37
BAB III
METODE PENELITIAN
3. 1. Ruang Lingkup Penelitian
Objek dalam penelitian ini adalah 8 (delapan) negara low income ASEAN
yaitu Cambodia, Indonesia, Laos, Malaysia, Myanmar, Phillipines, Thailand dan
Vietnam. Penelitian ini membahas pengujian model ekonometrika dengan
menggunakan variabel dependen yakni PDB riil per kapita dan variabel
independennya penerimaan pariwisata, jumlah wisatawan, capital investment dan
pengeluaran pemerintah. Penelitian ini menggunakan data tahunan dengan kurun
waktu 8 tahun yaitu dari tahun 2009β2016.
3. 2. Rancangan dan Teknik Penelitian
Desain yang digunakan dalam penelitian ini adalah desk study
menggunakan metode kuantitatif dalam menganalisis pertumbuhan sektor
pariwisata terhadap pertumbuhan ekonomi negara-negara low income di ASEAN.
Metode kuantitatif menekankan analisisnya pada data-data numeris (angka) yang
diolah dengan metode statistika. Dengan metode kuantitatif akan diperoleh
signifikansi hubungan antar variabel yang diteliti. Peneliti juga menggunakan
penelitian deskriptif kualitatif yaitu penelitian terhadap masalah-masalah berupa
fakta-fakta saat ini pada suatu populasi. Jenis penelitian ini umumnya berkaitan
dengan opini (individu dan kelompok), kejadian atau prosedur.
38
3. 3. Jenis dan Sumber Data
3.3.1 Jenis Data
Tipe data yang digunakan dalam penelitian merupakan data sekunder.
Data sekunder merupakan data yang diperoleh dengan cara membaca,
mempelajari dan memahami melalui media lain yang bersumber dari literatur,
buku-buku, serta dokumen-dokumen yang terkait dengan penelitian ini. Data
sekunder diperoleh melalui website instansi-instansi pemerintah dan lembaga
internasional yang menyediakan informasi data statistik indikator pertumbuhan
ekonomi dan variabel bebas dalam penelitian ini.
3.3.2 Sumber Data
Data yang dibutuhkan bersumber dari Badan Pusat Statistik (BPS), United
Nation World Tourism Organization (UNWTO), Sekertariat ASEAN, WTTC
(World Travel and Tourism Council), World Bank dan data dari Kementerian
Kebudayaan dan Pariwisata. Data tersebut diunduh dan akan diolah dalam bentuk
data panel. Data panel merupakan kombinasi dari data cross section dan time
series. Data time series yaitu data annual dari tahun 2008-2016. Sedangkan data
cross section merupakan data yang diperoleh dari delapan negara low income
ASEAN yakni Cambodia, Indonesia, Laos, Malaysia, Myanmar, Phillipines,
Thailand dan Vietnam.
39
3.5 Pengelompokan Negara low income
Pengelompokan negara low income berdasarkan pendapatan per kapita,
dilihat menggunakan indikator yang digunakan oleh WTTC (2016) yaitu negara
berpenghasilan rendah adalah negara yang PDB per kapita-nya kurang dari atau
sama dengan $ 13,700. Berdasarkan indikator tersebut, terdapat 8 negara yang
termasuk dalam kategori low-income seperti tertera di tabel berikut.
Tabel 3. Pengelompokkan Negara-negara ASEAN low-income
KATEGORI NEGARA PDB per kapita (2016)
High income Singapore 53.353,84
Brunei Darussalam 31.430,96
Low income
Malaysia 11.031,82
Thailand 59.10,45
Indonesia 3.974,73
Philippines 2.752,11
Vietnam 1.735,29
Lao PDR 1.642,73
Myanmar 1.408,14
Cambodia 1.079,11
Sumber: world bank dan WTTC (diolah)
3.6 Operasionalisasi Variabel dan Definisi Variable Penelitian
3.6.1 Operasionalisasi Variabel
Operasional variabel merupakan penjabaran konsep ke dalam variabel,
notasi, parameter, satuan dan skala secara jelas sehingga memudahkan dalam
mengetahui data atau informasi apa saja yang diperlukan dalam penelitian ini.
Berdasarkan identifikasi masalah, maka variabel yang diteliti adalah sebagai
berikut:
40
Tabel 4.1Operasionalisasi Variabel Penelitian
Notasi Definisi Operasional Satuan Sumber
ππ PDB Pariwisata, yaitu
Jumlah kontribusi sektor
pariwisata terhadap PDB
% (persen) WTTC
πΆπΌ Capital Investment, yaitu
Jumlah kontribusi investasi
modal di sektor pariwisata
terhadap PDB
% (persen) WTTC,
ππ΄ Jumlah Wisatawan/Tourist
Arrival, yaitu perbandingan
Jumlah kunjungan
wisatawan internasional
dengan jumlah populasi
% (persen) WTTC
GDP PDB riil per kapita, yaitu
rasio produk domestik bruto
terhadap populasi
US $ World
Bank
πΊππ Pengeluaran Pemerintah,
yaitu besarnya pengeluaran
pemerintah terhadap PDB
% (persen) World
Bank
3.6.2 Variabel Penelitian
Berdasarkan objek penelitian dan metode penelitian yang digunakan untuk
penelitian maka variabel penelitian adalah sebagai berikut:
1. Variabel dependent (Y)
Variabel dependen adalah variabel terikat yang keberadaannya
dipengaruhi oleh variabel lainnya. Dalam penelitian ini variabel dependent adalah
PDB riil per kapita yang di notasikan dengan (GDP). Produk Domestik Bruto Riil
(PDB riil) per kapita adalah nilai total dari semua barang dan jasa yang diproduksi
dalam batas-batas ekonomi-politik selama periode waktu tertentu, biasanya satu
tahun, yang diukur menurut harga pada tahun lain (disebut harga dasar atau harga
konstan) di bagi dengan jumlah penduduk di negara tersebut.
41
2. Variabel Independent (X)
Variabel Independent (X) yaitu variabel bebas yang akan memengaruhi
variabel dependent. Pada penelitian ini variable independent terdiri dari:
a. Penerimaan pariwisata (TR), yaitu besarnya kontribusi dari sektor pariwisata
terhadap PDB suatu negara yang dinyatakan dalam persen (%). Kontribusi
yang dilihat adalah kontribusi langsung (direct contribution) pariwisata
terhadap PDB.
b. Jumlah wisatawan (TA), yaitu banyaknya wisatawan asing yang berkunjung
ke suatu negara. Dalam penelitian ini jumlah wisatawan di bagi dengan
jumlah populasi penduduk di setiap negara.
c. Capital Investment (CI), yaitu investasi modal yang digunakan untuk
pembangunan sarana prasaran yang berhubungan langsung dengan pariwisata
dinyatakan dalam bentuk kontribusi terhadap PDB (persen terhadap PDB).
d. Pengeluaran pemerintah (GOV), yaitu besarnya pengeluaran yang dilakukan
pemerintah yang dinyatakan dalam bentuk kontribusi terhadap PDB (persen
terhadap PDB). Pada penelitian ini, pengeluaran pemerintah merupakan
variable kontrol dari PDB. Variabel kontrol adalah variabel yang dapat
dikendalikan atau dibuat konstan sehingga pengaruh variabel independen
terhadap dependen tidak dipengaruhi oleh faktor luar yang tidak diteliti.
42
3.7 Model
Untuk membuktikan pengaruh variable-variabel tersebut dibuat suatu
model dengan sistem persamaan data panel. Model mengacu pada penelitian
sebelumnya di bidang pariwisata dan pertumbuhan ekonomi, yang dilakukan oleh
Eugine-Martin et al (2004). Persamaan untuk penelitian ini adalah:
Log(πΊπ·π)π,π‘ = Ξ± + π1ππ it + π2ππ΄it + π3πΆπΌit + π4πΊππit + e
dimana:
i = data cross section ke-I (8 negara low income di ASEAN)
t = data time series tahun t (tahun 2008 sampai dengan 2016)
Ξ± = Konstanta
ππ; = Koefisien regresi masing-masing variabel independen
GDP = PDB Rill per kapita
ππ = output sektor pariwisata (% tourism receipt of GDP)
TA = Jumlah wisatawan
πΆπΌ = Investasi modal (capital investment)
GOV = Pengeluaran pemerintah
e = Error term
3.8 Teknik Analisis Data
Analisis data dalam penelitian ini dilakukan melalui statistik deskriptif, uji
penyimpangan asumsi klasik, uji kelayakan model dan pengujian hipotesis.
Pengolahan data dilakukan dengan bantuan program IBM SPSS Statistics 20 dan
EViews 9.
43
3.8.1 Statistika Deskriptif Kualitatif
Statistika deskriptif merupakan bagian dari statistika yang menitikberatkan
pada pengumpulan, penyajian, pengolahan, serta peringkasan data yang mana
aktivitas ini tidak berlanjut pada penarikan kesimpulan. Melalui statistika
deskriptif, penyusunan data dalam daftar atau tabel dan visualisasi dalam bentuk
diagram atau grafik dilakukan. Selain itu, pengolahan data serta interpretasi
terhadapnya mungkin saja dilaksanakan, dengan catatan bahwa kegiatan itu tidak
sampai pada penarikan kesimpulan yang berlaku umum (Santoso, 2001 dalam
Wibisono, 2011).
3.8.2 Analisis Regresi Data Panel
Regresi data panel merupakan pengembangan dari regresi linier dengan
metode OLS yang memiliki kekhususan dari segi jenis data dan tujuan
analisisnya. Dari segi jenis data, regresi data panel memiliki karakteristik (jenis)
data cross section dan time series. Sifat cross section data ditunjukkan oleh data
yang terdiri lebih dari satu entitas (individu), sedangkan sifat time series
ditunjukkan oleh setiap individu memiliki lebih dari satu pengamatan waktu
(periode). Pada penelitian ini diamati entitas yang terdiri atas 8 negara dengan
masing-masing negara memiliki periode pengamatan yang sama yaitu 8 tahun dari
tahun 2009 sampai dengan 2016.
Dilihat dari tujuan analisis data, data panel berguna untuk melihat dampak
ekonomis yang tidak terpisahkan antar setiap individu dalam beberapa periode,
dan hal ini tidak bisa didapatkan dari penggunaan data cross section atau data time
series secara terpisah. Adanya perbedaan karakteristik variabel terikat dari setiap
44
entitas atau adanya pengaruh variabel lain di luar model yang ingin diamati
pengaruhnya penggunaan regresi data panel akan efektif karena regresi linier tidak
dapat melakukannya.
Menurut Widarjono (2007) dalam Wartanti (2009), ada beberapa
keuntungan yang diperoleh dengan menggunakan data panel. Pertama, data panel
merupakan gabungan dua data cross section dan time series mampu menyediakan
data yang lebih banyak sehingga akan menghasilkan derajat kebebasan (degree of
freedom) yang lebih besar. Kedua, menggabungkan informasi data dari cross
section dan time series dapat mengatasi masalah yang timbul ketika ada masalah
penghilangan variabel.
3.7.2.1 Pemilihan Model Regresi Data Panel
Model dengan pengaruh individu untuk penaksirannya dapat dilakukan
melalui dua pendekatan, yaitu pendekatan fixed effect dan random effect.
1. Fixed Effect Model
Model ini mengasumsikan bahwa perbedaan antar individu dapat
diakomodasi dari perbedaan intersepnya. Estimasi data panel model Fixed
Effects menggunakan teknik variable dummy untuk menangkap perbedaan
intersep antar negara, perbedaan intersep bisa terjadi karena perbedaan budaya,
kebijakan, dan sumber daya alam. Model estimasi ini sering juga disebut dengan
teknik Least Squares Dummy Variable (LSDV).
45
2. Random Effect Model
Model ini akan mengestimasi data panel dimana variabel
gangguan mungkin saling berhubungan antar waktu dan antar negara. Pada model
Random Effect perbedaan intersep diakomodasi oleh error terms masing-masing
negara. Keuntungan menggunakan model Random Effect yakni menghilangkan
heteroskedastisitas. Model ini juga disebut dengan Error Component
Model (ECM) atau teknik Generalized Least Squares (GLS)
Uji Hausman
Definisi Uji Hausman adalah pengujian statistika untuk memilih apakah
model Fixed Effect atau Random Effect yang paling tepat digunakan. Pengujian uji
Hausman dilakukan dengan hipotesis berikut:
π»0 : Random Effect Model
π»1 : Fixed Effect Model
Jika nilai statistik Hausman lebih besar dari nilai kritisnya maka π»0 ditolak
dan model yang tepat adalah model Fixed Effect sedangkan sebaliknya bila nilai
statistik Hausman lebih kecil dari nilai kritisnya maka π»0 diterima dan model
yang tepat adalah model Random Effect. Dapat juga dilihat melalui nilai
probabilitinya, jika nilai Prob cross section random lebih besar dari nilai Ξ± = 0,05
maka π»0 diterima dan model yang tepat adalah model Random Effect. Sebaliknya,
bila nilai nilai Prob cross section random lebih kecil dari nilai Ξ± = 0,05 maka π»0
ditolak dan model yang tepat adalah model Fixed Effect .
46
3.7.3 Uji Asumsi Klasik
Regresi data panel memberikan alternatif model, Common Effect, Fixed
Effect dan Random Effect. Model Common Effect dan Fixed Effect menggunakan
pendekatan Ordinary Least Squares (OLS) dalam teknik estimasinya, sedangkan
Random Effect menggunakan Generalized Least Squares (GLS) sebagai teknik
estimasinya. Uji asumsi klasik yang digunakan dalam regresi data panel dengan
pendekatan Ordinary Least Squares (OLS) meliputi uji Otokorelasi,
Heteroskedastisitas, dan Multikolinieritas.
3.7.3.1 Uji Otokorelasi
Uji Otokorelasi bertujuan untuk menguji apakah dalam suatu model
regresi linear ada korelasi antara kesalahan pengganggu periode t dengan
kesalahan pengganggu pada periode sebelumnya (t-1). Jika terjadi korelasi, maka
dikatakan ada masalah otokorelasi. Akibat jika data yang kita analisis terkena
otokorelasi yaitu estimator metode kuadrat terkecil masih linear, tidak mempunyai
varian yang minimum (no longer best) juga menyebabkan estimator tidak BLUE.
Cara mendeteksi otokorelasi yaitu dengan uji Durbin Watson, jika nilai
Durbin-Watson (DW) terletak antara batas atas atau upper bound (du) dan (4-du),
maka koefisien otokorelasi sama dengan nol, dengan kata lain tidak ada
otokorelasi. Jika nilai DW lebih rendah dari batas bawah atau lower bound (dl),
maka koefisien otokorelasi lebih besar dari nol, yang berarti bahwa otokorelasi
positif. Tetapi jika nilai DW lebih besar dari (4-dl), maka koefisien otokorelasi
lebih kecil dari nol, yang berarti bahwa otokorelasi negatif. Adapun area
penerimaan menggunakan Durbin Watson sebagai berikut:
47
Gambar 8. Area penerimaan Durbin Watson
3.7.3.2 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji ada tidaknya korelasi yang
tinggi antara variabel-variabel bebas dalam suatu model regresi. Jika ada korelasi
yang tinggi diantara variabel-variabel bebasnya, maka hubungan antara variabel
bebas terhadap variabel terikatnya menjadi terganggu. Gujarati (2012)
menyatakan bahwa jika tujuan analisis hanya untuk peramalan, maka
multikolinieritas bukan masalah serius. Pada model yang mengandung
multikolinieritas, estimator masih bersifat BLUE tetapi memiliki varians dan
kovarians yang besar sehingga sulit digunakan sebagai alat estimasi.
Ada beberapa cara untuk mengidentifikasi adanya multikolinieritas, salah
satunya jika terdapat R-square yang tinggi namun banyak variabel independent
yang tidak signifikan. Cara yang paling mudah adalah dengan mencari nilai
koefisien korelasi antar variabel bebas. Secara garis besar, masalah
multikolinearitas dapat di lihat pada matriks korelasi dari variabel bebas, jika
terjadi koefisien korelasi lebih dari 0,9 maka terdapat multikolinearitas. Jika nilai
koefisien korelasi antar variabel independen dibawah 0,90 dapat disimpulkan
tidak terjadi masalah multikolinearitas (Hair, 2006 dalam Sarwono, 2016).
Autokorelasi
Positif Ragu-ragu Tidak ada
Autokorelasi Ragu-ragu
Autokorelasi
Negatif
0 dL dU 4-dU 4-dL 4
48
3.7.3.3 Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk melihat apakah residual dari
model yang terbentuk memiliki varians yang konstan atau tidak. Suatu model
yang baik adalah model yang memiliki varians dari setiap gangguan atau
residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi tersebut
tidak tercapai, dengan kata lain dimana adalah ekspektasi dari eror dan adalah
varians dari eror yang berbeda tiap periode waktu.
Dampak adanya heteroskedastisitas adalah tidak efisiennya proses
estimasi, sementara hasil estimasinya tetap konsisten dan tidak bias. Eksistensi
dari masalah heteroskedastisitas akan menyebabkan hasil Uji-t dan Uji-F menjadi
tidak berguna (misleading). Ada beberapa metode yang dapat digunakan untuk
menditeksi heteroskedastisitas. Metode informal (grafik), metode Park, metode
Glejser, metode korelasi Spearman, metode Goldfeld-Quandt dan metode
Breusch-Pagan-Godfrey digunakan untuk mendeteksi heterokedastis. WLS
(Weighted Least Square) digunakan untuk penyembuhan ketika varian dan
residual diketahui, sedangkan jika varian tidak diketahui maka dapat
menggunakan metode White atau metode transformasi.
3.7.4 Pengujian Hipotesis
3.7.4.1 Uji-F
Uji signifikansi simultan (uji-F) bertujuan untuk mengukur apakah semua
variabel independen yang dimasukkan dalam model mempunyai pengaruh secara
bersama-sama terhadap variabel dependen. Pengujian juga dapat dilakukan
dengan membandingkan antara nilai FTabel dengan Fhitung. Rumus Fhitung berikut ini:
49
πΉ =
π 2
(π β 1)
1 β π 2
(π β π)
Keterangan:
k = Jumlah parameter yang diestimasi termasuk konstanta
N = Jumlah observasi
Kriteria uji F adalah sebagai berikut:
1. Jika Fhitung<FTabel Ho diterima dan Ha ditolak (keseluruhan variabel bebas
X tidak berpengaruh pada variabel terikat Y).
2. Jika Fhitung>Ftabel maka Ho ditolak dan Ha diterima (keseluruhan variabel
bebas X berpengaruh terhadap variabel terikat Y).
Pengujian secara simultan ini juga dapat dilakukan dengan cara
membandingkan antara tingkat signifikansi F dari hasil pengujian dengan nilai
signifikansi yang digunakan dalam penelitian ini. Cara pengujian simultan
terhadap variabel independen adalah sebagai berikut:
a. Jika tingkat signifikansi F yang diperoleh dari hasil pengolahan nilainya lebih
kecil dari nilai signifikansi yang digunakan yaitu sebesar 1% atau 5% atau
10% maka dapat disimpulkan bahwa semua variabel independen secara
simultan berpengaruh terhadap variabel dependen.
b. Jika tingkat signifikansi F yang diperoleh dari hasil pengolahan nilainya lebih
besar dari nilai signifikansi yang digunakan yaitu sebesar 5% maka dapat
disimpulkan bahwa semua variabel independen secara simultan tidak
berpengaruh terhadap variabel dependen.
50
3.7.4.2 Uji-t
Pengujian hipotesis dilakukan menggunakan analisis regresi untuk
mengetahui pengaruh variabel independen secara individual. Dalam analisis
regresi, selain mengukur kekuatan hubungan antara dua variabel atau lebih, juga
menunjukkan arah hubungan antara variabel dependen dengan variabel
independen. Uji yang dilakukan adalah uji t.
Uji-t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel
penjelas/independen secara individual dalam menerangkan variasi variabel
dependen. Pengujian ini dilakukan untuk mengetahui signifikasi secara parsial
antara variabel independen terhadap variabel dependen dengan mengasumsikan
bahwa variabel lainnya dianggap konstan, dengan membandingkan tingkat
signifikasi (Sig-t) masing-masing variable independen dengan taraf sig Ξ± = 0,05.
Kriteria penerimaan hipotesis:
Apabila tingkat signifikansinya (Sig t) β€ 0,05 atau 0,01 atau 0,1 maka
hipotesisnya diterima yang artinya variabel independen tersebut berpengaruh
secara signifikan terhadap variabel dependennya.
Apabila tingkat signifikansinya (Sig t) β₯ 0,05 atau 0,01 atau 0,1 maka
hipotesisnya tidak diterima yang artinya variabel independen tersebut tidak
berpengaruh secara signifikan terhadap variabel dependennya.