60 0 50 100 150 200 250 300 2005 2006 2007 2008 2009 2010
Jumlah Hotel
Jumlah HotelANALISIS DAN BAHASAN
Pada bab ini akan disajikan hasil penelitian dan pembahasan dengan metode
Partial Least Square (PLS). Metode ini digunakan untuk mengetahui pengaruh
variabel jumlah kamar, jumlah tempat tidur, umur hotel, tarif minimal, tarif
maksimal, jumlah tenaga kerja dan jumlah fasilitas hotel terhadap jumlah tamu hotel
dan besar pengaruh masing-masing variabel tersebut terhadap jumlah tamu hotel di
propinsi Sulawesi Tenggara (Sultra).
4.1. ANALISIS DATA DAN BAHASAN
Sebelum dilakukan analisis data, terlebih dahulu akan disajikan gambaran
keadaan perhotelan di propinsi Sultra.
Gambar 4.1 Jumlah Hotel Tahun 2005-2010
Berdasarkan Gambar 4.1 dapat disimpulkan bahwa terdapat kenaikan jumlah
mengetahui variabel yang menjadi pertimbangan dalam memilih hotel. Dengan
mengetahui variabel yang menjadi pertimbangan dalam memilih hotel, pihak hotel
dapat memutuskan variabel yang menjadi prioritas untuk dikembangkan sehingga
dapat meningkatkan jumlah tamu hotel.
Gambar 4.2 Jumlah Hotel per Kabupaten/ Kota
Pada Gambar 4.2 terdapat diagram yang menggambarkan jumlah hotel di tiap
kabupaten/kota. Pada gambar tersebut diketahui bahwa kota Kendari memiliki
jumlah hotel paling banyak sedangkan kabupaten Konawe Utara memiliki jumlah
hotel paling sedikit. Hal ini cukup beralasan karena kota Kendari merupakan ibukota
propinsi dan kabupaten Konawe Utara merupakan kabupaten baru hasil pemekaran
yang dibentuk pada tahun 2007 sehingga masih dalam tahap pembangunan
0 500 1000 1500 2000 Kabupaten Buton
Kabupaten Muna Kabupaten Konawe Kabupaten Kolaka Kabupaten Konawe S elatan Kabupaten Bombana Kabupaten Wakatobi Kabupaten Kolaka Utara Kabupaten Buton Utara Kabupaten Konawe Utara Kota Kendari Kota Bau-Bau
Rata-rata Jumlah Tamu
Rata-rata Jumlah Tamu
Gambar 4.3 Rata-rata Jumlah Tamu Hotel per Kabupaten/ Kota
Pada Gambar 4.3 terdapat diagram mengenai rata-rata jumlah tamu
masing-masing hotel di tiap kabupaten/kota pada tahun 2010. Diketahui bahwa hotel-hotel di
kota Kendari memiliki rata-rata jumlah tamu paling banyak dimana hal ini dapat
dimaklumi karena kota Kendari merupakan ibukota propinsi dan juga memiliki pusat
transportasi berupa pelabuhan. Setelah kota Kendari, kabupaten Konawe Selatan juga
memiliki rata-rata jumlah tamu hotel terbanyak. Hal ini disebabkan adanya bandar
0 5 10 15 20 Kabupaten Buton
Kabupaten Muna Kabupaten Konawe Kabupaten Kolaka Kabupaten Konawe S elatan Kabupaten Bombana Kabupaten Wakatobi Kabupaten Kolaka Utara Kabupaten Buton Utara Kabupaten Konawe Utara Kota Kendari Kota Bau-Bau
Rata-rata Jumlah Kamar Hotel
Rata-rata Jumlah Kamar Hotel
Gambar 4.4 Rata-rata Jumlah Kamar Hotel per Kabupaten/ Kota
Pada Gambar 4.4 terdapat diagram mengenai rata-rata jumlah kamar
masing-masing hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar tersebut
diketahui bahwa hotel-hotel di kota Kendari memiliki jumlah kamar paling banyak
karena kota Kendari juga memiliki jumlah hotel dan jumlah tamu hotel terbanyak.
Setelah kota Kendari, kota Bau-Bau juga memiliki rata-rata jumlah kamar hotel
terbanyak. Hal ini disebabkan jumlah hotel di kota tersebut yang juga terbanyak
0 5 10 15 20 25 Kabupaten Buton Kabupaten Muna Kabupaten Konawe Kabupaten Kolaka Kabupaten Konawe… Kabupaten Bombana Kabupaten Wakatobi Kabupaten Kolaka Utara Kabupaten Buton Utara Kabupaten Konawe Utara Kota Kendari Kota Bau-Bau
Rata-rata Jumlah Tempat Tidur
Rata-rata Jumlah Tempat Tidur
Gambar 4.5 Rata-Rata Jumlah Tempat Tidur Hotel per Kabupaten/ Kota
Pada Gambar 4.5 terdapat diagram mengenai rata-rata jumlah tempat tidur
masing-masing hotel per kabupaten/ kota pada tahun 2010. Dari gambar tersebut,
dapat diketahui bahwa hotel-hotel di kota Kendari memiliki jumlah tempat tidur
paling banyak. Hal ini cukup beralasan karena jumlah hotel dan tamu hotel di kota
Kendari adalah yang paling banyak sehingga dibutuhkan banyak tempat tidur.
Sedangkan hotel-hotel di kabupaten Konawe memiliki jumlah tempat tidur terbanyak
kedua setelah kota Kendari, hal ini karena jumlah hotel yang sedikit namun tiap hotel
memiliki banyak jumlah kamar hotel, yaitu tiap hotel rata-rata memiliki 12 kamar
0 5 10 15 20 Kabupaten Buton Kabupaten Muna Kabupaten Konawe Kabupaten Kolaka Kabupaten Konawe… Kabupaten Bombana Kabupaten Wakatobi Kabupaten Kolaka Utara Kabupaten Buton Utara Kabupaten Konawe…
Kota Kendari Kota Bau-Bau
Rata-rata Umur Hotel
Rata-rata Umur Hotel
Gambar 4.6 Rata-Rata Umur Hotel per Kabupaten/ Kota
Pada Gambar 4.6 terdapat diagram mengenai rata-rata umur masing-masing
hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar tersebut diketahui
bahwa hotel di kabupaten Muna memiliki umur paling tua. Sedangkan
hotel-hotel di kabupaten Konawe Utara memiliki umur paling muda. Hal ini karena
kabupaten Konawe Utara merupakan kabupaten baru hasil pemekaran yang dibentuk
pada tahun 2006 sehingga perkembangan infrastruktur perhotelan masih terhitung
0 100 200 300 Kabupaten Buton Kabupaten Muna Kabupaten Konawe Kabupaten Kolaka Kabupaten Konawe… Kabupaten Bombana Kabupaten Wakatobi Kabupaten Kolaka Utara Kabupaten Buton Utara Kabupaten Konawe Utara Kota Kendari Kota Bau-Bau
Rata-rata Tarif Maksimal Rata-Rata Tarif Minimal
Gambar 4.7 Rata-Rata Tarif Maksimal dan Minimal Hotel per Kabupaten/ Kota
Pada Gambar 4.7 terdapat diagram mengenai rata-rata tarif maksimal dan
minimal masing-masing hotel per kabupaten/ kota pada tahun 2010. Dari gambar
tersebut diketahui bahwa hotel-hotel di kota Kendari memiliki tarif maksimal dan
tarif minimal paling tinggi, hal ini disebabkan karena kota Kendari merupakan
ibukota propinsi yang memiliki lokasi yang strategis serta banyaknya akses fasilitas
hotel. Setelah kota Kendari, kabupaten Wakatobi memiliki hotel-hotel dengan
maksimal tertinggi, hal yang cukup beralasan karena kabupaten Wakatobi memiliki
objek wisata alam Taman Nasional Wakatobi yang menarik banyak wisatawan asing
untuk berkunjung ke kabupaten tersebut sehingga pihak hotel menetapkan tarif
0 10 20 Kabupaten Buton Kabupaten Muna Kabupaten Konawe Kabupaten Kolaka Kabupaten Konawe… Kabupaten Bombana Kabupaten Wakatobi Kabupaten Kolaka Utara Kabupaten Buton Utara Kabupaten Konawe Utara Kota Kendari Kota Bau-Bau
Rata-rata Jumlah Tenaga Kerja Hotel
Rata-rata Jumlah Tenaga Kerja Hotel
Gambar 4.8 Rata-rata Jumlah Tenaga Kerja Hotel per Kabupaten/ Kota
Pada Gambar 4.8 terdapat diagram mengenai rata-rata jumlah tenaga kerja
masing-masing hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar
tersebut diambil kesimpulan bahwa hotel-hotel di kota Kendari memiliki jumlah
tenaga kerja paling banyak. Hal ini cukup beralasan karena kota Kendari memiliki
jumlah hotel dan jumlah tamu terbanyak dan juga tarif tinggi yang mengharuskan
pihak hotel memberikan layanan yang baik kepada tamu hotelnya. Selain kota
Kendari, hotel-hotel di kota Bau-Bau juga memiliki jumlah tenaga kerja terbanyak.
Hal ini disebabkan oleh tingginya jumlah hotel dan jumlah tamu per hotel sehingga
0 1 2 3 4 Kabupaten Buton Kabupaten Muna Kabupaten Konawe Kabupaten Kolaka Kabupaten Konawe… Kabupaten Bombana Kabupaten Wakatobi Kabupaten Kolaka Utara Kabupaten Buton Utara Kabupaten Konawe Utara Kota Kendari Kota Bau-Bau
Rata-rata Jumlah Fasilitas Hotel
Rata-rata Jumlah Fasilitas Hotel
Gambar 4.9 Rata-rata Jumlah Fasilitas Hotel per Kabupaten/ Kota
Pada Gambar 4.9 terdapat diagram mengenai rata-rata jumlah fasilitas
masing-masing hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar
tersebut diketahui bahwa hotel-hotel di kota Kendari memiliki jumlah fasilitas hotel
paling banyak diantara kabupaten/kota lainnya, hal ini cukup beralasan karena kota
Kendari merupakan ibukota propinsi yang memiliki banyak infrastruktur penunjang
seperti tempat rekreasi, pusat transportasi, dan lain-lain. Juga karena tingginya tarif
dan ketatnya persaingan antar hotel di kota Kendari sehingga mengharuskan pihak
hotel untuk memberikan fasilitas yang baik dan memadai bagi tamu hotelnya. Selain
kota Kendari, hotel-hotel di kabupaten Wakatobi juga memiliki jumlah fasilitas
4.1.1. REGRESI GANDA
Dilakukan pemodelan menggunakan metode regresi ganda menggunakan
persamaan (2.7) untuk memperoleh nilai dugaan koefisien regresi. Hasil pemodelan
regresi dapat dilihat pada Tabel 4.1. Dari hasil pemodelan tersebut diperoleh nilai
dugaan koefisien regresi dari tujuh variabel independen tersebut terhadap .
Tabel 4.1 Hasil Regresi untuk Data Hotel di Propinsi Sultra
Variabel Koefisien Standard
Error Coefficient Konstanta -63.346 190.460 -0.332 1.645 Jumlah Kamar 109.421 22.173 4.935 Jumlah Tempat Tidur
-51.086 12.597 -4.055 Umur Hotel 22.568 9.638 2.342 Tarif Minimal -2.879 2.035 -1.415 Tarif Maksimal 1.537 0.786 1.957 Jumlah Tenaga Kerja
84.209 15.622 5.390 Jumlah Fasilitas
29.975 42.224 0.710
Dari Tabel 4.1 diketahui bahwa hanya variabel jumlah kamar, jumlah tempat
tidur, umur hotel, tarif maksimal, dan jumlah tenaga kerja, yang memiliki pengaruh
lebih besar dari 1.645. Dari Tabel 4.1 diketahui juga nilai
yang berarti variabel-variabel independen dalam model tersebut mampu menjelaskan
sebesar 57.582%.
Dengan menggunakan 5 variabel yang signifikan akan diperoleh model
regresi dugaan seperti yang terdapat pada persamaan 4.1. Hasil lengkapnya dapat
dilihat pada Lampiran 6. Dari persamaan tersebut, diketahui bahwa jumlah tamu
mendapatkan pengaruh positif dari jumlah kamar, umur hotel, tarif maksimal dan
jumlah tenaga kerja dan jumlah tamu mendapatkan pengaruh negatif dari jumlah
tempat tidur.
(4.1)
Ada hal yang cukup menarik perhatian dari persamaan 4.1. Hal tersebut
adalah pengaruh negatif dari jumlah tempat tidur. Nilai dugaan koefisien regresi
sebesar -47.953 berarti untuk setiap penambahan 1 tempat tidur maka rata-rata
jumlah tamu akan berkurang sebesar 47.953 orang. Hal ini tidak sesuai dengan
pertimbangan penulis. Misalkan tanda yang diperoleh adalah positif dengan nilai
47.953. Hal ini akan menunjukkan bahwa untuk setiap penambahan 1 tempat tidur
maka rata-rata jumlah tamu akan naik sebesar 47.953. Meskipun pengaruhnya masih
harus diuji akan tetapi tanda positif akan lebih masuk akal dibandingkan tanda
negatif.
Adanya ketidaksesuaian antara apa yang diharapkan dengan apa yang
diperoleh membawa suatu dugaan bahwa telah terjadi multikolinear. Hal ini sesuai
koefisien regresi. Perhatikan Tabel 4.2. Pada tabel tersebut terdapat model regresi
dugaan dengan menggunakan 3 dan 5 variabel bebas. Hasil yang diperoleh berbeda
dalam hal nilai dugaan koefisien regresinya. Contohnya, nilai dugaan koefisien
jumlah kamar pada regresi ganda menggunakan 3 variabel bebas adalah 166.420,
sedangkan menggunakan 5 variabel bebas nilainya adalah 147.186. Begitu juga
dengan nilai dugaan koefisien umur hotel menggunakan 3 variabel bebas yaitu
12.181, sedangkan menggunakan 5 variabel bebas nilainya adalah 18.696. Uraian ini
menunjukkan adanya perubahan yang terjadi pada nilai dugaan koefisien regresi
ketika dilakukan pemodelan dengan menggunakan jumlah variabel bebas yang
berbeda. Atau hal ini sesuai dengan poin 4 yang dikemukakan oleh Aczel.
Tabel 4.2 Hasil Regresi dengan 3 dan 5 Variabel Independen
Model dengan 3 variabel independen
Model dengan 5 variabel independen
Variabel Koefisien Variabel Koefisien
Konstanta
-387.317 Konstanta -410.925 Jumlah Kamar
166.420 Jumlah Kamar 147.186 Jumlah Tempat Tidur
-35.420 Jumlah Tempat Tidur -38.629 Umur Hotel
12.181 Umur Hotel 18.696 Tarif Minimal Tarif Minimal
-0.544 Tarif Maksimal Tarif Maksimal
1.839 Jumlah Tenaga Kerja Jumlah Tenaga Kerja
Informasi tentang adanya multikolinear pada data juga bisa diperoleh dengan
cara melihat koefisien korelasi antar variabel pada data. Pada Gambar 4.10 dapat
dilihat matriks korelasi antar variabel pada data hotel. Pada gambar tersebut
diketahui terdapat beberapa variabel yang memiliki nilai koefisien korelasi diatas
0.7, contohnya variabel dan yang memiliki nilai koefisien korelasi sebesar
0.939. Hal ini berarti variabel dan memiliki korelasi kuat dan positif, yaitu
bila nilai naik maka nilai juga akan naik. Hal serupa dapat dilihat pada nilai
koefisien korelasi variabel dan , nilai koefisien korelasi variabel dan dan
nilai koefisien korelasi variabel dan . Dari uraian diatas dapat disimpulkan
bahwa terdapat hubungan antar variabel bebas di dalam data, dimana hal ini dapat
menjadi indikasi adanya multikolinear. 1.000
0.939 1.000
Gambar 4.10 Matriks Korelasi Variabel Pada Data Hotel
Selain melihat matriks
korelasi, cara lain untuk mendeteksi
ada atau tidaknya multikolinear
pada data adalah dengan melihat
nilai VIF. Bila terdapat nilai VIF
yang lebih besar dari 10, maka hal
tersebut dapat dijadikan indikasi
telah terjadi kasus
multikolinear. Nilai VIF dari pemodelan dengan metode regresi ganda dapat dilihat
pada Tabel 4.3.
Pada Tabel 4.3 dapat dilihat bahwa variabel memiliki nilai VIF yang lebih
besar dari 10, yaitu 11.302. Ini berarti adanya ketergantungan variabel independen
lainnya terhadap variabel . Hal tersebut menjadi indikasi kuat adanya
multikolinear pada data.
Tabel 4.3 Nilai VIF Hasil Pemodelan Menggunakan Metode Regresi
0.602 0.537 -0.214 1.000 0.761 0.722 -0.177 0.825 1.000 0.859 0.832 -0.099 0.646 0.749 1.000 0.689 0.637 -0.087 0.629 0.670 0.612 1.000 Variabel VIF 11.302 9.221
Berdasarkan uraian diatas dapat disimpulkan telah terjadi multikolinear pada
data hotel, sehingga selanjutnya variabel-variabel penelitian akan dimodelkan dengan
menggunakan metode PLS.
4.1.2 REGRESI PLS
Sebelum dianalisis, data variabel dan ditransformasi menggunakan
transformasi korelasi terlebih dahulu. Data hasil transformasi korelasi dapat dilihat
pada Lampiran 1.
Selanjutnya variabel-variabel yang telah ditransformasikan tersebut
dimodelkan menggunakan persamaan (2.22) dan persamaan (2.23). Langkah-langkah
pembentukan komponen utama dalam regresi PLS didasarkan pada algoritma PLS
yang diberikan dalam Bab 2. Hasil komponen yang dibentuk dan pembobot
(weights dapat dilihat pada Lampiran 3- Lampiran 5.
Setelah skor-skor komponen utama didapat, maka skor-skor komponen utama
tersebut diregresikan terhadap variabel dependen untuk kemudian dihitung nilai 1.101
3.583
4.978
4.470
persamaan (2.27). Model dengan nilai PRESS terkecil mengindikasikan kecilnya
error pendugaan dalam model dan menentukan jumlah komponen utama yang akan
digunakan dalam model. Skor komponen utama tersebut lalu digunakan untuk
menduga koefisien regresi PLS menggunakan persamaan (2.19). Nilai PRESS serta
nilai keragaman variabel yang mampu diterangkan oleh skor komponennya
dicantumkan pada Tabel 4.4.
Tabel 4.4 Jumlah Komponen Utama Hasil Metode PLS Serta Persentase Keragaman Variabel Jumlah Komponen Utama Ragam PRESS 1 65.60% 0.562 2 79.14% 0.579 3 85.61% 0.606 4 90.72% 0.603 5 94.18% 0.591 6 98.06% 0.586 7 100% 0.583
Pada Tabel 4.4 dapat dilihat bahwa dari hasil algoritma PLS yang digunakan,
didapat 7 komponen utama. Dari hasil regresi skor-skor komponen tersebut terhadap
variabel didapat nilai PRESS yang merepresentasikan ragam variabel .
Berdasarkan nilai PRESS terkecil (0.562) dipilih satu komponen yang mampu
menjelaskan 65.60% dari keragaman total. Kemudian matriks pembobot W,
menduga nilai koefisien regresi menggunakan persamaan (2.19). Hasil pendugaan
fungsi regresi dengan metode PLS menggunakan satu komponen dicantumkan pada
Tabel 4.5.
Tabel 4.5 Pendugaan Fungsi Regresi PLS Menggunakan Satu Komponen
Variabel Coefficient Standard
Error Coefficient Konstanta -205.039 207.129 -0.990 1.645 Jumlah Kamar 24.881 24.114 1.032 Jumlah Tempat Tidur
13.828 13.700 1.009 Umur Hotel 0.311 10.481 0.030 Tarif Minimal 2.790 2.213 1.261 Tarif Maksimal 1.139 0.854 1.333 Jumlah Tenaga Kerja
28.183 16.990 1.659 Jumlah Fasilitas
78.554 45.919 1.711
Berdasarkan hasil pemodelan di atas dapat disimpulkan bahwa jumlah tenaga
kerja dan jumlah fasilitas memiliki pengaruh yang terhadap jumlah tamu hotel di
propinsi Sultra. Jumlah tamu mendapatkan pengaruh positif dari jumlah tenaga kerja
dan jumlah fasilitas. Variabel jumlah fasilitas merupakan variabel yang paling
berpengaruh terhadap jumlah tamu hotel dengan nilai koefisien 78.554, hal ini berarti
setiap penambahan 1 fasilitas maka diduga akan menambah jumlah tamu sebanyak
setiap penambahan 1
tenaga kerja maka jumlah
tamu diduga bertambah
sebanyak 28.183 atau 29 orang.
Selain itu, diperoleh juga
nilai
yang berarti variabel-variabel independen dalam model tersebut mampu menjelaskan
sebesar 49.634%. Dari uraian diatas dapat diambil kesimpulan bahwa calon tamu
hotel yang akan menginap cenderung memilih hotel yang memiliki banyak fasilitas
dan banyak tenaga kerja.
Setelah itu dilakukan uji nilai VIF untuk hasil pemodelan yang menggunakan
regresi PLS. Nilai VIF hasil pemodelan menggunakan regresi PLS dapat dilihat pada
Tabel 4.6. Dari tabel tersebut dapat dilihat bahwa tidak terdapat nilai VIF yang lebih
besar dari 10, sehingga dapat disimpulkan bahwa model yang terbentuk sudah bebas
dari multikolinear.
Tabel 4.6 Nilai VIF Hasil Pemodelan Menggunakan Metode PLS
4.1.3 PEMBAHASAN
Berdasarkan hasil analisis menggunakan regresi ganda diperoleh 5 variabel
yang berpengaruh terhadap jumlah tamu hotel. Namun ditemukan hal yang menarik
perhatian, yaitu variabel jumlah kamar yang memiliki pengaruh negatif. Hal ini tidak
sesuai dengan pertimbangan penulis. Adanya ketidaksesuaian antara apa yang
diharapkan dengan apa yang diperoleh membawa suatu dugaan bahwa telah terjadi
multikolinear.
Pada latar belakang telah dikemukakan mengenai dugaan adanya korelasi
antara variabel independen. Hal ini terbukti, karena setelah dilakukan analisis
matriks korelasi ditemukan adanya beberapa variabel independen yang saling
berkorelasi. Contohnya, variabel jumlah kamar dan tempat tidur yang memiliki nilai
koefisien korelasi 0.939. Hal ini berarti semakin banyak jumlah kamar maka jumlah
tempat tidur juga akan bertambah banyak. Begitu juga setelah dilakukan analisis nilai
VIF, diperoleh nilai VIF yang lebih besar dari 10 sehingga selanjutnya data dianalisis
menggunakan regresi PLS. 0.006 0.010 0.008 0.038 0.159 0.007 0.002
berpengaruh terhadap jumlah tamu hotel, yaitu variabel jumlah tenaga kerja dan
jumlah fasilitas. Kedua variabel tersebut menunjukkan hubungan positif terhadap
jumlah tamu hotel. Setiap penambahan 1 tenaga kerja maka jumlah tamu diduga
bertambah sebanyak rata-rata 28.183 atau 29 orang. Sedangkan setiap penambahan 1
fasilitas maka jumlah tamu diduga akan bertambah sebanyak rata-rata 78.554 atau 79
orang. Namun dilihat dari nilai 49.634%, maka diduga jumlah tamu hotel
masih dipengaruhi oleh variabel lain.
Pada tahun 2011, Mandasari melakukan penelitian yang serupa dengan wilayah
penelitian di Semarang. Dengan menggunakan metode regresi ganda, diperoleh hasil
bahwa lokasi, fasilitas, persepsi tarif dan kualitas pelayanan mempengaruhi minat
konsumen untuk menggunakan jasa perhotelan. Jika dilakukan perbandingan antara
penelitian ini dengan penelitian yang dilakukan oleh Mandasari, maka terdapat
perbedaan dalam hal variabel. Dari variabel yang digunakan dalam penelitian ini
masih memungkinkan untuk ditambahkan variabel lain, misalnya variabel-variabel
yang digunakan oleh Mandasari. Mungkin saja nilai akan meningkat jika
dilakukan penggabungan variabel.
Seperti yang telah dijelaskan, diketahui populasi penelitian yang digunakan
adalah hotel-hotel yang tedapat di propinsi Sultra. Secara umum model PLS yang
diperoleh dalam penelitian ini dianggap sebagai model yang telah menggambarkan
keadaan perhotelan di propinsi tersebut. Jika dilihat pada Gambar 4.2, diketahui
sekitar 35% adalah hotel yang terdapat di wilayah Kendari. Hal ini berarti kontribusi
dari hotel-hotel yang ada di Kendari lebih banyak dibandingkan wilayah lain,
dengan harapan model yang diperoleh lebih dapat menggambarkan situasi perhotelan
di masing-masing wilayah tersebut.
Meskipun model yang diperoleh dalam penelitian ini masih ada kekurangan
dalam hal nilai , akan tetapi ada nilai positif yang diperoleh. Nilai positif yang
dimaksud adalah dihasilkannya model yang telah bebas dari pengaruh multikolinear.
Hal ini penting sebab akan berhubungan dengan pengambilan keputusan khususnya
bagi pemilik hotel.
4.2. PROGRAM APLIKASI
Hasil perancangan layar disajikan dalam Gambar 4.11–Gambar 4.18.
Gambar 4.11 Layar Tampilan Awal
Gambar 4.11 adalah gambar awal program dijalankan. Fungsi tombol
Browse adalah untuk memilih file yang akan digunakan untuk proses perhitungan
berfungsi untuk menyiapkan data yang akan di analisis. Gambar 4.12 adalah gambar
dimana setelah tombol submit diklik. Ketika tombol submit diklik maka pilihan
method dan corellation serta tombol start analysis menjadi aktif.
Gambar 4.12 Layar Tampilan Pilihan Method dan Corellation
Lalu user memilih metode yang ingin digunakan. Dapat dilihat pada Gambar
4.13 bila user memilih ‘regresi’ dan mengklik tombol start analysis, maka user akan
diarahkan ke halaman select variables untuk memilih variabel apa saja yang ingin
Gambar 4.13 Layar Tampilan Select Variables
Gambar 4.14 memperlihatkan layar tampilan hasil analisis regresi ganda.
Pada text area ditampilkan hasil analisis regresi ganda.
Gambar 4.14 Layar Tampilan Hasil Analisis Regresi Ganda
Gambar 4.15 memperlihatkan layar tampilan hasil VIF regresi ganda beserta
Gambar 4.15 Layar Tampilan VIF Regresi Ganda
Lalu bila user memilih ‘corellation matrix’ dan mengklik tombol start
analysis, maka akan ditampilkan output matriks korelasi. Gambar 4.16
memperlihatkan layar tampilan hasil analisis matriks korelasi.
Gambar 4.16 Layar Tampilan Matriks Korelasi
Bila user memilih ‘PLS’ dan mengklik tombol start analysis, maka akan
ditampilkan output analisis regresi PLS. Gambar 4.17 dan Gambar 4.18
Gambar 4.17 Layar Tampilan Hasil Analisis Regresi PLS