2.8 Analisis Konjoin
2.8.2 Tahapan Analisis Konjoin
Adapun tahapan-tahapan analisis konjoin meliputi beberapa langkah yaiatu: 1. Mengidentifikasi atribut
2. Merancang Kombinasi atribut (stimuli) 3. Menentukan jenis data
5. Interpretasi Hasil
6. Penilaian keandalan dan kesahian
2.8.2.1 Mengidentifikasi Atribut
Langkah awal dalam melakukan analisis konjoin yaitu mengidentifikasi kumpulan dari atribut-atribut dimana setiap atribut terdiri atas beberapa taraf/level. Informasi mengenai atribut yang mewakili preferensi konsumen bisa diperoleh melalui diskusi dengan pakar, eksplorasi data skunder, atau melakukan tes awal.
Kemudian atribut yang sudah dianggap mewakili ditentukan skalanya. Skala atribut dibagi menjadi dua yaitu skala kualitatif atau non metrik atau kategori (nominal dan ordinal) dan skala kuantitatif atau metrik (interval dan rasio).
Banyaknya tingkatan atribut menentukan banyaknya parameter yang akan diperkirakan dan juga mempengaruhi banyaknya stimulus yang akan dievaluasi oleh responden. Untuk meminimumkan tugas evaluasi responden, dan harus bisa memperkirakan parameter seakurat mungkin, perlu membatasi banyaknya tingkatan/level dari atribut. Utility atau parth-worth function untuk level suatu objek mungkin tidaklinear (non-linear).
2.8.2.2 Merancang Kombinasi Atribut (Stimuli)
Ada dua cara pembentukan stimuli dalam analisis konjoin yaitu : 1. Full-profile
Pendekatan kombinasi lengkap (full profile) juga disebut evaluasi banyak faktor (multiple-factor-evaluation) yaitu jika ada k atribut dan ada l level yang diteliti dapat mengevaluasi semua stimuli yang muncul dengan l1 x
Tentunya terkadang banyaknya stimuli membuat bingung responden dalam menilai, untuk mengatasi masalah ini dapat digunakan SPSS dengan menggunakan pendekatan full profile namun desain yang digunakan bukan full factor design melainkan fractional factorial design.
Dengan design ini, sebagian dari seluruh kombinasi produk dipilih yang benar-benar berpengaruh terhadap efek utama. Efek interaksi tidak diperhatikan. Desain seperti ini dikenal dengan nama Orthogonal array. Dalam tabel Orthogonal Array, keseimbangan dicapai karena setiap tingkat faktor/atribut terjadi pada jumlah yang sama dengan setiap tingkat dari masing-masing faktor lainnya. Catatan bahwa semua faktorial lengkap di mana terdapat jumlah yang sama berulang untuk setiap kombinasi faktor-tingkat adalah orthogonal array. Beberapa faktorial adalah
orthogonal array, beberapa tidak.
Orthogonal Array memungkinkan desain yang mengasumsikan bahwa semua interaksi yang tidak penting bisa diabaikan. Orthogonal Array dibentuk dari basic full fractional design dengan mengganti suatu faktor baru untuk seleksi interaksi efek yang dianggap bisa diabaikan. Metode yang lain untuk mengurangi banyaknya inetraksi dengan melakukan survey terhadap konsumen.
Tampak bahwa dalam desain orthogonal Array, jumlah kemunculan dari setiap level suatu atribut selalu tidak sama. Berikut contoh desain orthogonal Array dan bukan orthogonal Array. Tabel sebelah kiri menunjukkan bahwa setiap level dari masing-masing atribut muncul satu kali, sebaliknya pada tabel sebelah kanan, kombinasi 1 2 1 muncul dua kali, sementara kombinasi lainnya muncul satu kali.
Tabel 2.2 ContohOrthogonal ArraydanNon-orthogonal Array
Orthogonal Array Non-orthogonal Array
Faktor : A B C Faktor : A B C 1 1 1 1 1 2 1 2 2 1 2 1 2 1 2 2 1 2 2 2 1 1 2 1 2. Pairwise Combination
Melalui pendekatan ini, stimuli yang diperingkatkan dilakukan dengan cara memberikan peringkat pada setiap kombinasi taraf/level dari dua atribut, mulai dari yang paling disukai sampai pada yang paling tidak disukai. Jika banyaknya atribut ada -buah, maka kombinasi taraf/level atribut yang harus dievaluasi responden adalah sebanyak:
c = ( ) pasangan.
Kelebihan pendekatan pasangan adalah bahwa pendekatan ini lebih mudah bagi responden untuk memberikan pertimbangan. Tetapi kelemahan relatifnya ialah bahwa pendekatan ini memerlukan lebih banyak evaluasi.
2.8.2.3 Menentukan Jenis Data
Data yang diperlukan dalam analisis konjoin dapat berupa data non-metrik (data berskala nominal atau ordinal atau kategorial) maupun data metrik (data berskala interval atau rasio).
1. Data non-metrik
Untuk memperoleh data dalam bentuk non-metrik, responden diminta untuk membuat ranking atau mengurutkan stimulus yang paling disukai
disukai deberi nilai dimulai dari 1 dan seterusnya hingga ranking terakhir stimulus yang paling tidak disukai.
2. Data Metrik
Untuk memperoleh data dalam bentuk metrik, responden diminta untuk memberikan nilai atau rating terhadap masing-masing stimulus. Dengan cara ini, responden akan memberikan penilaian terhadap masing-masing stimulus secara terpisah. Pemberian nilai atau rating dapat dilakukan melalui beberapa cara, yaitu:
a. Menggunakan skala likert mulai dari 1 hingga 5 (1 = paling tidak disukai dan 5 = paling disukai).
b. Menggunakan nilai rangking terbalik, artinya untuk stimulus yang paling disukai diberi nilai tertinggi setara dengan jumlah stimulusnya, sedangkan stimulus yang paling tidak disukai diberi nilai satu.
2.8.2.4 Memilih Prosedur Analisis Konjoin
Model dasar analisis konjoin secara matematis sebagai berikut (Supranto, 2004):
( ) = di mana:
( ) = Utilitas total dari tiap-tiap stimuli
= Utilitas dari atribut ke- ( = 1, 2, 3, ... ,k) dan level ke-j (j = 1, 2, 3, ... , )
= Banyaknya level dari atribut = Banyaknya atribut
= Peubah boneka atribut ke- level ke- (bernilai 1, jika level ke- dari atribut ke- terjadi; 0, jika tidak terjadi)
Rumus untuk nilai kepentingan relatif adalah :
=
di mana:
= Bobot kepentingan relatif untuk tiap atribut = Range nilai kepentingan untuk tiap atribut
Range nilai kepentingan relatif tiap atribut dapat dicari dengan rumus :
= { ( ) ( )}
Beberapa prosedur yang berbeda tersedia untuk mengestimasi model dasar yang paling sederhana, dan sangat populer yaitu dummy variable regression, artinya suatu regresi, variabel bebasnya merupakan variabeldummy.
Untuk membangun model regresi yang peubah bebasnya mengandung variabel kualitatif, salah satunya adalah menggunakan peubah boneka. Peubah boneka merupakan cara yang sederhana untuk mengkuantifikasi variabel yang kualitatif. Untuk variabel kualitatif yang mempunyai kategori bisa dibangun 1 peubah boneka. Peubah boneka ini biasanya mengambil nilai 1 atau 0. Kedua nilai yang diberikan tidak menunjukkan bilangan (numerik) tetapi hanya sebagai identifikasi kelas atau kategorinya. Di dalam literatur Supranto (2004) menyebutkan bahwa :
1. Atribut yang mempunyai dua taraf diberi kode 1 untuk salah satu taraf dan 0 untuk lainnya.
2. Atribut yang mempunyai dari tiga taraf, pengkodeannya sebagai berikut:
Tabel 2.3 Pengkodean taraf/level Taraf Kode Taraf 1 Taraf 2 Taraf 3 1 0 0 0 1 0
Untuk taraf lebih dari tiga, pengkodean dilakukan dngan cara yang sama sehingga setiap faktor memiliki 1 peubah boneka. Banyaknya peubah boneka sama dengan banyaknya kategori (taraf) dikurangi satu.
Jika data yang digunakan berasal dari penilaian stimuli yang telah dirancang sebelumnya dan penilaian dilakukan dengan menggunakan skala metrik, maka regresi dapat dihitung langsung dengan menggunakan pendekatan
Ordinary Least Square(OLS). Jika penilaian stimuli menggunakan urutan stimuli, maka data tersebut harus ditransformasi terlebih dahulu dengan monotomic regression atau multidimensional scalling, kemudian analisis dilanjutkan dengan regresi peubah boneka. Namun, jika data diperoleh melalui penilaian secara terpisah dari masing-masing taraf/level atribut yang dikenal dengan istilah
discrete choice, analisis yang dapat digunakan adalah model logit.
2.8.2.5 Interpretasi Hasil
Untuk menginterpretasikan hasil analisis, dilakukan pada semua tingkat kepentingan atribut dengan membuat grafik perbandingan antara nilai kepentingan dari tiap-tiap atributnya. Interpretasi dari hasil berikutnya juga dilakukan dengan membuat suatu grafik perbandingan antara nilai kegunaan dari tiap levelnya.
2.8.2.6 Penilaian Keandalan Dan Kesahihan
Uji keandalan terhadap hasil konjoin untuk mengetahui apakah prediksi yang telah dilakukan mempunyai ketepatan yang tinggi dengan kenyataannya. Pada uji ketepatan prediksi ini akan dilakukan pengukuran korelasi secara Pearson
maupunKendall dengan bantuan SPSS. Pada pengukuran tersebut akan diketahui seberapa kuat hubungan antara estimasi dan actualnya atau seberapa tinggi
Predictive accuracynya.
2.9 Tahapan Pengambilan Sampel