penerapan analisis konjoin dalam menentukan …repository.ub.ac.id/4131/1/rozy, fakhru.pdf · 2020....
TRANSCRIPT
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