PENERAPAN ANALISIS KONJOIN DALAM MENENTUKAN

PREFERENSI MAHASISWA FAKULTAS MIPA

UNIVERSITAS BRAWIJAYA DALAM MEMILIH

PROGRAM STUDI

(Studi Pada Mahasiswa Fakultas MIPA Universitas Brawijaya)

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains dalam bidang Statistika

oleh :

FAKHRU ROZY

135090500111001

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

MALANG

2017

i

PENERAPAN ANALISIS KONJOIN DALAM MENENTUKAN

PREFERENSI MAHASISWA FAKULTAS MIPA

UNIVERSITAS BRAWIJAYA DALAM MEMILIH

PROGRAM STUDI

(Studi Pada Mahasiswa Fakultas MIPA Universitas Brawijaya)

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains dalam bidang Statistika

oleh :

FAKHRU ROZY

135090500111001

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

MALANG

2017

ii

LEMBAR PENGESAHAN SKRIPSI

PENERAPAN ANALSIS KONJOIN DALAM MENENTUKAN

PREFERENSI MAHASISWA FAKULTAS MIPA UNIVERSITAS

BRAWIJAYA DALAM MEMILIH PROGRAM STUDI

(Studi Pada Mahasiswa Fakultas MIPA Universitas Brawijaya)

oleh :

FAKHRU ROZY

135090500111001

Setelah dipertahankan di depan Majelis Penguji pada tanggal 20 Juli 2017

dan dinyatakan memenuhi syarat untuk memperoleh gelar Sarjana Sains

dalam bidang Statistika

Dosen Pembimbing,

Dr. Ir. Solimun, MS.

NIP. 196112151987031002

Mengetahui,

Ketua Jurusan Matematika

Fakultas MIPA Universitas Brawijaya

Ratno Bagus Edy Wibowo, S.Si, M.Si, Ph.D.

NIP. 197509082000031003

iii

LEMBAR PERNYATAAN

Saya yang bertanda tangan di bawah ini :

Nama : FAKHRU ROZY

NIM : 135090500111001

Program Studi : STATISTIKA

Penulis Skripsi Berjudul :

PENERAPAN ANALSIS KONJOIN DALAM MENENTUKAN

PREFERENSI MAHASISWA FAKULTAS MIPA UNIVERSITAS

BRAWIJAYA DALAM MEMILIH PROGRAM STUDI

(Studi Pada Mahasiswa Fakultas MIPA Universitas Brawijaya)

Dengan ini menyatakan bahwa

1. Isi dari skripsi yang saya buat adalah benar-benar karya sendiri

dan tidak menjiplak karya orang lain, selain nama-nama yang

termaktub di isi dan tertulis di daftar pustaka dalam skripsi ini.

2. Apabila di kemudian hari ternyata skripsi yang saya tulis

terbukti hasil jiplakan, maka saya akan bersedia menaggung

resiko yang akan saya terima.

Demikian pernyataan ini dibuat dengan segala kesadaran.

Malang,

Yang menyatakan

FAKHRU ROZY

135090500111001

iv

PENERAPAN ANALSIS KONJOIN DALAM MENENTUKAN

PREFERENSI MAHASISWA FAKULTAS MIPA UNIVERSITAS

BRAWIJAYA DALAM MEMILIH PROGRAM STUDI

(Studi Pada Mahasiswa Fakultas MIPA Universitas Brawijaya)

ABSTRAK

Dalam memilih program studi ada beberapa hal yang dipertimbangkan

bagi calon mahasiswa. Pada penelitian beberapa atribut adalah akreditasi,

passing grade, rasio mahasiswa yang diterima, dan biaya kuliah. Dalam

penelitian ini, metode yang digunakan adalah Analisis konjoin, dimana

analisis ini digunakan untuk mengetahui preferensi konsumen yang

diukur melalui nilai kegunaan dan nilai kepentingan realatif dari atribut-

atribut yang diteliti. Tujuan dari penelitian ini adalah mengetahui

kombinasi level pada setiap atribut penelitian yang paling diminati

mahasiswa pada analisis konjoin. Choice-Based Conjoint (CBC)

merupakan bentuk penelitian konjoin yang berdasarkan pilihan dan

digunakan untuk mengetahui preferensi mahasiswa dalam memilih

program studi. Kombinasi atribut dibentuk menggunakan rancangan

fractional factorial. Ada empat atribut dengan dua atribut memiliki dua

level setiap atributnya dan dua atribut yang lain memiliki tiga level setiap

atributnya. Dalam mengestimasi model penelitian ini menggunakan

analisis regresi dengan peubah dummy. Nilai kepentingan relatif (NKR)

dihitung berdasarkan dugaan koefisien pada model regresi dengan peubah

dummy. Dimana atribut yang paling dipertimbangkan oleh mahasiswa

adalah biaya kuliah degan memiliki nilai kepentingan relatif (NKR)

sebesar 44,33%. Selain itu, rasio mahasiswa yang diterima juga menjadi

pertimbang kedua dalam memilih program studi.

Kata kunci: analisis konjoin, choice based-conjoint, fractional factorial,

dummy

v

APPLICATION OF KONJOIN ANALYSIS IN DETERMINING

THE STUDENT PREFERENCES OF FACULTY OF

UNIVERSITAS BRAWIJAYA UNIVERSITY IN CHOOSING A

STUDY PROGRAM

(Study case of Faculty of Mathematics and Natural Sciences

Universitas Brawijaya)

ABSTRACT

In choosing a study program there are several things considered for

prospective students. In the study some attributes are accreditation,

passing grade, student ratio accepted, and tuition fees. In this research,

the method used is Conjoint Analysis, where this analysis is used to know

consumer preferences as measured by usability value and real interest

value of the attributes under study. The purpose of this research is to know

the combination of the level of each attribute of research that most

interested students on conjoint analysis. Choice-Based Conjoint (CBC) is

a preferred conjoint research and is used to find out the preferences of

students in choosing courses. The combination of attributes is formed

using a fractional factorial design. There are four attributes with two

attributes having two levels each attribute and two other attributes having

three levels of each attribute. In estimating this research model use

regression analysis with dummy variable. The relative importance value

(NKR) is calculated based on the coefficient estimation on the regression

model with the dummy variable. Where attributes are most considered by

students is tuition fees degan have a relative importance (NKR) of

44.33%. In addition, the ratio of accepted students also became the second

consideration in choosing the study program

Key words : Conjoint analysis, choice based-conjoint, fractional

factorial, dummy variables

vi

KATA PENGANTAR

Syukur alhamdulillah penulis ucapkan kehadirat Allah SWT atas

segala rahmat, hidayah dan karunia-Nya sehingga penulis dapat

menyelesaikan skripsi.

Dalam penyusunan laporan ini tidak sedikit hambatan yang penulis

temui, namun berkat bantuan, dukungan dan doa dari berbagai pihak,

akhirnya segala hambatan tersebut dapat teratasi. Untuk itulah penulis

mengucapkan banyak terima kasih kepada :

1. Bapak, Ibu dan seluruh keluarga besar atas cinta, kasih sayang, doa,

dan dukungannya.

2. Dr. Ir. Solimun, MS selaku dosen pembimbing atas waktu dan

bimbingan yang telah diberikan.

3. Nurjannah, S.Si., M.Phil., PhD selaku Dosen Penguji I yang telah

memberikan pengarahan dan saran.

4. Samingun Handoyo, S.Si., M.Cs selaku Dosen Penguji II yang

telah memberikan pengarahan dan saran.

5. Ratno Bagus Edy Wibowo, S.Si, M.Si, Ph.D. selaku Ketua Jurusan

Matematika Universitas Brawijaya.

6. Seluruh jajaran Dosen Jurusan Matematika atas ilmu yang

diberikan saat perkuliahan.

7. Keluarga Sukses Soh Soh yang selalu menghibur dan menjadi

penyemangat.

8. Teman statistika angkatan 2013, 2014, dan juga responden yang

telah bersedia meluangkan waktunya untuk mambantu dalam

pengisian angket.

9. Semua pihak yang telah membantu penyelesaian tugas akhir

skripsi ini.

Penyusunan skripsi ini masih jauh dari kesempurnaan. Untuk itu,

penulis mengharapkan kritik dan saran yang bersifat membangun demi

perbaikan dan penyempurnaan skripsi ini. Semoga skripsi ini bermanfaat

bagi Fakultas MIPA Universitas Brawijaya dan penulis pada khususnya

serta pembaca pada umumnya.

Malang, Juli 2017

Penulis

vii

DAFTAR ISI

SKRIPSI...................……………………………….................... i

LEMBAR PENGESAHAN ………………………………....... ii

LEMBAR PERNYATAAN.......................................................iii

ABSTRAK ………………………………....…………............. iv

ABSTRACT.................................................................................v

KATA PENGANTAR ………………………………………...vi

DAFTAR ISI ……………………………………………….....vii

DAFTAR TABEL ………………………………………..........ix

DAFTAR GAMBAR ………………………………………......x

DAFTAR LAMPIRAN ……………………………………….xi

BAB I PENDAHULUAN ……………………………………...1

1.1. Latar Belakang ……………………………………………. 1

1.2. Rumusan Masalah…………………………………………. 3

1.3. Batasan Masalah …………………………………….......... 3

1.4. Tujuan Penelitian …………………………………............. 3

1.5. Manfaat Penelitian................................................................4

BAB II TINJAUAN PUSTAKA................................................ 5

2.1. Analisis Konjoin…..... ...…………………………………. 5

2.1.1. Tujuan Analisis Konjoin..... …………………...........6

2.1.2. Perumusan Masalah Analisis Konjoin …………....... 6

2.1.3. Metode Analisis Konjoin …....................……........... 6

2.2. Penentuan Atribut dan Level................................................11

2.3. Pembuatan Rancangan Stimuli.............................................12

2.4. Fractional Factorial Design.................................................14

2.5. Data pada Analisis Konjoin..................................................15

2.6. Prosedur Analisis Konjoin....................................................16

2.7. Nilai Kepentingan Relatif Atribut.........................................17

2.8. Analisis Konjoin dengan Regresi Peubah Dummy................18

2.9. Koefisien Part-Worth............................................................22

2.10. Pengukuran Ketepatan Prediksi dan Pengujian Validitas

Internal...................................................................................24

2.11. Preferensi.............................................................................25

2.12. Akreditasi Program Studi....................................................26

2.13. Passing Grade......................................................................26

viii

2.14. Rasio Mahasiswa yang Diterima.........................................26

2.15. Biaya Kuliah.......................................................................27

BAB III METODE PENELITIAN ............…………………..29

3.1. Data Penelitian......................................................................29

3.2. Jenis Data dan Pengukuran Stimuli ……………………....29

3.3. Atribut Penelitian..................................................................29

3.4. Instrumen Penelitian ............................................................31

3.5. Populasi, Sampel, dan Teknik Pengambilan Sampel............31

3.6. Pengumpulan Data................................................................34

3.7. Langkah Analisis...................................................................34

BAB IV HASIL DAN PEMBAHASAN….…………...............39

4.1. Hasil pembentukan stimuli.......................……………….....39

4.2. Analisis Regresi dengan Peubah Dummy ……………….....40

4.2.1. Penentuan Level Acuan...............................................40

4.2.2. Pengkodean peubah Dummy........................................40

4.2.3. Pendugaan Parameter Regresi Peubah Dummy...........41

4.3. Pengukuran Ketepatan Prediksi.............................................42

4.3.1. Goodness of fit.............................................................42

4.3.2. Korelasi Pearson.........................................................42

4.4. Koefisien Part-Worth............................................................42

4.5. Utilitas level pada masing-masing atribut.............................44

4.5.1. Utilitas Level pada Atribut Biaya Kuliah....................45

4.5.2. Utilitas Level pada Atribut Rasio Mahasiswa yang

Diterima......................................................................46

4.5.3. Utilitas Level pada Atribut Akreditasi.......................47

4.5.4. Utilitas Level pada Atribut Passing Grade................48

4.6. Interpretasi Hasil Penelitian.................................................49

BAB V PENUTUP....................................................................50

5.1. Kesimpulan..........................................................................50

5.2. Saran....................................................................................50

DAFTAR PUSTAKA ………………………………………..51

LAMPIRAN ………………………………………………….51

ix

DAFTAR TABEL

Tabel 2.1. Pengkodean Peubah Dummy ……………………….19

Tabel 3.1. Atribut dan Level .................……............................. 30

Tabel 3.2. Hasil Pembentukan Stimuli (Fractional Factorial

Design)….................................................................................... 27

Tabel 3.4 Ukuran Sampel masing-masing strata ...…………... 34

Tabel 4.1 Stimuli.................................................. ...…………...39

Tabel 4.2 Penentuan Level Acuan.............. ....…………........... 40

Tabel 4.3 Pembentukan Peubah dummy.............. ....…………...40

x

DAFTAR GAMBAR

Gambar 2.1 Rancangan perlakuan faktorial 32 . ...…....................15

Gambar 3.1 Diagram Alir Analisis Konjoin………......................36

Gambar 4.1 Nilai Kepentingan Relatif…........................……......43

Gambar 4.2 Diagram batang utilitas Biaya Kuliah..............…......44

Gambar 4.3 Diagram batang utilitas Rasio Mahasiswa yang

Diterima….....................................................................................45

Gambar 4.4 Diagram batang utilitas Akreditasi.......…...……......46

Gambar 4.5 Diagram batang utilitas Passing Grade.....................47

xi

DAFTAR LAMPIRAN

Lampiran 1. Atribut dan Penelitian……......………………........55

Lampiran 2. Hasil Pembentukan Stimuli dengan menggunakan

syntax SPSS 21 ........................….................................................55

Lampiran 3. Hasil pembentukan stimuli........................................56

Lampiran 4. Angket.......................................................................57

Lampiran 5. Hasil Pengkodean Dummy........................................59

Lampiran 6. Hasil Pendugaan Parameter.......................................59

Lampiran 7. Syntax SPSS 21 Pembentukan Stimuli dan Hasil

Analisis Konjoin...........................................................................60

Lampiran 8. Hasil Analisis Konjoin.............................................62

Lampiran 9. Hasil Nilai Koefisien Part-worth Pada Analisis

Konjoin dengan menggunakan Perhitung Manual........................63

Lampiran 10. Hasil Nilai Kepentingan Relatif..............................66

Lampiran 11. Profil Responden.....................................................68

Lampiran 12. Passing Grade Universitas Brawijaya 2016...........78

Lampiran 13. Input Data (Penilaian Responden)..........................80

Lampiran 14. Data UKT bagi Mahasiswa MIPATahun Akademik

2016/2017......................................................................................91

xi

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Pendidikan menjadi suatu cara untuk meningkatkan taraf

kehidupan dan peningkatan kualitas hidup masyarakat. Melalui

pendidikan, seseorang mendapat binaan dan bimbingan untuk

mengembangkan bakat, minat, dan intelektualnya sebagai modal

menghadapi persaingan dalam dunia kerja dan menjaga eksistensinya.

Saat ini berbagai program pendidikan yang menarik telah banyak

ditawarkan oleh perguruan tinggi. Namun demikian, ternyata memilih

perguruan tinggi menjadi “kesulitan dan keunikan” tersendiri bagi

para calon mahasiswa yang hendak melanjutkan studinya. Calon

mahasiswa dihadapkan pada situasi memilih dari berbagai program

yang dipromosikan oleh berbagai perguruan tinggi. Penentuan

perguruan tinggi mana yang akan dipilih oleh calon mahasiswa dapat

diibaratkan sebagai seorang pembeli yang akan membeli suatu barang

atau produk. Dengan demikian, lembaga pendidikan dapat

dianalogikan sebagai lembaga pemberi jasa kepada para konsumen

(mahasiswa). Oleh karena itu, mereka adalah pihak yang berhak

memberikan penilaian menarik tidaknya suatu lembaga pendidikan.

Banyak faktor yang harus dipertimbangkan sebelum seorang

calon mahasiswa menjatuhkan pilihannya kepada salah satu perguruan

tinggi yang diminati. Menurut Bawantara (2007), pertimbangan dalam

memilih program studi antara lain berdasarkan minat dan bakat,

disesuaikan dengan kemampuan intelektual, diselaraskan dengan

kemampuan finansial, dan reputasi perguruan tinggi dari program

studi yang dipilih.

Universitas Brawijaya (UB) Malang sebagai salah satu

Perguruan Tinggi Negeri di Indonesia yang menawarkan MIPA

sebagai salah satu Fakultas yang ada di dalamnya. Fakultas MIPA

Universitas Brawijaya memiliki tujuh pilihan program studi (prodi)

yaitu, matematika, statistika, kimia, fisika, teknik geofisika, biologi,

dan instrumentasi. Dimana dalam penelitian ini hal yang diukur adalah

preferensi mahasiswa dalam memilih program studi.

Salah satu metode yang dapat digunakan untuk merancang suatu

produk berdasarkan atribut-atribut yang disukai konsumen adalah

analisis konjoin. Analisis konjoin adalah sebuah teknik multivariat

2

yang dikembangkan secara khusus untuk memahami cara responden

mengembangkan preferensi atas segala jenis objek (produk, jasa, atau

ide). Hal ini didasarkan pada alasan sederhana bahwa konsumen

mengevaluasi nilai dari suatu objek dengan menggabungkan jumlah

yang terpisah dari nilai yang disediakan oleh masing-masing atribut.

Selain itu, konsumen dapat memberikan perkiraan mereka tentang

preferensi dengan menilai objek yang dibentuk oleh kombinasi dari

atribut (Hair dkk, 2006).

1.2. Rumusan Masalah Rumusan masalah dari penelitian ini adalah:

1. Pada tingkat atribut manakah yang paling penting dalam

penentuan preferensi mahasiswa menggunakan analisis konjoin?

2. Bagaimana kombinasi level pada setiap atribut penelitian program

studi yang paling diminati oleh mahasiswa dalam memilih

program studi pada analisis konjoin?

1.3. Batasan Masalah Batasan masalah dari penelitian ini adalah sebagai berikut:

1. Data yang digunakan adalah data primer mengenai preferensi

mahasiswa dalam memilih program studi di Fakultas MIPA

Universitas Brawijaya.

2. Target responden adalah mahasiswa angkatan 2016 Fakultas

MIPA Universitas Brawijaya.

3. Data primer dianalisis menggunakan analisis konjoin dengan

menggunakan model regresi peubah dummy untuk mengukur

preferensi mahasiswa dalam memilih program studi di Fakultas

MIPA Universitas Brawijaya berdasarkan kriteria yang disebut

Stress.

4. Atribut-atribut yang diduga mempengaruhi mahasiswa dalam

memilih program studi di Fakultas MIPA Universitas Brawijaya

adalah akreditasi, passing grade, rasio mahasiswa yang diterima,

dan biaya kuliah.

5. Dalam penelitian ini software yang digunakan adalah SPSS 21.

3

1.4. Tujuan Penelitian Berdasarkan latar belakang dan rumusan masalah yang ada, maka

tujuan penelitian ini antara lain:

1. Mengetahui atribut penelitian yang paling penting dalam

penentuan preferensi mahasiswa menggunakan analisis konjoin.

2. Mengetahui kombinasi level pada setiap atribut penelitian yang

paling diminati mahasiswa pada analisis konjoin.

1.5. Manfaat Penelitian Hasil penelitian ini, diharapkan dapat bermanfaat bagi:

1. Program studi Fakultas MIPA Universitas Brawijaya, sebagai

bahan pertimbangan untuk mengembangkan melalui presepsi

mahasiswa.

2. Penulis, sebagai salah satu sarana mengembangkan wawasan dan

pengetahuan terhadap permasalahan dalam hal preferensi

mahasiswa dan dapat mengetahui penerapan analisis konjoin

secara nyata dengan mengetahui kegunaannya dalam keadaan

yang sebenarnya.

3. Pihak lain, sebagai tambahan informasi serta literatur mengenai

analisis konjoin untuk studi perbandingan maupun penelitian

selanjutnya.

4

5

BAB II

TINJAUAN PUSTAKA

2.1. Analisis Konjoin

Analisis konjoin merupakan Scalling Method yang

dikembangkan dalam bidang psikologi matematika untuk mengukur

kontribusi masing-masing faktor terhadap keseluruhan evaluasi

produk. Selain itu, analisis konjoin digunakan untuk memahami

responden yang mengembangkan preferensi terhadap suatu produk

atau jasa. Berdasarkan tingkat kesukaan atau preferensi konsumen

terhadap atribut, produsen dapat mempertimbangkan atribut mana

yang dianggap krusial oleh konsumen sehingga produsen bisa

meningkatkan kualitas dari atribut tersebut sesuai dengan keinginan

konsumen. Analisis ini banyak digunakan di bidang manajemen

pemasaran sejak tahun 80-an sebagai pertimbangan sebelum

menjalankan sebuah usaha atau revitalisasi pelayanan dan fasilitas.

Selama era 90-an, penggunaan Conjoint Analysis meluas ke banyak

bidang ilmu pengetahuan terutama di bidang manajemen untuk

merancang harga, memprediksi tingkat penjualan atau penggunaan

produk (market share), uji coba konsep produk baru, segmentasi

preferensi, merancang strategi promosi serta pengembangan suatu

produk.

Menurut Green dan Krieger (1991) analisis konjoin adalah

sebuah teknik guna mengukur preferensi konsumen terhadap atribut

(spesifikasi atau fitur) sebuah produk atau jasa. Analisis konjoin

didasarkan pada subjektivitas konsumen terhadap beberapa kombinasi

fitur yang ditawarkan. Subjektivitas konsumen ini diukur melalui

peringkat (rank) atau skor (skala Likert). Hasil analisis konjoin berupa

informasi kuantitatif yang dapat memodelkan preferensi konsumen

untuk beberapa kombinasi fitur produk. Analisis ini dapat juga

dimanfaatkan untuk:

1. Merancang harga

2. Meprediksi tingkat penjualan atau penggunaan produk (Market

Share).

3. Uji coba kombinasi produk baru.

4. Segmentasi pasar.

5. Merancang strategi promosi.

6

Penelitian konjoin merupakan suatu metode yang sangat

powerful untuk membantu mendapatkan kombinasi atau komposisi

atribut suatu produk atau jasa baik yang baru maupun lama yang

paling disukai konsumen (Suharjo, 2007).

2.1.1 Tujuan Analisis Konjoin Pada dasarnya, tujuan analisis konjoin adalah untuk

memperoleh skor kegunaan (utility) yang dapat mewakili kepentingan

setiap atribut, sehingga dari skor tersebut didapatkan kesimpulan

mengenai atribut yang paling dipertimbangkan konsumen dalam

memilih suatu produk.

Menurut Supranto (2010), analisis konjoin telah dipergunakan

dalam riset pemasaran untuk berbagai tujuan, antara lain meliputi:

1. Menentukan kepentingan relatif dari atribut pada proses pemilihan

yang dilakukan oleh konsumen, serta menunjukan atribut mana

yang penting dalam mempengaruhi pilihan konsumen.

2. Mengestimasi pangsa pasar suatu produk tertentu yang berbeda

dalam tingkatan level atribut.

3. Menentukan komposisi produk yang paling disenangi oleh

konsumen.

4. Membuat segmentasi pasar berdasarkan pada kemiripan

preferensi level atribut.

2.1.2 Perumusan Masalah Analisis Konjoin

Langkah awal dari analisis konjoin adalah merumuskan

masalah yang ada, yaitu dengan menetapkan atribut dan level dapat

dilakukan dengan dua cara, yaitu:

1. Survei pendahuluan

Survei pendahuluan dapat dilakukan apabila penelitian konjoin

yang dilakukan belum ada sebelumnya, atau tidak terdapat literatur

yang membahas tentang atribut serta level yang sesuai dengan

penelitian yang akan dilakukan.

2. Studi Literatur

Metode ini dilakukan, apabila penelitian yang telah direncanakan

terdapat kemiripan dengan penelitian yang pernah dilakukan

sebelumnya. Serta, terdapat literatur yang memadai atau mendukung

untuk penelitian sesuai dengan yang telah direncanakan sebelumnya

oleh peneliti.

7

Informasi mengenai atribut yang mewakili preferensi konsumen

bisa diperoleh melalui diskusi dengan pakar, eksplorasi data sekunder,

atau melakukan tes awal. Kemudian setelah didapat atribut yang

sudah dianggap mewakili melakukan penentuan skala. Skala atribut

dibagi menjadi dua yaitu skala kualitatif atau non metrik atau kategori

(nominal dan ordinal) dan skala kuantitatif atau metrik (interval dan

rasio).

2.1.3 Metode Analisis Konjoin

Sebelum melakukan analisis, hal yang perlu diperhatikan

adalah membuat suatu rancangan dan pengukuran. Hal-hal yang perlu

untuk diperhatikan dalam perancangan diantaranya adalah

menentukan metode conjoint yang akan digunakan. Penentuan metode

dapat memilih satu dari 4 pendekatan yang dapat digunakan untuk

mengumpulkan dan menganalisis data. Empat pendekatan tersebut

yaitu Conjoint Value Analysis, Adaptive Conjoint Analysis, Choice-

Based Conjoint Analysis, dan Adaptive Choice-Based Conjoint

Analysis.

2.1.3.1 Conjoint Value Analysis

Conjoint Value Analysis (CVA) merupakan metode

pengembangan lanjut dari ACA. CVA dapat menduga individual

utility dari masing-masing taraf tiap atributnya. Penggunaan CVA

baik itu pada single profile atau pairwise full profile dapat dilakukan

secara manual atau secara komputerisasi. Perancangan CVA meliputi

penentuan atribut, penentuan taraf, dan menentukann format kuisioner

yang tepat.

Nilai utlity pada CVA dapat diduga dengan menggunakan

OLS (Ordinary Least Square) pada data metrik (rating data) atau

menggunakan monotone regression pada data nonmetrik (ranking

data). Nilai ini digunakan untuk mengetahui preferensi responden

terhadap suatu produk baru atau modifikasi produk lama. Hasilnya

berupa kesimpulan mengenai atribut dari produk yang paling

mempengaruhi pilihan responden.

2.1.3.2 Adaptive Conjoint Analysis

Adaptive Conjoint Analysis (ACA) merupakan metode yang

digunakan untuk merancang dan meneliti full-profile. Metode ini

merupakan pengembangan dari model self-explicated, perbedaannya

8

terletak pada jumlah atribut yang besar. Istilah adaptive mengacu

bahwa wawancara dilakukan secara komputerisasi pada masing-

masing responden. Wawancara yang dilakukan secara komputerisasi

ini berisi tahap-tahap yang akan menentukan tingkat kepentingan

setiap taraf dan setiap atribut. Responden dihadapkan pada suatu

pertanyaan berupa kuisioner kemudian diminta untuk menjawab

pertanyaan didalamnya. Pertanyaan yang dihadapkan pada responden

dapat berupa dua tipe pertanyaan pilihan, ranking atau rating, tipe

pertanyaan paasangan. ACA memiliki dua kemampuan penting, yaitu

kemampuan peneliti merancang suatu wawancara secara

komputerisasi, dan ACA membiarkan peneliti menirukan pilihan

responden dalam memodifikasi produk.

Dugaan nilai kegunaan didapat dari tingkat preferensi

responden tiap taraf dan tingkat kepentingan tiap atribut. Pada pertama

kali ACA diperkenalkan, nilai kegunaan diduga dengan menggunakan

OLS (Ordinary Least Square), namun seiring perkembangan zaman,

ACA berkembang menjadi beberapa versi yang memiliki tingkat

kesulitan yang lebih kompleks. Seperti misalnya saat ini berkembang

penggunaan ACA-Hierarchical Bayes Esimation (HB) dalam

menduga nilai kegunaan suatu produk. Dalam suatu pasar produk,

nilai kegunaan responden digunakan untuk menduga kekuatan pilihan

produk atau kemungkinan pembelian untuk tiap produk.

Responden tidak mungkin mengevaluasi lebih dari 6 atribut

serentak dengan masing-masing atribut memiliki beberapa taraf.

Maka, metode adaptive conjoint analysis (ACA) ini dapat digunakan

pada jumlah atribut sampai dengan 30, dan pada tiap atribut dapat

memiliki sampai dengan 15 taraf. Namun penelitian menjelaskan

bahwa ACA tidak akan memberikan keuntungan apabila digunakan

pada jumlah atribut kurang dari enam, walaupun setidaknya akan

bekerja seperti pada full profile. Dengan jumlah atribut yang besar,

analisis data harus dengan komputer, karena tidak mungkin dilakukan

secara manual. Seperti ACA yang dapat mengukur utility taraf tiap

individu dan hanya dapat mengukur efek utama tiap atributnya.

2.1.3.3 Adaptive Choice-Based Conjoint Analysis

Adaptive Choice-Based Conjoint Analysis (ACBC) adalah

pendekatan terbaru untuk pemodelan preferensi yang memanfaatkan

aspek terbaik dari CBC dan ACA. Digunakan untuk mempelajari

9

bagaimana orang membuat keputusan mengenai produk atau layanan

yang kompleks. Penelitian dilakukan melalui wawancara adaptif

pilihan. Wawancara adaptif pilihan adalah pengalaman interaktif yang

disesuaikan dengan preferensi dan pendapat masing-masing individu.

Beberapa manfaat dari ACBC, wawancara lebih menarik dan

relevan, langsung menggabungkan pengambilan keputusan tanpa

kompensasi, kemampuan untuk mendapatkan perkiraan tingkat

individu yang kuat, dan bisa bekerja bahkan dengan ukuran sampel

terkecil sekalipun. ACBC digunakan saat lima atau lebih atribut dan

tidak memperhatikan sampel (sampel kecil maupun besar).

2.1.3.4 Choice Based Conjoint Analysis

Choice Based Conjoint (CBC) merupakan bentuk penelitian

konjoin yang berdasarkan pilihan. Keunggulan CBC adalah mampu

mencerminkan keadaan pasar sesungguhnya karena responden

diminta memberikan pendapat tentang keinginan dengan memilih

secara langsung salah satu konsep produk dan kelemahan dari metode

CBC adalah tidak dapat mengukur utility tiap individu (Supranto,

2004).

Metode CBC memberikan segugus pilihan (choice sets) dari

kombinasi atribut yang sudah dirancang sebelumnya. Atribut

merupakan faktor-faktor yang mempengaruhi seorang responden

dalam menentukan pilihannya. Dimana setiap atribut terdiri dari

beberapa taraf. Segugus pilihan terdiri dari beberapa task . Satu task

biasanya terdiri dari lebih dari satu concept (konsep). Concept

merupakan alternatif produk yang disajikan pada satu task. Satu gugus

pilihan disebut juga satu version. Selanjutnya pilihan yang diberikan

oleh responden akan dianalisis dengan metode tertentu sehingga

didapatkan concept atau produk yang disukai respoden.

Data rancangan CBC dapat dianalisis dengan dua cara yang

berbeda. Pertama, dengan menghitung proporsi dari setiap taraf

berdasarkan pada beberapa kali suatu concept yang didalamnya

terdapat taraf atribut tersebut terpilih dibagi dengan jumlah total taraf

tersebut muncul. Perhitungan ini tidak hanya digunakan untuk

mengukur pegaruh utama saja, melainkan dapat juga untuk pengaruh

bersama dua atau tiga atribut. Analisis ini biasanya dilakukan diawal

dan untuk menyimpulkan hubungan-hubungan yang penting antar

atribut. Alternatif analisis lainnya menggunakan analisis logit. CBC

10

memberikan pilihan untuk menganalisis pengaruh utama dan interaksi

antar atribut dalam setiap analisis logit. Bila hanya pengaruh utama

yang diduga, nilai yang dihasilkan untuk setiap taraf atribut dapat

diiterpretasikan sebagai nilai rata-rata kegunaan dari penilaian

responden. Namun bila interaksi dimasukan, maka pengaruh juga

diduga untuk kombinasi taraf-taraf yang didapatkan denagn klarifikasi

silang antar pasangan atribut.

Menurut Chrzan dan Orme (2000) mengemukakan ada tiga

pendekatan metode CBC untuk menghasilkan satu task yang terdiri

lebih dari satu concept produk yaitu:

1. Pendekatan manual

Untuk membentuk kombinasi taraf atribut dapat digunakan

rancangan faktorial lengkap atau rancagan faktorial sebagian.

Kombinasi taraf atribut yang dihasilkan rancangan faktorial

lengkap atau rancangan faktorial sebagian hanya menyajikan satu

profil produk (concept) pada setiap task. Sehingga bila diterapkan

pada rancangan CBC, harus dilakukan adaptasi untuk

menghasilkan suatu gugus pilihan yang terdiri lebih dari satu

concept. Ada beberapa metode manual yang biasa digunakan

untuk menghasilkan suatu gugus pilihan yang terdiri lebih dari

satu concept diantaranya metode shifting yang dikemukakan oleh

Bunch et al, metode mix and match, dan metode LMN yang

dikemukakan oleh Louviere.

2. Optimasi menggunakan komputer

Salah satu software yang biasa digunakan untuk menghasilkan

suatu gugus rancangan pilihan yang terdiri lebih dari satu konsep

dengan menggunakan optimal melalui komputer adalah SPSSTM

Trial Run dan algoritma pelacakan pada SAS/QC.

3. Pengacakan melalui komputer

Pengacakan secara acak melalui komputer digunakan oleh

Sawtooth Software’s CBC System. Pada rancangan ini, jumlah

responden dipilih secara acak untuk mengevaluasi serangkaian

pasangan pilihan (profil) yang berbeda dari gugus-gugus pilihan

(version). Ada empat metode pembangkitan rancangan CBC yang

tersedia pada Sawtooth Software’s CBC System (Sawtooth

Software 1999) yaitu:

11

1. Complete Enumeration

Ulangan taraf dari masing-maisng atribut dalam setiap task dibuat

seminimal mungkin (minimal overlap).

2. Shortcut

Konsep yang dibuat mendahulukan taraf atribut yang paling

sedikit digunakan sebelumnya.

3. Random

Dimungkinkan terjadinya overlap, namun tidak terjadi dalam satu

task yang sama. Metode random ini lebih efisien bila akan dilakukan

pendugaan pengaruh interaksi.

4. Balanced Overlap

Metode ini mengkombinasikan antara metode random dan

complete enumeration. Tidak ada pengulangan gugus pilihan dalam

task yang sama. Hal-hal yang diperhatikan pada CBC (Pujati 2008)

antara lain:

1. Peluang setiap orang memilih alternatif produk tetentu.

2. Pendugaan sebuah konsep produk yang dipilih seorang responden.

Bobot masing-masing atribut jika dipasangkan dengan atribut

lain dalam taraf yang berbeda-beda dan dipilih oleh seorang

responden.

Dari empat metode analisis konjoin, metode yang digunakan

dalam penelitian ini adalah choice based conjoint (CBC). Setelah

menentukan metode analisis conjoint kemudian melakukan penentuan

atribut dan level.

2.2 Penentuan Atribut dan Level

Penentuan atribut dan level merupakan hal yang sangat penting

dalam memulai penelitian konjoin. Menurut Supranto (2010) terdapat

hal-hal yang harus dipertimbangkan dalam menetapkan atribut dan

level yang akan dipilih, yaitu :

1. Actionable Measure

Atribut dan level harus bisa ditetapkan dalam praktek, artinya

atribut dan level harus berbeda, tidak boleh samar dan mewakili suatu

konsep yang diterapkan.

2. Communicable Measure

Atribut dan level harus dapat dikomunikasikan dengan mudah.

3. Jumlah atribut dan level

12

Jumlah atribut dan level yang digunakan secara langsung

mempengaruhi efisiensi dan reliabilitas dari hasil penelitian. Dengan

bertambahnya atribut dan level, jumlah parameter yang akan

diestimasi meningkat sehingga membutuhkan jumlah stimuli yang

lebih besar atau pengurangan reliabilitas dari parameter.

4. Jumlah level yang seimbang

Dalam perancangan stimuli, keseimbangan jumlah dari atribut dan

level harus dijaga sebaik mungkin. Jika suatu variabel memiliki

jumlah kategori yang terlalu banyak maka akan menyebabkan

konsumen lebih berfokus pada variabel tersebut dibandingkan

variabel lainnya.

5. Range dan level

Jarak dari level ditetapkan sedikit diluar nilai yang ada sekarang

ini, tetapi masih memungkinkan kriteria dari level yang relevan dan

feasible juga harus ditetapkan karena level yang tidak dapat digunakan

dalam kenyataannya mempengaruhi hasil.

2.3 Pembuatan Rancangan Stimuli

Terdapat beberapa cara untuk pembentukan stimuli dalam analisis

konjoin, yaitu :

1. Metode Trade-Off

Metode Trade-Off merupakan metode yang dilakukan dengan

cara membandingkan dua atribut beserta level-levelnya. Kombinasi

dari dua atribut ini biasanya disajikan seperti bentuk matriks yang

dinamakan matriks trade-off (trade-off matrices). Walaupun metode

ini mempunyai kelebihan bagi responden, yaitu sederhana, mudah

dilakukan dan menghindari beban informasi yang berlebihan. Metode

ini kurang realistis karena meminta responden membandingkan hanya

sepasang variabel (padahal kenyataannya variabel bisa banyak sekali).

Selain itu, metode ini juga dapat membuat responden lelah dan

bingung jika terdapat banyak atribut dan banyak level karena akan

banyak matriks yang dihasilkan dan dievaluasi oleh responden

(Gudono, 2011). Jumlah matriks trade-off bergantung pada

banyaknya atribut yang ada dan dapat dirumuskan sebagai berikut

(Hair et al., 2010).

𝑀𝑇 = 𝑁(𝑁−1)

2 (2.1)

13

di mana:

MT : Jumlah Matriks.

N : Banyaknya atribut.

2. Metode Full Profile

Metode full profile adalah metode yang menyajikan keseluruhan

kemungkinan kombinasi dan level-level atributnya. Setiap stimuli

dipresentasikan secara terpisah dan konsep evaluasinya dapat

dilakukan dengan cara me-ranking maupun me-rating. Metode ini

memiliki dua keterbatasan:

1. Semakin banyak atribut dan level, maka akan semakin banyak

stimulus yang akan dievaluasi oleh responden mempunyai

kecenderungan untuk mempermudah keputusannya dengan hanya

memperhatikan beberapa atribut saja, padahal mereka seharusnya

mempertimbangkan setiap atribut.

2. Urutan atribut-atribut yang berada pada stimuli dapat

mempengaruhi evaluasi. Jadi, untuk meminimalisasi pengaruhnya

perlu dirubah urutan atribut antar responden.

Stimuli yang dihasilkan mengikuti prinsip-prinsip desain

eksperimen. Level dari atribut diberi peluang berpasangan dengan

masing-masing atribut lainnya yang disebut full factorial design

(Gudono, 2011). Menurut Hurtado (2010) banyaknya stimuli yang

dihasilkan dapat dirumuskan sebagai berikut:

𝑘 × 𝑘 × … × 𝑘 = 𝑘𝑁

Jumlah level berbeda pada tiap variabel

𝑘 × 𝑘 … × 𝑘 × 𝑙 × 𝑙 … × 𝑙 = 𝑘𝑁 × 𝑙𝑀 (2.2)

di mana:

k,l : banyak level yang sama pada atribut.

N,M : banyak variabel yang jumlah levelnya sama.

Dari jumlah stimuli yang dihasilkan terlalu banyak, maka

dilakukan pengurangan jumlah stimuli teresebut. Salah satu cara

dengan menggunakan metode fractional factorial design. Metode ini

adalah metode yang menyajikan stimuli-stimuli dengan konsep

orthogonal array. Orthogonal array memilih sejumlah stimuli dari

keseluruhan stimuli yang hanya mengukur efek utamanya saja,

sementara interaksi antar atribut tidak terukur atau diabaikan dan

14

jumlah stimuli yang terbentuk akan berkurang. Pembuatan rancangan

stimuli ini menggunakan bantuan software SPSS 21, yaitu dengan

menggunakan syntax fractional factorial dari software SPSS atau

dapat langsung memilih menu desain orthogonal pada software SPSS

(Mattjik, 2011).

3. Metode Pairwise Comparison

Metode ini merupakan gabungan dari kedua metode sebelumnya.

Metode ini mirip dengan metode trade-off tetapi perbedaannya

terletak pada apa yang dibandingkan. Pada pairwise comparison yang

dibandingkan adalah dua buah stimuli dan diminta menunjukkan

preferensi mereka dengan menggunakan skala rating, sedangkan pada

trade-off yang dibandingkan adalah dua buah atribut (Gudono, 2011).

Pada penelitian ini rancangan stimuli menggunakan metode full

profile di mana peringkat dari kombinasi produk ditentukan oleh level

dari semua faktor tertentu. Masalahnya adalah meskipun dengan

sangat selektif dipilih kombinasi fitur produk yang paling berpotensi

tetapi jumlah kombinasi yang dihasilkan banyak. Jika ada empat

faktor dengan setiap faktor memiliki banyak levelnya 2×2×3×3 akan

menghasikan 36 kombinasi produk. Seorang responden akan kesulitan

dan membutuhkan waktu untuk memberi peringkat dari 36 kombinasi

produk tersebut. Untuk mengatasi masalah ini, desain yang digunakan

bukan factorial design melainkan fractional factorial design. Tabel

2.4 Fractional Factorial Design

Banyak percobaan (eksperimen), terutama dalam bidang industri

memerlukan rancangan faktorial yang meliputi beberapa faktor

(variabel) dengan penekanan pada penentuan pengaruh faktor

terhadap hasil percobaan (respon). Salah satu bentuk rancangan

faktorial yang sering digunakan dalam penelitian adalah racangan

faktorial dengan k faktor dan masing-masing faktor hanya memiliki 2

taraf, kemudian untuk setiap perulangan lengkap dari rancangan ini

terdapat 2k kombinasi perlakuan, sehingga rancangan ini disebut

rancangan faktorial 2k(Montgomery, 19991).

Rancangan faktorial penuh 2k memerlukan semua kombinasi dari

dua taraf/level untuk masing-masing k faktor. Jika suatu faktor

kuantitatif, tarafnya dapat berupa taraf rendah dan taraf tinggi dari

faktor tersebut. Biasanya taraf terendah dinyatakan dengan tanda

negatif (-) dan taraf tinggi dinytakan dengan tanda positif (+). Jika

15

faktornya kualitatif maka tarafnya berkaitan dengan dua tipe dari

faktor yang diamati atau dapat juga berupa ada dan tidak adanya faktor

tersebut. Dua taraf untuk faktor kualitatif dapat juga dinyatakan

dengan tanda positif dan negatif, tidak masalah yang diberi label

positif atau negatif sepanjang pelabelan tersebut konsisten.

Rancangan faktorial 2k yang paling seerhana adalah 22 dengan dua

faktor, misalkan faktor akreditasi yang diberi lambang A dan passing

grade yang diberi lambang B, masing-masing memiliki dua taraf.

Taraf ini selanjutnya akan dibedakan menjadi taraf rendah (low level)

yang diberi notasi”-” dan taraf tinggi (high level) yang diberi notasi

“+”. Efek atau pengaruh dari suatu faktor dinyatakan dengan huruf

kapital, jadi”A” menyatakan efek dari faktor A, “B” menyatakan efek

dari fakor B, dan “AB” menyatakan efek interaksi AB.

Secara umum, amatan dinyatakan dengan serangkaian huruf kecil

(lower case letter). Keberadaan suatu huruf menyatakan faktor yang

bersangkutan berada pada taraf tinggi pada amatan tersebut,

sedangkan ketidakberadaan suatu huruf menyatakan bahwa faktor

yang bersangkutan berada pada taraf rendah pada amatan tersebut.

Jika semua faktor yang bersangkutan berada pada taraf rendah pada

amatan tersebut. Jika semua faktor berada pada taraf rendah maka

digunakan notasi (I). Misalnya amatan a menyatakan faktor A berada

pada taraf tinggi dan faktor lainnya berada pada taraf rendah.

Rancangan ini dapat digambarkan secara geometri. Sebuah amatan

dinyatakan sebagai suatu titik yang koordinatnya adalah taraf ± I untuk

amatan itu. Sebagai contoh, rancangan faktorial 22 akan dinyatakan

dalam empat titik sudut kubus dalam sebuah sistem koordinat dimensi

dua.

Efek-efek yang akan diestimasi dalam rancangan faktorial 2k

meliputi k efek utamanya, (k2) efek interaksi dua faktor, (k

2) efek

interaksi 2 fakor sampai dengan satu efek interaksi k faktor dan rata-

rata keseluruhan dari observasi. Jadi sebuah rancangan faktorial 2k

akan berisi 2k-I efek dan sebuah rata-rata seluruh observasi.

Untuk megestimasi suatu efek atau menghitung jumlahan kuadrat

dari suatu efek dapat dilakukan dengan menggunakan tabel tanda

positif dan negatif seperti contoh yang digambarkan untuk rancangan

22 berikut ini:

16

Tabel 2.1 Tanda positif dan negatif untuk rancangan 22

No. Amatan Kombinasi

Perlakuan

Efek Faktor Jumlah

I A B AB

1 (I) + - - + 84

2 a + + - - 70

3 b + - + - 60

4 ab + + + + 62

Berdasarkan tabel diatas kita dapat menentukan pengaruh utama

maupun interaksinya:

A = a – b + ab = 72

B = -a + b + ab = 52

AB = -a – b + ab = - 68

Dalam hal ini faktor yang memiliki efek utama adalah A.

2.5 Data pada Analisis Konjoin

Menurut Supranto (2004) pada analisis konjoin data yang

diperlukan dapat berupa nonmetrik (data bentuk nominal atau ordinal

atau kategorik).Untuk data nonmetrik, responden diminta untuk

membuat ranking atau mengurutkan stimuli yang telah dibuat pada

tahap sebelumnya. Pengurutan ini biasanya dimulai dari stimuli yang

sangat menyukai sampai pada stimuli yang sangat tidak menyukai.

Untuk data metrik, responden diminta untuk memberikan rating atau

nilai terhadap masing-masing stimuli. Cara ini lebih disukai responden

karena tidak membutuhkan pertimbangan yang terlalu rumit. Berikut

penjelasan dari kedua cara dalam menilai stimuli yang telah terbentuk:

1. Metrik (rating)

Pengukuran menggunakan rating dimana responden diminta

untuk memberikan nilai skala tertentu di setiap stimuli dan rating atau

kurang diskriminatif dibandingkan dengan ranking, karena pada

rating memungkinkan responden memberikan nilai yang sama pada

stimuli. Pemberian nilai atau rating dapat dilakukan melalui beberapa

cara:

a. Menggunakan skala Likert mulai dari 1 hingga 5 (1 = paling tidak

disukai, 5 = paling disukai).

b. Menggunakan nilai terbalik, artinya untuk stimuli yang paling

disukai diberi nilai tertinggi setara dengan jumlah stimulinya,

sedangkan stimuli yang plaing tidak disukai diberi nilai 1.

2. Nonmetrik (ranking)

17

Pengukuran ranking, responden diminta untuk mengurutkan

stimuli dari yang paling disukai hingga yang paling tidak disukai.

Ranking menjadi sulit apabila jumlah stimuli banyak dibandingkan

dengan menggunakan rating.

2.6 Prosedur Analisis Konjoin

Menurut Malhotra (2004), secara umum bentuk rancangan produk

konjoin sebagai berikut:

1 1

( )j

ij iji j

kmU X x

(2.3)

di mana:

𝑈(𝑋) : nilai total kegunaan.

ij : Part worth atau nilai kegunaan dari atribut ke-i (i, 1=1,2,...m)

taraf ke-j (j,j=1,2,...,ki)

𝑘𝑗 : taraf ke-j dari atribut ke-i

m : banyaknya atribut.

𝑥𝑖𝑗 : Dummy variable atribut ke-i taraf ke-j. (1= apabila taraf ke-

j dari atribut ke-i terjadi dan 0= apabila tidak).

Terdapat beberapa metode yang dapat digunakan untuk

menyelesaikan model dasar dari analisis konjoin. Metode-metode ini

akan sangat bergantung pada cara pengumpulan data yang dilakukan.

Berikut beberapa metode yang umum digunakan dalam analisis

konjoin:

1. Multidimensional Scaling

Multidimensional Scaling bertujuan untuk mentransformasikan

penilaian responden mengenai kesamaan atau preferensi kedalam

jarak yang dipresentasikan dalam suatu ruang multidimensional.

Persepsi seseorang akan kesamaan beberapa obyek dituangkan oleh

jarak geometri antar obyek, yang digambarkan dalam ruang

berdimensi tertentu, sedemikian sehingga hubungan relatif atau jarak

antara posisi obyek-obyek itu menunjukkan persepsi perbedaan

responden (Hair et al., 2010).

Hasil dari proses Multidimensional Scaling berupa peta posisi

yang menggambarkan posisi tiap-tiap subyek yang dibandingkan.

18

Walaupun subyek memberikan bobot yang sama terhadap sejumlah

atribut (obyek) dalam menentukan penilaiannya, tetapi masing-

masing subyek tetap mempunyai preferensi yang berbeda. Terdapat

satu titik yang merupakan titik yang paling disukai oleh subyek yang

dinamakan titik ideal. Dapat dikatakan masing-masing subyek

mempunyai satu titik kombinasi atribut yang merupakan titik

idealnya. Sehingga obyek yang dekat dengan titik idealnya merupakan

atribut yang paling disukai. Sebaliknya, obyek yang jauh dari titik

idealnya merupakan atribut yang paling tidak disukai.

2. Regresi Linier dengan peubah dummy

Untuk data berjenis nonmetrik maupun metrik menggunakan

metode regresi dengan peubah dummy, dimana data telah diperoleh

melalui pengurutan (ranking) maupun penilaian (rating) terhadap

kombinasi atribut yang telah dirancang sebelumnya. Terdapat

beberapa variasi prosedur yang digunakan untuk menduga model

dasar dengan regresi peubah dummy sebagai berikut:

a. Data yang digunakan berasal dari stimuli yang telah dirancang

sebelumnya dan penilaian dilakukan dengan menggunakan skala

Likert maka regresi dengan peubah dummy dapat dihitung

langsung dengan pendekatan Ordinary Least Square.

b. Jika penilaian stimuli menggunakan ranking, maka data harus

diubah terlebih dahulu menjadi skala interval dengan monotonic

regression atau multidimensional Scalling yang dikombinasikan

dengan Monotonic Analysis of Variance (MONANOVA) dan

metode linear progamming (LINMAP). Kemudian dilanjutkan

dengan regresi dengan peubah dummy.

c. Bila data diperoleh melalui penilaian secara terpisah dari masing-

masing atribut, dimana variabel yang tidak bebas umumya berupa

intensitas pilihan, atau penilaian stimuli menggunakan rating

maka analisis yang digunakan adalah model LOGIT atau dengan

regresi menggunakan peubah dummy.

2.7 Analisis Konjoin dengan Regresi Peubah Dummy Berdasarkan persamaan (2.4) yakni bentuk rancangan analisis

konjoin yang selanjutnya dilakukan penyelesaian model dengan

menggunakan model regresi dengan peubah dummy. Regresi dengan

peubah dummy dapat dihitung langsung dengan menggunakan

pendekatan OLS (Ordinary Least Square).

19

Menurut Hair et. al (2010) terdapat ketentuan suatu bilangan yang

dibangkitkan dari level-level atribut dalam regresi peubah dummy

sebagai berikut:

1. Peubah dummy bernilai 0 atau 1. Nilai 0 biasanya menunjukan

kelompok yang tidak mendapat perlakuan sedangkan nilai 1

menunjukan kelompok yang mendapat perlakuan.

2. Jumlah peubah dummy dari suatu atribut sebanyak k-1, dimana k

adalah banyaknya level dalam suatu atribut.

Sebelum melakukan pendugaan terhadap parameter regresi

peubah dummy, hal yang diperlukan adalah melakukan pengkodean.

Pengkodean peubah dummy, hal yang perlu dilakukan adalah

menentukan level acuan. Level acuan dapat dikatakan sebagai kontrol.

Level acuan akan diberikan kode 0 dan merupakan kelompok terendah

atau tidak memiliki sifat atau ciri yang khas (Hardy, 1993).

Pada analisis konjoin, pengkodean peubah dummy dilakukan

untuk masing-masing stimuli. Stimuli merupakan kombinasi level

pada setiap atribut yang terbentuk. Berikut merupakan bentuk umum

pengkodean peubah dummy pada analisis konjoin untuk regresi

peubah dummy. Tabel ini digunakan pada setiap atribut.

Tabel 2.2 Pengkodean Peubah Dummy

Level 1 X1 X2 ..... Xk j-1

1 1 0 ..... 0

2 0 1 ..... 0

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

kj-1 0 0 ...... 0

kj 0 0 ...... 1

Menurut Santoso (2015), asumsi pada analisis konjoin,

berbeda dengan analisis multivariat lainnya. Karena pada proses

konjoin yaitu berupa proses prosedur dummy, uji asumsi seperti uji

asumsi klasik tidak dibutuhkan, karena pada analisis konjoin

persamaan regresi peubah dummy tidak untuk dijelaskan, melainkan

hanya untuk pendugaan saja. Selanjutnya pendugaan parameter

tersebut akan digunakan untuk menghitung koefisien part-worth dan

nilai kepentingan relatif atribut.

20

Pada analisis konjoin, regresi peubah dummy digunakan

untuk menduga part-worth. Secara umum persamaan untuk regresi

dengan peubah dummy sebagai berikut:

𝑌ℎ = ��0 + ��11𝐷1ℎ + ��2𝐷2ℎ + ⋯ + ��𝑘−𝑚𝐷𝑘−𝑚,𝑖 + 𝜀ℎ (2.4)

di mana:

Yh : nilai yang diberikan responden pada sebuah stimuli

(secara individu) atau nilai rata-rata dari

responden terhadap stimuli ke-h (h = 1,2,....,w).

k : banyaknya level.

m : banyaknya atribut.

��0 : intersep.

��1

, … , ��𝑘−𝑚

: koefisien peubah dummy, yang merupakan level-

level perlakuan (bukan merupakan level acuan).

𝐷1ℎ, … , 𝐷𝑘−𝑚,ℎ : peubah dummy.

𝜀ℎ : galat pada pengamatan ke-h

Pendugaan parameter pada regresi peubah dummy untuk

populasi tidak dapat diestimasi secara langsung sehingga dapat

diestimasi dengan regresi peubah dummy untuk sampel dengan bentuk

model sebagai berikut:

��ℎ = ��0 + ��1𝐷1ℎ + ��2𝐷2ℎ + ⋯ + ��𝑘−𝑚𝐷𝑘−𝑚,ℎ (2.5)

Tujuan dari OLS yaitu untuk meminimumkan Jumlah Kuadrat

Galat (JKG). Pendugaan parameter dengan OLS dapat diuraikan

sebagai berikut:

��ℎ = ��0 + ��1𝐷1ℎ + ��2𝐷2ℎ + ⋯ + ��𝑘−𝑚𝐷𝑘−𝑚,ℎ

𝜀ℎ = 𝑌ℎ − ��ℎ

𝜀ℎ = 𝑌ℎ − (��0 + ��1𝐷1ℎ + ��2𝐷2ℎ + ⋯ + ��𝑘−𝑚𝐷𝑘−𝑚,ℎ)

𝜀ℎ = 𝑌ℎ − ��0 − ��1𝐷1ℎ − ��2𝐷2ℎ − ⋯ − ��𝑘−𝑚𝐷𝑘−𝑚,ℎ

JKG = ∑ 𝜀ℎ2𝑛

ℎ=1

21

JKG = ∑ (𝑌ℎ − ��0 − ��1𝐷1ℎ − ��2𝐷2ℎ − ⋯ − ��𝑘−𝑚𝐷𝑘−𝑚,ℎ)2𝑛ℎ=1 (2.6)

Nilai JKG dapat diperoleh melalui perhitungan matriks,

dengan membentuk persamaan (2.6) menjadi notasi matriks sebagai

berikut:

𝐘 = 𝐗𝛃 + 𝛆 (2.7)

(

𝑌1

𝑌2

⋮𝑌𝑤

) = (

1 𝑋11 𝑋12 … 𝑋1(𝑘−𝑚)

1 𝑋21 𝑋22 … 𝑋2(𝑘−𝑚)

⋮1

⋮𝑋𝑤1

⋮ ⋱ ⋮𝑋𝑤2 … 𝑋𝑤(𝑘−𝑚)

) (

𝛽0

𝛽1

⋮𝛽(𝑘−𝑚+1)

) + (

𝜀1𝜀2

⋮𝜀𝑤

)

Keterangan:

𝐘 : Vektor preference rating berukuran (w x 1)

𝐗 : Matriks Matriks peubah dummy [(w) x (k-m+1)] yang

berasal dari pengkodean untuk masing masing stimuli

𝛃 : Vektor koefisien regresi peubah dummy [(k-m+1) x 1]

𝛆 : Vektor galat berukuran (w x 1)

JKG dapat ditulis dalam bentuk notasi matriks sebagai

berikut:

JKG = (𝛆′𝛆) (2.8)

= (𝐘 − 𝐗𝛃)′(𝐘 − 𝐗𝛃)

= 𝐘′𝐘 − 𝛃′𝐗′𝐘 − 𝐘′𝐗𝛃 + 𝛃′𝐗′𝐗𝛃

= 𝐘′𝐘 − 𝟐𝛃′𝐗′𝐘 + 𝛃′𝐗′𝐗𝛃 (2.9)

Sesuai dengan tujuan OLS yaitu meminimumkan JKG,

sehingga dilakukan penurunan JKG secara parsial terhadap β dan

disamadengankan nol menjadi:

𝜕(𝛆′𝛆)

𝜕(𝛃)= 0 (2.10)

22

𝜕(𝐘′𝐘−𝟐𝛃′𝐗′𝐘+𝛃′𝐗′𝐗𝛃)

𝜕(𝛃)= 0 (2.11)

−2𝐗′𝐘 + 2𝐗′�� = 0

2𝐗′�� = 2𝐗′𝐘

2

𝐗′�� = 𝐗′𝐘

�� = (𝐗′𝐗)−𝟏(𝐗′𝐘) (2.12)

Keterangan:

�� : Vektor koefisien regresi peubah dummy [(k-m+1) x 1]

𝐗 : Matriks peubah dummy [(w) x (k-m+1)] yang berasal dari

pengkodean untuk masing masing stimuli

Y : Vektor preference rating (w x 1), di mana merupakan rata-

rata penilaian semua responden pada stimuli ke-h)

𝐗′ : Transpose matriks peubah dummy [(w) x (k-m+1)]

(𝐗′𝐗)−𝟏: Invers matriks (𝐗′𝐗) [(w) x (k-m+1)]

2.8 Koefisien Part-Worth Koefisien part-worth digunakan untuk mengetahui dampak

terhadap utilitas secara agregat atau individu yang kemudian akan

dimasukkan ke persamaan (2.6). Menurut Supranto (2010) untuk

memperoleh koefisien part-worth sama dengan cara memperoleh

koefisien regresi peubah dummy. Berikut beberapa persamaan dari

kombinasi atribut dengan setiap tarafnya:

Atribut dengan memiliki dua level/taraf

23

𝛼𝑖𝑗 − 𝛼𝑖(𝑗+1) = 𝛽𝑘 ; i = 1,2,3,4 ; j = 1,2,3 ; k = 1,2,3,4,5,6 (2.13)

𝛼𝑖𝑗 + 𝛼𝑖(𝑗+1) = 0 (2.14)

Atribut dengan memiliki tiga level/taraf

𝛼𝑖𝑗 − 𝛼𝑖(𝑗+1) = 𝛽𝑘 (2.15)

𝛼𝑖𝑗 − 𝛼𝑖(𝑗+2) = 𝛽𝑘+1 (2.16)

𝛼𝑖𝑗 + 𝛼𝑖(𝑗+1) + 𝛼𝑖(𝑗+2) = 0 (2.17)

2.9 Nilai Kepentingan Relatif (Relative Importance Weigth) Nilai Kepentingan Relatif (NKR) digunakan untuk

menentukan nilai pentingnya suatu taraf relatif terhadap taraf yang

lain pada suatu atribut. NKR didapat dari nilai peubah boneka untuk

taraf suatu atribut yang dimasukan kedalam model analisis konjoin,

dimana nilai taraf peubah boneka untuk atribut yang lain tetap atau

dimasukan nilai 0.

Hasil dari penelitian konjoin adalah total kepuasan responden

dari berbagai atribut yang terdapat dalam konsep. Tingkat kepentingan

dari tiap atribut didefinisikan sebagai selisih antara nilai kegunaan

maksimum dan nilai kegunaan minimum atau nilai penting atribut,

diformulasikan sebagai berikut (Supranto 2004):

𝐼𝑖 = {max(𝛼𝑖𝑗) − min(𝛼𝑖𝑗)} untuk setiap i. (2.18)

di mana:

Ii : tingkat kepentingan atribut ke-i.

𝛼𝑖𝑗 : nilai kegunaan atribut ke-i level ke-j.

Nilai Kepentingan Relatif (NKR) suatu atribut terhadap

atribut lainnya adalah sebagai berikut (Supranto 2004):

𝑊𝑖 = 𝐼𝑖

∑ 𝐼𝑖𝑚𝑖=1

(2.19)

di mana:

Wi : tingkat kepentingan relatif.

Ii : tingkat kepentingan atribut ke-i.

2.10 Pengukuran Ketepatan Prediksi dan Pengujian Validitas

Internal

Pada analisis konjoin, pengukuran ketepatan prediksi dan

pengujian validitas dapat dilihat melalui nilai Goodness of fit dan

24

korelasi Pearson. Goodness of fit model prediksi harus dievaluasi.

Pada prosedur dengan menggunakan regresi variabel dummy dapat

dilihat dari R2, dimana R2 akan menunjukan seberapa jauh model

(regresi variabel dummy) cocok/tepat untuk data yang dianalisis.

Menurut Eubank (1999) rumus koefisien determinasi didefinisikan

sebagai berikut:

2

2 1

2

1

ˆn

i

i

n

i

i

y y

R

y y

(2.20)

dengan:

R2 : koefisien determinasi

iy : respon pengamatan ke-i

y : rata-rata variabel respon

y : estimasi respon pada pengamatan ke-i

Selain dengan melihat nilai Goodness of fit, melihat nilai

prediksi baik atau tidak bisa dengan melihat nilai koefisien korelasi,

apabila koefisien korelasi bernilai ≥ 0,95, mengindikasi prediksi yang

baik. Menurut Cohen dkk. (1975), berikut merupakan hipotesis untuk

pengujian korelasi Pearson:

𝐻𝑜 ∶ 𝜌 = 0

𝐻𝑜 ∶ 𝜌 ≠ 0

𝑟 =𝑆𝑌𝑈

𝑆𝑌 × 𝑆𝑈

𝑟 =𝑛 ∑ 𝑌ℎ

𝑤ℎ=1 𝑈ℎ−(∑ 𝑌ℎ)𝑤

ℎ=1 (∑ 𝑈ℎ)𝑤ℎ=1

√[𝑛 ∑ 𝑌ℎ2𝑤

ℎ=1 −(∑ 𝑌ℎ)𝑤ℎ=1

2][𝑛 ∑ 𝑈ℎ

2𝑤ℎ=1 −(∑ 𝑈ℎ)𝑤

ℎ=12

]

(2.21)

di mana :

𝑌ℎ : Data hasil pengamatan (aktual) ke-h (1,2,.....,w)

𝑈ℎ : Data hasil pendugaan ke-h (1,2,.....,w)

𝑤 : Banyaknya stimuli (produk)

Statistik uji:

25

𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =𝑟√𝑤−2

√1−𝑟2 ~𝑡(

𝛼

2,𝑑𝑏) (2.22)

di mana:

𝑟 : Merupakan korelasi antara data hasil pengamatan (aktual)

𝑤 : Banyaknya stimuli (produk)

𝛼 : Titik kritis

𝑑𝑏 : Derajat bebas (w-2)

Kriteria keputusan:

Apabila p-value > 0,05 maka 𝐻𝑜 diterima

Apabila p-value ≤ 0,05 maka 𝐻𝑜 ditolak

2.11 Preferensi

Preferensi adalah suatu sikap yang lebih menyukai sesuatu

benda daripada benda lainnya. Penilaian preferensi adalah teknik

penelitian dengan menyajikan dua atau lebih perangsang yang harus

dipilih subyek yang diukur melalui tes lisan (Chaplin, 2002). Menurut

(Kotler, 2000) preferensi konsumen menunjukan kesukaan konsumen

dari berbagai pilihan produk atau jasa yang ada. Teori preferensi dapat

digunakan untuk menganalisis tingkat kepuasan bagikonsumen,

misalnya bila seseorang ingin mengkonsumsi atau menggunakan

sebuah produk atau jasa dengan sumber daya terbatas maka ia harus

memilih alternatif sehingga nilai guna atau utilitas yang diperoleh

mencapai optimal. Preferensi konsumen dapat diketahui dengan

mengukur tingkat kegunaan dan nilai relatif penting setiap atribut

yang terdapat pada suatu produk atau jasa. Atribut yang ditampilkan

pada suatu produk atau jasa dapat menimbulkan daya tarik pertama

yang dapat mempengaruhi konsumen. Penilaian terhadap produk dan

jasa menggambarkan sikap konsumen terhadap produk atau jasa

tersebut, sekaligus dapat mencerminkan perilaku konsumen dalam

menggunakan atau mengkonsumsi suatu produk atau jasa.

Faktor yang merupakan bagian dari perilaku konsumen adalah

preferensi konsumen. Preferensi adalah kesukaan, pilihan atau sesuatu

yang lebih disukai konsumen. Konsumen memiliki sikap berbeda-

beda dalam memandang atribut yang dianggap relevan penting dan

akan memberikan perhatian terbesar pada atribut yang memberikan

manfaat-manfaat yang dicarinya (Kotler, 2005).

26

2.12 Akreditasi Program Studi

Menurut BAN-PT (2008), akreditasi dipahami sebagai

penentuan standar mutu serta penilaian terhadap suatu lembaga

pendidikan (dalam hal ini pendidikan tinggi) oleh pihak di luar

lembaga pendidikan itu sendiri. Kemudian lebih lanjut menurut

Kementerian Pendidikan Nasional (Nasional, 2011) akreditasi

program studi adalah proses evaluasi dan penilaian secara

komprehensif atas komitmen program studi terhadap mutu. Dalam

penelitian ini akreditasi pada program studi Fakultas MIPA

Universitas Brawijaya memiliki 2 penilaian yaitu A dan B.

2.13 Passing Grade Passing grade adalah sebuah nilai batas minimal ataupun

batas acuan yang dimiliki suatu program studi (prodi) perguruan

tinggi negeri untuk dapat masuk ke prodi tersebut. Passing grade

biasanya dituliskan dalam bentuk persen ataupun juga dalam bentuk

ratusan. Bedanya, misalnya jika dalam persen ditulis (56.2%), maka

jika ditulis dalam bentuk data akun ditulis (562,00).

Semakin tinggi passing grade suatu prodi, maka tingkat

kesulitan untuk dapat masuk prodi tersebut akan semakin tinggi.

Sebaliknya juga jika passing grade rendah maka akan semakin mudah

juga para calon mahasiswa untuk masuk prodi yang diminatinya.

2.14 Rasio Mahasiswa yang Diterima

Rasio merupakan perbandingan antara dua kuantitas yaitu

kuantitas pembilang dan kuantitas penyebut. Kedua kuantitas tersebut

dibandingkan tidak harus memiliki sifat/ciri yang sama. Dalam

penelitian ini dua kuantitas yang dibandingkan adalah kuota

penerimaan mahasiswa dengan banyaknya pendaftar.

2.15 Biaya Kuliah

Biaya adalah aliran dana atau sumber daya yang dihitung

dalam satuan moneter yang dikeluarkan guna memenuhi pengeluaran

perusahaan atau sering disebut bebean perusahaan. Menurut Standar

Akutansi Keuangan (1999:12). Dalam penelitian ini biaya yang diukur

adalah biaya kuliah, yang dimulai dari biaya terendah hingga tertinggi.

27

BAB III

METODE PENELITIAN

3.1. Data Penelitian

Data yang digunakan pada penelitian ini adalah data primer hasil

survei terhadap preferensi mahasiswa Fakultas MIPA Universitas

Brawijaya.

3.2. Jenis Data dan Pengukuran Stimuli Menurut Solimun (2010), pengukuran merupakan suatu proses

kuantifikasi atribut atau variabel (kualitatif) dari suatu materi atau

obyek sehingga diperoleh angka (bilangan) menggunakan aturan

tertentu. Bilamana aturan tersebut diubah akan menghasilkan data

yang berbeda.

Pada penelitian ini, untuk menilai stimuli yaitu mengenai

preferensi mahasiswa adalah dengan menggunakan data metrik atau

rating. Bilamana yang digunakan merupakan rating, maka dapat

digunakan skala Likert. Nilai yang akan diberikan pada angket

tersebut bernilai 1-5 yaitu memiliki arti sangat tidak menyukai hingga

sangat menyukai. Analisis dilakukan dengan agregat yaitu

menggunakan nilai rata-rata responden pada setiap produk.

3.3. Atribut Penelitian Dasar penelitian pada analisis konjoin adalah hal paling penting

pada desain stimuli yang nantinya akan dievaluasi oleh responden.

Desain disini adalah atribut dan level yang harus dijadikan sebagai

pertimbangan yang penting. Atribut dan level mempengaruhi

efektivitas stimuli dan ketepatan hasil. Berikut merupakan atribut dan

level yang akan diteliti:

28

Tabel 3.1 Atribut dan Level

Atribut Level

Akreditasi A

B

Passing Grade Tinggi

Rendah

Rasio Mahasiswa yang

Diterima

Tinggi

Sedang

Rendah

Biaya Kuliah

Tinggi

Sedang

Rendah

1. Akreditasi

Preferensi mahasiswa dalam aspek ini dapat dilihat dari seberapa

besar pengaruh akreditasi dalam memilih program studi. Level

yang digunakan adalah A dan B.

2. Passing Grade

Preferensi mahasiswa dalam aspek ini dapat dilihat dari seberapa

besar pengaruh passing grade dalam memilih program studi.

Level yang digunakan adalah tinggi dan rendah. Keterangan

passing grade setiap program studi dapat dilihat pada lampiran

11.

3. Rasio Mahasiswa yang diterima

Preferensi mahasiswa dalam aspek ini dapat dilihat dari seberapa

besar pengaruh rasio mahasiswa yang diterima dalam memilih

program studi. Level yang digunakan adalah tinggi, sedang, dan

rendah.

4. Biaya Kuliah

Preferensi mahasiswa dalam aspek ini dapat dilihat dari seberapa

besar pengaruh biaya kuliah dalam memilih program studi. Level

yang digunakan adalah tinggi, sedang, dan rendah. Untuk data

UKT Mahasiswa Fakultas MIPA Tahun 2016/2017 dapat dilihat

pada lampiran 13.

29

3.4. Instrumen Penelitian Pada penelitian ini digunakan instrumen penelitian berupa angket

untuk mengumpulkan data. Angket disebarkan langsung kepada

mahasiswa angkatan 2016 Fakultas MIPA Universitas Brawijaya.

Skala derajat preferensi yang digunakan dalam penelitian ini adalah

sangat menyukai sampai sangat tidak menyukai.

Pemberian persepsi terhadap pernyataan dibagi menjadi lima dan

masing-masing memiliki skor yang dapat dijelaskan sebagai berikut:

1 = menunjukan respon sangat tidak menyukai

2 = menunjukan respon tidak menyukai

3 = menunjukan respon tidak memiliki jawaban

4 = menunjukan respon menyukai

5 = menunjukan respon sangat menyukai

3.5. Populasi, Sampel, dan Teknik Pengambilan Sampel Populasi merupakan seluruh obyek penelitian sedangkan sampel

sendiri, merupakan bagian dari suatu populasi. Sampel diambil dari

bagian populasi yang dipilih. Populasi dalam penelitian ini yaitu

seluruh mahasiswa Fakultas MIPA angkatan 2016. Mahasiswa

Fakultas MIPA dibagi menjadi tujuh prodi, yakni prodi matematika

sebanyak 135 mahasiswa, prodi statistika sebanyak 133 mahasiswa,

prodi biologi sebanyak 144 mahasiswa, prodi kimia sebanyak 136

mahasiswa, prodi fisika sebanyak 109 mahasiswa, prodi teknik

geofisika sebanyak 73 mahasiswa, dan prodi instrumentasi sebanyak

38 mahasiswa. Dengan total seluruh mahasiswa angkatan 2016

Fakultas MIPA Universitas Brawijaya sebanyak 768 mahasiswa. Data

mahasiswa setiap prodi di Fakultas MIPA Universitas Brawijaya dapat

dilihat pada tabel dibawah ini:

30

Tabel 3.2 Data mahasiswa setiap prodi di Fakultas MIPA

Universitas Brawijaya tahun 2016

Program Studi Jumlah Populasi

Matematika 135

Statistika 133

Biologi 144

Kimia 136

Fisika 109

Instrumentasi 38

Teknik Geofisika 73

Total Populasi 768

Sampel pada penelitian ini adalah mahasiswa Fakultas MIPA

Universitas Brawijaya menggunakan proportionate stratified random

sampling. Teknik ini digunakan karena populasinya tidak homogen,

mengacu pada pendapat Sugiyono (2011:82) bahwa, “Proportional

Stratified Random Sampling digunakan bila populasi mempunyai

anggota atau unsur yang tidak homogen dan berstrata secara

proporsional”. Strata yang dimaksud dalam penelitian ini yaitu

statistika, matematika, kimia, fisika, teknik geofisika, dan

instrumentasi. Proses pembagian populasi kedalam stratum bertujuan

agar sampel yang diambil dari setiap stratum dapat mempresentasikan

karakteristik populasi yang berukuran besar dan heterogen.

Menurut Supranto (1992) dalam penelitian ini digunakan alokasi

proporsional agar sampel yang diambil dapat mepresentasikan

proporsi yang tepat sesuai dengan karakteristiknya masing-masing.

Penentuan ukuran sampel mengacu pada teori Isaac dan Michael

(1981) dengan taraf signifikansi 5%, df sebesar 9, dan nilai α sebesar

0,05. Berikut rumus perhitungannya:

𝑛 =𝜒2.𝑁.𝑃.𝑄

𝑑2.(𝑁−1)+𝜒2.𝑃.𝑄 (3.1)

𝑛 =(3,841)(768)(0,5)(0,5)

(0,052)(768−1)+(3,841)(0,5)(0,5)

𝑛 = 256,26

𝑛 ≈ 256

31

di mana:

𝑛 : jumlah sampel

𝜒2 : nilai tabel chisquare

N : jumlah total populasi

P : proporsi sukses (P = Q = 0,5)

d : taraf signifikansi (d = 0,05)

Selanjutnya jumlah anggota sampel bertingkat (berstrata)

dilakukan dengan cara pengambilan sampel secara proportional

random sampling yaitu menggunakan rumus alokasi proportional:

ni = 𝑁𝑖

𝑁. 𝑛 (3.2)

dimana:

ni = Ukuran sampel yang diambil dari strata-i (program studi pada

Fakultas MIPA)

Ni = Ukuran populasi strata-i (program studi pada Fakultas MIPA)

N = Ukuran populasi keseluruhan

n = Ukuran sampel keseluruhan

Matematika = 135

768. 256 = 45

Statistika = 133

768. 256 = 44

Biologi = 144

768. 256 = 48

Kimia = 136

768. 256 = 46

Fisika = 109

38. 256 = 36

Instrumentasi = 38

768. 256 = 13

Teknik Geofisika = 73

768. 256 = 24

32

Tabel 3.3 Ukuran Sampel masing-masing Strata Program Studi Jumlah Sampel

Matematika 45

Statistika 44

Biologi 48

Kimia 46

Fisika 36

Instrumentasi 13

Teknik Geofisika 24

Total 256

Prosedur pengambilan sampel dilakukan dengan cara memilih

beberapa nama mahasiswa. sesuai dengan jumlah sampel yang sudah

ditentukan untuk setiap program studinya. Pengambilan sampel

masing-masing program studi dilakukan secara acak dengan langkah-

langkah sebagai berikut:

1. Peneliti memilih beberapa mahasiswa dengan jumlah sesuai yang

sudah ditentukan untuk setiap program studinya.

2. Kemudian peneliti meminta bantuan pada himpunan yang ada

pada setiap program studi untuk mencari beberapa nama

responden yang sudah tepilih.

3. Jika responden tidak ada ditempat atau tidak ditemukan, maka

peneliti menggunakan cara teknik sampel accidental, yaitu siapa

saja yang secara kebetulan bertemu dengan peneliti dapat

digunakan sebagai sampel.

3.6. Pengumpulan Data Pengumpulan data dilakukan dengan cara menyebarkan angket.

Pengisian angket dilakukan dengan cara responden dihadapkan pada

seluruh stimuli yang telah terbentuk, kemudian responden diminta

untuk mengevaluasi dengan memberikan penilaian (rating) terhadap

masing-masing stimuli dengan menggunakan skala Likert.

3.7. Langkah Analisis Berikut merupakan langkah analisis konjoin, yaitu:

1. Penentuan Tujuan Analisis Conjoint

Tahap pertama dalam analisis conjoint merupakan tahap

penentuan tujuan penelitian, secara umum adalah untuk

33

menentukan kontribusi dari setiap variabel predictor (atribut)

dan level-levelnya dalam proses penentuan preferensi.

2. Metode Conjoint

Metode conjoint yang digunakan pada penelitian ini adalah

menggunakan metode Choice-Based Conjoint (CBC). Dengan

menggunakan pengacakan melalui komputer yang digunakan

oleh Sawtooth Software’s, dimana jumlah responden dipilih

secara acak dan metode pembangkitan yang digunakan adalah

Random.

3. Menentukan atribut dan level setiap atribut dari permasalahan

yang diangkat. Atribut serta level yang digunakan harus

mempertimbangkan beberapa hal penting yaitu:

a. Action Measure

b. Communicable Measure

c. Jumlah atribut dan level yang digunakan

d. Keseimbangan antara atribut dengan level

e. Jarak level

f. Antar atribut tidak ada korelasi

4. Memilih metode penyajian

Dalam penelitian ini metode penyajian yang digunakan adalah

metode Full Profile.

5. Membuat Stimuli

Desain yang digunakan dalam penelitian ini adalah fractional

factorial design. Dengan desain ini, sebagian dari seluruh

kombinasi produk dipilih yang benar-benar berpengaruh

terhadap efek utama.

6. Menetapkan data input yang akan digunakan

Data yang digunakan adalah data metrik yang merupakan data

dengan skala pengukuran interval dan rasio, dimana responden

menilai dengan cara memberikan nilai atau rating.

7. Pembuatan Angket

8. Estimasi Model

Dalam mengestimasi model teknik yang digunakan adalah

regresi dengan peubah dummy dan dapat dihitung dengan

menggunakan pendekatan OLS (Ordinary Least Square).

9. Pengukuran Ketepatan Prediksi dan Validasi Hasil Conjoint

Pengukuran ketepatan prediksi dapat dilihat dari nilai R2 dan

hasil conjoint dapat divalidasi secara internal yang melibatkan

34

konfirmasi bahwa antara komposisi yang dipilih (aditif atau

interaktif) adalah tepat.

10. Mendapatkan nilai koefisien part-worth dan nilai kepentingan

relatif (NKR).

11. Interpretasi Hasil Conjoint

Metode interpretasi yang digunakan dalam penelitian ini adalah

pengamatan terhadap estimasi part-worth untuk tiap atribut.

35

Ya

Ya

Gambar 3.1 Diagram Alir Analisis Konjoin

Mulai

Penentuan Tujuan Penelitan

Penentuan Metode Conjoint

ACA CBC CVA ACBC

Menentukan atribut dan level

Memilih metode penyajian

Trade Off Full

Profile

Pairwise

Comparison

A

36

Ya

Ya

A

Full Factorial

Design

Fractional

Factorial Design

Menetapkan Data Input

Pembuatan Angket

Teknik Estimasi Model yang digunakan regresi dengan peubah

dummy

Pengukuran Ketepatan Prediksi dan Validasi Internal

Selesai

Menetapkan Teknik Sampling:

Proportional Stratified Random

Sampling

Mendapatkan nilai koefisien part-worth dan kepentingan relatif

Interpretasi Hasil

Membuat Stimuli

37

BAB IV

HASIL DAN PEMBAHASAN

4.1. Hasil Pembentukan Stimuli

Berikut Hasil Pembentukan Stimuli (Fractional Factorial

Design)

Tabel 4.1 Kombinasi Kartu Produk hasil Fractional Factorial

PRODUK Akreditasi Passing

Grade

Rasio

Mahasiswa yang

Diterima

Biaya

Kuliah

1 A Rendah Rendah Rendah

2 A Rendah Sedang Sedang

3 B Tinggi Tinggi Sedang

4 A Tinggi Sedang Sedang

5 B Tinggi Sedang Sedang

6 B Tinggi Sedang Rendah

7 A Rendah Tinggi Sedang

8 A Tinggi Tinggi Tinggi

9 B Tinggi Tinggi Tinggi

10 B Tinggi Sedang Tinggi

11 A Rendah Sedang Tinggi

12 B Tinggi Rendah Tinggi

13 A Tinggi Sedang Rendah

14 B Rendah Rendah Rendah

15 A Tinggi Tinggi Sedang

16 A Tinggi Sedang Tinggi

38

4.2. Analisis Regresi dengan Peubah Dummy

4.2.1. Penentuan Level Acuan

Menurut Hardy (1993) sebelum melakukan pendugaan parameter

regresi dengan peubah dummy, hal yang perlu dilakukan adalah menentukan

level acuan atau kontrol. Level acuan akan diberikan kode 0 yang merupakan

angka terendah atau tidak memiliki sifat atau ciri yang khas. Berikut

merupakan level acuan dari masing-masing atribut:

Tabel 4.2 Penentuan Level Acuan

No Atribut Level Acuan

1 Akreditasi B

2 Passing Grade Rendah

3 Rasio Mahasiswa yang

Diterima Rendah

4 Biaya Kuliah Rendah

4.2.2. Pengkodean peubah dummy

Berdasarkan tabel 4.1 mengenai penentuan level-level acuan, maka

untuk membentuk peubah dummy didapatkan dengan cara:

Tabel 4.3 Pembentukan Peubah Dummy

Y Keterangan Nilai/level

Akreditasi A (1)

B (0)

Passing Grade Tinggi (1)

Rendah (0)

Rasio Mahasiswa yang Diterima

Tinggi (1,0)

Sedang (0,1)

Rendah (0,0)

Biaya Kuliah

Tinggi (1,0)

Sedang (0,1)

Rendah (0,0)

39

Dan berikut hasil pengkodean dummy:

Tabel 4.4 Hasil Pengkodean Peubah Dummy

PRODUK Y A1 B1 C1 C2 D1 D2

1 2,62 0 0 0 0 0 0

2 2,73 0 0 0 1 0 1

3 2,95 1 1 1 0 0 1

4 2,58 0 1 0 1 0 1

5 2,84 1 1 0 1 0 1

6 2,51 1 1 0 1 0 0

7 2,87 0 0 1 0 0 1

8 2,96 0 1 1 0 1 0

9 2,95 1 1 1 0 1 0

10 2,68 1 1 0 1 1 0

11 2,78 0 0 0 1 1 0

12 2,86 1 1 0 0 1 0

13 2,43 0 1 0 1 0 0

14 2,75 1 0 0 0 0 0

15 2,90 0 1 1 0 0 1

16 2,81 0 1 0 1 1 0

Hasil pengkodean dengan peubah dummy dapat dilihat pada tabel 4.4

Selanjutnya dilakukan pendugaan parameter regresi dengan peubah dummy

dengan 16 stimuli terbentuk.

4.2.3. Pendugaan parameter regresi peubah dummy

Penilaian responden terhadap stimuli yang ada dilakukan dengan

sistem aggregate, dimana Y merupakan rata-rata penilaian 256 responden

terhadap masing-masing simuli sebanyak 16. Berikut merupakan hasil

pendugaan parameter regresi peubah dummy :

Y = 2,634 + 0,063A1 + 0,054B1 + 0,079C1 - 0,123C2 + 0,214D1 + 0,254D2

Hasil pendugaan parameter regresi peubah dummy tidak dapat

dibentuk sebuah model yang kemudian diinterpretasikan, karena pendugaan

parameter regresi dummy hanya digunakan untuk menduga koefisien part-

worth.

40

4.3. Pengukuran Ketepatan Prediksi

4.3.1 Goodness of fit Perhitungan untuk mengevaluasi goodness of fit perlu dilakukan

untuk memastikan seberapa konsisten model memprediksi preferensi yang

diberikan tiap responden. Pada prosedur dengan menggunakan regresi

peubah dummy dapat dilihat dari nilai R2. Berdasarkan lampiran 7.3.1

didapat nilai R2 sebesar 0,871. Atau dapat disimpulkan bahwa model

persamaan regresi dengan peubah dummy yang dihasilkan sangat baik untuk

diprediksi, karena 87,1% keragaman total utility responden dapat

diterangkan oleh atribut-atribut yang ada.

4.3.2 Korelasi Pearson

Korelasi pearson atau Pearson’s R sering digunakan untuk sebagai

alat untuk mengukur validitas dari nilai utilitas yang telah diperoleh.

Berdasarkan lampiran 7.3.2 didapatkan nilai peluang sebesar 0,000 maka

tolak H0, yang artinya adalah terdapat korelasi yang kuat antara nilai

pengamatan dan nilai dugaan (pendapat responden yang diteliti) secara

kseluruhan atau terdapat ketepatan dalam memprediksi. Arti lain

menunjukan bahwa atribut-atribut yang digunakan secara signifikan

dipertimbangkan oleh mahasiswa dalam menentukan program studi.

Dan koefisien korelasi sebesar 0,953. Menurut Santoso (2015)

dimana koefisien korelasi ≥ 0,95 maka mengindikasi prediksi yang baik.

Sehingga dapat disimpulkan bahwa atribut-atribut yang digunakan memang

secara signifikan dipertimbangkan oleh mahasiswa angkatan 2016 Fakultas

MIPA Universitas Brawijaya dalam menentukan program studi.

4.4. Nilai Kegunaan Taraf (Koefisien Part-worth)

Koefisien part-worth dapat dilihat pada output analisis konjoin atau

dapat dihitung secara manual. Perhitungan keempat atribut tersebut dapat

dilihat pada lampiran 8. Berikut merupakan hasil output berupa nilai

koefisien part-worth dan nilai kepentingan relatif:

41

Tabel 4.5 Hasil output nilai koefisien part-worth dan nilai kepentingan relatif

Atribut Level Koefisien part-

worth

Nilai Kepentingan

Relatif (NKR)

dalam %

Akreditasi A 0,0315

10,994% B -0,0315

Passing Grade Tinggi 0,027

9,424% Rendah -0,027

Rasio

Mahasiswa

yang Diterima

Tinggi 0,034

35,253% Sedang -0,168

Rendah -0,045

Biaya Kuliah

Tinggi

-0,156

44,329% Sedang 0,098

Rendah 0,058

Berdasarkan Tabel 4.5 Hasil output nilai kegunaan taraf dengan

Syntax SPSS 21, atribut yang paling dipertimbangkan hingga yang kurang

dipertimbangkan oleh mahasiswa Fakultas MIPA Univeristas Brawijaya

adalah biaya kuliah memiliki nilai kepentingan atribut paling besar yakni

sebesar 44,329% dengan rasio mahasiswa yang diterima sebesar 35,253%,

akreditasi sebesar 10,994%, dan yang terakhir passing grade sebesar 9,424%

42

Dan berikut adalah diagram lingkaran dari nilai kepentingan relatif:

Gambar 4.1 Nilai Kepentingan Relatif (NKR)

Berdasarkan gambar 4.1 dapat dilihat bahwa atribut yang paling

dipertimbangkan oleh mahasiswa adalah biaya kuliah dibandingkan atribut

lain seperti rasio mahasiswa yang diterima, passing grade, dan akreditasi.

Pada tabel 4.5 bisa dilihat bahwa untuk biaya kuliah, biaya yang paling

banyak dipilih oleh mahasiswa adalah pada level sedang, untuk rasio

mahasiswa yang diterima mahasiswa lebih mempertimbangkan rasio yang

tinggi, ketiga mahasiswa Fakultas MIPA Universitas Brawijaya lebih

memilih akreditasi A. Dan terakhir untuk passing grade, mahasiswa lebih

memilih passing grade tinggi.

4.5. Utilitas level pada masing-masing atribut

Besar utilitas atau part-worth pada masing-masing atribut dapat

dilihat dari diagram batang. Part-worth digunakan untuk mengetahui

dampak terhadap utilitas secara agregat atau individu.

10,99%

9,42%

35,25%

44,33%

Nilai Kepentingan Relatif

Akreditasi

Passing Grade

Rasio Mahasiswa yangDiterima

Biaya Kuliah

43

4.5.1 Utilitas Level pada Atribut Biaya Kuliah

Utilitas biaya kuliah dengan harga tinggi, sedang, dan rendah dapat

dilihat pada diagram batang sebagai berikut:

Gambar 4.2 Diagram batang utilitas Biaya Kuliah

Preferensi mahasiswa dalam memilih program studi berupa biaya

kuliah merupakan atribut yang paling dipertimbangkan dalam memilih

program studi. Berdasarkan gambar 4.2 responden mahasiswa Fakultas

MIPA Universitas Brawijaya lebih memilih biaya kuliah dengan pada level

sedang dengan koefisien part-worth 0,098 dibandingkan biaya pada level

rendah dengan nilai koefisien part-worth 0,058 dan tinggi dengan koefisien

part-worth -0,156.

-0,156

0,098

0,058

-0,2

-0,15

-0,1

-0,05

0

0,05

0,1

0,15

Tinggi Sedang Rendah

Uti

lity

Summary Utilities

Biaya Kuliah

44

4.5.2 Utilitas Level pada Aribut Rasio Mahasiswa yang Diterima

Utilitas rasio mahasiswa yang diterima antara lain dengan

perbandingan tinggi, sedang, dan rendah dapat dilihat pada diagram batang

sebagai berikut:

Gambar 4.3 Diagram batang utilitas Rasio Mahasiswa yang Diterima

Preferensi mahasiswa dalam memilih program studi berupa rasio

mahasiswa yang diterima merupakan atribut yang dipertimbangkan setelah

biaya kuliah dalam memilih program studi. Berdasarkan gambar 4.3

mahasiswa Fakultas MIPA Universitas Brawijaya lebih mempertimbangkan

rasio mahasiswa yang diterima dengan rasio tinggi dengan nilai koefisien

part-worth 0,034 dibandingkan rasio sedang dengan nilai koefisien part-

worth -0,168 dan rendah yang memiliki nilai koefisien part-worth -0,045.

0,034

-0,168

-0,045

-0,2

-0,15

-0,1

-0,05

0

0,05

Tinggi Sedang Rendah

Uti

lity

Summary Utilities

Rasio Mahasiswa yang Diterima

45

4.5.3 Utilitas Level pada Atribut Akreditasi

Utilitas akreditasi antara lain dengan nilai A dan B dapat dilihat pada

diagram batang sebagai berikut:

Gambar 4.4 Diagram batang utilitas aribut akreditasi

Preferensi mahasiswa dalam memilih program studi berupa

akreditasi merupakan atribut yang dipertimbangkan setelah biaya kuliah dan

rasio mahasiswa yang diterima. Berdasarkan gambar 4.4 mahasiswa Fakultas

MIPA Universitas Brawijaya lebih memilih akreditasi A yang memiliki nilai

koefisien part-worth 0,0315 dibandingkan akreditasi B yang memiliki

koefisien part-worth -0,0315.

0,0315

-0,0315-0,04

-0,03

-0,02

-0,01

0

0,01

0,02

0,03

0,04

A BUti

lity

Akreditasi

Summary Utilities

46

4.5.4 Utilitas Level pada Atribut Passing Grade

Utilitas Passing Grade dengan nilai yang tinggi dan rendah dapat

dilihat pada diagram batang sebagai berikut:

Gambar 4.5 Diagram batang utilitas Passing Grade

Preferensi mahasiswa dalam memilih program studi berupa

passing grade merupakan atribut yang dipertimbangkan setelah biaya

kuliah, rasio mahasiswa yang diterima, dan akreditasi. Berdasarkan

gambar 4.5 mahasiswa Fakultas MIPA Universitas Brawijaya lebih

memilih passing grade tinggi dengan koefisien part-worth 0,027,

dibandingkan dengan passing grade rendah dengan koefisien part-

worth -0,027.

0,027

-0,027-0,03

-0,02

-0,01

0

0,01

0,02

0,03

Tinggi RendahUti

lity

Passing Grade

Summary Utilities

47

4.6. Interpretasi Hasil Analisis Conjoint Berdasarkan dari koefisien part-worth dan nilai kepentingan relatif

(importance values) diatas, dapat dikatakan bahwa preferensi mahasiswa

Fakultas MIPA Universitas Brawijaya Angkatan 2016 lebih memilih atribut

biaya kuliah pada level sedang dibandingkan dua level lainnya. Untuk atribut

passing grade, mahasiswa lebih memilih dengan passing grade tinggi

daripada passing grade rendah. Untuk atribut rasio mahasiswa yang

diterima, mahasiswa lebih memilih rasio tinggi dibandingkan dua rasio

lainnya yaitu, rasio sedang dan rendah. Dan yang terakhir pada atribut

akreditasi mahasiswa lebih memilih degan program studi dengan akreditasi

A daripada akreditasi B.

48

49

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil analisis dan pembahasan mengenai atribut-

atribut yang telah ditentukan, didapat hasil sebagai berikut:

1. Atribut yang paling dipertimbangkan diantara keempat atribut

yang ada adalah atribut biaya kuliah.

2. Level dalam setiap atribut yang paling diminati oleh mahasiswa

adalah biaya kuliah pada kategori rendah. Kemudian untuk

passing grade yang paling dipertimbangkan adalah pada passing

grade tinggi, ketiga untuk atribut akreditasi yang paling

dipertimbangkan mahasiswa adalah pada akreditasi A, dan yang

terakhir atribut rasio mahasiswa yang diterima adalah tinggi. Jadi

kombinasi level pada setiap atribut penelitian program studi yang

paling diminati oleh mahasiswa dalam memilih program studi

adalah akreditasi (A), passing grade (tinggi), rasio mahasiswa

yang diterima (tinggi), dan biaya kuliah (sedang).

5.2. Saran

Dari hasil analisis dan pembahasan diatas, maka saran-saran

yang dapat diberikan penulis kepada program studi yang ada di

Fakultas MIPA Universitas Brawijaya dan penulis lanjutan melalui

penelitian ini adalah:

1. Hendaknya dalam melakukan inovasi pengembangan program

studi, pihak prodi memperhatikan penilaian mahasiswa sehingga

pengembangan prodi tersebut sesuai dengan keinginan

mahasiswa.

2. Untuk atribut yang paling dipertimbangkan oleh mahasiswa dalam

memilih program studi seperti biaya kuliah pada kategori biaya.

Maka dari itu, agar setiap program studi lebih mempertimbangkan

uang kuliah tunggal (UKT).

3. Diharapkan informasi ini dapat dijadikan bahan masukan dalam

membuat pertimbangan mengembangkan program studi yang ada

di Fakultas MIPA Universitas Brawijaya menjadi lebih baik.

4. Pada penelitian berikutnya, sebaiknya peneliti memperbanyak

jumlah atribut dan stimuli.

50

51

Daftar Pustaka

Angraini, Yenni. 2006. Penentuan Rancangan Optimum pada Choice

Based Conjoint. Tesis. Sekolah Pascasarjana, IPB. Bogor

Anonim. 2002. Conjoint Paper Series. http://www.sawtooth.com

Bawantara, A. 2007. Lulus SMA Kuliah di Mana? Panduan Memilih

Program Studi. Jakarta. Kawan Pustaka.

Chaplin, J. P. 2002. Kamus Lengkap Psikologi. Terjemahan dr.

Kartini Kartono. Edisi kelima. PT. Raja Grafindo Persada.

Jakarta.

Charzan K, Orme BK. 2000. An Overview and Comparison of Design

Strategies for Choice Based Conjoint Analysis.

www.sawtoothsoftware.com

Eubank, R. L. 1999. Spline Smoothing and Nonparametric

Regression, 2nd edition, Marcel Dekker/CRC.

Gudono. 2011. Analisis Multivariat dengan Program SPSS. Badan

Penerbit Undip. Semarang.

Green, Paul E. dan Krieger, Abba M. 1991. Segmenting Markets with

Conjoint Analysis. Journal of Marketing, Vol. 55 (October), hal.

20-31

Hair, J. F., W. C. Black, B. J. Babin & R. E. Anderson. 2010.

Multivariate Data Anlaysis. Seventh Edition. Pearson Pretince

Hall. United States of America

Hardy, M.A. 1993. Regression With Dummy Variables.Florida: Sage

Publication Inc.

Huber, Joel, Bryan Orme and Richard Miller (1999). Dealing with

Product Similarity in Conjoint Simulations. Sawtooth Software

Conference Proceedings.

52

Hurtado, R dan Manua;, J. 2010. Measuring Preference: From

Conjoint Analysis to Intergrated Conjoint Experiment.

Universidad Pablo de Olavide. de Sevilla

Johnson, R. A. dan Wichern, D. W. 2002. Applied Multivariate

Statistical Analysis, 6th Edition. New Jersey: Person Prentice

Hall.

Kotler. 2005. Manajemen Pemasaran. Jilid 1 Edisi Milenium.

Prehallindo. Jakarta

Kotler. 2000. Manajemen Pemasaran. Jilid 1 Edisi Milenium.

Prehallindo. Jakarta

Kotri, Andrus. 2006. Analyzing Customer Value Using Conjoint

Analysis : The Example of A Packaging Company. Tartu

University Press. Order no. 567. Hal. 9

Malhotra, N. K. 2004. Marketing Research an Applied Orientation.

Pearson Education international. United States of America

Mattjik, A.A. dan Sumertajaya. 2011. Sidik Peubah Ganda dengan

MMontgomery, D. C., dan Peck, E. A., Vining, G.G. 2013.

Intoduction to Linier Regression Analysis fifth edition. New

York: John Willey & Sons, INC.enggunakan SAS. IPB Press.

Bogor

Montgomery, Douglas. 2005. Design and Analysis of

Experiments , John Wiley & Sons, USA,1984

Pullman, M.E, Moore, W.L. 1999. Optimal Service Design:

Intergrating Marketing and Operation Perspectives.

International Journal of Service Industry Management, vol. 10,

no. 2. Hal. 239

Santoso, S. 2015. Menguasai Statistika Multivariat. Jakarta: PT Elex

Media Kamputindo Kelompok Gramedia

53

Solimun. 2010. Analisis Multivariat Permodelan Struktural. Malang:

CV Citra Malang.

Sugiyono. 2011. Metode Penelitian Pendidikan. Alfabeta. Bandung.

Suharjo, B. 2007. Analisis Konjoin Untuk Pengembangan Produk.

www.stttelkom.ac.id

Supranto J. 2010. Analisis Multivariat: Arti dan Interpretasi. PT.

Rineka Cipta. Jakarta

Supranto J. 2004. Analisis Multivariat Arti dan Interpretasi. PT.

Rineka Cipta. Jakarta

Supranto J. 1992. Teknik Sampling: Untuk Survei dan Ekperimen. PT.

Rineka Cipta. Jakarta

54