BAB 4 ANALISIS DAN BAHASAN Pada bab ini akan disajikan hasil penelitian dan pembahasan dengan metode Partial Least Square (PLS). Metode ini digunakan untuk mengetahui pengaruh variabel jumlah kamar, jumlah tempat tidur, umur hotel, tarif minimal, tarif maksimal, jumlah tenaga kerja dan jumlah fasilitas hotel terhadap jumlah tamu hotel dan besar pengaruh masing-masing variabel tersebut terhadap jumlah tamu hotel di propinsi Sulawesi Tenggara (Sultra). 4.1.
ANALISIS DATA DAN BAHASAN Sebelum dilakukan analisis data, terlebih dahulu akan disajikan gambaran
keadaan perhotelan di propinsi Sultra.
Jumlah Hotel 300 250 200 150
Jumlah Hotel
100 50 0 2005
2006
2007
2008
2009
2010
Gambar 4.1 Jumlah Hotel Tahun 2005-2010 Berdasarkan Gambar 4.1 dapat disimpulkan bahwa terdapat kenaikan jumlah hotel tiap tahun. Kenaikan jumlah hotel menimbulkan persaingan di antara hote
60
61
l karena calon tamu hotel memiliki banyak pilihan sehingga pihak hotel perlu mengetahui variabel yang menjadi pertimbangan dalam memilih hotel. Dengan mengetahui variabel yang menjadi pertimbangan dalam memilih hotel, pihak hotel dapat memutuskan variabel yang menjadi prioritas untuk dikembangkan sehingga dapat meningkatkan jumlah tamu hotel.
Gambar 4.2 Jumlah Hotel per Kabupaten/ Kota Pada Gambar 4.2 terdapat diagram yang menggambarkan jumlah hotel di tiap kabupaten/kota. Pada gambar tersebut diketahui bahwa kota Kendari memiliki jumlah hotel paling banyak sedangkan kabupaten Konawe Utara memiliki jumlah hotel paling sedikit. Hal ini cukup beralasan karena kota Kendari merupakan ibukota propinsi dan kabupaten Konawe Utara merupakan kabupaten baru hasil pemekaran yang dibentuk pada tahun 2007 sehingga masih dalam tahap pembangunan infrastruktur dan fasilitas, termasuk sektor perhotelan.
62
Rata-rata Jumlah Tamu Kota Bau-Bau Kota Kendari Kabupaten Konawe Utara Kabupaten Buton Utara Kabupaten Kolaka Utara Kabupaten Wakatobi Rata-rata Jumlah Tamu
Kabupaten Bombana Kabupaten Konawe Selatan Kabupaten Kolaka Kabupaten Konawe Kabupaten Muna Kabupaten Buton 0
500
1000 1500 2000
Gambar 4.3 Rata-rata Jumlah Tamu Hotel per Kabupaten/ Kota Pada Gambar 4.3 terdapat diagram mengenai rata-rata jumlah tamu masingmasing hotel di tiap kabupaten/kota pada tahun 2010. Diketahui bahwa hotel-hotel di kota Kendari memiliki rata-rata jumlah tamu paling banyak dimana hal ini dapat dimaklumi karena kota Kendari merupakan ibukota propinsi dan juga memiliki pusat transportasi berupa pelabuhan. Setelah kota Kendari, kabupaten Konawe Selatan juga memiliki rata-rata jumlah tamu hotel terbanyak. Hal ini disebabkan adanya bandar udara Haluleo yang berada di wilayah kabupaten Konawe Selatan.
63
Rata-rata Jumlah Kamar Hotel Kota Bau-Bau Kota Kendari Kabupaten Konawe Utara Kabupaten Buton Utara Kabupaten Kolaka Utara Kabupaten Wakatobi Rata-rata Jumlah Kamar Hotel
Kabupaten Bombana Kabupaten Konawe Selatan Kabupaten Kolaka Kabupaten Konawe Kabupaten Muna Kabupaten Buton 0
5
10
15
20
Gambar 4.4 Rata-rata Jumlah Kamar Hotel per Kabupaten/ Kota
Pada Gambar 4.4 terdapat diagram mengenai rata-rata jumlah kamar masingmasing hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar tersebut diketahui bahwa hotel-hotel di kota Kendari memiliki jumlah kamar paling banyak karena kota Kendari juga memiliki jumlah hotel dan jumlah tamu hotel terbanyak. Setelah kota Kendari, kota Bau-Bau juga memiliki rata-rata jumlah kamar hotel terbanyak. Hal ini disebabkan jumlah hotel di kota tersebut yang juga terbanyak setelah kota Kendari.
64
Rata-rata Jumlah Tempat Tidur Kota Bau-Bau Kota Kendari Kabupaten Konawe Utara Kabupaten Buton Utara Kabupaten Kolaka Utara Kabupaten Wakatobi Kabupaten Bombana Kabupaten Konawe… Kabupaten Kolaka Kabupaten Konawe Kabupaten Muna Kabupaten Buton
Rata-rata Jumlah Tempat Tidur
0
5
10
15
20
25
Gambar 4.5 Rata-Rata Jumlah Tempat Tidur Hotel per Kabupaten/ Kota Pada Gambar 4.5 terdapat diagram mengenai rata-rata jumlah tempat tidur masing-masing hotel per kabupaten/ kota pada tahun 2010. Dari gambar tersebut, dapat diketahui bahwa hotel-hotel di kota Kendari memiliki jumlah tempat tidur paling banyak. Hal ini cukup beralasan karena jumlah hotel dan tamu hotel di kota Kendari adalah yang paling banyak sehingga dibutuhkan banyak tempat tidur. Sedangkan hotel-hotel di kabupaten Konawe memiliki jumlah tempat tidur terbanyak kedua setelah kota Kendari, hal ini karena jumlah hotel yang sedikit namun tiap hotel memiliki banyak jumlah kamar hotel, yaitu tiap hotel rata-rata memiliki 12 kamar sehingga dibutuhkan banyak tempat tidur.
65
Rata-rata Umur Hotel Kota Bau-Bau Kota Kendari Kabupaten Konawe… Kabupaten Buton Utara Kabupaten Kolaka Utara Kabupaten Wakatobi Rata-rata Umur Hotel
Kabupaten Bombana Kabupaten Konawe… Kabupaten Kolaka Kabupaten Konawe Kabupaten Muna Kabupaten Buton 0
5
10
15
20
Gambar 4.6 Rata-Rata Umur Hotel per Kabupaten/ Kota Pada Gambar 4.6 terdapat diagram mengenai rata-rata umur masing-masing hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar tersebut diketahui bahwa hotel-hotel di kabupaten Muna memiliki umur paling tua. Sedangkan hotelhotel di kabupaten Konawe Utara memiliki umur paling muda. Hal ini karena kabupaten Konawe Utara merupakan kabupaten baru hasil pemekaran yang dibentuk pada tahun 2006 sehingga perkembangan infrastruktur perhotelan masih terhitung baru dilakukan.
66
Kota Bau-Bau Kota Kendari Kabupaten Konawe Utara Kabupaten Buton Utara Kabupaten Kolaka Utara Kabupaten Wakatobi
Rata-rata Tarif Maksimal
Kabupaten Bombana
Rata-Rata Tarif Minimal
Kabupaten Konawe… Kabupaten Kolaka Kabupaten Konawe Kabupaten Muna Kabupaten Buton 0
100
200
300
Gambar 4.7 Rata-Rata Tarif Maksimal dan Minimal Hotel per Kabupaten/ Kota Pada Gambar 4.7 terdapat diagram mengenai rata-rata tarif maksimal dan minimal masing-masing hotel per kabupaten/ kota pada tahun 2010. Dari gambar tersebut diketahui bahwa hotel-hotel di kota Kendari memiliki tarif maksimal dan tarif minimal paling tinggi, hal ini disebabkan karena kota Kendari merupakan ibukota propinsi yang memiliki lokasi yang strategis serta banyaknya akses fasilitas hotel. Setelah kota Kendari, kabupaten Wakatobi memiliki hotel-hotel
dengan
maksimal tertinggi, hal yang cukup beralasan karena kabupaten Wakatobi memiliki objek wisata alam Taman Nasional Wakatobi yang menarik banyak wisatawan asing untuk berkunjung ke kabupaten tersebut sehingga pihak hotel menetapkan tarif maksimal yang cukup tinggi.
67
Rata-rata Jumlah Tenaga Kerja Hotel Kota Bau-Bau Kota Kendari Kabupaten Konawe Utara Kabupaten Buton Utara Kabupaten Kolaka Utara Kabupaten Wakatobi Kabupaten Bombana Kabupaten Konawe… Kabupaten Kolaka Kabupaten Konawe Kabupaten Muna Kabupaten Buton
Rata-rata Jumlah Tenaga Kerja Hotel
0
10
20
Gambar 4.8 Rata-rata Jumlah Tenaga Kerja Hotel per Kabupaten/ Kota Pada Gambar 4.8 terdapat diagram mengenai rata-rata jumlah tenaga kerja masing-masing hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar tersebut diambil kesimpulan bahwa hotel-hotel di kota Kendari memiliki jumlah tenaga kerja paling banyak. Hal ini cukup beralasan karena kota Kendari memiliki jumlah hotel dan jumlah tamu terbanyak dan juga tarif tinggi yang mengharuskan pihak hotel memberikan layanan yang baik kepada tamu hotelnya.
Selain kota
Kendari, hotel-hotel di kota Bau-Bau juga memiliki jumlah tenaga kerja terbanyak. Hal ini disebabkan oleh tingginya jumlah hotel dan jumlah tamu per hotel sehingga dibutuhkan banyak tenaga kerja.
68
Rata-rata Jumlah Fasilitas Hotel Kota Bau-Bau Kota Kendari Kabupaten Konawe Utara Kabupaten Buton Utara Kabupaten Kolaka Utara Kabupaten Wakatobi Rata-rata Jumlah Fasilitas Hotel
Kabupaten Bombana Kabupaten Konawe… Kabupaten Kolaka Kabupaten Konawe Kabupaten Muna Kabupaten Buton 0
1
2
3
4
Gambar 4.9 Rata-rata Jumlah Fasilitas Hotel per Kabupaten/ Kota Pada Gambar 4.9 terdapat diagram mengenai rata-rata jumlah fasilitas masing-masing hotel per kabupaten/ kota pada tahun 2010. Berdasarkan gambar tersebut diketahui bahwa hotel-hotel di kota Kendari memiliki jumlah fasilitas hotel paling banyak diantara kabupaten/kota lainnya, hal ini cukup beralasan karena kota Kendari merupakan ibukota propinsi yang memiliki banyak infrastruktur penunjang seperti tempat rekreasi, pusat transportasi, dan lain-lain. Juga karena tingginya tarif dan ketatnya persaingan antar hotel di kota Kendari sehingga mengharuskan pihak hotel untuk memberikan fasilitas yang baik dan memadai bagi tamu hotelnya. Selain kota Kendari, hotel-hotel di kabupaten Wakatobi juga memiliki jumlah fasilitas terbanyak.
69
4.1.1. REGRESI GANDA Dilakukan pemodelan menggunakan metode regresi ganda menggunakan persamaan (2.7) untuk memperoleh nilai dugaan koefisien regresi. Hasil pemodelan regresi dapat dilihat pada Tabel 4.1. Dari hasil pemodelan tersebut diperoleh nilai dugaan koefisien regresi dari tujuh variabel independen tersebut terhadap . Tabel 4.1 Hasil Regresi untuk Data Hotel di Propinsi Sultra Variabel
Konstanta Jumlah Kamar Jumlah Tempat Tidur Umur Hotel Tarif Minimal Tarif Maksimal Jumlah Tenaga Kerja Jumlah Fasilitas
Koefisien
Standard Error Coefficient
-63.346
190.460
-0.332
109.421
22.173
4.935
-51.086
12.597
-4.055
22.568
9.638
2.342
-2.879
2.035
-1.415
1.537
0.786
1.957
84.209
15.622
5.390
29.975
42.224
0.710
1.645
Dari Tabel 4.1 diketahui bahwa hanya variabel jumlah kamar, jumlah tempat tidur, umur hotel, tarif maksimal, dan jumlah tenaga kerja, yang memiliki pengaruh signifikan terhadap jumlah tamu. Hal ini dapat dibuktikan dari nilai
yang
70
lebih besar dari
1.645. Dari Tabel 4.1 diketahui juga nilai
yang berarti variabel-variabel independen dalam model tersebut mampu menjelaskan sebesar 57.582%. Dengan menggunakan 5 variabel yang signifikan akan diperoleh model regresi dugaan seperti yang terdapat pada persamaan 4.1. Hasil lengkapnya dapat dilihat pada Lampiran 6. Dari persamaan tersebut, diketahui bahwa jumlah tamu mendapatkan pengaruh positif dari jumlah kamar, umur hotel, tarif maksimal dan jumlah tenaga kerja dan jumlah tamu mendapatkan pengaruh negatif dari jumlah tempat tidur.
(4.1) Ada hal yang cukup menarik perhatian dari persamaan 4.1. Hal tersebut adalah pengaruh negatif dari jumlah tempat tidur. Nilai dugaan koefisien regresi sebesar -47.953 berarti untuk setiap penambahan 1 tempat tidur maka rata-rata jumlah tamu akan berkurang sebesar 47.953 orang. Hal ini tidak sesuai dengan pertimbangan penulis. Misalkan tanda yang diperoleh adalah positif dengan nilai 47.953. Hal ini akan menunjukkan bahwa untuk setiap penambahan 1 tempat tidur maka rata-rata jumlah tamu akan naik sebesar 47.953. Meskipun pengaruhnya masih harus diuji akan tetapi tanda positif akan lebih masuk akal dibandingkan tanda negatif. Adanya ketidaksesuaian antara apa yang diharapkan dengan apa yang diperoleh membawa suatu dugaan bahwa telah terjadi multikolinear. Hal ini sesuai dengan poin 2 dan 3 yang dikemukakan oleh Aczel (dapat dilihat pada Bab 2).
71
Selain itu dapat juga ditunjukkan mengenai ketidakkonsistenan nilai dugaan koefisien regresi. Perhatikan Tabel 4.2. Pada tabel tersebut terdapat model regresi dugaan dengan menggunakan 3 dan 5 variabel bebas. Hasil yang diperoleh berbeda dalam hal nilai dugaan koefisien regresinya. Contohnya, nilai dugaan koefisien jumlah kamar pada regresi ganda menggunakan 3 variabel bebas adalah 166.420, sedangkan menggunakan 5 variabel bebas nilainya adalah 147.186. Begitu juga dengan nilai dugaan koefisien umur hotel menggunakan 3 variabel bebas yaitu 12.181, sedangkan menggunakan 5 variabel bebas nilainya adalah 18.696. Uraian ini menunjukkan adanya perubahan yang terjadi pada nilai dugaan koefisien regresi ketika dilakukan pemodelan dengan menggunakan jumlah variabel bebas yang berbeda. Atau hal ini sesuai dengan poin 4 yang dikemukakan oleh Aczel. Tabel 4.2 Hasil Regresi dengan 3 dan 5 Variabel Independen Model dengan 3 variabel independen Variabel Koefisien Konstanta Jumlah Kamar Jumlah Tempat Tidur Umur Hotel
-387.317 166.420 -35.420 12.181
Model dengan 5 variabel independen Variabel Koefisien Konstanta Jumlah Kamar Jumlah Tempat Tidur Umur Hotel
Tarif Minimal
Tarif Minimal
Tarif Maksimal
Tarif Maksimal
Jumlah Tenaga Kerja
Jumlah Tenaga Kerja
Jumlah Fasilitas
Jumlah Fasilitas
-410.925 147.186 -38.629 18.696 -0.544 1.839
72
Informasi tentang adanya multikolinear pada data juga bisa diperoleh dengan cara melihat koefisien korelasi antar variabel pada data. Pada Gambar 4.10 dapat dilihat matriks korelasi antar variabel pada data hotel. Pada gambar tersebut diketahui terdapat beberapa variabel yang memiliki nilai koefisien korelasi diatas 0.7, contohnya variabel
dan
yang memiliki nilai koefisien korelasi sebesar
0.939. Hal ini berarti variabel bila nilai
naik maka nilai
koefisien korelasi variabel
dan
memiliki korelasi kuat dan positif, yaitu
juga akan naik. Hal serupa dapat dilihat pada nilai dan
nilai koefisien korelasi variabel
, nilai koefisien korelasi variabel dan
dan
dan
. Dari uraian diatas dapat disimpulkan
1.000 0.939
1.000
-0.041
0.016
1.000
bahwa terdapat hubungan antar variabel bebas di dalam data, dimana hal ini dapat menjadi indikasi adanya multikolinear.
73
0.602
0.537
-0.214
1.000
0.761
0.722
-0.177
0.825
1.000
0.859
0.832
-0.099
0.646
0.749
1.000
0.689
0.637
-0.087
0.629
0.670
0.612
Gambar 4.10 1.000
Matriks
Korelasi Variabel Pada Data Hotel Selain
Variabel
VIF
korelasi, cara lain
melihat
matriks
untuk mendeteksi 11.302
ada atau tidaknya
multikolinear 9.221
pada data adalah
dengan
nilai VIF. Bila
terdapat nilai VIF
yang lebih besar
dari 10, maka hal
tersebut
dapat
dijadikan indikasi
terjadi
kasus
telah
melihat
multikolinear. Nilai VIF dari pemodelan dengan metode regresi ganda dapat dilihat pada Tabel 4.3. Pada Tabel 4.3 dapat dilihat bahwa variabel
memiliki nilai VIF yang lebih
besar dari 10, yaitu 11.302. Ini berarti adanya ketergantungan variabel independen lainnya terhadap variabel
. Hal tersebut menjadi indikasi kuat adanya
multikolinear pada data. Tabel 4.3 Nilai VIF Hasil Pemodelan Menggunakan Metode Regresi
74
1.101 3.583 4.978 4.470 2.233
Berdasarkan uraian diatas dapat disimpulkan telah terjadi multikolinear pada data hotel, sehingga selanjutnya variabel-variabel penelitian akan dimodelkan dengan menggunakan metode PLS. 4.1.2 REGRESI PLS Sebelum dianalisis, data variabel
dan
ditransformasi menggunakan
transformasi korelasi terlebih dahulu. Data hasil transformasi korelasi dapat dilihat pada Lampiran 1. Selanjutnya
variabel-variabel
yang
telah
ditransformasikan
tersebut
dimodelkan menggunakan persamaan (2.22) dan persamaan (2.23). Langkah-langkah pembentukan komponen utama dalam regresi PLS didasarkan pada algoritma PLS yang diberikan dalam Bab 2. Hasil komponen yang dibentuk dan pembobot (weights dapat dilihat pada Lampiran 3- Lampiran 5. Setelah skor-skor komponen utama didapat, maka skor-skor komponen utama tersebut diregresikan terhadap variabel dependen
untuk kemudian dihitung nilai
75
PRESS masing-masing modelnya. Nilai PRESS didapat dengan menggunakan persamaan (2.27). Model dengan nilai PRESS terkecil mengindikasikan kecilnya error pendugaan dalam model dan menentukan jumlah komponen utama yang akan digunakan dalam model. Skor komponen utama tersebut lalu digunakan untuk menduga koefisien regresi PLS menggunakan persamaan (2.19). Nilai PRESS serta nilai keragaman variabel
yang mampu diterangkan oleh skor komponennya
dicantumkan pada Tabel 4.4. Tabel 4.4 Jumlah Komponen Utama Hasil Metode PLS Serta Persentase Keragaman Variabel
Jumlah Komponen Utama 1 2 3 4 5 6 7
Ragam
PRESS
65.60%
0.562
79.14%
0.579
85.61%
0.606
90.72%
0.603
94.18%
0.591
98.06%
0.586
100%
0.583
Pada Tabel 4.4 dapat dilihat bahwa dari hasil algoritma PLS yang digunakan, didapat 7 komponen utama. Dari hasil regresi skor-skor komponen tersebut terhadap variabel
didapat nilai PRESS yang merepresentasikan ragam variabel
.
Berdasarkan nilai PRESS terkecil (0.562) dipilih satu komponen yang mampu menjelaskan 65.60% dari keragaman total. Kemudian matriks pembobot W, pembobot X dan pembobot Y dari satu komponen tersebut digunakan untuk
76
menduga nilai koefisien regresi menggunakan persamaan (2.19). Hasil pendugaan fungsi regresi dengan metode PLS menggunakan satu komponen dicantumkan pada Tabel 4.5. Tabel 4.5 Pendugaan Fungsi Regresi PLS Menggunakan Satu Komponen Variabel
Konstanta Jumlah Kamar Jumlah Tempat Tidur Umur Hotel Tarif Minimal Tarif Maksimal Jumlah Tenaga Kerja Jumlah Fasilitas
Coefficient
Standard Error Coefficient
-205.039
207.129
-0.990
24.881
24.114
1.032
13.828
13.700
1.009
0.311
10.481
0.030
2.790
2.213
1.261
1.139
0.854
1.333
28.183
16.990
1.659
78.554
45.919
1.711
1.645
Berdasarkan hasil pemodelan di atas dapat disimpulkan bahwa jumlah tenaga kerja dan jumlah fasilitas memiliki pengaruh yang terhadap jumlah tamu hotel di propinsi Sultra. Jumlah tamu mendapatkan pengaruh positif dari jumlah tenaga kerja dan jumlah fasilitas. Variabel jumlah fasilitas merupakan variabel yang paling berpengaruh terhadap jumlah tamu hotel dengan nilai koefisien 78.554, hal ini berarti setiap penambahan 1 fasilitas maka diduga akan menambah jumlah tamu sebanyak 78.554 atau 79 orang. Variabel jumlah tenaga kerja adalah variabel paling
77
berpengaruh kedua setelah jumlah fasilitas dengan nilai koefisien 28.183, artinya setiap
penambahan Variabel
tenaga tamu
kerja
1
VIF maka
jumlah
diduga
bertambah
sebanyak 28.183
atau 29 orang.
Selain
diperoleh
itu,
juga
nilai yang berarti variabel-variabel independen dalam model tersebut mampu menjelaskan sebesar 49.634%. Dari uraian diatas dapat diambil kesimpulan bahwa calon tamu hotel yang akan menginap cenderung memilih hotel yang memiliki banyak fasilitas dan banyak tenaga kerja. Setelah itu dilakukan uji nilai VIF untuk hasil pemodelan yang menggunakan regresi PLS. Nilai VIF hasil pemodelan menggunakan regresi PLS dapat dilihat pada Tabel 4.6. Dari tabel tersebut dapat dilihat bahwa tidak terdapat nilai VIF yang lebih besar dari 10, sehingga dapat disimpulkan bahwa model yang terbentuk sudah bebas dari multikolinear.
Tabel 4.6 Nilai VIF Hasil Pemodelan Menggunakan Metode PLS
78
0.006 0.010 0.008 0.038 0.159 0.007 0.002
4.1.3 PEMBAHASAN Berdasarkan hasil analisis menggunakan regresi ganda diperoleh 5 variabel yang berpengaruh terhadap jumlah tamu hotel. Namun ditemukan hal yang menarik perhatian, yaitu variabel jumlah kamar yang memiliki pengaruh negatif. Hal ini tidak sesuai dengan pertimbangan penulis. Adanya ketidaksesuaian antara apa yang diharapkan dengan apa yang diperoleh membawa suatu dugaan bahwa telah terjadi multikolinear. Pada latar belakang telah dikemukakan mengenai dugaan adanya korelasi antara variabel independen. Hal ini terbukti, karena setelah dilakukan analisis matriks korelasi ditemukan adanya beberapa variabel independen yang saling berkorelasi. Contohnya, variabel jumlah kamar dan tempat tidur yang memiliki nilai koefisien korelasi 0.939. Hal ini berarti semakin banyak jumlah kamar maka jumlah tempat tidur juga akan bertambah banyak. Begitu juga setelah dilakukan analisis nilai VIF, diperoleh nilai VIF yang lebih besar dari 10 sehingga selanjutnya data dianalisis menggunakan regresi PLS.
79
Dari hasil analisis menggunakan regresi PLS diperoleh 2 variabel yang berpengaruh terhadap jumlah tamu hotel, yaitu variabel jumlah tenaga kerja dan jumlah fasilitas. Kedua variabel tersebut menunjukkan hubungan positif terhadap jumlah tamu hotel. Setiap penambahan 1 tenaga kerja maka jumlah tamu diduga bertambah sebanyak rata-rata 28.183 atau 29 orang. Sedangkan setiap penambahan 1 fasilitas maka jumlah tamu diduga akan bertambah sebanyak rata-rata 78.554 atau 79 orang. Namun dilihat dari nilai
49.634%, maka diduga jumlah tamu hotel
masih dipengaruhi oleh variabel lain. Pada tahun 2011, Mandasari melakukan penelitian yang serupa dengan wilayah penelitian di Semarang. Dengan menggunakan metode regresi ganda, diperoleh hasil bahwa lokasi, fasilitas, persepsi tarif dan kualitas pelayanan mempengaruhi minat konsumen untuk menggunakan jasa perhotelan. Jika dilakukan perbandingan antara penelitian ini dengan penelitian yang dilakukan oleh Mandasari, maka terdapat perbedaan dalam hal variabel. Dari variabel yang digunakan dalam penelitian ini masih memungkinkan untuk ditambahkan variabel lain, misalnya variabel-variabel yang digunakan oleh Mandasari. Mungkin saja nilai
akan meningkat jika
dilakukan penggabungan variabel. Seperti yang telah dijelaskan, diketahui populasi penelitian yang digunakan adalah hotel-hotel yang tedapat di propinsi Sultra. Secara umum model PLS yang diperoleh dalam penelitian ini dianggap sebagai model yang telah menggambarkan keadaan perhotelan di propinsi tersebut. Jika dilihat pada Gambar 4.2, diketahui sekitar 35% adalah hotel yang terdapat di wilayah Kendari. Hal ini berarti kontribusi dari hotel-hotel yang ada di Kendari lebih banyak dibandingkan wilayah lain, misalnya Konawe Utara. Oleh karena itu perlu dilakukan penelitian per wilayah
80
dengan harapan model yang diperoleh lebih dapat menggambarkan situasi perhotelan di masing-masing wilayah tersebut. Meskipun model yang diperoleh dalam penelitian ini masih ada kekurangan dalam hal nilai
, akan tetapi ada nilai positif yang diperoleh. Nilai positif yang
dimaksud adalah dihasilkannya model yang telah bebas dari pengaruh multikolinear. Hal ini penting sebab akan berhubungan dengan pengambilan keputusan khususnya bagi pemilik hotel.
4.2.
PROGRAM APLIKASI Hasil perancangan layar disajikan dalam Gambar 4.11–Gambar 4.18.
Gambar 4.11 Layar Tampilan Awal Gambar 4.11 adalah gambar awal program dijalankan. Fungsi tombol Browse adalah untuk memilih file yang akan digunakan untuk proses perhitungan dan menampilkannya pada tabel.
81
Setelah memilih file, maka tombol Submit menjadi aktif. Tombol submit berfungsi untuk menyiapkan data yang akan di analisis. Gambar 4.12 adalah gambar dimana setelah tombol submit diklik. Ketika tombol submit diklik maka pilihan method dan corellation serta tombol start analysis menjadi aktif.
Gambar 4.12 Layar Tampilan Pilihan Method dan Corellation Lalu user memilih metode yang ingin digunakan. Dapat dilihat pada Gambar 4.13 bila user memilih ‘regresi’ dan mengklik tombol start analysis, maka user akan diarahkan ke halaman select variables untuk memilih variabel apa saja yang ingin digunakan untuk analisis regresi ganda.
82
Gambar 4.13 Layar Tampilan Select Variables Gambar 4.14 memperlihatkan layar tampilan hasil analisis regresi ganda. Pada text area ditampilkan hasil analisis regresi ganda.
Gambar 4.14 Layar Tampilan Hasil Analisis Regresi Ganda Gambar 4.15 memperlihatkan layar tampilan hasil VIF regresi ganda beserta interpretasinya.
83
Gambar 4.15 Layar Tampilan VIF Regresi Ganda Lalu bila user memilih ‘corellation matrix’ dan mengklik tombol start analysis, maka akan ditampilkan output matriks korelasi.
Gambar 4.16
memperlihatkan layar tampilan hasil analisis matriks korelasi.
Gambar 4.16 Layar Tampilan Matriks Korelasi Bila user memilih ‘PLS’ dan mengklik tombol start analysis, maka akan ditampilkan output analisis regresi PLS. Gambar 4.17 dan Gambar 4.18 memperlihatkan layar tampilan hasil analisis regresi PLS dan hasil VIF regresi PLS.
84
Gambar 4.17 Layar Tampilan Hasil Analisis Regresi PLS
Gambar 4.18 Layar Tampilan VIF Regresi PLS
