BAB 3 METODOLOGI PENELITIAN
3.5 Metode Analisis Data
Tabel 3.1 Operasionalisasi Variabel (Lanjutan)
No Variable Deskriptif Indikator Skala
4
Social Interactive Engagement (SIE)
Pengukuran tingkat yang lebih tinggi dari consumer’s relationship dengan konteks media
sekitarnya dibanding kan dengan langkah- langkah
pengalaman masing-masing.
(Vernuccio, 2015)
SIE7: Saya menjadi tertarik pada hal-hal yang tadinya kurang saya minati karena followers lain di akun instagram @thebalibible.
SIE8: Secara keseluruhan followers pada akun instagram @thebalibible cukup mempunyai pengetahuan tentang bali yang dibicarakan sehingga saya bisa belajar tentang destinasi tersebut dari mereka.
Interval Scale
1-7
3.5 Metode Analisis Data
variable laten dianggap sebagai kombinasi linear dari indikator menghindarkan masalah indeterminacy dan memberikan definisi yang pasti dari komponen skore (Ghozali, 2014). Untuk memenuhi tujuan penelitian, metode analisis PLS dianggap mampu memberikan hasil yang optimal bagi penelitian ini. Tujuan PLS adalah membantu peneliti untuk mendapatkan nilai variable laten untuk tujuan prediksi.
Dalam menggunakan PLS, proses iterasinya terdiri dari tiga tahap, tahap iterasi pertama untuk menghasilkan weight estimate, tahap iterasi kedua untuk menghasilkan estimasi inner model dan outer model, dan tahap iterasi ketiga untuk menghasilkan estimasi means dan lokasi (konstanta) (Ghozali, 2014).
3.5.2 Outer Model
Outer model dilakukan untuk menganalisis nilai reliabilitas dan validitas dari model penelitian yang ada. Uji reliabilitas dilakukan untuk mengukur tingkat kehandalan dari kuisioner dalam membentuk konstruk. Suatu kuisioner dikatakan reliabel atau handal jika jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu (Ghozali, 2014).
Uji validitas dilakukan untuk mengukur sah atau valid tidaknya suatu kuisioner. Suatu kuisioner dikatakan valid jika pertanyaan pada kuisioner tersebut mampu mengungkapkan sesuatu yang akan diukur oleh kuisioner tersebut (Ghozali, 2014). Penelitian ini menggunakan dua model indikator pada PLS, yaitu indikator reflektif dan indikator formatif. Masing-masing model indikator dianalisis dengan langkah yang berbeda. Pada konstruk atau variabel model reflektif langkah pertama yang diukur adalah tingkat covergent validity. Ukuran reflektif dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang ingin diukur. Namun,
menurut (Chin, 1998) dalam (Ghozali, 2014), untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,50-0,60 dianggap cukup. Jika nilai loading dibawah 0,50, indikator sebaiknya di drop (Ghozali, 2014). Discriminant validity dari model indikator reflektif dinilai berdasarkan crossloading pengukuran dengan konstruk. Jika item pengukuran memiliki korelasi lebih tinggi dengan konstruknya dibandingkan dengan konstruk lain, maka dapat disimpulkan bahwa item pengukuran mampu memprediksi konstruk dengan baik. Selain discriminant validity, pengukuran composite reliability dan Cronbach’s Alpha juga perlu dilakukan untuk mengukur internal konsistensi. Konstruk dikatakan reliable jika nilai kedua pengukuran tersebut diatas 0,70 (Ghozali, 2014).
Kemudian memastikan bahwa indikator pada model reflektif signifikan.
Langkah ini dilakukan untuk mengukur tingkat signifikansi dari masing-masing indikator yang ada pada variabel yang bersifat reflektif. Hal ini dapat diketahui dengan melihat outer loadings melalui prosedur bootstrapping. Pada konstuk model formatif pengukuran dilakukan dengan outer weights.
Pada dasarnya konstruk formatif merupakan hubungan regresi dari indikator ke konstruk (Ghozali, 2014). Jadi, pada model ini reliabilitas dan validitas diukur dengan melihat nilai estimasi pada outer weights serta tingkat signifikannya. Pengukuran ini dilakukan dengan prosedur bootstrapping pada smartPLS 3.0.
3.5.3 Inner Model
Inner model menggambarkan hubungan antara variabel laten yang ada pada model penelitian. Model penelitian dievaluasi dengan menggunakan R-square
untuk konstruk dependen dan uji t serta signifikansi dari nilai path coefficient.
Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten independen tertentu terhadap variabel dependen apakah mempunyai pengaruh yang substantif (Ghozali, 2014). Dengan R-square dapat diketahui besarnya kemampuan variabel independen dalam mempengaruhi variabel dependen. Sedangkan uji t melalui path coefficient digunakan untuk mengukur arah pengaruh serta tingkat signifikannya. Pengujian dilakukan melalui prosedur bootstrapping pada smartPLS 3.0. Pengaruh antar variable dianggap signifikan pada tingkat 5% jika nilai T-statistik lebih besar dari T tabel 1,96 (Ghozali, 2014)
BAB 4
ANALISIS DAN PEMBAHASAN 4.1 Profil Responden
4.1.1 Jenis Kelamin
Gambar 4.1 Jenis Kelamin
(Sumber: Data Primer yang diolah peneliti, 2016)
Dari hasil gambar 4.1 pengolahan kuesioner, dapat diketahui bahwa responden yang berjenis kelamin pria berjumlah 65 orang atau sebesar 65% dari total responden yang berjumlah 100 orang, sedangkan responden yang berjenis kelamin wanita berjumlah 35 orang atau sebesar 35%. Dari data tersebut dapat disimpulkan bahwa mayoritas responden adalah wanita.
0 10 20 30 40 50 60 70
Pria Wanita
65
35
Jenis Kelamin
4.1.2 Usia
Gambar 4.2 Usia
(Sumber: Data Primer yang diolah peneliti, 2016)
Dari hasil gambar 4.2 pengolahan kuesioner, dapat diketahui bahwa responden yang berusia 18-24 tahun berjumlah 64 orang atau sebesar 64% dari total responden yang berjumlah 100 orang, responden yang berusia 25-34 tahun berjumlah 29 orang atau sebesar 29% sedangkan responden berusia 35-44 berjumlah 7 orang atau 7%. Responden berusia >45 tidak ada. Dari data tersebut disimpulkan bahwa mayoritas responden berusia 18-24 tahun lebih banyak dalam penelitian ini.
0 10 20 30 40 50 60 70
18-24
25-34
35-44
>45
Usia
4.1.3 Pendidikan Terakhir
Gambar 4.3 Pendidikan Terakhir
(Sumber: Data Primer yang diolah peneliti, 2016)
Dari hasil gambar 4.3 pengolahan kuesioner, dapat diketahui bahwa responden yang pendidikan SMA berjumlah 5 orang atau sebesar 5% dari total responden yang berjumlah 100 orang, responden yang pendidikan D1-S1 berjumlah 73 orang atau sebesar 73%, responden pendidikan S2 berjumlah 18 orang atau sebesar 18%, dan responden pendidikan S3 berjumlah 4 orang atau sebesar 4%.
Dari data tersebut disimpulkan bahwa mayoritas responden berpendidikan D1-S1 lebih banyak dalam penelitian ini.
0 10 20 30 40 50 60 70 80
SMA Kuliah (D1-
S1) S2
S3
Pendidikan
4.1.4 Pekerjaan
Gambar 4.4 Pekerjaan
(Sumber: Data Primer yang diolah peneliti, 2016)
Dari hasil gambar 4.4 pengolahan kuesioner, dapat diketahui bahwa responden pelajar berjumlah 59 orang atau sebesar 59% dari total responden yang berjumlah 100 orang, responden yang mempunyai pekerjaan sebagai karyawan berjumlah 39 orang atau sebesar 39%, responden yang mempunyai pekerjaan sebagai wirausaha berjumlah 1 orang atau sebesar 1 %, responden yang mempunyai pekerjaan sebagai ibu rumah tangga tidak ada, sedangkan responden yang tidak bekerja berjumlah 1 orang atau 1%. Dari data tersebut disimpulkan bahwa mayoritas responden pelajar lebih banyak dalam penelitian ini.
0 10 20 30 40 50 60
Pelajar
Karyawan
Wirausaha
Ibu Rumah
Tangga Tidak Bekerja
Pekerjaan
4.1.5 Tempat Tinggal
Gambar 4.5 Tempat Tinggal
(Sumber: Data Primer yang diolah peneliti, 2016)
Dari hasil gambar 4.5 pengolahan kuesioner, dapat diketahui bahwa responden di wilayah Jakarta berjumlah 73 orang atau sebesar 73% dari total responden yang berjumlah 100 orang, responden di wilayah Tangerang berjumlah 21 orang atau sebesar 21%, responden di wilayah Depok berjumlah 3 orang atau sebesar 3%, responden di wilayah Bogor berjumlah 2 orang atau sebesar 2 %, sedangkan responden di wilayah Bekasi berjumlah 1 orang atau sebesar 1%. Dari data tersebut disimpulkan bahwa mayoritas responden di wilayah Jakarta lebih banyak dalam penelitian ini.
0 20 40 60 80
Jakarta
Tangerang Depok
Bogor
Bekasi
Tempat Tinggal
4.1.6 Waktu Yang Dihabiskan Perhari Untuk Mengakses Instagram Gambar 4.6 Waktu Yang Dihabiskan Perhari
(Sumber: Data Primer yang diolah peneliti, 2016)
Dari hasil gambar 4.6 pengolahan kuesioner, dapat diketahui bahwa responden yang menghabiskan waktu <15 menit berjumlah 4 orang atau sebesar 4% dari total responden yang berjumlah 100 orang, responden yang menghabiskan waktu 15-30 menit berjumlah 41 orang atau sebesar 41%, responden yang menghabiskan waktu 30 menit – 1 jam berjumlah 40 orang atau sebesar 40%, responden yang menghabiskan waktu 1-2 jam berjumlah 8 orang atau sebesar 8%, sedangkan responden yang menghabiskan waktu >2jam berjumlah 7 orang atau sebesar 7%. Dari data tersebut disimpulkan bahwa mayoritas responden yang menghabiskan waktu 15-30 menit lebih banyak dalam penelitian ini.
0 10 20 30 40 50
>15 menit 15-30
menit 30 menit -
1 jam 1-2 jam
>2 jam
Waktu Yang Dihabiskan Perhari Untuk Mengakses
4.2 Mengevaluasi Model Pengukuran atau Outer Model 4.2.1 Validitas Konstruk (Construct Validity)
Evaluasi model pengukuran bersifat reflektif yang meliputi dua tahap evaluasi, yaitu convergent validity dan discriminant validity. Convergent validity dapat dievaluasi dalam tiga tahap, yaitu indikator validitas, reliabilitas konstrak dan nilai average variance extracted (AVE). Evaluasi convergent validity dimulai dengan melihat item reliability (indikator validitas) yang ditunjukkan oleh nilai loading factor. Nilai loading factor kurang dari 0,5 akan dihilangkan dari model (Yamin, 2011). Berdasarkan hasil PLS pada model diatas memiliki loading factor untuk masing-masing indikator bernilai positif dan diatas 0,5 (memiliki validitas yang dapat diterima). Uji signifikansi loading factor dengan t-statistic pada tabel 4.1 menunjukkan bahwa semua loading factor memiliki nilai t-statistic lebih dari 1,96 sehingga dikatakan validitas yang signifikan.
Tabel 4.1 Validitas Konstruk Loading
Factor
Loading
Factor t-statistic AVE Keterangan
Brand Love
BL 1 0,818 13,138
0.749 Valid
BL 2 0,883 21,525
BL 3 0,862 15,478
BL 4 0,885 20,907
BL 5 0,889 25,368
BL 6 0,898 25,865
BL 7 0,802 10,206
BL 8 0,880 28,969
(Sumber: Data Primer yang diolah peneliti, 2016)
Tabel 4.1 Validitas Konstruk (Lanjutan)
Loading Factor
Loading
Factor t-statistic AVE Keterangan
Destination Familiarity
DF1 0,873 37,973
0.777 Valid
DF2 0,914 46,974
DF3 0,843 15,985
DF4 0,910 41,831
DF5 0,895 27,707
DF6 0,856 16,256
DF7 0,859 21,186
DF8 0,884 32,097
DF9 0,897 35,399
Social Identity
SI1 0,921 47,203
0.864 Valid
SI2 0,922 52,893
SI3 0,920 44,055
SI4 0,954 92,743
Social Interactive Engagement
SIE1 0,826 21,599
0.764 Valid
SIE2 0,905 37,942
SIE3 0,885 25,527
SIE4 0,877 20,995
SIE5 0,899 38,639
SIE6 0,896 43,531
SIE7 0,919 48,349
SIE8 0,777 10,524
(Sumber: Data Primer yang diolah peneliti, 2016)
4.2.2 Convergent Validity
Untuk menilai convergen validity suatu konstruk dapat dilakukan dengan melihat skor average varian extracted (AVE), masing-masing harus bernilai di atas 0,5. Tampak pada tabel 4.1 di atas bahwa semua AVE memiliki nilai di atas 0,5.
Dengan demikian dapat disimpulkan bahwa konstruk mempunyai convergent validity yang baik.
4.2.3 Discriminant Validity
Selanjutnya dilakukan evaluasi discriminant validity untuk meihat korelasi indikator terhadap konstrak laten dengan menggunakan uji cross loading. Ketika indikator berkorelasi lebih tinggi dengan konstrak latennya, maka dikatakan memiliki discriminant validity yang baik.
Tabel 4.2 Cross Loadings
Brand Love
Destination Familiarity
Social Identity
Social Identity
BL1 0,818 0,590 0,451 0,447
BL2 0,883 0,638 0,535 0,546
BL3 0,862 0,561 0,445 0,503
BL4 0,885 0,584 0,426 0,527
BL5 0,889 0,603 0,508 0,579
BL6 0,898 0,639 0,507 0,530
BL7 0,802 0,571 0,460 0,474
BL8 0,880 0,676 0,623 0,662
DF1 0,550 0,873 0,887 0,806
DF2 0,635 0,914 0,849 0,776
DF3 0,488 0,843 0,756 0,690
DF4 0,613 0,910 0,799 0,776
DF5 0,616 0,895 0,801 0,745
DF6 0,675 0,856 0,765 0,734
DF7 0,655 0,859 0,716 0,697
DF8 0,629 0,884 0,781 0,757
DF9 0,704 0,897 0,788 0,744
(Sumber: Data Primer yang diolah peneliti, 2016)
Tabel 4.2 Cross Loadings (Lanjutan)
Brand Love
Destination Familiarity
Social Identity
Social Identity
SI1 0,562 0,847 0,921 0,821
SI2 0,546 0,866 0,922 0,807
SI3 0,474 0,789 0,920 0,870
SI4 0,549 0,848 0,954 0,877
SIE1 0,692 0,742 0,749 0,826
SIE2 0,525 0,779 0,870 0,905
SIE3 0,488 0,737 0,797 0,885
SIE4 0,483 0,684 0,756 0,877
SIE5 0,565 0,773 0,799 0,899
SIE6 0,439 0,753 0,845 0,896
SIE7 0,585 0,772 0,846 0,919
SIE8 0,559 0,685 0,668 0,777
(Sumber: Data Primer yang diolah peneliti, 2016)
4.2.4 Construct Internal Consistency
Uji selanjutnya dilakukan pemeriksaan construct internal consistency yang dievaluasi melalui nilai cronbach’s alpha dan composite reliability. Suatu konstruk dikatakan reliabeljika nilai composite reliability di atas 0,70 (Ghozali, 2014).
Tabel 4.3 Nilai Composite Reliability dan Cronbachs Alpha
Composite
Reliability
Cronbachs
Alpha Keterangan
Brand Love 0,960 0,952 Reliabel
Destination Familiarity 0,969 0,964 Reliabel
Social Identity 0,962 0,948 Reliabel
Social Interactive Engagement 0,963 0,955 Reliabel (Sumber: Data Primer yang diolah peneliti, 2016)
Dari hasil data di atas dapat dilihat bahwa masing-masing variabel baik Brand Love, Destination Familiarity, Social Identity, dan Social Interactive Engagement memiliki hasil cronbach’s alpha dan composite reliabilityyang memenuhi kriteria. Yang mana hasil cronbach’s alpha dan composite reliability masing-masing memiliki nilai diatas 0,7.
Berikut adalah nilai loadings inner model dan outer model tergambar pada berikut ini:
Gambar 4.7 Nilai Loadings
Berikut adalah nilai T-Value inner model dan outer model tergambar pada berikut ini:
Gambar 4.8 Nilai T-Value
4.3 Evaluasi Model Struktural atau Inner Model
Pengujian inner model atau model struktural dilakukan untuk melihat hubungan antara konstruk, nilai signifikansi dan R-square dari model penelitian.
Model struktural dievaluasi dengan menggunakan R-square untuk konstruk dependen uji t serta signifikansi dari koefisien parameter jalur struktural. Dalam menilai model struktural dengan PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Tabel 4.4 merupakan hasil estimasi R-square dengan menggunakan smartPLS.
Tabel 4.4 R Square
R Square
Brand Love 0,515
Destination Familiarity 0,720
Social Identity 0,825
(Sumber: Data Primer yang diolah peneliti, 2016)
Tabel 4.4 menunjukkan bahwa nilai R-square variabel persepsi Brand Love adalah sebesar 0.544. hal ini menunjukkan bahwa 54,4% variabel Social Interactive Engagement mampu menjelaskan Brand Love, dan Social Interactive Engagement mampu menjelaskan Destination Familiarity sebesar 0,721 atau 72,1% dan Social Interactive Engagement mampu menjelaskan Social Identity sebesar 82,4%.
4.4 Pengujian Hipotesis
Setelah evaluasi model pengukuran terpenuhi, maka selanjutnya adalah evaluasi terhadap model struktural. Evaluasi struktural meliputi nilai signifikansi tiap koefisien jalur yang menyatakan apakah ada (signifikansi) atau tidaknya pengaruh antar konstrak yang dihipotesiskan seperti model.
Tabel 4.5 Path Coefficients
(Sumber: Data Primer yang diolah peneliti, 2016)
Tabel 4.5 menjelaskan bahwa setiap konstrak eksogen berpengaruh positif dan signifikan terhadap konstrak endogennya, kecuali Social Identity terhadap Brand Love.
4.4.1 Pengaruh Social Interactive Engagement terhadap Social Identity Tabel 4.6 Social Interactive Engagement pada Social Identity.
(Sumber: Data Primer yang diolah peneliti, 2016)
Tabel 4.6 menunjukkaan bahwa nilai statistik uji t pada pengujian ini sebesar 40.823. Nilai ini lebih besar dari 1,96 yang berarti bahwa Social Interactive Engagementmemiliki pengaruh signifikan dan positif pada Social Identity dengan besar pengaruh 0.908. Hal ini sejalan dengan penemuan dari Ho (2014) dan
Path Coefficients
Standard Deviation (STDEV)
T Statistics (|O/STDEV|) Destination Familiarity -> Brand Love 0.995 0.225 4.422
Social Identity -> Brand Love -0.322 0.243 1.328
Social Interactive Engagement-> Destination
Familiarity 0.848 0.036 23.263
Social Interactive Engagement-> Social Identity 0.908 0.022 40.823
Original
Sample (O)
T Statistics
(|O/STDEV|) Keterangan Social Interactive Engagement_ ->
Social Identity 0.908 40.823 Signifikan
Vernuccio (2015) yang menyatakan bahwa partisipasi dalam komunitas sosial media mempengaruhi identifikasi konsumen terhadap komunitas tersebut.
4.4.2 Pengaruh Social Identity terhadap Brand Love Tabel 4.7 Social Identity pada Brand Love
(Sumber: Data Primer yang diolah peneliti, 2016)
Hasil pengujian pada tabel 4.7 menghasilkan nilai statistik uji t sebesar 1.328 lebih kecil dari 1,96, yang artinya hubungan tersebut tidak signifikan.
Penemuan ini berbeda dengan hasil penelitian dari jurnal Vernuccio (2015). Ada satu penjelasan yang mungkin bisa dijadikan alasan tidak signifikan nya hubungan antara Social Identity dengan Brand Love. Salah satunya adalah konsep noveltypada motivasi wisatawan mengunjungi suatu destinasi wisata. Menurut Crompton & Lee (1992) konsep novelty bisa didefinisikan sebagai kontruk multi dimensi yang terdiri dari dimensi berikut; routine, escape, thrill, adventure, boredom alleviation, dan surprise. Konsep ini menjadi salah satu motivasi wisatawan dalam mengunjugi destinasi wisata termasuk interaksi sosial dengan orang-orang baru yang berbeda saat mengunjungi suatu destinasi.
Lebih lanjut menurut Uysal & Yoon (2005) wisatawan berpergian untuk melepaskan rutinitas dan mencari pengalaman yang otentik. Oleh sebab itu ada kemungkinan dalam interaksi di media sosial justru yang dicari adalah hal-hal yang baru termasuk pribadi-pribadi yang memiliki ketidaksamaan karakteristik sesuai dengan konsep kebaruan atau novelty yang sudah dijelaskan diatas.
Original
Sample (O)
T Statistics
(|O/STDEV|) Keterangan Social Identity -> Brand Love -0.322 1.328 Tidak
Signifikan
4.4.3 Pengaruh Social Interactive Engagement terhadap Destination Familiarity
Tabel 4.8 Social Interactive Engagement pada Destination Familiarity
(Sumber: Data Primer yang diolah peneliti, 2016)
Hasil pengujian pada tabel 4.8 menunjukkan nilai statistik uji t sebesar 23.263 yang lebih besar dari 1,96. Nilai tersebut berarti bahwa terdapat pengaruh yang signifikan Social Interactive Engagement pada Destination Familiarity. Besar dari pengaruh tersebut adalah 0.848 yang menunjukkan pengaruh positif. Pengaruh hubungan tersebut merupakan pengaruh positif dengan hubungan yang relatif sangat kuat.
4.4.4 Pengaruh Destination Familiarity terhadap Brand Love Tabel 4.9 Destination Familiarity pada Brand Love
(Sumber: Data Primer yang diolah peneliti, 2016)
Hasil pengujian pada tabel 4.9 menunjukkan hasil koefisien jalur digunakan untuk menguji hipotesis, menunjukkan adanya pengaruh yang signifikan dari pengaruh Destination Familiarity pada Brand Love yang bernilai positif sebesar
0.995. Selain itu diketahui bahwa nilai statistik uji t sebesar 4.422 yang lebih besar dari t-tabel 1,96. Hal ini menandakan hubungan tersebut signifikan. Penemuan ini hampir sejalan dengan Ha & Perks (2005) yang membuktikan bahwa Brand Familiarity memiliki pengaruh positif pada satisfaction, sementara satisfaction adalah bentuk dari Brand Love (Caroll & Ahuvia, 2006).
Original
Sample (O)
T Statistics
(|O/STDEV|) Keterangan Social Interactive Engagement_ ->
Destination Familiarity 0.848 23.263 Signifikan
Original
Sample (O)
T Statistics
(|O/STDEV|) Keterangan Destination Familiarity -> Brand
Love 0.995 4.422 Signifikan
4.7 Implikasi Manajerial
Berdasarkan hasil penelitian, maka terdapat beberapa saran yang dapat diimplementasikan oleh pihak yang bersangkutan:
1. Peran Social Interactive Engagement yang mempunyai pengaruh signifikan terhadap Destination Familiaritydinilai sangat penting. Sebab secara langsung peningkaatan Social Interactive Engagement akan meningkatkan Destination Familiaritydan Destination Familiarityakan meningkatkan Brand Love.
2. Hasil penelitian ini memverifikasi bahwa Destination Familiarity yang memiliki pengaruh positif terhadap Brand Love. Hal ini berarti bahwa ketika seseorang telah familiar terhadap destinasi yang pernah di kunjunginya, dan di pengaruhi kecintaan pada destinasi tersebut makan akan meningkatkan kecintaan seseorang untuk mengunjungi destinasi tersebut.
Penelitian ini berguna untuk pemasar pada umumnya dan pemasar destinasi pada khususnya. Pemasar dapat mengacu pada hasil temuan penelitian ini dalam menerapkan kegiatan di sosial media Instagram. Diketahui bahwa dengan banyaknya interaksi pada akun instagram perusahaan / produk / jasa / destinasi wisata dapat meningkatkan pengetahuan melalui postingan di akun instagram yang bersangkutan sehingga wisatawan merasa mengenal dan mencintai destinasi tersebut.
BAB 5
KESIMPULAN DAN SARAN 5.1 Kesimpulan
Penelitian ini dilakukan untuk menganalisis faktor-faktor yang mempengaruhi Brand Love. Hasil analisis data yang dilakukan dengan menggunakan analisis SmartPLS menunjukan bahwa terdapat hipotesis yang tidak terbukti memiliki korelasi dan terdapat pula hipotesis yang terbukti memiliki korelasi yang signifikan. Adapun beberapa kesimpulan yang daat diambil dari penelitian ini ialah sebagai berikut:
1. Berdasarkan hasil pegujian hipotesis, dari 4 hipotesis yang ada terdapat 1 hipotesis yang tidak dapat diterima, yaitu Pengaruh Social Identity terhadap Brand Love.
2. Social Interactive Engagementsecara positif berpengaruh terhadap Social Identity.
3. Social Interactive Engagement berpengaruh positifterhadap Destination Familiarity.
4. Destination Familiarity yang memiliki pengaruh positif terhadap Brand Love.
5.2 Saran
Penelitian ini harus diakui masih memiliki beberapa kekurangan dalam pelaksanaannya, oleh sebab itu penelitian lanjutan diperlukan untuk menyempurnakan hasil hasil dari penelitian ini. Saran yang dapat diberikan berdasarkan hasil penelitian yang dilakukan untuk penelitian selanjutnya antara lain:
1. Penelitian ini dilakukan dengan meneliti satu akun instagram saja, disarankan penelitian selanjutnya agar dapat meneliti menggunakan beberapa akun sehingga dapat meningkatkan generalisasi temuannya.
2. Penelitian ini tidak membedakan antara orang yang sudah pernah mengunjungi destinasi dengan orang yang belum pernah mengunjungi destinasi. Akan lebih menarik bila penelitian selanjutnya dapat mengambil sampel wisatawan yang belum pernah sama sekali mengunjungi destinasi tersebut.
3. Penelitian selanjutnya dapat pula meneliti mengenai Social Identity dengan Brand Love dikonteks industri yang berbeda.
DAFTAR PUSTAKA
Ahuvia , A. C. ( 2005 ),“Beyond the extended self:Loved objects and consumers‟
identity narratives” ,Journal of Consumer Research ,32 (1),pp.171 – 184
Bagozzi R.P, and Dholakia, U.M (2006a). Antecedents and purchase consequences of customer participation in small group brand communities, International Journal of Research in Marketing Vol. 23, pp. 45–61.
Bagozzi, R.P., and Dholakia, U.M. (2006b). Open source Software user communities: A study of participation in Linux user groups Richard. Management Science, Vol. 52 No. 7, pp. 1099–1115.
Baloglu, S. 2001 Image Variations of Turkey by Familiarity Index: Informational and Experiential Dimensions. Tourism Management 22:127–133.
Batra, R., Ahuvia, A., & Bagozzi, R. P. (2012). Brand Love. Journal of Marketing, 76(2), 1-16.
Belk, Russell W. (1988), “Possessions and the Extended Self,” Journal of Consumer Research, 15 (September), 139–68
Bergkvist, Lars and Tino Bech-Larsen (2010), “Two Studies of Consequences and Actionable Antecedents of Brand Love.” Journal of Brand Management, 17 (June), 504-18
Booms, B., H., and Bitner, M., J., 1981. Marketing strategies and organization structures for service firms, in Donnelly, J., H., and George, W., R., (eds).
Marketing of Services. Chicago:American Marketing Association.
Brewer, M. B.; Gaertner, S. L. (2001). Brown, S. L.; Gaertner, eds. "Toward reduction of prejudice: intergroup contact and social categorization". Blackwell Handbook of Social Psychology: Intergroup processes. 3 (1): 451–472.
Calder, Bobby and Edward C. Malthouse (2005), “Managing Media and Advertising Change with Integrated Marketing,” Journal of Advertising Research, 45, 4, 356–61.
Carroll, B. A. and Ahuvia, A. C. (2006), “Some antecedents and outcomes of brand love”, Marketing Letters, Vol. 17 Issue 2, pp. 79 – 89
Carroll, Barbara A. and Aaron C. Ahuvia (2006), “Some Antecedents and Outcomes of Brand Love,” Marketing Letters, 17 (2), 79–90.
Ellemers, (1999) N.; Spears, R.; Doosje, B., eds. "Some current issues in research on social identity and self-categorization theories". Social identity. Oxford:
Blackwell: 6–34.
Escalas, Jennifer Edson and James R. Bettman (2003), “You Are What They Eat:
The Influence of Reference Groups on Consumer Connections to Brands,” Journal of Consumer Psychology, 13 (3), 339–48
Filho, C. G., Monteiro, P. R., & Souki, G. Q. (2010). The impact of brand love, brand equity in the consumer`s loyalty and the customer`s purchase intentions: The development and testing of alternative models in the automative sector. Encontro da ANPAD, 1-17
Fournier (1998), ‘‘Garden of Paradise or Paradox? Coping with Technological Consumer Products in Everyday Life,’’ Journal of Consumer Research, in press Fournier, Susan (1998), “Consumers and Their Brands: Developing Relationship Theory in Consumer Research,” Journal of Consumer Research, 24 (March), 343–
73
Fournier, Susan (1998), “Consumers and Their Brands: Developing Relationship Theory in Consumer Research,” Journal of Consumer Research, 24 (4), 343–73.
Ghozali, I., & Latan, H. (2014). Partial Least Squares; Konsep, Metode, dan Aplikasi Menggunakan Program WarpPLS 4.0.
Hoffman, Donna L. & Novak, Thomas P. (2000). How to acquire customers on the Web. Harvard Business Review, 78(3), 179–188.
Hoffman, Donna L., Thomas P. Novak. 2000. Advertising and pricing models for the Web. Internet Publishing and Beyond: The Economics of Digital Information.
Deborah Hurley, Brian Kahin and Hal Varian (eds). MIT Press, Cambridge, MA.
Forthcoming.
Holbrook, Morris B. and Elizabeth C. Hirschman (1982), "The Experiential Aspects of Consumption: Consumer Fantasies, Feelings, and Fun," Journal of Consumer Research, 9 (September), 132-140.
Kountur, R. (2003). Melode Penelilian. Jakarta: Pcnerbil PPM.
Kotler, P., Armstrong, G., Wong, V., and Saunders, J., 2008. Principles of
Kuncoro, M. (2003). Metode riset untuk bisnis dan ekonomi.
Laroche, M., Kim, C., & Zhou, L. (1996). Brand Familiarity and Confidence as Determinants of Purchase Intention: An Empirical Test in a Multiple Brand Context. Journal of Business Research, 37(2), 115-120.
Lovelock, C. E., Feller, I. C., Ball, M. C., Engelbrecht, B. M., & Ewe, M. L. (2006).
Differences in plant function in phosphorus‐and nitrogen‐limited mangrove ecosystems. New Phytologist, 172(3), 514-522.
Malhotra, N. K. (2010). Marketing Research: An Applied Orientation. Upper Saddle: Pearson/Prentice Hal.
Malthouse, E. C., Calder, B. J., & Tamhane, A. (2007). The effect of media contextexperiences on advertising effectiveness.
Olsen, J., J. McAlexander, and S. Roberts 1986 The Impact of the Visual Content of Advertisements upon the Perceived Vacation Experience. In Tourism Services Marketing: Advances in Theory and Practice, W. Joseph, L. Mautinho and I.
Vernon, eds., pp. 260–269. Cleveland: Cleveland State University
Pagani, M., & Mirabello, A. (2012). The Influence of personal and social interactive engagement in social TV web sites. International Journal of Electronic Commerce, 16(2). 41-68.
Rafiq, M., & Ahmed, P. K. (1995). Using the 7Ps as a generic marketing mix: an exploratory survey of UK and European marketing academics. marketing intelligence & planning, 13(9), 4-15.
Roccas, S., & Brewer, M. B. (2002). Social identity complexity. Personality and Social Psychology Review, 6, 88-106
Shimp, Terrence A. and Thomas J. Madden (1988), “Consumer– Object Relations:
A Conceptual Framework Based Analogously on Sternberg’s Triangular Theory of Love,” in Advances in Consumer Research, Michael J. Houston, ed. Provo, UT:
Association for Consumer Research, 163–68
Tajfel, H. (1974). "Social identity and intergroup behavior". Social Science Information.13 (2): 65–93.
Turner, J. C. (1978). H, Tajfel, ed. "Social categorization and social discrimination in the minimal group paradigm". Differentiation between social groups: Studies in the social psychology of intergroup relations. London: Academic Press: 235–250.