia paling kecil di antara negara Eropa lainnya. Hal ini dikarenakan negara tersebut jarang terdapat penyakit pernapasan (ISPA). Walaupun Gravitiani menyebutkan bahwa nilai kesediaan membayar (WTP) di Kota Yogyakarta besar, namun secara spasial menyatakan bahwa kepadatan penduduk tidak sepenuhnya mempengaruhi besarnya kandungan PM10 dan Timbal di udara Kota Yogyakarta. METODE PENELITIAN 1. Cakupan Penelitian Lokasi penelitian ini dilakukan di Kota Tarakan, dengan 4 Kecamatan. Empat kecamatan tersebut adalah Kecamatan Tarakan Utara, Tarakan Barat, Tarakan Timur, dan Tarakan Tengah. Pada penelitian ini yang menjadi populasi adalah penduduk yang bertempat tinggal di pinggir jalan yang kandungan polutannya mendekati atau melebihi Nilai Ambang Batas (NAB) dan kesediaannya menanam pohon. Teknik random dilaksanakan terhadap responden berdasarkan penerimaan atau penolakannya untuk bekerjasama dalam penelitian ini. Jenis data yang digunakan adalah data primer dan data sekunder. 2. Definisi Operasional Variabel Penelitian a. WTP (Willingness To Pay) atau Kesediaan untuk membayar adalah preferensi seseorang terhadap suatu barang dan jasa bergantung pada
80
Efektif Jurnal Bisnis dan Ekonomi
berbagai faktor dan bersifat pribadi sehingga berbeda untuk setiap orang. b. Status tempat tinggal merupakan status rumah responden pada saat penelitian ini dilakukan yang dibagi menjadi 2 yaitu rumah sendiri jika tempat tinggal responden adalah rumah pribadi dan lainnya untuk responden yang tempat tinggalnya bukan milik pribadi, seperti misalnya rumah kontrakan, kos, rumah orang tua, rumah KPR, rumah dinas, dan lain-lain (Sewa=0, Milik sendiri = 1) c. Jenis vegetasi adalah jenis pohon yang dipilih responden untuk ditanam di pekarangan rumahnya. Responden yang memilih pohon angsana=0, tanjung=1, biola cantik=2, tabebuia=3. d. Pendidikan formal menunjukkan jenjang pendidikan tertinggi yang ditamatkan oleh responden. Dihitung dalam jumlah tahun yang dilalui responden. Untuk SD = 6 tahun, SMP = 9 tahun, SMA = 12 tahun, Sarjana = 16 tahun, Pascasarjana = 18 tahun. e. Umur merupakan tingkat umur responden. Dihitung dengan satuan tahun. f. Luas pekarangan merupakan luas pekarangan tempat tinggal responden. Dihitung dalam satuan m2. g. Jumlah pendapatan keluarga adalah jumlah pendapatan yang diterima dari pekerjaan dalam satu keluarga tiap bulannya. Variabel ini dihitung dalam satuan rupiah.
Desember 2012
h. Biaya kesehatan adalah jumlah biaya kesehatan/berobat yang dikeluarkan satu keluarga tiap bulannya. Dihitung dalam satuan rupiah. i. Biaya pembelian adalah biaya yang dikeluarkan responden untuk membeli pohon. Dalam hal ini responden telah menanam pohon sebelumnya. Dihitung dalam satuan rupiah. j. Biaya perawatan adalah biaya yang dikeluarkan responden dalam merawat pohon. Dalam hal ini responden telah menanam pohon sebelumnya. Dihitung dalam satuan rupiah. 3. Metode Pengambilan Sampel Sampel dalam penelitian ini dan yang dapat mewakili individu yang bertempat tinggal di pinggir jalan yang kandungan polutannya mendekati atau melebihi Nilai Ambang Batas (NAB) dan kesediaannya menanam pohon. Untuk menentukan ukuran sampel penelitian dari populasi tersebut dapat digunakan rumus Slovin (Husein, 2004), yaitu:
Di mana: n = ukuran sampel N = ukuran populasi e = nilai kritis (batas ketelitian) yang diinginkan.
n = 203,878 dibulatkan menjadi 204 sampel.
Tabel 2. Jumlah Sampel Wilayah Responden penanaman vegetasi Total Sampel
1 2 3 4
Kec. Tarakan Timur Kec. Tarakan Barat Kec. Tarakan Utara Kec. Tarakan Tengah
Jumlah Penduduk (orang) 45.398 71.572 23.284 64.028 204.281
Sampel (orang)
45 71 25 63 204
Desember 2012
Sulistya Rini Pratiwi
4. Alat Analisis Data Alat analisis yang digunakan dalam penelitian ini adalah Ordinary Least Squared (Greene, 2000). LOGWTP
= β0 + β1 STAT + β2 VEG + β3 LOGUMUR + β4 LOGLUAS + β5 LOGPEND + β6 LOGPENDP + β7 LOGKES + β8 LOGPEMB + β9 LOGPERWT + ε
di mana: WTP
STAT VEG UMUR
= Kesediaan responden untuk membayar biaya atas penanaman pohon yang dilakukan (rupiah) = Dummy status tempat tinggal: 1= rumah sendiri, 0= lainnya = Dummy jenis vegetasi: 3= angsana, 2= tanjung, 1= biola cantik, 0= tabebuia. = Tingkat umur responden (tahun)
81
LUAS
= Luas pekarangan (satuan meter2) PEND = Tingkat pendidikan Biaya (tahun) PENDP = Jumlah total pendapatan responden per bulan (rupiah) KES = Biaya kesehatan perbulan (rupiah) PEMB = Biaya pembelian pohon (rupiah) PERWT = Biaya perawatan pohon (rupiah ε = error Ln = Logaritma Natural β0,β1,β2,β3,β4,β5,β6,β7,β8 = koefisien variabel independen
ANALISIS DATA DAN PEMBAHASAN 1. Uji Multikolinearitas Hasil uji Multikolinearitas ini disajikan dalam Tabel 3.
Tabel 3. Hasil Uji Multikolinearitas Model OLS Variabel Independen STATUS VEGETASI PENDIDIKAN UMUR LUAS PEKR PENDAPATAN KESEHATAN PEMBELIAN PERAWATAN
Nilai R² Model Utama 0.485600 0.485600 0.485600 0.485600 0.485600 0.485600 0.485600 0.485600 0.485600
Nilai R² antar Variabel Independen
Keterangan
0.096254 0.046974 0.349466 0.339593 0.323274 0.349701 0.225069 0.059803 0.371203
Independen Independen Independen Independen Independen Independen Independen Independen Independen
Sumber; Data Diolah, 2012.
Dari hasil pengujian multikolinearitas menunjukkan bahwa model OLS lolos uji ditunjukkan oleh tingkat independensi dari semua variabel bebas dengan nilai R² model utama lebih besar dari pada R² regresi antar variabel bebas.
2.
Uji Heteroskedastisitas Tabel 4. Uji Heteroskedastisitas
White Heteroskedasticity Test: F-statistic Obs*R-squared
1.331432 Probability 65.26595 Probability
0.092277 0.120233
82
Desember 2012
Efektif Jurnal Bisnis dan Ekonomi
Berdasarkan hasil uji yang telah dilakukan diperoleh nilai Probabilitas Obs*Rsquared sebesar 0,120233 lebih besar dari α = 5%, hal itu berarti bahwa tidak terdapat heteroskedastisitas dalam model.
3.
Uji Autokorelasi
4.
Uji Regresi
Pengujian autokorelasi dalam Uji Ordinary Least Square dengan menggunakan Durbin Watson. Hasilnya menunjukkan tidak terdapat autokorelasi (DW stat = 1,99225). Hal ini juga didukung oleh sifat data yang bukan time series.
Least Square (OLS) Klasik. Hasil analisis regresi terhadap nilai kesediaan membayar (WTP) dan variabel yang mempengaruhinya ditunjukkan oleh persamaan regresi sebagai berikut: LOGWTP = 0.8011- 0.1079STAT - 0.0156VEG +0.2194LOGUMUR+ 0.1759LOGLUAS 0.0103LOGPEND + 0 . 0 0 9 1 L O G P E N D P + 0.0593LOGKES + 0.0618LOGPEMB + 0.6003LOGPERWT
Analisis terhadap data penelitian dilakukan dengan estimasi regresi Ordinary Tabel 5. Hasil Uji Ordinary Least Square (OLS) Variabel
Coefficient
Std. Error
t-Statistic
Prob.
C STAT VEG LOG(UMUR) LOG(LUAS) LOG(PEND) LOG(PENDP) LOG(KES) LOG(PEMB) LOG(PERWT)
0.801091 -0.107860 -0.015610 0.219442 0.175929 -0.010373 0.009056 0.059275 0.061790 0.600309
1.116824 0.107743 0.012860 0.101730 0.218058 0.109203 0.066773 0.032339 0.119908 0.141300
0.717294 -1.001086 -1.213831 2.157104 0.806800 -0.094986 0.135625 1.832898 0.515315 4.248477
0.4741 0.3180 0.2263 0.0322 0.4208 0.9244 0.8923 0.0684 0.6069 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.485600 0.461736 0.425086 35.05542 -109.8221 1.999225
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
8.705014 0.579401 1.174727 1.337380 20.34874 0.000000
Sumber: Olah Data Penelitian 2012.
Berdasarkan hasil perhitungan tersebut di atas, maka hasil koefisien regresinya dapat di interpretasi sebagai berikut:
Desember 2012
Sulistya Rini Pratiwi
1) Nilai konstanta (β0) = 0,8012 dapat diartikan bahwa apabila semua variabel bebas pendapatan, biaya pembelian, biaya perawatan, biaya kesehatan, jenis vegetasi, luas pekarangan, tingkat pendidikan, usia, dan status dianggap konstan atau tidak mengalami perubahan maka besarnya kesediaan membayar (Willingness To Pay/WTP) mempunyai nilai sebesar 0,8012 satuan. 2) Nilai koefisien β1 = - 0.1079 artinya jika variabel status kepemilikan rumah naik sebesar satu satuan maka kesediaan membayar (WTP) akan turun sebesar 0.1079 persen (ceteris paribus). Variabel status kepemilikan rumah berpengaruh negatif terhadap WTP responden. Artinya, responden enggan menanam pohon jika status kepemilikan rumah bukan miliknya. 3) Nilai koefesien β2 = - 0.0156 artinya jika variabel jenis vegetasi naik sebesar satu satuan maka kesediaan membayar (WTP) akan turun sebesar 0.0156 persen (ceteris paribus). Variabel vegetasi bernilai negatif terhadap kesediaan membayar (WTP) respoden. Artinya, responden tidak memperdulikan jenis dan bentuk pohon. 4) Nilai koefesien β3 = - 0.0103 artinya jika variabel tingkat pendidikan naik sebesar satu satuan maka kesediaan membayar (WTP) akan turun sebesar - 0.0103 persen (ceteris paribus). Variabel tingkat pendidikan bernilai negatif terhadap kesediaan membayar (WTP) responden. Artinya, keinginan menanam pohon pada responden tidak berdasarkan oleh tingkat pendidikan. 5) Nilai koefesien β4 = 0.2194 artinya jika variabel umur naik sebesar satu satuan maka kesediaan membayar (WTP) akan naik sebesar 0.2194 persen (ceteris paribus). Variabel umur bernilai positif terhadap kesediaan membayar (/WTP). Artinya, responden akan bersedia menanam pohon jika tingkat umur responden lebih tua.
83
6) Nilai koefesien β5 = 0.1759 artinya jika variabel luas pekarangan naik sebesar satu satuan maka kesediaan membayar (WTP) akan naik sebesar 0.1759 persen (ceteris paribus). Variabel luas pekarangan rumah untuk menanam pohon bernilai positif terhadap kesediaan membayar (WTP). Artinya, responden akan bersedia menanam pohon jika luas pekarangan rumah lebih besar. 7) Nilai koefesien β6 = 0.0091 artinya jika variabel pendapatan naik sebesar satu satuan, maka kesediaan membayar (WTP) akan naik sebesar 0.0091 persen (ceteris paribus). Variabel pendapatan bernilai positif terhadap kesediaan membayar (WTP). Artinya, semakin tinggi tingkat pendapatan responden, maka responden akan bersedia menanam pohon. 8) Nilai koefesien β7 = 0.0593 artinya jika variabel biaya kesehatan naik sebesar satu satuan, maka kesediaan membayar (WTP) akan turun sebesar 0.0593 persen (ceteris paribus). Variabel biaya kesehatan bernilai positif terhadap kesediaan membayar (WTP). Artinya, responden akan bersedia menanam pohon jika pengeluaran untuk berobat kedokter (biaya kesehatan) responden semakin meningkat. 9) Nilai koefisien β8 = 0.0618 artinya jika variabel biaya pembelian naik sebesar satu satuan, maka kesediaan membayar (WTP) akan naik sebesar 0.0618 persen (ceteris paribus). Variabel biaya pembelian bernilai positif terhadap kesediaan membayar (WTP). Artinya, responden akan tetap bersedia menanam pohon, walaupun harga pembelian bibit pohon tinggi. 10) Nilai koefisien β9 = 0.6003 artinya jika variabel biaya perawatan naik sebesar satu satuan maka kesediaan membayar (WTP) akan naik sebesar 0.6003 persen (ceteris paribus). Variabel biaya perawatan bernilai positif terhadap kesediaan membayar (WTP). Artinya, responden akan tetap
84
Efektif Jurnal Bisnis dan Ekonomi
bersedia menanam pohon walaupun biaya perawatan tinggi. Hasil regresi mengungkapkan bahwa variabel yang pengaruhnya signifikan terhadap probabilitas kesediaan membayar (WTP) masyarakat adalah PERAWATAN (biaya perawatan pohon) dengan koefisien β= 0,6003 dan p-value =0,0000. P-value variabel tersebut kurang dari taraf signifikansi 5 persen. Variabel independen yang pengaruhnya tidak signifikan terhadap probabilitas kesediaan membayar (WTP) masyarakat variabel STATUS (status kepemilikan rumah), VEGETASI (jenis pohon), UMUR (umur responden), LUAS PEKARANGAN (luas pekarangan rumah responden), PENDIDIKAN (tingkat pendidikan responden), PENDAPATAN (total pendapatan keluarga), KESEHATAN (pengeluaran biaya kesehatan), PEMBELIAN (biaya pembelian bibit pohon). Besarnya koefisien determinasi (R²) yang diperoleh adalah sebesar 0.485600, hal ini menunjukan bahwa variasi variabel independen yang digunakan dalam penelitian ini, yaitu Pendapatan, Biaya Pembelian, Biaya Perawatan, Biaya Kesehatan, Jenis Vegetasi, Luas Pekarangan, Pendidikan, Usia Dan Status Kepemilikan Rumah dapat menjelaskan variasi variabel kesediaan membayar (WTP) sebesar 48,6%, sedangkan sisanya 51,4% dijelaskan oleh variabel lain yang tidak dimasukkan ke dalam model penelitian ini, karena variabel tersebut tidak dapat diuangkan.
5.
SIMPULAN DAN SARAN
Simpulan
Dari hasil analisis dengan menggunakan metode ordinary least square, mengungkapkan bahwa variabel yang pengaruhnya signifikan terhadap probabilitas kesediaan membayar (WTP) masyarakat adalah PERAWATAN (biaya perawatan pohon) dengan koefisien β= 0,60033 dan p-value= 0,0000. P-value variabel tersebut kurang dari taraf signifikansi 5 persen. Sedangkan variabel independen yang pengaruhnya tidak signifikan terhadap probabilitas kesediaan membayar (/WTP)
Desember 2012
masyarakat adalah variabel PEMBELIAN (biaya pembelian bibit pohon), variabel PENDAPATAN (total pendapatan keluarga), KESEHATAN (pengeluaran biaya kesehatan), VEGETASI (jenis pohon yang ditanam), LUASPEKARANGAN (luas pekarangan responden yang dapat ditanami pohon), PENDIDIKAN (tingkat pendidikan responden), USIA (usia responden), dan variabel dummy STATUS (status kepemilikan rumah). Saran Diharapkan asumsi-asumsi untuk regresi linier dan penggunaan uji t dan uji varians benar-benar diterapkan untuk menghasilkan persamaan regresi yang valid. Kedepannya diharapkan diciptakan alternatif lain jika salah satu atau beberapa asumsi regresi linier tidak terpenuhi. Hasil dari penelitian ini diharapkan bisa menjadi bahan pertimbangan Pemerintah Daerah dalam menentukan peraturan dan kebijakan pengelolaan dan perlindungan lingkungan hidup. Selain itu, vegetasi penyerap polutan sangat baik bagi wadah penyadaran pentingnya sumber daya alam dan lingkungan bagi masyarakat. Sehingga diharapkan agar bagi pemerintah untuk memasyarakatkan jalur hijau/hutan kota sebagai vegetasi. Dibentuknya lembaga serta organisasi yang khusus menangani masalah lingkungan baik di pusat maupun daerah terutama menentukan penyimpangan, denda, kepada siapa denda harus dibayar, dan lainlain, serta yang membuat laporan tahunan lingkungan pertahunnya. DAFTAR PUSTAKA Badan Pengelolaan Lingkungan Hidup Kota Tarakan, Statistik Lingkungan Hidup 2011, Tarakan. Campbell, B., 1993, Monetary Valuation of Tree-Based Resources in Zimbabwe: Experience and Outlook, University of Zimbabwe. Cesar, H., 2000, Economic valuation of Improvement of Air Quality in
Desember 2012
Sulistya Rini Pratiwi
the Metropolitan Area of Mexico City, Institute for Environmental Studies (IVM) W00/28 + W00/28 Appendices (http://www. vu.nl/ivm) , Vrije Universiteit, Amsterdam. Gravitiani, Evi, 2003, “Valuasi Ekonomi Gas Buang Kendaraan Bermotor Terhadap Kesehatan Masyarakat di Kota Yogyakarta”, Tesis, Ilmu Ekonomi-UGM, Yogyakarta. Greene,
William.H, 2000, Econometric Analysis, MacMillan Publishing Company, New York.
Hendrianty,
Rifa. 2003. “Distribusi Logam Berat Timbal Dalam Tanaman Mahoni Akibat Emisi Kendaraan Bermotor di Kawasan Permukiman Lingkar Timur dan Lingkar Utara Yogyakarta”. Tesis. Ilmu Lingkungan-UGM. Yogyakarta.
Kuncoro, Mudrajad, 2004, Otonomi dan Pembangunan Daerah, Erlangga, Mohajan, H., Kumar, 2012, Valuing Health Impacts Of The Workers In Bangladesh Due To Air Pollution, International Journal of Environmet Research: 123-132, India. Navrud,
Stale, 2001, Valuing Health Imppacts From Air Pollution In Europe, Environmental and Resource Economics: 305–329, Kluwer Academic Publishers, Netherlands.
Samudro, Bhimo Rizki, 2004, “Analisis Ekonomi Dampak Gas Buang Kendaraan Bermotor terhadap Kesehatan Masyarakat, Studi Kasus Kabupaten Sleman”, Tesis, Ilmu Ekonomi-UGM, Yogyakarta. Tejo. S, Hario. A, 2003, Analisis Ekonomi Pengembangan Hutan Kota Studi Kasus: Pengembangan Hutan Kota dan Lingkungan Kampus
85 UGM Yogyakarta, Skripsi, Ilmu Ekonomi-UGM, Yogyakarta.
Tjasyono, Bayong, 2004, Klimatologi, ITB, Bandung. Vassanadumrongdee, Sujitra, & Matsuoka, S., 2005, Risk Perceptions and Value Of a Statistical Life for Air Pollution and Traffic Accidents: Evidence from Bangkok, Thailand, The Journal of Risk and Uncertainty, 30:3; 261–287, Netherlands. Wardhana, Arya Wisnu, 2004, Dampak Pencemaran Lingkungan, Edisi Revisi, Penerbit Andi, Yogyakarta. Xie, X., Kontoleon, A., Zhang, S., dan Yu, J., 2011, Private Pay or Public Pay? A Choice Experiment Study on Air Pollution Related Health Valuation, Working Paper, Beijing.
86
Efektif Jurnal Bisnis dan Ekonomi
Desember 2012