4. ANALISIS DAN PEMBAHASAN

(1)

4. ANALISIS DAN PEMBAHASAN

4.1 Deskripsi Profil Responden

Pada penelitian ini, total terdapat 116 responden yang mengisi kuesioner yang disebar oleh peneliti pada 18 November 2019 – 30 November 2019. Dari 116 responden tersebut hanya terdapat 100 orang yang memenuhi syarat yang ditetapkan, yaitu domestic traveler yang berada di Surabaya, aktif sosial media Instagram >1 jam.

Pada bagian ini peneliti menyajikan deskripsi profil responden dalam bentuk table frekuensi. Deskripsi tersebut meliputi usia, memiliki rencana berlibur ke Labuan Bajo pada tahun 2020, dan pendapatan atau income perbulan dari responden.

4.1.1 Profil Responden Berdasarkan Usia Tabel 4.1.

Deskripsi Usia Responden

Usia Frekuensi Persentase

19-24 tahun 88 88%

25-30 tahun 7 7%

31-36 tahun 5 5%

Total 100 100%

Sumber: Lampiran

Berdasarkan table 4.1 dapat dilihat bahwa sebagian besar responden berusia 19-24 tahun, yakni sebanyak 88 orang, sedangkan responden yang berusia 25-30 tahun sebanyak 7 orang, dan responden yang berusia 31-36 tahun sebanyak 5 orang.

4.1.2 Profil Responden Berdasarkan Rencana Berlibur ke Labuan Bajo pada Tahun 2020

Tabel 4.2.

Deskripsi Rencana Berlibur ke Labuan Bajo pada Tahun 2020

Keterangan Frekuensi Persentase

Ya 43 43%

Tidak 57 57%

Total 100 100%

Sumber: Lampiran

(2)

Berdasarkan table 4.2 dapat dilihat bahwa 43 dari 100 responden memiliki minat untuk berlibur ke Labuan Bajo pada tahun 2020, sedangkan 57 sisanya belum memiliki minat berlibur ke Labuan Bajo pada tahun 2020. Hal ini berarti dalam jangka pendek (tahun 2020) kurang terdapat minat untuk mengunjungi Labuan Bajo oleh anak muda.

4.1.3 Profil Responden Berdasarkan Pendapatan Tabel 4.3.

Deskripsi Pendapatan Responden

Pendapatan Frekuensi Persentase

<Rp. 1.000.000 17 17%

Rp. 1.000.001 - Rp. 3.000.000 47 47%

Rp. 3.000.001 – Rp. 5.000.000 16 16%

Rp. 5.000.001 – Rp. 7.000.000 11 11%

>Rp. 7.000.000 9 9%

Total 100 100%

Sumber: Lampiran

Berdasarkan table 4.3 dapat dilihat bahwa terdapat 17 responden dengan pendapatan perbulan sebesar <Rp. 1.000.000, 47 responden dengan pendapatan perbulan Rp. 1.000.001 – Rp. 3.000.000, 16 responden dengan pendapatan perbulan Rp. 3.000.001 – Rp 5.000.000, 11 responden dengan pendapatan perbulan Rp.

5.000.001 – Rp. 7.000.000, dan sebanyak 9 responden dengan pendapatan perbulan

>Rp. 7.000.000.

Berdasarkan table 4.1, 4.2, 4.3 diatas dapat katakan bahwa responden di usia 19- 24 tahun adalah mahasiswa, dimana juga dapat diasumsikan bahwa responden dengan usia 19-24 belum menikah dan sebagian besar diantaranya memiliki pendapatan 1-3 juta. Dari ketiga table diatas juga dapat dilihat bahwa telah terdapat 47 orang dari responden yang memiliki rencana berlibur ke Labuan Bajo pada tahun 2020. Oleh

(3)

karena itu dapat ditarik kesimpulan bahwa anak muda memiliki potensi yang besar untuk Labuan Bajo.

4.2 Deskripsi Jawaban Responden

Deskripsi jawaban responden merupakan deskripsi atas hasil perhitungan mean dari jawaban yang diberikan responden untuk setiap indikator dari masing-masing variable. Jawaban yang diberikan oleh responden berupa tingkat persetujuan dengan skala likert 1-5 yaitu dari 1 (sangat tidak setuju) hingga 5 (sangat setuju). Adapun rentang nilai yang digunakan untuk mendeskripsikan jawaban responden adalah sebagai berikut:

1,0 ≤ X < 1,8 Sangat Rendah 1,8 ≤ X < 2,6 Rendah

2,6 ≤ X < 3,4 Cukup 3,4 ≤ X < 4,2 Tinggi

4,2 ≤ X < 5,0 Sangat Tinggi

4.2.1 Deskripsi Variabel E-WOM di Instagram

Pada tabel di bawah ini akan disajikan deskripsi mengenai jawaban yang diberikan responden untuk setiap indikator dalam variabel e-WOM di Instagram.

Table 4.4.

Deskripsi E-WOM (X)

Simbol Pernyataan Mean Keterangan

X1.1 Saya merasa informasi yang disampaikan di

Instagram mengenai Labuan Bajo lengkap 3,86 Tinggi X1.2 Pengunjung Labuan Bajo sering memberikan

online review di Instagram 3,87 Tinggi X1.3 Informasi atau pesan yang disampaikan di

Instagram oleh visitor Labuan Bajo terpercaya 3,97 Tinggi

Rata-rata 3,9 Tinggi

Sumber: Lampiran

Berdasarkan tabel 4.4 diketahui bahwa indikator dalam e-WOM memiliki rata-rata mean sebesar 3,9. Dari pernyataan tersebut, pernyataan yang memiliki nilai mean

(4)

tertinggi ialah pernyataan ke tiga dengan symbol X1.3 yakni sebesar 3,97. Nilai mean tersebut menunjukkan responden setuju bahwa responden mendapatkan informasi dari review traveler Labuan Bajo dengan informasi yang lengkap dan terpercaya.

4.2.2 Deskripsi Variabel Destination Image

Pada tabel di bawah ini akan disajikan deskripsi mengenai jawaban yang diberikan responden untuk setiap indikator dalam variabel destination image.

Table 4.5.

Deskripsi Destination Image (Y1)

Y1.1 Labuan Bajo memiliki keindahan alam yang

memukau 4,7 Sangat Tinggi

Y1.2 Labuan Bajo memiliki kekayaan warisan

budaya 4,59 Sangat Tinggi

Y1.3 Banyak alternatif transportasi untuk menuju

Labuan Bajo 3,93 Tinggi

Y1.4

Labuan Bajo menawarkan banyak pilihan transportasi dalam melakukan tour ke setiap

destinasi yang dimiliki

3,98 Tinggi Y1.5 Hotel yang berada di Labuan Bajo memiliki

kualitas yang baik 3,96 Tinggi

Y1.6 Labuan Bajo menawarkan banyak alternatif

penginapan 3,91 Tinggi

restaurant 3,91 Tinggi

Y1.8 Makanan khas Labuan bajo sangat menarik 3,91 Tinggi Y1.9 Lingkungan di Labuan Bajo terasa asri 4,34 Sangat Tinggi Y1.10 Lingkungan di Labuan Bajo terasa sangat alami 4,48 Sangat Tinggi Y1.11 Produk-produk khas yang di jual di Labuan

Bajo sangat menarik 4,16 Tinggi

Y1.12 Produk-produk yang di jual di Labuan Bajo

relatif murah 3,64 Tinggi

Y1.13 Labuan Bajo memiliki festival lokal yang

menarik 3,99 Tinggi

Y1.14 Labuan Bajo menawarkan water sport

(snoerkeling, diving, etc) 4,38 Sangat Tinggi

Sumber: Lampiran

(5)

Berdasarkan table 4.5 diketahui bahwa indikator dalam destination image memiliki rata-rata mean sebesar 4,13. Dari pernyataan tersebut, pernyataan yang memiliki nilai mean tertinggi ialah pernyataan pertama dengan symbol Y1.1 yakni sebesar 4,7. Nilai mean tersebut menunjukkan bahwa destination image dari Labuan Bajo yang dimiliki oleh calon traveler (responden) yang terbentuk dari review dan informasi yang didapatkan melalui Instagram yaitu positif, hal ini juga berarti responden setuju bahwa Labuan Bajo memiliki keindahan alam yang memukau.

4.2.3 Deskripsi Variabel Travel Intention

Pada tabel di bawah ini akan disajikan deskripsi mengenai jawaban yang diberikan responden untuk setiap indikator dalam variabel travel intention.

Table 4.6.

Deskripsi Travel Intention (Y2)

Y2.1 Saya memprediksi saya akan mengunjungi

Labuan Bajo di masa mendatang 4,26 Sangat Tinggi Y2.2 Saya memilih mengunjungi Labuan Bajo

daripada destinasi wisata lainnya 3,97 Tinggi Y2.3

Jika segalanya berjalan seperti yang saya pikirkan, saya akan merencanakan untuk mengunjungi Labuan Bajo di masa mendatang

4,31 Sangat Tinggi

Sumber: Lampiran

Berdasarkan table 4.6 diketahui bahwa indikator dalam travel intention memiliki rata-rata mean sebesar 4,18. Dari pernyataan tersebut, pernyataan yang memiliki nilai mean tertinggi ialah pernyataan ke tiga dengan symbol Y2.3 yakni sebesar 4,31. Nilai mean tersebut menunjukkan responden sangat setuju bahwa jika segalanya (sumber daya seperti waktu, uang, dan yang lain) berjalan seperti yang dipikirkan oleh calon traveler, maka calon traveler akan merencanakan untuk mengunjungi Labuan Bajo di masa mendatang. Hal ini juga berarti calon traveler (responden) memiliki minat yang tinggi untuk berkunjung ke Labuan Bajo. Jika dikaitkan dengan profil responden pada 4.1 maka dapat ditarik kesimpulan bahwa responden yang mayoritas adalah anak muda memiliki minat yang sangat tinggi untuk mengunjungi Labuan Bajo yang dimana kurang lebih 50% diantaranya telah memiliki minat untuk mengunjungi Labuan Bajo pada tahun 2020 dan sisanya akan mengunjungi di masa mendatang.

(6)

4.3 Analisa Partial Least Square 4.3.1 Analisa Model Pengukuran

Model pengukuran atau outer model digunakan untuk menganalisa hubungan antara variable laten dengan indikator-indikatornya. Analisa ini meliputi uji validitas yang terdiri dari convergent validity dan discriminant validity serta uji reliabilitas yang terdiri dari composite reliability dan Cronbach’s Alpha.

4.3.1.1 Convergent Validity

Berdasarkan syarat convergent validity suatu indikator dari suatu variable laten dikatakan valid apabila nilai outer loading indikator tersebut > 0,7. Gambar di bawah ini menunjukkan hasil uji convergent validity yang dilakukan peneliti dengan bantuan software SmartPLS 3.

Gambar 4.1. Hasil Uji Convergent Validity

Hasil uji convergent validity juga akan ditampilkan melalui tabel dibawah ini.

Table 4.7.

Hasil Uji Convergent Validity

Variabel Simbol Indikator Outer

Loading

(7)

E-WOM

Instagram mengenai Labuan Bajo lengkap 0,847 X1.2 Pengunjung Labuan Bajo sering memberikan

online review di Instagram 0,852 X1.3

Informasi atau pesan yang disampaikan di Instagram oleh visitor Labuan Bajo

terpercaya

0,84

Destination Image

Y1.1 Labuan Bajo memiliki keindahan alam yang

memukau 0,471

Y1.2 Labuan Bajo memiliki kekayaan warisan

budaya 0,512

Y1.3 Banyak alternatif transportasi untuk menuju

Labuan Bajo 0,632

Y1.4

0,726 Y1.5 Hotel yang berada di Labuan Bajo memiliki

kualitas yang baik 0,731 Y1.6 Labuan Bajo menawarkan banyak alternatif

penginapan 0,725

restaurant 0,788

Y1.8 Makanan khas Labuan bajo sangat menarik 0,717 Y1.9 Lingkungan di Labuan Bajo terasa asri 0,696 Y1.10 Lingkungan di Labuan Bajo terasa sangat

alami 0,72

Y1.11 Produk-produk khas yang di jual di Labuan

Bajo sangat menarik 0,611

Y1.12 Produk-produk yang di jual di Labuan Bajo

relatif murah 0,651

Y1.13 Labuan Bajo memiliki festival lokal yang

menarik 0,671

Y1.14 Labuan Bajo menawarkan water sport

(snoerkeling, diving, etc) 0,692

Travel Intention

Labuan Bajo di masa mendatang 0,886 Y2.2 Saya memilih mengunjungi Labuan Bajo

daripada destinasi wisata lainnya 0,74 Y2.3

Jika segalanya berjalan seperti yang saya pikirkan, saya akan merencanakan untuk

mengunjungi Labuan Bajo di masa mendatang

0,889 Sumber: Lampiran

(8)

Berdasarkan table 4.7, dapat dilihat bahwa terdapat 8 indikator dari variable destination image yang memiliki nilai outer loading < 0,7 sehingga kedelapan indikator tersebut dinyatakan tidak valid menurut syarat convergent validity.

Kedelapan indikator yang dimaksud adalah:

1. Indikator Y1.1, yakni “Labuan Bajo memiliki keindahan alam yang memukau”.

2. Indikator Y1.2, yakni “Pengunjung Labuan Bajo sering memberikan online review di Instagram”.

3. Indikator Y1.3, yakni “Banyak alternatif transportasi untuk menuju Labuan Bajo”.

4. Indikator Y1.9, yakni “Lingkungan di Labuan Bajo terasa asri”.

5. Indikator Y1.11, yakni “Produk-produk khas yang di jual di Labuan Bajo sangat menarik”.

6. Indikator Y1.12, yakni “Produk-produk yang di jual di Labuan Bajo relatif murah”.

7. Indikator Y1.13, yakni “Labuan Bajo memiliki festival lokal yang menarik”

8. Indikator Y1.14, yakni “Labuan Bajo menawarkan water sport (snoerkeling, diving, etc)”.

Oleh karena tidak valid, berdasarkan syarat convergent validity maka kedelapan indikator di atas tidak dapat di gunakan untuk analisa lebih lanjut. Peneliti kemudian melakukan uji convergent validity ke-2 dengan tidak lagi menyertakan kedelapan indikator tersebut. Tujuan peneliti melakukan uji convergent validity ke-2 adalah untuk memastikan bahwa indikator-indikator yang ada telah valid sehingga dapat digunakan untuk analisa selanjutnya. Di bawah ini terdapat gambar yang menunjukkan hasil uji convergent validity ke-2.

(9)

Gambar 4.2. Hasil Uji Convergent Validity ke-2

Table 4.8.

Hasil Uji Convergent Validity ke-2

Loading

E-WOM

Instagram mengenai Labuan Bajo lengkap 0,853 X1.2 Pengunjung Labuan Bajo sering memberikan

online review di Instagram 0,851 X1.3 Informasi atau pesan yang disampaikan di

Instagram oleh visitor Labuan Bajo terpercaya 0,835

Destination Image

Y1.4

0,788

Y1.5 Hotel yang berada di Labuan Bajo memiliki

kualitas yang baik 0,817

penginapan 0,824

restaurant 0,85

Y1.8 Makanan khas Labuan bajo sangat menarik 0,708

(10)

Y1.10 Lingkungan di Labuan Bajo terasa sangat

alami 0,63

Travel Intention

daripada destinasi wisata lainnya 0,748

Y2.3

Jika segalanya berjalan seperti yang saya pikirkan (sumber daya waktu, uang, dan yang lain tersedia), saya akan merencanakan untuk

0,881

Sumber: Lampiran

Berdasarkan table 4.8, dapat dilihat bahwa masih terdapat 1 indikator dari variable destination image yang memiliki nilai outer loading < 0,7 sehingga indikator tersebut dinyatakan tidak valid menurut syarat convergent validity. Indikator yang dimaksud adalah:

1. Indikator Y1.10, yakni “Lingkungan di Labuan Bajo terasa sangat alami”.

Oleh karena tidak valid, berdasarkan syarat convergent validity maka indikator di atas tidak dapat di gunakan untuk analisa lebih lanjut. Peneliti kemudian melakukan uji convergent validity ke-3 dengan tidak lagi menyertakan indikator tersebut. Tujuan peneliti melakukan uji convergent validity ke-3 adalah untuk memastikan bahwa indikator-indikator yang ada telah valid sehingga dapat digunakan untuk analisa selanjutnya. Di bawah ini terdapat gambar yang menunjukkan hasil uji convergent validity ke-3.

(11)

Gambar 4.3. Hasil Uji Convergent Validity ke-3

Table 4.9.

Hasil Uji Convergent Validity ke-3

Loading

E-WOM

Instagram mengenai Labuan Bajo lengkap 0,855 X1.2 Pengunjung Labuan Bajo sering

memberikan online review di Instagram 0,836 X1.3

Informasi atau pesan yang disampaikan di Instagram oleh visitor Labuan Bajo

terpercaya

0,835

Destination Image

Y1.4

0,791 Y1.5 Hotel yang berada di Labuan Bajo memiliki

kualitas yang baik 0,808 Y1.6 Labuan Bajo menawarkan banyak alternatif

penginapan 0,838

restaurant 0,86

Y1.8 Makanan khas Labuan bajo sangat menarik 0,724 Travel

Intention

daripada destinasi wisata lainnya 0,762

(12)

Y2.3

Jika segalanya berjalan seperti yang saya pikirkan, saya akan merencanakan untuk

0,874 Sumber: Lampiran

Berdasarkan table 4.9 terlihat bahwa setelah dilakukan uji convergent validity untuk ketiga kalinya setiap indikator mempunyai nilai outer loading > 0,7. Dengan demikian indikator-indikator tersebut dapat dinyatakan valid menurut syarat convergent validity.

Untuk variabel e-WOM pada Instagram, indikator X1.1 mempunyai peran lebih besar untuk menjelaskan variabel eWOM pada Instagram karena memiliki nilai outer loading tertinggi. Indikator tersebut memiliki pernyataan sebagai berikut:

• X1.1 “Saya merasa informasi yang disampaikan di Instagram mengenai Labuan Bajo lengkap”.

Pada variabel destination image, indikator Y1.6 dan Y1.7 mempunyai peran lebih besar untuk menjelaskan variabel destination image karena memiliki nilai outer loading tertinggi. Indikator tersebut memiliki pernyataan sebagai berikut:

• Y1.6 “Labuan Bajo menawarkan banyak alternatif penginapan”

• Y1.7 “Labuan Bajo menawarkan banyak alternatif restaurant”

Untuk variabel travel intention, indikator Y2.1 dan Y2.3 mempunyai peran lebih besar untuk menjelaskan variabel travel intentioni karena memiliki nilai outer loading tertinggi dan nilai yang hampir setara. Indikator tersebut memiliki pernyataan sebagai berikut:

• Y2.1 “Saya memprediksi saya akan mengunjungi Labuan Bajo di masa mendatang”

• Y2.3 “Jika segalanya berjalan seperti yang saya pikirkan, saya akan merencanakan untuk mengunjungi Labuan Bajo di masa mendatang”

Berdasarkan data diatas juga dapat dilihat bahwa koefisien jalur yang dimiliki variabel e-WOM terhadap variabel Travel Intention yaitu sebesar 0,305 sedangkan e- WOM terhadap travel intention jika melalui variabel destination image hanya memiliki

(13)

nilai koefisien jalur sebesar 0,202 sehingga dapat ditarik kesimpulan bahwa variabel e- WOM memiliki pengaruh yang lebih besar terhadap minat berkunjung (travel intention) dari pada melalui variabel destination image. Variabel X1.1 yang menyatakan bahwa informasi yang disampaikan traveler di Instagram mengenai Labuan Bajo lengkap sehingga membuat calon traveler yang menerima informasi tersebut dari Instagram menjadi berminat untuk mengunjungi Labuan Bajo dimasa mendatang (Y2.1) dan kelengkapan informasi dari traveler tersebut juga membuat calon traveler mempersiapkan segala sumber daya yang dimiliki lalu akan membentuk minat berkunjung ke Labuan Bajo di masa mendatang (Y2.3). Untuk itu semakin lengkap informasi yang diberikan maka akan semakin mempengaruhi minat seseorang untuk mengunjungi Labuan Bajo.

Pengujian convergent validity juga dilakukan dengan melihat nilai average variance extracted (AVE). Suatu konstruk (variabel) dikatakan memenuhi convergent validity jika memiliki nilai AVE > 0.5. Berikut ini adalah nilai masing-masing variabel penelitian:

Table 4.10.

Nilai Average Variance Extracted (AVE)

Variabel Average Variance Extracted (AVE)

eWOM (X1) 0,716

Destination Image (Y1) 0,663 Travel Intention (Y2) 0,709 Sumber: Lampiran 4

Pada Table 4.10 diatas, diketahui variabel e-WOM, destination image dan travel intention memiliki nilai AVE > 0.5 sehingga dapat disimpulkan bahwa variabel yang digunakan dalam penelitian ini telah memenuhi syarat convergent validity.

4.3.1.2 Discriminant Validity

Validitas ini berhubungan dengan prinsip bahwa pengukur-pengukur yang berbeda seharusnya tidak berkorelasi dengan tinggi. Suatu indikator dikatakan memenuhi discriminant validity jika memliki nilai cross loading terbesar pada variabel yang dibentuknya dibandingkan pada variabel lainnya.

(14)

Table 4.11.

Cross Loading

eWOM (X1) Destination Image (Y1) Travel Intention (Y2)

X1.1 0,856 0,657 0,380

X1.2 0,847 0,483 0,467

X1.3 0,835 0,528 0,451

Y1.4 0,574 0,792 0,412

Y1.5 0,604 0,828 0,522

Y1.6 0,458 0,842 0,381

Y1.7 0,501 0,873 0,426

Y1.8 0,529 0,729 0,326

Y2.1 0,443 0,460 0,885

Y2.2 0,351 0,376 0,761

Y2.3 0,481 0,460 0,875

Sumber: Lampiran 4

Pada table 4.11 diatas, diketahui bahwa masing-masing indikator pada variabel eWOM, destination image, dan travel intentionmemiliki nilai cross loading terbesar pada variabel yang dibentuknya dibandingkan pada variabel lainnya sehingga dapat disimpulkan bahwa indikator-indikator yang digunakan dalam penelitian telah memenuhi discriminant validity. Berikut adalah nilai akar AVE dan korelasi antar variabel menggunakan Fornell Larcker Criterion:

Table 4.12

Fornell Larcker Criterion

Destination Image Travel Intention eWOM

Destination Image 0,814

Travel Intention 0,516 0,842

(15)

eWOM 0,662 0,509 0,846 Sumber: Lampiran 4

Pada table 4.12 diatas, diketahui semua nilai korelasi lebih kecil daripada nilai akar AVE. Hasil pada Tabel 4.13 menunjukkan bahwa akar AVE konstruk Destination Image (Y1) sebesar 0,814, travel intention (Y2) sebesar 0,842, dan eWOM sebesar 0,846, dimana lebih tinggi daripada korelasi antara konstruk variabel lainnya sehingga dapat disimpulkan bahwa setiap variabel di dalam penelitian ini telah memenuhi discriminant validity.

4.3.1.3 Uji Reliability

Reliabilitas (reliability) menunjukkan akurasi dan konsistensi dari ketepatan suatu alat ukur dalam melakukan pengukuran. Pengujian reliabilitas konstruk (variabel) dilakukan dengan melihat nilai composite reliability dan nilai cronbach’s alpha. Suatu variabel dikatakan memenuhi reliabilitas konstruk jika memiliki nilai composite reliability > 0.7 dan nilai cronbach’s alpha > 0.7. Berikut adalah nilai composite reliability dan nilai cronbachs’ alpha masing-masing variabel penelitian:

Table 4.13

Composite Reliability dan Cronbach’s Alpha

Variabel Composite Reliability Cronbach's Alpha

eWOM (X1) 0,883 0,802

Destination Image (Y1) 0,907 0,872

Travel Intention (Y2) 0,879 0,794

Sumber: Lampiran 5

Pada table 4.13 diatas, nilai composite reliability dan cronbach’s alpha pada variabel eWOM sebesar 0,883 dan 0,802, variabel destination image sebesar 0,907 dan 0,872, serta pada variabel travel intention sebesar 0,879 dan 0,794. Dari tabel diatas berarti masing-masing variabel memiliki nilai composite reliability >0,7 dan cronbach’s alpha > 0,7 sehingga dapat disimpulkan bahwa masing-masing variabel penelitian telah memenuhi reliabilitas konstruk.

(16)

4.3.2 Analisa Model Struktural

Model structural atau inner model digunakan untuk menganalisa hubungan antar variabel laten. Analisa ini meliputi koefisien determinasi, predictive relevance, dan uji hipotesis.

4.3.2.1 Koefisien Determinasi

Koefisien determinasi yang dilambangkan dengan R² menunjukkan variasi nlai intervening variable yang dapat dijelaskan oleh variasi nilai variabel bebbas serta variasi nilai variabel tergantung yang dapat dijelaskan oleh variasi nilai variabel bebas dan intervening variable. Berikut adalah tabel nilai koefisien determinasi.

Table 4.14.

Nilai Koefisien Determinasi

Variabel R-Square

Destination Image (Y1) 0,438 = R1² Travel Intention (Y2) 0,316 = R2² Sumber: Lampiran 6

Nilai R-Square untuk destination image sebesar 0,438 sehingga memiliki arti bahwa perubahan variabel destination image yang dapat dijelaskan oleh perubahan variabel eWOM, dan travel intention sebesar 43.8% sedangkan sisanya sebesar 56.2%

dijelaskan oleh faktor lain. Nilai R-Square untuk travel intention sebesar 0,316 yang memiliki arti bahwa perubahan variabel eWOM dan destination image sebesar 31.6%

sedangkan sisanya sebesar 68.4% dijelaskan oleh faktor lain.

4.3.2.2 Predictive Relevance

Predictive relevance yang dilambangkan dengan Q² atau yang biasa di sebut Q- Square, jika Q² > 0 maka model structural dianggap mempunyai predictive relevance yakni model structural dapat memprediksi variasi nilai variabel laten endogen yang dapat dijelaskan oleh variasi nilai variabel laten eksogen. Perhitungan untuk Q² adalah sebagai berikut:

Q² = 1 – (1-R1²) (1 – R2²) Q² = 1 – (1-0,438) (1-0,316) Q² = 1 – 0,384

(17)

Q² = 0,616

Berdasarkan perhitungan diatas di dapatkan nilai Q² sebesar 0,616 yang mana nilai tersebut > 0. Hal ini menunjukkan bahwa model structural mempunyai predictive relevance. Artinya adalah variasi nilai variabel laten endogen yang dapat dijelaskan oleh variasi nilai variabel laten eksogen melalui model structural tersebut adalah sebesar 0,616 (61,6%), sedangkan 38,4% sisanya berasal dari faktor lain di luar model structural. Dari hasil diatas dapat dikatakan bahwa model penelitian memiliki goodness of fit yang baik sehingga model structural yang disusun untuk menjelaskan eWOM, destination image, dan travel intention terbukti baik atau sudah relevan (sesuai).

4.3.2.3 Uji Hipotesis

Pada uji hipotesis dapat digunakan nilai statistik maka untuk alpha 5% nilai t- statistik yang digunakan adalah 1,96 sehingga kriteria penerimaan atau penolakan hipotesis adalah H1 diterima dan H0 ditolak ketika t-statistik > 1,96. Untuk menolak atau menerima hipotesis menggunakan probabilitas maka Hɑ diterima jika nilai p<0,05.

(18)

Tabel 4.15.

Nilai Koefisien Jalur dan T-Statistic untuk Setiap Hipotesis Hipotesis Jalur Hipotesis Koefisien

Jalur

T-

Statistik Keterangan H1 e-WOM → travel intention 0,299 2,925 Berpengaruh H2 e-WOM → destination

image 0,662 12,286 Berpengaruh

H3

destination image →

0,318 3,174 Berpengaruh travel intention

Sumber: Lampiran 7 4.4 Pembahasan

Berikut ini adalah pembahasan untuk setiap hipotesis tentang pengaruh e-WOM terhadap travel intention, e-WOM terhadap destination image, dan destination image terhadap travel intention yang telah tertera pada tabel 4.15.

4.4.1 Hipotesis 1

Pada hipotesis 1 (H1) mempunyai nilai t-statistic > 1,96. Artinya adalah e-WOM yakni infomasi dan online review yang dimuat di Instagram berpengaruh terhadap travel intention yakni minat berkunjung ke Labuan Bajo. Dengan demikian H₁ yang menyatakan informasi dan online review yang dimuat di Instagram terbukti mempengaruhi minat seseorang untuk berkunjung ke Labuan Bajo sehingga H₁ dinyatakan diterima. Oleh karena koefisien jalur H₁ bernilai positif, maka artinya adalah semakin banyak informasi yang diberikan serta online review yang semakin baik dari pengunjung Labuan Bajo maka akan meningkatkan minat seseorang untuk mengunjungi Labuan Bajo.

Kesimpulannya adalah hasil pengujian H₁ ini mirip dengan hasil penelitian Xia dan Bechwati (2008) yang mengatakan bahwa e-WOM berupa ulasan online lebih dapat dipercaya dan berguna untuk mengambil keputusan, oleh karena itu ulasan atau pendapat yang semakin baik akan meningkatkan minat seseorang untuk membeli.

Perbedaannya adalah pada penelitian ini e-WOM diukur untuk mengetahui minat seseorang untuk berkunjung ke Labuan Bajo sedangkan pada penelitian Xia dan

(19)

Bechwati (2008) membahas tentang e-WOM yang mempengaruhi minat seseorang untuk membeli.

Pada hipotesis 2 (H2) mempunyai nilai t-statistic > 1,96. Artinya adalah e-WOM yakni informasi dan online review yang dimuat di Instagram berpengaruh terhadap destination image yakni kesan pengunjung Labuan Bajo terhadap keindahan alam, warisan budaya (daya tarik), aksesibilitas (transportasi), penginapan, restoran, lingkungan, pusat pembelanjaan dengan kesan yang baik (positif). Dengan demikian H2 yang menyatakan informasi dan online review yang dimuat di Instagram terbukti mempengaruhi image dari Labuan Bajo sehingga H2 dinyatakan diterima. Oleh karena koefisien jalur H2 bernilai positif, maka artinya adalah semakin banyak infomasi yang diberikan serta online review yang semakin baik dari pengunjung Labuan Bajo maka akan membangun image atau citra yang positif dari suatu destinasi (Labuan Bajo).

Kesimpulannya adalah hasil pengujian H2 ini mirip dengan hasil penelitian Setiawan (2014) yang mengatakan bahwa e-WOM berpengaruh langsung secara signifikan terhadap destination image. Perbedaannya terdapat pada objek wisata dan platform e-WOM yang digunakan dimana pada penelitian ini menggunakan media social Instagram sebagai platform untuk melakukan e-WOM.

Pada hipotesis 3 (H3) mempunyai nilai t-statistic > 1,96. Artinya adalah destination image yakni kesan pengunjung Labuan Bajo terhadap keindahan alam, warisan budaya (daya tarik), aksesibilitas (transportasi), penginapan, restoran, lingkungan, pusat pembelanjaan dengan kesan yang baik berpengaruh terhadap travel intention yakni minat seseorang untuk mengunjungi Labuan Bajo. Dengan demikian H3 yang menyatakan tentang kesan pengunjung Labuan Bajo terhadap daya tarik, aksesibilitas, penginapan, restoran, lingkungan, dan pusat pembelanjaan terbukti mempengaruhi minat seseorang untuk berkunjung ke Labuan Bajo sehingga H3 dinyatakan diterima. Oleh karena koefisien jalur bernilai positif, maka artinya adalah

(20)

semakin baik image atau citra yang dimiliki Labuan Bajo maka akan semakin mempengaruhi atau membangun minat seseorang untuk berkunjung ke Labuan Bajo.

Kesimpulannya adalah hasil pengujian H3 ini mirip dengan hasil penelitian Chaulagain, Wiitala, dan Fu (2019) yang mengatakan bahwa country image dan destination image memiliki pengaruh positif terhadap travel intention (minat berkunjung). Perbedaannya terdapat pada indikator yang digunakan untuk mengukur dan objek penelitian dimana pada penelitian tersebut dilakukan untuk objek Cuba di Amerika Serikat sedangkan pada penelitian ini pada objek Labuan Bajo, Indonesia.

4.4.4 Indirect Effects Tabel 4.16.

Indirect Effect

Original Sample (O)

Sample Mean

(M)

Standard Deviation (STDEV)

T Statistic (|O/STDEV|)

P Values e-WOM ->

Travel Intention melalui Destination

Image

0,21 0,208 0,071 2,947 0,003

Sumber: Lampiran 7

Hasil indirect effect e-WOM terhadap travel intention melalui destination image sebesar 2,947. Hasil ini menunjukkan bahwa destination image dapat menjadi variabel intervening untuk pengaruh e-WOM terhadap travel intention ke Labuan Bajo. Hal ini berarti bahwa e-WOM yang semakin tinggi (baik) akan meningkatkan atau membentuk citra destinasi (destination image) yang selanjutnya akan meningkatkan atau membangun minat seseorang untuk berkunjung (travel intention) ke Labuan Bajo.

Hasil pengujian pengaruh tidak langsung (indirect effect) e-WOM terhadap travel intention melalui destination image diperolah hasil sebesar 2,948 sehingga hasilnya menunjukkan bahwa destination image dapat menjadi intervening dari pengaruh e- WOM terhadap travel intention ke Labuan Bajo. Hal ini sesuai fakta lapangan bahwa informasi serta online review yang diberikan pengunjung Labuan Bajo di Instagram dapat membentuk citra atau image dari Labuan Bajo sehingga pada akhirnya dengan citra yang positif maka akan membentuk atau membangun minat seseorang untuk mengunjungi Labuan Bajo.