pemasran nee

SEGMENTASI PASAR PRODUK BAKSO CAK LEO MENGGUNAKAN METODE K-MEANS

HASIL PENELITIAN

diajukan guna memenuhi salah satu syarat untuk menyelesaikan Mata Kuliah Manajemen Pemasaran Jurusan Teknologi Hasil Pertanian

oleh: Yulianto Tri Chandra Doli Pardomuan Htg Dania Sari N Prasetyo Dwi L Hari Setyawan 081710101013 081710101030 081710101040 081710101064 081710101071

JURUSAN TEKNOLOGI HASIL PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN UNIVERSITAS JEMBER 2012

BAB 1. PENDAHULUAN

1.1 Latar Belakang Bakso merupakan salah satu makanan tradisional yang digemari oleh masyarakat Indonesia. Makanan ini adalah produk olahan dari daging berbentuk bulat dan dilengkapi dengan berbagai bahan tambahan, seperti kuah, gorengan, dan lain sebagainya. Seiring dengan hal tersebut, pada saat ini tidak sulit untuk mendapatkan satu porsi bakso karena orang penjual bakso hampir selalu ada di berbagai lokasi dan mereka saling bersaing untuk mendapatkan pelanggan. Di Jember sendiri banyak sekali orang yang menjual bakso dimana penjual bakso tersebut menggunakan berbagai cara dalam memasarkan dagangannya. Secara umum strategi pemasaran yang biasa dilakukan dengan cara membuka warung bakso di satu lokasi dan memasarkan dengan cara berkeliling (menggunakan gerobak dorong). Salah satu bakso yang digemari dan disukai oleh masyarakat Jember yaitu Bakso Cak Leo. Dalam pemasarannya, penjual bakso ini menggunakan sistem penjualan dengan cara membuka warung di sekitar kompleks perumahan mastrip Jember. Kesukaan konsumen terhadap bakso ini sangatlah bervariasi dan mereka hanya suka pada beberapa atribut mutu tertentu saja, seperti harga, rasa, tempat penjualan dan sebagainya. Dengan adanya variasi tersebut, diperlukan adanya pengelompokan konsumen bakso Cak Leo menurut kesukaan dari beberapa atribut mutu tertentu sehingga nantinya mungkin saja bisa digunakan oleh penjual bakso ini dalam menentukan penjualan bakso berdasarkan kesukaan kelompok beberapa atribut mutu tertentu yang telah dinilai. Untuk itu, diperlukan adanya penelitian terlebih dahulu untuk menentukan pengelompokan konsumen berdasar beberapa atribut mutu tertentu. Metode pengelompokan ini dilakukan

menggunakan metode K-Means yang dianggap metode pengelompokan data yang paling sering dan mudah digunakan.

1.2 Tujuan 1. Mengetahui tingkat kesukaan konsumen terhadap bakso Cak Leo. 2. Mengetahui segmentasi pasar bakso Cak Leo dan karakteristiknya.

1.3 Rumusan Masalah Bakso yang merupakan hasil olahan daging sapi banyak digemari oleh masyarakat. Namun belum diketahui atribut mutu yang disukai konsumen dari olahan bakso tersebut, oleh karena itu diperlukan adanya penelitian mengenai hal tersebut.

BAB 2. TINJAUAN PUSTAKA

2.1 Bakso Bakso memiliki akar dari seni kuliner Tionghoa Indonesia hal ini ditunjukkan dari istilah Bakso berasal dari kata Bak-So, dalam Bahasa Hokkien yang secara harfiah berarti 'daging babi giling'. Karena kebanyakan penduduk Indonesia adalah muslim, maka bakso lebih umum terbuat dari daging halal seperti daging sapi, ikan, atau ayam. Seiring berkembangnya waktu, istilah bakso menjadi lebih dikenal dengan 'daging giling' saja. Kini, kebanyakan penjual bakso adalah orang Jawa dari Wonogiri dan Malang. Tempat yang terkenal sebagai pusat Bakso adalah Solo dan Malang yang disebut Bakso Malang (Wikipedia, 2012).

Gambar 2.1 Makanan Bakso

Bakso, merupakan makanan yang sangat populer di kalangan masyarakat kita. Hampir di setiap tempat dapat kita jumpai produk ini. Di pasar-pasar, di pinggir jalan, di pondokan, pedagang keliling sampai di pasar swalayan. Bakso atau baso adalah jenis bola daging yang paling lazim dalam masakan Indonesia (Amiruddin, 2012). Bakso umumnya dibuat dari campuran daging sapi giling dan tepung tapioka, akan tetapi ada juga baso yang terbuat dari daging ayam, ikan atau udang. Dalam penyajiannya, bakso umumnya disajikan panas-panas dengan kuah kaldu sapi bening, dicampur mi, bihun, taoge, tahu, terkadang telur, ditaburi bawang goreng dan seledri. Bakso sangat populer dan dapat ditemukan di seluruh Indonesia. Dari gerobak pedagang kaki lima hingga restoran. Berbagai jenis bakso

sekarang banyak di tawarkan dalam bentuk makanan beku yang dijual di pasar swalayan dan mall-mall. Irisan bakso dapat juga dijadikan pelengkap jenis makanan lain seperti mi goreng, nasi goreng atau cap cay. Bahan-bahan yang harus disiapkan dalam pembuatan bakso, antara lain: 1) Daging. Segala jenis daging dapat dijadikan baso. Daging harus segar, semakin segar semakin baik. Daging segar yang baru keluar dari rumah potong paling baik digunakan. Daging yang akan dijadikan baso lebih baik dibekukan secara cepat sebelum digiling. Daging beku akan memberikan rasa dan aroma baso yang lebih gurih. 2) Tapioka 3) Bumbu-bumbu. Rempah-rempah apa saja dapat dijadikan bumbu. Akan tetapi biasanya pengusaha baso menggunakan bawang merah, bawang putih, merica bubuk dan garam. 4) Telur. Telur digunakan agar adonan lebih halus, dan rasanya lebih enak. Walaupun demikian, telur tidak selalu digunakan dalam pembuatan baso. Telur ayam, itik dan puyuh dapat digunakan. 5) Sodium tripoli fosfat. Bahan kimia ini berfungsi sebagai pengemulsi sehingga dihasilkan adonan yang lebih rata (homogen). Adonan yang lebih rata akan memberikan tekstur baso yang lebih baik. Sedangkan, peralatan yang digunakan dalam pembuatan bakso, antara lain: 1) Penggiling dan Pencampur. Alat ini terdiri dari bagian penggiling baso berupa extruder dan pencampur adonan. Pencampur adonan berupa piring baja yang dilengkapi pengaduk sentrifugal yang dipasang mendatar. Pengaduk tersebut berutar dengan kecepatan tinggi sehingga bahan-bahan yang tidak liat dan tidak keras akan dihancurkan. 2) Ketel Perebus. Alat ini digunakan untuk merebus baso mentah menjadi matang. Pengusaha baso biasanya menggunakan panci sebagai ketel perebus (Hasbullah, 2012). Pembuatan bakso terdiri dari tahap pemotongan daging, penggilingan daging, penghalusan daging giling sekaligus pencampuran dengan bahan pembantu dan bumbu, pencampuran dengan tepung tapioka dan sagu aren,

pembentukan bola-bola dan perebusan. Perebusan bakso dilakukan dalam dua tahap agar permukaan bakso yang dihasilkan tidak keriput dan tidak pecah akibat perubahan suhu yang terlalu cepat. Tahap pertama, bakso dipanaskan dalam panci berisi air hangat sekitar 600C sampai 800C, sampai bakso mengeras dan terapung. Tahap kedua, bakso direbus sampai matang dalam air mendidih. Daging digiling dengan menggunakan grinder. Daging gilingan dimasukkan ke dalam food prosessor (chopper) bersama dengan sebagaian dari es, STTP, garam, lada halus, MSG, dan bawang putih yang telah dihaluskan. Campuran tersebut dihaluskan selama 5 menit. Tepung tapioka, sagu aren, dan sisa es ditambahkan ke dalam food processor dan semua campuran dihaluskan sampai halus (kurang lebih 10 menit). Setelah halus, adonan bakso ini dibulat-bulatkan dengan menggunakan tangan dan diambil dengan sendok. Ukuran daging disesuaikan dengan selera, bisa besar, kecil atau sedang. Bola-bola daging yang terbentuk langsung dimasukkan ke dalam air hangat (air hangat ini belum mendidih atau sekitar suhu 60-80 0Celsius). Bila sudah terapung dalam air, bola-bola bakso ini diangkat. Bila akan dikonsumsi langsung, bakso tersebut didinginkan sebentar, lalu direbus lagi sampai matang (sekitar 10 menit). Bila akan disimpan, dapat disimpan di refrigerator untuk jangka waktu sebentar atau di freezer untuk jangka waktu yang lama. Direbus kembali bila akan dikonsumsi. Bakso memiliki banyak macam variasi, yaitu: 1. Bakso urat: bakso yang diisi irisan urat atau tendon dan daging tetelan kasar, 2. Bakso bola tenis atau bakso telur: bakso berukuran bola tenis berisi telur ayam rebus, 3. Bakso gepeng: bakso berbentuk pipih, 4. Bakso ikan: bakso berbahan daging ikan, 5. Bakso udang: bakso berbahan dari udang, 6. Bakso Malang: hidangan bakso dari kota Malang , Jawa Timur; lengkap dengan mi kuning, tahu, siomay, dan pangsit goreng, 7. Bakso keju: bakso resep baru berisi keju.

Dalam proses pembuatanya, ada bakso yang dicampur dengan boraks atau bleng untuk membuat tepung menjadi lebih kenyal mirip daging serta lebih awet. Hal ini membuat bakso pernah dianggap makanan yang kurang aman oleh BPOM. BPOM mengingatkan bahwa mengonsumsi makanan berkadar boraks tinggi selama kurun 510 tahun dapat meningkatkan risiko kanker hati. Maka, bakso yang dijual di berbagai pasar tradisional dan pasar swalayan diwajibkan bebas boraks (Amiruddin, 2011)

2.2 Clustering Clustering adalah proses mengelompokkan atau penggolongan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Clustering dalam data mining berguna untuk menemukan pola distribusi didalam sebuah data set yang berguna untuk proses analisa data. Kesamaan objek biasanya diperoleh dari kedekatan nilai-nilai atribut yang menjelaskan objek-objek data, sedangkan objek-objek data biasanya direpresentsikan sebagai sebuah titik dalam ruang multidimensi. Clustering dapat dilakukan pada data yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi. Banyak algoritma clustering memerlukan fungsi jarak untuk mengukur kemiripan antar data, diperlukan juga metode untuk normalisasi bermacam atribut yang dimiliki data. Analisa cluster atau analisa kelompok merupakan teknik analisis data yang bertujuan untuk mengelompokkan individu/obyek kedalam beberapa kelompok yang memiliki sifat berbeda antar kelompok, sehingga individu/obyek yang terletak dalam satu kelompok akan mempunyai sifat relatif homogen. Metode pengelompokkan pada dasarnya ada dua, yaitu: Hierarcial Clustering Method dan Non Hierarchial Clustering Method. Metode

pengelompokkan hirarki digunakan apabila belum ada informasi jumlah kelompok. Sedangkan, metode pengelompokkan non hirarki bertujuan

mengelompokkan n obyek kedalam k kelompok (k < n). Salah satu prosedur pengelompokkan pada non hirarki adalah dengan menggunakan metode K-means.

Metode ini merupakan metode pengelompokkan yang bertujuan mengelompokkan obyek sedemikian hingga jarak tiap-tiap obyek ke pusat kelompok didalam satu kelompok adalah minimum (Hartigan, 1979).

2.3 Metode K-Means Algoritma K-Means merupakan algoritma clustering iteratif sederhana dimana semua partisi dataset yang diberikan menjadi beberapa pengguna tertentu cluster, k. Algoritma ini sederhana untuk melaksanakan dan menjalankan, relatif cepat, mudah beradaptasi, dan umum dalam praktek. Algoritma K-Means merupakan algoritma clustering iteratif sederhana di mana semua partisi dataset yang diberikan menjadi beberapa pengguna tertentu cluster, k. Algoritma ini sederhana untuk melaksanakan dan menjalankan, relatif cepat, mudah beradaptasi, dan umum dalam praktek (Inderjit, 2004). K-Means adalah suatu metode penganalisaan data atau metode data mining yang melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan sistem partisi. Metode k-means berusaha mengelompokkan data yang ada kedalam beberapa kelompok dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain. Dengan kata lain, metode ini berusaha untuk meminimalkan variasi antar data yang ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya. Objective function yang berusaha diminimalkan oleh k-means adalah: J (U, V) = SUM (k=1 to N) SUM (i=1 to c) (a_ik * (x_k, v_i)^2) dimana: U : Matriks keanggotaan data ke masing-masing cluster yang berisikan nilai 0 & 1 V : Matriks centroid/rata-rata masing-masing cluster N : Jumlah data c : Jumlah cluster a_ik : Keanggotaan data ke-k ke cluster ke-i x_k : data ke-k

v_i : Nilai centroid cluster ke-i Prosedur yang digunakan dalam melakukan optimasi menggunakan kmeans adalah sebagai berikut: Step 1. Tentukan jumlah cluster Step 2. Alokasikan data ke dalam cluster secara random Step 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster. Step 4. Alokasikan masing-masing data ke centroid/rata-rata terdekat Step 5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan, di atas nilai threshold yang ditentukan Centroid/rata-rata dari data yang ada di masing-masing cluster yang dihitung pada Step 3. didapatkan menggunakan rumus sebagai berikut: v_ij = SUM (k=0 to N_i) (x_kj) / N_i dimana: i,k : indeks dari cluster j : indeks dari variabel v_ij : centroid/rata-rata cluster ke-i untuk variabel ke-j x_kj : nilai data ke-k yang ada di dalam cluster tersebut untuk variabel ke-j N_i : Jumlah data yang menjadi anggota cluster ke-i (Teknomo, 2007) Sedangkan, pengalokasian data ke masing-masing cluster yang dilakukan pada Step 4. dilakukan secara penuh, dimana nilai yang memungkinkan untuk a_ik adalah 0 atau 1. Nilai 1 untuk data yang dialokasikan ke cluster dan nilai 0 untuk data yang dialokasikan ke cluster yang lain. Dalam menentukan apakah suatu data teralokasikan ke suatu cluster atau tidak, dapat dilakukan dengan menghitung jarak data tersebut ke masing-masing centroid/rata-rata masingmasing cluster. Dalam hal ini, a_ik akan bernilai 1 untuk cluster yang centroidnya terdekat dengan data tersebut, dan bernilai 0 untuk yang lainnya (Pelleg, 2000). Digunakan untuk mengelompokan sejumlah kasus yang besar lebih dari 200 kasus dengan lebih efisien. Metode ini berdasarkan nearest centroid sorting yaitu pengelompokan berdasarkan jarak terkecil antar kasus dan pusat dari klaster.

Teknik ini membutuhkan jumlah klaster yang ditentukan terlebih dahulu oleh pemakai. Dan untuk hal tersebut dapat menggunakan analisis hirarki dalam menentukan jumlah klaster. MacQueen (1967) membagi prosedur metode KMeans Clustering menjadi tiga tahap, yaitu: 1. Membagi individu (cases) menjadi k - klaster awal. 2. Proses dimulai dari menyusun individu (cases), masukan cases ke klaster yang memiliki pusat rata-rata terdekat. Ukuran jarak yang digunakan pada metode ini adalah Euclidean Distance. Hitung kembali pusat dari klaster yang menerima cases baru dan yang kehilangan cases. 3. Ulangi langkah kedua sampai tidak ada lagi penempatan cases kedalam klaster. Dengan metode K-Means individu dikelompokan menjadi k kelompok dengan cara memindah-mindahkan individu dari kelompok yang satu ke kelompok yang lain sehingga tercapai komponen kesalahan yang minimum.

BAB 3. METODOLOGI

3.1 Tempat dan Waktu Penelitian ini dilaksanakan di Perumahan Mastrip Jember dan Fakultas Teknologi Pertanian Universitas Jember pada tanggal 23 Februari 13 Maret 2012.

3.2 Alat dan Bahan 3.2.1 Alat Alat yang digunakan dalam penyelesaian tugas akhir ini adalah alat tulis, kusioner dan software Ms. Word, Ms. Excel. 3.2.2 Bahan Bakso Cak Leo

3.3 Metode Penelitian 3.3.1 Pengumpulan data Metode pengumpulan data dengan cara melakukan penyebaran kuisioner dengan konsumen atau responden sebagai narasumber untuk mendapatkan data yang diperlukan dalam penyelesaian tugas. 3.3.2 Observasi Suatu metode pengumpulan data dengan cara mengadakan pengamatan secara langsung terhadap obyek yang diteliti. Data pendukung yang dibutuhkan dalam penelitian ini adalah sebagai berikut: 1. Data sekunder diperoleh dari studi pustaka dalam rangka memperoleh landasan teoritis. a. Data dan informasi yang mendukung analisis pemasaran bakso. b. Data dan informasi yang mempengaruhi jalannya usaha produksi bakso. 2. Data primer diperoleh dari hasil kuisioner, observasi lapang dan wawancara dengan pakar baik pemilik baksoCak Leo maupun konsumen yang terlibat.

3.4 Diagram Alir Penelitian

Start

Menentukan jenis produk

Penyebaran Kuisioner ahli (3 pakar)

Uji Validitas dan Reliabilitas

Penyebaran Kuisioner (20 responden)

Penentuan cluster dengan metode K-Means

Analisa data

Pembahasan data yang ada

Kesimpulan dan Saran

BAB 4. PEMBAHASAN Pada penyelesaian tugas akhir ini kami memilih bakso Cak Leo sebagai objek studi kasus yang akan kami teliti. Dipilih bakso Cak Leo karena bakso tersebut sudah sangat dikenal di kalangan mahasiswa dan banyak yang menyukainya. Selain itu untuk memperolehnya sangat mudah karena penjualan bakso ini bertempat di kompleks perumahan mastrip Jember, sehingga dapat kami jadikan obyek untuk penyelesaian tugas pemasaran. Penyelesaian tugas ini diawali dengan pembuatan kuesioner pendahuluan yang disebarkan kepada 3 responden dengan tujuan agar nantinya dapat dijadikan sebagai acuan penentuan atribut mutu yang akan digunakan sebagai bahan pembuatan kuesioner lanjutan dan untuk pengelompokkan data (clustering). Untuk kepentingan kuesioner pendahuluan ini, kuesioner yang disebar berisi tentang penilaian pendapat konsumen terhadap bakso Cak Leo. Isi dari kuesioner pendahuluan adalah penilaian terhadap rasa, harga, pelayanan, tekstur, ukuran, warna, aroma, menu tambahan dan jumlah porsi dari bakso Cak Leo. Konsumen diminta untuk menilai tentang pendapat mereka berdasarkan kriteria tersebut. Hasil dari kuesioner pendahuluan yang sudah disebar dapat dilihat pada tabel dibawah ini:

Tabel 4.1 Hasil Kuesioner Pendahuluan Res 1 1 2 3 5 4 3 2 5 4 4 3 2 2 2 4 4 4 4 Butir (x) 5 5 4 3 6 4 4 2 7 4 4 3 8 3 4 3 9 4 3 2 Total (y) 36 33 26

Dari hasil kuisioner pendahuluhuan tersebut, selanjutnya dilakukan uji validitas untuk menguji apakah instrumen yang digunakan, dalam hal ini angket memenuhi persyaratan validitas serta dilakukan uji reabilitas untuk mengetahui

kehandalan atribut yang dinyatakan sahih dari uji validitas. Data perhitungan uji validitas dan reabilitas dapat dilihat pada tabel 4.2 yang terlampir. Setelah diperoleh hasil kuisioner pendahuluan yang telah dilakukan uji validitas dan reabilitas diperoleh sejumlah lima atribut mutu yang telah dinyatakan sahih dan handal yang nantinya digunakan sebagai parameter atribut mutu kuesioner lanjutan yang disebarkan ke 20 responden. Atribut mutu yang digunakan antara lain: rasa, harga, tekstur, aroma dan banyaknya porsi. Selanjutnya dilakukan pembuatan kuesioner lanjutan untuk menilai kelima atribut mutu tersebut berdasarkan tingkat kesukaan dari responden. Hasil dari kuesioner lanjutan yang sudah disebar dapat dilihat pada tabel dibawah ini:

Tabel 4.3 Hasil Kuesioner Lanjutan Atribut Mutu Responden Rasa Harga Tekstur Aroma Porsi 1 5 4 4 3 4 2 4 5 5 2 5 3 5 5 5 4 5 4 4 5 5 3 4 5 5 4 4 4 3 6 4 5 4 4 5 7 4 5 5 4 4 8 5 4 4 3 5 9 3 4 5 2 4 10 4 4 5 3 4 11 5 5 4 4 5 12 5 4 4 4 5 13 4 5 4 4 4 14 4 4 2 3 5 15 4 5 5 5 4 16 5 5 4 5 5 17 4 4 5 4 5 18 3 3 4 5 4 19 5 5 5 4 5 20 5 4 5 4 5 Dari hasil tersebut, kami akan menentukan tiga cluster secara acak untuk mengelompokkan konsumen bakso Cak Leo berdasarkan kesukaan responden terhadap atribut mutu yang dinilai. Pengelompokan data kami lakukan

menggunakan

perhitungan

dengan

cara

manual.

Adapun

langkah

dari

pengelompokan data secara penghitungan manual sebagai berikut: 1. Menentukan pusat cluster secara acak (a,b). Pusat cluster yang kami pilih yaitu: Tabel 4.4 Penentuan Pusat Cluster Secara Acak CLUSTER C1 C2 C3 ATRIBUT MUTU Rasa Harga Tektur Aroma Porsi 4 5 4 4 3 4 4 4 5 3 5 5 5 4 5

2. Menghitung jarak setiap data yang ada terhadap setiap pusat cluster. untuk menghitung jarak setiap data, dapat digunakan rumus sebagai berikut : ( Dari perhitungan secara manual, dihasilkan: Tabel 4.5 Hasil Perhitungan Jarak Setiap Data Iterasi PertamaDATA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 5 4 5 4 5 4 4 5 3 4 5 5 4 4 4 5 4 3 5 5 Atribut / Pertanyaan 2 3 4 4 4 3 5 5 2 5 5 4 5 5 3 4 4 4 5 4 4 5 5 4 4 4 3 4 5 2 4 5 3 5 4 4 4 4 4 5 4 4 4 2 3 5 5 5 5 4 5 4 5 4 3 4 5 5 5 4 4 5 4 5 4 5 5 4 3 5 4 5 4 4 5 5 4 5 4 5 5 4 5 5 C1 0,000 2,236 2,000 1,732 1,414 2,000 2,000 1,000 2,449 1,414 1,732 1,414 1,732 2,449 2,646 2,449 2,000 3,000 2,000 1,732 Cluster C2 1,414 1,732 2,000 1,000 2,000 2,000 1,414 1,732 1,414 0,000 2,236 2,000 1,732 3,162 2,236 2,828 1,414 2,646 2,000 1,732 C3 2,449 3,317 1,414 2,646 2,449 1,414 2,000 2,236 4,000 2,828 1,000 1,414 1,732 3,162 1,732 0,000 2,000 3,000 1,414 1,732

)

3. Dari hasil pengclusteran tersebut, data pada tiga nilai akan menjadi anggota dari suatu cluster yang memiliki jarak terkecil dari pusat clusternya. Sehingga dihasilkan data sebagai berikut: Tabel 4.6 Posisi Cluster Pada Iterasi PertamaDATA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 5 4 5 4 5 4 4 5 3 4 5 5 4 4 4 5 4 3 5 5 Atribut / Pertanyaan 2 3 4 4 4 3 5 5 2 5 5 4 5 5 3 4 4 4 5 4 4 5 5 4 4 4 3 4 5 2 4 5 3 5 4 4 4 4 4 5 4 4 4 2 3 5 5 5 5 4 5 4 5 4 3 4 5 5 5 4 4 5 4 5 4 5 5 4 3 5 4 5 4 4 5 5 4 5 4 5 5 4 5 5 C1 Cluster C2 C3 * * * * * * * * * * * * * * * * * * *

*

4. Dari hasil tersebut, dilakukan penghitungan pusat cluster baru lagi, yang hasilnya dapat dilihat sebagai berikut: Untuk C1 C11 = (5 + 4 + 5) / 3 = 4,66 C12 = (4 + 5 + 5) / 3 = 4,66 C13 = (4 + 4 + 5) / 3 = 4,33 C14 = (4 + 4 + 4) / 3 = 4 C15 = (5 + 4 + 5) / 3 = 4,66 Begitu pula untuk C2 dan C3, dilakukan dengan cara perhitungan yang sama, sehingga hasil dari perhitungan perhitungan tersebut dapat ditampilkan pada Tabel 4.7.

Tabel 4.7 Pusat Cluster Baru CLUSTER C1 C2 C3 ATRIBUT MUTU Rasa Harga Tektur Aroma Porsi 4,66 4,66 4,66 4,33 4 4,5 4,625 4,5 4,375 3,625 4,44 4,44 4,33 4,44 3,66

5. Setelah diperoleh hasil tersebut, dilakukan penghitungan jarak setiap data kembali, dimana hasilnya dapat dilihat sebagai berikut: Tabel 4.8 Hasil Perhitungan Jarak Setiap Data Iterasi KeduaDATA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 Atribut / Pertanyaan 2 3 4 5 C1 1,448 2,262 0,892 1,561 1,848 0,881 1,198 1,333 2,842 1,660 0,675 0,881 1,047 2,723 1,561 1,207 1,198 2,656 0,892 1,056 Cluster C2 1,083 1,980 1,083 1,293 1,709 1,083 1,192 1,083 2,484 1,293 0,960 0,960 1,083 2,631 1,781 1,635 1,192 2,678 1,083 1,083 C3 1,116 2,006 1,227 1,259 1,675 1,125 1,125 1,168 2,334 1,116 1,177 1,022 1,070 2,647 1,716 1,751 1,022 2,455 1,227 1,079

5 4 5 4 5 4 4 5 3 4 5 5 4 4 4 5 4 3 5 5

4 5 5 5 4 5 5 4 4 4 5 4 5 4 5 5 4 3 5 4

4 5 5 5 4 4 5 4 5 5 4 4 4 2 5 4 5 4 5 5

3 2 4 3 4 4 4 3 2 3 4 4 4 3 5 5 4 5 4 4

4 5 5 4 3 5 4 5 4 4 5 5 4 5 4 5 5 4 5 5

6. Selanjutnya dilakukan penentuan posisi cluster pada iterasi kedua sebagai berikut:

Tabel 4.9 Posisi Cluster Pada Iterasi KeduaDATA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 Atribut / Pertanyaan 2 3 4 5 C1 Cluster C2 * * * * * * * * * * * * * * * * * * * C3 *

5 4 5 4 5 4 4 5 3 4 5 5 4 4 4 5 4 3 5 5

4 5 5 5 4 5 5 4 4 4 5 4 5 4 5 5 4 3 5 4

4 5 5 5 4 4 5 4 5 5 4 4 4 2 5 4 5 4 5 5

3 2 4 3 4 4 4 3 2 3 4 4 4 3 5 5 4 5 4 4

4 5 5 4 3 5 4 5 4 4 5 5 4 5 4 5 5 4 5 5

7. Dari hasil tersebut dilakukan penghitungan pusat cluster baru lagi karena hasil posisi cluster pada iterasi pertama tidak sama dengan hasil posisi cluster pada iterasi kedua yang hasilnya dapat dilihat sebagai berikut: C11 = (4 + 5 + 4 + 4 + 5) / 5 = 4,4 C12 = (5 + 4 + 5 + 4 + 5) / 5 = 4,6 C13 = (4 + 4 + 4 + 2 + 5) / 5 = 3,8 C14 = (4 + 4 + 4 + 3 + 4) / 5 = 3,8 C15 = (5 + 5 + 4 + 5 + 5) / 5 = 4,8 Begitu pula untuk C2 dan C3, dilakukan dengan cara perhitungan yang sama, sehingga hasil dari perhitungan perhitungan tersebut dapat ditampilkan pada Tabel 4.10.

Tabel 4.10 Pusat Cluster Baru CLUSTER C1 C2 C3 ATRIBUT MUTU Rasa Harga Tektur Aroma Porsi 4,8 4,4 4,6 3,8 3,8 4,33 4,22 4,55 4,66 3,55 4,5 4,55 4,16 4,55 3,83

8. Setelah diperoleh hasil tersebut, dilakukan penghitungan jarak setiap data kembali, dimana hasilnya dapat dilihat sebagai berikut: Tabel 4.11 Hasil Perhitungan Jarak Setiap Data Iterasi KetigaDATA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 Atribut / Pertanyaan 2 3 4 5 C1 1,428 2,245 1,428 1,744 2,010 0,663 1,562 1,200 2,764 1,800 0,800 0,917 1,020 2,107 1,960 1,428 1,428 2,577 1,428 1,497 Cluster C2 1,326 1,794 1,256 0,882 1,822 1,157 0,823 1,448 2,102 0,937 1,378 1,413 0,999 2,860 1,606 1,949 1,057 2,557 1,256 1,295 C3 1,210 2,192 1,218 1,464 1,675 1,218 1,218 1,210 2,475 1,210 1,218 0,897 1,218 2,732 1,681 1,681 0,897 2,338 1,218 0,897

5 4 5 4 5 4 4 5 3 4 5 5 4 4 4 5 4 3 5 5

4 5 5 5 4 5 5 4 4 4 5 4 5 4 5 5 4 3 5 4

4 5 5 5 4 4 5 4 5 5 4 4 4 2 5 4 5 4 5 5

3 2 4 3 4 4 4 3 2 3 4 4 4 3 5 5 4 5 4 4

4 5 5 4 3 5 4 5 4 4 5 5 4 5 4 5 5 4 5 5

9. Selanjutnya dilakukan penentuan posisi cluster pada iterasi kedua sebagai berikut:

Tabel 4.12 Posisi Cluster Pada Iterasi KetigaDATA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 Atribut / Pertanyaan 2 3 4 5 C1 Cluster C2 * * * * * * * * * * * * * * * * * * * C3 *

5 4 5 4 5 4 4 5 3 4 5 5 4 4 4 5 4 3 5 5

4 5 5 5 4 5 5 4 4 4 5 4 5 4 5 5 4 3 5 4

4 5 5 5 4 4 5 4 5 5 4 4 4 2 5 4 5 4 5 5

3 2 4 3 4 4 4 3 2 3 4 4 4 3 5 5 4 5 4 4

4 5 5 4 3 5 4 5 4 4 5 5 4 5 4 5 5 4 5 5

10. Dari hasil tersebut, dapat diketahui bahwa hasil posisi cluster pada iterasi kedua sama dengan hasil posisi cluster pada iterasi ketiga. Sehingga iterasi dapat dihentikan dan hasil akhirnya diperoleh 3 cluster sebagai berikut: Untuk C1 C11 = (4 + 5 + 4 + 4 + 5) / 5 = 4,4 C12 = (5 + 4 + 5 + 4 + 5) / 5 = 4,6 C13 = (4 + 4 + 4 + 2 + 5) / 5 = 3,8 C14 = (4 + 4 + 4 + 3 + 4) / 5 = 3,8 C15 = (5 + 5 + 4 + 5 + 5) / 5 = 4,8 Begitu pula untuk C2 dan C3, dilakukan dengan cara perhitungan yang sama, sehingga hasil dari perhitungan-perhitungan tersebut dapat ditampilkan pada Tabel 4.13.

Tabel 4.13 Nilai Center Akhir Tiap Cluster CLUSTER C1 C2 C3 ATRIBUT MUTU Rasa Harga Tektur Aroma Porsi 4,8 4,4 4,6 3,8 3,8 4,33 4,22 4,55 4,66 3,55 4,5 4,55 4,16 4,55 3,83

Dari hasil tersebut diatas, dapat diketahui bahwa hasil nilai cluster akhir dengan menggunakan perhitungan manual didapatkan informasi sebagai berikut:

Cluster 1 Rasa Harga Tekstur Aroma Banyaknya Porsi Suka Suka Ragu Ragu Suka

Cluster 2 Rasa Harga Tekstur Aroma Banyaknya Porsi Suka Suka Suka Ragu Suka

Cluster 3 Rasa Harga Tekstur Aroma Banyaknya Porsi Suka Suka Suka Ragu Suka

Cluster 1 merupakan kelas konsumen yang suka terhadap rasa, harga, dan banyaknya porsi yang diberikan pada bakso Cak Leo, serta akan suka jika aroma dan tekstur dari bakso Cak Leo disesuaikan dengan selera konsumen tersebut. Cluster 2 merupakan kelas konsumen yang suka terhadap rasa, harga, tekstur dan banyaknya porsi yang diberikan pada bakso Cak Leo. Akan tetapi, konsumen pada kelas ini ragu terhadap aroma dari bakso Cak Leo, yang berarti bahwa konsumen pada kelas ini antara menyukai atau tidak menyukai aroma dari bakso Cak Leo. Cluster 3 merupakan kelas konsumen yang suka terhadap rasa, harga, tekstur dan banyaknya porsi yang diberikan pada bakso Cak Leo. Akan tetapi, konsumen pada kelas ini ragu terhadap aroma dari bakso Cak Leo, yang berarti bahwa konsumen pada kelas ini antara menyukai atau tidak menyukai aroma dari bakso Cak Leo.

BAB 5. PENUTUP

5.1 Kesimpulan Pada penyelesaian tugas akhir ini kami memilih bakso Cak Leo sebagai objek studi kasus yang akan kami teliti karena bakso tersebut sudah sangat dikenal di kalangan mahasiswa maupun masyarakat Jember dan banyak yang menyukainya. Cluster 1 merupakan kelas konsumen yang suka terhadap rasa, harga, dan banyaknya porsi yang diberikan pada bakso Cak Leo, serta akan suka jika aroma dan tekstur dari bakso Cak Leo disesuaikan dengan selera konsumen tersebut. Cluster 2 merupakan kelas konsumen yang suka terhadap rasa, harga, tekstur dan banyaknya porsi yang diberikan pada bakso Cak Leo. Akan tetapi, konsumen pada kelas ini ragu terhadap aroma dari bakso Cak Leo, yang berarti bahwa konsumen pada kelas ini antara menyukai atau tidak menyukai aroma dari bakso Cak Leo. Cluster 3 merupakan kelas konsumen yang suka terhadap rasa, harga, tekstur dan banyaknya porsi yang diberikan pada bakso Cak Leo. Akan tetapi, konsumen pada kelas ini ragu terhadap aroma dari bakso Cak Leo, yang berarti bahwa konsumen pada kelas ini antara menyukai atau tidak menyukai aroma dari bakso Cak Leo.

5.2 Saran Agar produk bakso Cak Leo dapat terus diminati konsumen, maka Cak Leo harus memproduksi produk bakso dengan aroma yang sesuai keinginan konsumen.

DAFTAR PUSTAKA

Amiruddin . 2011. Resep dan Pengertian Bakso. http://chococup.wordpress.com [diakses 24 Februari 2012]. Hasbullah. 2010. Alat yang Digunakan Dalam http://binaukm.com [diakses 24 Februari 2012]. Pembuatan Bakso.

Inderjit S, Dhillon, Yuqiang Guan, Brian Kulis. 2004.Kernel k-means: spectral clustering and normalized cuts. pp. 551-556. J. A. Hartigan and M. A. Wong.1979. A K-Means Clustering Algorithm. Applied Statistics 28 (1): 100108. MacQueen, J. B. 1967. Some Methods For Classification And Analysis Of Multivariate Observations, Proc. Of 5th Berkeley Symposium On Mathematical Statistic And Probability, Berkeley : University Of California Press. Pelleg D. and Moore A. 2000.X-means: Extending K-means with Efficient Estimation of the Number of Clusters. In Proceedings of the Seventeenth International Conference on Machine Learning (ICML).727-734. Teknomo, Kardi. 2007. K-means Clutering Tutorial.http :\\people. revolude .com \kardi \tutorial\kMean\ [diakses 24 Februari 2012]. Wikipedia. 2011. Bakso. http://id.wikipedia.org [diakses 24 Februari 2012].

LAMPIRAN

Tabel 4.2 Butir 1 ( Rasa) Responden 1 2 3 x= 12 x2 = 50 ; y2 = 3061 ; n = 3 x 5 4 3 y 36 33 26 y = 95 xy 180 132 78 xy = 390

r=

[ ]

r=

(

)[

]

r = 0,97

t= t =

r = 0,97 ;

r tabel = 0,6997

sahih sahih

= 4,04

t = 4,04 ; t tabel = 1,863

Butir 2 ( Ukuran) Responden 1 2 3 x= 13 x 5 4 4 y 36 33 26 y = 95 xy 180 132 104 xy = 416

x2 = 57 ; y2 = 3061 ; n = 3

r=

[ ]

r=

(

)[

]

r = 0,73

t= t =

= 1,089

r = 0,73 ;

r tabel = 0,6997

sahih tidak sahih

t = 1,089 ; t tabel = 1,863

Butir 3 ( Warna) Responden 1 2 3 x= 6 x2 = 12 ; y2 = 3061 ; n = 3 x 2 2 2 y 36 33 26 y = 95 xy 72 66 52 xy = 190

r=

[ ]

r=

(

)[

]

r=0

t= t =

=0

r=0 t=0

;

r tabel = 0,6997

tidak sahih tidak sahih

; t tabel = 1,863

Butir 4 ( Menu Tambahan) Responden 1 2 3 x= 12 x2 = 48 ; y2 = 3061 ; n = 3 x 4 4 4 y 36 33 26 y = 95 xy 144 132 104 xy = 380

r=

[ ]

r=

(

)[

]

r=0

t= t =

=0

r=0 t=0

;

r tabel = 0,6997


; t tabel = 1,863

Butir 5 ( Harga) Responden 1 2 3 x= 12 x2 = 50 ; y2 = 3114 ; n = 3 x 5 4 3 y 36 33 27 y = 96 xy 180 132 81 xy = 393

r=

[ ]

r=

(

)[

]

r = 0,98

t= t =

= 5,15

r = 0,98 t = 5,15

;

r tabel = 0,6997

sahih sahih

; t tabel = 1,863

Butir 6 ( Tekstur) Responden 1 2 3 x= 10 x2 = 36 ; y2 = 3061 ; n = 3 x 4 4 2 y 36 33 26 y = 95 xy 144 132 52 xy = 328

r=

[ ]

r=

(

)[

]

r = 0,96

t=

t =

= 3,43

r = 0,96 t = 3,43

;

r tabel = 0,6997

sahih sahih

; t tabel = 1,863

Butir 7 ( Aroma) Responden 1 2 3 x= 11 x2 = 41 ; y2 = 3061 ; n = 3 x 4 4 3 y 36 33 26 y = 95 xy 144 132 78 xy = 354

r=

[ ]

r=

(

)[

]

r = 0,95

t= t =

= 3,04

r = 0,95 t = 3,04

;

r tabel = 0,6997

sahih sahih

; t tabel = 1,863

Butir 8 (Pelayanan) Responden 1 2 3 x= 10 x2 = 34 ; y2 = 3061 ; n = 3 x 3 4 3 y 36 33 26 y = 95 xy 108 132 78 xy = 318

r=

[ ]

r=

(

)[

]

r = 0,22

t= t =

= 0,22

r = 0,22 t = 0,22

;

r tabel = 0,6997


; t tabel = 1,863

Butir 9 ( Porsi) Responden 1 2 3 x= 9 x2 = 29 ; y2 = 3061 ; n = 3 x 4 3 2 y 36 33 26 y = 95 xy 144 99 52 xy = 295

r=

[ ]

r=

(

)[

]

r = 0,97

t= t =

= 4,04

r = 0,97 t = 4,04

;

r tabel = 0,6997

sahih sahih

; t tabel = 1,863

UJI REABILITAS Responden 1 2 3 1 5 4 3 x= 44 5 5 4 3 Butir gasal 7 4 4 3 9 4 3 2 x 18 15 11 Butir genap 6 y 4 4 4 4 2 2 y = 10

x2 = 670 ; y2 = 36 ; xy = 440 ; n = 3

r=

[ ]

r=

(

)[

]

= 35,42

rgg = rgg

=

= 1,94

r tabel = 0,6997

handal

Kuesioner Pendahuluan Nama Responden : Jenis Kelamin Umur : :

1. Apakah anda sebagai responden penelitian ini pernah mengkonsumsi bakso? a. Tidak pernah b. Pernah c. Kadang-kadang d. Sering

2. Berapa banyak anda mengkonsumsi bakso dalam waktu 1 minggu? a. Tidak mengkonsumsi b. 2 porsi c. 1 porsi d. > 2 porsi

3. Menurut anda apakah atribut atribut di bawah ini harus perhatikan dari produk bakso? Rasa a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu

e. Sangat tidak setuju

Ukuran Bakso a. Sangat Setuju d. Tidak setuju

b. e.

Setuju

c. Ragu

Sangat tidak setuju

Warna a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Menu Tambahan a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Harga a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Tekstur a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Aroma a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Pelayanan a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Jumlah porsi b. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Kuesioner Responden (Lanjutan) Nama Responden : Jenis Kelamin Umur : :

Menurut anda apakah atribut atribut di bawah ini harus perhatikan dari produk bakso Cak Leo?

Rasa a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Harga a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Tekstur a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Aroma a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


Jumlah porsi a. Sangat Setuju d. Tidak setuju

b. Setuju

c. Ragu


pemasran nee

Documents