BAB III

METODOLOGI

3.1 Ruang Lingkup Penelitian

Penelitian ini menggunakan metode analisis regresi data panel dengan

lokus penelitian 33 provinsi di Indonesia, kecuali provinsi Sulawesi Barat karena

keterbatasan data. Periode penelitian yang dicakup adalah tahun 2015 hingga

2019, dengan rincian variabel yang digunakan adalah tingkat pengangguran

terbuka, tingkat penghunian kamar hotel, jumlah usaha akomodasi, jumlah

invesstasi pariwisata, dan jumlah tamu hotel.

3.2 Metode Pengumpulan Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yang

berupa studi kepustakaan dari publikasi Badan Pusat Statistik (BPS) dan Badan

Koordinasi Penanaman Modal (BKPM) tahun 2015 – 2019, masing-masing data

diperoleh dari sumber-sumber berikut :

1. Data jumlah tamu/wisatawan yang menginap pada hotel dan usaha

akomodasi lainnya diperoleh dari publikasi pada laman resmi BPS dalam

Statistik Tingkat Penghunian Kamar Hotel (2015-2019). Data ini

dikumpulkan BPS melalui Survei Tingkat Penghunian Kamar Hotel

(VHTS) dengan populasi target tamu yang menginap di hotel atau usaha

akomodasi di seluruh provinsi di Indonesia.

2. Data Tingkat Penghunian Kamar Hotel diperoleh dari publikasi pada

laman resmi BPS dalam Statistik Tingkat Penghunian Kamar Hotel (2015-

53
 2019). Data ini dikumpulkan BPS melalui Survei Tingkat Penghunian

Kamar Hotel (VHTS) dengan populasi target unit hotel diseluruh provinsi

di Indonesia.

3. Data jumlah usaha akomodasi diperoleh dari publikasi pada laman resmi

BPS dalam Statistik Hotel dan Akomodasi Lainnya (2015-2019), Statistik

Perhotelan (2017), serta Direktori Hotel dan Usaha Akomodasi Lainnya

(2017). Data ini dikumpulkan BPS melalui Survei Perusahaan/Usaha Jasa

Akomodasi (VHTL) dengan populasi target usaha akomodasi yang berada

di seluruh provinsi di Indonesia.

4. Data Tingkat Pengangguran Terbuka per bulan Agustus dari publikasi

pada laman web BPS. Pemilihan TPT bulan Agustus (sampel 30.000 blok

sensus) didasarkan pada jumlah sampel yang lebih besar dibandingkan

TPT pada bulan Februari (7.500 blok sensus). Data ini dikumpulkan BPS

melalui Survei Angkatan Kerja Nasional (SAKERNAS) dengan populasi

target penduduk yang termasuk dalam angkatan kerja di seluruh provinsi

di Indonesia.

5. Jumlah Investasi Pariwisata dari publikasi pada laman resmi BKPM

(nswi.bkpm.go.id). Data ini dikumpulkan melalui Laporan Kegiatan

Penanaman Modal (LKPM) dari tahun 2015-2019 dengan populasi target

perusahaan yang terdaftar dan memiliki Nomor Induk Berusaha (NIB) di

seluruh provinsi di Indonesia.

54
3.3 Definisi Operasional

Definisi operasional variabel digunakan untuk memberikan informasi

terkait pengukuran variabel. Adapun definisi operasional variabel yang digunakan

dalam penelitian ini adalah sebagai berikut :

1.Tingkat Pengangguran Terbuka menururt BPS menggambarkan persentase

jumlah pengangguran terhadap jumlah angkatan kerja, TPT mengindikasikan

banyaknya angkatan kerja yang tidak terserap dalam pasar tenaga kerja.

Jumlah Pengangguran
TPT = X 100 %.
Angkatan Kerja

2. Tingkat Penghunian Kamar Hotel menurut BPS menggambarkan jumlah kamar

yang telah disewakan/dihuni dibandingkan dengan jumlah kamar yang tersedia

di hotel tersebut, dengan skala variabelnya rasio dalam bentuk satuan

persentase.

Jumlah malam kamar yang terpakai

TPK = x 100 %
Jumlah malam kamar yang tersedia

3. Jumlah Usaha Akomodasi menggambarkan jumlah usaha yang menyediakan

akomodasi untuk pengunjung dan pelancong lainnya dalam hal ini berupa

kamar-kamar di dalam suatu bangunan, yang dapat dilengkapi dengan jasa

pelayanan makan dan minum, kegiatan hiburan dan/atau fasilitas lainnya secara

harian dengan tujuan memperoleh keuntungan, variabel ini berskala rasio

dengan satuan unit.

4. Jumlah Investasi Pariwisata menggambarkan realisasi penanaman modal yang

dilakukan baik oleh perusahaan dalam negeri (PMDN) maupun perusahaan

55
 asing (PMA) berupa pengeluaran secara keseluruhan untuk membeli barang-

barang modal riil, baik untuk mendirikan perusahaan baru maupun untuk

memperluas usaha yang telah ada pada bidang pariwisata (Hotel, Restoran, dan

akomodasi lainnya), dengan tujuan untuk memperoleh keuntungan, variabel ini

berskala rasio dengan satuan juta rupiah.

5. Jumlah Tamu Hotel menurut BPS menggambarkan wisatawan yang melakukan

perjalanan dengan mengunjungi tempat tertentu untuk tujuan rekreasi,

pengembangan pribadi, atau mempelajari keunikan daya tarik wisata yang

dikunjungi dalam jangka waktu sementara dan memutuskan menginap di hotel

atau usaha akomodasi tertentu. Variabel ini berskala rasio dengan satuan juta

jiwa.

3.4 Metode Analisis

3.4.1 Analisis Deskriptif

Analisis deskriptif dilakukan untuk melihat gambaran secara

umum mengenai variabel sektor pariwisata di Indonesia yaitu jumlah

usaha akomodasi, jumlah tamu yang menginap di hotel dan akomodasi

lainnya, jumlah investasi pariwisata, dan Tingkat Penghunian Kamar Hotel

serta variabel Tingkat Pengangguran Terbuka, dengan periode penelitian

pada tahun 2015-2019. Hasil penggambaran ini disajikan dalam bentuk

tabel dan grafik untuk memudahkan pemahaman informasi, metode ini

hanya menarik kesimpulan berdasarkan data yang telah disajikan dan

pengolahannya menggunakan aplikasi Microsoft Excel 2010.

56
3.4.2 Analisis Inferensia

Analisis Inferensia dalam penelitian ini bertujuan untuk melihat

bagaimana pengaruh variabel sektor pariwisata yang terdiri dari yaitu

jumlah usaha akomodasi, jumlah tamu yang menginap di hotel dan

akomodasi lainnya, jumlah investasi pariwisata, dan Tingkat Penghunian

Kamar Hotel terhadap Tingkat Pengangguran Terbuka di Indonesia. Oleh

karena itu, dalam penelitian ini menggunakan metode regresi data panel

dengan fokus objek penelitian 33 provinsi di Indonesia dan periode tahun

2015-2019. Dalam penggunaan model regresi data panel pada penelitian

ini menerapkan transformasi logaritma natural pada beberapa variabel

yaitu jumlah usaha akomodasi, jumlah tamu yang menginap di hotel dan

jumlah investasi pariwisata. Transformasi ini dilakukan untuk

menyamakan satuan objek yang berbeda satu sama lain dan meminimalkan

varians data. Dalam analisis regresi data panel terdapat tiga model

penelitian yang diajukan, berikut persamaan model penelitiannya :

1. Model CEM

TPTit= β 0 + β 1 ln JUA ¿ + β 2 ln JTH ¿ + β3 ln INVT ¿ + β 4 TPKH ¿ +u¿

(31)

2. Model FEM

TPTit=(β 0 +α i)+ β 1 ln JUA ¿ + β2 ln JTH ¿ + β 3 ln INVT ¿ + β 4 TPKH ¿ +u¿

(32)

57
 3. Model REM

TPTit = β 0 + β 1 ln JUA ¿ + β 2 ln JTH ¿ + β3 ln INVT ¿ + β 4 TPKH ¿ +w ¿

(33)

Keterangan :

TPTit : Tingkat Pengangguran Terbuka provinsi ke-i pada tahun

ke-t

β0 : nilai intercept

β 1,2,3,4 : nilai slope untuk setiap variabel

ln JTH ¿ : Jumlah tamu/wisatawan yang menginap di hotel pada

provinsi ke-i tahun ke-t

ln JUA ¿ : Jumlah usaha akomodasi di provinsi ke-i tahun ke-t

ln INVT ¿ : Jumlah investasi pariwisata di provinsi ke-i tahun ke-t

TPKH ¿ : Tingkat Penghunian Kamar Hotel di provinsi ke-i tahun

ke-t

u¿ : komponen error komposit individu ke-i periode ke-t

αi : Efek Individu

w¿ : ε i+u ¿ ( kombinasi komponen error dari dimensi cross

section dan time series )

Dalam melakukan estimasi parameter dengan metode regresi data panel dapat

dilakukan beberapa langkah-langkah berikut :

1) Membuat persamaan model Common Effect , Fixed Effect , dan Random

Effect

58
2) Memilih model penelitian yang sesuai antara model Common Effect ,

Fixed Effect , dan Random Effect dengan beberapa uji sebagai berikut :

 Uji Chow, dilakukan untuk menguji antara model common effect dan

fixed effect. dengan hipotesis sebagai berikut :

H0 : μ1 = μ 2 = … = μn-1 = 0 (digunakan model common effect)

H1 : minimal ada satu μ i ≠ 0 dengan i=1,2 , ..(n−1)(digunakan

model fixed effect)

Dilakukan berdasarkan uji F yang sesuai dengan rumus (12)

RRSS −URSS RRSS −URSS

( ) ( )
n−1 32
F hitung = = F (0,05; 32,128)
URSS URSS
nT −n−k 128

Keterangan :

n = 33 ; T = 5 ; k = 4

Jika nilai Fhitung > F(0.05 ;32,128) artinya H0 ditolak, maka kemudian menuju ke

uji berikutnya yaitu Uji Hausman, namun apabila gagal tolak H0 lanjut ke

pengujian selanjutnya yaitu Uji BP-LM.

 Apabila didapatkan pada hasil uji Chow gagal tolak H0, maka

selanjutnya menguji antara model Common Effect dan Random Effect

dengan melakukan uji Breusch-Pagan Lagrange Multiplier, dengan

hipotesis sebagai berikut :

H0 : σ 2u=0 (varians residual cross section = 0 , maka digunakan

model common effect)

H1 : σ 2u ≠ 0 (varians residual cross section ≠ 0 , maka digunakan

model random effect)

59
 Uji ini mengikuti distribusi Chi-Square dengan derajat bebas satu

sesuai dengan rumus (14)

nT
BPLM= ¿¿
2 (T −1 )

165
¿ ¿¿
8

Keterangan :

n = 33 ; T = 5 ; k = 4
2
Jika nilai statistik BPLM > nilai χ (0.05,1), maka H0 ditolak, maka

lanjut ke pengujian selanjutnya yaitu uji Hausman, namum jika gagal

tolak H0 maka model terpilih adalah Common Effect yang kemudian

selanjutnya menuju ke uji berikutnya yaitu pemeriksaan struktur

matriks varians-kovarians pada langkah nomor (3).

 Setelah ditunjukkan bahwa hasil uji Chow gagal tolak H0 dan hasil uji

BPLM tolak H0, selanjutnya dilakukan uji Hausman, yaitu pengujian

antara model fixed effect dan random effect dengan hipotesis sebagai

berikut :

H0 : cov ( u¿ , X ¿ )=0 ( tidak ada korelasi antara residual dengan

variabel independen, maka digunakan model random effect)

H1 : cov ( u¿ , X ¿ ) ≠ 0 ( terdapat korelasi antara residual dengan

variabel independen, maka digunakan model fixed effect)

Uji ini mengikut distribusi Chi-Square dengan kriteria Wald sesuai

dengan rumus (13).

W =[ b LSDV − ^βGLS ] ' ¿ ¿~ χ (0.05,4)

2

60
 2
Jika nilai W > χ (0.05,4)artinya H0 ditolak, maka model terpilih adalah

FEM yang akan dilanjutkan pada tahap berikutnya yaitu pemeriksaan

struktur matriks varians-kovarians pada langkah nomor (3), namun

apabila gagal tolak H0 maka model terpilih adalah REM yang

kemudian langsung dilanjutkan pada uji asumsi klasik.

3) Setelah didapatkan hasil model terbaik adalah FEM atau CEM, langkah

selanjutnya adalah pemeriksaan struktur matriks varians-kovarians

residual. Tahapan yang pertama adalah uji homoskedastisitas matirks

varians-kovarians residual dengan uji LM (Lagrange Multiplier) dengan

hipotesis sebagai berikut :

H0 : σ 2i =σ 2 (struktur matriks varians-kovarians residual bersifat

homoskedastik)

H1 : minimal terdapat satu σ 2i ≠ σ 2 (struktur matriks varians-

kovarians residual bersifat heteroskedastik)

Uji ini mengikuti distribusi Chi-Square dengan derajat bebas n-1 sesuai

dengan rumus (15).

[ ]
2 2
T
n
σ^ i
LM = ∑ 2 −1
2 i=1 σ^

∑[ ]
2
5
n
σ^ 2i 2
¿ −1 χ (0.05,32)
2 i=1 σ^ 2

2
Jika nilai statistik LM > nilai χ (0.05,32), maka H0 ditolak, yang artinya

struktur matriks varians-kovarians bersifat heteroskedastik dan dilanjutkan

dengan pengujian berikutnya yaitu uji cross-sectional correlation pada

langkah nomor (4), namun apabila gagal tolak H0 maka struktur matriks

61
 varians-kovarians bersifat homoskedastik yang artinya menggunakan

metode estimasi OLS dan dilanjutkan ke uji asumsi klasik pada langkah

nomor (5).

4) Apabila didapatkan struktur matriks varians-kovarians bersifat

heteroskedastik, maka selanjutnya dilakukan uji cross-sectional

correlation berupa uji ❑LM dengan hipotesis sebagai berikut :

H0 : Cov (ui,uj) ¿ 0 ,dengan i ≠ j (struktur varians-kovarians residual

bersifat heteroskedastik tanpa Cross Sectional Correlation)

H1 : Cov (ui,uj) ≠ 0 ,dengan i ≠ j (struktur varians-kovarians residual

bersifat heteroskedastik dengan Cross Sectional Correlation)

n(n−1)
Uji ini mengikuti distribusi Chi-Square dengan derajat bebas
2

sesuai dengan rumus (16).

n i−1
❑LM =T ∑ ∑ r ij
2

i=2 j=1

n i−1
¿ 5 ∑ ∑ r 2ij χ (0.05,528)
2

i=2 j=1

Jika nilai statistik ❑LM > nilai χ (0.05,528), maka H0 ditolak, yang artinya
2

struktur varians-kovarians residual bersifat heteroskedastik dengan Cross

Sectional Correlation dan digunakan metode estimasi Feasible

Generalized Least Square (FGLS) dengan permodelan Seemingly

Unrelated Regression (SUR), namun apabila gagal tolak H0 maka struktur

varians-kovarians residual bersifat heteroskedastik tanpa Cross Sectional

Correlation dan digunakan metode Generalized Least Square (GLS), hasil

dari keduanya kemudian dilanjutkan ke uji keberartian model.

62
5) Setelah mendapatkan model dengan metode estimasi yang sesuai dengan

penelitian, maka selanjutnya dilakukan uji asumsi klasik, beberapa

tahapan dari uji asumsi klasik adalah sebagai berikut :

 Uji Normalitas

Asumsi normalitas perlu dilakukan untuk melihat komponen error

dalam model berdistribusi normal atau tidak. Uji yang dilakukan

dalam penelitian ini adalah uji

Jarque-Berra dengan hipotesis sebagai berikut

H0 : uit ~ N(0,σ 2) (error berdistribusi normal)

H1 : uit ≁ N(0,σ 2) (error tidak berdistribusi normal)

Uji Jarque-Berra mengikuti distribusi Chi-Square dengan degree

of freedom sebesar dua, Uji Jarque-Berra dapat dihitung

menggunakan rumus (17)

( )
2
NT 2 ( Kur −3 )
JB= W +
6 4

( )
2
165 2 ( Kur−3 ) 2
¿ W + χ (0.05; 2)
6 4

Keterangan :

n = 33 ; T = 5

Asumsi normalitas terpenuhi apabila nilai p-value dari statistik

2
Jarque Berra lebih besar dari α atau Jika nilai JB ≤ χ (0,05; 2)

 Uji non-multikolinieritas

63
 Untuk mendeteksi ada tidaknya multikolinearitas di dalam regresi

adalah yang pertama dengan melihat korelasi antar variabel

independen. Jika dihasilkan koefisien korelasi antar variabel

independen tinggi dalam hal ini diatas 0.8 maka diduga terdapat

multikolinearitas yang cukup kuat, namun terdapat cara formalnya

dengan melihat nilai Variance Inflation Factor (VIF) pada rumus

(18)

1 1
VIF= =
tolerance 1−R 2k

Multikolinearitas kuat terjadi apabila nilai VIF didapatkan lebih

besar dari 10.

 Uji Homoskedastisitas

Asumsi Homoskedastisitas menunjukkan varians residual bersifat

konstan sepanjang periode waktu dan individu. Uji

homoskedastisitas telah dilakukan pada tahapan pemeriksaan

struktur matriks variance-covariance dan dijadikan acuan dalam

menentukan model estimasi. Apabila matriks variance-covariance

bersifat heteroskedastik maka metode estimasi yang dipilih adalah

Seemingly Uncorelated Regression (SUR) dan jika matriks

variance-covariance bersifat homoskedastik maka digunakan

metode estimasi Ordinary Least Square (OLS).

 Uji non-autokorelasi

Untuk menguji non-autokorelasi dapat digunakan uji Durbin-

Watson, dengan hipotesis pengujian sebagai berikut :

64
 H0 : E ( v ¿ , v is ) =0 ( tidak ada korelasi antara error atau non-

autokorelasi)

H1 : E ( v ¿ , v is ) ≠ 0 ( terdapat korelasi antara error atau terjadi

autokorelasi)

Uji Durbin-Watson dapat dihitung menggunakan rumus (19)

N T

∑ ∑ ( u^ ¿ , u^ ¿−1)2
d= i=1 t =2
N T

∑ ∑ u ¿2
i=1 t =1

Asumsi non-autokorelasi terpenuhi apabila nilai d berada pada nilai

diantara Du dan (4-Du).

6) Setelah dilakukan uji asumsi klasik selanjtunya menguji keberartian

model yang dapat dilakukan dengan melakukan uji-uji sebagai berikut :

 Pemeriksaan Koefisien determinasi (R2)

Untuk melihat seberapa besar suatu variabel independen dapat

menjelaskan variabel dependen dalam model, semakin tinggi nilai

koefisien determinasi maka model regresi yang terbentuk semakin

baik. Dalam penelitian ini menggunakan perhitungan Adjusted R2

yang merupakan koefisien determinasi yang telah disesuaikan

dengan banyaknya variabel independen dapat dihitung dengan

rumus (22)

nT −1
Adjusted R =1−( 1−R )
2 2
nT −n−K

2 164
¿ 1−(1−R )
128

Keterangan :

65
 n = 33 ; T = 5 ; k = 4

 Nilai AIC dan SIC

Sebuah model dikatakan baik apabila memiliki nilai AIC dan SIC

yang kecil. Nilai AIC dan SIC dapat dihitung menggunakan rumus

(23) dan (24).

2k
n RSS
AIC=e
n
2(4 )
33 RSS
¿e
33
k
RSS
SIC=n n
n
4
RSS
¿ 33 33
33

Keterangan :

n = 33 ; k = 4

 Uji Signifikansi Simultan (Uji F)

Uji ini bertujuan untuk mengetahui apakah variabel jumlah tamu

hotel, jumlah usaha akomodasi, jumlah investasi pariwisata, dan

Tingkat Penghunian Kamar Hotel secara simultan / bersama-sama

berpengaruh signifikan terhadap Tingkat Pengangguran Terbuka, Uji

Signifikansi Simultan dapat dihitung dengan menggunakan rumus

(26).
2
R / ( n+ k−1 )
F Hitung =
( 1−R 2) / ( nT −n−k )

66
 2
R /(36)
¿ F(0.05 ;36 ;128)
(1−R 2)/(128)

Keterangan :

n = 33 ; T = 5 ; k = 4

Jika didapatkan nilai Fhitung > F(0.05 ;36 ;128) atau p-value < 0.05 artinya H0

ditolak; maka terdapat minimal satu variabel antara jumlah tamu hotel,

jumlah usaha akomodasi, jumlah investasi pariwisata, dan Tingkat

Penghunian Kamar Hotel yang berpengaruh signifikan terhadap

variabel Tingkat Pengangguran Terbuka.

 Uji Signifikansi Parsial (Uji t).

Setelah melakukan uji signifikansi simultan, selanjutnya dilakukan uji

t untuk mengetahui signifikansi koefisien regresi secara parsial,

berdasarkan hipotesis yang telah dirumuskan dalam penelitian ini

variabel independen jumlah tamu hotel, jumlah usaha akomodasi,

jumlah investasi pariwisata, dan Tingkat Penghunian Kamar Hotel

memiliki pengaruh negatif terhadap variabel Tingkat Pengangguran

Terbuka, sehingga hipotesis yang terbentuk adalah sebagai berikut :

H0 : β k =0 (tidak terdapat pengaruh variabel

independen ke-i terhadap variabel

dependen)

H1 : β k < 0 , dengan k =1,2,3,4 (terdapat pengaruh negatif variabel

independen ke-i terhadap variabel

dependen)

67
 uji ini dapat dihitung dengan menggunakan rumus (28).

^β
k
t Hitung= t (0.05 ;128)
se( β^ k )

Apabila dihasilkan nilai thitung < −t (0.05 ;128)artinya H0 ditolak; maka

secara parsial variabel jumlah tamu hotel, jumlah usaha akomodasi,

jumlah investasi pariwisata, dan Tingkat Penghunian Kamar Hotel

memiliki pengaruh negatif terhadap variabel Tingkat Pengangguran

Terbuka secara parsial/individual.

7) Langah terakhir dari analisis regresi data panel adalah

menginterpretasikan model yang dihasilkan.

Diagram alur dalam analisis regresi data panel dibuat untuk memudahkan dalam
memahami langkah-langkahnya tercantum pada Gambar 5.

68
Gambar 6. Diagram alur analisis regresi data panel dalam penelitian

69
 “… sengaja dikosongkan ...”

70