Library:
> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")1 BAB I PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan salah satu negara yang kaya akan keindahan wisata alam, taman wisata dan taman budaya yang dapat mendukung perkembangan pariwisata di Indonesia, oleh karena itu pariwisata merupakan industri yang penting bagi perekonomian di Indonesia. pariwisata adalah suatu kegiatan industri dan jasa yang setidaknya menjadi andalan Indonesia dalam rangka meningkatkan penerimaan Negara. Pengelolaan kepariwisataan saat ini, memberikan dampak yang sangat besar dalam perekonomian Indonesia. Sesuai dengan hal tersebut pariwisata merupakan salah satu industri terbesar di dunia dan berperan dalam pertumbuhan ekonomi daerah tujuan wisata (Ida, 2015).
Kondisi letak geografis Indonesia yang kaya akan keindahan alam,menarik wisatawan asing maupun wasatawan lokal sesama warga Indonesia untuk berkunjung ke tempat- tempat tersebut. Dengan banyaknya wisatawan yang datang, diharapkan dapat memajukan dan menambah pemasukan perekonomian pada daerah yang dikunjungi. Untuk melihat apakah jumlah wisatawan lokal dan wisatawan asing memiliki dampak terhadap pendapatan tiap provinsi, maka dilakukanlah Analisis Regresi untuk mendapatkan kesimpulan yang sesuai.
1.2 Rumusan Masalah
1.Apakah ada hubungan antara Jumlah Wisatawan Lokal dan Jumlah Wisatawan Asing terhadap Pendapatan Provinsi?
2.Apakah ada hubungan antara Jumlah Wisatawan Lokal terhadap Pendapatan Provinsi?
3.Apakah ada hubungan antara Jumlah Wisatawan Asing terhadap Pendapatan Provinsi?
1.3 Tujuan
1.Untuk mengetahui hubungan antara Jumlah Wisatawan Lokal dan Jumlah Wisatawan Asing terhadap Pendapatan Provinsi.
2.Untuk mengetahui hubungan antara Jumlah Wisatawan Lokal terhadap Pendapatan Provinsi.
3.Untuk mengetahui hubungan antara Jumlah Wisatawan Asing terhadap Pendapatan Provinsi.
2 BAB II TINJUAN PUSTAKA
2.1 Analisis Regresi
Analisis Regresi merupakan salah satu metode statistika yang digunakan untuk memodelkan hubungan antara satu atau lebih variabel prediktor (variabel independen) dengan variabel respons (variabel dependen). Analisis Regresi bertujuan untuk mengidentifikasi arah hubungan serta mengukur sejauh mana dan seberapa besar variabel prediktor mempengaruhi variabel respons.
Analisis regresi terdiri dari beberapa jenis, contohnya analisis regresi sederhana, analisis regresi berganda, analisis regresi logistik, dan lain sebagainya. Pada kasus ini, analisis regresi yang akan digunakan adalah analisis regrresi berganda karena variabel prediktor lebih dari satu dan bertujuan untuk mencari garis atau pola hubungan regresi yang tepat untuk mewakili hubungan antara variabel prediktor dan respons.
Model Regresi Berganda dinyatakan dalam :
2.2 Asumsi Klasik
2.2.1 Asumsi Normalitas
Asumsi normalitas adalah asumsi bahwa galat model regresi harus berdistribusi normal. Uji normalitas dapat dilakukan dengan beberapa cara, diantaranya Uji Kolmogorov-Smirnov, Uji Saphiro Wilk, Uji Chi-Square, serta Uji Jarque-Bera. Pada kasusu ini, digunakan Uji Kolmogorov-Smirnov karena jumlah data cenderung sedikit, sehingga tidak perlu disajikan dalam distribusi frekuensi.
Hipotesis Uji ini adalah sebagai berikut :
H0: Galat berdistribusi normal.
H1: Galat tidak berdistribusi normal.
2.2.2 Asumsi Non-Multikolinieritas
Asumsi Non-Multikolinieritas merupakan asumsi bahwa tidak ada korelasi tinggi antara dua atau lebih variabel prediktor. Terdapat beberapa cara untuk menguji asumsi Non-Multikolinieritas, seperti dengan nilai VIF dan juga matriks korelasi. Pada kasus ini digunakan nilai VIF (Variance Inflation Factor), dimana apabila nilai VIF lebih besar dari 10 maka terindikasi adanya multikolinieritas.
Adapun rumus untuk mencari nilai VIF adalah sebagai berikut :
2.2.3 Asumsi Non-Autokorelasi
Asumsi Non-Autokorelasi merupakan asumsi bahwa pada residual terdapat satu atau beberapa variabel penting yang mempengaruhi variabel Respons yang tidak dimasukkan dalam model regresi.Untuk menguji asumsi ini dapat digunakan uji Dubin-Watson dengan membandingkan hasil p-value dan taraf nyata.
Hipotesis uji ini adalah sebagai berikut :
H0: Tidak terjadi autokorelasi.
H1: Terjadi autokorelasi.
2.2.4 Asumsi Homoskedastisitas
Asumsi Homoskedastisitas merupakan asumsi bahwa residual memiliki nilai ragam yang sama antara residual ke-i dan residual ke-j.Untuk menguji asumsi ini dapat digunakan uji Breuch-Pagan dengan membandingkan hasil p-value dan taraf nyata.
Hipotesis uji ini adalah sebagai berikut :
2.3 Uji Lanjutan
2.3.1 Uji Parsial
Uji Parsial merupakan salah satu uji hipotesis yang bertujuan untuk mengetahui hubungan individual variabel prediktor terhadap variabel respons secara signifikan dengan membandingkan hasil t-value dengan nilai alpha.
Hipotesis uji ini adalah sebagai berikut :
2.3.2 Uji Simultan
Uji Simultan merupakan salah satu uji hipotesis yang bertujuan untuk mengetahui hubungan keseluruhan variabel prediktor terhadap variabel respons secara signifikan dengan membandingkan hasil t-value dengan nilai alpha.
Hipotesis uji ini adalah sebagai berikut :
2.3.3 Koefisien Determinasi
Koefisien determinasi merupakan sebuah nilai yang menunjukkan kemampuan model dalam menerangkan seberapa besar pengaruh keseluruhan variabel prediktor dalam mempengaruhi variabel respons.
3 BAB III DATA
Data yang digunakan adalah data dari BPS mengenai jumlah kunjungan wisatawan lokal (2022), jumlah kunjungan wisatawan asing (2022), serta pendapatan provinsi di Indonesia (2022).
| Provinsi | Jumlah Wisatawan Lokal (Ribu Orang) | Jumlah Wisatawan Asing (Ribu Orang) | Pendapatan Provinsi (Triliun Rupiah) |
| ACEH | 7483.957 | 10.246 | 2.568193356 |
| SUMATERA UTARA | 21892.296 | 185.798 | 6.819012313 |
| SUMATERA BARAT | 10750.168 | 36.212 | 2.613763217 |
| RIAU | 9084.411 | 155.509 | 4.750450511 |
| JAMBI | 3892.005 | 2.625 | 1.780655106 |
| SUMATERA SELATAN | 8088.606 | 12.408 | 5.006440726 |
| BENGKULU | 1988.998 | 0.43 | 0.966619721 |
| LAMPUNG | 10745.577 | 8.048 | 3.447849162 |
| KEP. BANGKA BELITUNG | 1586 | 1.753 | 0.814514935 |
| KEP. RIAU | 782.185 | 1008.307 | 1.348493618 |
| DKI JAKARTA | 63081.04 | 996.302 | 55.66118854 |
| JAWA BARAT | 128667.116 | 218.97 | 21.36207574 |
| JAWA TENGAH | 103991.668 | 76.52 | 16.36655001 |
| DI YOGYAKARTA | 18888.517 | 132.701 | 2.045838352 |
| JAWA TIMUR | 198913.339 | 205.549 | 17.23988563 |
| BANTEN | 48935.825 | 139.659 | 7.793645595 |
| BALI | 11132.389 | 2803.507 | 3 |
| NUSA TENGGARA BARAT | 4030.281 | 95.525 | 2.57163745 |
| NUSA TENGGARA TIMUR | 3264.914 | 12.491 | 1.923953269 |
| KALIMANTAN BARAT | 3138.799 | 15.89 | 2.672831357 |
| KALIMANTAN TENGAH | 2438.971 | 3.743 | 2.555192248 |
| KALIMANTAN SELATAN | 5716.978 | 7.595 | 3.71229357 |
| KALIMANTAN TIMUR | 5266.467 | 35.587 | 6.585710932 |
| KALIMANTAN UTARA | 334.625 | 1.595 | 0.594972373 |
| SULAWESI UTARA | 4809.131 | 16.426 | 1.715555007 |
| SULAWESI TENGAH | 5205.728 | 0.986 | 1.335913572 |
| SULAWESI SELATAN | 30089.324 | 44.637 | 5.003467478 |
| SULAWESI TENGGARA | 12754.805 | 1.72 | 1.393023979 |
| GORONTALO | 1619.987 | 0.686 | 0.446441807 |
| SULAWESI BARAT | 3021.169 | 0.211 | 0.401921428 |
| MALUKU | 596.315 | 8.198 | 0.588888455 |
| MALUKU UTARA | 1146.4 | 0.43 | 0.751933631 |
| PAPUA BARAT | 473.811 | 2.362 | 0.471208972 |
| PAPUA | 1052.891 | 12.105 | 1.237275779 |
4 BAB IV SOURCE CODE
4.1 Library
> library(rmarkdown)
> library(knitr)
> library(tinytex)
> library(lmtest)
> library(car)4.2 Mendefinisikan Data
> data = read.table(file = "clipboard",
+ sep = "\t", header=TRUE)
> str(data)
'data.frame': 34 obs. of 4 variables:
$ Provinsi : chr "ACEH" "SUMATERA UTARA" "SUMATERA BARAT" "RIAU" ...
$ WisatawanLokal: num 7484 21892 10750 9084 3892 ...
$ WisatawanAsing: num 10.25 185.8 36.21 155.51 2.62 ...
$ Pendapatan : num 2.57 6.82 2.61 4.75 1.78 ...
> x1 = data$WisatawanLokal
> x2 = data$WisatawanAsing
> y = data$PendapatanPemanggilan data melalui file bertipe .xlsx dapat melalui function read.table dengan meng-copy data terlebih dahulu. Function str() digunakan untuk menampilkan jenis data yang ada. Selanjutnya variabel didefinisikan sesuai dengan data yang ada dimana variabel prediktor terdiri dari X1 (Jumlah Wisatawan Lokal) dan X2 (Jumlah Wisatawan Asing) sedangkan variabel respons yaitu Y (Jumlah Pendapatan Provinsi).
4.3 4.3. ScatterPlot
> smoothScatter(x = x1, y = y, xlab = "Jumlah Wisatawan Lokal (Ribu Orang)", ylab = "Pendapatan daerah (Triliun Rupiah)", main = "Gambar 1. Pendapatan Daerah~Wisatawan Lokal")
> smoothScatter(x = x2, y = y, xlab = "Jumlah Wisatawan Asing (Ribu Orang)", ylab = "Pendapatan daerah (Triliun Rupiah)", main = "Gambar 2. Pendapatan Daerah~Wisatawan Asing")
Untuk membentuk Scatter Plot sebagai visualisasi bentuk hubungan
antara variabel prediktor dan variabel respons digunakan function
smoothscatter dengan argumen variabel x, variabel y, judul
pada sumbu x, judul pada sumbu y, serta judul utama.
4.4 Regresi Linier Berganda
> anreg = lm(Pendapatan~WisatawanLokal+WisatawanAsing, data = data)
> anreg
Call:
lm(formula = Pendapatan ~ WisatawanLokal + WisatawanAsing, data = data)
Coefficients:
(Intercept) WisatawanLokal WisatawanAsing
1.809820 0.000136 0.004174 Untuk melakukan analisis regresi, menggunakan fungsi
lm() dengan argumen variabel Y, variabel X1, variabel X2,
dan juga nama data yang digunakan.
4.5 Asumsi Klasik
4.5.1 Asumsi Normalitas
> ks.test(anreg$residuals, "pnorm")
Exact one-sample Kolmogorov-Smirnov test
data: anreg$residuals
D = 0.33705, p-value = 0.0006005
alternative hypothesis: two-sidedUntuk melakukan Uji Kolmogorov-Smirnov digunakan function
ks.test() dengan argument residuals dan juga distibursi
yang digunakan.
4.5.2 Asumsi Non-Multikolinieritas
> vif(anreg)
WisatawanLokal WisatawanAsing
1.005539 1.005539 Untuk melakukan pengujian asumsi non-multikolinieritas menggunakan
nilai VIF dapat melalui function vif().
4.5.3 Asumsi Non-Autokorelasi
> dwtest(anreg)
Durbin-Watson test
data: anreg
DW = 2.0602, p-value = 0.5352
alternative hypothesis: true autocorrelation is greater than 0Untuk melakukan pengujian asumsi Non-Autokorelasi menggunakan uji
Durbin-Watson dapat melalui function dwtest().
4.5.4 Asumsi Homoskedastisitas
> bptest(anreg)
studentized Breusch-Pagan test
data: anreg
BP = 5.7349, df = 2, p-value = 0.05684Untuk melakukan pengujian asumsi Homoskedastisitas menggunakan uji
Breusch-Pagan dapat melalui function bptest().
4.6 Uji Lanjut
> summary(anreg)
Call:
lm(formula = Pendapatan ~ WisatawanLokal + WisatawanAsing, data = data)
Residuals:
Min 1Q Median 3Q Max
-12.471 -1.319 -0.813 0.313 41.117
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.810e+00 1.640e+00 1.103 0.278419
WisatawanLokal 1.359e-04 3.346e-05 4.063 0.000306 ***
WisatawanAsing 4.174e-03 2.745e-03 1.520 0.138528
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 8.179 on 31 degrees of freedom
Multiple R-squared: 0.3903, Adjusted R-squared: 0.351
F-statistic: 9.924 on 2 and 31 DF, p-value: 0.00046655 BAB V HASIL DAN PEMBAHASAN
5.1 ScatterPlot
Berdasarkan bentuk scatterplot, antara variabel X1 dan Y terindikasi adanya hubungan linier meskipun masih terdapat beberapa outlier.
Berdasarkan bentuk scatterplot, antara variabel X2 dan Y tidak terindikasi adanya hubungan linier
5.2 Regresi Linier Berganda
Berdasarkan output tersebut, model regresi linier berganda yang terbentuk adalah sebagai berikut :
Dapat disimpulkan bahwa jika variabel X1 dan X2 bernilai nol, maka variabel Y akan bernilai 1.8092. Jika variabel X1 bertambah satu satuan dan variabel X2 bernilai konstan, maka variabel Y juga akan bertambah sebesar 0.000136. Jika variabel X2 bertambah satu satuan dan variabel X1 bernilai konstan, maka variabel Y juga akan bertambah sebesar 0.004174.
5.3 Asumsi Klasik
5.3.1 Asumsi Normalitas
Berdasarkan output tersebut, p−value (6.005⋅10-4) < α (0,05) sehingga keputusannya adalah tolak Ho. Dengan taraf nyata 5% dapat disimpulkan bahwa data tidak memenuhi asumsi normalitas karena galat tidak berdistribusi normal.
5.3.2 Asumsi Non-Multikolinieritas
Berdasarkan output tersebut, nilai VIF variabel prediktor X1 dan juga X2 memiliki hasil yang sama yaitu 1.005593. Karena nilai VIF < 10, maka dapat disimpulkan bahwa data memenuhi asumsi non-multikolinieritas.
5.3.3 Asumsi Non-Autokorelasi
Berdasarkan output tersebut, p−value (0.5352) > α (0,05) sehingga keputusannya adalah gagal tolak Ho. Dengan taraf nyata 5% dapat disimpulkan bahwa data memenuhi asumsi non-autokorelasi karena tidak adanya korelasi antar residual.
5.3.4 Asumsi Homoskedastisitas
Berdasarkan output tersebut, p−value (0.05684) > α (0,05) sehingga keputusannya adalah tolak Ho. Dengan taraf nyata 5% dapat disimpulkan bahwa data memenuhi asumsi homoskedastisitas.
5.4 Uji Lanjut
5.4.1 Uji Parsial
- Jumlah Wisatawan Lokal (X1)
Berdasarkan output tersebut, p−value (0.000306) < α (0,05) sehingga keputusannya adalah gagal tolak Ho. Dengan taraf nyata 5% dapat disimpulkan bahwa Jumlah wisatawan Lokal berpengaruh secara parsial terhadap Pendapatan Provinsi.
- Jumlah Wisatawan Asing (X2)
Berdasarkan output tersebut, p−value (0.138528) > α (0,05) sehingga keputusannya adalah tolak Ho. Dengan taraf nyata 5% dapat disimpulkan bahwa Jumlah wisatawan Asing tidak berpengaruh secara parsial terhadap Pendapatan Provinsi.
5.4.2 Uji simultan
Berdasarkan output tersebut, p−value (0.0004605) < α (0,05) sehingga keputusannya adalah gagal tolak Ho. Dengan taraf nyata 5% dapat disimpulkan bahwa seluruh variabel prediktor berpengaruh secara simultan terhadap Pendapatan Provinsi.
5.4.3 Koefisien Determinasi
Berdasarkan output tersebut, nilai koefisien determinasi adalah sebesar 0,351. Dapat disimpulkan bahwa kedua variabel prediktor dapat menjelaskan variabilitas dalam variabel respons sebesar 35,1%, sedangkan 64,1% sisanya dijelaskan oleh variabel lain yang tidak dibahas pada penelitian ini.
6 BAB VI KESIMPULAN
Berdasarkan hasil dan pembahasan sebelumnya, dapat disimpulkan bahwa pengaruh Jumlah Wisatawan Lokal dan Wisatawan Asing Terhadap Pendapatan Provinsi menghasilkan model regresi berganda sebagai berikut :
Dimana Uji Asumsi yang terpenuhi adalah Asumsi Homoskedastisitas, Asumsi Non-Multikolinieritas, dan Asumsi Non-Autokorelasi, sedangkan Asumsi Normalitas belum terpenuhi. Seluruh variabel prediktor berpengaruh secara signifikan terhadap variabel respon secara simultan, sedangkan secara parsial hanya variabel prediktor X1 (Jumlah Wisatawan Lokal) yang berpengaruh secara signifikan terhadap variabel respons.Koefisien determinasi yang terbentuk adalah sebesar 35.1%.
7 BAB VII DAFTAR PUSTAKA
Sari, R. W., & Hartama, D. (2018). Data Mining: Algoritma K-Means Pada Pengelompokkan Wisata Asing ke Indonesia Menurut Provinsi. In Seminar Nasional Sains dan Teknologi Informasi (SENSASI) (Vol. 1, No. 1).
https://www.bps.go.id/indicator/16/1189/1/jumlah-perjalanan-wisatawan-nusantara.html
Yasa, I. N. M. (2015). Pengaruh jumlah kunjungan wisatawan, lama tinggal wisatawan dan tingkat hunian hotel terhadap Pendapatan Asli Daerah dan kesejahteraan masyarakat pada Kabupaten/Kota di Provinsi Bali. E-Jurnal Ekonomi Pembangunan Universitas Udayana, 6(7), 165233.
Khasanah, U. (2021). Analisis Regresi. UAD PRESS.