T - Arifatin - Spasial Data Panel

ANALISIS SPASIAL DATA PANEL UNTUK MENGKAJI FAKTOR-
FAKTOR YANG MEMENGARUHI KUNJUNGAN WISATAWAN

MANCANEGARA DI INDONESIA TAHUN 2011-2015
DINI ARIFATIN
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2018
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Analisis Spasial Data
Panel untuk Mengkaji Faktor-Faktor yang Memengaruhi Kunjungan Wisatawan
Mancanegara di Indonesia Tahun 2011-2015 adalah benar karya saya dengan
arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Februari 2018
Dini Arifatin
NIM 152150191
RINGKASAN
DINI ARIFATIN. Analisis Spasial Data Panel untuk Mengkaji Faktor-faktor yang
Memengaruhi Kunjungan Wisatawan Mancanegara di Indonesia Tahun 2011-
2015. Dibimbing oleh UTAMI DYAH SYAFITRI dan ANIK DJURAIDAH.
Sektor pariwisata memegang peranan penting dalam perekonomian

Indonesia. Hal ini karena sektor pariwisata sebagai sumber penyumbang Produk
Domestik Bruto (PDB), penciptaan lapangan kerja, serta mampu berperan sebagai
sumber penerimaan devisa negara. Pada tahun 2015 sektor pariwisata
menyumbang 10% PDB nasional serta memberikan kontribusi devisa nasional
terbesar keempat menurut lapangan usaha sebesar US$ 12.6 milyar setelah
komoditi minyak dan gas bumi, batu bara, dan minyak kelapa sawit (Kemenpar
2016). Kinerja sektor pariwisata sebagai penghasil devisa ditentukan oleh
kemampuan pemerintah untuk mendatangkan sebanyak mungkin wisatawan
mancanegara (wisman) ke Indonesia.
Kajian tentang wisman di Indonesia menurut negara asal beberapa tahun ke
belakang masih berkembang pada kajian data panel. Berdasarkan data BPS,
jumlah kunjungan wisman ke Indonesia dipengaruhi oleh lokasi negara asal
wisman. Jumlah wisman dari kawasan Asia pada tahun 2015 sebesar 6,7 juta
orang, sedangkan dari kawasan Amerika pada tahun yang sama sebesar 408 ribu
orang. Hal ini mengindikasikan bahwa ada kemungkinan pengaruh spasial dalam
model.
Data dalam penelitian ini menggunakan data sekunder dari beberapa sumber
publikasi. Peubah respon yang digunakan yaitu jumlah kunjungan wisatawan
mancanegara dari 34 negara asal tahun 2011-2015 yang bersumber dari BPS RI.
Tujuh peubah penjelas yang digunakan yaitu nilai tukar rupiah dengan negara asal
wisman, PDB perkapita, jumlah penduduk, indeks harga konsumen (IHK), total
impor, faktor bebas visa kunjungan singkat (BVKS), dan faktor penerbangan
langsung. Penelitian ini bertujuan untuk menentukan faktor-faktor yang
memengaruhi jumlah kunjungan wisman di Indonesia dari 34 negara asal wisman
pada tahun 2011-2015 dengan menggunakan Spatial Autoregressive Model
(SAR), Spatial Error Model (SEM), dan Spatial Durbin Model (SDM). Matriks
pembobot spasial (W) yang digunakan yaitu matriks pembobot spasial
ketetanggaan berdasarkan kawasan (W1) dan invers jarak (W2). Model SAR dan
SEM digunakan karena terdapat pengaruh lag spasial dan pengaruh galat spasial
berdasarkan hasil uji LM. Model SDM digunakan karena terdapat ketergantungan
spasial pada peubah respon dan peubah penjelas berdasarkan uji Indeks Moran.
Hasil penelitian menunjukkan model data panel yang digunakan yaitu model
data panel pengaruh tetap dengan pendekatan efek lokasi dengan melakukan
transformasi fungsi logaritma natural (ln) pada peubah respon. Nilai R2 yang
dihasilkan dari model data panel sebesar 49.42%. Dari pengujian asumsi terhadap
sisaan model, asumsi otokorelasi antar sisaan belum terpenuhi sehingga perlu
dilakukan pembentukan model spasial data panel.
Efek spasial berupa keragaman spasial dihitung menggunakan uji Breusch-
Pagan dan efek ketergantungan spasial dengan uji Indeks Morans. Berdasarkan uji
Uji Breusch-Pagan dan uji Indeks Moran, disimpulkan bahwa terdapat keragaman
dan ketergantungan spasial. Penelitian ini fokus pada ketergantungan spasial baik
pada peubah respon maupun peubah penjelas.
Model spasial data panel terbaik adalah model SEM panel pengaruh tetap
dengan pendekatan efek lokasi dan waktu dengan matriks pembobot spasial
ketetanggaan berdasarkan kawasan (W1). Model ini menghasilkan (pseudo) R2 =
74.36%, RMSE = 1.151 dan AIC = 962.09. Faktor-faktor yang berpengaruh
positif terhadap jumlah kunjungan wisatawan mancanegara di Indonesia adalah
PDB perkapita, jumlah penduduk, jumlah impor, BVKS, dan penerbangan
langsung. Faktor kurs rupiah dan IHK berpengaruh negatif terhadap jumlah
kunjungan wisatawan mancanegara di Indonesia tahun 2011-2015.
Kata kunci: data panel, wisatawan mancanegara, model panel spasial Durbin,
model panel otoregresif spasial, model panel galat spasial
SUMMARY
DINI ARIFATIN. Spatial Analysis of Panel Data to Assess Factors Influencing

Foreign Tourists in Indonesia 2011-2015. Supervised by UTAMI DYAH
SYAFITRI and ANIK DJURAIDAH
The tourism sector plays an important sector for the Indonesian economy.
This is because the tourism sectors contribute to Domestic Product (GDP), job
creation, and also a source of foreign exchange. The performance of the tourism
sector as a source of foreign exchange is determined by the ability of the
government to bring as many foreign tourists as possible to Indonesia. In 2017 the
government through the Ministry of Tourism targets the number of foreign tourist
arrivals in Indonesia of 15 million people (Kemenpar 2016) and this target every
year will always increase along with the development of tourism sector in
Indonesia. So the study of the analysis of factors that affect the number of visits of
foreign tourists in Indonesia, especially from the country of origin of foreign
tourists need to be done.
The study of foreign tourists in Indonesia by country of origin some years
before still in panel data. Based on BPS data, the number of foreign tourists
visiting Indonesia is influenced by the location of the country of origin of foreign
tourists. The number of foreign tourists from Asia in 2015 amounted to 6.7
million people, while from America in the same year amounted to 408 thousand
people. This indicates that there is a possibility of spatial influence in the model.
The data used in this research are sourced from several sources. The
response variable was the number of foreign tourists visiting from 34 countries of
origin. Explanatory variables of the study were the exchange rate of the country
currency to rupiah (Indonesian currency), GDP per capita, number of population,
consumer price index (CPI), total imports of each country, existing visa-free to
Indonesia, and existing direct flight to Indonesia. The main objective of this study
was to analyzed the factors that effected on the number of foreign tourist visiting
Indonesia using Spatial Autoregressive Model (SAR) panel, Spatial Error Model
(SEM), and Spatial Durbin Model (SDM). The weighted matrix (W) used in the
study were contiguity weight matrix based on region (W1) and inverse distance
(W2). SAR and SEM models were used because of the influence of spatial lag and
the influence of spatial errors based on the LM test. The SDM model was used
because of the spatial dependence on response and explanatory variables based on
Moran Index test.
The result show the panel data model was the fixed effect panel data
model with the location effect by transforming the natural logarithm function (ln)
on the response variable. The spatial data panel analysis showed that the panel
model did not fulfilled the assumptions of autocorrelation and the R2 (coefficient
of determination) = 49.42%. Therefore it is necessary to establish a spatial model
of panel data.
Spatial effects of spatial heterogeneity were tested by the Breusch-Pagan
test and the spatial dependence effect by the Morans Index test. The p-value of
The Breusch-Pagan test was 0.002 so it was concluded that there was spatial
heterogeneity in the model. The Moran Index test yields significant values on the
response and explanatory variables, it concluded that there was showed spatial
dependence on response and explanatory variables. In this study more emphasis
on model formation due to the existence of spatial dependence.
The best spatial panel data model was the SEM panel of both spatial and
time period fixed effect with contiguity weight matrix based on region (W1). The
SEM model produced (pseudo) R2 = 74.36%, RMSE = 1.151 and AIC = 962.09.
Based on SEM model, the factors that positively affect the number of foreign
tourists in Indonesia were GDP per capita, number of population, import amount,
existing visa-free to Indonesia and existing direct flight to Indonesia. Rupiah
exchange rate factor and CPI negatively affect the number of foreign tourists in
Indonesia in 2011-2015.
Key words: panel data, foreign tourists, Durbin spatial panel model, Otoregresive
spatial panel model, Spatial panel error model
© Hak Cipta Milik IPB, Tahun 2018
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
ANALISIS SPASIAL DATA PANEL UNTUK MENGKAJI FAKTOR-
FAKTOR YANG MEMENGARUHI KUNJUNGAN WISATAWAN
MANCANEGARA DI INDONESIA TAHUN 2011-2015
DINI ARIFATIN
Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Statistika Terapan
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2018
Penguji Luar Komisi pada Ujian Tesis : Dr Ir I Made Sumertajaya, MSi
Judul Tesis : Analisis Spasial Data Panel untuk Mengkaji Faktor-Faktor yang
Memengaruhi Kunjungan Wisatawan Mancanegara di Indonesia
Tahun 2011-2015
Nama : Dini Arifatin
NIM : G152150191
Disetujui oleh
Komisi Pembimbing
Dr Utami Dyah Syafitri, SSi MSi Dr Ir Anik Djuraidah, MS

Ketua Anggota
Diketahui oleh
Ketua Program Studi Plt. Dekan Sekolah Pascasarjana

Statistika Terapan
Dr Ir Indahwati, MSi Dr Ir Eka Intan Kumala Putri, MS
Tanggal Ujian: 25 Januari 2018 Tanggal Lulus:

PRAKATA
Puji dan syukur penulis ucapkan atas kehadirat Allah subhanahu wa ta’ala
atas segala karunia-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul
“Analisis Spasial Data Panel untuk Mengkaji Faktor-faktor yang Memengaruhi
Kunjungan Wisatawan Mancanegara di Indonesia Tahun 2011-2015” dengan baik.
Penulis mengucapkan terima kasih yang sebesar-besarnya kepada Ibu
Dr. Utami Dyah Syafitri, S.Si, M.Si. dan Ibu Dr. Ir. Anik Djuraidah, MS selaku
pembimbing, atas kesediaan dan kesabaran untuk membimbing serta membagi
ilmu kepada penulis dalam menyusun tesis ini, serta kepada Bapak Dr. Ir. I Made
Sumertajaya, MSi selaku penguji atas arahan dan bimbingannya hingga tesis ini
dapat terselesaikan dengan baik. Penulis juga mengucapkan terima kasih kepada
Pimpinan Badan Pusat Statistik (BPS) atas kesempatan yang diberikan kepada
penulis untuk menempuh jenjang Magister Statistika Terapan di Institut Pertanian
Bogor (IPB). Terima kasih pula disampaikan kepada seluruh Dosen Departemen
Statistika IPB atas ilmu yang telah diberikan dan seluruh karyawan Departemen
Statistika atas segala bantuan selama penulis mengikuti pendidikan di IPB.
Ucapan terima kasih yang tulus juga penulis sampaikan kepada suami
tercinta Ricky Yordani, Ananda tersayang Urfi, Husna, Salmah dan Waidz,
kepada (alm) Bapak, Ibu, kakak dan keluarga, serta teman-teman
seperjuangan di Pascasarjana Departemen Statistika IPB atas kasih sayang,
pengertian, bantuan dan kebersamaannya selama ini. Juga kepada semua pihak
yang tidak dapat penulis sebutkan satu per satu yang telah membantu dalam
penyusunan tesis ini.
Penulis menyadari bahwa penelitian ini masih banyak kekurangan, oleh
karena itu saran dan masukan sangat penulis harapkan demi terlaksananya
penelitian yang absah dan benar. Semoga karya ilmiah ini bermanfaat.
Bogor, Februari 2018
Dini Arifatin
DAFTAR ISI
DAFTAR TABEL xii

DAFTAR GAMBAR xii
DAFTAR LAMPIRAN xiii
1 PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
2 TINJAUAN PUSTAKA 2
Regresi 2
Regresi Data Panel 2
Matriks Pembobot Spasial 4
Analisis Spasial Data Panel 5
Model Otoregresi Spasial (SAR) 6
Model Galat Spasial (SEM) 6
Model Spasial Durbin (SDM) 7
3 METODE 8
Data 8
Metode Analisis 10
4 HASIL DAN PEMBAHASAN 15
Deskripsi Data 15
Model Regresi Data Panel 19
Model Spasial Data Panel 23
Pendugaan Parameter 24
Model Terbaik 27
Faktor-faktor yang Memengaruhi Jumlah Kunjungan Wisatawan
Mancanegara di Indonesia 28
5 SIMPULAN DAN SARAN 30

DAFTAR PUSTAKA 31
LAMPIRAN 32
RIWAYAT HIDUP 39
DAFTAR TABEL
1. Struktur data panel untuk K peubah penjelas .............................................. 3

2. Peubah yang digunakan dalam penelitian ................................................... 8
3. Nilai VIF (Variance Inflation Factor) peubah penjelas ............................ 19
4. Hasil uji Lagrange Multiplier .................................................................... 20
5. Hasil uji Chow dan uji Hausman ............................................................... 20
6. Penduga parameter regresi data panel dengan tujuh peubah penjelas ....... 21
7. Penduga parameter regresi data panel hasil transformasi dengan
tujuh peubah penjelas ................................................................................ 22
8. Uji asumsi pada sisaan model panel pengaruh tetap ................................. 22
9. Nilai Indeks Moran pada peubah respon dan peubah penjelas dengan
matriks pembobot spasial W1 tahun 2011-2015 ........................................ 23
10. Nilai Indeks Moran pada peubah respon dan peubah penjelas dengan
matriks pembobot spasial W2 tahun 2011-2015 ........................................ 23
11. Nilai uji efek spasial .................................................................................. 24
12. Pendugaan parameter model panel spasial dengan SAR pengaruh
tetap dengan efek lokasi dan waktu ........................................................... 25
13. Pendugaan parameter model panel spasial dengan SEM pengaruh
tetap dengan efek lokasi dan waktu ........................................................... 26
14. Pendugaan parameter model panel spasial SDM pengaruh tetap
dengan efek lokasi dan waktu .................................................................... 27
DAFTAR GAMBAR
1. Matriks pembobot spasial .......................................................................... 12

2. Peta sebaran jumlah kunjungan wisatawan mancanegara di Indonesia
menurut negara asal tahun 2015 ................................................................ 16
3. Diagram kotak garis peubah wisman berdasarkan tahun .......................... 16
4. Peta sebaran nilai tukar rupiah negara asal wisatawan mancanegara
di Indonesia tahun 2015 ............................................................................. 17
5. Peta sebaran PDB perkapita negara asal wisatawan mancanegara di
Indonesia tahun 2015 ................................................................................. 17
6. Peta sebaran jumlah penduduk negara asal wisatawan mancanegara
di Indonesia tahun 2015 ............................................................................. 18
7. Peta sebaran IHK negara asal wisatawan mancanegara di Indonesia
tahun 2015 ................................................................................................. 18
8. Peta sebaran jumlah impor negara asal wisatawan mancanegara di
Indonesia tahun 2015 ................................................................................. 19
9. Grafik transformasi Box-Cox .................................................................... 21
10. Plot kuantil-kuantil sisaan dari model SEM .............................................. 29
11. Plot sisaan dan berdasarkan tahun dari model SEM .............................. 29
12. Plot sisaan berdasarkan negara .................................................................. 30
DAFTAR LAMPIRAN
1. Matriks Pembobot Spasial berdasarkan kawasan (W1) yang sudah

dibakukan .................................................................................................. 33
2. Matriks pembobot spasial invers jarak (W2) yang sudah dibakukan ........ 34
3. Nilai Longitude dan Latitude Bandara Internasional ................................ 35
4. Dugaan Koefisien pengaruh tetap ̂ ) setiap negara pada model
panel .......................................................................................................... 36
5. Nilai koefisien lag spasial , koefisien galat spasial ( , (pseudo)
R2, RMSE, AIC spasial panel pengaruh tetap efek lokasi dan waktu ...... 37
6. Dugaan Koefisien pengaruh tetap ̂ ) setiap tahun pada model
SEM .......................................................................................................... 37
7. Dugaan Koefisien pengaruh tetap ̂ ) setiap negara pada model
panel .......................................................................................................... 38
1 PENDAHULUAN
Latar Belakang
Sektor pariwisata memegang peranan penting dalam perekonomian

Indonesia karena selain sebagai sumber penyumbang Produk Domestik Bruto
(PDB) dan penciptaan lapangan kerja, sektor pariwisata juga mampu berperan
sebagai sumber penerimaan devisa negara. Pada tahun 2015 sektor pariwisata
menyumbang 10% PDB nasional serta memberikan kontribusi devisa nasional
terbesar keempat menurut lapangan usaha sebesar US$ 12.6 Milyar setelah
komoditi minyak dan gas bumi, batu bara dan minyak kelapa sawit (Kemenpar
2016). Kinerja sektor pariwisata sebagai penghasil devisa ditentukan oleh
kemampuan pemerintah untuk mendatangkan sebanyak mungkin wisatawan
mancanegara (wisman) ke Indonesia.
Jumlah kunjungan wisatawan mancanegara di Indonesia dipengaruhi oleh
berbagai faktor. Faktor-faktor yang mempengaruhi jumlah kunjungan wisatawan
mancanegara di Indonesia bisa dilihat menurut negara asal wisatawan
mancanegara (data lintas objek). Jumlah kunjungan wisman di Indonesia juga
perlu diamati dari waktu ke waktu untuk melihat perkembangannya (data deret
waktu). Data jumlah kunjungan wisatawan mancanegara memiliki dimensi lokasi
dan waktu atau disebut data panel.
Kajian tentang wisatawan mancanegara di Indonesia menurut negara asal
beberapa tahun ke belakang masih berkembang pada kajian data panel. Putri
(2014) dalam penelitiannya menggunakan data panel cross-section menyatakan
bahwa nilai tukar rupiah dan jarak geografis antara Indonesia dengan negara asal
berpengaruh secara signifikan terhadap jumlah kunjungan wisatawan
mancanegara ke Indonesia. Sedangkan Hidayanti (2016) menyimpulkan bahwa
jumlah kunjungan wisatawan mancanegara di Indonesia menurut negara asal
dipengaruhi oleh berbagai faktor yaitu PDB perkapita, jarak negara asal dengan
negara Indonesia, harga relatif, dan peubah dummy keamanan. Berdasarkan data
BPS, jumlah kunjungan wisman ke Indonesia dipengaruhi oleh lokasi negara asal
wisatawan mancanegara. Jumlah wisatawan mancanegara dari kawasan Asia pada
tahun 2015 sebesar 6,7 juta orang, sedangkan dari kawasan Amerika pada tahun
yang sama sebesar 408 ribu orang. Hal ini mengindikasikan bahwa ada
kemungkinan pengaruh spasial dalam model.
Menurut Elhorst (2010) terdapat beberapa model spasial data panel, antara
lain yaitu Spatial Autoregressive Models (SAR), Spatial Error Models (SEM), dan
Spatial Durbin Model (SDM). Model SAR adalah model regresi spasial yang
terdapat ketergantungan spasial pada peubah responnya. Model SEM atau Galat
Spasial adalah model regresi spasial yang terdapat ketergantungan spasial pada
galat, sedangkan model SDM terdapat ketergantungan spasial pada peubah respon
dan peubah penjelasnya. Penelitian tentang SDM dilakukan oleh Agusti (2015)
namun terkait kasus pemodelan data panel kemiskinan di pulau Jawa.
Penelitian ini bertujuan untuk menentukan faktor-faktor yang memengaruhi
jumlah kunjungan wisman di Indonesia dari 34 negara asal wisman pada tahun
2011-2015 dengan menggunakan model SAR, SEM, dan SDM. Matriks pembobot
2
spasial yang digunakan yaitu matriks pembobot spasial ketetanggaan berdasarkan

kawasan dan matriks invers jarak. Penelitian ini diharapkan dapat memberikan
manfaat bagi pemerintah sebagai bahan informasi dan masukan untuk perumusan
kebijakan dalam pengembangan sektor pariwisata di Indonesia.
Tujuan Penelitian
Tujuan dari penelitian ini adalah menentukan faktor-faktor yang

memengaruhi jumlah kunjungan wisatawan mancanegara di Indonesia dari 34
negara asal pada tahun 2011-2015 dengan menggunakan model panel spasial.
2 TINJAUAN PUSTAKA
Regresi
Analisis regresi adalah analisis statistika yang yang memanfaatkan

hubungan antara dua atau lebih peubah sehingga salah satu peubah (y) dapat
diramalkan dari peubah lainnya (X1, X2, … , Xp). Bila hanya terdapat satu peubah
X dan satu peubah Y maka dinamakan regresi linier sederhana sedangkan jika
memiliki lebih dari satu peubah X maka dinamakan regresi linier berganda. Secara
umum, hubungan tersebut dapat dinyatakan sebagai berikut:
∑ X
dimana:
: peubah respon pada pengamatan ke-i (i =1, 2, … n)
: konstanta
: parameter regresi ke-j (j=1, 2, … k)
: peubah penjelas ke-j pada pengamatan ke-i
: sisaan dengan asumsi bebas, stokastik, dan identik dengan
)
Khusus untuk analisis regresi berganda, tidak boleh ada korelasi antar peubah
bebasnya (multikolinear).
Regresi Data Panel
Data panel merupakan gabungan dari data lokasi dan data deret waktu.
Analisis data panel digunakan ketika pengamatan terhadap sebuah fenomena atau
peristiwa tidak cukup hanya dilakukan terhadap unit-unit amatan dalam satu
3
waktu tertentu saja, tetapi juga mengamati unit-unit tersebut pada berbagai
periode waktu. Tabel 1 menunjukkan struktur data panel untuk k peubah penjelas,
dengan n adalah banyaknya unit lintas objek dan T adalah banyaknya unit deret
waktu. Data pada peubah respon dan penjelas pada pendugaan analisis data panel
ini disusun berdasarkan unit lintas objek terlebih dahulu, selanjutnya berdasarkan
unit deret waktunya. Secara umum, model regresi data panel dinyatakan sebagai
berikut:
(2)
dengan i ,2,3,…,n ; t ,2,3,….,T ; k ,2,3,….,K ; dengan n menyatakan

banyaknya lokasi, T merupakan banyaknya deret waktu, dan K menyatakan
banyaknya peubah penjelas. Vektor adalah vektor koefisien parameter
berukuran K×1. adalah respon lokasi ke-i untuk waktu ke-T, dan adalah
matriks peubah penjelas berukuran n x K untuk lokasi ke-i dan periode waktu ke-
t, serta merupakan galat pada objek lokasi ke-i dan waktu ke-t (Baltagi 2005).
Komponen sisaan dua arah pada model regresi persamaan (2) dapat
didefinisikan sebagai berikut:
(3)
dengan merupakan pengaruh unit lokasi, merupakan pengaruh waktu, dan

merupakan sisaan lokasi ke-i dan deret waktu ke-t (Baltagi 2005).
Tabel 1 Struktur data panel untuk K peubah penjelas
Lokasi ke-i Waktu ke-t

1 1
1 T
2 1
2 T
N 1
N T
Menurut Baltagi (2005) beberapa kelebihan menggunakan data panel

diantaranya adalah : (1) memberikan informasi yang lebih lengkap, dan
menangkap lebih banyak keragaman; (2) dapat menjelaskan efek yang tidak dapat
dijelaskan pada data deret waktu atau data lokasi saja; (3) memungkinkan jumlah
data yang besar sehingga meningkatkan derajat bebas, yang berakibat
meningkatkan efisiensi pendugaan.
Secara umum, ada tiga bentuk model regresi data panel yaitu:
1. Model Gabungan (Pooled Model)
Pada model ini diasumsikan semua objek memberikan pengaruh yang sama
sehingga data untuk setiap objek dapat digabungkan untuk setiap periode
4
waktu. Setelah data digabung, selanjutnya dimodelkan seperti regresi linier

pada persamaan (1), maka didapatkanlah model gabungan yang mewakili
semua objek.
2. Model Pengaruh Tetap (Fixed Effect Model)
Objek yang digunakan (n) kebanyakan merupakan objek agregat atau hanya
fokus terhadap n objek saja. Asumsi yang harus dipenuhi adalah:
(i) diasumsikan tetap sehingga dapat diduga
(ii) bebas stokastik identik
(iii) saling bebas dengan untuk setiap i dan t.
3. Model Pengaruh Acak (Random Effect Model)
Objek yang digunakan biasanya merupakan objek yang dipilih secara acak
dari populasi yang besar. Asumsi yang harus dipenuhi dalam model ini
adalah:
(i) bebas stokastik
(ii) (0, ) bebas stokastik identik
(iii) saling bebas dengan dan untuk setiap i dan t
Matriks Pembobot Spasial
Matriks pembobot spasial merupakan matriks yang menggambarkan

kekuatan interaksi antar daerah dan diperoleh berdasarkan informasi jarak atau
ketetanggaan. Diagonal dari matriks ini umumnya diisi dengan nilai nol. Karena
matriks pembobot menunjukan hubungan antara keseluruhan lokasi, maka
dimensi dari matriks ini adalah nxn, dengan n adalah banyaknya lokasi atau
banyaknya unit lintas objek (Dubin 2009).
Beberapa pendekatan yang dapat digunakan untuk menampilkan hubungan
spasial antar lokasi, diantaranya adalah konsep persinggungan (contiguity).
Matriks contiguity menunjukkan hubungan spasial suatu lokasi dengan lokasi
lainnya yang bertetangga. Pemberian nilai 1 diberikan jika lokasi-i bertetangga
langsung dengan lokasi-j, sedangkan nilai 0 diberikan jika lokasi-i tidak
bertetangga dengan lokasi-j. Lee dan Wong (2001) menyebut matriks ini dengan
matriks biner, yang dinotasikan dengan C, dan cij merupakan nilai dalam matriks
baris ke-i dan kolom ke-j. Nilai pada matriks ini selanjutnya digunakan untuk
penghitungan matriks pembobot spasial W. Isi dari matriks pembobot spasial W
pada baris ke-i dan kolom ke-j adalah wij. Nilai pada penelitian ini yaitu :
∑
(4)
Selanjutnya dilakukan normalisasi pada matriks pembobot spasial yang
akan digunakan. Normalisasi matriks pada umumnya digunakan normalisasi
baris (row-normalize), artinya bahwa matriks tersebut ditransformasi sehingga
jumlah masing-masing baris matriks menjadi sama dengan satu.
Matriks kebalikan jarak merupakan salah satu cara membentuk matriks
pembobot spasial berdasarkan info jarak. Nilai bobot dari invers jarak diperoleh
dengan melakukan penghitungan jarak sebenarnya antar lokasi. Lokasi yang
berdekatan memperoleh bobot nilai yang lebih besar dan sebaliknya lokasi yang
berjauhan memperoleh bobot yang lebih kecil.
5
Bobot kebalikan jarak dirumuskan sebagai berikut :
,
{∑ (5)
,
dengan ⁄ , dimana merupakan jarak antar lokasi ke-i dan ke-j.
Menurut Fotheringham et al. (2002), beberapa fungsi pembobot dalam analisis

spasial, antara lain:
1. w =1 untuk semua nilai i dan j. model spasial dengan pembobot ini akan
menghasilkan model regresi biasa, dimana setiap data pada semua lokasi
akan diberikan pembobot yang sama yaitu 1, tanpa melihat letak atau
jaraknya dengan lokasi lainnya.
2. w jika , dan w untuk . Nilai d adalah jarak minimal
antar lokasi yang dianggap sudah tidak memengaruhi satu sama lain. Jika
jarak lokasi ke-i ke lokasi ke-j kurang dari d ( , maka semua data
pada lokasi tersebut digunakan dan diberi bobot yang sama yaitu 1.
3. w ( ⁄ ) , dengan jarak dari lokasi–i ke lokasi–j dan b
adalah lebar jendela , yaitu suatu nilai parameter penghalus fungsi yang
nilainya selalu positif. Fungsi ini biasa disebut fungsi kernel normal
(Gaussian).
4. w * ( ⁄ ) + jika dan w untuk . Fungsi ini
mengikuti bentuk kernel pembobot ganda (bi-weight) dan biasa disebut
sebagai fungsi pembobot kernel kudrat ganda (bi-square).
5. w ⁄ , dengan adalah rank (peringkat) jarak dari lokasi–i
ke lokasi–j. Jarak paling dekat menghasilkan nilai mendekati 1, dan akan

berkurang dengan semakin bertambahnya jarak lokasi–i ke lokasi–j.
Lebar jendela (bandwith) merupakan nilai yang perlu ditetapkan, sebagai
gambaran jarak maksimal suatu lokasi masih memengaruhi lokasi lainnya. Salah
satu cara yang dapat digunakan sebagai kriteria untuk mendapatkan nilai lebar
jendela optimum adalah dengan meminimumkan nilai koefisien validasi silang,
yaitu: CV= ∑ [ ]
dengan adalah nilai dugaan dengan pengamatan pada lokasi ke-i
dihilangkan dari proses prediksi. Lebar jendela optimum dapat diperoleh dengan
proses iterasi hingga didapatkan CV minimum.
Analisis Spasial Data Panel
Menurut Elhorst (2010), terdapat beberapa bentuk regresi spasial, yaitu

Spatial Autoregressive Models (SAR), Spatial Error Models (SEM), dan Spatial
6
Durbin Model (SDM). Model SAR atau Otoregresi Spasial adalah model regresi
spasial yang terdapat ketergantungan spasial pada peubah responnya. Model SEM
atau Galat Spasial adalah model regresi spasial yang terdapat ketergantungan
spasial pada galat, sedangkan Model SDM terdapat ketergantungan spasial pada
peubah respon dan penjelasnya.
Model Otoregresi Spasial (SAR)
Model otoregresi spasial data panel dinyatakan pada persamaan berikut :
∑ (6)
adalah koefisien otoregresi spasial menggambarkan rata-rata pengaruh spasial

dari nilai peubah respon pada lokasi lainnya dan adalah elemen dari matriks
pembobot spasial yang telah dinormalisasi (W). merupakan pengaruh unit
lokasi. merupakan pengaruh waktu. Pendugaan parameter pada model ini
menggunakan penduga kemungkinan maksimum/(Maximum Likelihood
Estimation) (Elhorst 2010).
Fungsi kemungkinan maksimum dari model SAR pada persamaan (6)
dengan pengaruh tetap adalah sebagai berikut :
2 | |
2
2
2
-2 2∑ ∑ ( - ∑ - - ) (7)
Model Galat Spasial (SEM)
Model galat spasial data panel dinyatakan pada persamaan berikut :

(8)
∑ (9)
adalah bentuk sisaan atau galat dari spasial otokorelasi dan adalah koefisien
otokorelasi spasial. merupakan pengaruh unit lokasi atau objek yang tidak
terobservasi. merupakan pengaruh waktu yang tidak terobservasi. Pendugaan
parameter pada model ini juga menggunakan penduga kemungkinan maksimum
(Elhorst 2010). Fungsi kemungkinan maksimum dari model SEM pada persamaan
(8) dengan pengaruh tetap adalah sebagai berikut :
2
- 2 | - |- 2 2 ∑ ∑ ( - *∑ +
2
2
( - [∑ ]) ) (10)
7
Model Spasial Durbin (Spatial Durbin Model / SDM)
Model spasial durbin dinyatakan pada persamaan berikut :
∑ ∑ ∑ (11)
dengan adalah vektor koefisien parameter spasial peubah penjelas.

merupakan pengaruh unit lokasi. merupakan pengaruh waktu yang tidak
terobservasi. Menurut Elhorst (2010), pendugaan parameter model SDM juga
menggunakan pendekatan penduga kemungkinan maksimum. Fungsi
kemungkinan maksimum model SDM panel dengan pengaruh tetap adalah
sebagai berikut :
2
- 2 | - |- 2 2
2
2
∑ ∑ ( - ∑ - - ∑ ∑ - ) (12)
Interpretasi pada model regresi spasial LeSage dan Pace (2009)

mengembangkan ukuran-ukuran yang merupakan rataan dari efek tersebut, yaitu:
1. Efek langsung (direct effect)
Merupakaan rataan dari pengaruh perubahan peubah penjelas ke-k terhadap
peubah respon pada lokasi yang sama, termasuk didalamnya pengaruh umpan
balik sebagai pengaruh dari ketergantungan spasialnya. Formula dari efek
langsung adalah sebagai berikut :
⁄ (13)
2. Efek total (total effect)
Nilai ini mempunyai dua interpretasi yang berbeda untuk satu nilai. Pertama,
merupakan rata-rata pengaruh peubah penjelas dari semua lokasi terhadap
nilai peubah respon pada suatu lokasi. Kedua, mengukur rataan pengaruh
total kumulatif perubahan suatu peubah penjelas di suatu lokasi terhadap
peubah respon di semua lokasi. Formula dari efek total adalah sebagai
berikut :
⁄ (14)
dengan i’ …
3. Efek tidak langsung (indirect effect)
Mengukur rataan pengaruh dari perubahan peubah penjelas pada lokasi lain
terhadap nilai peubah respon di suatu lokasi. Efek tidak langsung merupakan
pengurangan efek total dan efek langsung.
8
3 METODE
Data
Data dalam penelitian ini menggunakan data sekunder terkait kunjungan

wisatawan mancanegara dari beberapa sumber publikasi tahun 2011-2015.
Cakupan data penelitian adalah 34 negara asal wisman yaitu dari kawasan
ASEAN (Singapura, Malaysia, Vietnam, Filipina dan Thailand), kawasan Asia
(Pakistan, Bangladesh, Jepang, Korea Selatan, Taiwan, Cina, India, dan
Hongkong), kawasan Oceania (Australia dan Selandia Baru), kawasan Amerika
(Amerika Serikat dan Kanada), kawasan Eropa (Inggris, Belanda, Jerman, Prancis,
Rusia, Italia dan Spanyol), kawasan Timur tengah (Saudi Arabia, Mesir, Uni
Emirat Arab, Kuwait dan Bahrain), kawasan Afrika (Yaman, Tunisia, Marocco,
Nigeria dan Afrika Selatan).
Peubah respon yang digunakan yaitu jumlah kunjungan wisatawan
mancanegara dari 34 negara asal. Wisatawan mancanegara sesuai dengan
rekomendasi United Nation World Tourism Organization (UNWTO) adalah setiap
orang yang mengunjungi suatu negara diluar tempat tinggalnya, didorong oleh
satu atau beberapa keperluan tanpa bermaksud memperoleh penghasilan di tempat
yang dikunjungi dan lamanya kunjungan tersebut tidak lebih dari 12 (dua belas)
bulan.
Tabel 2 Peubah yang digunakan dalam penelitian
Nama Peubah Satuan Sumber data

Jumlah Kunjungan Orang BPS RI
wisman (wisman)
Nilai tukar rupiah (kurs IDR Bank Indonesia dan https://fx-rate.net/
rupiah) historical/
PDB per kapita (PDB) (ribu) USD World Bank melalui data.worldbank.org
dan Statistik Nasional Republik Cina
Jumlah penduduk (juta) World Bank melalui data.worldbank.org
(penduduk) Orang dan Statistik Nasional Republik Cina
Indeks Harga Indeks World Bank melalui data.worldbank.org
Konsumen (IHK) dan Statistik Nasional Republik Cina
Total impor (Impor) Milyar The CIA World Fact Book melalui
USD www.cia.gov
Faktor BVKS 1 : ada Pepres RI No.43 th 2011 & Pepres RI
(BVKS) 0 : tidak No.69 th 2015
Faktor Penerbangan 1 : ada Berbagai sumber

langsung (Langsung) 0 : tidak
9
Peubah penjelas dalam penelitian ini mengacu kepada penelitian-penelitian

sebelumnya terkait dengan kunjungan wisatawan mancanegara. Fernando (2010)
meneliti tentang perkembangan wisatawan ke Australia dengan indikator peubah
utama negara asal wisatawan yang digunakan antara lain: Produk Domestik Bruto
(PDB), indeks harga konsumen (IHK), nilai saham, total ekspor, total impor dan
tingkat pengangguran. Sedangkan Hermawan dan Wardhana (2016) meneliti
tentang analisis faktor yang memengaruhi kunjungan wisatawan mancanegara ke
Indonesia menggunakan peubah penjelas antara lain: PDB perkapita, nilai promosi
pariwisata di negara asal wisman, kurs riil rupiah terhadap negara asal wisman
dan jarak.
Peubah penjelas yang digunakan adalah nilai tukar rupiah dengan negara
asal wisman, PDB perkapita, jumlah penduduk, indeks harga konsumen (IHK),
total impor, faktor bebas visa, dan faktor ada tidak penerbangan langsung (Tabel
2). Data yang digunakan adalah data sekunder.
Peubah penjelas pertama merupakan nilai tukar mata uang Indonesia dengan
mata uang negara asal wisatawan yang dinyatakan dengan satuan IDR. PDB
perkapita yang diartikan sebagai besarnya pendapatan rata-rata penduduk di suatu
negara. PDB perkapita adalah produk domestik bruto dibagi dengan jumlah
penduduk pertengahan tahun. Jumlah penduduk adalah mereka yang sudah
menetap di suatu wilayah paling sedikit enam bulan atau kurang dari enam bulan
tetapi bermaksud untuk menetap, yang dinyatakan dalam satuan juta orang. Indeks
harga konsumen (IHK) adalah indeks yang mengukur rata-rata perubahan harga
antar waktu dari suatu paket jenis barang dan jasa yang dikonsumsi oleh
penduduk/rumah tangga di daerah perkotaan dengan dasar suatu periode tertentu.
Total impor adalah total impor nilai basis barang yang diperdagangkan dalam
satuan milyar US dolar yang dihitung berdasarkan nilai tukar mata uang.
Bebas visa kunjungan singkat (BVKS) adalah kunjungan tanpa visa yang
diberikan sebagai pengecualian bagi orang asing warga negara dari negara tertentu
yang bermaksud mengadakan kunjungan ke Indonesia dalam rangka berlibur,
kunjungan sosial budaya, kunjungan usaha dan tugas pemerintahan. Bebas Visa
Kunjungan Singkat diberikan dalam waktu 30 (tiga puluh) hari tidak dapat
diperpanjang masa berlakunya, dan tidak dapat dialihstatuskan menjadi izin
keimigrasian lainnya. Pada tahun 2014 terdapat 15 negara yang mendapatkan
BVKS sesuai dengan Pepres RI No.43 tahun 2011 yaitu negara Thailand,
Malaysia, Singapura, Brunai Darussalam, Phillipina, Chili, Maroko, Peru,
Vietnam, Ekuador, Kamboja, Laos, Myanmar, Hongkong SAR dan Macao SAR.
Tahun 2015 jumlah negara yang mendapatkan BVKS bertambah 30 negara sesuai
dengan Pepres RI No.69 tahun 2015 yaitu Republik Rakyat Tiongkok, Rusia,
Korea Selatan, Jepang, Amerika Serikat, Kanada, Selandia Baru, Mexico, Inggris,
Jerman, Perancis, Belanda, Italia, Spanyol, Swiss, Belgia, Swedia, Austria,
Denmark, Norwegia, Finlandia, Polandia, Hungaria, Ceko, Qatar, Uni Emirat
Arab, Kuwait, Bahrain, Oman, dan Afrika Selatan.
Penerbangan langsung adalah penerbangan ketika penumpang tidak perlu
berganti pesawat di antara tempat keberangkatan dan tujuan akhir. Peubah
penerbangan langsung menggunakan peubah dummy dengan nilai 1 jika terdapat
penerbangan langsung dan nilai 0 jika tidak ada penerbangan langsung.
10
Metode Analisis
Analisis dan pemodelan dilakukan menggunakan software program

statistika R 3.3.2. Software R digunakan untuk mengolah data, packages utama
yang digunakan adalah packages splm dan packages plm. Langkah- langkah
analisis data yang dilakukan dalam penelitian ini adalah:
1. Melakukan eksplorasi data peubah respon dan peubah-peubah penjelas
menggunakan analisis deskriptif serta menampilkannya dalam peta tematik.
2. Melakukan pemodelan regresi data panel
a) Melakukan pengecekan multikolinearitas
b) Melakukan pengecekan pengaruh waktu dan lokasi dengan uji
Pengganda Lagrange.
Uji Pengganda Lagrange digunakan untuk menguji efek waktu dan
lokasi pada data panel. Berdasarkan Baltagi (2005) hipotesis dan
statistik uji yang digunakan pada data panel adalah:
b.1 Pengujian efek waktu dan lokasi
H0 : (tidak terdapat efek waktu dan lokasi)
H1 : minimal ada satu yang tidak nol (minimal terdapat efek waktu
atau lokasi)
Statistik uji yang digunakan adalah sebagai berikut:
̂ ̂ ̂ ̂
[[ * ̂ ̂ + ] * ̂ ̂ +] (15)
(16)
Dengan ̂ adalah sisaan model regresi, adalah matriks identitas
yang berdimensi n, merupakan konector product, dan adalah
matriks satu yang berdimensi t.
Kriteria uji : tolak H0 jika nilai statistik uji LM lebih besar dari
.
b.2 Pengujian efek lokasi
H0 : (tidak terdapat efek lokasi)
H1 : (terdapat efek lokasi)
Statistik uji yang digunakan sebagai berikut:
̂ ̂
* ̂ ̂ + (17)
(18)
Kriteria uji: tolak H0 jika nilai statistik uji L lebih besar dari
.
b.3 Pengujian efek waktu
H0 : (tidak terdapat efek waktu)
11
H1 : (terdapat efek waktu)

Statistik uji yang digunakan sebagai berikut :
̂ ̂
* ̂ ̂ + (19)
(20)
Kriteria uji: tolak H0 jika nilai statistik uji L lebih besar dari
.
c) Menentukan model data panel yang digunakan dengan uji Chow dan
Hausman serta melakukan pendugaan parameternya dengan MLE.
Uji Chow digunakan untuk menguji signifikansi antara model gabungan
dan model pengaruh tetap. Hipotesis yang diuji adalah :
H0 : model gabungan)
H1 : minimal terdapat satu (model efek tetap)
Statistik uji yang digunakan adalah :
(21)
Dengan diperoleh dari jumlah kuadrat galat hasil
pendugaan model gabungan dan diperoleh dari jumlah
kuadrat galat hasil pendugaan model pengaruh tetap. Keputusan
tolak H0 jika
Fhit >F(n-1),(nT-n-K) (Baltagi 2005).
Uji Hausman digunakan untuk menguji parameter antara model
pengaruh acak dengan model pengaruh tetap. Hipotesis digunakan pada
uji ini:
H0 : ( | (model pengaruh acak)
H1 : ( | (model pengaruh tetap)
Statistik uji yang digunakan adalah:
2 -
̂ ̂ ̂ (22)
dengan ̂ = ̂ acak - ̂ ,
̂ acak = vektor koefisien peubah penjelas dari model pengaruh acak
̂ = vektor koefisien peubah penjelas dari model pengaruh tetap.
Keputusan tolak H0 jika > dengan k merupakan dimensi
vektor atau jika nilai-p < α (Baltagi 2005).
3. Melakukan pemodelan regresi spasial panel
a. Menentukan matriks pembobot spasial (W) berukuran 34 x 34 sesuai
yang diilustrasikan di Gambar 1 dengan fungsi pembobot ketetanggaan
berdasarkan kawasan (W1) dan pembobot kebalikan jarak (W2). W1 dan
W2 yang digunakan adalah yang sudah dinormalisasi. Matriks pembobot
yang sudah dinormalisasi/dibakukan dapat dilihat pada Lampiran 1 dan
2.
W1 disusun berdasarkan informasi ketetanggaan menggunakan konsep
kawasan dimana lokasi negara yang berada dalam satu kawasan
ASEAN, Asia, Amerika, Oceania, Timur Tengah, dan Afrika dianggap
bertetangga dan diberi nilai 1.
12
W2 disusun berdasarkan info jarak. Isi dari matriks pembobot spasial W2

,
pada baris ke-i dan kolom ke-j adalah : {∑
,
dengan ⁄ , dimana merupakan jarak bandara internasional
antar negara ke-i dan ke-j berdasarkan nilai Longitute dan Latitude yang
tertera pada Lampiran 3.
Gambar 1 Matriks pembobot spasial

b. Mendeteksi adanya keragaman spasial dengan Uji Breusch-Pagan dan
autokorelasi spasial antar lokasi dengan menggunakan uji Indeks Moran.
Uji Breusch-Pagan (BP) digunakan untuk menguji keragaman spasial
dalam data. Hipotesis yang diuji adalah :
…
Dengan diasumsikan = konstan
Statistik uji Breusch-Pagan adalah :
∑ ∑ ∑ (23)
̂
dengan (̂ ); ̂ ( ̂ ) dan ̂ ∑ ̂
Kriteria uji : tolak Ho jika BP lebih besar dengan p adalah
banyaknya peubah penjelas.
Indeks Moran adalah indikator ketergantungan spasial untuk
membandingkan nilai dari suatu peubah pada suatu lokasi dengan nilai
peubah yang sama pada lokasi lainnya. Hipotesis yang digunakan yaitu :
terdapat autokorelasi spasial)
terdapat autokorelasi spasial)
Formula dari Indeks Moran adalah:
∑ ∑ ̅ ̅
I= x ̅
(24)
∑ ∑ ∑
13
Nilai indeks Moran bernilai 1 hingga -1. Statistik uji yang digunakan
sebagai berikut:
∑ ( ) ∑ (∑ )
* + (25)
(∑ )
Pengujian dengan indeks Moran dilakukan pada setiap peubah dan setiap
tahun.
c. Menentukan pengaruh spasial yang sesuai dengan uji pengganda
Lagrange data spasial.
Uji pengganda Lagrange (Lagrange Multiplier/LM test) data spasial
digunakan untuk mengetahui adanya efek interaksi spasial pada data.
Pengujian hipotesis pengganda Lagrange adalah:
c.1 Standar LM Lag
Standar LM Lag digunakan untuk melakukan uji pengaruh spasial
pada lag.
H0 : (tidak ada ketergantungan spasial lag)
H1 : (ada ketergantungan spasial lag)
Statistik uji :
[ ]
⁄
(26)
dengan :
( ̂) ( ( ) ( ̂))
[ ̂
] (27)
Statistik mengikuti sebaran

c.2 Robust LM Lag
Robust LM Lag digunakan jika pada uji Standar LM Lag
dihasilkan ketidakpastian dalam mengetahui ketergantungan yang
dimiliki oleh data.
H0 : (tidak ada ketergantungan spasial lag)
H1 : (ada ketergantungan spasial lag)
Statistik uji :
[ ]
⁄ ⁄
(28)
̂
Dengan :
( ̂) ( ( ) ( ̂))
[ ̂
]
Statistik R mengikuti sebaran

14
c.3 Standar LM error

Standar LM Lag digunakan untuk melakukan uji pengaruh spasial
pada galat.
H0 : (Tidak ada ketergantungan spasial galat)
H1 : (Ada ketergantungan spasial galat)
Statistik uji (LeSage dan Pace 2009) :
* +
⁄
(29)
Statistik mengikuti sebaran
c.4 Robust LM error
Robust LM error digunakan jika pada uji Standar LM error
dihasilkan ketidakpastian dalam mengetahui ketergantungan yang
dimiliki oleh data.
H0 : (tidak ada ketergantungan spasial galat)
H1 : (ada ketergantungan spasial galat)
Statistik uji :
[ ]
⁄ ⁄
(30)
dengan :
( ̂) ( ( ) ( ̂))
[ ̂
]
Statistik R mengikuti sebaran

d. Melakukan pengujian dan pendugaan parameter regresi pada model
spasial jumlah kunjungan wisatawan mancanegara di Indonesia tahun
2011 sampai 2015 berdasarkan pengaruh spasial yang sesuai dengan
menggunakan matriks pembobot spasial W1 dan W2
4. Memilih model terbaik dengan membandingkan Aka ke’s Informat on
Criterion (AIC), (pseudo)R2 dan Root Mean Squared Error (RMSE) dari
setiap model serta melakukan pemeriksaan asumsi pada sisaan.
-2 (31)
dengan:
K : jumlah parameter dalam model
: fungsi kemungkinan maksimum model
formula (pseudo)R2 untuk model panel spasial adalah sebagai berikut :
2
(pseudo) - (32)
̅ ̅
Dengan adalah jumlah kuadrat sisaan (JKG) model. Nilai RMSE

didapatkan melalui formula berikut:
RMSE = (33)
15
dengan db sisaan didapatkan dari (nxT) –K-n. Sedangkan T adalah

banyaknya waktu atau tahun, K adalah banyaknya parameter dalam model
dan n adalah banyak wilayah atau lokasi.
Pemeriksaan asumsi sisaan yang dilakukan yaitu kenormalan sisaan,
kehomogenan ragam sisaan, dan otokorelasi antar sisaan.
Pemeriksaan kenormalan sisaan dilakukan dengan uji Kolmogorov Smirnov.
Hipotesis yang digunakan :
H0 : Fn (x) = F0 (x), (data contoh berasal dari sebaran normal)
H1 : Fn (x) ≠ F0 (x), (data contoh tidak berasal dari sebaran normal)
dengan
Fn (x) adalah fungsi sebaran empirik (berdasarkan sampel)
F0 ( x) adalah fungsi sebaran teoritik (sesuai yang dihipotesiskan)
Statistik uji : D  Sup Fn ( x)  F0 ( x) (34)
x
Fn (x) adalah nilai peluang kumulatif (fungsi sebaran kumulatif)

berdasarkan data contoh.
F0 ( x) adalah nilai peluang kumulatif (fungsi sebaran kumulatif ) bila H0
atau P(Z<Zi).
Keputusan tolak H0 jika D > Dα.
Dα adalah nilai kritis untuk uji kolmogorov smirnov satu sampel, diperoleh
dari tabel kolmogorov smirnov satu sampel
5. Menentukan faktor-faktor yang memengaruhi jumlah kunjungan wisatawan
mancanegara berdasarkan model terbaik.
4 HASIL DAN PEMBAHASAN
Deskripsi Data
Peta sebaran jumlah kedatangan wisatawan mancanegara di Indonesia pada

tahun 2015 menurut negara asal terlihat pada Gambar 2. Jumlah kedatangan
wisatawan mancanegara menurut negara asal yang rendah sebagian besar berasal
dari kawasan Afrika dan Timur Tengah. Sementara jumlah kedatangan wisatawan
mancanegara di Indonesia menurut negara asal yang tinggi menyebar di kawasan
ASEAN dan Asia. Jumlah kedatangan wisatawan mancanegara terbesar di
Indonesia tahun 2015 berasal dari negara Singapura dan tetangganya negara
Malaysia, yaitu masing-masing sebesar 1.5 juta dan 1.2 juta. Sementara, negara
Bahrain dari kawasan Timur Tengah dan negara Tunisia dari kawasan Afrika
menjadi negara dengan jumlah kedatangan wisatawan mancanegara terkecil di
Indonesia yaitu masing-masing sebesar 1684 dan 3588.
16
Gambar 2 Peta sebaran jumlah kunjungan wisatawan mancanegara di Indonesia

menurut negara asal tahun 2015
Sebaran dari peubah respon yaitu jumlah kunjungan wisatawan
mancanegara di Indonesia ditunjukkan oleh diagram kotak garis seperti tertera
pada Gambar 3. Diagram menunjukkan bahwa data tidak simetrik atau miring ke
kanan dengan beberapa pencilan yaitu negara Singapura, Malaysia, China, dan
Australia. Keragaman antar tahun terlihat homogen sedangkan untuk negara asal
yang merupakan pencilan cenderung terus mengalami peningkatan dari tahun
2011-2015.
Gambar 3 Diagram kotak garis peubah wisman berdasarkan tahun

Peubah penjelas pertama yaitu nilai tukar rupiah terhadap mata uang negara
asal wisatawan mancanegara di Indonesia. Persebaran nilai tukar rupiah dari
negara asal wisatawan mancanegara di Indonesia terlihat pada Gambar 4. Pada
tahun 2015 negara dengan nilai tukar tertinggi berasal dari kawasan timur tengah
yaitu negara Kuwait dan Bahrain. Sedangkan nilai tukar terendah berada di
kawasan Asia yaitu negara Vietnam dan Korea Selatan.
17
Gambar 4 Peta sebaran nilai tukar rupiah negara asal wisatawan mancanegara di
Indonesia tahun 2015
Persebaran PDB perkapita dari negara asal kunjungan wisman di Indonesia
pada tahun 2015 terlihat pada Gambar 5. PDB perkapita tertinggi berasal dari
kawasan oceania yaitu negara Australia. PDB perkapita terendah berada di
kawasan Afrika yaitu negara Yaman.
Gambar 5 Peta sebaran PDB perkapita negara asal wisatawan mancanegara di

Persebaran jumlah penduduk dari negara asal wisatawan mancanegara di
Indonesia terlihat pada Gambar 6. Negara China merupakan negara dengan
jumlah penduduk terbesar yaitu 1,3 milyar orang. Negara Bahrain merupakan
negara dengan jumlah penduduk terkecil yaitu 1,3 juta orang.
18
Gambar 6 Peta sebaran jumlah penduduk negara asal wisatawan mancanegara di

Persebaran IHK dari negara asal wisatawan mancanegara di Indonesia
terlihat pada Gambar 7. Pada tahun 2015 negara dengan IHK tertinggi yaitu
negara Nigeria. Negara dengan IHK terendah yaitu negara Jepang.
Gambar 7 Peta sebaran IHK negara asal wisatawan mancanegara di Indonesia

tahun 2015
Persebaran jumlah impor dari negara asal wisatawan mancanegara di
Indonesia terlihat pada Gambar 8. Negara dengan jumlah impor terbesar pada
tahun 2015 yaitu negara Amerika Serikat. Negara dengan jumlah impor terkecil
yaitu negara Yaman berasal dari kawasan Timur Tengah.
Peubah penjelas keenam yaitu ada tidaknya fasilitas bebas visa kunjungan
singkat. Pada tahun 2015 hampir semua negara asal wisatawan mancanegara ke
Indonesia dalam penelitian ini mendapatkan fasilitas BVKS kecuali negara
Pakistan, Banglades, dan Nigeria. Pada tahun 2015 semua negara yang berada di
kawasan ASEAN terdapat penerbangan langsung ke Indonesia, sedangkan
kawasan Asia hanya negara Pakistan, Banglades, dan India yang tidak terdapat
penerbangan langsung ke Indonesia. Penerbangan langsung dari kawasan timur
19
tengah hanya terdapat pada negara Saudi Arabia dan Uni Emirat Arab. Semua
negara di kawasan Eropa, Amerika, dan Afrika tidak terdapat penerbangan
langsung ke Indonesia.
Gambar 8 Peta sebaran jumlah impor negara asal wisatawan mancanegara di

Model Regresi Data Panel
Multikolinearitas
Deteksi multikolinearitas dilakukan untuk mengetahui adanya korelasi

diantara peubah-peubah penjelas yang digunakan. Deteksi ini dilakukan dengan
menghitung nilai VIF (Variance Inflation Factor). Nilai VIF lebih besar dari 5
menunjukkan bahwa terdapat multikolinearitas pada peubah penjelas yang
dipakai. Tabel 3 memperlihatkan bahwa nilai VIF masing-masing peubah penjelas
kurang dari 5, sehingga dapat disimpulkan bahwa tidak terdapat multikolinearitas
pada semua peubah penjelas yang dipakai dalam penelitian ini.
Tabel 3 Nilai VIF (Variance Inflation Factor) peubah penjelas
Peubah VIF
Kurs.rupiah 1.7450
PDB 2.4778
Penduduk 1.9098
Impor 2.0095
IHK 1.5438
BVKS 1.2708
Langsung 1.7406
20
Efek Waktu atau Lokasi
Uji Lagrange Multiplier (LM) dilakukan untuk mengetahui adanya efek

waktu, lokasi atau keduanya. Hasil uji Lagrange Multiplier disajikan pada Tabel 4.
Berdasarkan hasil uji tersebut dapat disimpulkan bahwa efek waktu dan lokasi
serta efek lokasi berpengaruh nyata pada data jumlah kunjungan wisatawan
mancanegara di Indonesia menurut negara asal tahun 2011-2015, sedangkan efek
waktu tidak memberikan pengaruh yang nyata.
Tabel 4 Hasil uji Lagrange Multiplier
Efek LM db Nilai -p
Waktu dan Lokasi 299.09 2 0.000
Lokasi 297.5 1 0.000
Waktu 1.5856 1 0.208
Pemilihan Model Data Panel
Pemilihan model awal data panel dilakukan secara statistik dengan uji Chow,
dan uji Hausman. Hasil uji Chow dan Hausman dapat dilihat pada Tabel 5. Uji
Chow dilakukan dalam pemilihan model gabungan atau model pengaruh tetap.
Pada uji tersebut diperoleh nilai-p yang lebih kecil dari taraf nyata 5 persen,
sehingga untuk sementara dapat disimpulkan bahwa model dalam penelitian ini
adalah model pengaruh tetap. Uji Hausman dilakukan untuk menentukan antara
model acak atau model pengaruh tetap. Pada uji tersebut diperoleh nilai-p yang
lebih kecil dari taraf nyata 5 persen, sehingga model panel yang tepat digunakan
adalah model pengaruh tetap dengan efek lokasi dan model pengaruh tetap dengan
efek lokasi dan waktu.
Tabel 5 Hasil uji Chow dan uji Hausman
Hasil uji Chow Hausman

Khi- Kuadrat - 48.867
F-hit 179.09 -
Db1 37 7
Db2 125 -
Nilai-p 0.000 0.000
Pendugaan Parameter
Hasil penduga parameter dan uji parsial peubah penjelas model regresi
panel jumlah kunjungan wisatawan mancanegara di Indonesia menurut negara
asal tahun 2011-2015 dapat dilihat pada Tabel 6. Peubah PDB dan jumlah
penduduk berpengaruh positif terhadap jumlah kunjungan wisatawan
mancanegara di Indonesia menurut negara asal pada taraf nyata 5 persen. Nilai R2
21
yang dihasilkan dari model ini sebesar 0.306 dan R2 terkoreksi sebesar 0.091.
Model yang terbentuk adalah sebagai berikut :
̂
Tabel 6 Penduga parameter regresi data panel dengan tujuh peubah penjelas
Peubah Koefisien Galat baku t-hitung Nilai-p

Kurs.rupiah 4.08 2.91 1.405 0.162
PDB 8669.24 3018.32 2.872 0.005**
Penduduk 5605.29 1061.65 5.279 0.000**
Impor -227.21 128.88 -1.763 0.080*
IHK -963.59 629.77 -1.530 0.128
Faktor (BVKS) 11255.58 16573.32 0.679 0.498
Faktor (langsung) -18269.55 46156.26 -0.396 0.693
**) nyata pada α =5%, *)nyata pada α =10%
Uji asumsi kenormalan sisaan dilakukan dengan uji Kolmogorov Smirnov

(Nilai KS 0.535 dan diperoleh nilai-p sebesar 0.000 yang berarti bahwa sisaan
tidak menyebar normal. Untuk mengatasi ketidaknormalan sisaan ini dilakukan
dengan transformasi terhadap peubah respon. Transformasi dilakukan dengan
metode Box-Cox. Hasil transformasi Box-Cox didapatkan nilai lambda minimum
sebesar 0.101 (Gambar 9). Nilai lambda yang dihasilkan mendekati 0, sehingga
transformasi yang tepat adalah fungsi logaritma natural (ln) pada peubah respon.
Gambar 9 Grafik transformasi Box-Cox
Pendugaan Parameter Data Transformasi
Transformasi fungsi logaritma natural (ln) pada peubah respon dilakukan

karena nilai lambda yang dihasilkan mendekati 0 berdasarkan grafik transformasi
Box-Cox. Hasil analisis regresi panel setelah dilakukan transformasi peubah
respon dapat dilihat pada Tabel 7. Dua peubah penjelas yang berpengaruh positif
22
pada taraf nyata 5 persen, yaitu kurs rupiah dan IHK. Hasil model regresi panel
menunjukkan bahwa semua variabel penjelas memiliki nilai koefisien yang positif
kecuali peubah langsung. Hal ini berarti bahwa hampir semua peubah penjelas
memiliki hubungan positif terhadap kunjungan wisatawan mancanegara di
Indonesia. Semakin tinggi kurs rupiah dan IHK menyebabkan kenaikan kunjungan
wisatawan mancanegara di Indonesia. Nilai R2 yang dihasilkan dari model ini
sebesar 0.4942 dan R2 terkoreksi sebesar 0.3374. Nilai R2 dan R2 terkoreksi pada
model hasil transformasi mengalami kenaikan dibandingkan dengan model yang
tidak ditransformasi.
Tabel 7 Penduga parameter regresi data panel hasil transformasi dengan tujuh
peubah penjelas
Peubah Koefisien Galat baku t-hitung nilai-p

-5 -5
Kurs.rupiah 4.18 x10 1.22 x10 3.728 0.000**
PDB 1.49 x10-2 1.17 x10-2 1.276 0.204
Penduduk 1.06 x10-3 4.10 x10-3 0.258 0.797
Impor 4.87 x10-5 4.98 x10-4 0.098 0.922
-2
IHK 1.75 x10 2.43 x10-3 7.199 0.000**
Faktor (BVKS) 2.89 x10-2 6.40 x10-2 0.451 0.652
Faktor (langsung) -1.18 x10-1 1.78 x10-1 -0.660 0.510
Model yang terbentuk yaitu sebagai berikut:
̂
dengan ln( ), merupakan pengaruh lokasi atau negara ke-i, hasil
pendugaan setiap negara seperti tertera pada Lampiran 1.
Pemeriksaan asumsi sisaan dilakukan pada model data panel pengaruh tetap
dengan efek lokasi yang dihasilkan. Asumsi-asumsi yang diperiksa dirangkum
dalam Tabel 8. Pemodelan data panel pengaruh tetap dengan efek lokasi
menghasilkan model yang tidak memenuhi ketiga asumsi dalam sisaannya. Untuk
mengatasi ketiga asumsi yang tidak terpenuhi pada regresi panel dilakukan dengan
memasukkan unsur spasial dalam pembentukan modelnya.
Tabel 8 Uji asumsi pada sisaan model panel pengaruh tetap
Asumsi Uji Nilai-p Kesimpulan

Kenormalan sisaan Kolmogorov 0.000 Sisaan tidak menyebar
Smirnov normal
Kehomogenan Bartlett 0.000 Ragam sisaan tidak
ragam homogen
Kebebasan sisaan Indeks Moran 0.245 Sisaan tidak saling bebas
23
Model Spasial Data Panel
Sebelum melakukan analisis regresi spasial, diperlukan uji secara statistik

untuk mengetahui adanya keragaman spasial dan ketergantungan spasial pada
data. Keragaman spasial diuji dengan menggunakan uji Breusch-Pagan.
Ketergantungan spasial diuji dengan menggunakan indeks Moran yang tertera
pada Tabel 9 dan 10.
Uji Breusch-Pagan digunakan untuk melihat keragaman spasial dalam
model. Uji Breusch-Pagan menghasilkan nilai 22.476 dengan nilai-p sebesar
0.002. nilai-p lebih kecil dari taraf nyata 5 persen, sehingga dapat disimpulakan
bahwa terdapat keragaman dalam model. Dalam penelitian ini lebih menekankan
pada pembentukan model akibat adanya ketergantungan spasial pada data.
Ketergantungan spasial pada peubah respon dan peubah-peubah penjelas
diuji dengan menggunakan Indeks Moran untuk setiap peubah pada setiap
tahunnya. Langkah yang harus dilakukan terlebih dahulu sebelum melakukan uji
Indeks Moran adalah menentukan matriks pembobot spasial (W) berukuran 34 x
34 dengan fungsi pembobot ketetanggaan berdasarkan kawasan (W1) dan
pembobot kebalikan jarak (W2) serta menormalisasikannya dengan metode
normalisasi baris yang disajikan pada Lampiran 1 untuk matriks pembobot W1 dan
Lampiran 2 untuk matriks pembobot W2.
Tabel 9 Nilai Indeks Moran pada peubah respon dan peubah penjelas dengan
matriks pembobot spasial W1 tahun 2011-2015
Peubah 2011 2012 2013 2014 2015

Wisman 0.52** 0.50** 0.47** 0.46** 0.45**
Kurs.rupiah 0.28** 0.26** 0.26** 0.23** 0.21**
PDB 0.36** 0.25** 0.25** 0.36** 0.36**
Penduduk 0.12* 0.12* 0.12* 0.12* 0.12*
Impor 0.22** 0.20** 0.21** 0.21** 0.18**
IHK -0.10 -0.08 -0.05 -0.02 -0.02
Tabel 10 Nilai Indeks Moran pada peubah respon dan peubah penjelas dengan
matriks pembobot spasial W2 tahun 2011-2015
Peubah 2011 2012 2013 2014 2015

Wisman 0.21** 0.21** 0.20** 0.19** 0.20**
Kurs.rupiah 0.17** 0.16** 0.14** 0.13** 0.12**
PDB 0.08** 0.05** 0.05* 0.08** 0.08**
Penduduk -0.01 -0.01 -0.01 -0.01 -0.01
Impor 0.07** 0.06** 0.05** 0.05** 0.05**
IHK 0.02 0.03* 0.05** 0.07** 0.08**
24
Berdasarkan Tabel 9 dan 10 didapatkan nilai Indeks Moran pada peubah

wisman tahun 2011-2015 dengan menggunakan matriks pembobot spasial W1 dan
W2 bernilai signifikan dengan taraf nyata 5 persen. Hal ini mengindikasikan
bahwa jumlah kunjungan wisatawan mancanegara menurut negara asal di
Indonesia mempunyai ketergantungan spasial berdasarkan W1 dan W2. Hasil uji
Moran pada peubah-peubah penjelas bernilai signifikan pada taraf nyata 5%
kecuali peubah penduduk dan peubah IHK tahun 2011 dan 2012 dengan matriks
pembobot W2 dan tahun 2011-2015 dengan matriks pembobot kawasan W1.
Selanjutnya, perlu dilakukan uji Lagrange Multiplier untuk mengetahui model
spasial yang akan digunakan.
Model Ketergantungan Spasial
Uji Lagrange Multiplier (LM) dilakukan untuk mendeteksi ketergantungan

spasial dalam lag maupun galat. Hasil uji LM dapat dilihat pada Tabel 10. Nilai–p
yang dihasilkan pada Tabel 11 mengindikasikan terdapat pengaruh lag spasial dan
pengaruh galat spasial pada taraf nyata 5% baik menggunakan matriks pembobot
spasial W1 maupun W2. Oleh karena itu, selanjutnya akan dilakukan pendugaan
model panel spasial pengaruh tetap dengan SAR, SEM, dan SDM. Pendugaan
model spasial durbin (SDM) digunakan karena terdapat ketergantungan spasial
pada peubah respon dan peubah penjelas.
Tabel 11 Nilai uji efek spasial
Uji Lagrange Matriks W1 Matriks W2

Multiplier Nilai uji nilai-p Nilai uji nilai-p
Standart LM error 0.35 0.55 0.44 0.50
Robust LM Error 10.62 0.00** 8.81 0.00**
Standart LM Lag 9.27 0.00** 10.44 0.00**
Robust LM Lag 19.53 0.00** 18.80 0.00**
Pendugaan Parameter
Model Panel Spasial Dengan SAR
Model SAR merupakan model yang peubah responnya berkorelasi spasial.

Pendugaan dan pengujian parameter model panel spasial dengan SAR dilakukan
dengan pengaruh tetap dengan pendekatan efek lokasi dan waktu pada komponen
error menggunakan matriks pembobot spasial W1 dan W2. Hasil pendugaan dan
pengujian parameternya tertera pada Tabel 12.
25
Tabel 12 Pendugaan parameter model panel spasial dengan SAR pengaruh tetap
dengan efek lokasi dan waktu
Parameter Matriks W1 Matriks W2

Peubah Estimasi nilai-t nilai-p estimasi nilai-t nilai-p
Kurs.rupiah -2.71x10-05 -1.993 0.046** -3.13 x10-05 -2.274 0.023**
PDB 4.35 x10-02 6.053 0.000** 4.64 x10-02 6.468 0.000**
Penduduk 1.52 x10-03 3.479 0.000** 1.64 x10-03 3.744 0.000**
Impor 9.71 x10-04 3.949 0.000** 1.02 x10-03 4.125 0.000**
IHK -8.28 x10-04 -0.109 0.912 -4.06 x10-04 -0.053 0.957
-01
Faktor (BVKS) 5.39 x10 2.645 0.008** 5.28 x10-01 2.546 0.011**
Faktor (langsung) 1.46 5.895 0.000** 1.58 6.549 0.000**
0.10 1.708 0.087* -0.010 -0.075 0.940
(pseudo) R2 0.7583 0.7535
RMSE 1.117 1.128
AIC 957.161 959.91
** d α 5%, * d α %
Hasil pendugaan parameter model panel spasial dengan SAR pengaruh tetap
dengan efek lokasi dannwaktu menunjukkan bahwa peubah kurs rupiah, PDB
perkapita, jumlah penduduk, jumlah impor, faktor BVKS, dan faktor penerbangan
langsung berpengaruh nyata pada taraf 5% menggunakan matriks pembobot
spasial W1 maupun W2. Koefisien lag spasial dengan menggunakan matriks
pembobot spasial W1 sebesar 0.10 signifikan pada taraf 10%, sedangkan
menggunakan matriks pembobot spasial W2 tidak signifikan pada taraf 10%. R2
yang dihasilkan yaitu sebesar 75.83% menggunakan matriks pembobot spasial W1
dan sebesar 75.35% menggunakan matriks pembobot spasial W2.
Model Panel Dengan Galat Spasial (SEM)
Model SEM merupakan model yang terdapat korelasi spasial pada galatnya.
Pendugaan dan pengujian parameter model panel spasial dengan SEM dilakukan
dengan pengaruh tetap dengan pendekatan efek lokasi dan waktu pada komponen
error menggunakan matriks pembobot spasial W1 dan W2. Hasil pendugaan dan
pengujian parameternya tertera pada Tabel 13.
Hasil pendugaan parameter model SEM dengan menggunakan matriks
pembobot spasial W1 menunjukkan bahwa peubah PDB perkapita, jumlah
penduduk, jumlah impor, IHK, dan penerbangan langsung berpengaruh nyata
pada taraf 5% pada efek lokasi. Sedangkan pada efek lokasi dan waktu, peubah
PDB perkapita, jumlah penduduk, jumlah impor, BVKS, dan penerbangan
langsung berpengaruh nyata pada taraf 5%. Koefisien galat spasial dengan
efek lokasi maupun efek lokasi dan waktu signifikan pada taraf 5%. R2 yang
dihasilkan yaitu sebesar 66.69% untuk model SEM dengan efek lokasi dan sebesar
74.36% untuk efek lokasi dan waktu.
26
Tabel 13 Pendugaan parameter model panel spasial dengan SEM pengaruh tetap
dengan efek lokasi dan waktu
Parameter matriks W1 matriks W2

Kurs.rupiah -5.73 x10-06 -0.375 0.707 -3.07 x10-05 -2.187 0.029**
PDB 4.62 x10-02 6.057 0.000** 4.62 x10-02 6.472 0.000**
Penduduk 2.78 x10-03 4.829 0.000** 1.70 x10-03 3.899 0.000**
Impor 8.82 x10-04 3.178 0.001** 9.87 x10-04 3.903 0.000**
IHK -2.36 x10-03 -0.309 0.757 -2.05 x10-03 -0.268 0.788
Faktor (BVKS) 4.87 x10-01 2.627 0.008** 5.54 x10-01 2.723 0.006**
Faktor (langsung) 1.81 7.590 0.000** 1.58 6.705 0.000**
0.402 5.757 0.000** 0.1938 1.087 0.277
(pseudo) R2 0.7436 0.7533
RMSE 1.151 1.129
AIC 942.09 959.157
** d α 5%, * d α %
Hasil pendugaan parameter model panel spasial dengan SEM pengaruh tetap
dengan efek lokasi dan waktu dengan menggunakan matriks pembobot spasial W1
menunjukkan bahwa peubah PDB, jumlah penduduk, jumlah impor, faktor BVKS,
dan faktor penerbangan langsung berpengaruh nyata pada taraf 5%. Sedangkan
dengan menggunakan matriks pembobot spasial W2 menunjukkan bahwa peubah
kurs rupiah, PDB, jumlah penduduk, jumlah impor, faktor BVKS, dan faktor
penerbangan langsung berpengaruh nyata pada taraf 5%. Koefisien galat spasial
dengan menggunakan matriks pembobot spasial W1 sebesar 0.402 signifikan
pada taraf 5%, sedangkan dengan menggunakan matriks pembobot spasial W2
tidak signifikan. R2 yang dihasilkan yaitu sebesar 74.36% dengan menggunakan
matriks pembobot spasial W1 dan sebesar 75.33% dengan menggunakan matriks
pembobot spasial W2.
Model Panel Dengan Spasial Durbin (SDM)
Model SDM merupakan model yang terdapat pengaruh ketergantungan

spasial pada peubah respon dan peubah penjelas. Pendugaan dan pengujian
parameter model panel spasial dengan SDM dilakukan dengan pengaruh tetap
dengan efek lokasi dan waktu menggunakan matriks pembobot spasial W1 dan
W2. Hasil pendugaan dan pengujian parameternya tertera pada Tabel 14.
Hasil pendugaan parameter model panel spasial SDM pengaruh tetap
dengan efek lokasi dan waktu menunjukkan bahwa peubah PDB perkapita, jumlah
penduduk, faktor BVKS, dan faktor penerbangan langsung berpengaruh nyata
pada taraf 5% dengan menggunakan matriks pembobot spasial W1. Sedangkan
dengan menggunakan matriks pembobot spasial W2 menunjukkan bahwa peubah
kurs rupiah, PDB, jumlah penduduk, impor, penerbangan langsung berpengaruh
nyata pada taraf 5%. Koefisien lag spasial tidak signifikan dengan
menggunakan matriks pembobot spasial W1 maupun W2 . Peubah lag penduduk
signifikan pada taraf nyata 5% dengan menggunakan matriks pembobot spasial
W1. Peubah lag spasial yang signifikan pada taraf nyata 5% dengan menggunakan
27
matriks pembobot spasial W2 yaitu kurs rupiah, PDB, penduduk, dan IHK. R2
yang dihasilkan yaitu sebesar 79.35% dengan menggunakan matriks pembobot
spasial W1 dan sebesar 79.65% dengan menggunakan matriks pembobot spasial
W2.
Tabel 14 Pendugaan parameter model panel spasial SDM pengaruh tetap dengan
efek lokasi dan waktu
Parameter matriks W1 matriks W2

Kurs.rupiah -1.50 x10-05 -0.936 0.349 -6.02 x10-05 -3.623 0.000**
PDB 4.17 x10-02 5.635 0.000** 5.69 x10-02 7.264 0.000**
Penduduk 1.81 x10-03 4.409 0.000** 2.32 x10-03 5.29 0.000**
Impor 5.17 x10-04 1.944 0.052* 9.61 x10-04 4.031 0.000**
IHK -1.52 x10-02 -1.710 0.087* -1.23 x10-02 -1.285 0.199
Faktor (BVKS) 5.32 x10-01 2.547 0.011** 2.94 x10-01 1.191 0.233
Faktor
1.91 7.445 0.000** 0.000**
(langsung) 1.94 7.223
0.022 0.364 0.716 -0.199 -1.421 0.155
Lag kurs rupiah 1.56 x10-05 0.785 0.433 -3.55 x10-04 -3.623 0.001**
Lag PDB -2.67 x10-02 -1.707 0.088 1.28 x10-01 7.264 0.000**
Lag penduduk 2.18 x10-03 2.081 0.037** 1.42 x10-02 5.297 0.000**
Lag impor 3.37 x10-04 0.618 0.537 -3.93 x10-04 4.031 0.856
Lag IHK 1.79 x10-02 1.432 0.152 5.45 x10-02 -1.285 0.002**
2
(pseudo) R 79.35 0.7965
RMSE 1.062 1.054
AIC 939.799 937.736
** d α 5%, * d α %
Model Terbaik
Berdasarkan nilai koefisien lag spasial , koefisien galat spasial ( ,

(pseudo) R2, RMSE, dan AIC dari keenam model yang dihasilkan (Lampiran 5),
didapatkan model terbaik adalah model panel spasial SEM pengaruh tetap efek
lokasi dan waktu dengan menggunakan matriks pembobot spasial W1. Model ini
menghasilkan koefisien galat spasial ( sebesar 0.402, AIC sebesar 942.09, dan
R2 sebesar 74.36%. Model yang terbentuk adalah sebagai berikut:
̂
+̂ ̂ ∑
dengan = ln( )
Model SEM panel pengaruh tetap dengan pendekatan efek lokasi dan waktu
menghasilkan nilai pendugaan pengaruh tetap yang berbeda untuk setiap negara
28
( ) dan tahun ( ). Hasil pendugaan setiap tahun seperti tertera pada Lampiran 6
dan negaranya di Lampiran 7. Sebagai contoh model SEM negara Australia tahun
2015 adalah sebagai berikut :
̂
+ 0.234 ∑
dengan = ln ( )
Faktor-faktor yang Memengaruhi Jumlah Kunjungan Wisatawan

Mancanegara di Indonesia
Faktor-faktor yang berpengaruh positif terhadap jumlah kunjungan

wisatawan mancanegara di Indonesia berdasarkan model terbaik yaitu model SEM
panel pengaruh tetap dengan pendekatan efek lokasi dan waktu adalah PDB
perkapita, jumlah penduduk, jumlah impor, BVKS, dan penerbangan langsung.
Faktor kurs rupiah dan IHK berpengaruh negatif terhadap jumlah kunjungan
wisatawan mancanegara di Indonesia tahun 2011-2015.
Pemeriksaan Asumsi
Pemeriksaan asumsi sisaan dilakukan pada model terbaik yang dihasilkan.

Asumsi- asumsi yang diperiksa dijabarkan sebagai berikut:
1. Kenormalan sisaan
Kenormalan sisaan dapat dilihat melalui plot kuantil-kuantil (QQ plot) yang
dapat dilihat pada Gambar 10. Berdasarkan gambar tersebut, plot-plot sisaan
mengikuti garis kenormalan sehingga secara visual dapat disimpulkan bahwa
sisaan menyebar normal. Secara statistik, uji asumsi kenormalan sisaan
dilakukan dengan uji Kolmogorov Smirnov (KS). Hasil uji
diperoleh nilai KS 0.05 dengan nilai-p sebesar 0.76. Berdasarkan uji
tersebut dapat disimpulkan bahwa sisaan sudah menyebar normal, sehingga
asumsi kenormalan sisaan terpenuhi.
29
Gambar 10 Plot kuantil-kuantil sisaan dari model SEM

2. Kehomogenan ragam sisaan
Pemeriksaan kehomogenaan ragam sisaan juga bisa dilakukan dengan uji
Bartlett. Berdasarkan uji Bartlett dihasilkan nilai statistik sebesar 17.52
dengan nilai-p sebesar 0.98. Nilai tersebut menunjukkan bahwa ragam sisaan
homogen, sehingga asumsi kehomogenan ragam terpenuhi.
Salah satu cara memeriksa kehomogenan ragam sisaan adalah dengan plot
antara sisaan dengan nilai ̂ . Plot sisaan dengan nilai ̂ berdasarkan tahun
menggambarkan sisaan terhadap pengaruh objek spasial yaitu negara asal,
seperti tertera pada Gambar 11. Berdasarkan Gambar 12, terlihat plot tidak
membentuk pola tertentu sehingga dapat disimpulkan asumsi kehomogenan
ragam terhadap pengaruh spasial terpenuhi.
Gambar 11 Plot sisaan dan ̂ berdasarkan tahun dari model SEM
3. Otokorelasi antar sisaan

Pemeriksaan otokorelasi dilakukan dengan melihat plot sisaan terhadap
negara. Gambar 12 plot sisaan terhadap negara menunjukkan bahwa pola
sisaan berdasarkan negara terlihat acak. Sehingga keseluruhan dapat
disimpulkan bahwa asumsi otokorelasi antar sisaan terpenuhi.
30
Gambar 12 Plot sisaan berdasarkan negara
5 SIMPULAN
Jumlah kunjungan wisatawan mancanegara di Indonesia lebih tepat

dimodelkan dengan spasial data panel. Pemodelan spasial data panel jumlah
kunjungan wisatawan mancanegara di Indonesia menurut negara asal tahun 2011-
2015 menghasilkan model terbaik yaitu metode SEM panel pengaruh tetap dengan
pendekatan efek lokasi dan waktu dengan matriks pembobot spasial ketetanggaan
berdasarkan kawasan. Model ini merupakan model terbaik dibandingkan model
SAR maupun SDM dengan matriks pembobot spasial ketetanggaan berdasarkan
kawasan maupun matriks pembobot spasial kebalikan jarak.
Faktor-faktor yang berpengaruh positif terhadap jumlah kunjungan
wisatawan mancanegara di Indonesia adalah PDB perkapita, jumlah penduduk,
jumlah impor, BVKS, dan penerbangan langsung. Faktor kurs rupiah dan IHK
berpengaruh negatif terhadap jumlah kunjungan wisatawan mancanegara di
Indonesia tahun 2011-2015.
31
DAFTAR PUSTAKA
Agusti R. 2015. Pemodelan Data Panel Kemiskinan Tak Seimbang di Pulau Jawa
dengan Model Spasial Durbin. [tesis]. Bogor (ID): Institut Pertanian Bogor.
Baltagi BH. 2005. Econometrics Analysis of Panel Data. Ed ke-3. England: John
Wiley and Sons.
[BI] Bank Indonesia. 2017. Nilai Tukar Rupiah [internet]. [diunduh 2017 April
24]. Tersedia pada: http://www.bi.go.id/id/moneter/kalkulator-
kurs/Default.aspx.
[BPS] Badan Pusat Statistik. 2017. Wisman yang Datang ke Indonesia Menurut
Kebangsaan Tahun 2000-2015 [internet]. [diunduh 2017 April 24]. Tersedia
pada : https://www.bps.go.id/linkTabelStatis/view/id/1394.
Dubin R. 2009. Spatial Weights. Fotheringham AS, PA Rogerson, editor,
Handbook of Spatial Analysis. London : Sage Publication.
Elhorst JP. 2010. Spatial Panel Data Models. Fischer MM, Getis A, editor,
Handbook of Applied Spatial Analysis. New York: Springer.
Fotheringham A.S., Brunsdon C., Chartlon M. 2002. Geographichally Weighted
Regression, the Analysis of Spatially Varying Relationship. John Wiley and
Sons, LTD.
Fernando ED. 2010. Identifying and Predicting Turning Points in Australian
Inbound Tourism Demand Growth. [thesis]. Melbourne (AU): Victoria
University.
Hermawan W, Wardhana A. 2016. Analisis Faktor-faktor yang Memengaruhi
Kunjungan Wisman ke Indonesia. Vol 5. No 1: Quantitative Economics
Journal.
Hidayanti SRU. 2016. Analisis Faktor-faktor yang Memengaruhi Jumlah
Kunjungan Wisman Indonesia. [skripsi]. Bogor (ID): Institut Pertanian Bogor.
[Kemenpar] Kementrian Pariwisata. 2016. Paparan Kemenpar: Upaya Promosi
Potensi Pariwisata Indonesia untuk Meningkatkan Perekonomian Nasional
[internet]. [diunduh 2017 Februari 7]. Tersedia pada: https://diplomasiekonomi.
kemlu.go.id/images/ capbuilddiplomat/Paparan%20KEMPAR.pdf.
LeSage J, Pace RK. 2009. Introduction to Spatial Econometrics. Boca Raton:
CRC Press Taylor & Francis Group.
Lee J, Wong DWS. 2001. Statistical Analysis ArchView GIS. Ney York: John
Wiley & Son,Inc.
Putri A. 2014. Faktor-faktor yang Memengaruhi Permintaan Pariwisata ke
Indonesia Analisis Data Panel 21 Negara Kunjungan Wisman Periode 2006-
2012. [skripsi]. DIY (ID): Universitas Gadjah Mada.
World Bank. 2016. GDP per capita (constant 2010 US$) [internet]. [diunduh pada
2017 mei 13]. Tersedia pada http://databank.worldbank.org/data/reports.aspx?
source=2&series= NY.GDP.PCAP.KD&country=
Yusuf MF. 2017. Faktor-faktor yang Memengaruhi Kedatangan Wisman ke
Indonesia [skripsi]. Bandung (ID): Universitas Katolik Parahyangan.
32
LAMPIRAN
kode negara SGP MYS VNM PHL THA PAK BGD JPN KOR TWN CHN IND HKG AUS NZL USA CAN GBR NLD DEU
SGP 0 0.25 0.25 0.25 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
MYS 0.25 0 0.25 0.25 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
VNM 0.25 0.25 0 0.25 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
dibakukan
PHL 0.25 0.25 0.25 0 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

THA 0.25 0.25 0.25 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PAK 0 0 0 0 0 0 0.143 0.143 0.143 0.143 0.143 0.143 0.143 0 0 0 0 0 0 0
BGD 0 0 0 0 0 0.143 0 0.143 0.143 0.143 0.143 0.143 0.143 0 0 0 0 0 0 0
JPN 0 0 0 0 0 0.143 0.143 0 0.143 0.143 0.143 0.143 0.143 0 0 0 0 0 0 0
KOR 0 0 0 0 0 0.143 0.143 0.143 0 0.143 0.143 0.143 0.143 0 0 0 0 0 0 0
TWN 0 0 0 0 0 0.143 0.143 0.143 0.143 0 0.143 0.143 0.143 0 0 0 0 0 0 0
CHN 0 0 0 0 0 0.143 0.143 0.143 0.143 0.143 0 0.143 0.143 0 0 0 0 0 0 0
IND 0 0 0 0 0 0.143 0.143 0.143 0.143 0.143 0.143 0 0.143 0 0 0 0 0 0 0
HKG 0 0 0 0 0 0.143 0.143 0.143 0.143 0.143 0.143 0.143 0 0 0 0 0 0 0 0
AUS 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
NZL 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
USA 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
CAN 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
GBR 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.167 0.167
NLD 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.167 0 0.167
DEU 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.167 0.167 0
….
Lampiran 1 Matriks Pembobot Spasial berdasarkan kawasan (W1) yang sudah
33
34
kode negara SGP MYS VNM PHL THA PAK BGD JPN KOR TWN CHN IND HKG AUS NZL USA CAN GBR NLD DEU ….
SGP 0 0.31 0.083 0.04 0.09 0.019 0.031 0.016 0.019 0.028 0.02 0.021 0.035 0.01 0.01 0 0 0.007 0.007 0.008
MYS 0.31 0 0.086 0.04 0.13 0.02 0.034 0.016 0.019 0.028 0.02 0.023 0.035 0.01 0.01 0 0 0.007 0.007 0.008
VNM 0.08 0.09 0 0.06 0.09 0.019 0.039 0.02 0.025 0.04 0.026 0.024 0.06 0.01 0.01 0 0 0.007 0.007 0.008
PHL 0.04 0.04 0.055 0 0.04 0.015 0.026 0.029 0.035 0.077 0.031 0.018 0.077 0.01 0.01 0 0 0.006 0.007 0.007
THA 0.09 0.13 0.093 0.04 0 0.023 0.046 0.016 0.02 0.029 0.022 0.028 0.039 0.01 0.01 0 0 0.008 0.008 0.008
PAK 0.02 0.02 0.019 0.02 0.02 0 0.035 0.011 0.013 0.015 0.016 0.077 0.017 0.01 0.01 0 0 0.011 0.012 0.013
BGD 0.03 0.03 0.039 0.03 0.05 0.035 0 0.016 0.021 0.026 0.026 0.058 0.035 0.01 0.01 0 0 0.009 0.009 0.01
JPN 0.02 0.02 0.02 0.03 0.02 0.011 0.016 0 0.061 0.038 0.035 0.013 0.028 0.01 0.01 0 0 0.006 0.006 0.006
KOR 0.02 0.02 0.025 0.04 0.02 0.013 0.021 0.061 0 0.061 0.08 0.016 0.042 0.01 0.01 0 0 0.006 0.007 0.007
TWN 0.03 0.03 0.04 0.08 0.03 0.015 0.026 0.038 0.061 0 0.052 0.018 0.104 0.01 0.01 0 0 0.007 0.007 0.007
CHN 0.02 0.02 0.026 0.03 0.02 0.016 0.026 0.035 0.08 0.052 0 0.02 0.045 0.01 0.01 0 0 0.007 0.007 0.008
IND 0.02 0.02 0.024 0.02 0.03 0.077 0.058 0.013 0.016 0.018 0.02 0 0.022 0.01 0.01 0 0 0.01 0.011 0.011
HKG 0.04 0.04 0.06 0.08 0.04 0.017 0.035 0.028 0.042 0.104 0.045 0.022 0 0.01 0.01 0 0 0.007 0.007 0.007
AUS 0.01 0.01 0.013 0.01 0.01 0.008 0.01 0.011 0.011 0.012 0.01 0.009 0.012 0 0.03 0 0 0.005 0.005 0.005
NZL 0.01 0.01 0.01 0.01 0.01 0.007 0.008 0.01 0.009 0.01 0.008 0.007 0.01 0.03 0 0 0 0.004 0.004 0.004
USA 0 0 0.004 0 0 0.004 0.004 0.003 0.003 0.003 0.003 0.004 0.003 0 0 0 0.07 0.007 0.006 0.006
CAN 0 0 0.004 0 0 0.004 0.004 0.003 0.003 0.003 0.003 0.004 0.003 0 0 0.07 0 0.007 0.006 0.006
GBR 0.01 0.01 0.007 0.01 0.01 0.011 0.009 0.006 0.006 0.007 0.007 0.01 0.007 0.01 0 0.01 0.01 0 0.155 0.089
NLD 0.01 0.01 0.007 0.01 0.01 0.012 0.009 0.006 0.007 0.007 0.007 0.011 0.007 0.01 0 0.01 0.01 0.155 0 0.185
DEU 0.01 0.01 0.008 0.01 0.01 0.013 0.01 0.006 0.007 0.007 0.008 0.011 0.007 0.01 0 0.01 0.01 0.089 0.185 0
….
Lampiran 2 Matriks pembobot spasial kebalikan jarak (W2) yang sudah dibakukan
35
Lampiran 3 Nilai Longitude dan Latitude Bandara Internasional
No Kode Nama Bandara Internasional Latitude Longitude

1 SGP Changi Airport Singapore 1.364 103.992
2 MYS Kuala Lumpur International Airport 2.740 101.708
Bandara Udara Internasional Tan Son
3 VNM 10.819 106.659
Nhat
4 PHL Bandara Internasional Jinnah 14.512 121.017
Bandar Udara Internasional Hazrat
5 THA 8.111 98.306
Shahjala
6 PAK Tokyo International Airport 24.901 67.168
7 BGD Incheon International Airport (ICN) 23.847 90.403
8 JPN Taiwan Yuan International Airport 35.549 139.784
Beijing Capital International Airport
9 KOR 37.460 126.441
(PEK)
10 TWN Indira Gandhi International Airport (DEL) 25.080 121.234
Ninoy Aquino International Airport
11 CHN 40.080 116.603
(MNL)
12 IND Hong Kong International Airport (HKG) 28.556 77.100
13 HKG Phuket International Airport (HKT 22.308 113.918
14 AUS Melbourne Airport -37.669 144.841
15 NZL Auckland Airport -36.996 174.788
16 USA SFO 37.621 -122.380
17 CAN 8Vnacouver International Airport 49.195 -123.180
18 GBR Heathrow Airport (LHR) 51.47 -0.454
19 NLD Amsterdam Airport Schiphol (AMS) 52.291 4.766
20 DEU Frankfurt Airport (FRA) 50.038 8.562
21 FRA Paris Charles de Gaulle Airport 49.010 2.548
22 RUS Sheremetyevo International Airport 55.962 37.416
23 ITA Bandara Internasional Malpensa 45.630 8.726
24 ESP Bandara Internasional Madrid Barajas 40.484 -3.568
25 SAU King Khalid International Airport (RUH) 24.962 46.705
26 EGY Cairo International Airport (CAI) 30.119 31.410
27 ARE Dubai International Airport (DXB) 25.253 55.366
28 KWT Bandara International Kuwait 29.240 47.971
29 BHR Bahrain International Airport 26.270 50.626
30 YEM Sana'a International Airport 15.479 44.217
Carthage Airport is The International
31 TUN 36.846 10.219
Airport of Tunis
32 MAR Mohammed V International Airport 33.393 -7.566
33 NGA Bandara Internasional Port Harcourt 5.008 6.9502
34 ZAF Bandara Durban King Shaka International -30.233 22.756
36
Lampiran 4 Dugaan Koefisien pengaruh tetap ̂ ) setiap negara pada model

panel
Negara ̂ galat baku t-hitung nilai-p

Hongkong 8.879 0.594 14.946 0.000
Malaysia 11.975 0.328 36.494 0.000
Uni Emirat Arab 6.600 0.526 12.556 0.000
Australia 10.803 0.678 15.938 0.000
Bahrain 3.742 0.432 8.658 0.000
Bangladesh 6.728 0.545 12.356 0.000
Canada 8.012 0.637 12.568 0.000
China 10.173 5.414 1.879 0.063
Egypt 6.312 0.336 18.792 0.000
France 9.024 0.603 14.956 0.000
Germany 8.801 0.805 10.934 0.000
India 8.675 5.054 1.717 0.088
Italy 7.873 0.502 15.670 0.000
Japan 10.566 0.790 13.382 0.000
Kuwait 4.701 0.608 7.730 0.000
Morocco 6.284 0.226 27.775 0.000
Netherlands 8.821 0.662 13.335 0.000
New Zealand 8.380 0.473 17.704 0.000
Nigeria 5.256 0.593 8.866 0.000
Pakistan 6.278 0.631 9.954 0.000
Philippines 10.379 0.389 26.670 0.000
Republic of Korea 10.551 0.476 22.173 0.000
Russian Federation 8.879 0.516 17.215 0.000
Saudi Arabia 9.348 0.377 24.781 0.000
Singapore 11.191 0.679 16.479 0.000
South Africa 7.470 0.268 27.920 0.000
Spain 7.667 0.437 17.560 0.000
Taiwan 9.618 0.816 11.787 0.000
Thailand 9.687 0.349 27.769 0.000
Tunisia 5.193 0.271 19.193 0.000
United Kingdom 9.013 0.599 15.049 0.000
United States of America 8.818 1.654 5.331 0.000
Vietnam 8.210 0.389 21.121 0.000
Yemen 6.200 0.312 19.862 0.000
37
Lampiran 5 Nilai koefisien lag spasial , koefisien galat spasial ( , (pseudo)

R2, RMSE, AIC spasial panel pengaruh tetap efek lokasi dan waktu.
matriks W1 matriks W2
SAR SEM SDM SAR SEM SDM
0.010 - 0.022 -0.010 - -0.199
- 0.402 - - 0.1938 -
(pseudo) R2 0.7583 0.7436 0.7935 0.7535 0.7533 0.7965
RMSE 1.117 1.151 1.062 1.128 1.129 1.054
AIC 957.161 942.09 939.799 959.91 959.157 937.736
Lampiran 6 Dugaan Koefisien pengaruh tetap ( ̂ ) setiap tahun model SEM

No Tahun ̂ Galat baku Nilai-t Nilai-p
1 2011 -0.826 0.887 -0.931 0.352
2 2012 0.361 0.900 0.401 0.688
3 2013 0.076 0.869 0.087 0.931
4 2014 0.719 0.899 0.800 0.424
5 2015 -0.330 0.914 -0.362 0.718
38
Lampiran 7 Dugaan Koefisien pengaruh tetap ̂ ) setiap negara pada model

SEM
Negara ̂ galat baku t-hitung nilai-p

Singapore -0.595 0.960 -0.620 0.536
Malaysia -1.195 0.954 -1.253 0.210
Vietnam -1.274 0.971 -1.312 0.190
Philippines -0.680 0.956 -0.711 0.477
Thailand -0.354 0.960 -0.369 0.712
Pakistan 0.579 0.987 0.587 0.557
Bangladesh 0.431 0.943 0.457 0.648
Japan 0.663 0.943 0.703 0.482
Republic of Korea 0.534 0.940 0.568 0.570
Taiwan 0.023 0.940 0.024 0.981
China -0.134 0.928 -0.145 0.885
India 0.140 0.958 0.146 0.884
Hongkong -0.150 0.983 -0.153 0.879
Australia 0.234 0.964 0.243 0.808
New Zealand 0.278 0.982 0.283 0.777
United States of America -0.418 0.959 -0.436 0.663
Canada -0.389 0.978 -0.397 0.691
United Kindgom -0.377 0.940 -0.402 0.688
Netherlands -0.262 0.941 -0.278 0.781
Germany -0.029 0.941 -0.031 0.975
France 0.414 0.958 0.432 0.666
Russian Federation -0.034 0.975 -0.035 0.972
Italy 0.477 1.024 0.466 0.641
Spain 0.248 0.989 0.251 0.802
Saudi Arabia 0.219 0.963 0.227 0.820
Egypt -0.005 0.987 -0.005 0.996
Uni Emirat Arab 0.518 0.984 0.527 0.598
Kuwait -0.269 1.005 -0.267 0.789
Bahrain -0.055 1.035 -0.053 0.958
Yemen -0.051 1.005 -0.051 0.960
Tunisia 0.273 1.023 0.267 0.790
Morocco 0.294 1.007 0.292 0.770
Nigeria 0.675 0.972 0.694 0.488
South Africa 0.273 0.969 0.282 0.778
39
RIWAYAT HIDUP
Penulis dilahirkan di Bojonegoro, Jawa Timur pada tanggal 20 Juni 1982

sebagai putri kelima dari pasangan Alm(Muhaimin) dan Siti Sumiyati. Penulis
menyelesaikan pendidikan menengah di SMU Negeri 1 Bojonegoro pada tahun
1999. Kemudian penulis melanjutkan pendidikan di Perguruan Tinggi Kedinasan
Sekolah Tinggi Ilmu Statistik (STIS) Jakarta dan menyelesaikan pendidikan pada
jurusan Statistika dengan peminatan Statistika Sosial Kependudukan pada tahun
2003.
Setelah menyelesaikan pendidikan, penulis ditugaskan di Badan Pusat
Statistik (BPS) Kabupaten Pangkajene Kepulauan, Provinsi Sulawesi Selatan
sampai tahun 2006, selanjutnya ditugaskan di BPS Kabupaten Luwu, Provinsi
Sulawesi Selatan sampai tahun 2010 dan BPS Kota Parepare, Sulawesi Selatan
sampai tahun 2012 dan terakhir hingga saat ini di Subdit Pariwisata BPS RI.
Kesempatan untuk melanjutkan studi S2 pada progam studi Statistika Terapan di
Sekolah Pascasarjana Institut Pertanian Bogor diperoleh pada tahun 2015 melalui
progam beasiswa dari APBN BPS.

T - Arifatin - Spasial Data Panel

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

T - Arifatin - Spasial Data Panel

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS SPASIAL DATA PANEL UNTUK MENGKAJI FAKTOR-

FAKTOR YANG MEMENGARUHI KUNJUNGAN WISATAWAN

Bogor, Februari 2018

Sektor pariwisata memegang peranan penting dalam perekonomian

DINI ARIFATIN. Spatial Analysis of Panel Data to Assess Factors Influencing

Dr Utami Dyah Syafitri, SSi MSi Dr Ir Anik Djuraidah, MS

Ketua Program Studi Plt. Dekan Sekolah Pascasarjana

Dr Ir Indahwati, MSi Dr Ir Eka Intan Kumala Putri, MS

Tanggal Ujian: 25 Januari 2018 Tanggal Lulus:

Bogor, Februari 2018

DAFTAR TABEL xii

5 SIMPULAN DAN SARAN 30

1. Struktur data panel untuk K peubah penjelas .............................................. 3

1. Matriks pembobot spasial .......................................................................... 12

1. Matriks Pembobot Spasial berdasarkan kawasan (W1) yang sudah

Sektor pariwisata memegang peranan penting dalam perekonomian

spasial yang digunakan yaitu matriks pembobot spasial ketetanggaan berdasarkan

Tujuan dari penelitian ini adalah menentukan faktor-faktor yang

Analisis regresi adalah analisis statistika yang yang memanfaatkan

Regresi Data Panel

dengan i ,2,3,…,n ; t ,2,3,….,T ; k ,2,3,….,K ; dengan n menyatakan

dengan merupakan pengaruh unit lokasi, merupakan pengaruh waktu, dan

Tabel 1 Struktur data panel untuk K peubah penjelas

Lokasi ke-i Waktu ke-t

Menurut Baltagi (2005) beberapa kelebihan menggunakan data panel

waktu. Setelah data digabung, selanjutnya dimodelkan seperti regresi linier

Matriks Pembobot Spasial

Matriks pembobot spasial merupakan matriks yang menggambarkan

Bobot kebalikan jarak dirumuskan sebagai berikut :

Menurut Fotheringham et al. (2002), beberapa fungsi pembobot dalam analisis

3. w ( ⁄ ) , dengan jarak dari lokasi–i ke lokasi–j dan b

ke lokasi–j. Jarak paling dekat menghasilkan nilai mendekati 1, dan akan

Analisis Spasial Data Panel

Menurut Elhorst (2010), terdapat beberapa bentuk regresi spasial, yaitu

Model Otoregresi Spasial (SAR)

Model otoregresi spasial data panel dinyatakan pada persamaan berikut :

adalah koefisien otoregresi spasial menggambarkan rata-rata pengaruh spasial

Model Galat Spasial (SEM)

Model galat spasial data panel dinyatakan pada persamaan berikut :

Model Spasial Durbin (Spatial Durbin Model / SDM)

Model spasial durbin dinyatakan pada persamaan berikut :

dengan adalah vektor koefisien parameter spasial peubah penjelas.

Interpretasi pada model regresi spasial LeSage dan Pace (2009)

Data dalam penelitian ini menggunakan data sekunder terkait kunjungan

Nama Peubah Satuan Sumber data

Faktor Penerbangan 1 : ada Berbagai sumber

Peubah penjelas dalam penelitian ini mengacu kepada penelitian-penelitian

Analisis dan pemodelan dilakukan menggunakan software program

H1 : (terdapat efek waktu)

W2 disusun berdasarkan info jarak. Isi dari matriks pembobot spasial W2

Gambar 1 Matriks pembobot spasial

Statistik mengikuti sebaran

Statistik R mengikuti sebaran

c.3 Standar LM error

Statistik R mengikuti sebaran

Dengan adalah jumlah kuadrat sisaan (JKG) model. Nilai RMSE

dengan db sisaan didapatkan dari (nxT) –K-n. Sedangkan T adalah

Fn (x) adalah nilai peluang kumulatif (fungsi sebaran kumulatif)

4 HASIL DAN PEMBAHASAN

Peta sebaran jumlah kedatangan wisatawan mancanegara di Indonesia pada

Gambar 2 Peta sebaran jumlah kunjungan wisatawan mancanegara di Indonesia

Gambar 3 Diagram kotak garis peubah wisman berdasarkan tahun

Gambar 5 Peta sebaran PDB perkapita negara asal wisatawan mancanegara di

Gambar 6 Peta sebaran jumlah penduduk negara asal wisatawan mancanegara di