Pengelompokkan Provinsi Berdasarkan Akomodasi Hotel Berbintang Di Indonesia Province Classification Based on Starred Hotel Accommodations in Indonesia
M. Fauzan Azhari1, Ria Amelia2, Indira Luthfiana Mulyahati3, Edy Widodo4
1,2,3Program Studi Statistika FMIPA UII
4Program Studi Statistika FMIPA UII Yogyakarta
Email : [email protected] , [email protected] , [email protected] , [email protected]
ABSTRAK
Salah satu pemasukkan pajak yang didapatkan dari sektor pariwisata yaitu pajak hotel. Penerimaan pajak hotel didasari oleh keberadaan rumah penginapan/hotel. Sektor industri perhotelan dan jasa penginapan merupakan sektor yang sangat potensial dalam meningkatkan Pajak Asli Daerah (PAD). Oleh karena itu, diperlukan sistem untuk mengelompokkan wilayah di Indonesia menjadi kelompok wilayah berdasarkan besarnya PAD dari sektor pajak hotel, sehingga pemerintah daerah dapat mengambil tindakan untuk menggali potensi pajak hotel dalam suatu wilayah tersebut. Metode yang bisa digunakan untuk mengelompokan suatu karakteristik yang sama adalah analisis klaster dengan k-means. K-Means clustering adalah menggelompokan data yang sudah ada ke dalam tiga kelompok yaitu kelompok wilayah yang dapat diambil potensi besarnya PAD hotel dengan pembagian wilayah tinggi, sedang, dan rendah. Data tersebut bersumber dari Badan Pusat Statistik Indonesia. Dari hasil pengelompokan, provinsi yang termasuk pada anggota cluster 1 kurang mempunyai destinasi wisata dan tidak dikelola dengan baik oleh pihak terkait sehingga wisatawan jarang mengujungi provinsi tersebut. Pada cluster 3, daerah yang memiliki Jumlah tamu hotel, Rata-rata lama menginap dan TPK Hotel berbintang tinggi. Jumlah tamu hotel, rata-rata lama menginap dan Tingkat Penghunian Kamar (TPK) berpengaruh terhadap penerimaan pajak hotel, sehingga daerah tersebut mendapatkan pendapatan asli daerah (PAD) dari sektor pariwisata yang cukup tinggi dibandingkan daerah-daerah lain.
Kata kunci : Pendapatan asli daerah (PAD), k-means clustering, sektor pajak hotel, pariwisata.
ABSTRACT
One of the tax revenues obtained from the tourism sector is the hotel tax. Hotel tax revenue is based on the existence of a lodging house/hotel. The hotel industry and lodging services sector is a sector that is very potential in increasing the Local Original Tax. Therefore, a system is needed to group regions in Indonesia into regional groups based on the amount of PAD from the hotel tax sector, so that the local government can take action to explore the potential of hotel tax in that region. One method that can be used to classify a common characteristic is cluster analysis with k-means. K-Means clustering is grouping existing data into three groups, namely regional groups that can be taken from the potential of hotel PAD with high, medium, and low area divisions. The data was obtained from the Indonesian Central Statistics Agency. From the results of the grouping, provinces included in cluster 1 are those that lack of tourism destinations and are not well managed by related parties, so tourists rarely visit the province. In cluster 3, the area has a number of hotel guests, the average length of stay and occupancy rates of high-star hotel rooms. The number of hotel guests, the average length of stay and the Room Occupancy Rate affect hotel tax revenue so that the area gets local revenue from the tourism sector which is quite high compared to other regions.
Keywords : Locally-generated revenue, k-means clustering, hotel tax sector, tourism.
1. PENDAHULUAN
Berdasarkan dari hasil Kajian Data Pasar Wisatawan Nusantara Tahun 2017 yang dilakukan oleh Badan Pusat Statistik (BPS) dan kementrian pariwisata jumlah perjalanan selama tahun 2017 mencapai sebanyak 270,82 juta perjalanan yang berarti mengalami peningkatan sebesar 2,45 persen dibandingkan tahun 2016 yang mencapai 264,34 juta perjalanan. Peningkatan tersebut sebagai akibat dari kondisi perekonomian yang semakin membaik, keamanan yang cukup kondusif serta semakin mudahnya aksesbilitas ke daerah tujuan wisata.
Akomodasi tempat tinggal yang memadai bagi wisatawan yang berkunjung juga berpengaruh dalam meningkatkan jumlah wisatawan [2].
Salah satu pemasukan pajak yang didapatkan dari sektor pariwisata yaitu pajak hotel. Penerimaan pajak hotel didasari oleh keberadaan rumah penginapan/hotel. Dengan adanya Peraturan Daerah yang mengatur tentang pengenaan pajak kepada pengguna jasa hotel atau rumah penginapan, keberadaan jumlah hotel atau rumah penginapan yang ada di suatu wilayah kota juga menguntungkan bagi pemerintah. Apabila jumlah rumah penginapan bertambah maka diharapkan dapat meningkatkan penerimaan pajak hotel. Berdasarkan penelitian [1]
diketahui bahwa jumlah wisatawan, jumlah hotel, dan Tingkat Penghunian Hotel (TPH) berpengaruh terhadap penerimaan pajak hotel. Sektor industri perhotelan dan jasa penginapan merupakan sektor yang sangat potensial dalam meningkatkan Pajak Asli Daerah (PAD). Semakin besarnya fasilitas hotel dan Tingkat Penghunian Hotel (TPH) di suatu daerah maka semakin banyak juga PAD. Oleh karena itu, diperlukan sistem untuk mengelompokkan wilayah di Indonesia menjadi kelompok wilayah berdasarkan besarnya PAD dari sektor pajak hotel, sehingga pemerintah daerah dapat mengambil tindakan untuk menggali potensi pajak hotel dalam suatu wilayah tersebut. Metode yang bisa digunakan untuk mengelompokan suatu karakteristik yang sama adalah analisis klaster dengan k-means. Analisis K-means Clustering bertujuan untuk mengelompokan n objek berdasarkan p variat yang memiliki kesamaan karakteristik diantara objek-objek [6]. Clustering berbeda dengan klasifikasi, dalam hal tidak ada variabel target untuk klastering. Oleh karena itu penelitian ini bertujuan untuk mengetahui hasil pengelompokkan dan hasil profilisasi suatu wilayah di Indonesia berdasarkan Jumlah tamu, Rata-rata Lama Menginap dan Tingkat Penghunian Kamar (TPK) hotel berbintang menggunakan metode K-Means Clustering.
2. METODE PENELITIAN
Data yang akan digunakan untuk mengelompokkan adalah data banyaknya tamu hotel dengan rata-rata lama menginap serta TPK hotel berbintang yang ada di Indonesia. Data bersumber dari Badan Pusat Statistik Indonesia yang dapat diakses di https://sirusa.bps.go.id/. Metode yang digunakan dalam penelitian ini adalah metode Analisis K-Means Clustering yang merupakan salah satu teknik analisis pengelompokan.
K-Means Clustering merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik sama dikelompokkan ke dalam satu cluster yang sama [4].
Variabel yang digunakan yaitu jumlah tamu hotel, rata-rata lama menginap dan Tingkat Penghunian Kamar (TPK) dengan Definisi Operasional Variabel (DOP) dapat dilihat pada Gambar 1.
Gambar 1. Definisi Operasional Peubah/Variabel
Adapun langkah–langkah yang dilakukan dalam Analisis K-means Clustering dapat dilihat pada Gambar 2 sebagai berikut.
Gambar 2. Alur Penelitian
a. Gambaran umum data digunakan untuk mengenali data banyaknya tamu hotel dengan rata-rata lama menginap dan TPK dari hotel berbintang yang ada di Indonesia tahun 2017
yang disajikan dalam bentuk summary. Analisis multikolinearitas, yang digunakan untuk melihat ada tidaknya korelasi antar variabel bebas yang ada pada data banyaknya jumlah tamu dengan rata-rata lama menginap dan TPK hotel berbintang yang ada di Indonesia tahun 2017.
Menurut [5] gejala multikolinearitas dapat dideteksi dengan beberapa cara menghitung koefisien korelasi sederhana (simple correlation) antara sesama variabel bebas, jika terdapat koefisien korelasi sederhana yang mencapai atau melebihi 0,8 maka terjadi multikolinearitas.
Sehingga apabila terjadi multikolinearitas diteruskan untuk mengukur jarak dengan menggunakan metode jarak mahalanobis, sedangkan jika tidak terdapat multikolinearitas maka perhitungan jarak dilakukan dengan menggunakan metode jarak Euclidean.
b. Setelah itu dilanjutkan dengan menentukan banyak k-cluster dan penentuan ukuran jarak.
c. Lalu dilakukan pengelompokan menggunakan k-means cluster berdasarkan jarak.
d. Hasil dari k-means cluster didapatkan anggota dari masing-masing cluster.
e. Profilisasi dari masing-masing cluster dan diinterpretasikan dalam bentuk pemetaan visualisasi.
3. PEMBAHASAN
Data penelitian yang telah didapatkan kemudian dianalisis dengan K-means Clustering menggunakan bantuan software R. Langkah awal dalam penyelesaian analisis cluster adalah melihat gambaran umum data yang ada. Tabel 1 menunjukkan statistika deskriptif.
Tabel 1. Statistika Deskriptif Deskriptif Jumlah
Tamu (X1)
Rata-Rata Lama Menginap
(X2)
TPK(X3)
Min. 65,95 1,250 31,60
Mean 2435,51 1,829 51,91
Max. 12529,43 2,99 67,66
Dapat diketahui bahwa keseluruhan provinsi memiliki rata-rata jumlah tamu pada tahun 2017 di setiap provinsi sebanyak 2435,51 tamu, rata-rata lama menginap selama 1,829 hari. Sedangkan untuk rata-rata TPK pada setiap provinsi di Indonesia adalah 51,91%. Untuk Jumlah tamu minimal berada pada daerah Maluku utara sebanyak 65,95 tamu dengan Rata-Rata Lama Menginap dan TPK terendah berada di provinsi Kalimantan Utara yaitu 1,250 hari serta 31,60%. Untuk Jumlah tamu yang maksimal dan TPK tertinggi berada di provinsi DKI Jakarta
yaitu 12529,43 tamu dan 67,66% sedangkan untuk Rata-rata Lama Menginap dengan nilai maksimal berada di provinsi Bali yaitu 2,99 hari. Analisis cluster diawali dengan pengujian multikolinearitas.
Pengujian multikolinearitas menggunakan nilai VIF, variabel independent terbebas dari multikolenearitas apabila nilai VIF< 10.
Tabel 2. Uji Multikolinearitas
Jumlah tamu – Rata-rata Lama Menginap - TPK
Variabel Nilai VIF
Jumlah Tamu 1.256683
Rata-rata Lama Menginap 1.184921
TPK 1.432558
Berdasarkan uji multikolinearitas pada Tabel 2 tersebut, didapat nilai Variance Inflation Factor sebesar 1,256683 untuk Jumlah Tamu, 1,184921 untuk Rata-Rata Lama Menginap dan 1,432558 untuk TPK yang artinya ketiga variabel nilai VIP nya lebih kecil dari 10 sehingga untuk semua hubungan antar variabel yang menandakan bahwa tidak terdapat multikolinieritas terhadap data yang telah distandarisasi, maka asumsi terpenuhi.
Terpenuhinya uji non multikolinearitas membuat analisis dapat dilanjutkan dengan ke tahap cluster. Penentuan jumlah cluster optimum pada 34 provinsi berdasakan data jumlah tamu, rata-rata lama menginap dan TPK berbintang Hotel di Indonesia 2017, penulis menggunakan pendekatan Total Within Sum of Square. Maka berikut ini hasil dari penentuan cluster optimal.
Gambar 3. Plot Total Within Sum of Square 34 Provinsi
Sumber: Rstudio
Berdasarkan Gambar 3, setelah melakukan pendekatan total within sum of square, maka didapatkan jumlah cluster optimalnya yaitu sebanyak 3 kelompok yang ditandai dengan garis siku yang mulai landai pada titik cluster optimalnya.
Hasil pembentukan cluster untuk provinsi di Indonesia berdasarkan aspek jumlah tamu, rata-rata lama menginap dan TPK hotel berbintang dibagi menjadi mengelompokan data yang sudah ada ke
dalam tiga kelompok yaitu kelompok wilayah yang berpotensi mempunyai PAD besar dengan yaitu wilayah tinggi, sedang, dan rendah.
Pengelompokan 34 provinsi berdasarkan jumlah tamu hotel, rata-rata lama menginap dan TPK dengan menggunakan analisis K-means Clustering.
Tabel 3. Anggota Kelompok Cluster
Cluster Anggota Cluster
1
Aceh, Riau, Jambi, Kep Bangka Belitung, Nusa Tenggara Barat, Kalimantan Barat, Kalimantan Selatan, Kalimantan Utara, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku, Maluku Utara.
2
Sumatera Utara, Sumatera Barat, Sumatera Selatan, Bengkulu, Lampu, Kepulauan Riau, DI Yogyakarta, Banten, Nusa Tenggara Timur, Kalimantan Tengah, Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah, Papua Barat, Papua.
3 DKI Jakarta, Jawa Barat, Jawa tengah, Jawa Timur, Bali.
Dari Tabel 3 terlihat bahwa kelompok 1 memiliki anggota sebanyak 14 provinsi, kelompok 2 memiliki anggota sebanyak yaitu 17 provinsi dan kelompok 3 memilik anggota yaitu sebanyak 3 provinsi.
Dari hasil pengelompokan yang didapat menggunakan metode K-means cluster, dapat dilihat bahwa anggota-anggota pada tiap kelompok cluster tersebar tidak merata. Untuk dapat melakukan profilisasi kelompok, dilakukan perhitungan rata-rata untuk masing-masing kelompok yang sebelumnya telah terbentuk.
Tabel 4. Perhitungan rata-rata setiap cluster Klasifikasi
cluster Cluster
Rata-Rata setiap cluster Jumlah
Tamu
Rata-Rata Lama
Menginap TPK
Rendah 1 909.31 1.754 44.11
Sedang 2 1648.83 1.844 56.86
Tinggi 3 9068.87 1.992 58.88
Berdasarkan Tabel 4, dapat diketahui rata-rata pada masing-masing cluster, dapat diinterpretasikan sebgai berikut:
a. Cluster 1: Memiliki anggota 14 Provinsi, dimana cluster pertama memiliki rata-rata Jumlah Tamu, rata-rata Lama Menginap, dan rata-rata TPK yang paling rendah. Sehingga kelompok provinsi pada cluster 1 dapat dikelompokkan menjadi kelompok Provinsi tingkat rendah.
b. Cluster 2: Memiliki anggota 15 Provinsi, dimana cluster kedua memiliki rata-rata Jumlah Tamu, rata-rata Lama Menginap, dan rata-rata TPK yang cukup sedang. Sehingga kelompok Provinsi pada cluster 2 dapat dikelompokkan menjadi kelompok Provinsi tingkat sedang.
c. Cluster 3: Memiliki anggota 5 Provinsi, dimana cluster ketiga memiliki rata-rata Jumlah Tamu, rata-rata Lama Menginap, dan rata-rata TPK yang paling tinggi. Sehingga kelompok Provinsi pada cluster 3 dapat dikelompokkan menjadi kelompok Provinsi tingkat tinggi.
Gambar 4. Peta Persebaran Hasil Cluster Sumber: Tableau
Dari Gambar 4, semakin muda warna hijau artinya semakin kategori cluster semakin tinggi juga, cluster 3 dengan warna hijau muda merupakan provinsi dengan jumlah tamu, rata-rata lama menginap, dan tingkat penghunian kamar tinggi.
Cluster 2 dengan warna hijau merupakan provinsi dengan dengan jumlah tamu, rata-rata lama menginap, dan tingkat penghunian kamar yang sedang. Cluster 1 dengan warna hijau tua merupakan provinsi dengan dengan jumlah tamu, rata-rata lama menginap, dan tingkat penghunian kamar yang rendah.
Pada cluster 3 daerah yang memiliki dengan jumlah tamu, rata-rata lama menginap, dan TPK Hotel tinggi yaitu Jakarta, Jawa Barat, Jawa Tengah, Jawa Timur, dan Bali karena daerah tersebut memiliki destinasi wisata yang beragam dan banyak serta telah dikenal oleh berbagai masyarakat mancanegara.
Untuk provinsi yang terdapat pada cluster 1 dan cluster 2 tersebar merata di seluruh daerah Indonesia.
Untuk provinsi yang termasuk pada anggota cluster 1 seperti Aceh, Kalimantan Selatan, Nusa Tenggara Barat dan lain-lain kurang mempunyai destinasi wisata dan tidak dikelola dengan baik oleh pihak terkait sehingga wisatawan jarang mengujungi provinsi tersebut.
Berdasarkan penelitian Andre & Khairani (2017) diketahui bahwa jumlah wisatawan, jumlah hotel, dan Tingkat Penghunian Kamar (TPK) berpengaruh terhadap penerimaan pajak hotel. Pada cluster 3 nilai TPK serta banyaknya jumlah hotel berada pada tingkat paling tinggi sehingga daerah yang menjadi anggota cluster 3 (Jakarta, Jawa Barat, Jawa Tengah, Jawa Timur, dan Bali) mendapatkan pendapatan asli daerah (PAD) dari sektor pariwisata yang cukup tinggi dibandingkan daerah-daerah lain.
5. KESIMPULAN
Hasil penelitian tentang pengelompokan Provinsi di Indonesia berdasarkan tingkat penghunan kamar dan jumlah kamar hotel menggunakan K-Means Clustering yaitu diperoleh:
a. Hasil pengelompokkan dan profilisasi suatu wilayah di Indonesia berdasarkan Jumlah tamu, Rata-rata Lama Menginap dan Tingkat Penghunian Kamar (TPK) hotel berbintang menggunakan metode K-Means Clustering yaitu:
1) Cluster 1: Memiliki anggota 14 Provinsi, dimana cluster pertama memiliki rata-rata Jumlah Tamu, rata-rata Lama Menginap, dan rata-rata TPK yang paling rendah.
Sehingga kelompok provinsi pada cluster 1 dapat dikelompokkan menjadi kelompok Provinsi tingkat rendah. Provinsi pada cluster 1 yaitu: Aceh, Riau, Jambi, Kep Bangka Belitung, Nusa Tenggara Barat, Kalimantan Barat, Kalimantan Selatan, Kalimantan Utara, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku, Maluku Utara.
2) Cluster 2: Memiliki anggota 15 Provinsi, dimana cluster kedua memiliki rata-rata Jumlah Tamu, rata-rata Lama Menginap, dan rata-rata TPK yang cukup sedang.
Sehingga kelompok Provinsi pada cluster 2 dapat dikelompokkan menjadi kelompok Provinsi tingkat sedang. Provinsi pada cluster 2 yaitu: Sumatera Utara, Sumatera Barat, Sumatera Selatan, Bengkulu, Lampu, Kepulauan Riau, DI Yogyakarta, Banten, Nusa Tenggara Timur, Kalimantan Tengah, Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah, Papua Barat, Papua.
3) Cluster 3: Memiliki anggota 5 Provinsi, dimana cluster ketiga memiliki rata-rata Jumlah Tamu, rata-rata Lama Menginap, dan rata-rata TPK yang paling tinggi.
Sehingga kelompok Provinsi pada cluster 3 dapat dikelompokkan menjadi kelompok Provinsi tingkat tinggi. Provinsi pada cluster 3 yaitu: DKI Jakarta, Jawa Barat, Jawa tengah, Jawa Timur, Bali.
6. SARAN
Berdasarkan kesimpulan yang diperoleh dari analisis, maka diberikan saran sebagai berikut:
a. Destinasi wisata pada daerah-daerah yang jumlah dan tingkat penghunian kamar hotel masih dalam kategori rendah, agar mampu dikelola dengan lebih baik lagi sehingga menarik minat
wisatawan untuk berkunjung ke daerah tersebut dan meningkatkan penerimaan pajak asli daerah dari sektor pariwisata.
b. Perlu dilakukan pengkajian lebih lanjut mengenai pembangunan hotel pada suatu daerah agar mengetahui dampak yang diberikan dari sektor pariwisata tersebut.
DAFTAR PUSTAKA
[1] Andre, & Khairani Siti. (2017). Pengaruh Jumlah Wisatawan, Jumlah Hotel, Dan Tingkat Hunian Hotel Terhadap Penerimaan Pajak Hotel Di Kota Palembang. Jurusan Akuntansi STIE MDP: Palembang.
[2] Barudin, Fitriyani, I. A., & Indriati, D. (2017).
Kajian Data Pasar Pariwisata Nusantara 2017. Badan Pusat Statistik dan Kementrian Pariwisata.
[3] BPS. (2018). Tingkat Penghunian Kamar (TPK) Hotel. https://sirusa.bps.go.id/index.php?
r=indikator/view&id=60. Diakses pada tanggal 18 Mei 2019.
[4] Nanjaya, D. (2005). Clustering Data Non-Numerik dengan Pendekatan Algoritma K-Means dan Hamming Distance Studi Kasus Biro Jodoh.
Jurnal Ilmiah Teknologi Informasi, 46-53.
[5] Rahmawati, I. (2007). “Analisis Cluster Dengan Menggunakan Metode Hierarki Untuk Pengelompokan Kabupaten/
Kota Di Jawa Timur Berdasar Indikator Kesehatan”. Diakses dari http://
jurnalonline.um.ac.id/data/artikel/
artikel1768E9E20B8E53209B2AAE90144 ED66D.pdf
[6] Yulianto, S. dan Hidayatullah, K.H. (2014).
Analisis Cluster Untuk Pengelompokan Kabupaten/Kota Di Provinsi Jawa Tengah Berdasarkan Indokator Kesejahteraan Rakyat. Jurnal Statistika, Vol. 2, No. 1.
