Analisis Artikel Bagian Maya (Metped)
Analisis Artikel Bagian Maya (Metped)
Variabel dalam penelitian ini terdiri dari Adopsi Pemasaran Digital (ADM), Persepsi
Kemudahan Penggunaan (PEoU), Persepsi Risiko (PR), Persepsi Kegunaan (PU), Pemasaran
Media Sosial (SMM), dan Kinerja Bisnis Pariwisata (TBP). Berikut adalah analisis rinci dari
masing-masing variabel:
1. Adoption of Digital Marketing (ADM):
Nilai faktor loading yang tinggi (antara 0.712 hingga 0.861) menunjukkan bahwa
item-item yang digunakan berhasil mengukur konstruk ADM dengan baik.
Cronbach's alpha (CA) yang tinggi (0.817) menunjukkan tingkat reliabilitas yang
baik, menunjukkan bahwa item-item yang digunakan konsisten mengukur konstruk
ADM.
Nilai rho_A yang tinggi (0.953) menunjukkan konsistensi internal yang tinggi.
Composite reliability (CR) yang tinggi (0.759) menunjukkan bahwa konstruk ADM
dapat diandalkan.
Average variance extracted (AVE) yang cukup tinggi (0.539) menunjukkan bahwa
variabilitas ADM dapat dijelaskan dengan baik oleh indikatornya.
2. Perceived Ease of Use (PEoU):
Nilai faktor loading yang tinggi (antara 0.768 hingga 0.882) menunjukkan
keberhasilan item-item dalam mengukur konstruk PEoU.
CA yang tinggi (0.793) menunjukkan reliabilitas yang baik.
Nilai rho_A yang tinggi (0.880) menunjukkan konsistensi internal yang baik.
CR yang tinggi (0.863) menunjukkan bahwa konstruk PEoU dapat diandalkan.
AVE yang cukup tinggi (0.557) menunjukkan bahwa variabilitas PEoU dapat
dijelaskan dengan baik oleh indikatornya.
3. Perceived Risk (PR):
Nilai faktor loading yang tinggi (antara 0.763 hingga 0.829) menunjukkan
keberhasilan item-item dalam mengukur konstruk PR.
CA yang tinggi (0.767) menunjukkan reliabilitas yang baik.
Nilai rho_A yang tinggi (0.851) menunjukkan konsistensi internal yang baik.
CR yang tinggi (0.891) menunjukkan bahwa konstruk PR dapat diandalkan.
AVE yang cukup tinggi (0.508) menunjukkan bahwa variabilitas PR dapat dijelaskan
dengan baik oleh indikatornya.
4. Perceived Usefulness (PU):
Nilai faktor loading yang tinggi (antara 0.732 hingga 0.857) menunjukkan
keberhasilan item-item dalam mengukur konstruk PU.
CA yang tinggi (0.853) menunjukkan reliabilitas yang baik.
Nilai rho_A yang tinggi (0.904) menunjukkan konsistensi internal yang baik.
CR yang tinggi (0.892) menunjukkan bahwa konstruk PU dapat diandalkan.
AVE yang cukup tinggi (0.539) menunjukkan bahwa variabilitas PU dapat dijelaskan
dengan baik oleh indikatornya.
5. Social Media Marketing (SMM):
Nilai faktor loading yang tinggi (antara 0.719 hingga 0.806) menunjukkan
keberhasilan item-item dalam mengukur konstruk SMM.
CA yang tinggi (0.836) menunjukkan reliabilitas yang baik.
Nilai rho_A yang tinggi (0.917) menunjukkan konsistensi internal yang baik.
Meskipun CR cukup tinggi (0.747), nilai ini sedikit di bawah ambang batas yang
diinginkan.
AVE yang cukup tinggi (0.557) menunjukkan bahwa variabilitas SMM dapat
dijelaskan dengan baik oleh indikatornya.
6. Tourism Business Performance (TBP):
Nilai faktor loading yang tinggi (antara 0.736 hingga 0.885) menunjukkan
keberhasilan item-item dalam mengukur konstruk TBP.
CA yang tinggi (0.775) menunjukkan reliabilitas yang baik.
Nilai rho_A yang tinggi (0.869) menunjukkan konsistensi internal yang baik.
CR yang tinggi (0.852) menunjukkan bahwa konstruk TBP dapat diandalkan.
AVE yang cukup tinggi (0.533) menunjukkan bahwa variabilitas TBP dapat
dijelaskan dengan baik oleh indikatornya.
Alasan untuk reliabilitas yang baik, konsistensi internal yang tinggi, dan validitas
konstruk yang memadai adalah karena proses pengukuran yang cermat, termasuk penggunaan
item yang relevan dan penyebaran alat ukur yang sesuai. Ini menegaskan bahwa instrumen
penelitian ini efektif dalam mengukur konstruk yang dituju dengan baik.
Kesimpulan
Studi ini dilakukan untuk mengeksplorasi hubungan antara mempromosikan bisnis
pariwisata melalui adopsi pemasaran digital. Namun, studi ini bertujuan untuk mengetahui
dampak alat pemasaran digital, yaitu PU, PEoU, media sosial, dan PR terhadap kinerja bisnis
pariwisata serta korelasi antara pemasaran digital dan kinerja bisnis juga. Studi ini
memberikan beberapa wawasan penting dari temuannya. Studi ini memberikan indikasi
bahwa PU, PEoU, media sosial, dan PR berdampak pada kinerja bisnis pariwisata di mana
temuan ini juga didukung oleh Adrian et al. (2005) dan Lee (2009). Aspek promosi bisnis
pariwisata melalui pemasaran digital termasuk SMM, pemasaran seluler, dan pemasaran
konten semakin populer dari hari ke hari (Deb et al., 2022; Obermayer et al., 2022).
Implikasi: Hasil dari studi ini akan memengaruhi operator bisnis pariwisata untuk
memahami potensi alat pemasaran digital. Meskipun ada beberapa kekurangan dan risiko
yang terkait dengan adopsi pemasaran digital, ini akan memberikan manfaat bagi pengguna
dalam jangka panjang. Keunggulan kompetitif pemasaran digital jauh lebih tinggi daripada
pemasaran tradisional, yang lebih hemat biaya dan mudah untuk melibatkan pelanggan (Bala
dan Verma, 2018; Dolega et al., 2021). Di saat krisis, pemasaran digital adalah cara yang
paling efektif untuk berkomunikasi dengan pelanggan dan menciptakan keterlibatan. Secara
bersamaan, bisnis pariwisata dapat menggunakan metode pemasaran digital dalam mereka.
TAMBAHAN
Average Variance Extracted (AVE) adalah ukuran yang digunakan untuk
mengevaluasi seberapa baik indikator dalam suatu konstruk dapat menjelaskan variansnya
sendiri dalam model. Penjelasan mengapa AVE dibahas dalam analisis struktural adalah
sebagai berikut:
1. Mengukur Konsistensi Konstruk: AVE membantu dalam mengevaluasi seberapa baik
indikator dalam suatu konstruk konsisten dalam mengukur konsep yang sama. Nilai
AVE yang tinggi menunjukkan bahwa sebagian besar varians dari indikator dapat
dijelaskan oleh konstruk tersebut, sehingga memberikan kepercayaan bahwa konstruk
tersebut secara konsisten direpresentasikan oleh indikator-indikatornya.
2. Validitas Konstruk: Nilai AVE yang tinggi juga menunjukkan validitas konstruk yang
baik, karena konstruk yang valid harus mampu menjelaskan sebagian besar varians dari
indikator yang digunakan untuk mengukurnya. Dengan kata lain, AVE membantu
memastikan bahwa konstruk yang diamati secara empiris sesuai dengan konstruk
teoritis yang dimaksud.
3. Pemilihan Variabel: Analisis AVE juga dapat membantu dalam pemilihan variabel
untuk dipertahankan atau dihapus dari model. Variabel dengan nilai AVE rendah
mungkin tidak cukup signifikan dalam menjelaskan konstruk yang diamati dan
mungkin perlu direvisi atau dihapus dari model.
Oleh karena itu, pembahasan mengenai AVE penting dalam analisis struktural karena
memberikan pemahaman tentang seberapa baik konstruk yang diamati direpresentasikan oleh
indikator-indikatornya dan seberapa baik konstruk tersebut dapat menjelaskan varians dalam
model.
Konstruk dalam konteks analisis struktural merujuk pada konsep atau gagasan yang
ingin diamati atau diukur dalam sebuah penelitian. Konstruk dapat berupa variabel laten
(yang tidak teramati langsung) atau variabel teramati (yang dapat diukur langsung). Dalam
konteks pengukuran, konstruk adalah inti dari apa yang sedang diamati atau diukur.
Analisis ini adalah bagian dari sebuah studi yang mengeksplorasi hubungan antara
variabel-variabel tertentu dalam konteks pengadopsian pemasaran digital dalam bisnis
pariwisata. Berikut adalah penjelasan rinci tentang hasil studi tersebut:
Reliabilitas konstruk diukur dengan menggunakan koefisien alpha Cronbach, yang
merupakan statistik yang mengukur konsistensi internal dari kumpulan item yang digunakan
untuk mengukur konstruk tertentu. Skala pengukuran reliabilitas adalah sebagai berikut:
Sangat Rendah: Kurang dari 0,50
Rendah: Antara 0,50 dan 0,60
Cukup: Antara 0,60 dan 0,70
Tinggi: Antara 0,70 dan 0,80
Sangat Tinggi: Lebih dari 0,80
Sebagai aturan umum, nilai reliabilitas sekitar 0,70 atau lebih dianggap memadai untuk
penelitian ilmiah. Namun, ini juga dapat bervariasi tergantung pada konteks dan tujuan
penelitian. Semakin tinggi nilai koefisien alpha, semakin konsisten indikator-indikatornya
dalam mengukur konstruk yang sama.
Kampanye pemasaran dan membangun hubungan yang berkelanjutan antara TBP dan
e-Word of Mouth (e-WOM), yang mirip dengan temuan Popy dan Bappy (2022).
Studi ini akan membantu pemilik bisnis kecil untuk mengadopsi pemasaran digital.
Hasan (2021) menemukan bahwa lebih dari 63% pelanggan terbiasa berbelanja online, dan
lebih dari 13% pelanggan baru ditambahkan sebagai pembeli pertama kali selama pandemi
COVID-19 di Bangladesh (Albattat dkk., 2020; Chemli dkk., 2020; Toanoglou dkk., 2022).
Selain itu, menggunakan teknologi baru seperti e-booking, e-payment, dan e-advertisement
dapat meningkatkan pertumbuhan bisnis. Bisnis dapat menggunakan teknologi seperti realitas
virtual untuk memberikan wawasan canggih kepada pelanggan tentang layanan dan produk.
Hal ini akan membantu menciptakan kesadaran dan membuat kegiatan promosi menjadi lebih
mudah (Stoklosa dkk., 2019). Namun, adopsi teknologi selalu terkait dengan risiko tertentu
yang sebagian besar terkait dengan keamanan informasi pribadi dan keuangan. Oleh karena
itu, sistem keamanan yang kuat harus dipastikan untuk mengadopsi kegiatan pemasaran
digital.
TAMBAHAN INFO
Hasil ini memberikan wawasan yang berguna tentang faktor-faktor yang
memengaruhi pengadopsian pemasaran digital dalam bisnis pariwisata dan bagaimana
pengadopsian tersebut mempengaruhi kinerja bisnis.
1. PEOU (Perceived Ease of Use): Ini adalah konstruk yang mengukur persepsi tentang
seberapa mudah suatu teknologi atau sistem dapat digunakan oleh pengguna.
2. SMM (Social Media Marketing): Ini adalah konstruk yang mengukur penggunaan
pemasaran melalui media sosial.
3. PU (Perceived Usefulness): Ini adalah konstruk yang mengukur persepsi tentang
seberapa berguna suatu teknologi atau sistem bagi pengguna.
4. PR (Perceived Risk): Ini adalah konstruk yang mengukur persepsi tentang risiko
yang terkait dengan penggunaan suatu teknologi atau sistem.
5. ADM (Adoption of Digital Marketing): Ini adalah konstruk yang mengukur tingkat
adopsi atau penerimaan terhadap pemasaran digital.
6. TBP (Tourism Business Performance): Ini adalah konstruk yang mengukur kinerja
bisnis pariwisata.
Selanjutnya, kita juga melihat beberapa istilah statistik yang muncul dalam teks:
Path Coefficient: Ini adalah koefisien jalur yang menunjukkan kekuatan dan arah
hubungan antara dua variabel dalam model. Koefisien jalur mengukur seberapa besar
perubahan dalam variabel dependen yang diharapkan terjadi ketika variabel
independen mengalami perubahan satu satuan.
T Value: Ini adalah statistik uji yang mengukur seberapa signifikan koefisien jalur
tersebut dalam model. Nilai T yang lebih tinggi menunjukkan bahwa koefisien jalur
tersebut lebih signifikan secara statistik.
P Value: Ini adalah nilai probabilitas yang menunjukkan seberapa signifikan hasil uji
statistik. Nilai P yang lebih kecil dari tingkat signifikansi yang ditetapkan (biasanya
0,05) menunjukkan bahwa koefisien jalur tersebut signifikan secara statistik.