Analisis Faktor Manfaat Penggunaan Fitur pada Fungsi Media Online

5.5.2 Analisis Faktor Manfaat Penggunaan Fitur pada Fungsi Media Online

Data kuesioner yang telah diisi oleh 35 responden mengenai persepsi pengelola hotel bintang 1-5 di Kecamatan Kuta terhadap media online sebagai alat pemasaran diolah dengan menggunakan perangkat lunak SPSS versi 21. Teknik yang digunakan untuk mengolah data tersebut adalah analisis faktor. Analisis faktor yang digunakan dalam penelitian ini adalah analisis faktor konfirmatori dan berdasarkan kerangka pemasaran digital yang terdiri dari fungsi attract, engage, retain, learn dan relate dan tiap fungsi memiliki indikator- indikator sehingga diperoleh pemahaman terhadap kontribusi dari masing-masing fitur untuk setiap fungsi. Hal ini akan memperkuat pengetahuan tentang persepsi pengelola hotel. Selain itu, peneliti dapat mengetahui apakah indikator yang digunakan cukup representatif untuk tiap variabel. Analisis faktor untuk lima variabel fungsi pemasaran online dilakukan secara parsial. Indikator untuk variabel attract adalah X1.1, X1.2, X1.3, X1.4, dan X1.5. Indikator untuk variabel engage adalah X2.1, X2.2, X2.3, X2.4, X2.5, dan X2.6. Indikator untuk variabel retain adalah X3.1, X3.2, X3.3, X3.4, X3.5, X3.6, dan X3.7. Indikator untuk variabel learning adalah X4.1, X4.2, X4.3, X4.4, X4.5, dan X4.6. Indikator untuk variabel relate adalah X5.1, X5.2, X5.3, dan X5.4.

5.5.2.1 Analisis Faktor Manfaat Fitur Media Online pada Fungsi Attract

Berdasarkan kerangka pemasaran digital, indikator untuk variabel attract pada media online meliputi: 1 X1.1 Menggunakan banner ads dan link websiteblog hotel ke media online lainnya, 2 X1.2 Mendaftarkan website, blog dan media online hotel di mesin pencarian dan media sosial, 3 X1.3 Menggunakan namasebutan yang sama antara nama hotel dan setiap media online yang dikelola, 4 X1.4 Penyediaan bandwith yang cukup untuk menampung jumlah kunjungan online yang besar, dan 5 X1.5 Menambahkan fitur social share di websiteblog. Sebelum memasuki proses utama dari analisis faktor, pemenuhan asumsi- asumsi harus dilakukan. Berdasarkan perhitungan dengan SPSS versi 21, diperoleh besar nilai KMO MSA 0,684 dan signifikansi 0,000. Kedua nilai ini telah memenuhi asumsi dimana nilai KMO MSA di atas 0,5 dan signifikansi kurang dari 0,05. Dengan demikian semua indikator yang ditetapkan di awal dapat diproses untuk asumsi lebih lanjut. Tabel 5.11 Hasil Uji KMO dan Barlett’s Variabel Attract Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .684 Bartletts Test of Sphericity Approx. Chi-Square 58.671 Df 10 Sig. .000 Sumber: Hasil Pengolahan Data, 2015 Pemenuhan asumsi berikutnya adalah nilai MSA pada anti-image matrices di atas 0,5. Pada Tabel 5.12 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 sebagai berikut: nilai MSA X1.1 = 0,632, nilai MSA X1.2 = 0,664, nilai MSA X1.3 = 0,878, nilai MSA X1.4 = 0,658, nilai MSA X1.5 = 0,749. Nilai MSA X1.1 sampai dengan X1.5 menunjukkan nilai anti-image correlation lebih besar dari 0,5. Dengan demikian proses analisis dapat dilanjutkan. Tabel 5.12 Matriks Anti-Image Antar Indikator Variabel Attract X1.1 X1.2 X1.3 X1.4 X1.5 Anti-image Covariance X1.1 .357 -.216 -.046 .112 -.208 X1.2 -.216 .337 -.097 -.212 .014 X1.3 -.046 -.097 .815 -.080 .042 X1.4 .112 -.212 -.080 .647 -.137 X1.5 -.208 .014 .042 -.137 .603 Anti-image Correlation X1.1 .632 a -.624 -.085 .233 -.448 X1.2 -.624 .664 a -.184 -.453 .032 X1.3 -.085 -.184 .878 a -.110 .059 X1.4 .233 -.453 -.110 .658 a -.220 X1.5 -.448 .032 .059 -.220 .749 a a. Measures of Sampling AdequacyMSA Sumber: Hasil Pengolahan Data, 2015 Pada tahap ini telah memasuki inti dari analisis faktor dengan menggunakan metode Principal Component dan analisis Correlation Matrix. Output pertama yang diperoleh dengan menggunakan SPSS versi 21 adalah tabel komunalitas. Komunalitas dinyatakan dalam bentuk persentase dan menunjukkan jumlah varians dari suatu indikator yang dapat dijelaskan oleh faktor yang terbentuk Santoso, 2010: 82. Tabel 5.13 Komunalitas Indikator Variabel Attract Initial Extraction X1.1 1.000 .707 X1.2 1.000 .782 X1.3 1.000 .311 X1.4 1.000 .442 X1.5 1.000 .523 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Berdasarkan Tabel 5.13 di atas, diperoleh nilai komunalitas untuk masing- masing indikator. Untuk indikator X1.1 nilai komunalitasnya 0,707. Hal ini berarti sekitar 70,7 persen varians dari indikator X1.1 bisa dijelaskan oleh faktor yang terbentuk. Indikator X1.2 memiliki nilai komunalitas 0,782. Indikator X1.3 memiliki nilai komunalitas 0,311. Indikator X1.4 memiliki nilai komunalitas 0,442. Indikator X1.5 memiliki nilai komunalitas 0,523. 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 5.14 di bawah yaitu pada kolom component menunjukkan bahwa ada lima indikator yang digunakan dalam analisis faktor yaitu X1.1, X1.2, X1.3, X1.4, dan X1.5. Varians faktor 1 faktor yang terbentuk adalah 55,292 persen. Ini berarti bahwa faktor 1 dapat menjelaskan 55,292 persen dari variabilitas lima indikator aslinya. Dengan memperhatikan kolom initial eigenvalues, diketahui bahwa hanya satu faktor yang memiliki nilai 1 yaitu faktor 1 dengan nilai 2,765. Nilai eigenvalues di bawah satu tidak digunakan dalam menentukan jumlah faktor yang terbentuk. Tabel 5.14 Total Variance Explained untuk Variabel Attract Comp. Initial Eigenvalues Extraction Sums of Squared Loadings Total of Variance Cumulative Total of Variance Cumulative 1 2.765 55.292 55.292 2.765 55.292 55.292 2 .855 17.091 72.383 3 .706 14.111 86.494 4 .482 9.641 96.135 5 .193 3.865 100.000 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Setelah diketahui satu faktor terbentuk, output tabel berikut menunjukkan distribusi kelima indikator pada faktor yang terbentuk. Selain itu, Tabel 5.15 di bawah ini juga menunjukkan factor loadings yaitu besarnya korelasi antara indikator dengan faktor terbentuk. Semakin tinggi nilai factor loadings setiap indikator, semakin besar pengaruhnya terhadap faktor yang terbentuk, demikian sebaliknya. Dari kelima indikator, X1.2 merupakan indikator yang memiliki pengaruh terbesar pada fungsi media online dalam menarik attract kunjungan visitor. Indikator selanjutnya yang juga memiliki pengaruh besar adalah X1.1. X1.1 yaitu penggunaan banner ads dan link websiteblog hotel ke media online lainnya. Selanjutnya adalah indikator X1.5 yaitu penambahan fitur social share, indikator X1.4 yaitu penyediaan bandwith yang cukup, dan X1.3 yaitu penggunaan nama yang sama pada setiap media online. Karena kelima indikator memiliki nilai 0,5 yang berarti bahwa semua indikator memiliki korelasi kuat maka satu faktor yang terbentuk terdiri atas lima indikator. Tabel 5.15 Component Matrix Variabel Attract dengan Rotasi Varimax Component 1 X1.1 .841 X1.2 .884 X1.3 .557 X1.4 .665 X1.5 .723 Extraction Method: Principal Component Analysis. a. 1 components extracted. Sumber: Hasil Pengolahan Data, 2015 X1.2 merupakan fitur yang memiliki pengaruh terbesar pada fungsi media online dalam menarik attract kunjungan visitor. Besarnya pengaruh pendaftaran website, blog dan media online hotel di mesin pencarian dan media sosial sesuai dengan hasil sebelumnya yaitu Tabel 5.9 dimana search engine dan media online lainnya banyak digunakan oleh hotel di Kecamatan Kuta. Kierzkowski et al 1996:13 menyebutkannya dengan pendaftaran pada layanan “what’s cool”, dalam hal ini media online tidak bisa disangsikan sebagai layanan yang sangat digemari saat ini. Sedangkan search engine telah lebih dahulu dikenal dan untuk mendapatkan peringkat teratas diperlukan teknik optimasi atau lebih dikenal dengan Search Engine Optimation SEO. Tampil di search engine seperti google.com dinilai sebagai keharusan oleh pengelola hotel. Bahkan jika tidak tampil di search engine, maka dapat menurunkan kepercayaan terhadap hotel Altaf, wawancara, 5 Agustus 2015. Hasil penelitian ini sama dengan penelitian Teo dan Tan 2002 yang menunjukkan pendaftaran di search engine merupakan strategi yang banyak digunakan menarik kunjungan secara online. Kotler 2002 menyatakan salah satu manfaat dari pemasaran online adalah mempelajari berapa jumlah konsumen yang mengunjungi website dan berapa jumlah pengunjung yang berhenti pada halaman tertentu di website tersebut. Search engine seperti google.com dan media sosial seperti facebook.com juga dilengkapi dengan data statistik seperti asal Negara pengunjung, jumlah pengunjung media online dan sebagainya. Data statistik ini dapat menjadi dasaracuan dalam menentukan target banner ads akan diarahkan ke Negara tertentu, umur tertentu dan sebagainya. Dan ini sejalan dengan hasil penelitian dimana X1.1 yaitu penggunaan banner ads dan linkURL merupakan fitur yang memiliki pengaruh terbesar berikutnya dalam menarik kunjungan online.

5.5.2.2 Analisis Faktor Manfaat Fitur Media Online pada Fungsi Engage

Indikator untuk variabel engage meliputi: 1. penyediaan interactive tools, 2. content yang informatif, unik dan berguna, 3. penyediaan fasilitas transaksipemesanan secara online, 4. bangun komunitas virtual, 5. penyelenggaraan event secara online, dan 6. penyediaan fitur pilih bahasa. Tabel 5.16 Hasil Uji KMO dan Barlett’s Variabel Engage Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .770 Bartletts Test of Sphericity Approx. Chi-Square 86.322 Df 15 Sig. .000 Sumber: Hasil Pengolahan Data, 2015 Sebelum memasuki proses utama dari analisis faktor, pemenuhan asumsi harus dilakukan. Berdasarkan Tabel 5.16, dengan menggunakan SPSS versi 21 diperoleh nilai KMO MSA 0,770 dan signifikansi 0,000. Kedua nilai ini telah memenuhi asumsi dimana nilai KMO MSA di atas 0,5 dan signifikansi kurang dari 0,05. Dengan demikian semua indikator yang ditetapkan di awal dapat diproses untuk asumsi lebih lanjut. Pemenuhan asumsi berikutnya adalah nilai MSA pada anti-image matrices di atas 0,5. Pada Tabel 5.17 di bawah dapat diketahui nilai MSA pada bagian anti- image correlation yaitu pada angka yang memiliki tanda a. Masing-masing indikator memiliki nilai MSA sebagai berikut: nilai MSA X2.1 = 0,695, nilai MSA X2.2 = 0,715, nilai MSA X2.3 = 0,838, nilai MSA X2.4 = 0,807, nilai MSA X2.5 = 0,894, dan nilai MSA X2.6 = 0,795. Nilai MSA X1.1 sampai dengan X1.6 menunjukkan nilai anti-image correlation lebih besar dari 0,5. Dengan demikian proses analisis dapat dilanjutkan. Tabel 5.17 Matriks Anti-Image Antar Indikator Variabel Engage X2.1 X2.2 X2.3 X2.4 X2.5 X2.6 Anti-image Covariance X2.1 .338 -.245 .041 -.096 -.011 .001 X2.2 -.245 .362 -.025 -.008 -.029 -.029 X2.3 .041 -.025 .622 -.129 .010 -.150 X2.4 -.096 -.008 -.129 .383 -.018 -.187 X2.5 -.011 -.029 .010 -.018 .841 -.128 X2.6 .001 -.029 -.150 -.187 -.128 .418 Anti-image Correlation X2.1 .695 a -.701 .089 -.268 -.021 .001 X2.2 -.701 .715 a -.053 -.022 -.053 -.076 X2.3 .089 -.053 .838 a -.264 .013 -.295 X2.4 -.268 -.022 -.264 .807 a -.032 -.469 X2.5 -.021 -.053 .013 -.032 .894 a -.217 X2.6 .001 -.076 -.295 -.469 -.217 .795 a a. Measures of Sampling Adequacy MSA Sumber: Hasil Pengolahan Data, 2015 Tahap berikut ini telah memasuki inti dari analisis faktor dengan menggunakan metode Principal Component dan analisis Correlation Matrix. Output pertama yang diperoleh dengan menggunakan SPSS versi 21 adalah tabel komunalitas. Tabel 5.18 Komunalitas Indikator Variabel Engage Initial Extraction X2.1 1.000 .606 X2.2 1.000 .593 X2.3 1.000 .439 X2.4 1.000 .731 X2.5 1.000 .247 X2.6 1.000 .672 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Berdasarkan tabel Tabel 5.18 di atas, diperoleh nilai komunalitas untuk masing-masing indikator. Untuk indikator X2.1 nilai komunalitasnya 0,606. Hal ini berarti sekitar 60,6 persen varians dari indikator X2.1 bisa dijelaskan oleh faktor yang terbentuk. Indikator X2.2 memiliki nilai komunalitas 0,593. Indikator X2.3 memiliki nilai komunalitas 0,439. Indikator X2.4 memiliki nilai komunalitas 0,731. Indikator X2.5 memiliki nilai komunalitas 0,247. Indikator X2.6 memiliki nilai komunalitas 0,672. 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 5.19 di bawah yaitu pada kolom component menunjukkan bahwa ada enam indikator yang digunakan dalam analisis faktor yaitu X2.1, X2.2, X2.3, X2.4, X2.5 dan X2.6. Varians faktor 1 faktor yang terbentuk adalah 54,807 persen. Ini berarti bahwa faktor 1 dapat menjelaskan 54,807 persen dari variabilitas enam indikator aslinya. Dengan memperhatikan kolom initial eigenvalues, diketahui bahwa hanya satu faktor yang memiliki nilai 1 yaitu faktor 1 dengan nilai 3,288. Nilai eigenvalues di bawah 1 tidak digunakan dalam menentukan jumlah faktor yang terbentuk. Tabel 5.19 Total Variance Explained untuk Variabel Engage Comp. Initial Eigenvalues Extraction Sums of Squared Loadings Total of Variance Cumulative Total of Variance Cumulative 1 3.288 54.807 54.807 3.288 54.807 54.807 2 .989 16.482 71.289 3 .820 13.665 84.954 4 .426 7.095 92.049 5 .279 4.657 96.706 6 .198 3.294 100.000 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Setelah diketahui satu faktor terbentuk, output tabel berikut menunjukkan distribusi keenam indikator pada faktor yang terbentuk. Selain itu, Tabel 5.20 di bawah ini 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. Dari keenam indikator, X2.4 merupakan indikator yang memiliki pengaruh paling besar terhadap engage pengunjung media online yang dikelola hotel bintang 1-5 di Kecamatan Kuta. Indikator X2.4 adalah membangun komunitas virtual dengan memberdayakan markom. Indikator selanjutnya yang juga memiliki pengaruh besar adalah X2.6. X2.6 yaitu penyediaan fitur multibahasa. Selanjutnya adalah indikator X2.1 yaitu penyediaan interactive tools di media online, indikator X2.2 yaitu content yang informatif, unik dan berguna, X2.3 yaitu penyediaan fasilitas transaksipemesanan secara online, dan X2.5 yaitu penyelenggaraan event melalui media online. Tabel 5.20 Component Matrix Variabel Engage dengan Rotasi Varimax Component 1 X2.1 .778 X2.2 .770 X2.3 .662 X2.4 .855 X2.5 .497 X2.6 .820 Extraction Method: Principal Component Analysis. a. 1 components extracted. Sumber: Hasil Pengolahan Data, 2015 X2.4 yaitu membangun komunitas virtual merupakan fitur yang memiliki pengaruh terbesar dalam menghasilkan fungsi engage. Hasil ini berbeda dengan penelitian Teo dan Tan 2002 yang menyatakan bahwa strategi membangun komunitas virtual kurang populer dalam menghasilkan fungsi engage karena perusahaan B2C lebih berfokus pada pasar yang besar mass market. Komunitas virtual dalam hal ini dapat dijelaskan dengan berbagai istilah, media sosial seperti facebook.com dan twitter.com menggunakan kata fans, friend, dan follower bagi komunitasnya. Semakin besar komunitas yang dimiliki maka semakin menguntungkan bagi pihak hotel karena semakin mudah dan murah untuk menyebarkan informasi produk dan promo. Kotler 2002 menyebutkan pemasaran online memungkinkan biaya yang lebih rendah.

5.5.2.3 Analisis Faktor Manfaat Fitur Media Online pada Fungsi 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 Bartletts 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 Indikator Variabel 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 .809 a -.236 -.229 .027 -.039 -.185 .162 X3.2 -.236 .759 a -.367 -.361 -.010 -.008 -.454 X3.3 -.229 -.367 .772 a .061 -.256 -.072 .206 X3.4 .027 -.361 .061 .770 a -.324 -.322 .144 X3.5 -.039 -.010 -.256 -.324 .790 a .070 -.388 X3.6 -.185 -.008 -.072 -.322 .070 .823 a -.137 X3.7 .162 -.454 .206 .144 -.388 -.137 .645 a a. Measures of Sampling AdequacyMSA 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. Sumber: Hasil Pengolahan Data, 2015 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 1,0327 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 terbentuk. Sehingga factoring process berhenti pada faktor 2. 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 5.27 ini menunjukkan angka-angka diagonal di atas 0,5 yaitu sama-sama bernilai 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 2 -.687 .767

5.5.2.4 Analisis Faktor Manfaat Fitur Media Online pada Fungsi Learn

Berdasarkan kerangka pemasaran digital, indikator untuk variabel learn pada media online meliputi: 1. penyebaran kuesioner atau feedback form melalui media online, 2. information capture dari media online, 3. online discussion untuk co-creation program, 4. pengumpulan informasi calon konsumen potensial secara online, 5. identifikasi repeat visitor dengan cookies atau IP address, dan 6. web page tracking untuk mengetahui laman website yang dikunjungi visitor. Berdasarkan perhitungan pemenuhan asumsi, nilai KMO MSA 0,749 dan signifikansi 0,000. Kedua nilai ini telah memenuhi asumsi dimana nilai KMO MSA di atas 0,5 dan signifikansi kurang dari 0,05. Dengan demikian dapat diproses untuk asumsi lebih lanjut. Tabel 5.28 Hasil Uji KMO dan Barlett’s Variabel Learn Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .749 Bartletts Test of Sphericity Approx. Chi-Square 97.270 Df 15 Sig. .000 Sumber: Hasil Pengolahan Data, 2015 Pemenuhan asumsi berikutnya adalah nilai MSA pada anti-image matrices di atas 0,5. Masing-masing indikator memiliki nilai MSA sebagai berikut: nilai MSA X4.1 = 0,825, nilai MSA X4.2 = 0,699, nilai MSA X4.3 = 0,641, nilai MSA X4.4 = 0,771, nilai MSA X4.5 = 0,814, nilai MSA X4.6 = 0,690. Nilai MSA X4.1 sampai dengan X4.6 menunjukkan nilai anti-image correlation lebih besar dari 0,5. Dengan demikian asumsi terpenuhi dan proses analisis dapat dilanjutkan. Tabel 5.29 Matriks Anti-Image Antar Indikator Variabel Learn X4.1 X4.2 X4.3 X4.4 X4.5 X4.6 Anti-image Covariance X4.1 .532 -.186 -.016 .031 -.018 -.061 X4.2 -.186 .297 -.138 -.098 -.154 .100 X4.3 -.016 -.138 .818 .048 .100 -.144 X4.4 .031 -.098 .048 .324 -.064 -.210 X4.5 -.018 -.154 .100 -.064 .343 -.101 X4.6 -.061 .100 -.144 -.210 -.101 .403 Anti-image Correlation X4.1 .825 a -.467 -.024 .075 -.042 -.132 X4.2 -.467 .699 a -.281 -.316 -.482 .288 X4.3 -.024 -.281 .641 a .093 .189 -.251 X4.4 .075 -.316 .093 .771 a -.190 -.580 X4.5 -.042 -.482 .189 -.190 .814 a -.271 X4.6 -.132 .288 -.251 -.580 -.271 .690 a a. Measures of Sampling AdequacyMSA Sumber: Hasil Pengolahan Data, 2015 Pada tahap ini telah memasuki inti dari analisis faktor. Output pertama yang dihasilkan adalah tabel komunalitas. Komunalitas dinyatakan dalam bentuk persentase dan menunjukkan jumlah varians dari suatu indikator yang dapat dijelaskan oleh faktor yang terbentuk Santoso, 2010: 82 Berikut adalah tabel komunalitas indikator variabel learn. Tabel 5.30 Komunalitas Indikator Variabel Learn Initial Extraction X4.1 1.000 .535 X4.2 1.000 .726 X4.3 1.000 .171 X4.4 1.000 .721 X4.5 1.000 .736 X4.6 1.000 .577 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Berdasarkan tabel komunalitas di atas, untuk indikator X4.1 memiliki nilai komunalitas 0,535. Indikator X4.2 memiliki nilai komunalitas 0,726. Indikator X4.3 memiliki nilai komunalitas 0,171. Indikator X4.4 memiliki nilai komunalitas 0,721. Indikator X4.5 memiliki nilai komunalitas 0,736. Indikator X4.6 memiliki nilai komunalitas 0,577. Output berikutnya adalah tabel total variance explainded. Tabel 5.31 di bawah pada kolom component menunjukkan bahwa ada enam indikator yang digunakan dalam analisis faktor yaitu X4.1, X4.2, X4.3, X4.4, X4.5, dan X4.6. Varians faktor 1 faktor yang terbentuk adalah 57,748 persen. Ini berarti bahwa faktor 1 dapat menjelaskan 57,748 persen dari variabilitas enam indikator aslinya. Dengan memperhatikan kolom initial eigenvalues, diketahui bahwa hanya 1 faktor yang memiliki nilai 1 yaitu faktor 1 dengan nilai 3.465. Tabel 5.31 Total Variance Explained unutk Variabel Learn Comp. Initial Eigenvalues Extraction Sums of Squared Loadings Total of Variance Cumulative Total of Variance Cumulative 1 3.465 57.748 57.748 3.465 57.748 57.748 2 .912 15.197 72.945 3 .786 13.096 86.041 4 .411 6.858 92.899 5 .260 4.332 97.231 6 .166 2.769 100.000 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Setelah diketahui 1 faktor terbentuk, output Tabel 5.32 di bawah menunjukkan factor loadings. X4.5 merupakan indikator yang memiliki factor loadings terbesar. X4.5 adalah identifikasi repeat visitor dengan cookies atau IP address. Indikator selanjutnya yang juga memiliki pengaruh besar adalah X4.2. X4.2 yaitu information capture dari media online. Selanjutnya adalah indikator X4.4 yaitu pengumpulan informasi calon konsumen potensial secara online, X4.6 yaitu web page tracking, dan indikator X4.1 yaitu penyebaran kuesioner atau feedback form melalui media online. Tabel 5.32 Component Matrix Variabel Learn dengan Rotasi Varimax Component 1 X4.1 .731 X4.2 .852 X4.3 .413 X4.4 .849 X4.5 .858 X4.6 .760 Extraction Method: Principal Component Analysis. a. 1 components extracted. Sumber: Hasil Pengolahan Data, 2015 X4.5 adalah identifikasi repeat visitor dengan cookies atau IP address dinilai memiliki pengaruh terbesar terhadap fungsi learn. Hal ini menunjukkan bahwa asal Negara kunjungan online menjadi indikator penting bagi pengelola hotel. Beberapa hotel bintang 1-5 di Kecamatan Kuta telah menggunakan fitur ini dengan cara langsung meletakkan fiturnya di website atau melalui OTA yang digunakan. Beberapa hotel yang menggunakan fitur ini adalah Hotel Ibis Bali Kuta, Hotel Ibis Style Bali Kuta Circle, Hotel Ibis Style Bali Kuta Legian, dan Kuta Beach Club. Hotel tersebut menggunakan permission dalam melacak cookies, sebagai contoh Hotel Ibis Bali Kuta menggunakan pesan sebagai berikut saat visitor mengunjungi websitenya: “You are agreeing to the use of cookies, whose purpose it is to provide web analytics and measurements of visitor traffic and browsing behavior, define personalized services and offers tailored to your interests, and share data with, or redirect users from, third-party websites. ” Pesan tersebut menunjukkan bahwa dengan menggunakan cookies pengelola hotel bertujuan tidak hanya mengetahui asal Negara tapi juga perilaku, minat dan kebutuhan visitor. Davis 2000 dalam Teo dan Tan 2002 menyatakan pengembangan pemahaman yang rinci mengenai kebutuhan konsumen dan pasar merupakan kunci sukses dalam membangun brand secara online e-brands.

5.5.2.5 Analisis Faktor Manfaat Fitur Media Online pada Fungsi Relate

Pemenuhan asumsi-asumsi telah dilakukan, nilai KMO MSA 0,554 dan signifikansi 0,00. Kedua nilai ini telah memenuhi asumsi dimana nilai KMO MSA di atas 0,5 dan signifikansi kurang dari 0,05. Dengan demikian semua indikator yang ditetapkan di awal dapat diproses untuk asumsi lebih lanjut. Tabel 5.33 Hasil Uji KMO dan Barlett’s Variabel Learn Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .554 Bartletts Test of Sphericity Approx. Chi-Square 25.397 Df 6 Sig. .000 Sumber: Hasil Pengolahan Data, 2015 Pemenuhan asumsi berikutnya adalah nilai MSA pada anti-image matrices di atas 0,5. Masing-masing indikator memiliki nilai MSA sebagai berikut: nilai MSA X5.1 = 0,535, nilai MSA X5.2 = 0,535, nilai MSA X5.3 = 0,552, dan nilai MSA X5.4 = 0,738. Nilai MSA X1.1 sampai dengan X1.4 menunjukkan lebih besar dari 0,5. Dengan demikian proses analisis dapat dilanjutkan. Tabel 5.34 Matriks Anti-Image Antar Indikator Variabel Relate X5.1 X5.2 X5.3 X5.4 Anti-image Covariance X5.1 .485 -.218 -.329 -.120 X5.2 -.218 .863 .067 .070 X5.3 -.329 .067 .555 -.037 X5.4 -.120 .070 -.037 .922 Anti-image Correlation X5.1 .535 a -.338 -.634 -.180 X5.2 -.338 .535 a .096 .079 X5.3 -.634 .096 .552 a -.051 X5.4 -.180 .079 -.051 .738 a a. Measures of Sampling AdequacyMSA 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 dinyatakan dalam bentuk persentase dan menunjukkan jumlah varians dari suatu indikator yang dapat dijelaskan oleh faktor yang terbentuk Santoso, 2010: 82. Tabel 5.35 Komunalitas Indikator Variabel Relate Initial Extraction X5.1 1.000 .806 X5.2 1.000 .238 X5.3 1.000 .683 X5.4 1.000 .205 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Berdasarkan tabel komunalitas di atas, diperoleh nilai komunalitas untuk masing-masing indikator. Untuk indikator X5.1 nilai komunalitasnya 0,806. Hal ini berarti sekitar 80,6 persen varians dari indikator X5.1 bisa dijelaskan oleh faktor yang terbentuk. Indikator X5.2 memiliki nilai komunalitas 0,238. Indikator X5.3 memiliki nilai komunalitas 0,683. Indikator X5.4 memiliki nilai komunalitas 0,205. 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. Varians faktor 1 faktor yang terbentuk adalah 48,303 persen. Ini berarti bahwa faktor 1 dapat menjelaskan 48,303 persen dari variabilitas empat indikator aslinya. Dengan memperhatikan kolom initial eigenvalues, diketahui bahwa hanya satu faktor yang memiliki nilai 1 yaitu faktor 1 dengan nilai 1,932. Nilai eigenvalues di bawah 1 tidak digunakan dalam menentukan jumlah faktor yang terbentuk. Tabel 5.36 Total Variance Explained untuk Variabel Relate Comp. Initial Eigenvalues Extraction Sums of Squared Loadings Total of Variance Cumulative Total of Variance Cumulative 1 1.932 48.303 48.303 1.932 48.303 48.303 2 .992 24.791 73.095 3 .772 19.291 92.385 4 .305 7.615 100.000 Extraction Method: Principal Component Analysis. Sumber: Hasil Pengolahan Data, 2015 Setelah diketahui satu faktor terbentuk, output tabel berikut menunjukkan distribusi keempat indikator pada faktor yang terbentuk. Selain itu, Tabel 5.37 di bawah ini juga menunjukkan factor loadings. Semakin tinggi nilai factor loadings setiap indikator, maka semakin besar pengaruhnya terhadap faktor yang terbentuk, demikian juga sebaliknya. Dari empat indikator, X5.1 adalah indikator yang memiliki pengaruh paling besar terhadap relate. Variabel X5.1 adalah personalisasi komunikasi dengan visitor media online. Indikator selanjutnya yang juga memiliki pengaruh besar adalah X5.3. X5.3 yaitu real time interactions. Selanjutnya adalah indikator X5.2 yaitu e-mail informasi produklayanan terbaru, dan X5.4 yaitu kustomisasi tampilan media online. Tabel 5.37 Component Matrix Variabel Relate dengan Rotasi Varimax Component 1 X5.1 .898 X5.2 .488 X5.3 .826 X5.4 .453 Extraction Method: Principal Component Analysis. a. 1 components extracted Sumber: Hasil Pengolahan Data, 2015 X5.1 adalah personalisasi komunikasi dengan visitor media online. Personalisasi dalam berkomunikasi dengan visitor berpengaruh terhadap fungsi relate dengan visitor. Teo dan Tan 2002 menyatakan melakukan kustomisasi interaksi seperti personalisasi komunikasi sangat penting untuk memberikan kesan positif sehingga dapat meningkatkan reputasi online usaha tersebut. Komunikasi merupakan salah satu cara untuk menunjukkan hospitality yang dimiliki oleh hotel sebelum wisatawan menginap di hotel tersebut. Kemampuan representatif hotel dalam melakukan personalisasi komunikasi akan menimbulkan kesan di benak wisatawan. Berbeda dengan hasil penelitian Teo dan Tan 2002 yang menghasilkan bahwa fitur pengiriman e-mail informasi produklayanan terbaru yang berpengaruh besar terhadap fungsi relate. Dalam penelitian ini, fitur tersebut tidak memiliki pengaruh yang signifikan. Saat ini membangun relation dapat dilakukan dalam waktu yang sangat singkat dengan fitur comment salah satu fitur engage. Pengelola hotel akan menerima notifikasi secara real time dan dapat menanggapi komentar tersebut. 5.6 Persepsi Manfaat Media Online terhadap Pertumbuhan Usaha 5.6.1 Tingkat Persepsi Manfaat Media Online terhadap Pertumbuhan Usaha Tingkat persepsi manfaat media online terhadap pertumbuhan usaha bertujuan untuk menilai manfaat yang diperoleh pengelola hotel bintang 1-5 di Kecamatan Kuta 1 – 5 dengan menggunakan media online terkait pertumbuhan usahanya. Pertumbuhan usaha ini direpresentasikan melalui pernyataan dalam kuesioner. Variabel pertumbuhan usaha, terdiri atas delapan indikator yaitu brand awareness, brand identity, brand loyalty, market share, ROI, pendapatan usaha, jumlah visitor online, dan jumlah visitor yang menginap. Tingkat persepsi manfaat media online terhadap pertumbuhan usaha dicari dengan nilai rata-rata dari hasil pengisian kuesioner untuk setiap indikator. Secara rata-rata, tingkat persepsi pengelola hotel 1-5 di Kecamatan Kuta terhadap pertumbuhan usaha bernilai 4,38. Nilai ini menunjukkan bahwa pengelola hotel setuju bahwa media online berpengaruh terhadap pertumbuhan usaha. Komponen pertumbuhan usaha yang dinilai sangat mendapatkan manfaat dari pemanfaatan media online adalah brand awareness. Dalam lima indikator teratas, tiga diantaranya adalah terkait dengan brand. Hal ini menunjukkan bahwa pemasaran dengan media online berdampak pada brand. Branding yang kuat diharapkan akan menghasilkan peningkatan kunjungan online dan tamu yang menginap sehingga akan meningkatkan pendapatan usaha. Hal ini sejalan dengan penjelasan dari pengelola hotel bahwa dari 100 kunjungan online, 10 terkonversi menjadi tamu yang menginap di hotel tersebut Altaf, wawancara, 5 Agustus 2015. Tabel 5.38 Tingkat Persepsi Manfaat Media Online terhadap Pertumbuhan Usaha Variabel Kode Indikator Rata-Rata Pertumbuhan Usaha Y.1 Brand awareness 4.63 Y.2 Brand identity 4.40 Y.3 Brand loyalty 4.40 Y.4 Peningkatan market share 4.34 Y.5 Peningkatan ROI 4.09 Y.6 Peningkatan Pendapatan Perusahaan 4.40 Y.7 Peningkatan Jumlah Visitor Media Online 4.43 Y.8 Peningkatan Jumlah Visitor yang Menginap 4.34 Sumber: Hasil Pengolahan Data, 2015

5.6.2 Analisis Faktor Manfaat Media Online terhadap Pertumbuhan Usaha