HASIL DAN PEMBAHASAN
5.5 Persepsi Pengelola Hotel terhadap Fungsi dan Fitur Media Online .1 Tingkat Persepsi Pengelola Hotel terhadap Fitur atau Fungsi Media .1 Tingkat Persepsi Pengelola Hotel terhadap Fitur atau Fungsi Media
5.5.2 Analisis Faktor Manfaat Penggunaan Fitur pada Fungsi Media Online Data kuesioner yang telah diisi oleh 35 responden mengenai persepsi Data kuesioner yang telah diisi oleh 35 responden mengenai persepsi
5.5.2.3 Analisis Faktor Manfaat Fitur Media Online pada Fungsi Retain Berdasarkan kerangka pemasaran digital, indikator untuk variabel retain Berdasarkan kerangka pemasaran digital, indikator untuk variabel retain
pada media online meliputi: (1) update content secara berkala, (2) program
swicthing cost bagi visitor, (3) menghubungkan media online dengan situs travel blogger, (4) penyelenggaraan program loyalty atau rewards, (5) mempersingkat loading time media online, (6) penyediaan sistem untuk cek / track pemesanan,
dan (7) penyediaan aplikasi interaktif. Sebelum memasuki proses utama dari analisis faktor, pemenuhan asumsi harus dilakukan. Berdasarkan perhitungan dengan SPSS versi 21, diperoleh besar nilai KMO MSA 0,763 dan signifikansi 0,000. Kedua nilai ini telah memenuhi asumsi sehingga semua indikator yang ditetapkan di awal dapat diproses lebih lanjut.
Tabel 5.21
Hasil Uji KMO dan Barlett’s Variabel Retain Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. .763 Bartlett's Test of Sphericity Approx. Chi-Square 79.097 Df 21 Sig. .000
Sumber: Hasil Pengolahan Data, 2015
Pemenuhan asumsi berikutnya adalah nilai MSA pada anti-image matrices di atas 0,5. Pada tabel anti-image matrices di bawah dapat diketahui nilai MSA pada bagian anti-image correlation yaitu pada angka yang memiliki tanda a. Masing-masing indikator memiliki nilai MSA yang dapat dilihat pada Tabel 5.22. Nilai MSA X3.1 sampai dengan X3.7 menunjukkan nilai anti-image correlation lebih besar dari 0,5. Dengan demikian proses analisis dapat dilanjutkan.
Tabel 5.22
Matriks Anti-Image Antar IndikatorVariabel Retain
X3.1 X3.2 X3.3 X3.4 X3.5 X3.6 X3.7 Anti-image Covariance X3.1 .692 -.118 -.144 .016 -.024 -.129 .100 X3.2 -.118 .363 -.167 -.156 -.004 -.004 -.203 X3.3 -.144 -.167 .569 .033 -.139 -.046 .115 X3.4 .016 -.156 .033 .515 -.167 -.194 .077 X3.5 -.024 -.004 -.139 -.167 .519 .042 -.208 X3.6 -.129 -.004 -.046 -.194 .042 .706 -.086 X3.7 .100 -.203 .115 .077 -.208 -.086 .552 Anti-image Correlation X3.1 .809a -.236 -.229 .027 -.039 -.185 .162 X3.2 -.236 .759a -.367 -.361 -.010 -.008 -.454 X3.3 -.229 -.367 .772a .061 -.256 -.072 .206 X3.4 .027 -.361 .061 .770a -.324 -.322 .144 X3.5 -.039 -.010 -.256 -.324 .790a .070 -.388 X3.6 -.185 -.008 -.072 -.322 .070 .823a -.137 X3.7 .162 -.454 .206 .144 -.388 -.137 .645a a. Measures of Sampling Adequacy(MSA)
Sumber: Hasil Pengolahan Data, 2015
Pada tahap ini telah memasuki inti dari analisis faktor. Output pertama yang diperoleh dengan menggunakan SPSS versi 21 adalah tabel komunalitas. Komunalitas menunjukkan jumlah varians dari suatu indikator yang dapat dijelaskan oleh faktor yang terbentuk (Santoso, 2010: 82).
Tabel 5.23
Komunalitas Indikator Variabel Retain Initial Extraction X3.1 1.000 .723 X3.2 1.000 .742 X3.3 1.000 .614 X3.4 1.000 .574 X3.5 1.000 .664 X3.6 1.000 .409 X3.7 1.000 .771
Extraction Method: Principal Component Analysis.
Berdasarkan tabel komunalitas di atas, diperoleh nilai komunalitas untuk masing-masing indikator. Untuk indikator X3.1 nilai komunalitasnya 0,723. Hal ini berarti sekitar 72,3 persen varians dari indikator X3.1 bisa dijelaskan oleh faktor yang terbentuk. Indikator X3.2 memiliki nilai komunalitas 0,742. Indikator X3.3 memiliki nilai komunalitas 0,614. Indikator X3.4 memiliki nilai komunalitas 0,574. Indikator X3.5 memiliki nilai komunalitas 0,664. Indikator X3.6 memiliki nilai komunalitas 0,409. Indikator X3.7 memiliki nilai komunalitas 0,771. Semakin besar nilai komunalitas berarti semakin erat hubungannya dengan faktor yang terbentuk (Santoso, 2010: 82).
Output berikutnya dari analisis faktor adalah tabel total variance explainded. Tabel 5.24 di bawah yaitu pada kolom component menunjukkan
bahwa ada tujuh indikator yang digunakan dalam analisis faktor yaitu X3.1, X3.2, X3.3, X3.4, X3.5, X3.6 dan X3.7. Varians faktor 1 (faktor yang terbentuk) adalah 49,48 persen. Varians faktor 2 (faktor yang terbentuk) adalah 1,032/7 x 100% = 14,745 persen. Ini berarti bahwa, secara total, kedua faktor dapat menjelaskan 64,224 persen dari variabilitas tujuh indikator aslinya. Dengan memperhatikan kolom initial eigenvalues, diketahui bahwa terdapat 2 faktor yang memiliki nilai > 1 yaitu faktor 1 dengan nilai 3,464 dan faktor 2 dengan nilai 1,032. Nilai
eigenvalues di bawah 1 tidak digunakan dalam menentukan jumlah faktor yang
Tabel 5.24
Total Variance Explained untuk Variabel Retain
Comp Initial Eigenvalues Extraction Sums of
Squared Loadings
Rotation Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 3.464 49.480 49.480 3.464 49.480 49.480 2.315 33.078 33.078 2 1.032 14.745 64.224 1.032 14.745 64.224 2.180 31.146 64.224 3 .778 11.110 75.334 4 .584 8.350 83.684 5 .485 6.927 90.611 6 .431 6.151 96.762 7 .227 3.238 100.000
Extraction Method: Principal Component Analysis.
Sumber: Hasil Pengolahan Data, 2015
Tabel 5.25
Component Matrix Variabel Retain dengan Rotasi Varimax Component 1 2 X3.1 .583 .618 X3.2 .859 -.057 X3.3 .694 .365 X3.4 .755 -.059 X3.5 .754 -.310 X3.6 .619 .159 X3.7 .618 -.624
Extraction Method: Principal Component Analysis. a. 2 components extracted.
Sumber: Hasil Pengolahan Data, 2015
Setelah diketahui dua faktor terbentuk pada Tabel 5.24, output Tabel 5.25 menunjukkan distribusi ketujuh indikator pada dua faktor yang terbentuk. Selain itu, Tabel 5.25 di atas juga menunjukkan factor loadings yaitu besarnya korelasi antara indikator dengan faktor terbentuk. Semakin tinggi nilai factor loadings setiap indikator, maka semakin besar pengaruhnya terhadap faktor yang terbentuk,
demikian juga sebaliknya. Pengelompokan indikator dilakukan dengan perbandingan besar nilai factor loadings pada tiap baris dimana tanda hanya menunjukkan arah korelasi. Output selanjutnya adalah Tabel 5.26. Pada Tabel 5.26 di bawah ini terlihat bahwa beberapa indikator belum jelas diletakkan pada faktor 1 atau faktor 2. Oleh karena itu dilakukan rotasi agar semakin jelas peletakan tiap indikator.
Tabel 5.26
Rotated Component Matrix Component 1 2 X3.1 -.001 .850 X3.2 .663 .549 X3.3 .254 .742 X3.4 .589 .476 X3.5 .760 .293 X3.6 .341 .541 X3.7 .878 -.029
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.a
a. Rotation converged in 3 iterations.
Sumber: Hasil Pengolahan Data, 2015
Berdasarkan rotasi yang dilakukan diperoleh hasil X3.2 masuk faktor 1 karena nilai factor loadings lebih besar yaitu 0,663. Indikator X3.4 masuk faktor 1 karena nilai factor loadings lebih besar yaitu 0,589. Indikator X3.6 masuk faktor 2 karena nilai factor loadings lebih besar yaitu 0,541. Sehingga pengelompokan indikator menjadi sebagai berikut faktor 1 terdiri atas X3.2, X3.4, X3.5 dan X3.7. Sedangkan faktor 2 terdiri atas X3.1,X3.3, dan X3.6.
Output berikutnya adalah tabel component transformation matrix. Tabel
0,767. Hal ini menunjukkan bahwa dua faktor yang terbentuk mempunyai korelasi yang tinggi.
Tabel 5.27
Component Transformation Matrix
Sumber: Hasil Pengolahan Data, 2015
Berdasarkan Tabel 5.25 terdapat dua fitur yang berpengaruh terhadap fungsi retain yaitu X3.1 untuk faktor 2 dan X3.7 untuk faktor 1. X3.7 yaitu penyediaan aplikasi interaktif berupa game interaktif, e-postcard, e-photoframe memiliki korelasi yang terbesar yaitu 0,878. Hasil ini bertolak belakang dengan hasil penyebaran kuesioner pada Tabel 5.10 dimana X3.7 mendapatkan nilai rata-rata terendah yaitu 2.71. Sedangkan fitur X3.1 yaitu update content secara berkala memiliki nilai korelasi terbesar kedua (0,850). Nilai ini sesuai dengan hasil penyebaran kuesioner pada Tabel 5.10 dimana X3.1 mendapatkan nilai rata-rata 4.6. Selain itu, hasil wawancara juga menyatakan content yang ditampilkan di media online seharusnya fresh dan update (Altaf, wawancara, 5 Agustus 2015; Ida Ayu P. Sulitri, wawancara, 3 Agustus 2015; Luh Putu Paramitha Dewi, wawancara, 4 Agustus 2015). Content sebagai salah satu faktor kesuksesan pemasaran digital juga telah diteliti oleh Soemarlan (2013). Namun perbedaannya adalah content yang dimaksud Soemarlan (2013) adalah content pada website bukan content pada keseluruhan media online yang dikelola hotel.
Component 1 2
1 .767 .687