Penerapan Metode Ekonometrika Tingkat Lanjut Dalam ......Penerapan Metode Ekonometrika Tingkat...

LAPORAN AKHIR

PENELITIAN HIBAH BERSAING

Penerapan Metode Ekonometrika Tingkat LanjutDalam Analisis Permintaan dan Pertumbuhan Wisata (APPW)

Tahun ke-1 dari rencana 3 tahun

Dra Ni Luh Putu Suciptawati,M.Si (NIDN:0022016303)Ir. Komang Dharmawan M.Math.PhD.(NIDN:0018026202)

I Nyoman Sudiarta SE., M.Par.(NIDN :0015036507)

UNIVERSITAS UDAYANANopember 2015

Dibiayai dari Dana BOPTN Universitas Udayana dengan Surat PerjanjianPenugasan Penelitian No:311-49/UN14.2/PNL.01.03.00/2015 tanggal 30

Maret 2015

LAPORAN AKHIR








Maret 2015

LAPORAN AKHIR








Maret 2015

of 56

ii

of 56

iii

KATA PENGANTAR

Puji syukur peneliti panjatkan kehadirat Ida Sang Hyang Widi atas rahmat-Nya kami dapat

menyelesaikan Laporan Penelitian Hibah Bersaing Ini

Penelitian ini dilakukan untuk pengembangan ekonometrika tingkan lanjut (Advanced

Econometrics) dalam APPW untuk kasus pada destinasi wisata Indonesia khususnya Bali.

Pada kesempatan ini, tidak lupa kami ucapkan terima kasih kepada

1. Lembaga Penelitian dan Pengabdian Kepada Masyarakat Universitas Udayana yang telah

memberkan kesempatan kepada kami untuk melakukan penelitian ini.

2. Universitas Udayana yang telah memberikan dana untuk penelitian ini berdasarkan Surat

perjanjian Penugasan dalam rangka Pelaksanaan Penelitian Hibah Desentralisasi

(BOPTN) Anggaran 2015 No:311-49/UN14.2/PNL.01.03.00/2015

3. Semua pihak yang telah membantu pelaksanaan penelitian ini, yang tidak

dapat kami sebutkan satu per satu

Kami menyadari bahwa apa yang telah dipaparkan dalam laporan ini masih jauh dari

sempurna. Oleh karena itu, kritik dan saran yang membangun sangat kami harapkan.

Akhir kata semoga laporan ini dapat bermanfaat.

Tim Penysun

of 56

iii

RINGKASAN

Pariwisata Bali merupakan salah satu kegiatan ekonomi utama di koridor ekonomi

Provinsi Bali-Nusra dalam Programr Masteplan Percepatan dan Perluasan Pembangunan

Ekonomi Indonesia (MP3EI). Pariwisata Provinsi Bali cukup berpengaruh terhadap

perekonomian Provinsi Bali. Adapun tujuan penelitian ini adalah untuk mendapatkan model

APPW destinasi wisata Indonesia/Bali menggunakan analisis ekonometrika tingkat lanjut yaitu

Cointegration (CI), Vector Autoregression (VAR), Error Correction Mechanism (ECM).

Variabel-variabel yang diamati adalah jumlah wisatwan mancanegara ke Provinsi Bali ,

tingkat inflasi indonesia, IHK Indonesia, nilai tukar mata uang dolar Amerika terhadap rupiah,

serta PDRB Provinsi Bali. Data yang diganakan dalam penelitian ini merupakan data sekunder

berupa data bulanan dari bulan Januari 2004 sampai Juni 2014..Hasil penelitian dengan metode

ECM menunjukkan terjadi keseimbangan jangka panjang antara jumlah kunjungan wisatawan

mancanegara dengan variabel-variabel bebas yang diamati dengn nilai R2=0.888632, sedangkan

R2 untuk persamaan jangka pendek sebesar 0.194759 dengan koefisien koreksi keseimbangan

sebesar 0.371849 menunjukkan bahwa pada periode sebelumnya , jumlah kunjungan

wisatawan melebihi hubungan keseimbangannya, sehingga pada waktu harus berkurang

sebesar 37% agar tercapai keseimbangannya. model persamaan jangka panjang sebagai berikut :

Wismant=21558.32 +0.13114 PDRBt -2.063307 Nilai-tukarit-835.4468 IHK t

model persamaan jangka panjang sebagai berikut :


Persamaan jangka pendek sebagai berikut :

ΔWismant =-43.35973+0.086034Δ PDRBt +0.086034Δ Nilai tukart +786.3204ΔIHKt

– 0.371849 ΔECT(-1)

of 56

iv

DAFTAR ISI

HALAMAN JUDUL

LEMBAR PENGESAHAN ...........................................................Error! Bookmark not defined.

KATA PENGANTAR ................................................................................................................... iii

RINGKASAN................................................................................................................................ iii

DAFTAR ISI.................................................................................................................................. iv

DAFTAR TABEL.......................................................................................................................... vi

DAFTAR GAMBAR.................................................................................................................... vii

DAFTAR LAMPIRAN................................................................................................................ viii

BAB I PENDAHULUAN............................................................................................................... 1

1.1 Latar Belakang…………………………………………………………………………..1

1.2 Rumusan masalah ………………………………………………………………………3

BAB II TINJAUAN PUSTAKA .................................................................................................... 4

2.1 State of the art ………………………………………………………………………..4

2.1.1 Analisis Menggunakan ‘Single-Equation Static Model (SESM)’ ……………..5

2.1.2 Analisis Menggunakan ‘Single-Equation Dynamic Models (SEDM)’ ……….7

2.1.3 Analisis Menggunakan ‘Multi-Equation Dynamic Models (MEDM)’ ………...8

2.2 Kointegrasi……………………………………………………………………………8

2.3 Error Correction Mechanism (ECM) ……………………………………………….10

BAB III TUJUAN DAN MANFAAT .......................................................................................... 12

BAB IV METODOLOGI PENELITIAN ..................................................................................... 13

4.1 Negara asal wisatawan ……………………………………………………………….13

4.2 Ukuran (measure) dalam APPW ……………………………………………………..13

of 56

v

4.3 Variabel-variabel bebas ………………………………………………………………13

4.4 Metode General-To-Specific (GTS) …………………………………………………13

BAB V HASIL DAN PEMBAHASAN ....................................................................................... 15

5.1 Data kunjungan Wisatawan Mancanegara …………………………………………...15

5.2 Pemodelan Kunjungan Wisatawan Mancanegara ke Bali ……………………………18

5.2.1 Uji Kestasioneran Data ……………………………………………………….18

5.2.2 Uji Kointegrasi ………………………………………………………………20

5.2.3 Uji ECM ……………………………………………………………………..23

5.2.4. Uji Kebaikan Model …………………………………………………………24

5.2.5 Interpretasi Koefisien Persamaan Jangka Panjang dan Jangka Pendek ………26

5.3 Pemodelan Kunjungan Wisatawan China ke Bali …………………………………….27

5.3.1 Unit Root Test ………………………………………………………………27

5.3.2 Penentuan Panjang Lag Optimal ……………………………………………...30

5.3.3 Uji Kointegrasi Johansen... …………………………………………………...31

5.3.4 Error Corection Model (ECM) ……………………………………………….35

BAB VI KESIMPULAN DAN SARAN ...................................................................................... 38

6.1 Kesimpulan …………………………………………………………………………...38

6.2 Saran …………………………………………………………………………………..38

Daftar Pustaka............................................................................................................................... 39

LAMPIRAN.................................................................................................................................. 41

of 56

vi

DAFTAR TABEL

Table 5.1 Jumlah Wisatawan Mancanegara Ke Indonesia Dan Bali Per Tahun Periode Tahun

1989 – Tahun 2013....................................................................................................... 15

Table 5.2 Hasil Uji ADF Terhadap Variabel-Variabel Penelitian............................................... 19

Table 5.3 Hasil Uji Integrasi ......................................................................................................... 20

Table 5.4 Uji Unit ADF Terhadap Residual ................................................................................. 20

Table 5.5 Panjang Lag Maksimal ................................................................................................. 21

Table 5.6 Hasil Uji kointegrasi dengan Metode Johansen’s Contegration Test (Trace Test)...... 22

Table 5.7 Hasil Uji kointegrasi dengan Metode Johansen(maximum eigenvalue statistics) ........ 22

Table 5.8 Hasil Estimasi Persamaan Jangka Panjang................................................................... 23

Table 5.9 Hasil Estimasi Persamaan Jangka Pendek .................................................................... 23

Table 5.10 Hasil Uji White ........................................................................................................... 25

Table 5.11 Hasil Uji Breusch-Godfrey Serial Correlation LM : .................................................. 26

Table 5.12 Hasil Uji ADF secara Simultan .................................................................................. 29

Table 5.13 Hasil Uji ADF secara Individu ................................................................................... 29

Table 5.14 Hasil Uji ADF Untuk I(1)........................................................................................... 30

Table 5.15 Panjang Lag Optimal .................................................................................................. 30

Table 5.16 Hasil Uji Johansen (Trace Statistics) .......................................................................... 31

Table 5.17 Hasil Uji Johansen(Maximum Eigenvalue) ............................................................... 32

Table 5.18 Model Persamaan Kointegrasi 1 ................................................................................. 32

Table 5.19 Koefisien Koreksi Keseimbangan Model 1 ................................................................ 32

Table 5.20 Persaman Kointegrasi 2 .............................................................................................. 33

Table 5.21 Koefisien Koreksi Keseimbangan Model 2 ................................................................ 33

Table 5.22 Persaman Kointegrasi 3 .............................................................................................. 33

Table 5.23 Persamaan Kointegrasi 4 ............................................................................................ 34

Table 5.24 Estimasi jangka Panjang ............................................................................................. 35

Table 5.25 Estimasi jangka Pendek .............................................................................................. 35

of 56

vii

DAFTAR GAMBAR

Gambar 5.1 Kunjungan Wisatawan ke Indonesia dan Bali Periode Th 1998-2013 ..................... 17

Gambar 5.2 Pertumbuhan Kunjungan Wisatawan mancanegara ke Indonesia Periode Tahun

1990-2013................................................................................................................ 17

Gambar 5.3 Pertumbuhan Kunjungan Wisatawan mancanegara ke Bali Periode Tahun 1990-

2013 ......................................................................................................................... 18

Gambar 5.4 Hasil uji kenormalan ................................................................................................. 24

of 56

1

BAB I

PENDAHULUAN

1.1 Latar BelakangPariwisata Indonesia/Bali telah ditempatkan sebagai salah satu kegiatan ekonomi utama

di Koridor Ekonomi Bali-Nusa Tenggara dalam Program Masterplan Percepatan dan Perluasan

Pembangunan Ekonomi Indonesia (MP3EI).Universitas Udayana (UNUD) sebagai institusi

pendidikan dan penelitian di Bali memegang peran penting dalam mewujudkan tujuan program

MP3EI tersebut.Penetapan UNUD sebagai Pusat Unggulan Iptek (Center of Excellence) pada

bidang pariwisata merupakan tanggung jawab intelektual peneliti-peneliti di bidang pariwisata

UNUD untuk merealissasikan target MP3EI. Dalam MP3EI, pariwisata adalah kegiatan

ekonomi, sudah tentu riset di bidang pariwisata akan melihat sektor ekonomi sebagai variabel

penentu dalam setiap kebijakan pariwisata.

Pertumbuhan dunia pariwisata Indonesia/Bali berkembang cukup signifikan selama

sepuluh tahun terakhir. Wisatawan mancanegara (wisman) yang datang ke Bali dalam kurun

waktu lima tahun terakhir mengalami peningkatan yang cukup besar, yaitu dari 2.385.122 orang

wisman pada tahun 2009 menjadi 3.278.598 orang wisman pada tahun 2013 (BPS Provinsi Bali,

2013 [b], p.19).

Adanya tren yang positif pada jumlah kedatangan wisatawan ke Indonesia/Bali akan

berdampak pada pertumbuhan pada sektor ekonomi. Pertumbuhan ini hendaknya disikapi dengan

mendorong minat pelaku atau peneliti di bidang pariwisata untuk terus melakukan kajian

terhadap apa yag disebut dengan Analisis Permintaan dan Pertumbuhan Wisata (APPW)’. Tidak

hanya obyek wisata yang perlu ditingkatkan, berbagai fasilitas pendukung seperti operator tur,

hotel, kapal pesiar, dan fasilitas-fasilitas pendukung lainnya merupakan bagian dari APPW, perlu

mendapatkan kajian yang memadai.APPWadalah landasan yang banyak dipakai oleh

pemerintah, turis, atau pebisnis pariwisata dalam menentukan keberhasilan dari suata kebijakan

atau bisnis pariwisata.

Penelitian menganai APPW telah banyak dilakukan namun lebih berfokus pada negara-

negara Barat sebagai tujuan dan juga pada beberapa negara Asia seperti Thailand, Hongkong,

of 56

2

Singapura dan Malaysia, hanya sedikit yang mengkaji APPW yangberfokus pada destinasi

Indonesia/Bali dan itupu masih menggunakan pendekatan metode traditional. Kajian APPW

untuk kasus Indonesia/Bali menggunakan model ekonometrika tingkat lanjut belum banyak

muncul dalam literatur. Oleh karena itu, penelitian ini bertujuan untuk mengisi kekosongan studi

kepariwisataan yang berbasis pada teori-teori ekonometrika tingkat lanjut (advanced).

Seperti diungkapkan dalam Song (2012) bahwa sebagian besar riset mengenai APPW,

tepatnya sebelum 1990, berbasis pada metode regresi linear, baik single maupun multi

variabel.Metode riset tersebut bersifat klasik, menggunakan OLS (ordinary Least Square)

sebagai metode penaksiran parameter-parameternya. Data yang umumnya digunakan dalam

APPWadalah data time series, seperti pengeluaran selama kunjungan, jumlah kedatangan per

bulan, income diukur dari income pribadi atau GDP, biaya hidup wisatawan selama di tempat

wisata, biaya transportasi, dan harga paket wisata di negara-negara pesaing. Kemudian metode

regresi linear dipakai untuk memprediksi permintaan wisata.Kajian seperti ini, dalam Song

(2012) disebut metode tradisional (MT).

Langkah-langkah MT dalam APPW adalah sebagai berikut: 1) memformulasikan

hipotesis sesuai dengan teori permintaan (deman theory), 2) menetapkan model dalam bentuk

fungsi matematika, 3) mengumpulkan data, 4) mengestimasi parameter-parameter dalam model

yang telah ditetapkan, 5) uji hipotesis yang telah ditetapkan dalam (1), melakukan peramalan

dan mengevaluasi kebijakan. Terdapat lima asumsi yang harus dipenuhi dalam penerapan MT,

seperti diungkapkan dalam Witt dan Witt (1995); 1) data time series harus disajikan dalam

bentuk interval waktu yang periodik, yaitu bulanan, kuartal, atau tahunan, dan data harus bersifat

stasioner, 2) Penggunaan data cross-sectional yang terdiri dari beberapa variabel harus

dikumpulkan pada saat bersamaan, 3) Data longitudinal (pooled data), yaitu kombinasi antara

data time series dan data cross-sectional adalah data dimana informasi pada satuan data cross-

sectional (misalnya rumahtangga, perusahaan) adalah waktu, 4) data APPWadalah stasioner atau

mempunyai tren yang stasioner.

Permasalahan utama yang muncul dalam penerapan MT dalam riset APPW adalah

penaksiran parameter-parameter data time series tanpa menguji sifat kestasionerannya berpotensi

terbetuknya regresi semu (spurious). Permasalahan kedua adalah penggunaan data cross-

sectional pada dasarnya akan memunculkan masalah heteroskedastik. Penggunaan metode

Weighted Least Square (WLS) akan memunculkan masalah lain jika bobot ditetapkan secara

of 56

3

tidak benar. Ketiga, penggunaan data panel bergantung pada derajat kehomogenan data.Masalah

lain yang muncul dalam penggunaan MT dalam APPW adalah peramalan yang dihasilkan sangat

jelek jika dibandingkan dengan metode lain. Salah satu penyebabnya adalah MT tidak

melibatkan hubungan jangka panjang maupun hubungan jangka pendek (long/short run

cointegrating relationship).

1.2 Rumusan masalahBerdasarkan uraian pada latar belakang, maka rumusan masalah dalam penelitian ini

adalah bagaimana penerepan analisis ekonometrika tingkat lanjut yaitu Cointegration (CI),

Vector Autoregression (VAR), Error Correction Models (ECM), pada APPW untuk kasus

destinasi wisata Indonesia/ Bali.

of 56

4

BAB II

TINJAUAN PUSTAKA

2.1 State of the artAdanya kunjungan wisatawan ke suatu destinasi tertentu disebabkan oleh beberapa hal,

antara lain: liburan, kunjungan bisnis, mengunjungi teman atau keluarga, konferensi, dan lain-

lain.Akan tetapi, sebagian besar studi empiris mengenai APPW mengkaji jumlah kunjungan

berdasarkan kunjungan dengan maksud berlibur.Istilah APPW secara umum dapat diartikan

sebagai melakukan analisis terhadap sejumlah produk wisata (kombinasi antara barang dan jasa)

dimana wisatawan (konsumen) berkeinginan untuk membelinya selama periode tertentu dengan

kondisi tertentu(Lagu et al 2009).Kondisi dalam hal ini dikaitkan dengan jumlah wisatawan yang

diinginkan mencakup harga (biaya yang dikeluarkan selama di daerah tujuan dan biaya yang

dikeluarkan saat menuju ke destinasi tujuan), penghasilan wisatawan, tersedianya harga yang

kompetitif, pengeluaran untuk promosi wisata, selera negara asal wisatawan, sosial budaya,

faktor geografis, dan faktor politik.

Fungsi permintaan (demand function) untuk produk pariwisata pada destinasi tujuan

dari negara asal dapat dituliskan sebagai

dimana adalah jumlah produk wisata yang diinginkan di destinasi tujuan oleh wisatawan

dari negara asal , adalah harga wisata pada destinasi (jumlah biaya yang dikeluarkan

selama di destinasi tujuan dan biaya yang dikeluarkan saat menuju ke destinasi tujuan), adalah

harga wisata pada destinasi pesaing, adalah selera konsumen pada negara asal , adalah

biaya promosi oleh destinasi di destinasi tujuan , adalah faktor-faktor lain yang mungkin

memengaruhi jumlah produk wisata yang diinginkan di destinasi tujuan oleh wisatawan dari

negara asal

of 56

5

Variabel tak bebas dalam persamaan (1) adalah produk wisata yang diinginkan di

destinasi tujuan oleh wisatawan dari negara asal . Sedangkan variabel bebas (explanatory

variabel) antara lain:(1) populasi negara asal wisatawan, tingkat kedatangan turis asing akan

bergantung dari populasi negara asal wisatawan. (2) Income turis yang akan berkujung akan

berpengaruh terhadap fungsi permintaan wisata. (3) nilai tukar matauang (exchange rate)

terhadap rupiah. (4) biaya tinggal di destinasi tujuan dan biaya hidup selama tinggal di destinasi

tujuan, (5) penghasilan wisatawan, (6) tersedianya harga yang kompetitif, (7) pengeluaran untuk

promosi, (8) selera negara asal wisatawan, sosial budaya, faktor geografis, dan faktor politik.

Persamaan (1) adalah ungkapan matematis (model teoritis) dari APPWyang menyatakan

bahwa terdapat suatu hubungan atau korelasi antar variabel-variabel yang ada (variabel bebas

maupun tak bebas), akan tetapi bagaimana bentuk hubungan masing-masing variabel belum

diketahui. Dalam penerapannya, fungsi APPW yang lebih konkrit dapat diturunkan dari

persamaan (1) , yaitu

dimana variabel-variabel dan adalah variabel-variabel seperti terdefinisi pada

persamaan (1). Solusi persamaan (2) dapat dilakukan dengan menerapkan metode Ekonometrika

atau metode Times Series sebagai berikut:

2.1.1 Analisis Menggunakan ‘Single-Equation Static Model (SESM)’Studi menggunakan metode Multiple Regression (MRM), yang merupakan kelas dari

SESM, secara intensif diterapkan dalam APPWsejak tahun 1995, yang ditandai dengan

munculnya karya oleh Qiu and Zhang (1995). Dalam penelitian tersebut, Qiu and Zhang (1995)

menggunakan MRM dalam menentukan faktor-fraktor yang memengaruhi jumlah kedatangan

dan jumlah pengeluaran wisatawan di Kanada.Dalam periode tahun 1996-2000 muncul 7 artikel

yang merupakan studi empiris menggunakan MRM dalam pemodelan APPW, salah satunya

adalah paper oleh Crouch (2000). Penggunaan MRM dalam riset pariwisata tidak begitu

popular.Hal ini disebabkan oleh ketakmampuan MRM menangani data yang bersifat non-

stationer.Penerapan MRM sering menghasilkan taksiran regresi yang bersifat semu (spurious

regression).Pada periode tahun 2001-2014, hanya muncul 7 paper yang menggunakan RMR

dengan analisis ekonometrika, yaitu oleh Ledesma-Rodriguez dan Navarro-Ibanez

of 56

6

(2001).Selain menggunakan SESM, Ledesma-Rodriguez dan Navarro-Ibanez(2001) juga

menerapkan Multi-Equation Dynamic Models (MEDM), yaitu analisis data panel.Selanjutnya

tahun 2002, terdapat hanya 1 paper yang menerapkan MRM, yaitu Payne dan Mervar (2002).

Secara umum sebagian besar studi dalam APPW menggunakan Cointegration (CI), Error

Correction Model (ECM), dan Vector Autoregressive (VAR).Parameter-parameter ketiga model

tersebut diestimasi menggunakan metode Ordinary Least Square (OLS) dengan mengasumsikan

koefisien-koefisien model tersebut konstan dalam interval waktu tertentu.Akan tetapi asumsi ini

mungkin tidak selalu benar oleh karena pada kenyataannya koefisien-koefisien berubah menurut

waktu. Hal ini telah ditunjukkan dalam penelitian yang dilakukan oleh Song dan Witt (2000)

bahwa elastisitas harga APPW menurun ketika elastisitas hargasilang meningkat menurut waktu.

Dengan demikian, ketiga model tersebut mungkin tidak akan memberikan hasil yang bagus

dipakai oleh pengambil keputusan dan perencanaan. Song dan Witt (2000) pertama kali

menggunakan Time Varying Parameter (TVP) dalam riset mengenai APPW. Mengacu kepada

apa yang telah dilakukan oleh Song dan Witt (2000), beberapa artikel muncul menggunakan

TVP dalam riset mengenai APPW diterapkan pada destinasi wisata yang berbeda-beda, antara

lain Song, Witt, & Jensen (2003), Song& Wong, (2003), Witt, Song, & Louvieris (2003), Li,

Song, & Witt (2006) Shen, Li &Song (2008), Li et al (2013), dan Chang et all (2013), Dalam

penerapannya model TVP memberikan hasil yang lebih baik dari model-model ekonometrika

lainya dalam hal keakuratan dalam peramalan.

Seperti telah disebutkan dalam banyak artikel bahwa MRM diaggap kurang mampu

menangani data-data yang tidak stationer dengan demikian berpotensi menghasilan regresi semu

(Granger and Newbold, 1996). Setelah tahun 1996, penelitian dibidang APPW berfokus pada

penerapan metode yang mampu menangani data yang bersifat non-stationer. Dalam penelitian-

penelitian terbaru di bidang APPW, data times series diuji kestasionerannya menggunakan uji

unit root atau dikenal dengan nama uji Augmented Dickey Fuller (ADF),seperti pada Webber

(2001); Lim & McAleer, (2002); Songet al. (2003) atau penggunaan uji the Phillips-Perron (PP)

dalam Song et al. (2000); Algieri (2006). Untuk riset APPW yang melibatkan data musiman

dilakukan oleh Kulendran & Witt (2001), Veloce (2004), Wong,Song, dan Chon (2006). Uji

untuk unit roots musiman digunakan uji HEGY (Hyllebert, Engle, Granger dan Yoo).

Pada dasarnya, penghilangan sifat ketaksioneran data dapat dilakukan dengan melakukan

differencing. Akan tetapi, data hasil differencing kehilangan pengaruh jangka panjang (long-run

of 56

7

effects) sehingga semua analisis untuk melihat prilaku hubungan jangka panjang tidak dapat lagi

dilakukan.

Engle and Granger (1987) mengungkapkan bahwa jika data dan tidak stasioner tetapi dapat

disajikan dalam bentuk kombinasi linier satu sama lain maka errornya akan bersifat stasioner,

yaitu I(0). Data yang tidak stasioner tersebut disebut terintegrasi (Cointegrated, CI). Suatu

persamaan yang terintegrasi (CI) dapat diterapkan dalam metode Vector Autoregressive (VAR)

multivariate untuk mendapatkan hubungan jangka panjang (long-run relationship). Studi

mengenai APPW yang menggunakan CI dalam VAR untuk melihat hubungan jangka panjang

dapat dilakukan oleh Shen et al. (2008), Song & Witt (2006), Veloce (2004), dan Wong et al.,

2007), Algieri (2006), Querfelli (2008), dan Song et al. (2003). Beberapa studi menggunakan

metode Engle-Granger dengan uji CI-ADF untuk menguji non-integration dilakukan oleh

Choyakh (2008), Li, Song, &Witt (2006), Song, Witt, Wong, & Wu (2009), dan Webber (2001).

Vanegas, M. (2013)

2.1.2 Analisis Menggunakan ‘Single-Equation Dynamic Models (SEDM)’Jika dibandingkan dengan regresi statis, regresi dinamis lebih realistis diterapkan, karena model

ini melibatkan pengaruh lag, dimana pada regresi statis hanya melibatkan pengaruh sesaat dari

variabel-variabel bebas (independent variables). Tujuan dari menyertakan lag dalam model

dalam model APPW adalah agar tersedianya interval waktu dalam penyesuaian antara ‘supply’

dan ‘demand’ yang meningkat. Namun demikian, melibatkan variabel yang memiliki lag dalam

model sering memunculkan masalah baru. Beberapa artikel yang mengungkapkan masalah ini,

antara lain terdapat pada paper oleh Kulendran & Witt (2001), Li, Song, & Witt (2006), Song et

al. (2009), Witt et al. (2003).Kuo, H., Liu, K.E., Chen, C. (2014). Li, C. M. Rosli, A., and O.S. Chuan

(2013).Daniel, A.C.M., Rodrigues, P.M.M. (2012).

Engle and Granger (1987) mengungkapkan bahwa jika dan terintegrasi CI(1,1),

maka akan terdapat suatu model dengan error terkoreksi (Error Correction Model, ECM), atau

sebaliknya. Suatu ECM memuat informasi jangka pendek dan jangka panjang, dengan

simpangan terhadap titik stabil terkoreksi secara bertahap.Menggunakan hubungan jangka

panjang yang stabil dalam model CI, maka dinamika hubungan jangka pendek secara langsung

diketahui (terestimasi) dalam model ECM. Ada beberapa keuntungan menggunakan CI dan ECM

pada APPW, yaitu ECM sangat efisien dalam mengatasi masalah regresi semu (spurious), ECM

of 56

8

mampu menangkap dinamika jangka pendek, dan jika dikombinasikan dengan TVP memiliki

kemampuan untuk mengetahhui adanya struktur data yang tidak stabil. Seperti dilaporkan oleh

Li, Wong, dan Witt (2006), kombinasi kedua model tersebut meberikan hasil estimasi yang lebih

akurat.

2.1.3 Analisis Menggunakan ‘Multi-Equation Dynamic Models (MEDM)’Penerapan MEDM dalam APPW semakin popular dalam sepuluh tahun terakhir. Model-

model yang dikelompokan dalam MEDM merupakan kombinasi dari beberapa metode dalam

MESM dan metode dalam SEDM, seperti misalnya model VEC (Vector Error Correction),

merupakan model yang melibatkan hubungan kointegrasi antara variabel yang digunakan dalam

APPW, seperti income, biaya transportasi, dan nilai tukar matauang (exchange rate) (Dritsakis,

2004; Lim & McAleer, 2001b). MEDM lain yang merupakan kombinasi dari beberapa model

yang dipakai dalam APPW adalah EC-LAIDS(Error Correction Linear Approximated

AlmostIdeal Demand System; Li et al., 2004), dan TVP-EC-AIDS yang memakai model TVP

dalam model EC-LAID (Li, Song, &Witt, 2006, Song, H., Kim J. H., Yang S. 2010, Kuo, H., Liu,

K.E., Chen, C., 2014)

2.2 KointegrasiKointegrasi berhubungan erat dengan masalah menentukan suatu hubungan jangka

panjang atau keseimbangan jangka panjang. Apabila data runtun waktu terkointegrasi, maka

terdapat suatu hubungan jangka panjang di antara data runtun waktu tersebut dan disebut dalam

keadaan long run equilebrium (Engle & Granger, 1987).

Menurut Enders (2010), analisis kointegrasi secara formal diawali dengan menganggap

suatu himpunan variabel ekonomi berada pada keseimbangan jangka panjang (long run

equilibrium) seperti ditunjukkan pada persamaan berikut:

02211 ntntt xxx (3)

Penyimpangan dari keseimbangan jangka panjang disebut kesalahan keseimbangan

(equilibrium error) yang dinotasikan:

ntnttt xxxe 2211

Jika keseimbangan tersebut mempunyai arti dalam ilmu ekonomi maka et akan stasioner.

(4)

of 56

9

Engle dan Granger (1987) mendefinisikan kointegrasi sebagai berikut: Komponen-

komponen vektor dikatakan terkointegrasi pada orde d,b, dinotasikan

dengan , jika:

1. Semua komponen vektor adalah variabel dI .

2. Terdapat sebuah vektor , sedemikian sehingga

, dengan 0 bd . Vektor disebut vektor kointegrasi.

Untuk menguji kointegrasi uji yang sering digunakan adalah uji kointegrasi Johansen

(Johansen’s Cointegration).Uji kointegrasi menurut Johansen umumnya hanya untuk variabel

yang terintegrasi pada orde satu dan orde nol, yaitu dan . Untuk suatu model ,

yang direpresentasikan kedalam bentuk VECM, seperti persamaan berikut:

dengan , adalah matriks parameter yang berukuran nn ,

pi ,,2,1 , dan adalah vektor error yang berukuran .1n

Langkah-langkah pengujian kointegrasi Johansen adalah sebagai berikut:

a. Lakukan uji orde integrasi pada variabel runtun waktu yang ada dengan menggunakan uji

Augmented Dickey-Fuller (ADF). Kointegrasi mengharuskan variabel-variabel tersebut

terintegrasi pada orde yang sama. Dalam hal ini variabel harus terintegrasi pada orde nol,

. Karena analisis kointegrasi hanya diperlukan untuk variabel-variabel runtun waktu

nonstasioner, maka jika ada variabel yang telah stasioner maka variabel tersebut tidak

dimasukkan ke pengujian selanjutnya .

b. Pemilihan panjang lag dalam persamaan menggunakan salah satu dari metode:

Akaike Information Criterion (AIC), atau Schwarz Information Criterion (SIC). Semakin

kecil nilai AIC maka semakin baik model yang digunakan, sehingga panjang lag yang

digunakan adalah panjang lag dari persamaan dengan nilai AIC terkecil (Tsay, 2002).

SICdigunakan untuk mengetahui signifikansi model. Kriteria pemilihan panjang lag sama

dengan AIC, yaitu memilih panjang lag dari persamaan dengan nilai SIC yang terkecil.

c. Menguji jumlah hubungan kointegrasi dengan menggunakan Trace test Adanya

kecenderungan bahwa trace test hampir selalu menerima adanya kointegrasi, maka kriteria

of 56

10

penerimaan adanya kointegrasi dapat ditempuh berdasarkan hasil maximum eigenvalue

test(Johansen & Juselius, 1990).

Hipotesis pengujian:

, (tidak terdapat kointegrasi)

, (1 vektor kointegrasi)



dan seterusnya

Apabila nilai maximum eigenvalue lebih besar dari nilai kritis pada tingkat kepercayaan

adalah 5 % atau nilai probabilitas lebih kecil dari adalah 5 % maka hipotesis nol ditolak yang

berarti terindikasi adanya kointegrasi.

2.3 Error Correction Mechanism (ECM)Secara ekonomi kointegrasi menunjukkan adanya keseimbangan jangka panjang

antara variable-variabel yang diamati, tetapi dalam jangka pendek ada kemungkinan variable-

variabel tersebut tidak mencapai keseimbangan. Hal ini menunjukkan dalam jangka pendek apa

yang diinginkan pelaku ekonomi belum tentu sama dengan keadan yang sebenarnya.Adanya

perbedaan tersebut memerlukan penyesuaian untuk mengoreksi ketidakkseimbangan dalam

jangka pendek menuju ke keseimbangan jangka panjang. Model yangdapat digunakan untuk

tujuan tersebut adalah Error Correction Mechanism (ECM). Menurut Enders(2010), Error

Correction Mechanism (ECM) merupakan salah satu analisis yang dikembangkan oleh Engle

dan Granger. Dengan demikian dapat dikatakan bahwa ECM merupakan kelanjutan dari

pengujian kointegrasi yang bertujuan untuk mengoreksi penyimpangan terhadap keseimbangan

jangka panjang.

Menurut Enders(2010), variabel-variabel dalam ECM adalah variabel-variabel first

differencing dalam VAR yang dibedakan oleh Error Correction Term(ECT) atau dengan kata

lain, representasi ECM menggunakan variabel-variabel yang terkointegrasi pada orde satu ,

ECM dapat mengatasi masalah data yang tidak stasioner dengan metode koreksi galat (error

correction). Tujuan dari metode tersebut adalah untuk membuat galat yang dihasilkan stasioner.

Bentuk umum ECM Engle-Granger dapat didefinisikan sebagai berikut:

of 56

11

Dengan dan , sehingga persamaan (7) dapat dituliskan:

(8)

Untuk mengetahui spesifikasi model dengan ECM merupakan model yang valid, dapat

dilihat pada hasil uji statistik terhadap koefisien dari regresi pertama, yang dapat disebut

Error Correction Term (ECT).Jika hasil pengujian terhadap koefisien ECT signifikan, maka

spesifikasi model yang diamati valid.Nilai mutlak koefisien ECT menyatakan lamanya waktu

yang diperlukan untuk kembali ke arah keseimbangannya.Satuan waktu yang diperlukan

bergantung pada jenis data, apabila periode data adalah bulanan, maka lamanya waktu yang

diperlukan untuk kembali ke arah keseimbangan adalah bulan.

Apabila pengujian membuktikan terdapat vektor kointegrasi maka dapat menerapkan

Error Correction Model (ECM) untuk single equation dan Vektor Error Correction Model

(VECM) untuk system equation.

(7)

of 56

12

BAB III

TUJUAN DAN MANFAAT

Adapun tujuan penelitian ini adalah untuk mendapatkan model APPW destinasi wisata

Indonesia/Bali menggunakan analisis ekonometrika tingkat lanjut yaitu Cointegration (CI),

Vector Autoregression (VAR), Error Correction Mechanism (ECM.

Manfaat yang diharapkan dalam penelitian ini adalah:

1. Bagi Pengusul

Melalui penelitian ini pengusul dapat menambah wawassan dengan mempelajari Analisis

ekonometrika tingkat lanjut dan diterapkan pada APPW

2. Bagi Akademisi

(a) Suatu terobosan baru berupa prosedur pembentukan model APPW berbasis CI, ECM,

VAR, dan TVP.

(b) Bahan ajar berbasis riset jenjang S1 untuk matakuliah Ekonometrika, S2 Kajian

Pariwisata.

of 56

13

BAB IV

METODE PENELITAN

Ada 3 jenis frekuensi data yang umumnya dipakai dalam APPW, yaitu tahunan,

kuartalan, atau bulanan. Dari paper yang direview, hampir 70% menggunakan data tahunan,

disusul data kuartalan, dan hanya sedikit yang menggunakan data bulanan (kurang dari 10%).

Dalam penelitain ini digunakan data bulanan.

4.1 Negara asal wisatawanDalam penelitian ini dikaji Model Kunjungan wisatwan mancanegara secara keseluruhan,

serta wisatwan dari negara yang mendominasi kunjunganya ke Indonesia/Bali, yaitu Australia,

China, dan Wisatawan mancanegara secara umum. Negera-negara tersebut telah meberikan

kontribusi yang signifikan terhadap kemajuan pariwisata Indonesia/Bali.

4.2 Ukuran (measure) dalam APPWDalam penelitian ini Jumlah kedatangan wisatawan digunakan sebagai alat ukur dalam

APPW. Dengan kata lain jumlah kunjungan wisatawan dijadikan sebagai variable terikat dalam

pemodelan.

4.3 Variabel-variabel bebasVariabel-variabel bebas yang akan dipakai dalam penelitian adalah nilai tukar mata uang

(Exchange rate) antara Rupiah dengan negara asal wisatawan, PDRB, IHK Indonesia, serta

tingkat inflasi

4.4 Metode General-To-Specific (GTS)Pemodelan APPW menggunakan pendekatan tradisional (MT) dimulai dari

mengkostruksi model yang sederhana yang konsisten dengan teori permintaan, kemudian

dilakukan uji parameter pada model yang sederhana tersebut, sehingga pada akhirnya didapat

of 56

14

suatu model yang dapat dipakai dalam peramalan. Pendekatan seperti ini yang dikakukan untuk

mendapatkan model terbaik disebut pendekatan specific-to-general (STG). Metode ini, seperti

diungkapkan dalam Song et al (2012) banyak menuai kritik. Hal ini disebabkan karena metode

STG menggunakan data mining yang terlalu banyak, peneliti hanya melaporkan model terakhir

yang didapat. Berbagai permasalahyang muncul dalam STG dibahas dalam Witt dan Witt (1995).

Dalam penelitian ini akan digunakan metode General-To-Specific (GTS). Metode GTS

dimulai dari bentuk umum yang mengandung sebanyak mungkin variabel yang sesuai dengan

teori ekonomi.Misalkan adalah variabel tak bebas yang ditentukan oleh sejumlah variabel

bebas, maka model umum ini dapat ditulis dalam model matematika sebagai berikut

Persamaan (9) dikenal dengan nama Austoregresive Distributed Lag Model (ADLM), dimana

adalah panjang lag, untuk data tahunan, untuk data kuartal, untuk data

bulanan. adalah error yang diasumsikan berdistribusi normal dengan varians , yaitu

. Apabila variabel penelitian hanya terdiri dari 2 variabel, yaitu dan dengan

panjang lag , maka persamaan (3) dapat ditulis dalama bentuk

(10)

1. Uji restriksi pada parameter-parameter regresi. Uji ini dilakukan untuk mengetahui apakah

nilai parameter-parameter yang diberikan pada model ADLM signifikan atau tidak?

2. Setelah melakukan uji restriksi, model hasil seleksi telah dapat ditetapkan. Untuk

selanjutnya dilakukan uji diagnostik untuk mengetahui apakah model yang telah dipilih

dapat diterima secara statistic? Dalam tahapan ini dilakukan uiji autokorelasi, uji

heteroskedastik, uji kenormalan, uji kesalahan spesifikasi, uji kestabilan, uji exogeneity.

3. Pada tahap terakhir dilakukan pemilihan model. Walaupun model dapat diterima secara

statistik, tapi belum tentu valid secara social-ekonomi.

of 56

15

BAB V

HASIL DAN PEMBAHASAN

5.1 Data kunjungan Wisatawan MancanegaraMengacu data yang diperoleh dari Badan Pusat Statistik (BPS) Indonesia, dan Dinas

Pariwisata Provinsi Bali diperoleh bahwa jumlah kunjungan wisatwan Mancanegara ke

Indonesia khusunya Bali cenderung meningkat. Data lengkapnya seperti ditunjukkan pada table

5.1 berikut:

Table 5.1 Jumlah Wisatawan Mancanegara Ke Indonesia Dan Bali Per TahunPeriode Tahun 1989 – Tahun 2013

Tahun

/Indonesia Bali

Year Total Growth (%) Total Growth (%)

1989 1 625 965 436 358

1990 2 051 686 26.18 489 710 12.23

1991 2 569 870 25.26 554 975 13.33

1992 3 060 197 19.08 735 777 32.58

1993 3 403 138 11.21 884 206 20.17

1994 4 006 312 17.72 1 030 944 16.60

1995 4 310 504 7.59 1 014 085 -1.64

1996 5 034 472 16.80 1 138 895 12.31

1997 5 184 486 2.98 1 230 316 8.03

1998 4 606 416 -11.15 1 187 153 -3.51

1999 4 600 000 -0.14 1 355 799 14.21

2000 5 064 217 10.09 1 412 839 4.21

2001 5 153 620 1.77 1 356 774 -3.97

2002 5 033 400 -2.33 1 285 842 -5.23

2003 4 467 021 -11.25 995 272 -22.60

of 56

16

Tabel 5.1 (lanjutan)

Tahun /

Year

Indonesia Bali

Total Growth (%) Total Growth (%)

2004 5 321 165 19.12 1 460 420 46.74

2005 5 002 101 -6.00 1 388 984 -4.89

2006 4 871 351 -2.61 1 262 537 -9.10

2007 5 505 759 13.02 1 668 531 32.16

2008 6 234 497 13.24 2 085 084 24.97

2009 6 323 730 1.43 2 385 122 14.39

2010 7 002 944 10.74 2 576 142 8.01

2011 7 649 731 9.24 2 826 709 9.73

2012 8 044 462 5.16 2 949 332 4.34

2013 8 802 129 9.42 3 278 598 11.16

Dari Tabel 5.1 terlihat ada penurunan jumlah kunjungan wisatawan mancanegara ke

Indonesia maupun ke Bali pada tahun-tahun tertentu yang disebabkan oleh berbagai hal. Tahun

1998 terjadi penurunan kunjungan wisatawan mancanegara ke Indonesia maupun Bali karena

terjadinya krisi moneter global. Tampak pula bahwa terjadinya bom Bali 1(12 Oktober 2002)

dan bom Bali 2 (1 Oktober 2005) sangat berdampak pada menurunnya kunjungan wisatawan

mancanegara baik ke Indonesia maupun Bali sampai tahun berikutnya.Setelah tragedi bom Bali

pemerintah Daerah Bali beserta pelaku pariwisata mulai gencar melakukan terobosan dan

promosi pariwisata ke berbagai negara. Hasil dari usaha tersebut membuahkan hasil yang cukup

menggembirakan mulai tahun 2007 atau dua tahun pasca bom Bali 2 jumlah kunjungan

wisatawan mancanegara ke Indonesia khususnya Bali mulai mengalami peningkatan yang

signifikan. Untuk lebih jelasnya Grafik perkembangan kunjungan wisatawan mancanegara ke

Indonesia maupun Bali pada periode tahun 1990-2013 dapat dilihat pada gambar 5.1, 5.2, dan

5.3 berikut:

of 56

17

201520102005200019951990

9000000

8000000

7000000

6000000

5000000

4000000

3000000

2000000

1000000

0

Tahun

jum

lah

wis

ataw

an(o

rang

)

ke-Indonesiake-Bali

Variable

Wisatawan Mancanegara ke Bali dan Indonesia

Gambar 5.1 Kunjungan Wisatawan ke Indonesia dan Bali Periode Th 1998-2013

201520102005200019951990

30

20

10

0

-10

Tahun

G-In

d

pertumbuhan Wisatawan Mancanegara ke Indonesia Periode 1990-2013

Gambar 5.2 Pertumbuhan Kunjungan Wisatawan mancanegara ke Indonesia PeriodeTahun 1990-2013

of 56

18

201520102005200019951990

50

40

30

20

10

0

-10

-20

-30

Tahun

G.Ba

liPertumbuhan Wisatawan Mancanegara ke Bali Periode 1990-2013

Gambar 5.3 Pertumbuhan Kunjungan Wisatawan mancanegara ke Bali Periode Tahun1990-2013

5.2 Pemodelan Kunjungan Wisatawan Mancanegara ke BaliPemodelan kunjungan wisatawan mancanegara dengan menggunakan analisis

kointegrasi antara jumlah wisatawan mancanegara dengan variabel-variabel bebas yang diamati

adalah: inflasi, nilai tukar, PDRB provinsi Bali, serta Indeks harga Konsumen (IHK) Indonesia.

Untuk mempermudah analisa nilai tukar digunakan nilai tukar dolar Amerika terhadap rupiah

dengan pertimbangan mata uang asing yang paling sering digunakan wisatawan adalah dolar

Amerika. Data yang diamati merupakan data bulanan dari bulan Januari 2004 sampai Juni 2014.

5.2.1 Uji Kestasioneran DataSebelum melakukan analisis kointegrasi maka perlu dilakukan pemeriksaan

kestasioneran data.

Pada penelitian ini uji kestasioneran menggunakan uji Augmented Dickey Fuller (ADF).

Untuk variabel-variabel penelitian di atas hipotesis yang akan diuji adalah

a) Jumlah wisatawan Mancanegara

(Jumlah kunjungan wisatawan mancanegara ke Bali memiliki unit root/tidak

stasioner),

of 56

19

(Jumlah kunjungan wisatawan mancanegara ke Bali tidak memiliki unit

root/stasioner).

b) PDRB

(PDRB memiliki unit root/tidak stasioner),

(PDRB tidak memiliki unit root/stasioner).

c) Inflasi

(inflasi memiliki unit root/tidak stasioner),

(inflasi tidak memiliki unit root/stasioner).

d) Nilai tukar

(kurs memiliki unit root/tidak stasioner),

(kurs tidak memiliki unit root/stasioner).

e) Indeks Harga konsumen Indonesia(IHK)

(IHK memiliki unit root/tidak stasioner),

(IHK tidak memiliki unit root/stasioner).

Pada penelitian ini tingkat kepercayaan yang digunakan adalah =10%. Hasil uji ADF

dapat dilihat pada tabel berikut

Table 5.2 Hasil Uji ADF Terhadap Variabel-Variabel Penelitian

Variabel Peluang Keterangan

PDRB (X1) 0.9989 Tidak Stasioner

Nilai tukar (X2) 0.3499 Tidak Stasioner

Tingkat inflasi (X3) 0.0000 Stasioner

IHK (X4) 0.3541 Tidak Stasioner

Jumlah kunjungan

wisatawan (Y)0.7019

Tidak Stasioner

Berdasarkan tabel 5.2 tanpak bahwa hanya inflasi yang stasioner (peluang=0.0000), sedangkan

variabel-variabel lain tidak stasioner. Karena inflasi stasioner pada level (0) maka variabel inflasi

tidak diikut sertakan dalam pengujian selanjutnya.

of 56

20

Langkah selanjutnya lakukan diferiansi (differencing) orde 1/I(1) terhadap variabel-

variabel yang tidak stasioner, lakukan uji ADF terhadap I(1) disebut dengan uji Integrasi. Hasil

uji Integrasi dapat dilihat pada table 5.3 berikut

Table 5.3 Hasil Uji Integrasi

Variabel Peluang ADF Keterangan

D(PDRB) 0.0025 Stasioner

D(Nilai tukar) 0.0000 Stasioner

D(Wisman) 0.0024 Stasioner

Berdasarkan table 5. 3 tampak bahwa pada diferensi-1 semua variabel sudah stasioner, karena

pada diferensi-1 semua variabel stasioner maka uji kointegrasi dapat dilakukan.

5.2.2 Uji KointegrasiKarena data pengamatan awal tidak stasioner, langkah selanjutnya mengidentifikasi

apakah terjadi kointegrasi. Uji kointegrasi dilakukan untuk melihat hubungan keseimbangan

jangka panjang antara variable-variabel yang telah memenuhi persyaratan selama proses

integrasi yaitu varabel-variabel penelitan menjadi stasioner pada difernsi-1, tetapi mempunyai

kombinasi linier yang stasioner. Adanya hubungan kointegrasi dalam sebuah sistem persamaan

mengimplikasikan bahwa dalam sistem tersebut terdapat Error Correction Model yang

menggambarkan adanya dinamisasi jangka pendek secara konsisten dengan hubungan jangka

panjangnya antar variabel yang diamati. Uji kointegrasi diperoleh dengan cara membuat

persamaan regresi variabel bebas terhadap variabel terikat dengan metode MKT, selanjutnya

selidiki kestasioneran residualnya, jika residual stasioner maka terbukti ada kointegrasi antar

variabel-variabel penelitian. Hasil pengujian kestasioneran residual dapat dilihat pada table

berikut:

Table 5.4 Uji Unit ADF Terhadap Residual

Null Hypothesis: RES has a unit root

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -5.272603 0.0000

Test critical values: 1% level -3.485115

of 56

21

5% level -2.885450

10% level -2.579598

Karena nilai peluang statistic ADF =0.000, ini berarti residual stasioner, hasil ini

mengindikasikan terjadi kointegrasi antara variabel-variabel penelitian.

Uji kointegrasi sensitif terhadap panjang lag yang dipilih, maka akan ditentukan terlebih

dahulu panjang lag yang sesuai Penentuan panjang lag dilakukan dengan nilai AIC yang terkecil.

Prosedur pemilihan panjang lag dilakukan dengan memilih beberapa panjang lag dan

menghitung nilai AIC untuk masing-masing persamaan dengan panjang lag yang berbeda.

Berikut ini dicantumkan tabel hasil panjang lag optimal berdasarkan AIC pada Tabel 5.4 yang

ditandai dengan tanda *.

Table 5.5 Panjang Lag Maksimal

Lag LogL AIC SC HQ

0 -4013.829 68.08185 68.15229 68.11045

1 -3558.738 60.52098 60.80275 60.63539

2 -3535.836 60.28535 60.77844* 60.48556

3 -3531.690 60.36763 61.07204 60.65364

4 -3499.922 59.98173 60.89747 60.35355*

5 -3489.428 59.95640* 61.08346 60.41402

Tampak bahwa nilai AIC terkecil terdapat pada panjang lag 5 , sehingga uji kointegrasi

menggunakan panjang lag tersebut. Dalam penelitian ini, uji kointegrasi dilakukan dengan

menggunakan metode Johansen. Variabel-variabel yang akan diuji harus merupakan variabel

yang stasioner pada derajat yang sama atau pada orde d, yaitu jumlah kunjungan wisman, nilai

tukar,inflasi dan PDRB Provinsi Bali.

Uji hipotesis yang digunakan

banyaknya vektor kointegrasi ,

banyaknya vektor kointegrasi .

of 56

22

Table 5.6 Hasil Uji kointegrasi dengan Metode Johansen’s Contegration Test (Trace Test)

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.452752 113.1016 69.81889 0.0000

At most 1 0.240061 41.96501 47.85613 0.1597

At most 2 0.067898 9.572036 29.79707 0.9859

At most 3 0.009509 1.275121 15.49471 0.9997

At most 4 0.001251 0.147672 3.841466 0.7008

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level

Table 5.7 Hasil Uji kointegrasi dengan Metode Johansen(maximum eigenvaluestatistics)

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05


None * 0.452752 71.13658 33.87687 0.0000

At most 1 * 0.240061 32.39298 27.58434 0.0111

At most 2 0.067898 8.296915 21.13162 0.8846

At most 3 0.009509 1.127449 14.26460 0.9997

At most 4 0.001251 0.147672 3.841466 0.7008

Berdasarkan Tabel 5.6 dan Tabel 5.7 dapat dilihat bahwa nilai trace statistic dan maximum

eigenvalue pada lebih kecil dari critical value dengan tingkat dignifikansi 5%. Hal ini

berarti hipotesis nol yang menyatakan bahwa tidak ada kointegrasi ditolak. Tampak pula terdapat

1 buah vector kointegrasi.

of 56

23

Table 5.8 Hasil Estimasi Persamaan Jangka Panjang

Variable Coefficient Std. Error t-Statistic Prob.

C 21558.32 35555.52 0.606328 0.5455PDRB 0.131144 0.004933 26.58442 0.0000

INFLASI -457.0879 2329.915 -0.196182 0.8448NILAI_TUKAR -2.063307 2.520380 -0.818649 0.4146

IHK_IND -835.4468 152.8403 -5.466143 0.0000

R-squared 0.888632 Mean dependent var 187325.4Adjusted R-squared 0.884889 S.D. dependent var 64632.97S.E. of regression 21928.71 Akaike info criterion 22.86847Sum squared resid 5.72E+10 Schwarz criterion 22.98219Log likelihood -1412.845 Hannan-Quinn criter. 22.91466F-statistic 237.3828 Durbin-Watson stat 0.749098Prob(F-statistic) 0.000000

5.2.3 Uji ECMAdanya kointegrasi menunjukkan adanya hubungan keseimbangan jangka panjang antar

variabel-variabel penelitian. Walaupun dalam jangka panjang terjadi keseimbangan, dalam

jangka pendek bisa saja variabel-variabel tersebut tidak mencapai keseimbngan. Terjadinya

perbedaan tersebut dapat diatasi dengan menggunakan Erorr Corection Mechanism(ECM).

Table 5.9 Hasil Estimasi Persamaan Jangka Pendek


C -43.35973 1948.153 -0.022257 0.9823D(PDRB) 0.086034 0.040060 2.147647 0.0338

D(INFLASI) -700.7598 1336.686 -0.524252 0.6011D(NILAI_TUKAR) 0.302915 5.758796 0.052600 0.9581

D(IHK_IND) 786.3204 1337.294 0.587994 0.5577RES(-1) -0.371849 0.073757 -5.041523 0.0000

R-squared 0.194759 Mean dependent var 1784.033Adjusted R-squared 0.159749 S.D. dependent var 18530.52S.E. of regression 16986.04 Akaike info criterion 22.36649Sum squared resid 3.32E+10 Schwarz criterion 22.50512Log likelihood -1347.172 Hannan-Quinn criter. 22.42279F-statistic 5.562877 Durbin-Watson stat 1.823686

of 56

24

Prob(F-statistic) 0.000126

Probabilitas ECT= 0.000< 0.05 dan probabilitas F= 0.000126 <0.05 menunjukkan bahwa

model valid untuk menggambarkan dinamika jangka pendek. Nilai koefisien koreksi

ketidakseimbangan untuk model kunjnungan wisatawan mancanegar ke Bali 0.371849

menunjukkan bahwa ketidak seimbangan periode sebelumnya terkoreksi pada periode sekarang

sebesar 0.371849. Ini berarti kecepatan residual pada periode sebelumnya untuk mengoreksi

perubahan variabel kunjungan wisatawan mancanegara ke Bali menuju keseimbangan pada

periode selanjutnya sebesar 37.185% .

5.2.4. Uji Kebaikan ModelPada analisis regresi yang menggunakan MKT haruslah memenuhi beberapa asumsi

klasik yaitu : residual harus menyebar normal, data harus homogenen (tidak terjadi

Heteroscedastisitas ), tidak terjadi Multicolinearitas, serta tidak ada Autokorelasi. Berikut hasil

pengecekan asumsi

a. Uji Kenormalan

Ho : error term/residual berdistribusi normal

H1 : error term tidak berdistribusi normal

Untuk menguji kenormalan dalam penelitian ini digunakan statisttik Jarque-Berra

Jika p-value < ɑ, maka Ho ditolak

Hasil uji kenormalan dapat dilihat pada gambar berikut

0

4

8

12

16

20

24

-60000 -40000 -20000 0 20000 40000 60000

Ser ies: R esidua lsSamp le 2004M01 2014M06O bserva tions 124

Mean 2 .00e -12Med ian -3204 .069Maximum 59628 .66Min imum -57984 .70Std . D ev. 21569 .20Skewness 0 .400819Kurtos is 3 .120524

Ja rque -Bera 3 .395279Probab ility 0 .183115

Gambar 5.4 Hasil uji kenormalan

of 56

25

Dari gambar 5.4 dan nilai Probabilitas 0.183115 > tingkat signifikansi 0.10 ini menunjukkan

error term berdistribusi normal

b. Uji Heteroscedastisitas

Uji yang digunakan adalah uji White, hipotesis yang digunakan

Ho : error term/residual homogeny/tidak ada heteroscedastisitas

H1 : error term tidak homogeny/ada heteroscedastisitas

Jika p-value < ɑ, maka Ho ditolak

Table 5.10 Hasil Uji White

F-statistic 0.312536 Prob. F(4,119) 0.8691Obs*R-squared 1.289127 Prob. Chi-Square(4) 0.8632Scaled explained SS 1.258807 Prob. Chi-Square(4) 0.8683

Karena nilai peluang Obs*R-squared=0.8691 . 0.05 maka Ho diterima, ini menunjukkan

tidak terjadi heteroscedastisitas

c. Uji Multikolinearitas

Multikolinearitas berarti adanya hubungan linear yang sempurna antara beberapa atau

semua variabel yang menjelaskan model regresi. jika koefisien korelasi antara masing-masing

variabel bebas lebih besar dari 0.8, berarti terjadi multikolinearitas dalam model regresi.

PDRB INFLASI NILAI_TUKARIHK_IND

PDRB 1.000000 -0.106537 0.384136 -0.242431

INFLASI -0.106537 1.000000 -0.011661 -0.033763

NILAI_TUKAR 0.384136 -0.011661 1.000000 -0.347732

IHK_IND -0.242431 -0.033763 -0.347732 1.000000

Tampak bahwa koefisien korelasi antara masing-masing variabel semuanya bernilai <

0.8, ini mengindikasikan bahwa tidak terjadi multikolinearitas antar variabel.

d. Uji Autokorelasi

Hipotesis yang digunakan

Ho : tidak ada korelasi serial

H1 : ada korelasi serial

Uji yang digunakan adalah Breusch-Godfrey Serial Correlation LM Test:

of 56

26

Table 5.11 Hasil Uji Breusch-Godfrey Serial Correlation LM :

F-statistic 35.79538 Prob. F(2,117) 0.6986

Obs*R-squared 47.07152 Prob. Chi-Square(2) 0.1002

Hasil Uji Breusch-Godfrey Serial Correlation LM menunjukkan bahwa tidak terjadi

autokorelasi.

Berdasarkan uji kelayakan model yang telah dilakukan sebelumnya dapa ditunjukkan

bahwa semua asumsi klasik dipenuhi, maka estimasi model regresi yang diperoleh telah

cocok/layak digunakan.

5.2.5 Interpretasi Koefisien Persamaan Jangka Panjang dan Jangka PendekDari tabel 5.8 model persamaan jangka panjang sebagai berikut :


Dengan nilai R2=0.888632

Interpretasi dari hasil estimasi jangka panjang model ECM dapat dijelaskan sebagai berikut :

1. Koefisien PDRB terhadap Wisman positif 0.13114, berarti jika terjadi kenaikan PDRB

sebesar 1%, maka terjadi pula kenaikan kunjungan wisman sebesar 0.13114%.

2. Koefisien Nilai tukar negative 2.063307 , menunjukkan antara nilai tukar rupiah terhadap

dolar AS berlawan dengan jumlah kunjungwisatawan mancanegara ke Bali. Menguatnya

nilai tukar rupiah terhadap dollar AmerikaSerikat berarti melemahnya nilai dolar

Amerika terhadap rupiah, berdampak menurunnya jumlah wisatawan yang datang ke

Bali. Meningkatnya nilai tukar rupiah terhadap dolar 1% akan menurunkan jumlah

wisatawan atang mancanegara yang ke Bali sebesar 2.063307%

3. Koefisien IHK negatif 835.4468, berarti jika terjadi kenaikan IHK Indonesia akan

menurunkan jumlah kunjungan wisatwan mancanegara ke Bali

Persamaan jangka pendek sebagai berikut :

ΔWismant =-43.35973+0.086034Δ PDRBt +0.086034Δ Nilai tukart +786.3204ΔIHKt

– 0.371849 ΔECT(-1)

Interpretasi dari hasil estimasi jangka pendek model ECM dapat dijelaskan sebagai berikut :

Berdasarkan table 5.9 hanya variabel PDRB yang signifikan, ini menunjukkan dalam jangka

pendek hanya PDRB yang mempengaruhi kedatangan wisatawan mancanegara keBali. Kenaikan

of 56

27

1% PDRB Bali menunjukkan kenaikan jumlah kunjungan wisatawan mancanegara ke Bali

sebesar 0.086034%.

5.3 Pemodelan Kunjungan Wisatawan China ke BaliDari kawasan Asia wisatawan yang paling banyak datang ke Bali berasal dari China.,

Berbeda dengan pemodelan wisatawan mancanegara,variabel bebas yang diuji ditambahkan

harga pariwisata.Hal ini sesuai dengan apa yang diungkapkan oleh Song (2012) bahwaq salah

satu penyebab kunjungan wisatawan ke suatu destinasi adalah harga pariwisata..

Pada penelitian ini akan dicari kointegrasi antara permintaan pariwisata(Y) dengan harga

pariwisata(X1),nilai tukar(X2), tingkat inflasi(X3), dan indeks harga konsumen Indonesia(X4)

dengan menggunakan metode Error Correction Model (ECM).

Permintaan pariwisata diproksi dengan jumlah kunjungan wisatawan, harga pariwisata

diproksi dengan

IHKt

exIHKaHP

/

Dengan

HP = harga pariwisata,

IHKa= indeks harga konsumen negara asal

Ex= nilai tukar

IHKt= indeks harga konsumen Indonesia.

Dalam penelitian ini tingkat kepercayaan yang digunakan adalah 15%, prosentase yang seringdipakai pada penelitian ekonomi

5.3.1 Unit Root TestMetode yang digunakan uji Augmented Dickey Fuller (ADF).Uji ini digunakan untuk

mengatasi kemungkinan adanya serial correlation atau adanya korelasi pada suku galat atau

residual. Dengan menggunakan uji ADF, maka variabel diasumsikan mengikuti persamaan (14),

dengan merupakan operator differencing pertama. Prosedur penentuan panjang lag difference

adalah memasukkan lag tertentu ke dalam persamaan (14), misal , kemudian menguji

apakah terdapat serial correlation pada residual. Apabila terdapat serial correlation, maka

of 56

28

dilanjutkan dengan memasukkan lag demikian seterusnya hingga tidak terdapat

serial correlation. Proses iterasi untuk menentukan panjang lag hingga tidak terdapat serial

correlation dibantu dengan menggunakan software EViews.

hipotesis sebagai berikut.

1. Permintaan Pariwisata

(Permintaan Pariwisata memiliki unit root/tidak stasioner),

(Permintaan Pariwisata tidak memiliki unit root/stasioner).

2. Harga Pariwisata

(Harga Pariwisata memiliki unit root/tidak stasioner),

(Harga Pariwisata tidak memiliki unit root/stasioner).

3. Inflasi

(inflasi memiliki unit root/tidak stasioner),

(inflasi tidak memiliki unit root/stasioner).

4. Nilai tukar

(kurs memiliki unit root/tidak stasioner),

(kurs tidak memiliki unit root/stasioner).

5. Indeks Harga konsumen Indonesia(IHK)

(IHK memiliki unit root/tidak stasioner),

(IHK tidak memiliki unit root/stasioner).

Untuk masing-masing hipotesis dari variabel yang diteliti kriteria penerimaan adalah apabila

nilai statistik uji (tau) lebih besar dari nilai kritis pada table Dickey-Fuller(DF) atau nilai

probabilitas yang lebih besar dari 0.15.

of 56

29

Hasil Uji ADF dapat dilihat pada tabel berikut

Table 5.12 Hasil Uji ADF secara Simultan

Method Statistic Prob.**

ADF - Choi Z-stat 0.07724 0.5308

** Probabilities for Fisher tests are computed using an asymptoticChi-square distribution. All other tests assume asymptoticnormality.

Table 5.13 Hasil Uji ADF secara Individu

Series Prob. Lag Max Lag Obs

X1 0.8504 0 10 63

X2 0.9817 1 10 62

X3 0.0000 1 10 62

X4 0.3541 0 10 63

Y 0.9986 6 10 57

Berdasarkan tabel 5.12 tanpak bahwa nilai statistic ADF >-2.88719, demikian juga

nilai peluang > 0.15, berarti ada variabel yang tidak stasioner, Selanjutnya diselidiki variabel-

variabel apa saja yang tidak stasioner,berdasarkan nilai peluang pada tabel 5.13 tanpak bahwa

hanya inflasi yang stasioner (peluang=0.0000), sedangkan variabel-variabel lain tidak stasioner.

Supaya vanriabel-variabel tersebut menjadi stasioner, maka diasumsikan variabel-variabel

tersebut stasioner pada order satu I(1) dengan melakukan differencing terhadap variable-variabel

tersebut selanjutnya lakukan uji ADF lagi. Hasil uji ADF untuk I(1) dapat dilihat pada table 5.3.

of 56

30

Table 5.14 Hasil Uji ADF Untuk I(1)

Series Prob. Lag Max Lag Obs

D(X1) 0.0000 0 10 62

D(X2) 0.0000 0 10 62

D(X3) 0.0000 3 10 59

D(X4) 0.0000 0 10 62

D(Y) 0.0000 5 10 57

Pada differencing-1 semua variable sudah stasioner, karena nilai peluangnya semua

bernilai nol < 0.15. Langkah selanjutnya menentukan panjang Lag optimal.

5.3.2 Penentuan Panjang Lag OptimalPenentuan panjang lag dilakukan dengan nilai AIC yang terkecil. Prosedur pemilihan

panjang lag dilakukan dengan memilih beberapa panjang lag dan menghitung nilai AIC untuk

masing-masing persamaan dengan panjang lag yang berbeda. Semakin kecil nilai AIC maka

semakin baik model yang digunakan dan sebaliknya, sehingga panjang lag yang digunakan

adalah panjang lag dari persamaan dengan nilai AIC terkecil. Berikut ini dicantumkan tabel hasil

panjang lag optimal berdasarkan AIC pada Tabel 5.4 yang ditandai dengan tanda *.

Table 5.15 Panjang Lag Optimal

Lag AIC

0 25.037991 16.727102 16.828493 16.525394 16.383055 16.214816 14.859737 14.377688 12.98178*

of 56

31

Nilai AIC terkecil diperoleh pada lag ke-8, berdasarkan panjang lag tersebut dilakukanuji kointegrasi.

5.3.3 Uji Kointegrasi JohansenDalam penelitian ini, uji kointegrasi dilakukan dengan menggunakan metode Johansen.

Variabel-variabel yang akan diuji harus merupakan variabel yang stasioner pada derajat yang

sama atau pada orde d,dalam hal ini digunakan orde 1, karena pada orde 1 semua variable sudah

stasioner (table 5.3)

Hipotesis yang digunakan sebagai berikut:

banyaknya vektor kointegrasi ,

banyaknya vektor kointegrasi .

Apabila nilai trace statistic dan maximum eigenvalue lebih besar daripada nilai kritis pada

tingkat kepercayaan adalah 15 % atau nilai probabilitas lebih kecil dari adalah 15 % maka

hipotesis nol ditolak yang artinya terjadi kointegrasi.

Table 5.16 Hasil Uji Johansen (Trace Statistics)

Hipotess Nol Trace 0.05


None * 0.944021 351.5330 69.81889 0.0001

At most 1 * 0.887176 192.9806 47.85613 0.0000

At most 2 * 0.500864 72.97491 29.79707 0.0000

At most 3 * 0.381264 34.75673 15.49471 0.0000

At most 4 * 0.140895 8.352520 3.841466 0.0039

Trace test indicates 5 cointegrating eqn(s) at the 0.05 level

of 56

32

Table 5.17 Hasil Uji Johansen(Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.944021 158.5524 33.87687 0.0001At most 1 * 0.887176 120.0057 27.58434 0.0000At most 2 * 0.500864 38.21818 21.13162 0.0001At most 3 * 0.381264 26.40421 14.26460 0.0004At most 4 * 0.140895 8.352520 3.841466 0.0039

Max-eigenvalue test indicates 5 cointegrating eqn(s) at the 0.05 level

Berdasarkan tabel 5.16 dan 5.17 dapat dilihat bahwa terjadi kointegrasi variable-variabel

penelitian, ini menunjukkan terjadi keseimbangan jangka panjang antara permintaan pariwisata

dengan harga pariwisata, nilai tukar, tingkat inflasi, dan indeks harga konsumen Indonesia.

Berdasrkan hasil uji kointegrasi Johansen diperoleh 4 persamaan kointegrasi/kesemibangan

jangka panjang. Hasil taksiran jangka panjang koefisien kointegrasi beserta standar errornya

sebagai berikut

Table 5.18 Model Persamaan Kointegrasi 1

Eigenvalue)1 CointegratingEquation(s): Log likelihood -84.22364

Y X1 X2 X3 X41.000000 -7.33E+08 -316.0589 -467.9880 -3871.402

(6.0E+07) (23.7586) (2013.68) (336.664)

Persamaan Kointegrasi yang terbentuk adalah

Yt=-7.33E+08X1t - 316.0589-467.9880X3t-3871.402X4t

Dengan koefisien koreksi keseimbangan seperti yang tercantum pada tabel berikut:

Table 5.19 Koefisien Koreksi Keseimbangan Model 1

Variabel koefisien Standar error

D(Y) -0.065626 0.62722

D(X1) -5.28E-10 5.4E-10

D(X2) -0.003327 0.00116

D(X3) 3.50E-05 4.0E-05

of 56

33

Table 5.20 Persaman Kointegrasi 2

2 CointegratingEquation(s):

Loglikelihood -24.22079

Y X1 X2 X3 X41.000000 0.000000 -28.82624 10769.98 283.2453

(2.61378) (2145.95) (41.2399)0.000000 1.000000 3.92E-07 1.53E-05 5.67E-06

(3.6E-09) (3.0E-06) (5.7E-08)

Keterangan nilai dalam kurung merupakan standar error.

Koefisien koreksi keseimbangan Model 2 dapat dilihat pada table berikut::

Table 5.21 Koefisien Koreksi Keseimbangan Model 2

Table 5.22 Persaman Kointegrasi 3

3 CointegratingEquation(s):

Loglikelihood -5.111697

X1 X2 X3 X40.000000 0.000000 24726.52 504.5386

(4726.08) (70.7340)1.000000 0.000000 -0.000174 2.66E-06

(4.3E-05) (6.5E-07)0.000000 1.000000 484.1611 7.676800

(111.211) (1.66447)

D(X4) 0.000487 0.00011

Variabel Koefisien pers.1 Standar error 1 Koefisienpers.2

Standar error 2

D(Y) 0.203598 0.77892 0.77892 5.5E+08

D(X1) -1.77E-09 3.8E-10 -0.452143 0.27249

D(X2) -0.000522 0.00069 4334169 492830

D(X3) 2.25E-05 5.0E-05 -34049.70 35895.5

D(X4) 0.000702 9.2E-05 -210847.6 65504.9

of 56

34

Nilai Koefisien Keseimbangan Model kointegrasi 3

D(Y) 0.226589 2.25E+08 80.98554

(2.17285) (7.3E+08) (374.381)

D(X1) -3.45E-09 -0.057573 1.22E-07

(9.4E-10) (0.31710) (1.6E-07)

D(X2) -0.001519 4568108. 1.861489

(0.00191) (641442.) (0.32856)

D(X3) 0.000248 -86906.25 -0.047216

(0.00012) (41570.8) (0.02129)

D(X4) 0.000922 -262523.7 -0.135388

(0.00025) (83423.9) (0.04273)

Table 5.23 Persamaan Kointegrasi 4

4 Cointegrating Equation(s): Log likelihood 8.090407

Y X1 X2 X3 X41.000000 0.000000 0.000000 0.000000 517.5825

(124.182)0.000000 1.000000 0.000000 0.000000 2.57E-06

(9.0E-07)0.000000 0.000000 1.000000 0.000000 7.932208

(2.45003)0.000000 0.000000 0.000000 1.000000 -0.000528

(0.00491)Nilai Koefisien keseimbangan model 4

D(Y) -0.862817 6.53E+08 324.2353 -16718.61

(1.85572) (6.3E+08) (325.997) (15637.7)

D(X1) -3.26E-09 -0.133711 7.84E-08 -1.24E-05

(9.5E-10) (0.32143) (1.7E-07) (8.0E-06)

D(X2) -0.001679 4630876. 1.897119 63.29560

(0.00196) (665066.) (0.34367) (16.4857)

D(X3) 0.000202 -68922.75 -0.037008 -2.502146

(0.00012) (39430.0) (0.02038) (0.97739)

D(X4) 0.000831 -226736.4 -0.115074 1.207012

(0.00023) (79263.0) (0.04096) (1.96478)

of 56

35

Keteranag nilai dalam kurung merupakan standar error

5.3.4 Error Corection Model (ECM)Error Corection Model (ECM) dipakai untuk menyajikan keseimbangan jangka panjang

dan ketakseimbangan jangka pendek antara variable-variabelnya, sehingga diperoleh model

yang lebih sesuai dan lebih presisi dipakai dalam peramalan.

Table 5.24 Estimasi jangka Panjang


C 169335.8 153338.5 1.104327 0.2739

X1 -1.20E+08 97131757 -1.232705 0.2226

X2 8.049275 31.78363 0.253252 0.8010

X3 1388.212 2016.865 0.688302 0.4940

X4 -704.3426 420.9729 -1.673130 0.0996

R-squared 0.653053 Mean dependent var 30645.63F-statistic 27.76374 Durbin-Watson stat 1.822533Prob(F-statistic) 0.000000

Tampak nilai P untuk statistic F=0.0000< 0.05 menunjukkan model signifikan dengan kata lain

secara bersama-sama ada keseimbangan jangka panjang antara Permintaan pariwisata, dengan

harga pariwisata, nilai tukar China terhadap rupiah, inflasi dan IHK Indonesia. Nilai R2 =0.653

menunjukkan model yang diperoleh mampu menjelaskan variabel terikat sebesar 65.3%

sedangkan sisanya merupakan variabel lain yang tidak masuk dalam model.

Persamaan jangka panjang diperoleh

Yt=169335.8--1.20E+08X1t+8.049275X2t+1388.212X3t+-704.3426X4t

Table 5.25 Estimasi jangka Pendek


C 553.5122 1335.839 0.414355 0.6802

of 56

36

D(X1) 1.54E+08 3.23E+08 0.477316 0.6350

D(X2) 51.11032 92.42030 0.553020 0.5824

D(X3) -621.3235 1751.117 -0.354816 0.7240

D(X4) 202.0444 1073.063 0.188288 0.8513

RES(-1) -0.934484 0.132573 -7.048823 0.0000

R-squared 0.497508 Mean dependent var 553.0794

F-statistic 11.28694 Durbin-Watson stat 1.922629

Prob(F-statistic) 0.000000

Tampak nilai probabilitas F-statistic < alpha (0.10) menunjukkan variable-variabel

bebas berpengaruh pada jangka pendek. Nilai koefisien koreksi ketidakseimbangan 0.934

menunjukkan bahwa ketidak seimbangan periode sebelumnya terkoreksi pada periode sekarang

sebesar 0.934. Ini berarti kecepatan residual pada periode sebelumnya untuk mengoreksi

perubahan variabel kunjungan wisatawan China ke Bali menuju keseimbangan pada periode

selanjutnya sebesar 93.4% .

Model jangka pendek diperoleh

ΔYt =553.5122+1.54E+08ΔX1t+51.11032ΔX2t +-621.3235ΔX3t +202.0444ΔX4t-

0.934484ΔECTt-1

Berdasarkan model tersebut dapat disimpulkan dalam jangka pendek hanya variabel harga

pariwisata yang berpengaruh signifikan terhadap kunjungan wisatwan China ke Indonesia.

Peningkatan harga pariwisata sebesar 1 satuan akan menurunkan kunjungan wisatawan asal China ke

Bali sebesar 1.2E+08. Adanya hubungan negatif tersebut menunjukkan bahwa jika harga pariwisata

meningkat menyebabkan wisatawan asal China yang berkunjung ke Bali akan berkurang. Ini sesuai

dengan hukum ekonomi bahwa jika harga produk meningkat pembeli akan berkurang dan beralih ke

of 56

37

produk sejenis yang lebih murah. Sedangkan nilai tukar dan IHK tidak berpengaruh secara signifikan

terhadap kunjungan wisatawan China ke Bali.

of 56

38

BAB VI

KESIMPULAN DAN SARAN

6.1 KesimpulanBerdasarkan uraian pada bab-bab sebelumnya dapat disimpulkan :

1. Secara umu terjadi kointegrasi antara jumlah kunjungan wisatawan mancanegara ke Bali

dengan PDRB, harga pariwisata, nilai tukar ,inflasi dann Indeks harga konsumen

Indonesia.

2. Model kunjungan wisatwan mancanegara ke Bali mempunyai 1 persamaan kontegrasi,

sedangkan untuk pengamatan khusus nwisatawan China persamaan kointegrasi yang

terjadi sebanyak 4

3. Nilai koefisien koreksi ketidakseimbangan untuk model kunjungan wisatawan

mancanegara ke Bali 0.371849 berarti kecepatan residual pada periode sebelumnya untuk

mengoreksi perubahan variabel kunjungan wisatawan mancanegar ke Bali menuju

keseimbangan pada periode selanjutnya sebesar 37% . Sedangkan koefisien koreksi

ketidakseimbangan untuk model kujnungan wisatawan China ke Bali 0.934 menunjukkan

bahwa ketidak seimbangan periode sebelumnya terkoreksi pada periode sekarang sebesar

93.4% .

6.2 SaranKarena terjadi keseimbangan jangka panjang antara variabel-variabel penelitian, terutama

harga pariwisata diharapkan para pengambil kebijakan serta pelaku industri pariwisata dapat

membuat inovasi-inovasi paket wisata yang khas sehingga selalu dapat menarik wisatawan

mancanegara ke Bali.

of 56

39

Daftar PustakaAlbaladejo, I.P., González-Martínez,M.I. Martínez-García.M.P. (2014).Quality and endogenous

tourism: An empirical approach. Tourism Management, Volume 41, April 2014, Pages141-147

Alegre, J. & Pou, L. (2006).The length of stay in demandfor tourism.Tourism Management,27(6), 1343–1355.

Algieri, B. (2006). An econometric estimation of thedemand for tourism: The case of Russia.TourismEconomics, 12(1), 5–20.

Alleyne, D. (2006). Can seasonal unit-root testing improveforecasting accuracy of touristarrivals? TourismEconomics, 12(1): 45–64.

Akal,M. (2004). Forecasting Turkey’s tourism revenues by ARMAX model.TourismManagement.25, 565–580.

Akturk T. and C.C. Kucukozmien. (2012). Tourism Demand for Turkey: Models, Analysis andResults. Working Paper.Middle East Technical University, Ankara Institute of AppliedMathematics.http://www.coskunkucukozmen.com/wp-content/uploads/2012/02/g5.pdfAccessed: 8 February 2014

Apergis, N., Payne, J.E. (2012). Tourism and growth in the Caribbean – evidence from a panelerror correction model. Tourism Economics, Volume 18, Number 2, April 2012 , pp.449-456(8)

Asemota O.J. and D. A. Bala.(2012). Modeling Tourism Demand in Japan Using Cointegrationand Error correction Model.International Review of Business Research Papers.Vol. 8.No.2. March 2012. Pp. 29 – 43

Brida, J.G., Cortes-jimenez, I., Pulina, M.(2013).Has the tourism-led growth hypothesis beenvalidated? A literature review, Current Issues in Tourism, 2013, p.1-37

Brida, J. G., Lanzilotta, B., Pereyra, J. S., Pizzolon, F. (2013). A nonlinear approach to thetourism-led growth hypothesis: the case of the MERCOSUR. Current Issues in Tourism,2013, p.1-20

Burger, C. J. S. C., Dohnal, M., Kathrada, M., & Law, R.(2001).A practitioners guide to time-series methods fortourism demand forecasting-A case study of Durban,South Africa.Tourism Management, 22(4), 403–409.

Coshall, J.T and R. Charlesworth. (2011). A management orientated approach to combinationforecasting of tourism demand.Tourism Management, Volume 32, Issue 4, August 2011,Pages 759-769

of 56

40

Daniel, A.C.M., Rodrigues, P.M.M.(2012). Assessing the impact of shocks on international tourismdemand for Portugal.Tourism Economics, 18, 3, 617-634(18)

Kuo, H., Liu, K.E., Chen, C. (2014).Modeling Japanese Tourism Demand for Asian Destinations: ADynamic AIDS Approach.Asia Pacific Journal of Tourism Research, 2014, Vol.19(1),p.86-102

Li, C. M. Rosli, A., and O.S. Chuan (2013).Economic Growth, Tourism and SelectedMacroeconomic Variabels: A Triangular Causal Relationship in MalaysiaMargin: TheJournal of Applied Economic Research, 2013, Vol.7(2), pp.185-206

Lee, K. N. (2011). Forecasting long-haul tourism demand for Hong Kong using error correctionmodels, Applied Economics, 2011, Vol.43(5), p.527-549

Louw S. and A. Saayman.(2013).Forecasting Tourism Demand forSouth Africa Using a SingleEquation Causal Approach. Quantitative Method In Tourism Economics. DOI10.1007/978-3-7908-2879-5_5.Springer-Verlag Berlin Heidelberg

Mathias A. et al. (2013).Tourism Growth Versus Economic Development: An Analysis byMultivariate Techniques. Quantitative Method In Tourism Economics, DOI10.10007/978-3-7908-2879-5_13. Springer-Verlag Berlin Heidelberg.

Otero-Giráldez M., Álvarez-Díaz M., González-Gómez M.(2012). Estimating the long-runeffects of socioeconomic and meteorological factors on the domestic tourism demand forGalicia (Spain).Tourism Management, 2012, Vol.33(6), pp.1301-1308

Song, H., Kim J. H., Yang S. (2010). Confidence Intervals for Tourism DemandElasticity,Annals of Tourism Research, 2010, Vol.37(2), pp.377-396

Song H., S. F. Witt, and G. Li .(2012). The Advanced Econometrics of Tourism Demand.Routledge.

Song, H., Dwyer, L., Li, G., Cao, Z. (2012). Tourism economics research: A review and

assessment. Annals of Tourism Research, 2012, Vol.39(3), pp.1653-1682

of 56

41

LAMPIRAN

Lampiran 1 Data Kedatanagn Wisatawan Mancanegara ke Bali

Indeks Periode PDRB Wisman InflasiNilaiTukar

IHK-Ind

1 Jan-04 1613334 104057 1.36 8395 118.53

2 Feb-04 1610451 84368 -0.36 8425 118.33

3 Mar-04 1613419 99826 0.67 8569 120.59

4 Apr-04 1626565 111022 0.44 8608 121.00

5 May-04 1637991 117191 0.98 8965 121.25

6 Jun-04 1652023 131685 0.44 9382 121.86

7 Jul-04 1675739 148086 -0.03 9037 122.81

8 Aug-04 1689676 155000 -0.21 9235 123.48

9 Sep-04 1700911 141900 -0.43 9183 124.33

10 Oct-04 1701798 128399 0.27 9096 135.15

11 Nov-04 1713366 110506 0.72 9031 136.92

12 Dec-04 1727969 125525 1.98 9223 136.86

13 Jan-05 1758084 102146 1.09 9204 138.72

14 Feb-05 1769398 100839 -0.16 9245 139.53

15 Mar-05 1774389 117340 2 9371 139.57

16 Apr-05 1762258 116486 -0.2 9539 139.64

17 May-05 1762699 116814 0.09 9480 140.16

18 Jun-05 1764915 136544 -0.07 9616 140.79

19 Jul-05 1782465 158731 0.84 9799 141.42

20 Aug-05 1778059 157456 0.92 9987 141.88

21 Sep-05 1765256 162307 0.07 10233 142.42

22 Oct-05 1733660 81343 6.86 10093 143.65

23 Nov-05 1711863 62894 0.42 10041 144.14

24 Dec-05 1689468 76084 -0.9 9857 145.89

25 Jan-06 1639576 80002 0.91 9493 147.41

26 Feb-06 1636159 73075 1.73 9253 148.32

27 Mar-06 1652318 84262 -0.22 9172 148.67

28 Apr-06 1703274 104044 0.14 8937 148.43

29 May-06 1747169 101951 -0.05 8985 148.58

30 Jun-06 1799224 109825 0.47 9363 148.92

31 Jul-06 1877457 122323 0.27 9125 149.99

32 Aug-06 1932319 118441 -0.41 9094 151.11

33 Sep-06 1981827 118551 0.01 9143 152.32

34 Oct-06 2049778 112876 0.61 9187 153.53

of 56

42

35 Nov-06 2070734 114081 0.29 9135 153.81

36 Dec-06 2068489 123106 0.46 9087 155.50

37 Jan-07 2006235 109875 1.67 9067 158.26

38 Feb-07 1985198 118483 0.26 9068 159.29

39 Mar-07 1968568 119458 0.25 9164 160.81

40 Apr-07 1956790 125393 0.32 9098 161.73

41 May-07 1948642 129039 -0.09 8844 164.01

42 Jun-07 1944568 145500 0.06 8984 110.08*)

43 Jul-07 1951481 164972 0.44 9067 111.59

44 Aug-07 1950370 167031 0.36 9367 112.16

45 Sep-07 1948148 152804 0.55 9310 113.25

46 Oct-07 1933951 146385 0.04 9107 113.76

47 Nov-07 1937654 142124 0.74 9264 113.90

48 Dec-07 1948395 147467 1.17 9334 113.86

49 Jan-08 1975556 147799 2.5 9406 113.78

50 Feb-08 1993333 161776 0.47 9181 114.02

51 Mar-08 2011111 160708 0.36 9185 114.27

52 Apr-08 2026420 154911 0.11 9209 113.92

53 May-08 2046049 167463 1.15 9291 113.97

54 Jun-08 2067531 178404 1.78 9296 114.10

55 Jul-08 2099753 190854 1.63 9163 114.61

56 Aug-08 2118272 195549 1.09 9149 115.25

57 Sep-08 2131975 189346 0.39 9341 116.46

58 Oct-08 2137901 189234 0.32 10048 116.68

59 Nov-08 2144198 173077 0.44 11711 116.65

60 Dec-08 2147901 175963 0.28 11325 117.03

61 Jan-09 2142593 174541 -0.21 11167 118.01

62 Feb-09 2145926 147704 0.98 11853 118.36

63 Mar-09 2151481 168205 1.35 11850 118.19

64 Apr-09 2159753 188776 -0.61 11025 118.37

65 May-09 2169383 190803 -0.17 10393 118.71

66 Jun-09 2180864 200566 0.17 10207 119.86

67 Jul-09 2201111 235198 0.38 10111 121.74

68 Aug-09 2211111 232255 0.5 9978 122.67

69 Sep-09 2217778 218443 0.88 9901 123.21

70 Oct-09 2214198 221282 0.35 9483 123.29

71 Nov-09 2219383 184803 0.1 9470 124.03

72 Dec-09 2226420 222546 0.57 9458 125.17

73 Jan-10 2235802 179273 0.95 9275 126.29

74 Feb-10 2246173 191926 0.55 9348 126.46

75 Mar-10 2258025 192579 -0.08 9174 126.05

of 56

43

76 Apr-10 2268889 184907 -0.19 9027 125.66

77 May-10 2285556 203388 0.7 9183 125.81

78 Jun-10 2305556 228045 0.74 9148 126.50

79 Jul-10 2286420 254907 2.33 9049 127.35

80 Aug-10 2344938 243154 1.19 8972 128.54

81 Sep-10 2438642 240947 0.22 8976 128.89

82 Oct-10 2710247 229904 -0.08 8928 128.74

83 Nov-10 2767284 199861 0.57 8938 129.18

84 Dec-10 2752469 227251 0.94 9023 129.91

85 Jan-11 2523580 209093 1.03 9037 130.90

86 Feb-11 2471728 207195 -0.01 8913 130.96

87 Mar-11 2454691 207907 0.24 8761 131.05

88 Apr-11 2517901 224704 -0.04 8651 131.32

89 May-11 2536420 209058 0.02 8556 131.41

90 Jun-11 2555679 245652 0.84 8564 132.23

91 Jul-11 2580123 283524 0.77 8533 133.16

92 Aug-11 2597531 258377 0.02 8532 134.43

93 Sep-11 2612346 258440 0.03 8766 134.45

94 Oct-11 2626543 247565 0.13 8895 134.67

95 Nov-11 2634691 221603 0.18 9015 134.76

96 Dec-11 2638765 253591 0.49 9088 135.49

97 Jan-12 2622469 253286 0.9 9109 136.88

98 Feb-12 2630617 225993 0.63 9026 137.91

99 Mar-12 2646914 230957 0.46 9165 138.78

100 Apr-12 2683210 225488 0.25 9176 138.64

101 May-12 2706914 220700 -0.05 9290 138.60

102 Jun-12 2729877 244080 0.43 9451 140.03

103 Jul-12 2754074 271512 0.72 9457 144.63

104 Aug-12 2774074 254079 0.19 9500 146.25

105 Sep-12 2791852 257363 -0.04 9566 145.74

106 Oct-12 2812840 255021 0.41 9597 145.87

107 Nov-12 2822099 242781 0.13 9628 146.04

108 Dec-12 2825062 268072 0.58 9646 146.84

109 Jan-13 2802963 232935 1.41 9687 110.992)

110 Feb-13 2807407 241868 1.19 9687 111.28

111 Mar-13 2819630 252210 1.08 9709 111.37

112 Apr-13 2848519 242369 -0.13 9724 111.35

113 May-13 2869630 247972 -0.66 9761 111.53

114 Jun-13 2891852 275667 0.47 9882 112.01

115 Jul-13 2922099 297878 2.81 10073 113.05

116 Aug-13 2941358 309219 0.83 10573 113.58

of 56

44

117 Sep-13 2956543 305629 -0.45 11346 113.89

118 Oct-13 2968642 266562 -0.25 11367 114.42

119 Nov-13 2974938 307276 0.36 11613 116.14

120 Dec-13 2976420 299013 0.49 12087 119.00

121 Jan-14 2952840 279257 1.19 12180 118.71

122 Feb-14 2959877 276573 0.37 11935 118.28

123 Mar-14 2977284 276573 0.29 11427 118.48

124 Apr-14 3005062 280096 0.13 11436 118.91

125 May-14 3043210 286033 0.31 11526 119.50

126 Jun-14 3091728 329654 -0.27 11893 119.60

of 56

45

Lampiran 2 Data Jumlah Kunjungan Wisatawan RRC/China ke Bali

NO BULANPERMINTANPARIWISATA

IHK RRCIHK

INDONESIAINFLASI

INDONESIANILAI

TUKAR

1JANUARI'10

15,846101.50 118,01 0,84

1358.58

2FEBRUARI'10

31,456102.70 118,36 0,3

1369.30

3MARET'10

11,206102.40 118,19 -0,14

1343.85

4APRIL'10

12,827102.80 118,37 0,15

1322.46

5MEI'10

12,484103.10 118,71 0,29

1345.06

6JUNI'10

14,726102.90 119,86 0,97

1341.77

7JULI'10

19,750103.30 121,74 1,57

1335.23

8AGUSTUS'10

21,495103.50 122,67 0,76

1321.37

9SEPTEMBER'10

17,133103.60 123,21 0,44

1332.56

10OKTOBER'10

17,820104.40 123,29 0,06

1336.56

11NOVEMBER'10

11,007105.10 124,03 0,6

1342.90

12DESEMBER'10

11,113104.60 125,17 0,92

1356.38

13JANUARI'11

17,102104.90 126,29 0,89

1368.56

14FEBRUARI'11

27,616104.90 126,46 0,13

1353.82

15MARET'11

12,253105.40 126,05 -0,32

1334.32

16APRIL'11

14,215105.30 125,66 -0,31

1324.40

17MEI'11

15,852105.50 125,81 0,12

1316.73

18JUNI'11

19,363106.40 126,5 0,55

1322.03

19JULI'11

25,331106.50 127,35 0,67

1320.64

20AGUSTUS'11

26,299106.20 128,54 0,93

1330.44

21SEPTEMBER'11

21,188106.10 128,89 0,27

1373.24

22 OKTOBER'11 105.50 128,74 -0,12 1399.46

of 56

46

19,571

23NOVEMBER'11

18,239104.20 129,18 0,34

1421.77

24DESEMBER'11

19,839104.10 129,91 0,57

1436.09

25JANUARI'12

55,178104.50 130,9 0,76

1442.53

26FEBRUARI'12

27,607103.20 130,96 0,05

1432.66

27MARET'12

21,212103.60 131,05 0,07

1452.74

28APRIL'12

20,369103.40 131,32 0,21

1457.63

29MEI'12

19,089103.00 131,41 0,07

1473.82

30JUNI'12

19,648102.20 132,23 0,62

1496.12

31JULI'12

21,818101.80 133,16 0,7

1495.47

32AGUSTUS'12

29,092102.00 134,43 0,95

1498.41

33SEPTEMBER'12

21,076101.90 134,45 0,01

1509.00

34OKTOBER'12

32,264101.70 134,67 0,16

1518.29

35NOVEMBER'12

21,466102.00 134,76 0,07

1529.31

36DESEMBER'12

22,085102.50 135,49 0,54

1533.51

37JANUARI'13

28,839102.00 136,88 1,03

1542.72

38FEBRUARI'13

47,863103.20 137,91 0,75

1541.73

39MARET'13

23,890102.10 138,78 0,63

1547.42

40APRIL'13

27,542102.40 138,64 -0,1

1556.87

41MEI'13

26,195102.10 138,6 -0,03

1574.78

42JUNI'13

33,304102.70 140,03 1,03

1601.51

43JULI'13

38,861102.70 144,63 3,29

1631.97

44AGUSTUS'13

37,915102.60 146,25 1,12

1713.29

45SEPTEMBER'13

37,157103.10 145,74 -0,35

1842.41

46OKTOBER'13

27,859103.20 145,87 0,09

1850.90

of 56

47

47NOVEMBER'13

31,886103.00 146,04 0,12

1892.37

48DESEMBER'13

26,222102.50 146,84 0,55

1976.34

49JANUARI'14

52,060102.50 110,992) 1,07

1995.09

50FEBRUARI'14

56,943102.00 111,28 0,26

1953.01

51MARET'14

42,055102.40 111,37 0,08

1862.61

52APRIL'14

40,375101.80 111,35 -0,02

1857.81

53MEI'14

29,673102.50 111,53 0,16

1870.32

54JUNI'14

43,758102.30 112,01 0,43

1931.77

55JULI'14

65,308102.30 113,05 0,93

1898.99

56AGUSTUS'14

59,455102.00 113,58 0,47

1900.37

57SEPTEMBER'14

56,092101.60 113,89 0,27

1932.34

58OKTOBER'14

53,084101.60 114,42 0,47

1976.09

59NOVEMBER'14

40,568101.40 116,14 1,5

1979.15

60DESEMBER'14

46,929101.50 119,00 2,46

2031.02

61JANUARI'15

51,827100.80

118.71 -0.24 2053.14

62FEBRUARI'15

93,920101.40

118.28 -0.36 2078.65

63MARET'15

46,415101.40 118.48 0.17

2124.45

64APRIL'15

50,690101.50 118.91 0.36

2112.14

of 56

48

Lampiran 3 PEMODELAN JUMLAH KUNJUNGAN WISATAWAN CHINA KE BALIMENGUNAKAN ERROR CORRECTION MODEL (ECM)

PEMODELAN JUMLAH KUNJUNGAN WISATAWAN CHINAKE BALI MENGUNAKAN ERROR CORRECTION MODEL

(ECM)

Ni Luh Putu Suciptawati1),Komang Dharmawan2), I Nyoman Sudiarta3)

1Jurusan Matematika,FMIPA,UNUD,Bukit Jimbaran, Badung Telp0361703137,[email protected]

2Jurusan Matematika,FMIPA,UNUD,Bukit Jimbaran, Badung Telp 036170313731Jurusan Destinasi Pariwisata,FPariwisata,UNUD,Jl Goris No 7, Denpasar Telp 0361223798

Abstrak

Penelitian ini bertujuan untuk memodelkan jumlah kunjungan wisatawan China ke Bali. Variabel-variabel yangdikaji dalam penelitian ini adalah Jumlah kunjungan wisatawan China ke Bali sebagai variabel terikat, sedangkansebagai variabel bebas diantaranya: harga pariwisata,tingkat inflasi, nilai tukar mata uang Yuan terhadap rupiah,dan IHK Indonesia. Data yang digunakan merupakan data sekunder berupa data bulanan dari bulan Januari 2010sampai dengan bulan April 2015.Untuk menganalisa data metode yang digunakan adalah Error Corection Model(ECM). Hasil penelitan menunjukkan terjadi kointegrasi pada data yang digunakran dalam penelitian. Ini berartibahwa variabel-variabel penelitian memiliki hubungan jangka panjang. Dengan kata lain secara bersama-samaada keseimbangan jangka panjang antara kunjungan wisatawan China, dengan harga pariwisata, tingkat,inflasidan IHK Indonesia. Nilai R2 =0.653 menunjukkan model yang diperoleh mampu menjelaskan variabel terikatsebesar 65.3% sedangkan sisanya merupakan variabel lain yang tidak masuk dalam model.

Kata kunci: kointegrasi, ECM, kunjungan wisatawan

This study aims to modeling the number of tourist from China visiting Bali. The impact of tourism fee, inflation rate,exchange rate of Yuan to Rupiah, and Indonesia’s CPI on the number of Chinese visitor in Bali will be quantified,using monthly data from January 2010 until April 2015. Error Correction Model (ECM) will be used to analyzethose data. The result shows that all of variabels being used in this study are cointegrated, which means they allhave long-term relationships. That is to say, comprehensively, there is a long-term balance between Chinese’s visitand tourism fee, inflation rate, exchange rate of Yuan to Rupiah as well as Indonesia’ CPI. The value of R2 = 0.653indicates that the number of Chinese visitor can be explained by those four explanatory variabels by 65.3%, whilethe rest (34.7%) is explained by other variabels which are not included in the model.

Key word: cointegration, ECM, tourist arrivals

1. Pendahuluan

Pariwisata Bali telah ditempatkan sebagai salah satu kegiatan ekonomi utama di KoridorEkonomi Bali-Nusa Tenggara dalam Program Masterplan Percepatan dan Perluasan PembangunanEkonomi Indonesia (MP3EI). Sejak lima tahun terakhir terjadi peningkatan kunjungna wisatawanmancanegara ke Bali.Pada tahun 2009 tercatat jumlah wisatawan mancanegara ke Bali 2385122 orang,sedangkan pada tahun 2013 terjadi peningkatan yang cukup signifikan yaitu 3278598. (BPS, 2013).Adanya tren yang positif pada jumlah kedatangan wisatawan ke Bali akan berdampak pada pertumbuhanpada sektor ekonomi. Berdasarkan data BPS negara yang warga negaranya banyak berkunjung ke Bali

of 56

Penerapan Metode Ekonometrika Tingkat Lanjut Dalam ......Penerapan Metode Ekonometrika Tingkat...

Documents

Transcript of Penerapan Metode Ekonometrika Tingkat Lanjut Dalam ......Penerapan Metode Ekonometrika Tingkat...