BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

(1)

58 BAB IV

PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Penentuan Kansei Word.

Langkah awal penentuan kansei word yaitu dengan memberikan beberapa gambar produk dopplet bookcase kepada penguji atau responden yang akan di uji. Penentuankansei word ini berdasarkan persepsi atau pandangan penguji atau responden terhadap produk yang diperhatikan. Dari penelitian awal didapatkan 20 kansei word. 20 kansei word awal ini dapat dilihat pada lampiran B. Kemudian kata ini diberikan kepada responden yang akan diteliti. Dari hasil pemilihan kansei word didapatkan 17 kansei word yang relevan dan sesuai dengan keinginan konsumen. Hal ini dapat kita lihat pada tabel 4.1

Tabel 4.1 kansei word di dapat dari observasi Kansei word

1. Modern 2. Elegan 3. Menarik 4. Murah 5. Awet 6. Bermotif 7. Ergonomis 8. Minimalis 9. Inovatif 10. Rapi 11. Artistik 12. Unik 13. Praktis 14. Luas 15. Kasual 16. Natural 17. Halus

(2)

59 4.2 Evaluasi Kuesioner Pertama (Semantic Differential I)

Dari 17 Kansei Word yang relevan dan sesuai dengan keinginan konsumen, maka langkah selanjutnya adalah membuat kuisioner pertama (Semantic Differential I) yang dapat dilihat di lampiran C. Kuisioner dibagikan kepada responden yang sudah ditentukan, dimana pada kuisioner responden diberi 5 skala Semantic Differential. Responden harus menilai satu poin pada masing-masing Kansei Word diantara angka-angka berskala yang sesuai dengan gambar yang dipresentasikan pada kuisioner. Dalam pengisian kuisioner setiap Kansei Word disajikan dalam 2 kata yang berlawanan, hal ini bertujuan agar responden lebih mudah menilai apakah citra produk berada disisi positif dari Kansei Word atau disisi negatif dari Kansei Word. Penjelasan dari 5 skala Semantic Differential adalah sebagai berikut :

1= Jika citra produk berkaitan erat dengan Kansei Word di kiri skala.

2= Jika citra produk sedikit berkaitan erat dengan Kansei Word di kiri skala.

3= Jika citra produk netral yaitu berada diantara Kansei Word di kiri dan di kanan skala.

4= Jika citra produk sedikit berkaitan dengan Kansei Word di kanan skala.

5= Jika citra produk berkaitan erat dengan Kansei Word dikanan skala.

Dari kuisioner yang sudah dibagikan, kemudian merekap hasil kuisioner yang dapat dilihat di lampiran D1 dan D2

4.2.1 Uji Kecukupan Data

Data kuisioner yang disebarkan sebanyak 45 kuisioner kepada responden yang sudah ditentukan. Dari rekapan hasil kuisioner, peneliti melakukan uji kecukupan data. Dibawah ini adalah hasil perhitungan uji kecukupan data.

N = [

𝑘⁄𝑠√𝑁(∑ 2_𝑥𝑖 )−(∑ 𝑥𝑖)²

∑ 𝑥𝑖 ]

2

,N≥N’

Dimana :

N’ = Jumlah Pengamatan yang seharusnya dilakukan

K = Tingkat kepercayaan dalam pengamatan (k = 2, 1-α = 95%)

(3)

60 s = Derajat ketelitian dalam pengamatan (5% = 0,05)

N = Jumlah pengamatan yang sudah dilakukan yaitu 45 Xi = Data Pengamatan

Jumlah data dikatakan cukup jika N ≥ N’, Jadi jumlah pengamatan yang harus dilakukan adalah sebanyak :

N’ =[

2⁄0,05√45×603.010−26396.63

162.47 ]

2

N’ = [40 √27135.47−26396.69 162.47 ]² N’ = 44.7

Besarnya N’ adalah 44,7 sedangkan nilai N adalah 45, sehingga N ≥ N’. Hasil uji kecukupan data dapat dinyatakan bahwa data sudah cukup untuk menjadi sampel.

4.2.2 Uji Validitas

Setelah jumlah data dinyatakan cukup data tersebut dilakukan pengujian validitas. Data dinyatakan valid jika Kansei Word yang diuji dalam kuisioner dapat menggambarkan image produk. Software yang digunakan untuk pengolahan data adalah SPSS. Data bisa dikatakan valid apabila nilai r kalkulasi ≥ r tabel, dngan menggunakan toleransi kesalahan sebesar 5%

dan dengan nilai df = 45-2 = 43, sehingga nilai r tabel yaitu sebesar 0,301.

Hasil pengolahan data kuisioner pertama dilakukan dengan software SPSS dapat dilihat pada lampiran D1. Dibawah ini merupakan tabel 4.2 rekapan hasil uji validitas pada iterasi pertama :

(4)

61 Tabel 4.2 Hasil Uji Validitas Iterasi 1

Kansei Word Korelasi total item yang

dikorelasi

Keterangan

1. Kasual 264 Tidak Valid

2. Elegan 420 Valid

3. Modern 381 Valid

4. Luas 257 Tidak Valid

5. Bermotif 592 Valid

6. Ergonomis 732 Valid

7. Minimalis 568 Valid

8. Natural 253 Tidal Valid

9. Inovatif 510 Valid

10. Rapi 689 Valid

11. Menarik 454 Valid

12. Murah 488 Valid

13. Artistik 707 Valid

14. Awet 385 Valid`

15. Unik 462 Valid

16. Halus 262 Tidak Valid

17.Praktis 460 Valid

Hasil dari uji validitas pada iterasi yang pertama, ada 13 variabel yang valid dan ada 4 variabel yang tidak valid. Variabel yang tidak valid menunjukkan nilai rkalkulasi < 0.301.

Keempat variabel yang tidak valid kemudian dihapuskan dari daftar variabel. Sedangkan variabel yang valid harus melewati tes validitas untuk iterasi yang kedua. Variabel yang harus diuji validitas pada iterasi kedua adalah sebanyak 13 variabel, hasilnya dari uji validitas pada iterasi kedua dapat dilihat pada tabel 4.3 sebagai berikut :

(5)

62 Tabel 4.3 Hasil Uji Validitas Iterasi 2

Kansei Word Korelasi total item yang

dikorelasi

Keterangan

1. Elegan 433 Valid

2. Modern 425 Valid

3. Bermotif 562 Valid

4. Ergonomis 715 Valid

5. Minimalis 512 Valid

6. Inovatif 535 Valid

7. Rapi 710 Valid

8. Menarik 479 Valid

9. Murah 559 Valid

10. Artistik 749 Valid

11. Awet 457 Valid`

12. Unik 479 Valid

13.Praktis 472 Valid

Hasil dari uji validitas pada iterasi yang kedua seluruh variabelnya valid karena nilai Гkalkulasi > 0.301. Hasil akhir dari uji validitas menunjukkan ada 13 variabel yang valid.

4.2.3 Uji Realibilitas

Setelah variabel dinyatakan valid, maka langkah selanjutnya melakukan tes realibilitas dengan menggunakan software SPSS. Hasil dari uji reliabilitas dapat dilihat pada tabel 4.4.

Setelah variabel dinyatakan valid, maka langkah selanjutnya melakukan tes realibilitas dengan menggunakan software SPSS. Hasil dari uji reliabilitas dapat dilihat pada tabel 4.4.

Jadi hasil dari uji reliabilitas menyatakan nilai r alpha ≥ r tabel yaitu 0.88 > 0.301, maka data kuisioner dinyatakan reliable.

(6)

63 Tabel 4.4 Hasil Uji Realiabilitas

Case Processing Summary

N %

Cases

Valid 45 100,0

Excluded^a 0 ,0

Total 45 100,0

a. Listwise deletion based on all variables in the procedure.

Reliability Statistics

Cronbach's Alpha

N of Items

,801 13

4.3 Analisa Faktor

Analisa Faktor digunakan untuk mengetahui faktor mana yang unggul atau yang dominan dari beberapa variabel yang akan dipilih. Analisis faktor dapat juga membedakan variabel prioritas yang dirangking berdasarkan hasil analisis tersebut. Dalam konsep Kansei

Engineering System hasil analisa faktor ini akan memberikan ruang tujuan dalam menetukan item dan kategori desain produk berdasarkan citra atau perasaan pelanggan dalam Kansei Word. Kemudian variabel Kansei Word yang lolos dalam pengujian analisis faktor ini akan digunakan kembali pada evaluasi Semantic Differential yang kedua. Dari 13 variabel yang dinyatakan valid dan reliable, kemudian variabel dilakukan analisis faktor dengan

menggunakan Software SPSS. Hasil tes nilai KMO (Kaiser-Mayer-Olkin) dan tes bartless dapat dilihat pada tabel 4.5 sebagai berikut :

(7)

64 Tabel 4.5 Hasil Tes Nilai KMO dan Bartless

KMO and Bartlett’s test Kaiser-meyer- oikin measure

of sampling adequacy

0.806

Bartlett’s test of sphericity Approx. chisquare 252.194

Df 78

sig 0.000

Pada hasil perhitungan menunjukkan nilai Kaiser-Meyer-Olkin Measure Of Sampling Adequacy sebesar 0,806. Hal ini menunjukkan nilai KMO > 0,5 maka proses analisis faktor dapat dilanjutkan. Pada tes MSA dari korelasi anti image dalam proses Matrik Anti Image dapat dilihat pada tabel 4.6 sebagai berikut :

Tabel 4.6 Tes Nilai MSA

Kansei word Nilai MSA Keterangan

Elegan 0.788 Layak

Modern 0.711 Layak

Bermotif 0.888 Layak

Ergonomis 0.786 Layak

Minimalis 0.646 Layak

Inovatif 0.863 Layak

Rapi 0.801 Layak

Menarik 0.811 Layak

Murah 0.726 Layak

Artistik 0.883 Layak

Awet 0.745 Layak

Unik 0.822 Layak

Praktis 0.839 Layak

(8)

65 Berdasarkan teori, variabel yang layak untuk dianalisis adalah variabel dengan nilai MSA lebih dari 0,5. Dari hasil tes MSA diatas menujukkan hasil analisis ternyata semua variabel dikatakan layak karena nilai MSA . 0,5.

4.4 Penentuan item dan kategorinya

Dalam penelitian ini, inovasi perancangan dopplet bookcase terbagi menjadi 5 komponen atau item desain, yaitu Bentuk, Sarana Pendukung, Bahan, Warna dan Ukuran. Dari kelima item, peneliti menentukan kategori atau atribut setiap itemnya. Kategori atau atribut dari setiap item dapat dilihat di tabel 4.7 dibawah ini.

Tabel 4.7 item dan kategori desain dopplet bookcase

No Elemen No Kategori Notasi

1 Mudah dibongkar 𝑋₁₁

1 Bentuk 2 Tetap atau permanen 𝑋₁₂

1 Kapasitas banyak 𝑋₂₁

2 Sarana pendukung 2 Minimalis 𝑋₂₂

3 Memiliki sekat 𝑋₂₃

1 Kayu 𝑋₃₁

3 Bahan 2 Besi 𝑋₃₂

1 Polos 𝑋₄₁

4 Warna 2 Dua warna atau lebih 𝑋₄₂

3 Bermotif 𝑋₄₃

1 Kecil 𝑋₅₁

5 Ukuran 2 Besar 𝑋₅₂

Langkah selanjutnya yaitu menetukan sampel berdasarkan item dan kategori yang sudah ditentukan. Sampel yang telah ditentukan berdasarkan item dan kategori merupakan sampel dari workstation yang akan dirancang. Sampel-sampel tersebut dapat dilihat pada tabel 4.8 berikut ini :

(9)

66 Tabel 4.8 item dan kategori-kategori masing-masing sampel

No Bentuk Sarana pendukung Bahan Warna Ukuran 1 Tetap atau statis Kapasitas banyak kayu Warna besar 2 Tetap atau statis Kapasitas banyak kayu Polos kecil 3 Tetap atau statis Kapasitas banyak Besi Polos kecil

4 Mudah

dibongkar

Kapasitas banyak Kayu Polos kecil

5 Tetap atau statis Memiliki sekat Besi warna Besar

6 Mudah

dibongkar

Minimalis Besi warna Kecil

7 Tetap atau statis Memiliki sekat Kayu bermotif Kecil 8 Tetap atau statis Kapasitas banyak Besi polos Kecil

4.5 Hasil Kuisioner Kedua (Semantic Differential II)

Kuisioner Kedua merupakan lanjutan dari kuisioner pertama yang diberikan kepada responden yang sama. Responden mengevaluasi masing-masing Kansei Word terhadap setiap sampel yang diberikan. Sampel yang diberikan kepada responden yaitu sejumlah 8 sampel, sampel yang diberikan dalam bentuk gambar yang sesuai dengan spesifikasi setiap sampel. Pada kuisioner kedua juga menggunakan skala Semantic denga skala 5 dan perintahnya sama seperti kuisioner pertama. Tujuan dari evaluasi kedua Semantic Differential yang kedua adalah menganalisa hubungan antara masing-masing Kansei Word dengan sampel-sampel sesuai dengan image responden. Formulir kuisioner kedua dapat dilihat pada lampiran E. Setelah melakukan penyebaran kuisioner, hasil kuisioner direkap, kemudian dihitung nilai rata-rata setiap Kansei Word pada setiap sampel. Nilai rata-rata dari hasil data kuisioner II dijadikan input data proses analisa Conjoint. Hasil nilai rata-rata masing- masing Kansei Word pada setiap sampel, dapat dilihat pada lampiran F

(10)

67 4.6 Analisa Conjoint

Nilai rata-rata setiap Kansei Word pada setiap sampel diolah menggunakan Software SPSS dengan menggunakan analisa Conjoint. Analisa Conjoint digunakan untuk mengetahui hubugan antara elemen desain dengan Kansei Word sesuai dengan hasil kuisioner kedua.

4.6.1 Penentuan Sampel Minimum

Penentuan sampel minimum berdasarkan item dan kategori yang telah disiapkan, dimana terdiri dari 12 kategori dengan 5 item. Sehingga sampel minimum yang dibutuhkan dengan persamaan (3.3) dalam penelitian ini :

Sampel minimum = (12-5) + 1 = 8 Jumlah sampel yang diberikan yaitu 8, jadi jumlah sampel sudah tercukupi Jumlah sampel yang diberikan yaitu 8, jadi jumlah sampel sudah tercukupi sesuai dengan jumlah sampel minimum.

4.6.2 Perhitungan Analisa Conjoint

Perhitungan analisa Conjoint menggunakan Software SPSS. Pada perhitungan analisa Conjoint menggunakan menu editor syntax dalam memasukkan perintah. Langkah pertama yaitu memasukkan perintah pada syntax sesuai dengan item dan kategori pada setiap sampel yang sudah ditentukan. Langkah untuk memasukkan perintah syntax pada software SPSS yaitu :

1. Klik File

2. Klik New 3. Klik Syntax

4. Muncul tampilan SPSS Syntax Editor, memasukkan perintah syntax seperti dibawah ini : ORTHOPLAN

/FACTORS=

Bentuk ‘Bentuk Meja’ (‘Mudah Dibongkar’ ‘Tetap’)

Sarana Pendukung ‘Sarana pendukung meja’(‘kapasitas banyak’ ‘minimalis’ ‘memiliki sekat’)

Bahan ‘Bahan dari meja’ (‘Kayu’ ‘Besi’)

Warna ‘Warna meja’ (‘Polos’ ‘Warna’ ‘Bermotif’) Ukuran ‘Ukuran dari meja’ (‘Besar’ ‘Kecil’) /HOLDOUT=0

SAVE OUTFILE=’ujiconjoint1.SAV’.

(11)

68 5. Klik Run kemudian klik all

6. Output dari syntax conjoint 1

7. Menyimpan file dengan nama ‘ujiconjoin1.SAV’

8. Memasukkan perintah syntax yang kedua dengan input yaitu hasil dari nilai rata-rata setiap Kansei Word pada setiap sampel pada kuisioner 2. Menampilkan lagi SPSS Syntax Editor yang baru, kemudian memasukkan perintah syntax seperti di bawah ini :

DATA LIST FREE/ KODE SAMPEL1 TO SAMPEL8.

BEGIN DATA

101 3.11 3.24 3.31 2.80 3.09 3.51 3.87 3.93 102 2.96 3.16 3.33 3.13 3.82 3.73 2.60 3.18 103 3.44 3.27 3.29 3.18 3.73 3.40 2.73 3.00 104 3.78 3.56 3.11 3.31 3.51 3.44 3.31 3.38 105 3.60 3.76 3.73 3.42 3.76 3.93 3.49 3.71 106 3.64 3.42 3.07 3.04 3.62 3.42 2.96 3.47 107 3.36 3.47 3.31 3.04 3.33 3.38 3.09 3.49 108 3.24 3.31 2.80 3.22 3.56 3.38 3.31 3.44 109 3.64 3.49 3.56 3.09 3.69 3.67 3.09 3.47 11O 3.67 3.44 3.24 3.38 3.93 3.73 3.07 3.22 111 3.36 3.38 3.31 3.40 3.44 3.31 3.49 3.20 112 3.60 3.29 3.36 3.49 3.91 3.60 2.44 2.96 113 3.67 3.38 3.13 3.58 3.93 3.89 3.13 3.42 END DATA.

CONJOINTPLANT=’ujiconjoint1.SAV’

/FACTORS=

Bentuk ‘Bentuk Meja’ (‘Mudah Dibongkar’)

Sarana Pendukung ‘Sarana Pendukung Meja’ (‘Kapasitas banyak’ ‘minimalis’ ‘memiliki sekat’) Bahan ‘Bahan dari meja’ (‘kayu’ ‘besi’)

Warna ‘Warna meja’ (‘polos’ ‘warna’ ‘bermotif’) Ukuran ‘ukuran meja’ (‘besar’ ‘kecil’)

/SUBJECT=KODE

/SCORE=SAMPEL 1 SAMPEL 2 SAMPEL 3 SAMPEL 4 SAMPEL 5 SAMPEL 6 SAMPEL 7 SAMPEL 8

/UTILITY=’Ujiconjoint2. SAV’

9. Klik Run kemudian Ok

(12)

69 4.6.3 Analisa Deviasi Hasil Conjoint

Dari hasilperhitungan analisa conjoint dapat diketahui nilai deviasi setiap kansei word pada setiap sampel yang ada. Hasil dan analisa perhitungan deviasi dengan analisa conjoint setiap kansei word dapat dilihat sebagai berikut :

Tabel 4.9 Hasil Perhitungan Dengan Analisa Conjoint Menggunakan SPSS Hasil Perhitungan Deviasi pada kansei word Elegan

Elemen desain kategori selisih

Biasa Elegan

Bentuk Mudah dibongkar 0.105

Tetap atau statis -0.105

Kapasitas banyak 0.217

Sarana pendukung Minimalis -0.223

Memiliki sekat 0.007

Bahan Kayu -0.95

Besi 0.95

Polos 0.93

Warna 2 warna atau lebih 0.223

Bermotif -0.317

Ukuran Besar -0.210

Kecil 0.210

Constant 3.210

Correlation Coefficient

Pearson 1

Kendall 1

Significance Pearson 0

Kendall 0.000266

(13)

70 Hasil perhitungan Deviasi pada Modern

Elemen desain kategori selisih

tradisional modern Bentuk Mudah dibongkar -0.235

Tetap atau statis 0.235

Sarana Pendukung Kapasitas banyak -0.017

Minimalis -0.047

Memiliki Sekat 0.63

Bahan Kayu -0.390

Besi 0.390

Warna Polos 0.040

2 Warna atau Lebih 0.240

Bermotif -0.280

Ukuran Besar 0.045

Kecil -0.045

Constant 3.047

Pearson 1

Kendall 1

Significane Pearson 0

Kendal 0.0002660

Hasil Perhitungan Deviasi pada Kansei Word Bermotif

Elemen Desain Kategori Selisih

Polos Bermotif

Bentuk Mudah Dibongkar -0.105

Tetap atau Statis 0.105

Sarana Pendukung Kapasitas Banyak -0.033

Minimalis -0.123

Memiliki Sekat 0.157

Bahan Kayu -0.050

Besi 0.050

(14)

71

Warna Polos 0.030

2 Warna atau Lebih -0.140

Bermotif 0.110

Ukuran Besar 0.165

Kecil -0.165

Constant 3.223

Pearson 1

Kendall 1

Significane Pearson 0

Kendall 0.0002660

Hasil Perhitungan Deviasi pada kansei word Ergonomis

Tidak Ergonomis Ergonomis

Bentuk Mudah dibongkar -0.090

Bahan Kayu 0.075

Besi -0.075

Polos 0.223

Bermotif -0.227

Ukuran Besar 0.035

Kecil -0.035

Constant 3.233

Pearson 1

Kendall 1

Kendall 0.00034722

(15)

72 Hasil Perhitungan Deviasi pada kansei word Minimalis

Maksimalis Minimalis

Bentuk Mudah dibongkar -0,130

Tetap atau statis 0,130

Memiliki sekat -0.80

Bahan Kayu -0.145

Besi 0.145

Polos 0.293

Bermotif -0.367

Ukuran Besar 0.100

Kecil -0.100

Constant 3032

Pearson 1

Kendall 1

Significance Pearson 1.36845 E -47

Kendall 0.00034722

Hasil Perhitungan Deviasi pada kansei word Inovatif

Tidak Inovatif Inovatif

Memiliki sekat -0.217

Bahan Kayu -0.255

Besi 0.255

(16)

73

Polos 0.167

Bermotif -0.443

Ukuran Besar -0.025

Kecil 0.025

Constant 2935

Pearson 1

Kendall 1

Kendall 0.00026600

Hasil Perhitungan Deviasi pada kansei word Rapi

Tidak Rapi Rapi

Tetap atau statis -0.090 Kapasitas banyak -0.010

Bahan Kayu -0.100

Besi 0.100

Polos 0.130

Bermotif -0.330

Ukuran Besar 0.090

Kecil -0.090

Constant 322

Pearson 1

Kendall 1

(17)

74

Kendall 0.00034722

Hasil Perhitungan Deviasi pada kansei word Menarik

Tidak Menarik Menarik

Bahan Kayu -0.115

Besi 0.115

Polos 0.147

Warna 2 warna atau lebih -0.003

Bermotif -0.143

Ukuran Besar 0.010

Kecil -0.010

Constant 3215

Pearson 1

Kendall 1

Kendall 0.00034722

Hasil Perhitungan Deviasi pada kansei word Murah

Mahal Murah

Kapasitas banyak -0.153

Bahan Kayu 0.040

(18)

75

Besi -0.040

Polos 0.127

Bermotif -0.023

Ukuran Besar 0.100

Kecil -0.100

Constant 3412

Pearson 1

Kendall 1

Kendall 0.00026600

Hasil Perhitungan Deviasi pada kansei word Artistik

Tidak Artistik Artistik

Bahan Kayu 0.135

Besi -0.135

Polos -0.123

Bermotif 0.227

Ukuran Besar 0.065

Kecil -0.065

Constant 3527

Pearson 1

Kendall 1

(19)

76

Kendall 0.000033472

Hasil Perhitungan Deviasi pada kansei word Awet

Rusak Awet

Sarana pendukung Minimalis 0.100

Memiliki sekat -0.1388E-16

Bahan Kayu -0.105

Besi 0.105

Polos 0.15

Bermotif 0.010

Ukuran Besar 0.155

Kecil -0.155

Constant 3230

Pearson 1

Kendall 1

Significance Pearson 1.710569E -48

Kendall 0.00034722

Hasil Perhitungan Deviasi pada kansei word Unik

Tidak Unik Unik

Sarana pendukung Minimalis 0.047

(20)

77

Bahan Kayu -0.092

Besi 0.092

Polos 0.263

Bermotif -0.027

Ukuran Besar 0.020

Kecil -0.020

Constant 3435

Pearson 1

Kendall 1

Kendall 0.00034722

Hasil Perhitungan Deviasi pada kansei word Praktis

Tidak Praktis Praktis

Bahan Kayu -0.100

Besi 0.100

Polos 0.130

Bermotif -0.330

Ukuran Besar 0.090

Kecil -0.090

Constant 322

Pearson 1

(21)

78

Kendall 1

Kendall 0.00034722

Dari hasil perhitungan deviasi diketahui nilai dari setiap kategori terletak pada sisi positif kansei word atau sisi negatif kansei word. Nilai negatif pada kansei word menunjukkan bahwa kategori desain lebih kerah sisi kiri dari kansei word. Nilai dari setiap kategori ini digunakan sebagai pendekatan dari elemen desain. Jika dalam satu sisi kansei word terdapat dua kategori maka dipilih kategori dengan nilai deviasi yang paling besar.

Pada Tabel 4.10 menunjukkan pendekatan elemen desain berdasarkan nilai deviasi dari setiap kategori pada kansei word.

Tabel 4.10 Pendekatan Elemen Desain Kansei Word : Praktis

Elemen Desain Tidak Praktis Praktis

Bentuk Tetap atau Statis Mudah Dibongkar

Sarana Pendukung Kapasitas Banyak Minimalis, memiliki sekat

Bahan Besi Kayu

Warna Bermotif Polos, 2Warna atau Lebih

Ukuran Besar Kecil

Pendekatan Elemen Desain berdasarkan nilai terbesar

Tetap atau statis, Kapasitas banyak,kayu, bermotif,Besar

Mudah dibongkar, Minimalis, Memiliki Sekat, Besi, Polos,2 Warna atau lebih,Kecil Kansei Word : Minimalis

Elemen Desain Maksimalis Minimalis

Bentuk Tetap atau statis Mudah dibongkar

Sarana Pendukung Kapasitas Banyak Minimalis, memiliki sekat

Bahan Kayu Besi

Warna 2Warna atau lebih Polos, bermotif

Ukuran Besar Kecil

(22)

79 Pendekatan Elemen, Desai

Berdasarkan nilai Terbesar

Mudah dibongkar, Kapasitas Banyak, Kayu,Bermotif,Besar

Tetap atau statis, Minimalis, Besi, Polos, 2Warna atau lebih, Kecil

Kansei Word : Modern

Elemen Desain Modern Tradisional

Bentuk Mudah dibongkar Tetap atau statis

Sarana Pendukung Kapsitas banyak, Minimalis Memiliki sekat

Bahan Kayu Besi

Warna Bermotif, 2 warna atau lebih Polos

Ukuran Kecil Besar

Pendekatan Elemen Desain berdasarkan nilai Terbesar

Mudah dibongkar, Kapasitas Banyak, minimalis, Kecil

Tetap atau Statis, Memiliki Sekat, Polos, Besar

Kansei Word : Artistik

Elemen Desai Tidak Artistik Artistik

Bentuk Mudah dibongkar Tetap atau Statis

Sarana Pendukung Kapasitas Banyak Memiliki Sekat, Minimalis

Bahan Besi Kayu

Warna Bermotif Polos, 2 warna atau lebih

Ukuran Kecil Besar

Kansei Word : Unik

Elemen Desai Tidak Unik Unik

Bahan Besi Kayu

Ukuran Kecil Besar

Kansei Word : Awet

(23)

80

Elemen Desai Mudah Rusak Awet

Bahan Besi Kayu

Ukuran Kecil Besar

Kansei Word : Menarik

Elemen Desai Membosankan Menarik

Bahan Besi Kayu

Ukuran Kecil Besar

Kansei Word :Rapi

Elemen Desai Berantakan Rapi

Bahan Besi Kayu

Ukuran Kecil Besar

Kansei Word : Inovatif

Elemen Desai Tidak Inovatif Inovatif

Bahan Besi Kayu

(24)

81

Ukuran Kecil Besar

Kansei Word : Bermotif

Elemen Desai Tidak Bermotif Bermotif

Bahan Besi Kayu

Ukuran Kecil Besar

Kansei Word : Ergonomis

Elemen Desai Tidak Ergonomis Ergonomis

Bahan Besi Kayu

Ukuran Kecil Besar

Kansei Word : Elegan

Elemen Desai Tidak Elegan Elegan

Bahan Besi Kayu

Ukuran Kecil Besar

(25)

82 Kansei Word : Murah

Elemen Desai Mahal Murah

Bahan Besi Kayu

Ukuran Kecil Besar

4.6.4 Analisa Pentingnya Faktor

Menghitung pentingnya faktor digunakan untuk mengetahui prosentase (%) faktor-faktor dalam kontribusi kansei word. Prosentase pentingnya faktor dapat menggunakan citra image konsumen maupun responden terhadap suatu produk berdasarkan kansei word.

Dalam perhitungan analisa pentingnya faktor didapatkan dari pengolahan analisa conjoint, dan hasilnya dapat dilihat di Lampiran g.

1. Kansei Word = Praktis

a. Faktor penting untuk bentuk adalah 11,667%

b. Faktor penting untuk sarana pendukung adalah 24,444%

c. Faktor penting untuk bahan adalah 10,556%

d. Faktor penting untuk warna adalah 30%

e. Faktor penting untuk ukuran adalah 23,333%

Faktor penting yang terbesar untuk kansei word praktis adalah warna meja. Hal ini menunjukkan, warna meja merupakan faktor yang mempengaruhi penambahan image praktis dibandingkan faktor lain.

(26)

83 2. Kansei Word = Minimalis

d. Faktor penting untuk warna adalah 26,396%

Faktor penting yang terbesar untuk kansei word halus adalah bahan. Hal ini menunjukkan, bahan merupakan faktor yang mempengaruhi penambahan image halus dibandingkan faktor yang lain.

3. Kansei Word = Modern

Faktor penting yang terbesar untuk kansei word modren adalah ukuran. Hal ini menunjukkan, ukuran merupakan faktor yang mempengaruhi penambahan image modern dibandingkan faktor yang lain.

4. Kansei Word = Artistik

(27)

84 c. Faktor penting untuk bahan adalah 13,636%

Faktor penting yang terbesar untuk kansei word artistik adalah warna. Hal ini menunjukkan, warna merupakan faktor yang mempengaruhi penambahan image artistik dibandingkan faktor lain.

4. Kansei Word = Unik

Faktor penting yang terbesar untuk kansei word artistik adalah warna. Hal ini menunjukkan, warna merupakan faktor yang mempengaruhi penambahan image artistik dibandingkan faktor lain.

5. Kansei Word = Rapi

(28)

85 Faktor penting yang terbesar untuk kansei word rapi adalah warna. Hal ini menunjukkan, warna merupakan faktor yang mempengaruhi penambahan image rapi dibandingkan faktor yang lain.

6. Kansei Word = Menarik

Faktor penting yang terbesar untuk kansei word menarik adalah warna. Hal ini menunjukkan, warna merupakan faktor yang mempengaruhi penambahan image menarik dibandingkan faktor yang lain.

7. Kansei Word = Ergonomis

a. Faktor penting untuk bentuk adalah 32%

b. Faktor penting untuk sarana pendukung adalah 24%

Faktor penting yang terbesar untuk kansei word ergonomi bentuk. Hal ini menunjukkan, bentuk merupakan faktor yang mempengaruhi penambahan image ergonomi dibandingkan faktor yang lain.

(29)

86 8. Kansei Word =Bermotif

Faktor penting yang terbesar untuk kansei word kasual adalah warna. Hal ini menunjukkan, warna merupakan faktor yang mempengaruhi penambahan image kasual dibandingkan faktor yang lain.

9. Kansei Word = Elegan

Faktor penting yang terbesar untuk kansei word nyaman adalah bentuk. Hal ini menunjukkan, bentuk merupakan faktor yang mempengaruhi penambahan image nyaman dibandingkan faktor yang lain

10. Kansei Word = Inovatif

(30)

87 c. Faktor penting untuk bahan adalah 7,40%

Faktor penting yang terbesar untuk kansei word inovatif adalah sarana pendung. Hal ini menunjukkan, sarana pendukung merupakan faktor yang mempengaruhi penambahan image inovatif dibandingkan faktor yang lain.

11. Kansei Word = Awet

b. Faktor penting untuk sarana pendukung adalah 20.149%

Faktor penting yang terbesar untuk kansei word awet adalah bahan dan warna. Hal ini menunjukkan, bahan dan warna merupakan faktor yang mempengaruhi penambahan image awet dibandingkan faktor yang lain.

12. Kansei Word = Murah

(31)

88 e. Faktor penting untuk ukuran adalah 19,745%

Faktor penting yang terbesar untuk kansei word komplek adalah bentuk. Hal ini menunjukkan, bentuk merupakan faktor yang memepengaruhi penabahan image komplek dibandingkan faktor yang lain.

13. Kansei Word = Unik

d. Faktor penting untuk warna adalah 0%

Faktor penting yang terbesar untuk kansei word unik adalah bahan. Hal ini menunjukkan, bahan merupakan faktor yang mempengaruhi penambahan image unik dibandingkan faktor yang lain.

4.6.5 Analisa Pembahasan Conjoint

Setelah melakukan analisa pentingnya faktor, maka langkah selanjutnya menganalisa korelasi Pearson dan Kendall. Analisa korelasi Pearson dan Kendall dilakukan untuk mengetahui hubungan antara variabel estimasi dengan image konsumen (Kansei Word).

Analisa korelasi Pearson dan Kendall berdasarkan hasil analisa conjoint, dapat diketahui dari nilai Pearson dan Kendall dari nilai value dan significant pada correlation yang terlampir pada Lampiran h. Hipotesa dari analisa significant ini adalah :

H0 : Ada hubungan (korelasi) yang kuat antara variabel estimasi dengan image konsumen rata-rata yang nyata (Kansei Word).

H1 : Tidak ada korelasi yang kuat antara variabel estimasi dengan image konsumen rata-rata yang nyata (Kansei Word).

Area Kritis :

Sig. > 0,05, H0 diterima

(32)

89 Sig. < 0,05, H0 ditolak

Nilai value dan significant pada correlation yang terlampir pada Lampiran h, menunjukkan nilai korelasi Pearson dan Kendall 1 semua. Sehingga dapat disimpulkan bahwa ada hubungan yang kuat antara variabel-variabel item dan kategori dengan citra konsumen.

Sedangkan untuk nilai signifikan, semua Kansei Word bernilai kurang dari 0,05 sehingga hasil tersebut menunjukkan bahwa semua korelasi adalah signifikan.

4.7 Konsep Desain dan Spesifikasi

Berdasarkan pendekatan elemen desain dari hasil perhitungan deviasi dengan analisa Conjoint, didapatkan 26 elemen desain. Dari 26 elemen desain terdapata 6 elemen desain dengan spesifikasi yang sama. Kemudian 6 elemen desain yang sama dihilangkan, sehingga terdapat 20 elemen desain yang terpilih yang hasil rekapannya dapat dilihat pada Lampiran i. Elemen desain yang akan dipilih dan dirancang yaitu elemen desain yang terbentuk dari banyaknya nilai-nilai terbesar masing-masing item yang sering muncul. Dari 20 elemen desain, nilai terbesar masing-masing item yang sering muncul dan menjadi konsep rancangan produk adalah :

1. Bentuk : tetap atau statis

2. Sarana Pendukung : kapasitas banyak dan minimalis 3. Bahan : Kayu

4. Warna : Bermotif

5. Ukuran : Kecil

Sehingga desain produk yang dipilih dan dirancang memiliki spesifikasi seperti tersebut.

Setelah mengetahui konsep desain, maka peneliti merancang desain dopplet bookcase menggunakan Software Solidwork. Hasil dari rancangan desain workstation dapat dilihat pada gambar 4.1, gambar 4.2 dan gambar 4.3, sedangkan dimensi dari setiap desain dapat dilihat pada Lampiran j. Dimensi produk yang dirancang memperhatikan sisi ergonomis, yaitu dengan menggunakan data antropometri orang Indonesia.

(33)

90 Gambar 4.1 dopplet bookcase

Gambar 4.2 dopplet bookcase

Gambar 4.3 dopplet bookcase

(34)

91 4.8 Perancangan Produk

Dalam pembuatan almari buku terdapat 4 proses utama, diantaranya:

1 proses pemotongan bahan

Gambar 4.4 pemotongan bahan almari buku

(35)

92 2. proses perakitan bahan atau kerangka lemari

Gambar 4.5 perakitan kerangka almari buku