32
Tabel 10. Pengaruh jumlah kunjungan dengan preferensi berlibur
Tabel 11. Uji parsial pengaruh jumlah kunjungan terhadap preferensi berlibur Peubah Nilai
Nyata Sig
Preference 1 0,000
Preference 2 0,755
Preference 3 0,000
Preference 4 0,004
Preference 5 0,090
Preference 6 0,008
Preference 7 0,078
Preference 8 0,071
nyata pada taraf nyata 5
4.7. Analisis Faktor
Sebelum melakukan analisis faktor, diperlukan uji KMO dan uji Barlett Test untuk mengetahui nilai Barlett Test of Sphericity. Nilai Barlett Test
menunjukkan apakah ada korelasi nyata antar peubah, sedangkan untuk uji KMO untuk mengukur kecukupan contoh dengan cara membandingkan besarnya
koefisien korelasi yang diamati dengan koefisien parsialnya. Menurut Wahana Komputer 2009 kriteria kesesuaian dalam pemakaian analisis faktor adalah:
1. Jika nilai KMO 0,9 berarti sangat memuaskan.
2. Jika nilai KMO 0,8 berarti memuaskan.
3. Jika nilai KMO 0,7 berarti harga menengah.
4. Jika nilai KMO 0,6 berarti cukup.
Model Summary
,541
a
,293 ,264
,97223 Model
1 R
R Square Adjusted
R Square Std. Error of
the Estimate Predictors: Constant, Preference 8, Preference 1,
Preference 3, Preference 6, Preference 4, Preference 2, Preference 7, Preference 5
a.
33
5. Jika nilai KMO 0,5 berarti kurang memuaskan.
6. Jika nilai KMO kurang dari 0,5 tidak dapat diterima.
Hasil dari KMO dan Bartlett’s test tahap satu seperti terlihat pada Tabel 18 menyatakan bahwa besaran nilai Barlett Test of Sphericity adalah 5,760,058
nyata pada 0,000, yang berarti ada korelasi yang sangat nyata antar peubah dan hasil perhitungan KMO 0,706, sehingga kecukupan contoh termasuk kategori
menengah Lampiran 8. Proses selanjutnya melakukan uji Anti-Image Matrics, dimana pengujian
ini membantu menentukan peubah mana yang layak digunakan dalam analisis lanjutan. Peubah yang layak untuk dianalisis adalah peubah yang memiliki nilai
MSA kurang dari 0,5. Apabila peubah dengan nilai MSA rendah sudah didapatkan, maka pengujian KMO dan Bartlett’s Test dilakukan kembali dan
begitu seterusnya sampai mendapatkan peubah-peubah dengan nilai MSA di bawah standar. Peubah yang mendapatkan nilai MSA di bawah 0,5 dapat dilihat
pada Tabel 12. Tabel 12. Nilai MSA tahap 1
Peubah MSA Travel Motivation 2
0,455 Travel Motivation 8
0,452 Lifestyle 2
0,451 Peubah-peubah pada Tabel 12 tidak dapat dianalisis lebih lanjut dan
peubah ini, antara lain pernyataan “to experience sun, sea, and beach”, “to visit friends and relatives
”, “I do yoga and meditation” dikeluarkan dari peubah lainnya. Dari 34 peubah pada tahap 1, hanya tiga yang dikeluarkan, maka masih
ada 31 peubah lagi yang dapat dianalisa. Uji KMO dan Bartlett’s Test kembali dilakukan dengan hasil pada Lampiran 8. Dari pengujian tahap 2 dua masih
dapat disimpulkan bahwa korelasi antar peubah sangat nyata. Mengikuti langkah selanjutnya, nilai MSA kembali diuji untuk setiap peubah, pada pengujian MSA
34
tahap dua, tidak terdapat peubah yang mendapat nilai di bawah 0,5, maka tidak ada peubah yang dikeluarkan dan pengujian dapat dihentikan, hasil dari nilai
MSA tahap dua dari seluruh peubah dapat dilihat pada Lampiran 9. Dari hasil MSA tahap dua tidak terdapat peubah dengan nilai di bawah 0,5 maka analisis
dapat dilanjutkan tanpa harus melakukan uji MSA kembali.
4.7.1. Communalities
Setelah melewati dua 2 tahap sebelumnya, maka dilakukan analisa “Communalities”, yangmenunjukkan nilai faktor yang menjelaskan varian
peubah Komputer, 2009 atau jumlah varian yang disumbangkan oleh suatu peubah pada peubah lainnya. Pada Tabel 13 terlihat nilai communalities selalu
positif, nilai peubah travel motivation 1 dapat dilihat 0,664 66.4, yaitu 66,4 keragaman dari travel motivation 1 dapat menjelaskan tujuh 7 faktor
yang terbentuk dan memberikan interpretasi sama untuk setiap peubah pada Tabel 13. Dari Tabel 13 dapat dilihat hanya satu peubah yang mendapatkan
nilai 0,574, maka peubah ini dinyatakan hanya dapat menjelaskan 57,4 keragaman dari peubah preference 8; pernyataan peubah ini adalah “I prefer
destination that are less developed ” merupakan peubah dengan terkecil
diantara peubah-peubah yang lain, dimana peubah-peubah tersebut mendapatkan nilai cukup besar.
Peubah yang mendapatkan nilai terbesar adalah peubah vacation style 5, yaitu peubah yang menjelaskan faktor gaya berlibur dengan pernyataan “On
vacation, I am interested in the lifestyle of the local people ”. Peubah ini mampu
menjelaskan faktor yang membentuk 84,3. Peubah lainnya yang juga mempunyai nilai besar adalah vacation style 3, “On vacation I look for coziness
and familiar atmosphere ” yang mampu menjelaskan 83,5, sedangkan untuk
faktor preferensi hanya ada satu peubah yang mendapat nilai tinggi, yaitu peubah preference 7 “I prefer destinations that preserve natural environment”
dengan nilai 82,4 dan faktor motivasi terdapat satu peubah yang mendapat nilai paling tinggi 82,2, peubah ini adalah travel motivation 9, yaitu “To
experience lifestyle, customs, and culture ”.
35
Tabel 13. Nilai Communalities peubah Peubah Ekstraksi
Travel Motivation 9 0,822
Travel Motivation 3 0,775
Travel Motivation 4 0,744
Travel Motivation 10 0,718
Travel Motivation 12 0,697
Travel Motivation 5 0,694
Travel Motivation 11 0,687
Travel Motivation 13 0,672
Travel Motivation 1 0,664
Travel Motivation 7 0,624
Travel Motivation 6 0,607
Life Style 4 0,745
Life Style 1 0,686
Life Style 6 0,684
Life Style 5 0,622
Life Style 3 0,609
Vacation Style 5
0,843 Vacation Style 3
0,835 Vacation Style 6
0,818 Vacation Style 1
0,793 Vacation Style 2
0,779 Vacation Style 7
0,777 Vacation Style 4
0,754
Preference 7 0,824
Preference 5 0,792
Preference 1 0,791
Preference 3 0,763
Preference 4 0,721
Preference 6 0,648
Preference 2 0,638
Preference 8 0,574
Peubah terakhir yang mendapatkan nilai di atas 80 adalah peubah dari faktor gaya berlibur, vacation style 6 mendapatkan nilai 81,8 “On choosing a
vacation destination, I put emphasis on cultural and customs of the local people
”. Dapat dikatakan bahwa faktor gaya berlibur atau vacation style mempunyai peubah-peubah dengan nilai tinggi yang dapat menjelaskan faktor
36
terkait dibandingkan dengan tiga faktor lainnya. Akan tetapi ini tidak berarti peubah-peubah yang mendapatkan nilai di bawah 80 tidak dapat menjelaskan
faktor terkait. Teori lain yang menjelaskan bahwa nilai ekstraksi di bawah 0.5 mengindikasikan bahwa peubah tidak cocok dengan solusi faktornya dan
peubah ini dapat dikeluarkan dari analisa Utrecht University, 2011. Langkah selanjutnya dari analisis faktor adalah melihat nilai total keragaman yang
dijelaskan. 4.7.2. Total Variance
Analisis total variancetermasuk proses analisis faktor. Analisis ini menjelaskan persentase varian yang dijelaskan oleh tujuh 7 faktor. Hasil dari
analisis total varianceterdapat pada Lampiran 10. Pada Lampiran 10 terlihat hanya peubah 1-7 yang mendapatkan nilai di atas 1, peubah lainnya tidak
berhasil dilakukan ekstraksi dengan SPSS versi 17, dikarenakan nilai eigen value
menunjukkan nilai di bawah 1 University of Colorado, 2011. Kolom of variance menunjukkan berapa banyak keragaman pada setiap peubah
yang dapat menerangkan faktor, contohnya pada faktor 1 dapat menjelaskan 28,687 keragaman pada 31 peubah, faktor 2 menjelaskan 17,547
keragaman dari 31 peubah, faktor 3 menjelaskan 6,156 keragaman dari 31 peubah, faktor 4 menjelaskan 5,805 keragaman dari 31 peubah, faktor 5
dapat menjelaskan 5,209 keragaman dari 31 peubah, selanjutnya faktor 6 menjelaskan 4,627 dari 31 peubah dan terakhir faktor 7 dapat menjelaskan
4,226 keragaman dari 31 peubah Lampiran 10. Sedangkan pada kolom Initial Eigen-Values
menunjukkan faktor yang terbentuk dan jika semua faktor dijumlahkan menunjukkan jumlah peubah.
Hasil ekstraksi dari pada langkah ini berhenti pada faktor 7 dikarenakan nilai eigen yang diatas angka satu hanya sampai dengan faktor 7 dan
keputusan dalam pemberhentian ekstraksi bisa dilakukan jika tingkat keragaman acak hanya tersisa sedikit, akan tetapi keputusan untuk
memberhentikan proses ekstraksi tidak dibatasi oleh suatu hukum dan tergantung akan kondisi Statsoft, 2011. Selanjutnya interpretasi hasil baru
37
dapat dilakukan setelah mengetahui faktor loading dari setiap peubah yang dianalisa dengan melanjutkan tahapan berikutnya, yaitu Component Matrix.
4.7.3. Component Matrix Component matrix
menunjukkan nilai korelasi antara suatu peubah dengan faktor yang terbentuk Komputer, 2009. Hasil dari analisis component
matrix Lampiran 11 menunjukkan bahwa peubah travel motivation 3 memiliki faktor loading lebih kuat dengan faktor 1 dibandingkan 6 faktor
lainnya. Demikian juga peubah travel motivation 1 dengan faktor 7, dibandingkan dengan 6 faktor lainnya. Suatu peubah dikatakan mempunyai
korelasi kuat pada suatu faktor, jika faktor loadinglebih besar atau sama dengan 0,55. Atas dasar teori ini, maka travel motivation 3, 5, 6, 9, 10, 11 dan
13; lifestyle 5 dan 6, vacation style 5 dan preference 5, 6 dan 7 mempunyai korelasi kuat dengan faktor 1. Sedangkan untuk peubah vacation style 1, 2, 3
dan 4 mempunyai korelasi kuat dengan faktor 2. Travel motivation12 mempunyai korelasi kuat dengan faktor 3, travel motivation 4 mempunyai
korelasi kuat dengan faktor 6 dan travel motivation 1 mempunyai korelasi kuat dengan faktor 7. Namun jika diperhatikan kembali Tabel 23 ada tiga peubah
dengan nilai di bawah 0.55, peubah ini adalah travel motivation 7, lifestyle 1, 3, 4, preference 1 dan preference 4. Untuk menyelesaikan persoalan ini
dibutuhkan analisis lanjutan, yaitu metode rotasi. 4.7.4. Rotated Component Matrix Metode Rotasi
Metode rotasi digunakan untuk menyederhanakan data dari beberapa peubah menjadi lebih sedikit dengan menggabungkan beberapa kategori yang
memiliki kategori sama Komputer, 2009. Untuk membaca hasil dari metode rotasi Lampiran 12 pada kolom 1-7 merupakan faktor dimana peubah akan
dikategorikan, dan pada tabel tersebut tercantum nilai-nilai yang dimiliki setiap peubah. Nilai tertinggi pada suatu faktor diartikan bahwa peubah tersebut
masuk pada kategori tersebut. Hasil dari metode rotasi menunjukkan bahwa peubah travel motivation 1 mempunyai nilai tertinggi pada faktor 4, maka
travel motivation 1, yaitu “to rest and relax mentally and physically”
38
dimasukkan pada faktor 4 dengan nilai 0,797848. Selanjutnya travel motivation
9, yaitu “to experience lifestyle, customs, and culture” masuk pada faktor 2 dengan nilai 0,844986. Cara membaca metode rotasi ini berlaku untuk
setiap peubah, hasil dari bentuk sederhana metode rotasi terdapat pada Tabel 23, dimana pada Tabel ini, dapat dilihat bahwa peubah terbanyak masuk pada
kategori faktor 2 dan faktor 1. Untuk membaca bentuk hasil sederhana pada Tabel 14, maka perlu
dilihat kembali analisa total varian Lampiran 10. Dari analisa total varian dapat dilihat bahwa faktor 1 mempunyai nilai eigen 8,893 dan mampu
menjelaskan keragaman total 28,687, lalu faktor 2 mempunyai nilai eigen 5,440 dan mampu menjelaskan keragaman total 17,547, faktor 3 mempunyai
nilai eigen 1,908 dan mampu menjelaskan keragaman total 6,156, faktor 4 mempunyai nilai eigen 1,800 dan mampu menjelaskan keragaman total
5,085, faktor 5 mempunyai nilai eigen 1,615 dan mampu menjelaskan keragaman total 5,209, selanjutnya faktor 6 mempunyai nilai eigen 1,434 dan
mampu menjelaskan keragaman total 4,627, terakhir adalah faktor 7 mempunyai nilai eigen 1,310 dan mampu menjelaskan keragaman total
4,226 Lampiran 10. Setelah mengetahui besar kolerasi, tahap selanjutnya adalah memberikan nama pada faktor-faktor yang terbentuk. Faktor 1
dinamakan faktor Psikologi atau Psikografik, faktor 2 dinamakan faktor motivasi, faktor 3 dinamakan faktor kebutuhan, faktor 4 dinamakan
kepribadian, faktor 5 dinamakan faktor sikap, faktor 6 dinamakan sosial ekonomi, dan faktor 7 dinamakan faktor demografik.
Tabel 14 menjelaskan bentuk sederhana dari hasil analisis rotasi Lampiran 12. Dari Tabel 14 dapat dilihat faktor 1 ada 9 peubah yang
mempunyai korelasi kuat, faktor 2 mendapatkan 10 peubah, faktor 3 terdapat 4 peubah, lalu faktor 4 hanya dua peubah yang mempunyai korelasi kuat, faktor
5 terdapat tiga peubah, selanjutnya faktor 6 juga sama seperti faktor 4 hanya terdapat dua peubah yang mempunyai korelasi kuat dan terakhir faktor 7 hanya
mendapatkan satu peubah.
39
Dari hasil analisis total varian Lampiran 10, terlihat bahwa faktor 1 faktor psikologi atau faktor psikografik mempunyai nilai keragaman total
28,687 dan nilai eigen 8,893. Atas dasar ini, faktor paling utama jatuh pada faktor psikologi. Faktor paling kecil pengaruhnya adalah faktor 7 yaitu
demografik dengan nilai eigen 1,310 dengan total keragaman 4,226. Tabel 14. Bentuk sederhana faktor
Dari hasil analisis faktor dan regresi, maka implikasi managerial dapat diberikan pada aspek ekonomi dan lingkungan.
4.8. Analisis Trend