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 2009–2016.

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

𝑇𝑅 PDB Pariwisata, yaitu

Jumlah kontribusi sektor

pariwisata terhadap PDB

% (persen) WTTC

𝐶𝐼 Capital Investment, yaitu

Jumlah kontribusi investasi

modal di sektor pariwisata

terhadap PDB

% (persen) WTTC,

𝑇𝐴 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

𝐺𝑂𝑉 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(𝐺𝐷𝑃)𝑖,𝑡 = α + 𝑏1𝑇𝑅it + 𝑏2𝑇𝐴it + 𝑏3𝐶𝐼it + 𝑏4𝐺𝑂𝑉it + 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)

α = Konstanta

𝑏𝑖; = Koefisien regresi masing-masing variabel independen

GDP = PDB Rill per kapita

𝑇𝑅 = output sektor pariwisata (% tourism receipt of GDP)

TA = Jumlah wisatawan

𝐶𝐼 = 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:

𝐻0 : Random Effect Model

𝐻1 : Fixed Effect Model

Jika nilai statistik Hausman lebih besar dari nilai kritisnya maka 𝐻0 ditolak

dan model yang tepat adalah model Fixed Effect sedangkan sebaliknya bila nilai

statistik Hausman lebih kecil dari nilai kritisnya maka 𝐻0 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 α = 0,05

maka 𝐻0 diterima dan model yang tepat adalah model Random Effect. Sebaliknya,

bila nilai nilai Prob cross section random lebih kecil dari nilai α = 0,05 maka 𝐻0

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

𝐹 =

𝑅2

(𝑘 − 1)

1 − 𝑅2

(𝑁 − 𝑘)

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 α = 0,05.

Kriteria penerimaan hipotesis:

Apabila tingkat signifikansinya (Sig t) ≤ 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) ≥ 0,05 atau 0,01 atau 0,1 maka

hipotesisnya tidak diterima yang artinya variabel independen tersebut tidak

berpengaruh secara signifikan terhadap variabel dependennya.