Tabel 18. Hasil Regresi Berganda WTP Responden Wisatawan Nusantara
Variabel Koefisien
T P
VIF Constant
-8439 -1,23
0,23 UM Umur
249,1 3,39
0,002 1,4
TP Tingkat Pendidikan 927,4
2,04 0,051
1,6 PD Pendapatan
0,0001491 0,53
0,53 2,7
JT Jumlah Tanggungan -1001,5
-1,5 0,145
1,8 FK Frekuensi Kunjangan
-735,4 -2,11
0,044 1,4
R
2
58,5 R
2
adj 51,1
Sumber: Hasil Analisis Data 2013 Keterangan : Tanda ,, dam menunjukan taraf nyata koefisien regresi masing-masing
variabel berturut- turut pada α : 1, 5, 10.
Berdasarkan hasil analisis regresi berganda diperoleh nilai R
2
adj sebesar 51,1. Nilai tersebut menunjukkan sebesar 51,1 keragaman WTP
responden dapat diterangkan oleh keragaman variabel-variabel penjelas yang terdapat dalam model, dan sisanya 48,9 dijelaskan oleh variabel-variabel lain
yang tidak dimasukkan ke dalam model. Setelah didapatkan model keseluruhan kemudian parameter model
tersebut diuji secara statistika agar model tersebut memenuhi semua asumsi model yaitu BLUE Best Linear Unbiased Estimator. Pelanggaran asumsi yang
biasa terjadi dalam analisis regresi linear berganda adalah multikolinearitas, heteroskedastisitas, dan autokorelasi. Pemenuhan asumsi dan uji statistik yang
dilakukan antara lain :
1. Uji Normalitas
Uji normalitas dilakukan dengan melihat normal probability plot dan histogram Lampiran 11. Titik-titik yang terdapat pada normal probability plot
mengumpul dan terletak pada suatu garis berbentuk linear sehingga dapat disimpulkan bahwa data yang dimiliki telah menyebar normal. Cara lainnya
adalah dengan menggunakan uji Kolmogorov Smirnov Lampiran 12. Berdasarkan hasil uji Kolmogorov Smirnov diperoleh nilai p-value lebih besar
dari 0,15 dan nilai Kolmogorov Smirnov sebesar 0,094 lebih kecil dari nilai Kolmogorov Smirnov tabel 0,161, sehingga dapat disimpulkan data yang
dimiliki telah menyebar normal.
2. Uji Autokolerasi
Uji autokolerasi perlu dilakukan untuk mengetahui terjadinya korelasi antar anggota sampel atau data pengamatan. Uji Durbin Watson digunakan untuk
mendeteksi terjadinya autokolerasi di dalam model. Berdasarkan analisis regresi diperoleh nilai uji Durbin Watson adalah 2,01628, dimana nilai tersebut berada
diantara nilai 1,55 dan 2,46, sehingga dapat disimpulkan bahwa autokolerasi tidak terjadi dalam model Lampiran 10.
3. Uji Multikolinearitas
Salah satu pelanggaran asumsi dalam analisis regresi berganda adalah adanya multikolinearitas. Masalah multikolinearitas dapat didteksi berdasarkan
nilai VIF. Berdasarkan hasil analisis regresi, nilai VIF untuk masing-masing variabel bebas kurang dari sepuluh VIF 10. Hal tersebut menunjukkan
variabel bebas yang satu dengan variabel bebas yang lain dalam model regresi tidak saling berkorelasi linear atau tidak terjadinya masalah multikolinearitas
dalam model Lampiran 10.
4. Uji Heteroskedastisitas
Masalah heteroskedastisitas dapat dideteksi dengan menggunakan uji Glesjer. Uji Glesjer dilakukan dengan cara meregresikan nilai absolut residual.
Hipotesis yang dibangun adalah H yang berarti heteroskedastisitas, dan H
1
yang berarti homoskedastisitas. Apabila nilai p-value lebih besar dari taraf nyata, maka
tolak H . Berdasarkan uji Glesjer diperoleh p-value sebesar 0,873, dimana nilai
tersebut lebih besar dari taraf nyata 20, sehingga dapat disimpulkan bahwa sisaan bersifat homogen, yang berarti masalah heteroskedastisitas tidak terjadi
dalam model Lampiran 13.
5. Uji Statistik F
Berdasarkan analisis regresi berganda dalam tabel analisis varians, diketahui bahwa seluruh variabel bebas yang terdapat di dalam model regresi
saling berpengaruh secara signifikan terhadap variabel terikatnya. Hal tersebut ditunjukkan dengan nilai P yang lebih kecil dari taraf nyata 1 P α. Nilai P
dalam uji statistik F adalah 0,000, artinya semua variabel bebas dalam model regresi ini secara serentak atau bersama-sama mempengaruhi variabel terikat
Lampiran 10.
6. Uji Statistik t
Uji statistik t dilakukan untuk mengetahui variabel bebas yang secara nyata mempengaruhi variabel terikat. Berdasarkan hasil uji statistik t, terdapat
tiga variabel bebas yang mempengaruhi variabel terikat secara nyata. Hal tersebut ditunjukkan dengan nilai p-value pada masing-masing variabel bebas yang lebih
kecil dari taraf nyata. Variabel bebas yang berpengaruh nyata adalah umur, tingkat pendidikan, dan frekuensi kunjungan. Variabel bebas yang tidak
berpengaruh nyata adalah pendapatan dan jumlah tanggungan. Hal ini ditunjukkan dengan nilai p-value dari masing-masing variabel bebas tersebut
yang lebih besar dari taraf nyata dapat dilihat di Tabel 18.
6.3.2 Analisis Faktor-faktor yang Mempengaruhi Nilai WTP Responden
Wisatawan Mancanegara
Berdasarkan hasil pengolahan data yang dilakukan dengan menggunakan Minitab for Windows Relase 14, diperoleh model WTP responden pengunjung
yang dihasilkan adalah sebagai berikut :
WTP = 106.743 - 698 Umur + 740 Tingkat Pendidikan + 0,00084 Pendapatan – 13.677 Jumlah Tanggungan – 32.764 Frekuensi Kunjungan + ε
i
Hasil output analisis regresi berganda model WTP responden pengunjung disajikan pada Tabel 19 dan Lampiran 14.
Tabel 19. Hasil Regresi Berganda WTP Responden Wisatawan Mancanegara
Variabel Koefisien
T P
VIF Constant
106.743 2,60
0,016 UM Umur
-698 -1.04
0,310 1,2
TP Tingkat Pendidikan 740
0,27 0,787
1,3 PD Pendapatan
0,00084 0,65
0,523 1,2
JT Jumlah Tanggungan -13.677
-3.93 0,001
1,2 FK Frekuensi Kunjangan
-32.764 -2.11
0,045 1,2
R
2
52,8 R
2
adj 43,0
Sumber: Hasil Analisis Data 2013 Keterangan : Tanda dan menunjukan taraf nyata koefisien regresi masing-masing variabel
berturut- turut pada α : 1, 5.
Berdasarkan hasil analisis regresi berganda diperoleh nilai R
2
sebesar 43. Nilai tersebut menunjukkan sebesar 43 keragaman WTP responden dapat
diterangkan oleh keragaman variabel-variabel penjelas yang terdapat dalam model, dan sisanya 57 dijelaskan oleh variabel-variabel lain yang tidak
dimasukkan ke dalam model. Setelah didapatkan model keseluruhan kemudian parameter model
tersebut diuji secara statistika agar model tersebut memenuhi semua asumsi model yaitu BLUE Best Linear Unbiased Estimator. Pelanggaran asumsi yang
