LANDASAN TEORI
2.4 Tahapan Analisis Konjoin .1 Mengidentifikasi Atribut
Langkah awal dalam melakukan analisis konjoin yaitu mengidentifikasi kumpulan dari atribut-atribut dimana setiap atribut terdiri atas beberapa taraf atau level. Informasi mengenai atribut yang mewakili prefernsi konsumen bisa diperoleh melalui diskusi dengan pakar, eksplorasi data skunder, atau melakukan tes awal.
Kemudian atribut yang sudah sianggap mewakili ditentukan skalanya. Skala atribut dibagi menjadi dua yaitu skala kualitatif atau non-metrik atau kategori (niminal dan ordninal) dan skala kuantitatif atau metri (interval atau rasio). Parameter yang akan diperkirakan dan juga mempengaruhi banykanya stimulus yang akan dievaluasi oleh responden. Untuk meminimumkan tgas evalusi responden, dan harus bisa memperkirakan parameter seakurat mungkin, perlu membatasi banyaknya tingkatan atau level dari atribut.
2.4.2 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 atribut dan ada level yang diteliti dapat mengevaluasi semua stimuli yang muncul dengan 1× 2×
3×… sejumlah buah.
Tentunya terkadang banyaknya stimuli membuat bingung responden dalam menilai, untuk mengatasi masalah ini dapat digunakan SPSS 22 dengan menggunakan pendekatan full profile namun desain yang digunakan bukan full factor design melainkan factorial design. Dengan desain 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.
Orthoginal 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 interaksi dengan melakukan survei 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 pada tabel 2.1. 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 2.1 Contoh Orthogonal Array dan Non-orthogonal Array
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 m-buah, maka kombinasi taraf/level atribut yang harus dievaluasi responden adalah sebanyak:
= ( −1)
Kelebihan pendekatan pasangan adalah bahwa pendekatan ini lebih mudah bagi responden untuk memberikan pertimbangan. Tetapi kelemahan realtifnya ialah bahwa pendekatan ini memerlukan lebih banyak evaluasi.
2.4.3 Analisis 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 rangking atau mengurutkan stimulus yang paling disukai hingga pada stimulus yang tidak disukai. Untuk stimulus yang paling disukai diberi 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 membrikan 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 tida disukai dan 5 = paling disukai).
b. Menggunakan nilai ranking terbalik, artinya untuk stimulus yang paling disukai diberi nilai tertinggi setara dengan umlah stimulusnya, sedangkan stimulus yang paling tidak disukai diberi nilai satu.
2.4.4 Memilih Prosedur Analisis Konjoin
Model dasar analisis konjoin secara matematis sebagai berikut (Supranto, 2004):
� =
=1 =1
Dimana:
� = Utility total dari tiap-tiap stimuli = Nilai kegunaan atribut ke-i, taraf kek = Banyaknya level atribut i
= Banyaknya atribut
= Peubah boneka atribut ke-i taraf ke-j (bernilai 1, jika level ke-j dari atribut ke-i terjadi dan bernilai 0 jika tidak terjadi)
Range nilai kepentingan relatif tiap atribut dapat dihitung dengan rumus:
= { −min }
Rumus untuk nilai kepentingan relatif adalah: =
=1
Dimana:
= Bobot kepentingan relatif untuk tiap atribut = Range nilai kepentingan untuk tiap atribut
Beberapa prosedur yang berbeda tersedia untuk mengestimasi model dasar yang paling sederhana, dan yang sangat populer yaitu dummy variable regression,
artinya suatu regresi yang variabel bebasnya merupakan variabel dummy (peubah boneka). Peubah boneka merupakan cara yang sederhana unutuk mengkuantifikasi variabel yang kualitatif. Bila atribut mempunyai level sebanyak diberi kode, dinyatakan dalam −1 variabel dummy, atau banyaknya variabel dummy = banyaknya kategori (level) dikurangi satu.
Untuk atribut ke-i dengan level, variabel dummy-nya adalah
Tabel 2.2 Variabel Dummy Atribut ke-i dengan level
Peubah boneka ini biasanya mengambil nilai 1 atau 0. Kedua nilai yang diberikan tidak menunjukkan bilangan (numerik) tetapi hanya sebagai identifikasi kelas atau kategorinya. Didalam literatur Supranto (2004) menyebutkan bahwa:
1. Atribut yang mempunyai dua taraf diberi kode 1 untuk salah satu taraf dan 0 untuk lainnya.
Tabel 2.3 Pengkodean taraf atau level
Untuk taraf lebih dari tiga pengkodean dilakukan dengan cara yang sama sehingga setiap faktor memiliki −1 peubah boneka.
Misalkan terdapat 3 buah atribut dengan masing-masing 4 level atribut, maka setelah dilakukan pengkodean taraf diperoleh 9 variabel dummy, data tersebut dapat dianalisis dengan menggunakan regresi liniear berganda dengan 9 variabel dummy, dengan persamaan:
�= 0+ 1 1+ 2 2+ 3 3+ 4 4+ 5 5+ 6 6+ 7 7+ 8 8+ 9 9
dengan 0, 1,…, 9 adalah koefisien yang dapat dicari dengan menggunakan metode kuadrat terkecil atau dengan menggunakan SPSS. Setelah koefisien tersebut diperoleh maka nilai utilitas dari setiap level atribut dapat dicari. Hubungan setiap koefisien variable dummy, mewakili perbedaan dalam utilitas untuk level yang bersangkutan dikurangi utilitas dari level kategori dasar seperti persamaan berikut:
�11 − �15 = 1
�12 − �15 = 2
dimana level atribut �15 sebagai level kategori dasar.
2.4.5 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.
2.4.6 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 maupun Kendall seperti rumus dibawah ini maupun dengan bantuan SPSS 22. Pada pengukuran tersebut akan diketahui seberapa kuat hubungan antara estimate dan actual nya seberapa tinggi Predictive accuracy nya.
Uji validitas (kesahihan) digunakan untuk menunjukkan sejauh mana suatu alat ukur (kuisioner) yang digunakan telah mengukur informasi yang diperlukan. Uji ini dilakukan dengan mengukur korelasi antara variabel/item dengan skor total variabel. Digunakan validitas konstruk yaitu mencari korelasi antara masing-masing pertanyaan dengan skor total. Uji validitas ini menggunakan teknik korelasi product moment model Pearson’s dengan rumus sebagai berikut:
Dimana
= koefisien korelasi
= skor pertanyaan untuk setiap subjek = skor total
= skor pertanyaan dan skor total = jumlah sampel
BAB 1 PENDAHULUAN