Berdasarkan variabel-variabel yang telah dijelaskan sebelumnya maka teknik analisis data dalam penelitian ini adalah analisis cluster, yang digunakan untuk mengkombinasikan pengukuran secara keseluruhan kasus yang bertujuan untuk mengidentifikasi tipologi gaya hidup konsumen Discovery Shopping Mall. Perhitungan analisis cluster mempergunakan program komputer SPSS for Windows.
Menurut Malhotra (2010 : 320), analisis cluster dalam pemasaran dapat dipergunakan untuk berbagai tujuan, antara lain :
a. Segmentasi; misalnya mengelompokkan konsumen atas
dasar mencari keuntungan dalam pembelian sebuah produk.
b. Memahami tentang perilaku konsumen; analisis cluster dapat digunakan untuk mengidentifikasi grup-grup homogen dari pembeli. c. Mengidentifikasi peluang produk
baru; analisis cluster dapat menentukan penggolongan promosi dan produk, pesaing, dan pasar.
d. Pemilihan pasar uji; pengelompokan kota menjadi
cluster homogen, memungkinkan
untuk dapat diperbandingkan dalam memilih kota bagi uji variasi-variasi strategi pemasaran.
e. Mengurangi data; analisis cluster dapat digunakan sebagai alat pengurangan data secara umum,
untuk mengembangkan penggolongan atau sub-grup
sehingga data itu lebih dapat diatur daripada observasi secara individual.
Malhotra (2010 : 319) menguraikan bahwa, seperti halnya analisis faktor, dalam analisis cluster dilakukan pengujian terhadap hubungan
interindependen dari serangkaian
variabel. Dalam analisis cluster tidak dibedakan antara variabel dependen dan variabel independen. Tujuan utama dari analisis cluster adalah untuk mengelompokkan obyek berdasarkan variabel atau kriteria yang dipertimbangkan. Obyek dalam satu
cluster memiliki penilaian yang relatif
homogen terhadap suatu variabel/pernyataan, dan penilaian ini benar-benar berbeda dengan penilaian obyek yang ada di cluster lainnya.
Analisis cluster digunakan mengingat analisis ini merupakan suatu
prosedur multivariate untuk
mengelompokkan individu-individu ke dalam cluster-clustrer berdasarkan karakteristik-karakteristik tertentu.
Cluster juga biasanya digunakan untuk
melakukan proses segmentasi sejumlah responden berdasarkan ciri-ciri sejumlah atribut yang ada. Analisis
cluster pada dasarnya melakukan pembentukan sub kelompok berdasarkan prinsip kesamaan (similarity). Responden yang saling berdekatan atau memberi jawaban/respon yang kurang lebih sama
akan masuk ke dalam sub kelompok (cluster) yang sama. Sedangkan mereka yang berjauhan akan dikelompokkan pada sub kelompok lain yang memberi respon mirip-mirip dengan dirinya.
Tahapan-tahapan yang termasuk dalam penentuan analisis
cluster pada Malhotra (2010 : 322)
dapat ditunjukkan sebagai berikut : a. Formulasi Permasalahan
Bagian penting dari formulasi penggolongan permasalahan adalah memilih variabel dimana
penggolongan itu berbasis. Penggolongan dari satu atau dua variabel mungkin menyimpang, namun penggunaan itu merupakan solusi dari penggolongan. Pada dasarnya seperangkat dari penyeleksian variabel seharusnya menggambarkan kesamaan antara obyek dalam jangka waktu yang relevan untuk permasalahan riset pemasaran, dimana variabel harus dipilih berdasarkan pada riset sebelumnya, teori, atau sebuah pertimbangan dari pendugaan yang sedang diuji. Pada riset
exploratory, peneliti harus
mempergunakan pertimbangan dan intuisi.
b. Pemilihan Pengukuran Jarak (Distance)
Tujuan dari clustering adalah untuk kesamaan kelompok yang mempunyai maksud yang sama,
beberapa pengukuran dibutuhkan untuk mengetahui bagaimana kesamaan atau perbedaan tujuan tersebut. Pada umumnya, pengukuran jarak yang digunakan adalah pengukuran dari kesamaan
euclidean distance. Euclidean distance merupakan penjumlahan
pangkat dua dari perbedaan kuadrat dalam nilai untuk tiap variabel. Jika variabel yang diukur dalam perbedaan unit luas, pemecahan
clustering akan dipengaruhi oleh
unit dari pengukuran. c. Pemilihan Prosedur Cluter
Terdapat dua macam prosedur
cluster, yaitu : hierarchical
clustering dan nonhierarchical clustering atau sering disebut
sebagai pengelompokkan dengan rata-rata sebanyak k. Dalam penelitian ini digunakan analisis
merupakan karakteristik dari pengembangan hirarki atau struktur pohon, hal ini dilakukan mengingat analisis hierarchical hanya menghasilkan jumlah seed dari
cluster yang terbentuk, sehingga
akan kurang memberikan informasi secara menyeluruh terutama dalam penentuan nama cluster.
Pendekatan ini dimulai dengan semua responden sebagai satu kesatuan cluster, kemudian
membelah dan saling membagi membentuk kelompok-kelompok, dimana dalam bentuk yang ekstrim, seluruh sampel itu akan membentuk cluster-cluster yang masing-masing hanya akan terdiri dari satu responden (a single objek
cluster).
Analisis cluster akan
mengelompokkan responden-responden berdasarkan kedekatan
satu dengan yang lainnya, dimana pengelompokan ini diistilahkan dengan linkage. Metode linkage ada beberapa yang telah dikembangkan oleh para ahli statistik dan dari berbagai metode tersebut, terdapat lima metode
linkage yang lazim digunakan
dalam riset-riset pemasaran (Kasali dalam Dewi, 2002 : 73), antara lain:
a) Single linkage atau pendekatan tetangga terdekat (nearest
neighbor approach) adalah
metode yang paling sederhana yaitu setiap responden yang letaknya paling dekat, akan digabungkan terlebih dahulu dengan pasangannya masing-masing. Kemudian, responden lain yang berada diluar pasangan ini yang jaraknya paling dekat akan digabungkan
lagi ke dalam cluster yang sudah terbentuk tadi.
b) Complete linkage atau metode bersahabat pada tetangga jauh (futher neighbor approach), pendekatan ini mengukur jarak antara cluster berdasarkan titik pada masing-masing cluster yang letaknya berjauhan. Tetapi bukan berarti anggota-anggota yang berjauhan masuk dalam satu cluster yang sama, dimana untuk memasuki satu
cluster, seorang responden harus memenuhi tingkat kesamaan tertentu pada seluruh anggota yang sudah lebih dahulu bergabung.
c) Average linkage, pendekatan ini hampir sama dengan kedua metode diatas, hanya saja disini digunakan jarak rata-rata antara individu (responden).
Jarak rata-rata seorang responden terhadap sebuah
cluster mencerminkan rata-rata
kesamaan terhadap mereka yang sudah berada lebih dahulu dalam sebuah cluster. d) Metode ward, metode ini
didasari oleh informasi yang hilang (yang tercermin dari TTS/total sum of squared
deviation) dari setiap
responden terhadap nilai rata-rata cluster yang akan dituju
dalam pengelompokan responden. Masing-masing responden pada dasarnya memiliki TTS = 0 terhadap dirinya sendiri karena deviasi jaraknya adalah nol (pengelompokan responden-responden dengan criteria deviasi TSS yang minimal.
e) Metode centroid, dalam pendekatan ini, jarak diukur antara titik-titik pusat masing-masing cluster. Centroid
adalah titik tengah yang diukur melalui rata-rata dari seluruh responden di dalam cluster tersebut. Jika cluster hanya memiliki satu responden, maka
centoidnya adalah dirinya
sendiri dan prosesnya dilakukan melalui kombinasi kelompok-kelompok
berdasarkan jarak antara masing-masing centroid.
Kelompok-kelompok yang memiliki jarak antara centroid terpendek akan digabungkan lebih dahulu menjadi satu
cluster baru.
Dari metode-metode yang ada, maka yang akan digunakan dalam penelitian ini adalah metode yang
paling sederhana, yaitu : single
linkage, mengingat jumlah
responden tidak begitu besar. d. Penentuan Jumlah Cluster
Isu utama dari analisis cluster merupakan penentuan pada jumlah
cluster. Beberapa garis besar yang
perlu diperhatikan, antara lain :
a) Teori, konsep, atau pertimbangan praktis mungkin menentukan jumlah cluster yang pasti. Contohnya : jika maksud cluster untuk menyamakan segmen pasar,
manajemen mungkin menginginkan sebagian jumlah
cluster.
b) Pada hierarchical clustering, jarak cluster yang
dikombinasikan dapat digunakan sebagai kriteria, informasi ini dapat berlaku dari
angglomeration schedule atau dendogram.
c) Pada nonhierarchical clustering, rasio penyimpangan
kelompok secara keseluruhan
digabungkan kembali jumlahnya pada cluster.
d) Ukuran relatif dari cluster harus berarti.
Pada penelitian segmentasi pasar, biasanya profesional pemasaran menetapkan antara dua hingga delapan cluster (jumlah segmen ini adalah jumlah yang dianggap
manageable). Pada penelitian ini
penentuan jumlah cluster didasarkan pada hasil penelitian VALS 2 dari SRI yang membedakan delapan tipologi gaya hidup, yaitu : actualizer, fulfilleds,
achievers, experiences, believers, strivers, makers, dan struggles.
Dalam analisis nonhierarchical
clustering, setiap responden dapat
keluar-masuk kembali ke dalam
cluster yang sudah dimasuki sebelumnya dengan tujuan memperbaiki homogenitas cluster. Namun demikian, untuk menjalankan program ini, pemasar harus menentukan lebih dahulu kelompok-kelompok yang akan dijadikan cluster, dengan tujuan untuk mendapatkan salah satu responden sebagai anggota yang pertama kali dimasukkan ke dalam masing-masing cluster (disebut
seed/bibit), dimana fungsi seeds ini
adalah sebagai pusat sementara pada masing-masing cluster dengan seluruh responden, lalu membawa pasangannya masing-masing berdasarkan kriteria yang ditentukan.
Memilih seeds adalah suatu pekerjaan istimewa, karena seeds ini harus benar-benar dapat diandalkan untuk pembentukan
cluster. Punj dan Stewart (dalam
Kasali, 2000), menganjurkan agar menggunakan dua tahap (two stage
cluster analysis) untuk memilih seeds yang baik, antara lain :
pertama, jalankan dulu analisis
hierarchical clustering, lihat cluster-cluster yang diberikan, lalu
ambil responden yang dapat dijadikan seeds pada program selanjutnya (nonhierarchical
clustering); kedua, dengan
menugaskan komputer untuk memilih seeds dengan prinsip
random assignment, yaitu setiap
responden memiliki probabilitas yang sama untuk terpilih sebagai
seeds, sehingga dengan prinsip ini
diharapkan akan dapat diperoleh
seeds yang representatif.
e. Menafsirkan dan Membuat Profil
Cluster
Menafsirkan dan menyusun profil kelompok melibatkan pengujian sentroid-sentroid kelompok. Sentroid-sentroid mewakili
nilai-nilai rata-rata objek yang terkandung dalam kelompok atas setiap variabel. Sentroid-sentroid memungkinkam kita untuk menerangkan setiap cluster dengan memberikan sebuah nama atau label padanya. Pembuatan profil lebih jauh bisa dilakukan menurut variabel-variabel demografis dan psikografis untuk membidik upaya-upaya pemasaran untuk masing-masing cluster.
f. Menentukan Reliability dan
Validity
Prosedur formalitas untuk menentukan reliability dan validity dari solusi cluster merupakan hal yang komplek dan tidak dapat dipertahankan. Prosedur tindakan pemeriksaan yang memadai untuk kualitas hasil dari cluster, yaitu : a) Kinerja analisis cluster pada
data yang sama menggunakan pengukuran jarak yang berbeda. Membandingkan hasil pengukuran silang untuk menetapkan solusi yang stabil. b) Menggunakan metode cluster
berbeda dan membandingkan hasilnya.
c) Memecah data random menjadi dua bagian kinerja tiap-tiap bagian cluster. Membandingkan cluster center
dengan menyilangkan dua bagian sampel.
d) Menghilangkan variabel
random. Kinerja cluster
didasarkan pada berkurangnya
variabel tertentu. Membandingkan hasil dengan
didasarkan pada cluster yang berlaku pada variabel tertentu. e) Pada nonhierarchical
clustering, solusi mungkin tergantung pada jenis kasus dalam data tertentu. Membuat berbagai cara dengan menggunakan jenis kasus yang berbeda sampai solusi yang stabil.
Tipe prosedur nonhierarchical
clustering meliputi :
a) Sequential threshold, yaitu
cluster center yang dipilih dan
semua obyek diikuti dengan penilaian sebelum penetapan
ambang (prespecfied
threshold) dari pusat kelompok
yang sama. Sebuah cluster
center baru atau seeds kemudian dipilih, dan proses berulang untuk unclustered
points.
b) Parallel threshold, yaitu
pengoperasiannya sama kecuali bahwa beberapa cluster
center yang terpilih secara
serentak dan obyek pada tingkat ambang (threshold) dikelompokkan pada pusat yang terdekat.
c) Optimizing partitioning, yaitu perbedaan dari dua prosedur
threshold pada obyek dapat
ditentukan kembali untuk mengoptimalkan semua kriteria cluster.
Salah satu kriteria penting dalam segmentasi adalah masing-masing
cluster harus unik, berjauhan letaknya, dan dapat dibedakan (distinguishable) atau
cluster-cluster harus distinguishable
dengan cluster-cluster lainnya. Oleh karena itu, program-program
cluster dalam analisis segmentasi
harus dilengkapi dengan alat tes hipotesis untuk melihat bahwa nilai rata-rata (mean) pada masing-masing cluster berbeda secara signifikan.
Menafsirkan dan menggambarkan jumlah cluster melibatkan pengujian pusat cluster. Pusat mewakili nilai yang berarti dari sisi obyek cluster pada variabel yang tidak dapat digunakan pada saat mengcluster, seperti demografi, psikografi, penggunaan produk, atau variabel lainnya.
48