Analisa Data

E. Analisa Data

Dalam bab ini dikemukakan hasil Analisis Sumbangan Sektor Industri Pariwisata Terhadap Pendapatan Asli Daerah di Kabupaten Klaten ( Januari 1997- Desember 2007 ). Tehnik analisis data menggunakan regresi Linear Double Log dengan uji statistik dan uji asumsi klasik. Untuk menguji hipotesis yang penulis ajukan, akan dilakukan analisis data yang dibantu program komputer Econometric views (Eviews) 3.0. Analisis data yang Dalam bab ini dikemukakan hasil Analisis Sumbangan Sektor Industri Pariwisata Terhadap Pendapatan Asli Daerah di Kabupaten Klaten ( Januari 1997- Desember 2007 ). Tehnik analisis data menggunakan regresi Linear Double Log dengan uji statistik dan uji asumsi klasik. Untuk menguji hipotesis yang penulis ajukan, akan dilakukan analisis data yang dibantu program komputer Econometric views (Eviews) 3.0. Analisis data yang

1. Data Penelitian

Variabel independen dalam penelitian ini terdiri dari jumlah wisatawan (WIS), arus kendaraan yang masuk ke obyek wisata (AK), dan tingkat hunian kamar (THK). Data yang akan dianalisis dalam penelitian ini menggunakan data bulanan selama Januari tahun 1997 sampai dengan Desember 2007, sebagai bahan estimasi digunakan variabel dependennya pendapatan pariwisata.

2. Pemilihan Model Analisis

Pemilihan model Ln Linear berdasarkan uji MWD (MacKinnon, White and Davidson). Langkah- langkah dalam uji MWD adalah : Ada dua model yang hendak dipilih yaitu model regresi linear dan model regresi linear double log, yaitu:

i. Ho : Model Linear : Y fungsi linier dari X’s,

H 1 : Model Log-Linier : Ln Y fungsi dari Ln X’s,Y

1) Melakukan regresi terhadap persamaan (i), kemudian didapat nilai fitted

dari Y/ PP, yang dinamai= Yf atau PPF.

2) Melakukan regresi terhadap persamaan (ii), kemudian didapat nilai fitted

dari Ln Y/ Ln PP,yang dinamai = Ln f atau LPPF.

3) Dapatkan nilai Z1 dengan cara mengurangkan nilai Ln dari PPF dengan

nilai fitted dari Ln Y / Ln PP. (Z1 = LnY f – Ln f /Ln (PPF) - LPPF)

4) Melakukan regresi dengan menggunakan persamaan (i) ditambahkan Z1

sebagai variabel penjelas atau:

PP =

+ + + Z1 +ei Ho ditolak karena

Signifikan, oleh karena itu model regresi yang digunakan adalah regresi Linear Double – log/ Ln Linear. Hasil dari regresi persamaan linear ditambahkan Z1 sebagai variabel penjelas, dapat dilihat pada tabel dibawah ini. Hasil MWD test :

Dependent Variable: PP Method: Least Squares

Date: 11/28/09 Time: 14:00 Sample: 1997:01 2007:12

Included observations: 128 Excluded observations: 4

Variable

t-Statistic Prob. WIS

Coefficient

Std. Error

C -15239396

0.938635 Mean dependent var 19270188

Adjusted R-squared

0.936640 S.D. dependent var 14851115 S.E. of regression

3738242. Akaike info criterion 33.14441

Sum squared resid

33.25582 Log likelihood

1.72E+15 Schwarz criterion

-2116.242 F-statistic

S Durbin-Watson stat

1.297390 Prob(F-statistic)

umber : Hasil Pengolahan Data Program Eviews 3.0

3. Model Analisis

Menguji faktor- faktor yang mempengaruhi pendapatan pariwisata Kabupaten Klaten selama Januari 1997- Desember 2007, digunakan analisis regresi Linear Double Log.

Ln PP= bo + b 1 Ln WIS t + b 2 Ln AK t + b 3 THK t + ei .....................(4.1) Dimana :

PP t =

Pendapatan Pariwisata pada periode t

WIS t =

Jumlah wisatawan pada periode t

AK t =

Arus kendaraan ke lokasi obyek wisata pada periode t

THK t =

Tingkat hunian kamar di Kabupaten Klaten pada

periode t

Residu

Konstanta atau intersep

b 1 ,b 2 ,b 3 =

Koefisien jangka panjang

4. Hasil Analisis Data

1. Hasil Regresi Model Linear Double Log

Tabel 4.10 Hasil Regresi Ln Linear

Variable

t-Statistic Prob. WIS

Coefficient

Std. Error

0,933189 Durbin-Watson stat 1,894148 Adjusted R-Squared

0,000000 Sumber : Hasil Olah Data Program Eviews 3.0

0,931623 Prob(F-statistic)

Dapat dilihat pada tabel 4.1, dengan menggunakan Eviews 3.0, maka diperoleh hasil estimasi model regresi Linear Double Log, yaitu :

Ln PP= 4,6811261 + 1,186938 Ln WIS t – 0,086192 Ln AK t + 1,59E-05 THK t

5. Uji Statistik

Untuk mengetahui kebenaran hipotesis, maka dilakukan pengujian secara statistik yang meliputi uji t, uji F, dan uji R².

a) Uji t Pegujian secara parsial terhadap koefisien regresi masing- masing variabel bebas, diperoleh hasil berikut :

Tabel 4.11 Variabel penjelas Pendapatan Pariwisata

Variabel t-stat

Signifikan pada a= 5%

Tidak Signifikan padaa= 5% THK

AK -0,086192

Tidak Signifikan pada a= 5% Sumber :Hasil pengolahan data program Eviews 3.0

1,59E-05

t tabel

→t α /

2 =t 0,05 / 2 ; n-k = 132-4 = 128

t-tabel = 1,96

Daerah tolak Daerah tolak

Daerah diterima

Gambar 4.1 Daerah Terima dan Daerah Tolak

Hasil pengujian selengkapnya dapat dilihat secara lengkap sebagai berikut:

a. Variabel Wisatawan mempunyai nilai t hitung sebesar 18,43661. Pada derajat kepercayaan 95% ( α = 5%) dan n-k = 128, maka diperoleh nilai t tabel sebesar 1,96. Maka nilai dari t hitung variabel Wisatawan > t tabel = (8,671453 > 1,96). Hal ini berarti menolak Ho atau menerima Ha, berarti variabel independen Wisatawan berpengaruh secara signifikan terhadap variabel dependen Pendapatan Pariwisata.

b. Variabel Arus Kendaraan mempunyai nilai t hitung sebesar - 1,149823. Pada derajat kepercayaan 95% ( α = 5%) dan n-k = 128, maka diperoleh nilai t tabel sebesar 1,96. Maka nilai dari t hitung variabel Inflasi < t tabel = (-1,149823< 1,96). Hal ini berarti menerima Ho atau menolak Ha, berarti variabel independen Arus Kendaraan tidak berpengaruh secara signifikan terhadap variabel dependen Pendapatan Pariwisata.

c. Variabel Tingkat Hunian Kamar mempunyai nilai t hitung sebesar 0,601394. Pada derajat kepercayaan 95% ( α = 5%) dan n-k = 128, maka diperoleh nilai t tabel sebesar 1,96. Maka nilai dari t hitung variabel THK < t tabel = (0,601394< 1,96). Hal ini berarti menolak Ho atau menerima Ha, berarti variabel independen THK tidak berpengaruh secara signifikan terhadap variabel dependen Pendapatan Pariwisata.

b) Uji F Uji F ini digunakan untuk menguji variabel independent secara keseluruhan dan bersama-sama, apakah variabel independent mempengaruhi variabel dependen secara signifikan. Pengujian ini dilakukan dengan cara membandingkan nilai F hitung dengan F tabel. Diketahui bahwa nilai F-statistic hasil estimasi pada model sebesar 595,9481 dengan probabilitas sebesar 0,000000. F tabel pada derajat keyakinan 95% ( α = 5%) dan n-k; k-1 (128;3) adalah sebesar 3,07. Maka, nilai F hitung (595,9481) > F tabel (3,07) maka berarti bahwa Ho ditolak.

Jadi secara serentak/ keseluruhan variabel independent mempunyai pengaruh signifikan terhadap variabel dependent pada derajat kepercayaan 95% ( α = 5 %).

c) Uji R² Uji R 2 digunakan untuk mengetahui berapa persen variasi variabel

dependen dapat dijelaskan oleh variasi variabel independent. Nilai Adjusted R squared (koefisien determinasi) yang dihasilkan oleh Eviews

3.0 adalah sebesar 0,931623 yang berarti sebesar 93,16% variasi variabel Pendapatan Pariwisata dapat dijelaskan oleh variasi variabel Wisatawan, Arus Kendaraan, dan Tingkat Hunian Kamar. Sedangkan selebihnya 0,068377 atau 6,84 % dijelaskan oleh variasi dari variabel di luar model.

6. Uji Asumsi Klasik

a) Heteroskedastisitas Heteroskedastisitas adalah suatu kondisi dimana varian setiap variabel gangguan untuk setiap variabel independen tertentu tidak bernilai sama dengan o 2 . Cara mendeteksi adalah pertama dengan menggunakan uji Park, yakni dengan me-log kan nilai e 2 (residu/ disturbance term) kemudian

diregres dengan variabel- variabel independen. Jika signifikan pada a=5% maka terdapat masalah heteroskedaktisitas. Jika tidak signifikan, maka tidak

terdapat masalah heteroskedaktisitas dalam model tersebut. Yang kedua dengan menggunakan uji White, yakni membandingkan nilai OBS*R-squared dengan X² tabel, jika nilai OBS*R-squared < X² maka tidak signifikan secara terdapat masalah heteroskedaktisitas dalam model tersebut. Yang kedua dengan menggunakan uji White, yakni membandingkan nilai OBS*R-squared dengan X² tabel, jika nilai OBS*R-squared < X² maka tidak signifikan secara

Tabel 4.12 Uji Heteroskedastisitas Park

Dependent Variable: LNRESID2 Method: Least Squares Date: 12/23/09 Time: 11:46 Sample(adjusted): 1997:01 2007:02 Included observations: 13 Excluded observations: 109 after adjusting endpoints

Variable

t-Statistic Prob. LNWIS

Coefficient

Std. Error

40.21179 Adjusted R-squared

0.182968 Mean dependent var

1.004250 S.E. of regression

-0.089375 S.D. dependent var

3.179624 Sum squared resid

1.048168 Akaike info criterion

3.353454 Log likelihood

9.887898 Schwarz criterion

0.671829 Durbin-Watson stat

-16.66756 F-statistic

0.139543 Prob(F-statistic)

Sumber : Hasil pengolahan data program Eviews 3.0

Tabel 4.13 Uji White Heteroskedastisitas

White Heteroskedasticity Test: F-statistic

0.111954 Obs*R-squared

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/16/09 Time: 13:04 Sample: 1997:01 2007:12 Included observations: 132

Variable Coefficient Std. Error t-Statistic Prob. C -3.501218 2.569310 -1.362708

0.1754 LNWIS

1.262761 1.056339 1.195413 0.2342 LNWIS^2

-0.058705 0.050421 -1.164296 0.2465 LNAK

-0.781705 0.797399 -0.980319 0.3288 LNAK^2

0.047038 0.046776 1.005602 0.3165 THK

7.59E-05 5.49E-05 1.383989 0.1688 THK^2

-2.92E-08 1.68E-08 -1.741017 0.0841 R-squared

0.078032 Mean dependent var 0.036701 Adjusted R-squared

0.033778 S.D. dependent var 0.117788 S.E. of regression

0.115781 Akaike info criterion -1.422654 Sum squared resid

1.675666 Schwarz criterion -1.269778 Log likelihood

1.763262 Durbin-Watson stat

100.8951 F-statistic

0.111954 Sumber : Hasil pengolahan data program Eviews 3.0

2.103748 Prob(F-statistic)

Dengan df = 6( jumlah regresor) dan a= 5% didapatkan X² tabel yaitu 12,5916 Nilai OBS*R-squares = 10,30025 < 12,5916 Jadi, dapat disimpulkan tidak terdapat masalah heteroskedastisitas.

AK 0,538703 0,6032 Tidak signifikan pada a =5%

a Variabel

Keterangan THK

0,7285 Tidak signifikan pada a =5%

e WIS

0,9413 Tidak signifikan pada a =5%

4.14 Penjelas Uji Heteroskedastisitas Park

Sumber : Hasil pengolahan data program Eviews 3.0 Dapat dilihat dari tabel bahwa semua variabel tidak terkena masalah heteroskedastisitas yaitu variabel WIS, AK, THK dengan melihat probabilitasnya yang semua lebih dari 5%

b) Multikolinearitas Yang dimaksud multikolinearitas adalah adanya korelasi linear variabel- variabel bebas di antara satu dengan yang lainnya secara sempurna. Untuk menguji ada tidaknya multikolinearitas pada model,digunakan metode Klien yang disarankan oleh Farrar dan Glauber yakni membandingkan nilai r² regresi variabel independen satu terhadap independen yang lainnya denganR² regresi model Ln Linear penelitian.

Tabel 4.15 Uji Multikolinearitas Kliens

Kesimpulan WIS : AK, THK

Variabel

R² Ln Lin

Non Multiko AK : WIS, THK

Non Multiko THK : WIS, AK

Non Multiko Sumber : Hasil Pengolahan data Program Eviews 3.0

c) Uji Autokorelasi

Autokorelasi menggambarkan adanya serial korelasi berurutan antar variabel gangguan (disturbance term) dalam suatu rangkaian runtun waktu. Untuk mendeteksi ada tidaknya autokorelasi digunakan uji Durbin Watson. Nilai d sebesar 1,89 dengan N sebanyak 132 dan K (variabel independen) sebanyak 3 variabel diperoleh nilai dl sebesar 1,69 dan du sebesar 1,77. Bila digambarkan sebagai berikut :

Gambar 4.2 Statistik Durbin Watson

Ragu-ragu Ragu-ragu

Autokorelasi

Tidak ada

2 4-du 4-dl

1 1,69 1,77 2,33 2,31 Nilai DW sebesar 1,89 yang berada pada daerah menolak Ho positif maupun Ho negatif,dapat disimpulkan bahwa model Linear Doble Log tidak ada masalah autokorelasi.