BAB IV HASIL ANALISIS DAN PEMBAHASAN
C. Analisis Data dan Pembahasan
3. Analisis Regresi
a. Pemilihan Model
Penelitian ini menggunakan analisis regresi linier berganda dengan model sebagai berikut:
Model regresi : Linier Berganda
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + e Bentuk Semi-Log untuk TCM :
TK (Y) = β0 + β1LnX1 + β2X2 + β3LnX3 + β4X4 + β5X5 +
β6X6 + e Keterangan :
TK (Y) = Tingkat kunjungan per 1000 di Ndayu Park β0 = Intersep/ konstanta β1, β2, β3, β4, β5, β6 = Koefisien regresi LnX1 = Biaya perjalanan X2 = Tingkat pendidikan LnX3 = Pendapatan X4 = Jarak X5 = Usia
X6 = Fasilitas
e = Variabel pengganggu
Berdasarkan hasil perhitungan dengan model semi-log maka akan diperoleh hasil persamaan regresi bentuk semi-log adalah sebagai berikut:
Tabel 4.13 Hasil Analisis Regresi Semi-log
Variable Coefficient t-Statistic Prob. Konstanta (C) 17.89398 4.081305 0.0001 Biaya Perjalanan (LnX1) -1.850402 -5.769952 0.0000* Pendidikan (X2) -0.148561 -2.176533 0.0320* Pendapatan (LnX3) 0.512919 1.987168 0.0498* Jarak (X4) 0.043964 3.966903 0.0001* Usia (X5) -0.028521 -1.530114 0.1294 Fasilitas (X6) -0.492732 -1.523404 0.1311 R-squared 0.345301 Adjusted R-squared 0.303062 F-statistic 8.175001 Prob(F-statistic) 0.000000 *Signifikan 5%
Sumber : Data diolah dengan Eviews 6.0
Model yang dihasilkan dari persamaan regresi diatas adalah :
TK (Y) = 17,89398 – 1,850402 (LnX1) – 0,148561 (X2) + 0,512919 (LnX3) + 0,043964 (X4) – 0,028521 (X5) – 0,492732 (X6) t-stat (4,081305) (5,769952) (2,176533) (1,987168)
(3,966903) (1,530114) (1,523404)
Makna yang didapat dari hasil regresi melalui program eviews 6.0 didapat nilai R2 = 0,345301, menandakan bahwa variasi dari
perubahan tingkat kunjungan per 1000 di Ndayu Park mampu dijelaskan secara serentak oleh variabel biaya perjalanan (LnX1), pendidikan (X2), pendapatan (LnX3), jarak (X4), usia (X5), dan fasilitas (X6) sebesar 34,53% dan sisanya 65,47% dijelaskan oleh variable lain yang tidak masuk dalam model.
b. Uji Asumsi Klasik 1. Multikolinearitas
Multikolinearitas adalah adanya suatu hubungan linear yang sempurna antara beberapa atau semua variabel bebas. Hal tersebut merupakan suatu masalah yang sering muncul dalam ekonomi karena dalam ekonomi, sesuatu tergantung pada sesuatu yang lain. Ada tidaknya multikolinearitas diketahui dengan melakukan pengujian dengan metode auxillary
regression yang diambil dari Klien’s rule of thumb (Gujarati,
2006), yaitu membandingkan nilai R2a (awal) pada regresi antara variabel dependen dengan semua variabel bebas dengan R2 pada regresi antara variabel bebas yang satu dengan variabel bebas lainnya.
Hasil dari auxillary regression untuk variabel-variabel bebas dapat dilihat pada tabel berikut:
Tabel 4.14 Hasil Auxillary Regression Variabel Dependen R2a R 2 Biaya Perjalanan (LnX1) 0.345301 > 0.233880 Pendidikan (X2) 0.345301 > 0.191921 Pendapatan (LnX3) 0.345301 > 0.174787 Jarak (X4) 0.345301 > 0.237261 Usia (X5) 0.345301 > 0.140625 Fasilitas (X6) 0.345301 > 0.059197 Sumber: Data diolah dengan eviews 6.0
Dari hasil perhitungan diketahui bahwa tidak terjadi masalah multikolinearitas pada seluruh variabel bebas yang digunakan dalam penelitian ini dilihat dari nilai R2 awal yang lebih besar daripada nilai R2.
2. Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk mendeteksi apakah kesalahan pengganggu mempunyai varians yang sama. Hasil pengujian heteroskedastisitas dengan uji ARCH dapat dilihat pada halaman lampiran.
Hasil uji ARCH dapat ditunjukkan dengan nilai X2 hitung (nilai Obs*R-squared) < nilai X2 tabel dengan derajat kepercayaan α = 5%, maka dapat disimpulkan bahwa hasil uji ARCH adalah sebagai berikut :
Tabel 4.15. Hasil uji ARCH
F-statistic 0.096737 Prob. F(1,97) 0.7564 Obs*R-squared 0.098633 Prob. Chi-Square(1) 0.7535 Sumber: Data diolah dengan eviews 6.0
Hasil analisis output, berdasarkan Tabel 4.15 mengenai output uji heteroskedastisitas menunjukkan bahwa nilai Obs* R-squared untuk hasil estimasi uji ARCH adalah sebesar 0,098633. Nilai X2 tabel untuk uji ARCH dengan derajat kepercayaan α = 5% dan df = 5 adalah sebesar 11,07, karena pada model yang digunakan tersebut dihasilkan nilai X2 (Obs* R-squared) < nilai X2 tabel, maka dapat disimpulkan bahwa tidak terjadi masalah heteroskedastik dan lolos uji heteroskedastisitas.
3. Autokorelasi
Autokorelasi merupakan suatu asumsi penting dari model linear klasik. Hal ini menandakan suatu kondisi yang berurutan diantara gangguan atau disturbansi ui yang masuk ke dalam fungsi regresi populasi. Autokorelasi didefinisikan sebagai korelasi antara variabel gangguan sehingga penaksir tidak lagi efisien baik dalam sampel kecil maupun sampel besar (Gujarati, 2005).
Ada tidaknya masalah autokorelasi dideteksi dengan membandingkan X2 hitung dengan X2 tabel, yaitu dengan
ketentuan jika nilai X2 hitung > X2 tabel, maka model tidak bebas dari masalah autokorelasi sehingga autokorelasi ditolak, dan sebaliknya jika nilai X2 hitung < X2 tabel, maka model bebas dari masalah autokorelasi sehingga autokorelasi diterima.
Tabel 4.16. Uji LM Test
F-statistic 0.160756 Prob. F(2,91) 0.8517 Obs*R-squared 0.352066 Prob. Chi-Square(2) 0.8386 Sumber: Data diolah dengan eviews 6.0
Analisis hasil output dilihat dari nilai X2 (Obs* R squared) sebesar 0,352066 dan X2 tabel yang disesuaikan dengan α = 5% adalah sebesar 11,07. Kesimpulannya model autokorelasi ini bebas dari masalah autokorelasi, karena nilai X2 hitung (0,352066) < X2 tabel (11,07).
c. Uji Statistik
Uji statistik digunakan untuk memperkuat asumsi adanya pengaruh antara variabel biaya perjalanan, pendidikan, pendapatan, jarak dan usia terhadap tingkat kunjungan per 1000 penduduk per tahun.
1) Uji t (t-test)
Uji t pada penelitian ini menggunakan tingkat signifikansi atau α=5% yang berarti bahwa tingkat keyakinan adalah 95%. Adapun kriteria pengujian uji t adalah
membandingkan nilai thitung dengan ttabel. Nilai thitung lebih besar dari nilai ttabel maka hipotesis awal ditolak yang berarti X1 berpengaruh terhadap Y (Ghozali, 2009). Selain itu, terdapat kriteria pengujian lainnya yaitu dengan melihat nilai t- probabilitas. Jika nilai t-probabilitas yang didapatkan lebih kecil dari tingkat signifikansi 5% maka nilai parameter yang didapatkan mempunyai pengaruh yang signifikan, demikian juga sebaliknya.
Hasil pengujian parameter individual dengan tingkat signifikansi 5% tersebut disajikan pada Tabel 4.17 yaitu:
Tabel 4.17 Hasil Uji t (t-test) pada α=5%
Variabel t-statistic Probabilitas Kesimpulan Biaya perjalanan
(LNX1) -5,769952 0,0000 signifikan Pendidikan (X2) -2,176533 0,0320 signifikan Pendapatan (LNX3) 1,987168 0,0498 signifikan Jarak (X4) 3,966903 0,0001 signifikan Usia (X5) -1,530114 0,1294 tidak signifikan Fasilitas (X6) -1,523404 0,1311 tidak signifikan Sumber: Data diolah dengan eviews 6.0
Dari hasil uji t diatas, maka dapat diketahui bahwa hasil uji t pada α=5% yang mempunyai pengaruh signifikan adalah variable biaya perjalanan, pendidikan, pendapatan dan jarak. a) Biaya perjalanan (X1)
Nilai koefisien dari variabel biaya perjalanan mempunyai nilai thitung>ttabel |-5.769952|>|1,66123| dengan nilai probabilitas 0,0000<0,05 artinya variabel biaya perjalanan
(X1) secara individu berpengaruh negatif (-) terhadap variabel dependen (tingkat kunjungan per 1000 penduduk/Y) pada tingkat signifikansi 5%. Dapat dikatakan, Biaya perjalanan (X1) berpengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk per tahun (Y).
b) Pendidikan (X2)
Nilai koefisien dari variabel pendidikan (X2) mempunyai nilai thitung>ttabel |-2,176533|>|1,66123| dengan nilai probabilitas 0,0320<0,05 artinya variabel pendidikan (X2) secara individu berpengaruh negatif (-) terhadap variabel dependen (tingkat kunjungan per 1000 penduduk/Y) pada tingkat signifikansi 5%. Dapat dikatakan, Pendidikan (X2) berpengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk per tahun (Y).
c) Pendapatan (X3)
Nilai koefisien dari variabel pendapatran (X3) mempunyai nilai thitung>ttabel |1,987168|>|1,66123| dengan nilai probabilitas 0,0498<0,05 artinya variabel pendapatran (X3) secara individu berpengaruh positif (+) terhadap variabel dependen tingkat kunjungan per 1000 penduduk per tahun (Y) pada tingkat signifikansi 5%. Dengan dikatakan, Pendapatan (X3) berpengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk per tahun (Y).
d) Jarak (X4)
Nilai koefisien dari variabel jarak (X4) mempunyai nilai thitung>ttabel |3,966903|>|1,66123| dengan nilai probabilitas 0,0001<0,05 artinya variabel jarak (X4) secara individu berpengaruh positif (+) terhadap variabel dependen tingkat kunjungan per 1000 penduduk per tahun (Y) pada tingkat signifikansi 5%. Dapat dikatakan, Jarak (X4) berpengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk per tahun (X4).
e) Usia (X5)
Nilai koefisien dari variabel usia (X5) mempunyai nilai thitung>ttabel |-1,530114|<|1,66123| dengan probabilitas 0,1294>0,05 artinya variabel usia (X5) secara individu berpengaruh negatif (-) terhadap variabel dependen tingkat kunjungan per 1000 penduduk per tahun pada tingkat signifikansi 5%. Dapat dikatakan, Usia (X5) tidak berpengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk per tahun (Y).
f) Fasilitas (X6)
Nilai koefisien dari variabel fasilitas (X6) mempunyai nilai thitung>ttabel |-1,523404|<|1,66123| dengan probabilitas 0,1311>0,05 artinya variabel fasilitas (X6) secara individu
berpengaruh negatif (-) terhadap variabel dependen tingkat kunjungan per 1000 penduduk per tahun pada tingkat signifikansi 5%. Dapat dikatakan, Fasilitas (X6) tidak berpengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk per tahun (Y).
2) Uji F (F-test)
Pengujian secara bersama – sama digunakan untuk menguji ada tidaknya pengaruh yang signifikan secara bersama-sama, pengujian ini melibatkan keenam variabel (X1, X2, X3, X4, X5, X6) terhadap variabel Y. Pengujian ini menggunakan kriteria dari uji F yaitu dengan menbandingkan antara nilai F-hitung dengan F-tabel, jika F hitung > F tabel yaitu F tabel (α;k-1,n-k), maka hipotesis awal ditolak (Ghozali,2009).
Hasil melalui program Eviews 6.0 diperoleh nilai F- hitung = 8,175001 > F-tabel (0,05; 6; 94) = 2,20 maka dapat disimpulkan bahwa variabel X1, X2, X3, X4, X5, dan X6 secara bersama-sama mempunyai pengaruh yang signifikan terhadap variable Y.
3) Koefisien Determinasi (R2)
Koefisien determinasi (R2) menunjukkan seberapa besar persentase variasi variabel terikat dapat dijelaskan oleh variabel bebas dalam model. Nilai R2 berkisar antara 0 – 1.
Semakin mendekati 1 berarti semakin besar variabel bebas mampu menjelaskan variasi variabel terikat. Hasil pengolahan data pada lampiran didapatkan nilai R2 sebesar 0,345301, artinya bahwa 34% variasi tingkat kunjungan per 1000 penduduk per tahun dapat dijelaskan oleh variabel biaya perjalanan, pendidikan, pendapatan, jarak, usia, dan fasilitas. d. Interpretasi Data
Variable bebas yang berpengaruh terhadap tingkat kunjungan per 1000 penduduk per tahun Objek Wisata Ndayu Park.
1) Biaya Perjalanan (X1)
Nilai koefisien regresi biaya perjalanan dari hasil perhitungan adalah -1,850402, dapat dijelaskan bahwa apabila biaya perjalanan meningkatan 1% akan berpengaruh terhadap menurunnya tingkat kunjungan per 1000 penduduk per tahun sebesar 1,85%. Biaya perjalanan meningkat maka tingkat kunjungan per 1000 penduduk akan berkurang. Semakin jauh suatu obyek wisata maka akan membutuhkan biaya bahan bakar kendaraan, konsumsi, dan biaya lain-lain yang lebih besar. Semakin besar biaya perjalanan yang dikeluarkan menyebabkan menurunnya tingkat kunjungan per 1000 penduduk. Hipotesis yang menyatakan bahwa biaya perjalanan mempunyai pengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk terbukti kebenarannya.
2) Pendidikan (X2)
Nilai koefisien regresi pendidikan dari hasil perhitungan adalah -0,148561, hal ini mengidentifikasikan bahwa apabila pendidikan meningkatan 1% akan berpengaruh terhadap menurunnya tingkat kunjungan per 1000 penduduk per tahun sebesar 0,14%. Semakin tinggi pendidikan pengunjung maka tingkat kunjungan per 1000 penduduk akan berkurang. Hipotesis yang menyatakan bahwa pendidikan mempunyai pengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk terbukti kebenarannya.
3) Pendapatan (X3)
Nilai koefisien regresi pendapatan dari hasil perhitungan adalah 0,512919, hal ini mengidentifikasikan bahwa apabila pendapatan meningkatan 1% akan berpengaruh terhadap meningkatnya tingkat kunjungan per 1000 penduduk per tahun sebesar 0,51%. Semakin tinggi pendapatan pengunjung maka tingkat kunjungan per 1000 penduduk akan bertambah seperti hubungan antara jumlah permintaan dan pendapatan (income) dalam teori permintaan. Hipotesis yang menyatakan bahwa pendapatan mempunyai pengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk terbukti kebenarannya.
4) Jarak (X4)
Nilai koefisien regresi jarak dari hasil perhitungan adalah 0,043964, hal ini mengidentifikasikan bahwa apabila jarak meningkatan 1% akan berpengaruh terhadap naiknya tingkat kunjungan per 1000 penduduk per tahun sebesar 0,04%. Semakin jauh jarak tempat tinggal pengunjung menuju ke Objek Wisata Ndayu Park maka tingkat kunjungan per 1000 penduduk akan berkurang. Hipotesis yang menyatakan bahwa jarak mempunyai pengaruh signifikan terhadap tingkat kunjungan per 1000 penduduk terbukti kebenarannya.
4. Analisis Nilai WTP terhadap Harga Tiket Objek Wisata Ndayu