BAB III METODE PENELITIAN
F. Metode Analisis Data
1. Analisis Contingent Valuation Method
Guna mengetahui nilai willingness to pay pada pengunjung terhadap pelestarian lingkungan wisata Kampung Cibeo bisa menggunakan analisis Contingent Valuation Method. Nilai willingness to pay wisatawan didapatkan setelah melakukan proses wawancara. Berikut merupakan langkah-langkah yang dilaksanakan guna menganalisis nilai willingness to pay:Analisis Contingent Valuation Method dilakukan untuk mengetahui nilai willingness to pay pengunjung terhadap pelestarian lingkungan wisata Kampung Cibeo.
Setelah tahap wawancara telah dilakukan maka diperoleh nilai willingness to pay pengunjung objek wisata tersebut. Langkah-langkah yang dilakukan untuk menganalisis nilai willingness to pay sebagai berikut:
a. Menghitung nilai rata-rata willingness to pay
Nilai rata-rata willingness to pay dihitung dengan memakai nilai rata-rata dari hasil penjumlahan nilai willingness to pay keseluruhan yang
kemudian dibagi jumlah respoden. Rumus perhitungan nilai rataan willingness to pay adalah sebagai berikut:
EWTP=WTP x Xi n Keterangan :
EWTP : Dugaan rataan WTP (Rp) Wi : Nilai WTP ke-i (Rp) N : Jumlah responden
Xi : Responden ke-I yang bersedia membayar (i=1,2,….,n) b. Menjumlahkan Data
Agar bisa mendapatkan nilai total willingness to pay maka bisa memakai nilai rata-rata willingness to pay yang dikonversikan dengan jumlah responden. Rumus untuk menghitung nilai tital willingness to pay adalah sebagai berikut:
TWTP = EWTPi x Ni
Keterangan:
TWTP : Total WTP (Rp)
EWTPi: Rataan Nilai WTP (Rp) Ni : Jumlah Responden 2. Analisis Statistik Deskriptif
Analisis statistik deskriptif digunakan untuk menjelaskan nilai rata- rata (mean), standar deviasi (standart deviation), nilai maksimum, dan nilai minimum dari suatu data. Nilai rata-rata (mean) digunakan untuk menjelaskan nilai rata-rata dari suatu sampel, standar deviasi digunakan untuk
menjelaskan nilai persebaran dari suatu sampel, nilai maksimum digunakan untuk menjelaskan nilai terbesar yang ada pada data penelitian, dan nilai minimum digunakan untuk menjelaskan nilai terkecil yang ada pada data penelitian.
3. Uji Asumsi Regresi Logistik
Regresi logistik adalah analisis regresi yang digunakan untuk menggambarkan hubungan antara variabel respon (dependent) dengan variabel prediktor (independent), variabel respon bersifat biner atau dikotomus. Variabel dikotomus adalah variabel yang hanya mempunyai dua kemungkinan nilai, misalnya sukses dan gagal. Untuk mempermudah, maka variabel respon diberi notasi Y dan variabel prediktor dinotasikan dengan X.
apabila Y menghasilkan dua kategori, misalnya “1” jika berhasil dan “0” jika gagal, maka variabel Y mengikuti distribusi Bernoulli (Hendayana, 2012).
Model WTP yang akan digunakan dalam penelitian dituliskan dalam fungsi logit yaitu:
log p
1−p = α + β1 us + β2 pddk + β3 pdpt + β4 ap + β5 se + β6 fk + β7 tk + e
Keterangan:
p = Kesediaan membayar pelestarian kualitas lingkungan (p = 1, jika responden bersedia membayar perbaikan pelestarian lingkungan p = 0, jika responden tidak bersedia membayar perbaiakn pelestarian lingkungan)
1-p = Tidak bersedia membayar pelestarian lingkungan p
1−p = Rasio odds (risiko) us = Usia responden (tahun)
pddk = Lama pendidikan yang ditempuh responden (tahun) pdpt = Tingkat pendapatan responden diukur kategori
1= Rp400.000,00-Rp1.000.000,00 2= Rp1.000.001,00-Rp2.000.000,00 3=Rp2.000.001,00-Rp3.000.000,00 4= Rp3.000.001-Rp4.000.000,00 5= >Rp4.000.001,00
ap = Asal pengunjung atau jarak tempat tinggal responden (Km) se = Sikap ekowisata responden
fk = Frekuensi kunjungan responden tk = Tingkat kepuasan responden
4. Uji Kelayakan Model (Goodness of Fit Test)
Hosmer dan Lemeshow’s digunakan untuk menilai pengujian kelayakan model regresi yang pengukurannya menggunakan nilai chi square.
Model ini berguna melakukan pengujian hipotesis nol apakah data empiris serasi dengan model (terdapat kesamaan mengenai model dengan data yang akhirnya bisa dikatakan model tersebut fit) (Ghozali, 2018). Berikut merupakan hipotesisnya :
a. H0 ditolak jika nilai probabilitas (P-Value) < 0.05, yang berarti ada perbedaan signifikan antara model dan nilai yang diamati. oleh karena itu, Goodness of Fit Test tidak dapat memprediksi nilai observasinya.
b. H0 diterima jika nilai probabilitas (P-Value), atau nilai signifikansi,
> 0.05, dan model sesuai dengan nilai yang diamati. untuk memungkinkan Goodness of Fit Test untuk memprediksi nilai observasinya.
5. Uji Taraf Nyata
Pendekatan guna melakukan pengujian taraf nyata model serta parameter di regresi logistik memakai ststistik uji G serta uji Wald (W), masing-masing berguna melakukan pengujian model dengan keseluruhan serta uji parsia (individual). Alat uji ini, keduanya identik dengan uji F serta uji t di regresi linier yang memakai Ordinary Least Square (Hendayana, 2012).
6. Uji Keseluruhan Model Secara Simultan Dengan Uji G
Uji ini bertujuan untuk mengetahui pengaruh variabel independen yang digunakan dalam model secara bersama-sama terhadap variabel dependen. Statistik uji G adalah rasio kemungkinan maksimum (likelihood ratio test) yang didefinisikan :
G=−2 ln Lo Li
L0 = likelihood tanpa peubah penjelas (model hanya terdiri dari konstanta) L1 = likelihood dengan peubah penjelas (model yang terdiri dari seluruh peubah).
Prinsip dari metode maksimum likelihood adalah mencari nilai βi dengan memaksimalkan fungsi likelihood (Raharjanti dan Widiarti, 2012).
7. Uji Koefisien R2
Pada regresi logistik koefisien determinasi bisa dilihat dari Nagelkerke R2, dikarenakan Nagelkerke R2 bisa diinterpretasikan semacam nilai R2 yang terdapat diregresi berganda. Nagelkerke R2 ialah modifikasi dari koeefisien cox and snell guna memastikan bahwasannya nilai akan beragam dari nol sampai satu. Kesanggupan variabel pada pendeskripsian variabel dependen sangatlah terbatas ditampilkan dengan nilai Nagelkerke R2 mendekati nol, sedangkan variabel independen memiliki kesanggupan memberikan informasi keseluruhan yang diperlukan guna melakukan prediksi variabilitas variabel dependen ditampilkan dengan nilai Nagelkerke R2 mendekati satu (Ghozali, 2018).
8. Penafsiran Koefisien
koefisien odds ratio (perbandingan risiko) dipakai dalam penafsiran koefisien di model regresi logistik. Nilai odds ratio akan mengalami lebih besar dari satu apabila terdapat tanda positif pada sebuah perubahan penjelas, sebaliknya nilai odds ratio akan lebih kecil dari satu jika terdapat tanda positif pada sebuah perubahan penjelas (Rokhman, 2012).
9. Uji Ketepatan Klasifikasi
Uji ketepatan klasifikasi digunakan untuk menghitung perkiraan ketepatan model dalam mengklasifikan observasi yang diwakili dalam
persentase (%). Semakin besar persentasenya, semakin tepat model dalam mengklasifikasikan observasinya.
A. Gambaran Umum Lokasi Penelitian
Suku Baduy disebut juga sebagai Sunda Baduy yang merupakan sekelompok masyarakat adat Sunda di wilayah pedalaman kabupaten Lebak, Provinsi Banten. Populasi suku Baduy saat ini ± 26.000 orang, suku Baduy merupakan salah satu kelompok masyarakat yang menutup diri mereka dari dunia luar. Selain itu mereka juga memiliki keyakinan tabu untuk didokumentasikan, khususnya penduduk wilayah Baduy Dalam. Suku Baduy bermukim di Desa Kanekes, Kecamatan Leuwidamar, Kabupaten Lebak.
Permukimannya terpusat di daerah aliran sungai pada sungai Ciujung yang termasuk dalam wilayah Cagar Budaya Pegunungan Kendeng. Suku Baduy bermukim tepat di kaki pegunungan Kendeng yang berjarak sekitar 40 km dari Kota Rangkasbitung.
Bahasa yang digunakan oleh suku Baduy adalah Bahasa sunda dialek Baduy. Untuk berkomunikasi dengan penduduk luar, suku Baduy lancer menggunakan Bahasa Indonesia, walaupun suku Baduy tidak mendapatkan pengetahuan tersebut dari sekolah. Orang Kanekes Dalam tidak mengenal budaya tulis, sehingga adat-istiadat, kepercayaan/agama dan cerita nenek moyang hanya tersimpan di dalam tuturan lisan saja. Orang Kanekes tidak mengenal sekolah, karena pendidikan formal berlawanan dengan adat-istiadat.
Masyarakat Kanekes secara umum terbagi menjadi tiga kelompok yaitu tangtu, panamping dan dangka, Adapun penjabarannya sebagai berikut:
44
1. Kelompok, tangtu adalah kelompok yang dikenal sebagai Kanekes Dalam (Baduy Dalam). Kanekes Dalam paling ketat mengikuti adat, yaitu warga yang tinggal di tiga kampung (Cibeo, Cikertawana, Cikeusik). Ciri khas Orang Kanekes Dalam adalah pakaiannya berwarna putih alami dan biru tua (warna tarum) serta memakai ikat kepala putih. Secara adat, Kanekes Dalam dilarang untuk bertemu dengan orang asing.
2. Panamping, adalah orang yang dikenal sebagai Kanekes Luar (Baduy Luar), yang tinggal di berbagai kampung yang tersebar mengelilingi wilayah Kanekes Dalam seperti Cikadu, Kaduketuk, Kadukolot, Gajeboh, Cisagu dan lain sebagainya. Masyarakat Kanekes Luar memili ciri khas mengenakan pakaian dan ikat kepala berwarna biru gelap (warna tarum).
3. Kanekes Dangka, yang tinggal di luar area Kanekes. Saat ini hanya ada dua kampung yang tinggal: Padawaras (Cibengkung) dan Sirahdayeuh (Cihandam). Kampung Dangka berfungsi sebagai zona perlindungan dari pengaruh luar.
Selain itu, masyarakat Kanekes memiliki dua sistem pemerintahan.
Sistem nasional mengikuti hukum Indonesia dan sistem adat mengikuti adat istiadat yang dianut masyarakat. Kedua, system digabungkan atau diakulturasikan untuk mencegah benturan. Secara nasional, penduduk Kanekes dipimpin oleh kepala desa yang dikenal jaro pamarentah yang berada di bawah camat, dan secara adat tunduk pada puun pemimpin adat Kanekes yang tertinggi.
Gambar 4. 1 Sistem Pemerintahan Suku Baduy
Pemimpin adat tertinggi dalam masyarakat Kanekes adalah "Pu'un"
yang ada di tiga kampung tangtu. Jabatan tersebut berlangsung turun-temurun, namun tidak otomatis dari bapak ke anak, melainkan dapat juga ke kerabat lainnya. Jangka waktu jabatan Pu'un tidak ditentukan, hanya berdasarkan pada kemampuan seseorang memegang jabatan tersebut.
B. Karakteristik Responden Penelitian
Responden dalam penelitian ini adalah pengunjung wisata suku Baduy dengan total responden sebanyak 330 responden.
1. Karakteristik responden berdasarkan usia
Hasil analisis karakteristik responden berdasarkan usia disajikan dalam tabel 4.1 sebagai berikut:
Tabel 4. 1 Karakteristik Responden Berdasarkan Usia
Usia Frekuen si
Persenta se
16-20 70 21.67%
21-25 166 51.39%
26-30 47 14.55%
31-35 11 3.41%
36-40 11 3.41%
41-45 11 3.41%
46-50 3 0.93%
51-55 3 0.93%
56-60 1 0.31%
Total 323 100.00%
Sumber: data diolah, 2023
Berdasarkan tabel 4.4 dapat diketahui bahwa mayoritas responden berusia 21-25 tahun sebanyak 166 orang (51,39%). Selanjutnya, usia responden 16-20 tahun sebanyak 70 orang (21,67%). Kemudian, responden dengan usia 26-30 tahun sebanyak 47 orang (14,55%).
Frekuensi responden yang berusia 31-35 tahun sebanyak 11 orang (3,41%). Jumlah responden yang berusia 36-40 tahun sebanyak 11 orang (3,41%). Responden yang berusia 41-45 tahun sebanyak 11 orang (3,41%). Selanjutnya responden yang berusia 46-50 tahun sebanyak 3 orang (0,93%). Kemudian responden yang berusia 51-55 tahun sebanyak
3 orang (0,93%) dan responden yang berusia 56-60 tahun sebanyak 1 orang (0,31%).
2. Karakteristik responden berdasarkan jenis kelamin
Hasil analisis karakteristik responden berdasarkan jenis kelamin disajikan dalam tabel 4.2 sebagai berikut:
Tabel 4. 2 Karakteristik Responden Berdasarkan jenis kelamin
Jenis kelamin Frekuensi Persentase
Laki-laki 173 53,56%
Perempuan 150 46,44%
Total 323 100%
Sumber: data diolah, 2023
Berdasarkan tabel 4.2 dapat diketahui bahwa responden terbanyak dengan jenis kelamin laku-laki sebanyak 173 orang (53,56%) dan responden perempuan sebanyak 150 orang (46,44%).
3. Karakteristik responden berdasarkan pendidikan
Hasil analisis karakteristik responden berdasarkan pendidikan disajikan dalam tabel 4.3 sebagai berikut:
Tabel 4. 3 Karakteristik Responden Berdasarkan Pendidikan
Pendidikan (Tahun) Frekuensi Persentase
SMP (9 tahun) 15 4,64%
SMA (12 tahun) 190 58,82%
Diploma III (15 tahun) 10 3,1%
Sarjana 1 (16 tahun) 108 33,44%
Total 323 100%
Sumber: data diolah, 2023
Berdasarkan tabel 4.3 dapat diketahui bahwa mayoritas responden memiliki latarbelakang pendidikan SMA sebanyak 190 orang (58,82%), responden dengan pendidikan Sarjana1 sebanyak 108 orang (33,44%), responden dengan pendidikan SMP sebanyak 15 orang (4,64%) dan responden dengan pendidikan Diploma III sebanyak 10 orang (3,1%).
4. Karakteristik responden berdasarkan pendapatan
Hasil analisis karakteristik responden berdasarkan pendapatan disajikan dalam tabel 4.4 sebagai berikut:
Tabel 4. 4 Karakteristik Responden Berdasarkan pendapatan
Pendapatan
Frekuens
i persentase Rp400.000,00-Rp1.000.000,00 70 21,7%
Rp1.000.001,00-Rp2.000.000,00 111 34,4%
Rp2.000.001,00-Rp3.000.000,00 127 39,3%
Rp3.00.001,00-Rp4.000.000,00 2 0,6
> Rp4.000.001,00 13 4
Total 323 100,00%
Sumber: data diolah, 2023
Berdasarkan Tabel 4.4 dapat diketahui bahwa mayoritas responden memiliki pendapatan Rp2.000.001,00-Rp3.000.000,00 sebanyak 127 orang (39,3%). Responden dengan pendapatan Rp1.000.001- Rp2.000.000,00 sebanyak 111 orang (34,4%). Responden dengan pendapatan Rp400.000,00–Rp1.000.000,00 sebanyak 70 orang (21,7%).
Kemudian, responden dengan pendapatan >Rp4.000.001,00 sebanyak 13 orang (4%) dan responden dengan pendapatan Rp3.000.001,00- Rp4.000.000,00 sebanyak 2 orang (0,6%).
5. Karakteristik kesediaan responden berdasarkan WTP
Hasil analisis karakteristik responden berdasarkan kesediaan membayar Willingness to Pay disajikan dalam tabel 4.5 sebagai berikut:
Tabel 4. 5 Karakteristik Kesediaan Responden berdasarkan WTP
WTP Frekuensi Persentase
Bersedia 317 98,14%
Tidak Bersedia 6 1,86%
Total 323 100%
Sumber: data diolah, 2023
Berdasarkan Tabel 4.5 dapat diketahui bahwa mayoritas responden bersedia membayar Willingness to Pay sebanyak 317 orang (98,14%) dan responden yang tidak bersedia membayar Willingness to Pay sebanyak 6 orang (1,86%).
Variabel terikat yang digunakan dalam penelitian ini adalah upaya pelestarian lingkungan di ekowisata Kampung Cibeo, yaitu dengan cara kesediaan responden membayar sebesar Rp8.000,00 untuk pelestarian lingkungan. Dalam penelitian ini menggunakan sampel 323 dari 330 sampel dikarenakan ada data yang dioutlier, variabel terikat dan variabel bebas yang ada dalam penelitian ini akan diolah menggunakan SPSS 27 dengan analisis regresi logistik.
A. Deskriptif Statistik
Hasil pengolahan data primer dalam penelitian ini akan menjelaskan variabel-variabel penelitian dengan jumlah sampel sebanyak 323 responden.
Tabel 5.1 menjelaskan deskripsi statistik variabel penelitian yang digunakan dalam penelitian ini. Berdasarkan Tabel 5.1 responden termuda berusia 25 tahun dan responden tertua berusia 64 tahun.
Tabel 5. 1 Deskriptif Statistik
Variabel MIN MAX Mean Std. Deviasi
Usia 16 56 24,64 6,897
Pendidikan 9 16 13,29 2,096
Pendapatan 400000 8000000 2224195,05 1424427,466
Asal_pengunjung 8 100 61,01 25,130
Sikap Ekowisata 0 1 0,73 0,444
Frekuensi Kunjungan 1 9 2,32 1,747
Tingkat_kepuasan 0 1 0,87 0,333
52
WTP 0 1 0,98 0,135 Sumber: data diolah, 2023
Usia terendah responden yaitu 16 tahun dan tertinggi 56 tahun. Usia memiliki nilai rata-rata 24,64 dan standar deviasi 6,897. Pendidikan terendah yang ditempuh oleh responden adalah 9 tahun (SMP) dan pendidikan tertinggi yang ditempuh responden adalah 16 tahun (Sarjana1). Pendidikan dengan rata- rata sebesar 13,29 dan memiliki standar deviasi 2,096. Pendapatan terendah responden yaitu Rp400.000,00 dan pendapatan tertinggi sebesar Rp8.000.000,00 Nilai rata-rata pendapatan yaitu Rp2.224.195,00 dan standar deviasi pendapatan yaitu Rp1.424.427,00. Asal pengunjung diukur dengan kilometer (km) dimana pengunjung dengan jarak terdekat yaitu 8 km dan terjauh 100km. Nilai rata-rata 61,01 dan standar deviasi 25,130.
Sikap ekowisata merupakan variabel dummy dimana angka 1 yaitu melakukan dan angka 0 menunjukkan tidak melakukan. Nilai rata-rata 0,73 dan memiliki standar deviasi 0,444. Frekuensi kunjungan terendah responden yaitu 1 dan frekuensi terbanyak adalah 9. Frekuensi kunjungan dengan rata-rata sebesar 2,32 dan memiliki standar deviasi 1,747. Tingkat kepuasan pengunjung merupakan variabel dummy dimana angka 1 menunjukkan puas dan angka 0 menunjukkan tidak puas. Nilai rata-rata 0,87 dan memiliki standar deviasi 0,333. Willingness to pay atau kesediaan membayar adalah variabel dummy.
Angka 1 menunjukkan kesediaan responden membayar sebesar Rp8.000,00 dan angka 0 menunjukkan ketidaksediaan responden membayar sebesar
Rp8.000,00. Willingness to Pay memiliki nilai rata-rata 0,98 dan memiliki nilai standar deviasi 0,135.
B. Hasil Uji Regresi Logistik
Regresi logistik adalah teknik analisis yang digunakan dalam penelitian ini. Untuk menentukan komponen yang memengaruhi willingness to pay pelestarian suku Baduy di kampung Cibeo, analisis regresi logistik digunakan.
Metode analisis statistika yang dikenal sebagai regresi logistik digunakan untuk menjelaskan hubungan antara peubah respons (dependen variabel) dari dua atau lebih kategori dengan satu atau lebih peubah penjelas (independen variabel).
1. Uji Ketepatan Klasifikasi
Uji ketepatan klasifikasi digunakan untuk menentukan ketepatan dari model regresi sehingga dapat diketahui peluang Willingness to Pay terhadap pelestarian lingkungan suku Baduy di kampung Cibeo.
Tabel 5. 2 Hasil Uji Ketepatan Klasifikasi
Observed
Predicted WTP (Rp8.000,00)
Percentage Correct Tidak
Bersedia Bersedia
Step 1
WTP (Rp8.000,00)
Tidak
Bersedia 1 5 16,7
Bersedia 0 317 100,0
Overall Percentage 98,5
Sumber: data diolah, 2023
Berdasarkan tabel 5.2 dapat diketahui bahwa prediksi responden yang bersedia membayar Rp8.000,00 sebanyak 317. Hal ini sesuai dengan observasi langsung yang menunjukkan bahwa responden yang bersedia membayar Rp8.000,00 sebanyak 317 orang. Responden yang tidak bersedia membayar Rp8.000,00 sebanyak 6 orang, sedangkan pada hasil observasi langsung responden yang tidak bersedia membayar Rp8.000,00 sebanyak 1 orang. Hasil uji ketepatan klasifikasi adalah 98,5% artinya dalam 100 observasi terdapat 98% ketepatan klasifikasi oleh model regresi logistik.
2. Uji Hosmer dan Lemeshow
Uji Hosmer dan Lemeshow pada regresi logistik digunakan untuk menilai ketepatan model. Pengujian ini dengan melihat nilai goodness of fit test yang diukur dengan nilai chi square pada tingkat signifikansi 0,05.
Keputusan penerimaan hipotesis yaitu H0 diterima jika nilai sig > 0,05 artinya model regresi fit atau sesuai dengan data dan H0 ditolak jika nilai sig
< 0,05 artinya model regresi tidak fit atau tidak sesuai dengan data (Lamidi, 2007).
Tabel 5. 3 Uji Hosmer dan Lemeshow Hosmer and Lemeshow Test Ste
p
Chi-suare df Sig.
1 0,432 8 1,000
Sumber: data diolah, 2023
Berdasarkan tabel 5.3 dapat diketahui bahwa nilai chi square sebesar 0,432 dengan nilai signifikansi 1,000 > 0,05 artinya bahwa usia, pendidikan,
pendapatan, asal pengunjung, sikap ekowisata, frekuensi kunjungan dan tingkat kepuasan dapat memprediksi nilai observasinya.
3. Uji Determinasi R2
Uji Nagelkerke Square digunakan utuk mengetahui persentase kecocokan model. Persentase kecocokan dalam Nagelkerke Square berkisar antara 0 hingga 1. Nilai 1 pada Nagelkerke Square menunjukkan kecocokan sempurna antara variabel dependen dan variabel independent, sedangkan nilai 0 menunjukkan tidak terdapat hubungan antara variabel dependen dan variabel independent.
Tabel 5. 4 Hasil Uji Nagelkerke Square Model Summary
Ste p
-2 Log likelihood Cox & Snell R Square
Nagelkerk e R Square
1 32,788a 0,080 0,474
Sumber: data diolah, 2023
Tabel 5.4 menunjukkan bahwa Nagelkerke Square sebesar 0,474 atau 47,4%. Artinya variabel independent yang ada dalam penelitian ini dapat menjelaskan variabel dependen sebesar 0,474 atau 47,4% Sedangkan sisanya 0,534 atau 53,4% dijelaskan oleh varibel lain yang tidak diteliti dalam penelitian ini.
4. Uji Signifikansi
a. Uji Signifikansi Simultan (Overall Test)
Uji signifikansi simultan bertujuan untuk mengetahui pengaruh variabel dependen terhadap varibel independen secara bersama-sama.
Hasil uji signifikansi simultan yaitu:
Tabel 5. 5 Hasil Uji Simultan Omnibus Test of Model Coefficients
Chi-square df Sig.
Step
1 Step 26,930 7 0,000
Block 26,930 7 0,000
Model 26,930 7 0,000
Sumber: data diolah, 2023
Tabel 5.5 menunjukkan bahwa nilai chi square sebesar 26,930 dengan nilai signifikansi sebesar 0,000 < 0,05. Artinya bahwa variabel usia, pendidikan, pendapatan, asal pengunjung, sikap ekowisata, frekuensi kunjungan dan tingkat kepuasan bersama-sama mempengaruhi variabel dependen.
b. Uji Signifikansi Parsial (Partial Test)
Uji signifikansi parsial dalam regresi logistik bertujuan untuk menguji signifikansi pengaruh masingmasing variabel independen terhadap variabel dependen. Kriteria lolos uji signifikansi yaitu jika nilai signifikansi < 0,05 maka pengaruh variabel independen secara parsial terhadap variabel dependen signifikan, jika nilai signifikansi > 0,05 maka pengaruh variabel independen secara parsial terhadap variabel dependen tidak signifikan. Hasil uji signifikansi dalam penelitian ini sebagai berikut:
Tabel 5. 6 Hasil Signifikansi dan Koefisien Regresi
Variabel B Sig. Exp(B)
Usia -0,133 0,047 0,875
Pendidikan 0,988 0,038 2,687
Pendapatan -0,989 0,129 0,372
Asal_pengunjung -0,069 0,090 0,934 Sikap_ekowisata 0,322 0,781 1,379 Frekuensi_kunjungan -0,832 0,020 0,435 Tingkat_kepuasan 2,621 0,020 13,751
Constant 4,224 0,419 50,817
Sumber: data diolah, 2023
Tabel 5.6 menunjukkan hasil uji signifikansi, adapun variabel yang berpengaruh terhadap willingness to pay pelestarian lingkungan kampung Cibeo yaitu usia, pendidikan, asal pengunjung, frekuensi kunjungan dan tingkat kepuasan. Sedangkan variabel yang tidak berpengaruh terhadap willingness to pay pelestarian lingkungan kampung Cibeo yaitu pendapatan dan sikap ekowisata.
1) Variabel usia
Signifikansi variabel usia yaitu 0,047 < 0,05 dan nilai koefisien sebesar -0,133. Hal tersebut menunjukkan bahwa variabel usia berpengaruh negatif terhadap willingness to pay. Nilai exp (B) sebesar 0,875. Sehingga variabel usia berpengaruh negatif dan signifikan
terhadap willingness to pay, artinya responden yang berusia lebih tua akan memiliki kesediaan membayar lebih kecil 0,875 kali dibandingkan responden yang berusia lebih muda.
2) Variabel Pendidikan
Signifikansi variabel pendidikan yaitu 0,038 < 0,05 dan nilai koefisien sebesar 0988. Hal tersebut menunjukkan bahwa variabel pendidikan berpengaruh positif terhadap Willingness to Pay. Nilai exp (B) sebesar 2,687. Sehingga variabel pendidikan berpengaruh positif dan signifikan terhadap willingness to pay, yang berarti ketika pendidikan responden semakin tinggi maka kesediaan responden membayar sebesar 2,687 kali lebih besar dibandingkan dengan responden yang berpendidikan lebih rendah.
3) Variabel pendapatan
Signifikansi variabel pendapatan yaitu 0,129 < ,05 dan nilai koefisien sebesar -0,989 serta nilai exp (B) sebesar 0,372. Hal tersebut menunjukkan bahwa variabel pendapatan berpengaruh negatif dan tidak signifikan terhadap willingness to pay.
4) Variabel asal pengunjung
Signifikansi variabel asal pengunjung yaitu 0,090 > 0,05 dan nilai koefisien sebesar -0,084 serta nilai exp (B) sebesar 0,920. Hal tersebut variabel asal pengunjung berpengaruh negatif dan tidak signifikan terhadap willingness to pay.
5) Variabel sikap ekowisata
Signifikansi variabel sikap ekowisata yaitu 0,781 > 0,05 dan nilai koefisien sebesar 0,322 serta nilai exp (B) sebesar 1,379. Hal tersebut menunjukkan bahwa variabel sikap ekowisata berpengaruh positif dan tidak signifikan terhadap willingness to pay.
6) Variabel frekuensi kunjungan
Signifikansi variabel frekuensi kunjungan yaitu 0,020 > 0,05 dan nilai koefisien sebesar -0,832. Nilai exp (B) sebesar 0,435. Sehingga variabel frekuensi kunjungan berpengaruh negatif dan signifikan terhadap willingness to pay, artinya responden yang memiliki frekuensi lebih tinggi akan memiliki kesediaan membayar lebih kecil 0,435 kali dibandingkan responden yang memiliki frekuensi lebih rendah.
7) Variabel tingkat kepuasan
Signifikansi variabel tingkat kepuasan yaitu 0,020 < 0,05 dan nilai koefisien sebesar 2,621. Nilai exp (B) sebesar 13,751. Sehingga variabel tingkat kepuasan berpengaruh positif dan signifikan terhadap willingness to pay, yang artinya semakin tinggi tingkat kepuasan maka kesediaan membayar 13,751 kali lebih tinggi.
c. Pembahasan
1. Pengaruh usia terhadap Willingness to Pay
Berdasarkan hasil pengolahan regresi logistik, variabel usia berepngaruh negatif dan signifikan terhadap willingness to pay
wisatawan dalam upaya pelestarian lingkungan di ekowisata Kampung Cibeo. Hasil penelitian ini sejalan dengan penelitian yang dilakukan oleh Diswandi et al (2018), Acevedoa et al (2018), Adamu et al (2018), zhang dan li (2020), Sardana (2019), Borzykowski et al (2017), Ntanos et al (2018) yang menyatakan bahwa usia berpengaruh negatif terhadap willingness to pay. Hal ini menunjukan seiring dengan bertambahnya usia, maka tingkat kedewasaan dan kesadaran akan pentingnya melestarikan lingkungan juga meningkat. Pengunjung tidak hanya menikmati wisata alam yang ada saat ini tetapi juga memikirkan pelestarian lingkungan wisata kampung Cibeo untuk kedepannya. Dengan demikian menjadikan usia berpengaruh terhadap willingness to pay wisata kampung Cibeo.
2. Pengaruh pendidikan terhadap Willingness to Pay
Berdasarkan hasil pengolahan regresi logistik, variabel pendidikan berepngaruh positif dan signifikan terhadap willingness to pay wisatawan dalam upaya pelestarian lingkungan di ekowisata Kampung Cibeo. Berdasarkan hasil dari penelitian yang telah dilakukan, Hasil penelitian ini sejalan dengan penelitian yang dilakukan Diswandi et al (2018), Acevedo et al (2018), Zhang dan Li 2020, Araújo, et al (2022), Sardana (2019), Adamu, et al (2018), Ntanos et al (2018), Saptutyningsih dan Selviana (2017) yang menyatakan bahwa Pendidikan berpengaruh positif terhadap