TINJAUAN PUSTAKA Penarikan Contoh Bertahap

Bagian IV. Tingkat kepuasan atribut

TINJAUAN PUSTAKA Penarikan Contoh Bertahap

Menurut Agresti (1997), penarikan contoh bertahap adalah penarikan unit contoh yang dilakukan bertahap menggunakan kombinasi berbagai teknik sampling. Dalam penerapannya, sering kali karena penarikan contoh bertahap lebih sederhana untuk diterapkan daripada penarikan contoh acak sederhana, namun demikian penarikan contoh bertahap memberikan sampel populasi yang lebih luas dibandingkan metode tunggal, seperti penarikan contoh acak gerombol.

Importance Performance Analysis (IPA)

Menurut Ainin & Hisham 2008, analisis kepentingan kinerja (Importance Performance Analysis) diperkenalkan oleh Martilla dan James (1977) dalam sebuah riset pemasaran untuk membantu memahami kepuasan konsumen (responden) sebagai fungsi dari kedua harapan tentang kesignifikanan atribut dan penilaian kinerja mereka. Data kepentingan dan kinerja disajikan dalam bentuk grafik dua dimensi dengan kepentingan (importance) pada sumbu Y dan kinerja (performance) pada sumbu X.

Menurut Huang et al 2006, IPA adalah teknik sederhana yang berguna untuk mengidentifikasi atribut produk atau jasa yang paling membutuhkan perbaikan untuk penghematan biaya tanpa kondisi buruk yang signifikan terhadap kualitas secara keseluruhan.

Tingkat kepentingan diukur dari harapan pelanggan, sedangkan tingkat kinerja diukur dari kenyataan pelaksanaan. Analisis tingkat kepentingan dan kinerja diukur dengan menggunakan skala likert 1-5. Tingkat kepentingan dikategorikan sebagai (1) sangat tidak penting, (2) tidak penting, (3) biasa saja, (4) penting, (5) sangat penting. Sedangkan kinerja dikategorikan sebagai (1) sangat tidak puas, (2) tidak puas, (3) biasa saja, (4) puas, (5) sangat puas. Skor yang digunakan disajikan pada Tabel 1.

Tabel 1 Skor tingkat kepentingan dan tingkat kinerja.

Skor Kepentingan Kinerja 1 sangat tidak penting sangat tidak puas 2 tidak penting tidak puas 3 biasa saja biasa saja

4 penting puas

5 sangat penting sangat puas

Intepretasi IPA berupa diagram dengan menggunakan rataan skor tingkat kepentingan

PENDAHULUAN Latar Belakang

IPB memiliki cara yang berbeda terkait dengan sistem penerimaan mahasiswa baru sampai tahun 2010. Ada beberapa jalur masuk yang terdapat di IPB, salah satu yang utama dan memiliki persentase terbesar dalam jalur penerimaan mahasiswa baru adalah Undangan Seleksi Masuk IPB, atau dikenal dengan sebutan USMI. IPB merupakan salah satu perguruan tinggi senior yang menerapkan sistem ini dan cenderung berbeda dengan sistem undangan seleksi masuk dari Universitas atau Institut lainnya. USMI merupakan sistem seleksi calon mahasiswa baru yang tidak menggunakan ujian tertulis melainkan dengan prestasi belajar yang diperoleh selama di SMA. Sejumlah SMA di Indonesia yang sudah ditetapkan oleh IPB, ditawarkan untuk mengajukan lamaran bagi siswa-siswa terbaik di sekolahnya.

Pada saat pendaftaran, para pelamar berhak memilih dua pilihan departemen yang diinginkan dan disertai dengan pernyataan bersedia atau tidak untuk ditentukan oleh IPB apabila tidak terpilih di kedua departemen. Pelamar akan masuk ke departemen pada pilihan pertamanya apabila memenuhi syarat. Apabila tidak terpilih pada pilihan pertama, namun masih memenuhi syarat untuk masuk ke pilihan kedua, maka pelamar akan masuk ke pilihan kedua. Namun, jika kedua pilihan departemen tidak terpenuhi tetapi masih memungkinkan diterima menjadi calon mahasiswa baru di IPB, maka pelamar akan masuk ke departemen yang ditentukan IPB.

Berdasarkan hal tersebut, penelitian ini dilakukan untuk mengetahui tingkat kepuasan mahasiswa yang pilihan departemennya ditentukan oleh IPB. Sebagai bahan perbandingan, maka tingkat kepuasan tersebut akan dibandingkan dengan mahasiswa yang memperoleh departemen karena pilihan 1 dan pilihan 2 pada saat pendaftaran.

Tujuan

Tujuan dari penelitian ini adalah:

1. Mengidentifikasi tingkat kepuasan dan kepentingan mahasiswa terhadap pilihan masuk ke departemen.

2. Segmentasi mahasiswa berdasarkan peubah-peubah yang berpengaruh terhadap tingkat keberhasilan mahasiswa.

TINJAUAN PUSTAKA Penarikan Contoh Bertahap

Importance Performance Analysis (IPA)

Tabel 1 Skor tingkat kepentingan dan tingkat kinerja.

Skor Kepentingan Kinerja 1 sangat tidak penting sangat tidak puas 2 tidak penting tidak puas 3 biasa saja biasa saja

4 penting puas

5 sangat penting sangat puas

Intepretasi IPA berupa diagram dengan menggunakan rataan skor tingkat kepentingan

dan kinerja per atribut. Sebagai garis batas atau nilai tengah digunakan rataan skor tingkat kepentingan dan tingkat kinerja seluruh atribut. Berikut ini adalah rumus cara mencari skor rata-rata tingkat kepentingan dan tingkat kinerja.

̅ ^∑_̅ ^∑

Keterangan :

̅ = rataan skor kinerja

̅ = rataan skor kepentingan n = jumlah responden

Sementara itu, untuk mencari nilai garis batas kepentingan dan kinerja menggunakan rumus sebagai berikut:

̿ ^∑ ^̅ ̿ ^∑ ^̅

Keterangan :

̿ = batas sumbu x (tingkat kinerja)

̿ = batas sumbu y (tingkat kepentingan) n = banyaknya atribut yang diteliti

Selanjutnya tingkat atribut-atribut tersebut dijabarkan dan dibagi menjadi empat bagian diagram kartesius yang menunjukkan bahwa kuadran ke-1 adalah Prioritas Utama, kuadran 2 adalah Pertahankan Prestasi, kuadran ke-3 adalah Prioritas Rendah, kuadran ke-4 adalah Berlebihan. Selengkapnya lihat Gambar 1.

Gambar 1 Diagram kartesius Importance-Performance Analysis

Menurut Supranto (2006), penjelasan masing-masing kuadran akan dijabarkan sebagai berikut:

1. Kuadran 1(Prioritas Utama)

Kuadran ini memuat faktor atau atribut yang dianggap mempengaruhi kepuasan pelanggan, akan tetapi pada kenyataannya atribut-atribut tersebut belum sesuai dengan harapan pelanggan. Tingkat kepuasan atribut tersebut lebih rendah daripada tingkat harapan/kepentingan pengunjung. Atribut-atribut yang terdapat dalam kuadran ini harus ditingkatkan lagi kinerjanya agar dapat memuaskan pelanggan.

2. Kuadran 2 (Pertahankan Prestasi)

Atribut-atribut yang terdapat dalam kuadran ini menunjukkan bahwa atribut tersebut penting dan memiliki kinerja/kepuasan yang tinggi. Atribut ini perlu dipertahankan untuk waktu selanjutnya.

3. Kuadran 3 (Prioritas Rendah)

Atribut-atribut yang terdapat dalam kuadran ini dianggap kurang penting oleh konsumen dan pada kenyataannya kinerja/kepuasannya tidak terlalu istimewa. Peningkatan terhadap atribut yang masuk dalam kuadran ini dapat dipertimbangkan kembali karena pengaruhnya kepada manfaat yang dirasakan oleh pengunjung sangat kecil. 4. Kuadran 4 (Berlebihan)

Kuadran ini menunjukkan faktor atau atribut yang kurang penting pengaruhnya bagi pelanggan dan dirasakan terlalu berlebihan. Peningkatan kinerja pada atribut-atribut yang terdapat dalam kuadran ini hanya akan menyebabkan terjadinya pemborosan sumber daya.

Customer Satisfaction Index (CSI)

Menurut Supranto (2006), Customer Satisfaction Index atau Indeks Kepuasan Pelanggan adalah indeks yang menggambarkan tingkat kepuasan konsumen berdasarkan atribut-atribut tertentu. CSI

digunakan untuk menentukan tingkat kepuasan pelanggan secara menyeluruh dengan pendekatan yang mempertimbangkan tingkat kepentingan dari atribut-atribut yang diukur. Perhitungan dilakukan beberapa tahap:  Mean Importance Score (MIS), adalah penilaian rata-rata contoh terhadap tingkat kepentingan dari setiap atribut.

MIS

=

(∑ )

Keterangan : n = jumlah contoh

Yi = nilai kepentingan atribut ke-i

 Weigth Factors (WF), bobot ini merupakan persentase nilai MIS per atribut terhadap total nilai MIS.

=

_∑

Keterangan :

p = atribut kepentingan ke-p i = atribut ke-i



Mean Satisfaction Score (MSS), adalah penilaian rata-rata contoh terhadap tingkat kinerja dari setiap atribut.

MSS

=

(∑ )

Keterangan : n = jumlah contoh

Xi = nilai kinerja atribut ke-i

 Weight Score (WS), hasil kali WF dengan

MSS

 Customer Satisfaction Index (CSI), yaitu total WS dibagi dengan skor maksimum yang digunakan pada skala likert (HS)

CSI

=

(∑ )

Keterangan :

i = atribut kepentingan ke-i

HS = skala maksimum yang digunakan Hasil perhitungan kemudian diklasifikasikan menjadi :

Tabel 2 Kriteria Customer Satisfaction Index No Skor (%) Kriteria

1 00-34 Sangat tidak puas 2 35-50 Tidak puas 3 51-65 Biasa saja 4 66-80 Puas 5 81-100 Sangat puas

Metode CHAID

Menurut Gallager (2000), CHAID merupakan singkatan dari Chi-squared Automatic Interaction Detector. CHAID pertama kali diperkenalkan dalam sebuah artikel berjudul “An Exploratory Technique for Investigating Large Quantities of Categorical Data” oleh Dr. G.V. Kass, tahun 1980. Prosedurnya merupakan bagian dari teknik terdahulu yang dikenal dengan

Automatic Interaction Detector (AID), dan menggunakan chi-square sebagai alat utamanya. CHAID secara keseluruhan bekerja untuk menduga sebuah peubah tunggal, disebut peubah dependen/peubah respon, yang didasarkan pada sejumlah peubah penjelas. CHAID merupakan suatu teknik iterasi yang menguji satu-persatu peubah penjelas yang digunakan dalam klasifikasi, dan menyusunnya berdasarkan pada tingkat signifikansi statistik chi-square terhadap peubah responnya.

Metode CHAID digunakan bila peubah responnya berskala nominal atau ordinal dengan kriteria statistik uji chi-square pada setiap pemisahannya. Statistik uji yang digunakan adalah dengan rumus:

∑ ∑ [

]

Keterangan :

^{= banyaknya pengamatan pada baris ke-i}

dan kolom ke-j.

^{= nilai harapan pengamatan pada baris}

ke-I dan kolom ke-j.

Algoritma CHAID menurut Kass (1980), adalah sebagai berikut:

1. Untuk masing-masing peubah penjelas, dibuat tabulasi silang antara kategori peubah penjelas dengan kategori-kategori peubah respon.

2. Dari setiap tabulasi yang diperoleh, disusun semua subtabel berukuran 2xd

yang mungkin. d adalah banyaknya kategori peubah respon. Carilah nilai

^{semua subtabel tersebut. Dari}

seluruh yang diperoleh dari yang terkecil katakan . Jika

^< ^{maka kedua kategori peubah}

penjelas yang memiliki

^digabungkan ^menjadi ^satu

kategori campuran atau gabungan.

3. Pada setiap kategori gabungan terdiri atas tiga atau lebih kategori asal, dicari pembagian biner yang paling signifikan. Dari pembagian ini dicari terbesar. Jika terbesar > maka pembagian biner berlaku. Kembali ke tahap 2.

4. Setelah diperoleh penggabungan optimal untuk setiap peubah penjelas, cari nilai-p yang terkecil dari masing-masing subtabel tersebut. Jika nilai-p terkecil < α yang

telah ditetapkan maka peubah penjelas pada nilai-p tersebut adalah peubah penjelas yang paling signifikan terhadap respon.

5. Jika pada tahap 4 diperoleh yang pengaruhnya paling signifikan, kembali ke tahap 1 untuk setiap data hasil pemisahan. Pengurangan tabel kontingensi pada algoritma CHAID membutuhkan suatu uji signifikan. Jika tidak ada pengurangan dari tabel kontingensi asal, maka statistika chi-square dapat digunakan. Apabila terjadi pengurangan, yaitu c kategori dari peubah asal menjadi r kategori (r<c) maka nilai-p dari chi-square yang baru dikalikan dengan penggali Bonferroni berikut sesuai dengan tipe:

1.

Peubah bebas ∑

2.

Peubah montonik B ()

3.

Peubah float B = () ()

Keterangan :

B = penggali Bonferroni c = kategori peubah respon r = kategori peubah penjelas

METODOLOGI

Dalam dokumen Identifikasi Tingkat Kepuasan Mahasiswa Berdasarkan Pilihan Masuk Ke Departemen (Studi Kasus pada Departemen yang Terdapat Mahasiswa yang Ditentukan IPB) (Halaman 32-36)