DESAIN AFEKTIF B2C MOBILE COMMERCE
MENGGUNAKAN KANSEI ENGINEERING
Afriq Yasin Ramadhan
1), Paulus Insap Santosa
2), Ridi Ferdiana
3)Departemen Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas
Gadjah Mada
Yogyakarta, Indonesia
1
[email protected],
2[email protected],
3[email protected]
ABSTRAK
Mendesain antarmuka B2C m-commerce menjadi bagian yang sangat penting karena berhubungan langsung dengan konsumen atau pengguna. Buruknya desain antarmuka B2C m-commerce berpotensi menjadi salah satu faktor kegagalan suatu produk. Implikasi kegagalan produk terhadap suatu bisnis adalah akan mengakibatkan kekecewaan konsumen sehingga peluang meraih pasar akan hilang, serta mendapatkan citra buruk atas produk atau layanan yang bermutu rendah dibandingkan dengan kompetitornya. Penelitian sebelumnya menyatakan bahwa desain dapat dioptimalkan dengan cara menemukan kebutuhan perasaan konsumen. Penelitian ini bertujuan untuk menemukan kebutuhan perasaan konsumen yang berhubungan dengan aplikasi B2C m-commerce dan menerjemahkannya ke dalam elemen desain. Pada penelitian ini, kami mengusulkan desain afektif untuk B2C m-commerce.
Kansei Engineering merupakan metode untuk mengeksplorasi hubungan antara perasaan dan citra konsumen dengan fitur desain sebagai dasar perancangan antarmuka B2C m-commerce. Kansei engineering digunakan untuk menangkap respon afektif konsumen terhadap aplikasi B2C m-commerce.
Partial Least Square Analysis digunakan dalam penelitian ini untuk menerjemahkan data statistik ke dalam elemen desain. Hasil rekapitulasi analisis tersebut menghasilkan matrik formulasi interface design
yang kemudian digunakan sebagai acuan dalam perancangan antarmuka B2C m-commerce
.
Kata kunci : desain afektif, kansei engineering, mobile commerce, user interface.
ABSTRACT
Designing B2C m-commerce interface becomes a very important part because it deals directly with consumers or users. Poor interface design of B2C m-commerce becomes one of the failure factors of a product. The implications of a product failure to a business will impact in consumer disappointment, so the chances of reaching the market will be lost, and get a bad image of a product or service that is inferior of quality compared to its competitors. Previous research has suggested that the design can be optimized by finding the needs of consumer feelings. The objectives of this paper are to find the needs of consumer feelings related to B2C m-commerce applications and translate them into design elements. In this paper, we proposed an affective design for B2C m-commerce. Kansei Engineering is a method to explore the relationship between feelings and imagery of consumer with design features as the basis for designing B2C m-commerce interface. Kansei engineering is used to capture consumers' affective responses to B2C m-commerce applications. Partial Least Square Analysis was used in this study to translate statistical data into design elements. The results of the analysis recapitulation resulted in interface formulation design matrices which are then used as reference in the design of B2C m-commerce interface.
Keywords: affektive design, kansei engineering, mobile commerce, user interface.
1. PENDAHULUAN
Peningkatan pengguna perangkat mobile akan berdampak besar pada perkembangan aplikasi berbasis
mobile dan akan membawa banyak manfaat bagi perusahaan [1]. Teknologi mobile telah menciptakan pasar baru yang disebut mobile commerce (m-commerce) dan telah menjadi cara baru bagi banyak perusahaan untuk menjalankan proses bisnis mereka. Ini adalah tren yang penting bagi layanan modern
untuk mengubah platform bisnis dari komputer ke perangkat mobile [2]. Saat ini, banyak aplikasi berbasis
mobile yang terbengkalai karena memiliki user interface yang buruk [3]. Dalam pengembangannya, desain produk yang hanya berfokus pada fungsionalitas produk, struktur dan kualitas produk, serta keindahan eksternal saja tidak mampu lagi memenuhi kebutuhan konsumen. Namun, desain dapat dioptimalkan dengan cara menemukan kebutuhan perasaan konsumen [4] [5].
Kansei engineering (KE) merupakan metode untuk mengeksplorasi hubungan antara fitur desain dengan perasaan dan citra konsumen sebagai dasar perancangan sebuah desain produk [5]. KEini bertujuan untuk mengembangkan atau memperbaiki produk atau layanan dengan menerjemahkan perasaan psikologis dan kebutuhan pelanggan ke dalam elemen desain produk. Pendekatan kansei telah berhasil untuk menangkap preferensi pengguna berdasarkan indra dan kognisinya [3].
Tipe metode KE yang digunakan dalam penelitian ini adalah KE Type I (KEPack). KEPack merupakan teknik yang paling populer diformulasikan sebagai strategi pengembangan produk perusahaan yang berfokus pada desain domain serta target konsumen [6].
Penelitian sebelumnya [7] telah dilakukan analisis elemen antarmuka m-commerce yang menghasilkan konsep desain berdasarkan emotion. Pada paper ini, kami mengajukan penelitian bagaimana cara membuat desain afektif B2C m-commerce menggunakan pendekatan kansei engineering. Sedikitnya ada dua alasan pembuatan desain afektif ini menjadi sangat penting. Pertama, transaksi belanja yang dilakukan dengan perangkat mobile terus mengalami peningkatan [8]. Kedua, desain yang memperhatikan perasaan pengguna akan bekerja lebih baik daripada desain yang hanya bisa digunakan [9].
Tujuan dari penelitian ini yaitu menerapkan analisis kansei untuk membuat matrik formulasi desain
interface yang dapat diterapkan pada desain aplikasi B2C m-commerce.
2. METODE PENELITIAN
Metode penelitian yang dipakai pada penelitian ini ditunjukkan secara singkat pada gambar 2.1.
Gambar 2.1
Flowchart Penelitian
Mengumpulkan dan Menentukan Kansei Word
Pengumpulan kansei word (KW) yang berupa kata afektif (kata sifat) diperoleh melalui beberapa referensi seperti jurnal, paper, literatur terkait, kamus, majalah, maupun pendapat ahli [10][11][12] yang berhubungan dengan konsep B2C m-commerce.
Mengidentifikasi Elemen Desain Interface
Mengidentifikasi elemen-elemen desain apa saja yang menyusun interface B2C m-commerce, kemudian mengklasifikasikannya berdasarkan komponen elemen desain. Elemen desain interface terdiri dari layout,
typography, bentuk, warna, ukuran, citra, dan control [3][13]. Setelah itu, elemen desain yang sudah diklasifikasi disajikan dalam bentuk tabel.
Evaluasi Kansei
Setelah mengumpulkan responden baik pria dan wanita dari status mahasiswa sampai orang dewasa, semua subjek berpartisipasi dalam evaluasi eksperimen. Mereka merekam perasaan (feelings) mereka dengan kata-kata kansei untuk setiap sampel di lembar skala semantic differential.
Analisis Statistik
Data kuisioner yang dievaluasi, dianalisis menggunakan metode statistik, yaitu dengan analisis multivariat. Semua data yang dianalisis harus ditafsirkan dari sudut pandang teknik kansei [14]. Tujuannya adalah untuk menemukan hubungan antara perasaan manusia (human feelings) dan elemen desain.
Matrik Formulasi Desain Interface
Matrik formulasi desain interface didapat dari hasil analisis PLS yang telah direkap secara manual. Matrik disusun berdasarkan KW yang memiliki pengaruh terbesar dalam interaksi antara konsumen dengan aplikasi B2C m-commerce.
Desain User Interface
Mendesain user interface B2C m-commerce berdasarkan matrik formulasi desain interface untuk memvalidasi formulasi desain interface yang telah dihasilkan dari tahapan sebelumnya.
3. HASIL DAN PEMBAHASAN
a. Mengumpulkan dan menentukan Kansei Word
Kansei word merupakan kumpulan kata-kata yang menggambarkan faktor psikologis [7]. Umumnya kata afektif (sifat) digunakan sebagai kata kansei yang mewakili perasaan pengguna terkait dengan antarmuka B2C mobile commerce. Pada penelitian ini ditentukan sebanyak 20
kansei word, kemudian disusunlah dalam bentuk 5 poin skala semantic differential. b. Mengidentifikasi Elemen Desain Interface
Sebanyak 5 B2C m-commerce telah dipilih berdasarkan kebutuhan, diantaranya adalah Lazada, Matahari Mall, Shopee, Bukalapak, dan Tokopedia. 5 spesimen tersebut akan digunakan sebagai perbandingan antar produk yang serupa dari perusahaan B2C m-commerce lainnya [14].
Setelah memilih spesimen, langkah selanjutnya adalah mengidentifikasi properti elemen desain. Telah didapat 34 properti elemen desain yang masing-masing telah diklasifikasikan berdasarkan komponen elemen desain, yakni global style, header and menu, home page, dan product.
Tabel 3.1 Komponen Elemen Desain Interface “Product”
Spe ci m ent I D Speciment Product View …
Type Image Size …
List Grid Small Medium Large … PVTL PVTG PVISS PVISM PVISL …
1 Lazada 0 1 1 0 0 …
2 Matahari Mall 0 1 1 0 0 …
3 Shopee 0 1 0 1 0 …
5 Tokopedia 0 1 0 1 0 … c. Evaluasi Kansei
Kami mengumpulkan 65 partisipan/responden dengan rentang usia 22-31 tahun untuk memberikan tanggapan mereka terhadap spesimen ke instrumen pengukuran kansei. Setelah mengeksplorasi semua spesimen, semua partisipan diwajibkan mengisi kuisioner kansei dengan memberikan tanda centang di kolom skor yang telah disediakan; dari semua kansei word pada setiap spesimen.
d. Analisis Statistik
Sebelum dilakukan analisis statistik, perlu dipersiapkan data rata-rata hasil kuisioner kansei dan tabel komponen elemen desain (tabel 3.1) yang telah dihasilkan pada tahapan sebelumnya.
Tabel 3.2 Data Rata-Rata Semua Partisipan
No. Kansei Word Spesimen
1 2 3 4 5
1 Easy 3.938 3.723 3.769 4.169 4.031
2 Futuristic 3.708 3.538 3.646 3.954 3.954 3 Informative 3.877 3.785 3.815 3.969 4.046
… … … …
Ada 4 analisis multivariat yang akan digunakan dalam penelitian ini, antara lain Coefficient Correlation Analysis (CCA), Principal Component Analysis (PCA), Factor Analysis (FA), dan
Partial Least Square Analysis (PLS).
1) Coefficient Correlation Analysis (CCA)
Coefficient correlation analysis dilakukan dengan tujuan untuk mengetahui hubungan antar KW yang mewakili perasaan manusia. CCA ini dilakukan dengan metode korelasi pearson, hasil analisis ditunjukkan oleh tabel 3.3. Berdasarkan hasil yang diperoleh, terdapat hubungan yang kuat antara KW Futuristic dan Easy, serta Creative dan Futuristic dengan nilai 0.939 dan 0.997. Namun juga terdapat hubungan yang lemah antara Colorful dan Easy, serta Colorful dan Understandable dengan nilai -0.278 dan -0.113.
Tabel 3.3 Hubungan Antar Kansei Word
Variables Easy Futuristic Informative Understandable Enjoyable …
Easy 1 0.939 0.856 0.892 0.886 … Futuristic 0.939 1 0.962 0.792 0.966 … Informative 0.856 0.962 1 0.731 0.953 … … … … … Colorful -0.278 -0.240 -0.388 -0.113 -0.412 … Creative 0.920 0.997 0.953 0.753 0.967 … Innovative 0.817 0.919 0.902 0.517 0.986 … Valuable 0.806 0.824 0.858 0.919 0.703 …
2) Principal Component Analysis (PCA)
Principal component analysis merupakan metode analisis yang digunakan untuk mengetahui hubungan antara spesimen dengan KW. Analisis PCA dilakukan dengan menggunakan
PC Vector yang terdapat pada gambar 3.1 menunjukkan sebaran spesimen dan KW. Pada spesimen 1 (Lazada) KW yang mendekati adalah Crowded dan Colorful, sedangkan pada spesimen 4 (Tokopedia) KW yang mendekati adalah Attractive, Innovative, dan Exciting. Area kansei akan berada pada axis x yang bernilai positif (kuadran positif) atau berada pada sisi kanan atas. Hal ini berarti bahwa KW yang terdapat pada kuadran tersebut akan menjadi dasar perancangan desain user interface B2C m-commerce.
3) Factor Analysis (FA)
Factor analysis bertujuan untuk mengidentifikasi faktor perasaan manusia (KW) yang berpengaruh terhadap spesimen. FA dilakukan untuk memperkuat hasil dari PCA dan untuk menemukan KW yang memiliki pengaruh terbesar dalam interaksi antara m-commerce dan konsumen [7]. Data rekapitulasi rata-rata digunakan sebagai bahan analisis FA dengan menggunakan varimax rotation untuk memperoleh nilai yang lebih akurat.
Tabel 3.4 Hasil Factor Analysis
Factor 1 Factor 2
Variability (%) 65.792 22.263
Cumulative 65.792 88.055
Dari hasil FA yang ditunjukkan oleh tabel 3.4 terdapat tingkat variability factor 1 sebesar 65.792%, sedangkan factor 2 sebesar 22.263%. Dengan demikian berarti factor 1 memiliki tingkat keberpengaruhan yang lebih tinggi dibandingkan dengan factor 2. Jumlah presentase
cumulative kedua faktor tersebut adalah 88.055, hal ini berarti bahwa dua faktor tersebut sudah cukup untuk menentukan KW mana yang akan dilibatkan dalam perancangan desain
user interface.
Pada tahap selanjutnya, untuk mendapatkan nilai KW terbesar, kita urutkan hasil FA setelah dilakukan varimax rotation dari nilai terkecil hingga terbesar. Nilai minimal yang digunakan adalah 0.9 untuk mempersempit jumlah KW dan berfokus pada KW dengan nilai terbesar yang memiliki keberpengaruhan yang tinggi.
Tabel 3.5 Nilai Kansei Word Berdasarkan Factor Analysis
Kansei Words Factor 1 Kansei Words Factor 2
Feminine -0.585 Colorful -0.930
Colorful -0.077 Crowded -0.887
Gambar 3.1 Hasil PC Vector
Crowded 0.103 Feminine -0.756
Simple 0.468 Understandable -0.082
Easy to learn 0.772 Valuable -0.031
Innovative 0.805 Easy to learn 0.013
Attractive 0.817 Creative 0.179 Exciting 0.826 Futuristic 0.196 Valuable 0.865 Motivating 0.210 Dynamic 0.866 Easy 0.221 Enjoyable 0.877 Dynamic 0.236 Pleasant 0.889 Informative 0.291 Understandable 0.891 Friendly 0.303 Informative 0.894 Pleasant 0.324 Clear 0.897 Clear 0.373 Motivating 0.947 Enjoyable 0.419 Friendly 0.953 Exciting 0.452 Easy 0.956 Innovative 0.471 Creative 0.961 Attractive 0.523 Futuristic 0.970 Simple 0.860
Dari hasil FA pada tabel 3.5, didapatkan 5 KW yang memiliki nilai > 0.9, dengan Futuristic
sebagai KW yang mempunyai nilai terbesar yaitu 0.970. Dengan demikian pengembangan desain user interface B2C m-commerce harus mempertimbangkan 5 KW tersebut, khususnya
Futuristic.
4) Partial Least Square Analysis (PLS)
Partial least square analysis merupakan metode statistik yang digunakan untuk menemukan hubungan antara perasaan manusia (KW) dengan properti elemen desain B2C m-commerce
[13]. Data-data yang dilibatkan dalam proses analisis PLS ini diantaranya hasil rekapitulasi rata-rata sebagai variabel y (Dependent), dan elemen desain interface yang menyusun
interface B2C m-commerce yang telah disajikan dalam dummy variable (tabel 3.1) sebagai variabel x (Explanatory), serta lima spesimen B2C m-commerce. Masing-masing komponen elemen desain dilakukan analisis PLS, sehingga akan terdapat 4 hasil analisis yaitu global style, header and menu, home page, dan product.
Tabel 3.6 Hasil PLS Futuristic untuk Komponen Elemen Desain “Product”
Property Design Concept Variable Coefficient Range 0.097 Product View
Type
Product View Type List PVTypeList 0.000
0.000 Product View Type Grid PVTypeGrid 0.000
Product View Image Size
Product View Image
Size Small PVISizeSmall -0.127
0.255 Product View Image
Size Medium PVISizeMedium 0.127 Product View Image PVISizeLarge 0.000
Size Large
… … … … …
Related Product Related Product RelatedProdY 0.000 0.000 No Related Product RelatedProdN 0.000
e. Matrik Formulasi Interface Design
Hasil analisis PLS pada tahapan sebelumnya direkap secara manual untuk membuat matrik formulasi interface design. Dalam penyusunannya hanya KW yang memiliki nilai tertinggi yang akan dibuat matrik formulasinya, yaitu futuristic. Untuk menentukan property mana yang dipakai dalam elemen desain, perlu dicari range coefficient. Rata-rata hasil range dari semua properti akan menjadi acuan untuk memilih properti mana yang memiliki pengaruh signifikan terhadap KW yang mewakili perasaan manusia. Apabila range properti lebih besar dari rata-rata hasil range, maka properti elemen desain tersebut memiliki pengaruh signifikan dan sebaliknya, jika memilki nilai lebih rendah dari range rata-rata berarti tidak berpengaruh secara signifikan.
Tabel 3.7 Matrik Formulasi Interface DesignKWFuturistic untukElemenDesain “Product”
Element Design Property Range Design Concept
Product View Type 0.000 NS
Product View Image Size 0.255 Product View Image Size Medium
Product Category 0.000 NS
Product Category Type 0.399 Product Category Type Text with Icon
Product Filter 0.000 NS
Product Filter Position 0.063 Product Filter Position Bottom Product Detail Image Size 0.000 NS
Product Info 0.000 NS
Product Info Type 0.252 Product Info Type Summary
Related Product 0.000 NS
Rata-rata hasil range dari semua properti untuk komponen elemen desain Product yaitu 0.097. dalam perancangan matrik formulasi interface design, apabila terdapat range dengan nilai 0 atau di bawah 0, maka akan ditulis NS yang berarti not significant. Sedangkan apabila nilai range
lebih kecil dari rata-rata, dan selama property elemen desain masih bernilai positif, design concept akan tetap ditulis.
f. Desain User Interface
Dalam pengembangan desain user interface B2C m-commerce, kami bekerja sama dengan desainer untuk membuat user interface B2C m-commerce sesuai dengan matrik formulasi desain
interface. Kolaborasi ini dilakukan sekaligus sebagai sarana untuk memvalidasi matrik formulasi desain interface apakah dapat diterapkan dengan baik atau tidak.
Gambar 3.2
4. PENUTUP
Factor Analysis telah berhasil digunakan untuk menemukan kansei word yang paling berpengaruh terhadap pengembangan antarmuka aplikasi B2C m-commerce, diantaranya adalah futuristic, creative, easy, friendly, dan motivating. Pada penelitian ini, Partial Least Square bisa digunakan untuk mendapatkan hubungan antara kansei word dengan elemen desain, serta mampu menerjemahkan kansei word yang mewakili perasaan konsumen ke dalam elemen desain B2C m-commerce. Rekapitulasi Partial Least Square Analysis telah menghasilkan matrik formulasi interface design yang sukses divalidasi dengan berhasil dikembangkannya desain antarmuka B2C m-commerce.
Pada penelitian ini, kami hanya berfokus pada target pengguna orang Indonesia. Untuk penelitian selanjutnya, pengembangan desain afektif dapat dilakukan dengan memperbanyak jumlah spesimen serta jangkauan partisipan yang lebih luas dengan beragam background kebudayaan, kebiasaan, dan studi. Di samping itu, perlu dipastikan partisipan sudah memiliki pengalaman melakukan transaksi berbelanja dengan m-commerce. Dengan demikian akan dihasilkan desain afektif yang mewakili jumlah populasi sasaran konsumen secara global dari produk yang akan dibuat.
5. DAFTAR PUSTAKA
[1] S. H. Kim, “Impacts of Mobile Commerce- Benefits, Technological and Strategic Issues and Implementation.Pdf,” Journal of Applied Sciences, vol. 6.12. pp. 2523–2531, 2006.
[2] L. Peng and L. Lai, “A research on mobile commerce based on service engineering,” Icsssm12, pp. 795–799, 2012.
[3] R. Aktivia, T. Djatna, and Y. Nurhadryani, “Visual Usability Design for Mobile Application Based on User Personality,” pp. 177–182, 2014.
[4] Y. Wang and X. Deng, “The design theory and methods of emotional concept product based on Kansei Engineering,” 2010 IEEE 11th Int. Conf. Comput. Ind. Des. Concept. Des. CAID CD’2010, vol. 1, pp. 26–30, 2010.
[5] Y. Chen, “Research on Optimized Design of Kansei Engineering-Based Web Interface,” 2013 Int. Conf. Comput. Inf. Sci., pp. 1709–1712, 2013.
[6] A. Hadiana, “Web based e-learning system analysis using Kansei Engineering,” 2015 3rd Int. Conf. Inf. Commun. Technol. ICoICT 2015, pp. 558–562, 2015.
[7] A. Hadiana, “Kansei Analysis of Interface ’ s Elements for Mobile Commerce Application,” vol. 4, no. c, pp. 1–4, 2016.
[8] P. Windy, “Infografis Tren Online Shopping Indonesia 2014,” 2014. .
[9] S. N. Hussin and A. M. Lokman, “Kansei Website Interface Design :,” pp. 30–35, 2011.
[10] A. M. Lokman and M. Nagamachi, “Validation of Kansei Engineering Adoption in E-commerce Web Design,” Kansei Eng. Int. J., vol. 9, no. 1, pp. 21–27, 2009.
[11] N. Laila and Q. Sciences, “Kansei Engineering: a Study on Perception of Online Clothing Websites,” 10th QMOD Conf. Qual. Manag. Organiqatinal Dev., p. 8, 2007.
[12] A. M. Lokman, N. L. M. Noor, and M. Nagamachi, “Engineering Kansei in E-Commerce Web Design,” Posters, vol. 0, pp. 1041–1045, 2007.
[13] N. L. Noor, A. M. Lokman, and M. Nagamachi, “Applying Kansei Engineering To Determine Emotional Signature of Online Clothing,” Tenth Int. Conf. Enterp. Inf. Syst., p. 142-, 2008. [14] M. Nagamachi and M. Tachikawa, “A successful statistical procedure on kansei engineering
