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.
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.
Kata kunci: data panel, wisatawan mancanegara, model panel spasial Durbin,
model panel otoregresif spasial, model panel galat spasial
SUMMARY
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
Diketahui oleh
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.
Dini Arifatin
DAFTAR ISI
DAFTAR GAMBAR
Latar Belakang
Tujuan Penelitian
2 TINJAUAN PUSTAKA
Regresi
∑ 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).
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)
1 T
2 1
2 T
N 1
N T
,
{∑ (5)
,
dengan ⁄ , dimana merupakan jarak antar lokasi ke-i dan ke-j.
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
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.
∑ (6)
2 | |
2
2
2
-2 2∑ ∑ ( - ∑ - - ) (7)
∑ (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
∑ ∑ ∑ (11)
2
- 2 | - |- 2 2
2
2
∑ ∑ ( - ∑ - - ∑ ∑ - ) (12)
3 METODE
Data
Metode Analisis
(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
…
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)
2
(pseudo) - (32)
̅ ̅
RMSE = (33)
15
Deskripsi Data
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.
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.
Multikolinearitas
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 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 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.
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
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
̂
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 9 Nilai Indeks Moran pada peubah respon dan peubah penjelas dengan
matriks pembobot spasial W1 tahun 2011-2015
Tabel 10 Nilai Indeks Moran pada peubah respon dan peubah penjelas dengan
matriks pembobot spasial W2 tahun 2011-2015
Pendugaan Parameter
Tabel 12 Pendugaan parameter model panel spasial dengan SAR pengaruh tetap
dengan efek lokasi dan waktu
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
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.
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
Model Terbaik
+̂ ̂ ∑
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 ( )
Pemeriksaan Asumsi
5 SIMPULAN
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
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
RIWAYAT HIDUP