Pembahasan terkait dengan ragam analisis regresi kita akan lanjutkan, dimana sebelumnya kita sudah membahas beberapa analisis regresi yang umum orang ketahui dan dalam penggunaannya cukup sering digunakan, beberapa diantaranya adalah analisis regresi logit (data biner), regresi spasial, regresi komponen utama dan yang terakhir kita bahas yaitu regresi multivariate. Yang coba kita akan uraikan secara singkat pada kesempatan kali ini yaitu mengenai analisis regresi ordinal.
Pada pembahasan yang terdahulu kita mengenal istilah ordinal yang merupakan salah satu jenis dari skala ukur data (Baca artikel : Skala Ukur Data). Dalam bahasan skala ukur data, skala ukur ordinal identik dengan pengukuran yang menghasilkan data berupa peringkat atau level. Semisal : tingkat kesukaan, tingkat kesetujuaan, dan sejenisnya. Selain terkait dengan skala ukur ordinal, pada bahasan analisis regresi logit, kita pun sudah cukup banyak mengupas konsepsi penggunaan variabel dependent (Y) dengan nilai biner (0 dan 1) sehingga muncullah istilah odds dan odds ratio dalam konsep interpretasinya.
Nah jika para peneliti sudah mengenal dan memahami apa yang dimaksud dengan skala ukur ordinal dan analisis regresi logit, maka dalam pemahaman terhadap konsep analisis regresi ordinal akan cukup mudah. Karena dalam penerapannya analisis regresi ordinal memadukan antara skala ukur data ordinal pada variabel dependen (Y) pada konsepsi regresi, sehingga dalam proses perhitungannya identik dengan proses perhitungan analisis regresi logit. Yang membedakan hanyalah dari segi kombinasi persamaan regresi yang dihasilkan dari suatu konsepsi variabel dependen (Y) yang berupa tingkatan (lebih dari 2 tingkatan).
Lebih lanjut terkait dengan konsepsi analisis regresi ordinal akan kita uraikan pada bagian selanjutnya.
Konsep Regresi Ordinal
Regresi logistik ordinal adalah pemodelan regresi logistik untuk data variabel tak bebas (Y) dengan respons kategorik ordinal non-biner (kategorik ordinal dengan jumlah kategori lebih daripada dua). Pengolahan data pada regresi logistik ordinal tetap dilakukan dengan menggunakan himpunan nilai variabel bebas (X) yang sama, memisahkannya ke dalam dua bagian dengan respons modifikasi YM = 1 dan YM = 0 seperti pada regresi logistik biasa, tetapi dilakukan secara berulang dengan memindah-mindahkan titik cutoff untuk variabel respons-nya.
Misalkan dimiliki data dengan variabel tak bebas (Y) kategorik ordinal yang memiliki 4 kategori, yaitu kategori I, II, III, dan IV. Maka regresi logistik biasa dilakukan 3 kali terhadap himpunan nilai variabel bebas (X) yang sama, tetapi respons kategori I vs II-III-IV, respons kategori I-II vs III-IV, dan respons kategori I-II-III vs IV. Ketiga titik cutoff variabel respons akan menjadi estimator konstanta dalam tiap model.
Gambar 1. Cut off Persamaan Regresi Ordinal 4 kategori
Sebagai hasil akan diperoleh 3 model regresi dengan estimasi koefisien regresi yang sama (karena menggunakan himpunan nilai variabel bebas (X) yang sama), namun dengan konstanta berbeda (karena menggunakan titik cutoff respons yang berbeda). Ketiga model ini biasanya disebut sebagai 1 model regresi saja, yaitu:
Akan terlihat perbedaanya jika sudah kita proses pemodelannya dengan menggunakan data riil dan aplikasi (salah satunya dengan SPSS). Sehingga bentuk model dan jumlah model yang terbentuk dari hasil variabel dependen yang merupakan data dengan skala ukur ordinal terlihat jelas.
Secara prinsip pengerjaan regresi ordinal serupa dengan regresi logit data biner. Perbedaannya adalah dalam hal banyaknya model regresi yang terbentuk dan kaitannya dengan fungsi pengelompokan. Lebih lanjut para peneliti atau data master bisa mempelajari melalui literatur yang lebih lengkap. Pada kesempatan yang lain kita akan coba perlihatkan pembentukan model regresi ordinal dengan menggunakan software SPSS, agar apa yang telah diuraikan dalam konsepsi regresi ordinal pada artikel ini dapat terlihat jelas pada output SPSS hasil pengolahan data riil. SEMANGAT MEMPELAJARI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari sales atau marketing asuransi kerugian (non asuransi jiwa) di Kota Jakarta, tepatnya informasi atau perspektif para sales atau marketing dalam hal efikasi diri dalam hal mengambil peran marketing di perusahaan asuransi tempatnya bekerja. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori sangat kompleks. Target spesifik yang menjadi kriteria dari responden adalah sales atau marketing asuransi kerugian (non asuransi jiwa) di Kota Jakarta. Kategori kompleks di sini adalah dimulai dari prosedural, biaya dan waktu serta effort tim lapangan.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 4 orang. Crew yang well educated, bermental OK, PeDe, memiliki komunikasi yang baik dan behave yang menyenangkan bagi responden. Karena yang kita temui dilapangan mulai dari level staff, leader sampai dengan level manager perusahaan asuransi. So, right person is a must.
Proses survey yang sangat challenging yang tim kita temui di lapangan, wellplanning dan well strategy dalam melakukan survey lapangan kali ini sangat diperlukan sekali, sekali lagi cost and time effective dalam penelitian. Calon responden yang kita hadapi adalah responden memiliki kecenderungan untuk menolak sangat tinggi dikarenakan frame bermanfaatnya research dan traffic kerja di perusahaan asuransi menjadi tantangan tersendiri di lapangan. Benefit first.
Prosedural, karena yang kita datangi merupakan institusi bisnis kelengkapan permohonan perijinan hingga proposal research perlu dipersiapkan oleh tim lapangan, remember Birokrasi. Biaya dan Waktu, yang kita temui di lapangan dikarenakan birokrasi oleh karena ada jeda waktu tunggu yang lumayan untuk memperoleh kepastian “bisa ikut berpartisipasi” dan atau “tidak bisa ikut berpartisipasi”, otomatis menjadi estimasi budget tambahan yang harus dipersiapkan. Effort Tim Lapangan, jarak tempuh, kondisi serta situasi alam yang menjadi tantangan tersendiri bagi tim lapangan, diperlukan tim tangguh di lapangan.
Saran kita berdasarkan pengalaman di lapangan diperlukan extra time untuk melakukan penelitian dengan kriteria responden dari institusi bisnis besar. Rencana time line research yang harus well planning dan well organized. Networking atau Offering Benefits mungkin bisa jadi instrumen yang dapat mempermudah dan mempercepat dalam proses pengambilan data lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey di lapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari para entrepreneur / usahawan ataupun pribadi di kota Jakarta yang mengakses dana pinjaman melalui aplikasi (e-lending) smartphone. Aplikasi yang dimaksud adalah Peer to Peer (P2P) Lending yang merupakan aplikasi Fintech yang mempertemukan antara peminjam dana (Kreditor) dengan pemilik dana (Debitor). Contoh P2P Lending: KoinWorks, Amartha, Investree, Modalku, Uang Teman. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori sangat kompleks. Target spesifik yang menjadi kriteria dari responden adalah para entrepreneur / usahawan ataupun pribadi di kota Jakarta yang mengakses dana pinjaman melalui aplikasi (e-lending) pada smartphone. Kriteria objek yang cukup mudah pada perkiraan awal karena seperti kita tahu bahwa para entrepreneur / usahawan ataupun pribadi biasanya welcome dengan riset, apalagi dilakukan kaitannya dengan pendidikan. Selain itu, trend penggunaan smarphone berserta kemudahan mengunduh berbagai aplikasi termasuk aplikasi pinjaman turut memudahkan pencarian responden. Akan tetapi, pada realitanya didapati pula banyak kesulitan, beberapa di antaranya adalah faktor finansial yang menjadi pertanyaan penelitian sehingga para entrepreneur / usahawan ataupun pribadi banyak sekali menghindar untuk dijadikan responden. Selain itu, kaitannya dengan pendanaan / pinjaman sehingga kebanyakan para entrepreneur / usahawan ataupun pribadi tidak “mengakui”, salah satunya karena faktor “gengsi”. Oleh karenanya diperlukan teknik komunikasi yang mengharuskan ekstra understanding agar maksud dari penelitian ini dapat tersampaikan dengan baik dan para entrepreneur / usahawan ataupun pribadi mau untuk menjadi sumber data.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 4 orang. Rata-rata tenaga yang kita pakai berusia antara 20 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Karena didapati banyak kendala yang berarti di lapangan yang tim kita temui, planning dan strategi yang terukur dalam melakukan survey lapangan sangat perlu diperhatikan. Calon responden yang kita hadapi adalah responden yang memiliki kecenderungan untuk menolak sangat tinggi dikarenakan issue yang melatarbelakangi survey lapangan ini berkaitan dengan hal keuangan. Sehingga, perlu komunikasi yang sangat persuasif dan ringan agar dapat meyakinkan calon responden atas tujuan survey yang dilakukan tidak menyentuh hal-hal yang sensitif tentang private information yang sangat dijaga kerahasiaanya oleh responden.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey dilapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari generasi milineal yang suka berwisata atau traveling terlebih khusus penggunaan sosial media atau smart phone sebagai alat bantu dalam mencari dan menentukan perencanaan wisata yang dilakukan di D.I. Yogyakarta. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori gampang-gampang susah. Target spesifik yang menjadi kriteria dari responden adalah remaja atau dewasa dengan usia di atas 23 tahun penyuka traveling dan menggunakan internet atau smart phone sebagai alat bantu dalam menentukan destinasi wisatanya di D.I. Yogyakarta. Kriteria objek yang cukup mudah karena seperti kita tahu bahwa tren aplikasi online sedang hits sehingga untuk mendapatkan objek pengguna pun relatif lebih mudah. Selain itu, lokasi wisata di D.I. Yogyakarta yang banyak dan memiliki citra sebagai kota seni, pendidikan, kebudayaan dan wisata itu sendiri, sehingga relatif tidak ada kesulitan yang berarti di lapangan dalam mendapatkan target responden.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 2 orang. Rata-rata tenaga yang kita pakai berusia antara 18 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Meskipun relatif tidak ada kendala yang berarti di lapangan yang tim kita temui, planning dan strategi yang terukur dalam melakukan survey lapangan tetap perlu diperhatikan. Calon responden yang kita hadapi adalah responden yang tetap memiliki kecenderungan untuk menolak, dikarenakan survey dilakukan disela-sela waktu wisata responden. Oleh karenanya, perlu penjelasan yang persuasif dan ringan agar dapat meyakinkan calon responden bahwa survey yang dilakukan tidak mengganggu kenyamanan dan mood wisata responden.
Easyness dari proses survey ini adalah jumlah populasi kriteria responden yang sangat banyak, sehingga memudahkan tim lapangan dalam memperoleh target sampel. Tools lain yang kita gunakan dalam mendapatkan target sampel tersebut adalah gimmick atau souvenir survey, hal sangat sepele tapi sangat bermanfaat dalam proses persuasif kepada calon responden. Meskipun perlu ada budget tambahan dalam RAB peneliti, akan tetapi hal ini worthed untuk dilakukan dalam mempercepat proses survey lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey dilapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan kali ini kita akan coba uraikan secara singkat pembahasan lanjutan terkait dengan rumpun analisis regresi, yaitu analisis regresi multivariate. Umum yang diketahui oleh peneliti diantaranya analisis regresi sederhana dan analisis regresi multipel (berganda), meskipun pada artikel yang lalu kita sudah menguraikan secara konsepsi pengembangan analisis regresi dalam rangka menanggulangi masalah multikolinearitas, yaitu analisis regresi komponen utama.
Dari segi konsepsi sudah jelas bahwa regresi multivariate berbeda dengan jenis regresi yang kita sudah sebutkan sebelumnya. Akan tetapi dari fungsi pemodelan dan pengujian pengaruh antar variabel masih lah sama. Jika yang diuji pada regresi sederhana atau regresi multipel (berganda) hanya diuji variabel tak bebas (Y) yang tunggal terhadap satu atau lebih variabel bebas (X), sedangkan pada pengujian regresi multivariate yang diuji lebih dari satu variabel tak bebas (Y) terhadap satu atau lebih variabel bebas (X) yang sama. Kelebihan dari regresi multivariate yang mengujikan series dari variabel tak bebas (Y) sekaligus adalah pada pengujiannya dipertimbangkan pula hubungan antar variabel tak bebas (Y) satu dengan yang lainnya dalam pembentukan modelnya.
Lebih lanjut terkait dengan pemaparan konsepsi analisis regresi multivariate akan dijelaskan secara terstruktur pada uraian berikut.
Konsep Analisis Regresi Multivariate
Pada dasarnya analisis regresi multivariate merupakan suatu model regresi yang menyatakan hubungan kausal di antara p buah variabel tak bebas, Y1 , Y2, . . , Yp dan sekumpulan variabel bebas yang serupa X1, X2, . . , Xk. Sehingga setiap variabel tak bebas, Y, diasumsikan mengikuti model regresi linear berikut :
Gambar 1. Model Persamaan Regresi Multivariate
Dengan menggunakan notasi matriks, maka sistem persamaan regresi di atas dapat dinyatakan secara singkat, sebagai berikut :
Gambar 2. Model Matriks Persamaan Regresi Multivariate
Di mana :
Y = Matriks nilai-nilai variabel tak bebas
X = Matriks nilai-nilai variabel bebas
B = Matriks parameter model regresi multivariate
E = Matriks nilai-nilai galat (error)
Note : Sangat disarankan para peneliti menguasai pengolahan data matriks, karena dengan menguasainya, proses perhitungan dengan menggunakan matriks akan sangat memudahkan dalam proses pemahaman dan penerapan data pada pemodelan regresi multivariate.
Penaksiran Koefisien Regresi Multivariate
Dengan formula yang sama yang dapat digunakan untuk mendapatkan nilai taksiran nilai beta pada model regresi multipel, dengan menggunakan matriks, formulasi yang dapat digunakan untuk menaksir nilai beta pada regresi multivariate adalah sebagai berikut,
Gambar 3. Matriks Penaksiran Persamaan Regresi Multivariate
Di mana :
b = matriks nilai dugaan bagi parameter b, berukuran (k+1) x p
(X’X)-1 = invers dari matriks X’X berukuran (k+1) x (k+1), matriks X’X mengandung elemen-elemen jumlah kuadrat dan jumlah hasil kali dari variabel bebas X
(X’Y) = matriks yang mengandung elemen-elemen jumlah hasil kali antara nilai-nilai variabel bebas X dan variabel tak bebas Y, berukuran (k+1) x p.
Uji Signifikansi Model Regresi Multivariate
Berdasarkan uraian yang dikemukakan di atas, tampak bahwa pendugaan model regresi multivariate pada dasarnya serupa dengan pendugaan m buah model univariate, meskipun demikian pengujian hipotesis tentang parameter model adalah berbeda karena analisis regresi univariate tidak memperhatikan ketergantungan yang ada di antara m buah variabel respons atau variabel tak bebas (Y), sedangkan analisis regresi multivariate mempertimbangkan hal tersebut. Dalam analisis univariate diasumsikan bahwa variabel-variabel respons atau variabel tak bebas Y1 , Y2, . . , Yp adalah saling bebas, sedangkan dalam analisis regresi multivariate mempertimbangkan adanya hubungan ketergantungan di antara Y1 , Y2, . . , Yp.
Pengujian terhadap hipotesis terhadap b dilakukan dengan jalan membangun tabel analisis ragam mutivariate (Multivariate Analysis of Variance = MANOVA) berdasarkan perhitungan pada tabel berikut,
Gambar 4. Tabel Manova Pengujian Model Regresi Multivariate
Dengan diperoleh nilai-nilai pada tabel MANOVA di atas, kita dapat menghitung nilai akar-akar ciri (lambda) dari determinan persamaan ciri sebagai berikut, yang mana nilai yang diperoleh dipergunakan dalam pengujian hipotesis terhadap nilai taksiran b.
Gambar 5. Determinan Persamaan Nilai Lambda
Penyelesaian persamaan determinan tersebut di atas diperoleh akar-akar ciri λ1, λ2, . . , λs. Dimana s = min (Vh , p) = min (k + 1, p), Vh = k + 1 merupakan derajat bebas regresi total, sedangkan p adalah banyaknya variabel tak bebas dalam model regresi multivariate. Dengan diperolehnya nilai akar-akar ciri tersebut maka pengujian hipotesis terhadap nilai taksiran b dapat di uji dengan dengan Uji Wilks dan atau statistik V-Bartlet dimana pendekatannya digunakan distribusi Chi-Square (χ2). Berikut rumus yang dapat digunakan oleh peneliti untuk mendapatkan nilai Ʌ (uji Wilks) dan statistik V (uji Bartlet).
Gambar 6. Uji Wilks
Persamaan di atas merupakan uji Wilks (Ʌ) dimana diujikan dengan nilai pada tabel U (lampiran buku-buku multivariate) pada taraf α yang bersesuaian dengan banyaknya variabel tak bebas p, derajat regresi total Vh dan derajat galat Ve.
Gambar 7. Uji Bartlet
Persamaan di atas merupakan uji Bartlet dimana statistik V akan berdistribusi mendekati chi-square dengan derajat bebas v = pk.
Seperti yang tampak pada uraian di atas dalam menghasilkan model regresi multivariate lebih kompleks dibandingkan dengan pembentukan model regresi univariate. Yang perlu diperhatikan awal oleh para peneliti adalah pada penyikapan awal atas konsep penelitian dan variabel penelitian yang kita miliki, agar tidak salah dalam menentukan analisis yang diperlukan apakah hanya cukup dengan menggunakan model regresi univariate ataukah perlu dikembangkan dengan penggunaan model regresi multivariate. Untuk memperdalam pemahaman terhadap konsepsi analisis regresi multivariate sangat disarankan bagi para peneliti untuk membaca literatur-literatur yang membahas permasalah analisis regresi multivariate, utamanya terkait penerapan data pada rumus baik itu secara manual maupun dengan aplikasi software.
Pada kesempatan selanjutnya kita akan coba uraiankan penggunaan data dan software yang tepat dalam meng-olahdata dan variabel penelitian dengan konsep analisis regresi multivariate. SEMANGAT MEMAHAMI.
Kita lanjutkan pembahasan statistik kita, kembali pada pembahasan analisis regresi. Berbeda dengan pembahasan sebelumnya, pada kesempatan kali ini pembahasan analisis regresi yang melibatkan analisis lain yaitu analisis komponen utama, sehingga analisis yang dilakukan dinamakan analisis regresi komponen utama dikarenakan merupakan penggabungan 2 (dua) alat analisis sekaligus yaitu analisis regresi dan analisis komponen utama.
Seperti telah kita paparkan pada 3 (tiga) artikel sebelumnya yaitu analisis regesi, asumsi klasik regresi dan analisis komponen utama, dimana masing-masing analisis memiliki fungsi yang berbeda. (silahkan pelajari artikel kita sebelumnya). Kita fokuskan perhatian kita pada asumsi klasik pada regresi pada bahasan multikolinearitas, dimana pada salah satu bahasan penanggulangannya adalah dengan merangkum variabel bebas (X) yang banyak menjadi hanya beberapa komponen utama saja yaitu dengan metode analisis komponen utama. Dari komponen utama yang terbentuk dapat dilakukan analisis regresi yang menghasilkan model regresi komponen utama yang bebas masalah multikolineritas.
Pembahasan kali ini juga ditujukan bagi para pembaca artikel kami yang menanyakan teknis terkait dengan pembentukan model regresi komponen utama. Berikut disajikan uraian terkait dengan analisis regresi komponen utama.
Konsep Dasar
gambar 1. Persamaan Matematis Komponen Utama
Noted : Notasi Z merupakan variabel angka baku yang disebabkan karena satuan dari variabel X berbeda-beda (baca artikel : Analisis Komponen Utama)
Seperti kita ketahui pada analisis komponen utama pada persamaan di atas, dapat dihitung skor komponen utama dan apabila skor tersebut (K) diregresikan dengan variabel tak bebas (Y) maka model analisis semacam ini dikenal sebagai model regresi komponen utama. Dengan demikian tampak bahwa analisis regresi komponen utama tidak lain merupakan analisis regresi dari variabel tak bebas (Y) terhadap komponen utama yang saling tidak berkorelasi, dimana tiap komponen utama merupakan kombinasi linear dari semua variabel bebas yang telah dispesifikasikan sejak awal.
Oleh karena yang menjadi variabel-variabel bebas dalam analisis regresi komponen utama adalah komponen-komponen yang tidak saling berkorelasi, maka jelas tidak ada lagi masalah multikolinearitas di antara variabel bebas dan oleh karena itu penduga parameter model regresi berdasarkan metode kuadrat terkecil (least square) menjadi shahih (valid).
Dengan demikian teknik analisis komponen utama merupakan suatu teknik analisis untuk mengatasi masalah multikolinearitas dalam analisis regresi klasik yang melibatkan banyak varibel bebas, keunggulan lain dengan tertanganinya masalah multikolinearitas pada model regresi adalah mampu meningkatkan ketepatan pendugaan parameter model regresi dengan jalan meningkatkan derajat bebas galat, karena banyaknya komponen utama yang dilibatkan dalam analisis regresi biasanya dalam jumlah yang lebih sedikit dibandingkan variabel bebas aslinya (variabel X).
Selain itu, keunggulan lain dari penggunaan komponen utama adalah sifat-sifat dari teknik komponen utama yang memungkinkan peneliti untuk melibatkan lebih banyak variabel bebas (X) dalam model regresi, meskipun banyaknya data pengamatan (n) terbatas (jumlah n lebih kecil dibandingkan jumlah variabel X) dan oleh karenanya sering dipergunakan dalam analisis multivariate yang melibatkan banyak variabel dalam model.
Misal apabila kita memberikan notasi K1, K2, . . , Km, sebagai banyaknya komponen utama yang dilibatkan dalam analisis regresi (persamaan di atas) serta Y sebagai variabel tak bebas, maka model regresi komponen utama dapat dirumuskan sebagai berikut :
gambar 2. Persamaan Regresi Komponen Utama
dimana :
Y = variabel tak bebas
Kj = variabel bebas komponen utama yang merupakan kombinasi linear dari semua variabel baku Z (j = 1, 2, . . , m)
W0 = kontanta
Wj = parameter model regresi (koefisien regresi), (j = 1, 2, . . , m)
V = galat
Tahapan Regresi Komponen Utama
Setelah kita memahami konsep yang sudah kita utarakan di atas, setidaknya kita dapat rangkumkan beberapa tahapan yang dapat dilakukan terhadap data atau variabel penelitian yang kita miliki dalam rangkan menganalisisnya dengan menggunakan regresi komponen utma. Berikut tahapannya,
Lakukan pengujian analisis regresi terhadap variabel yang kita miliki untuk memastikan bahwa dalam model regresi terdapat masalah multikolinearitas. Dan atau jika asumsi bahwa variabel bebas terlalu banyak dapat dilakukan langsung dengan langkah analisi komponen utama.
Lakukan analisis komponen utama terhadap variabel bebas (X) untuk mendapatkan komponen utama yang akan dijadikan variabel baru dalam membentuk model regresi komponen utama.
Setelah kita mendapatkan komponen utama yang representatif, langkah selanjutnya adalah menghitung skor komponen utama yang akan digunakan dalam perhitungan analisis regresi komponen utama.
Lakukan analisis regresi yaitu antara data variabel tak bebas (Y) dengan skor komponen utama (variabel bebas K). Sampai dengan tahapan ini kita dapat mengevaluasi signifikansi dari variabel baru yang terbentuk (komponen utama) terhadap variabel tak bebas (Y) dan besaran pengaruh variabel baru (komponen utama) terhadap variabel tak bebas (Y) (R square) yang dihasilkan.
Secara riil bahwa analisis yang kita harapakan adalah untuk mengetahui berpengaruh atau tidaknya dari masing-masing variabel bebas (X) yang kita miliki terhadap variabel tak bebas (Y) atau pun dapat diketahui besaran ataupun kecenderungan mana dari variabel bebas (X) yang paling berpengaruh. Akan tetapi dari hasil poin 4 kita hanya mengetahui bahwa variabel baru (komponen utama K) itu berpengaruh atau tidak terhadap variabel tak bebas (Y). Oleh karenanya diperlukan beberapa tahapan lanjutan yang dilakukan secara manual diantaranya,
Langkah pertama untuk mendapatkan evaluasi berdasarkan variabel bebas (X) maka subtisusikan persamaan komponen utama ke dalam fungsi regresi komponen utama terbentuk. Maka hasil dari proses subtitusi tersebut adalah persamaan regresi komponen utama dengan komponen variabel tidak lagi merupakan fungsi komponen utama K melainkan sudah dalam fungsi variabel Z. (fungsi Z dapat dikonfersikan menjadi variabel X melalui rumus angka baku)
Langkah selanjutnya adalah menguji signifikansi secara manual masing-masing variabel Z terhadap fungsi regresi atas Y. Pengujian menggunakan pendekatan yang sama yaitu dengan menggunakan pendekatan distribusi peluang student t.
Setelah kita memperoleh nilai signifikansi untuk masing-masing variabel Z. Langkah selanjutkan mengkonversikan variabel Z menjadi variabel X berdasarkan pendekatan rumus angka baku. Dari hasil ini kita telah memperoleh model regresi komponen utama yang telah kembali pada fungsi variabel asalnya yaitu variabel X. Hal ini dapat memudahkan dalam proses indentifikasi dan interpretasi hasil pemodelan (regresi komponen utama).
Langkah terakhir adalah menghitung nilai elastisitas X terhadap Y. Nilai ini berfungsi dalam mengukur sensitifitas nilai Y atas perubahan nilai variabel bebas (X). Nilai elastisitas dapat digunakan oleh peneliti untuk menentukan variabel bebas (X) mana yang memberikan perubahan paling besar terhadap variabel tak bebas (Y) (disamping melihat dari besaran nilai koefisien regresi).
Demikian kiranya pemaparan singkat terkait dengan konsepsi dan penggunaan analisis regresi komponen utama. Seperti kita ingatkan di awal bagi para peneliti yang baru saja mengakses artikel ini sangat disarankan untuk membaca 3 (tiga) artikel kita yang berkaitan dengan analisi regesi komponen utama yaitu analisis regesi, asumsi klasik regresi : multikolineariatas dan analisis komponen utama.
Perlu diperhatikan juga bahwa penggunaan analisis regresi komponen utama merupakan alternatif pada 2 (dua) aspek yang harus diperhatikan betul oleh peneliti, pertama, merupakan solusi adanya multikolinearitas antar variabel bebas (X) dan kedua, variabel bebas (X) yang digunakan dalam pemodelan terlalu banyak jika dibandingkan dengan dengan jumlah pengamatan itu sendiri (n).
Oleh karena 2 (dua) sebab itu lah penggunaan analisis regresi komponen utama menjadi beralasan, dikarenakan secara prinsip bahwa penyelesaian masalah penelitian adalah dengan alat yang tepat dan sederhana, bukan lah sebaliknya alat yang kompleks akan tetapi tidaklah efektif, karena akan menjadi suatu kemubadziran dalam prosesnya. SEMANGAT MEMPELAJARI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari perokok Remaja di Kota Tangerang, dalam hal perilakunya dalam merokok (faktor kebiasaan dan lingkungan). Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori gampang-gampang susah. Target spesifik yang menjadi kriteria dari responden adalah remaja dengan usia antara 17 s.d 21 tahun yang merokok dalam tiga kategori perokok ringan, sedang dan berat. Kriteria objek yang cukup mudah karena seperti kita tahu bahwa remaja perokok di Indonesia sangat banyak akan tetapi tetap karena dilapangan usia bersifat random (acak) maka didapati pula kesulitan tertentu. Oleh karena, pemilihan lokasi berkumpulnya calon responden yang memenuhi kriteria harus diprediksikan.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 2 orang. Rata-rata tenaga yang kita pakai berusia antara 20 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Meskipun relatif tidak ada kendala yang berarti di lapangan yang tim kita temui, planning dan strategi yang terukur dalam melakukan survey lapangan tetap perlu diperhatikan. Calon responden yang kita hadapi adalah responden yang tetap memiliki kecenderungan untuk menolak dikarenakan issue yang melatarbelakangi survey lapangan ini, yaitu tentang Rokok (framing “abu-abu” terkait dengan personal image). Perlu penjelasan yang persuasif dan ringan agar dapat meyakinkan calon responden atas tujuan survey yang dilakukan tidak menyentuh hal-hal yang sensitif tentang private information yang sangat dijaga kerahasiaanya oleh responden.
Easyness dari proses survey ini adalah jumlah populasi kriteria responden yang sangat banyak, sehingga memudahkan tim lapangan dalam memperoleh target sampel. Tools lain yang kita gunakan dalam mendapatkan target sampel tersebut adalah gimmick atau souvenir survey, hal sangat sepele tapi sangat bermanfaat dalam proses persuasif kepada calon responden. Meskipun perlu ada budget tambahan dalam RAB peneliti, akan tetapi hal ini worthed untuk dilakukan dalam mempercepat proses survey lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey dilapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
———————————————————————————————————————————————–
1.Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari para auditor dari KAP terdaftar di kementerian keuangan yang berada di Kota JAKARTA, tepatnya informasi atau perspektif dalam hal profesionalisme dan integritas auditor dalam pekerjaannya. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori sangat kompleks. Target spesifik yang menjadi kriteria dari responden adalah para auditor dari berbagai masa kerja di KAP yang berada di Kota JAKARTA. Kategori kompleks di sini adalah dimulai dari prosedural, biaya dan waktu serta effort tim lapangan.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 2 orang. Crew yang well educated, bermental OK, PeDe, memiliki komunikasi yang baik dan behave yang menyenangkan bagi responden. So, right person is a must.
Gambar 1. Daftar KAP terdaftar di Kementerian Keuangan RI
Proses survey yang sangat challenging yang tim kita temui di lapangan, wellplanning dan well strategy dalam melakukan survey lapangan kali ini sangat diperlukan sekali, sekali lagi cost and time effective dalam penelitian. Calon responden yang kita hadapi adalah responden memiliki kecenderungan untuk menolak sangat tinggi dikarenakan frame bermanfaatnya research dan traffic kerja di KAP menjadi tantangan tersendiri di lapangan.
Saran kita berdasarkan pengalaman di lapangan diperlukan extra time untuk melakukan penelitian dengan kriteria responden dari institusi private. Rencana time line research yang harus well planning dan well organized. Networking atau Offering Benefits mungkin bisa jadi instrumen yang dapat mempermudah dan mempercepat dalam proses pengambilan data lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey di lapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari generasi milineal penyuka musik baik melalui aplikasi musik online maupun offline (misal : radio, youtube, jook, spotify, dll), dalam hal mengevaluasi kualitas suara dari berbagai jenis genre musik. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori gampang-gampang susah. Target spesifik yang menjadi kriteria dari responden adalah remaja atau dewasa dengan usia antara di atas 13 tahun penyuka musik dan menggunakan aplikasi online maupun offline. Kriteria objek yang cukup mudah karena seperti kita tahu bahwa tren aplikasi online sedang hits sehingga untuk mendapatkan objek pengguna pun relatif lebih mudah. Selain itu, objek musik yang menjadi tema dalam penelitian yang relative universal dimana hampir semua orang menyukai musik. Oleh karenanya, pemilihan lokasi berkumpulnya calon responden yang memenuhi kriteria harus diprediksikan, semisal kampus, sekolah, café, dll menjadi sasaran utama lokasi dalam menndapatkan responden.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 4 orang. Rata-rata tenaga yang kita pakai berusia antara 18 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Meskipun relatif tidak ada kendala yang berarti di lapangan yang tim kita temui, planning dan strategi yang terukur dalam melakukan survey lapangan tetap perlu diperhatikan. Calon responden yang kita hadapi adalah responden yang tetap memiliki kecenderungan untuk menolak selain survey bersifat online juga diperlukan private information terkait dengan penggunaan aplikasi keusioner. Oleh karenanya, perlu penjelasan yang persuasif dan ringan agar dapat meyakinkan calon responden atas tujuan survey yang dilakukan tidak menyentuh hal-hal yang sensitif tentang private information yang sangat dijaga kerahasiaanya oleh responden.
Gambar 1. Sebar Kuesioner Kualitas Suara Aplikasi Musik
Easyness dari proses survey ini adalah jumlah populasi kriteria responden yang sangat banyak, sehingga memudahkan tim lapangan dalam memperoleh target sampel. Tools lain yang kita gunakan dalam mendapatkan target sampel tersebut adalah gimmick atau souvenir survey, hal sangat sepele tapi sangat bermanfaat dalam proses persuasif kepada calon responden. Meskipun perlu ada budget tambahan dalam RAB peneliti, akan tetapi hal ini worthed untuk dilakukan dalam mempercepat proses survey lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey dilapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Untuk kesekian kalinya kita berada pada bahasan analisis pada rumpun analisis multivariat. Kali ini kita masuk pada bahasan yang sangat menarik khususnya bagi rekan peneliti, data master maupun para praktisi bidang usaha, baik itu pada pengembangan produk maupun pengembangan jasa. Mungkin sebagian rekan peneliti, data master maupun para praktisi bidang usaha mengenal atau telah ekspert dengan istilah konjoin atau analisis konjoin. Ya, analisis konjoin sangat membantu sekali bagi rekan-rekan yang bingung atau kesulitan dalam menemukan suatu alat atau metode yang tepat dalam membantu menganalisa data kaitannya dengan fitur produk atau jasa ataupun kesukaan atau preferensi kosumen terhadap produk atau jasa yang kita miliki.
Bisa dibilang analisis konjoin sangat spesial dibandingkan analisis dalam rumpun multivariat lainnya. Namun secara basic pemahaman akan analisis konjoin dapat dibantu dengan pemahaman peneliti atau data master pada konsepsi analisis regresi dan pengujian anova pada rancangan percobaan faktorial. Sebagai gambaran awal bahwa output yang dihasilkan oleh analisis konjoin berupa nilai preferensi konsumen yang dihasilkan dari kombinasi linier pada fitur-fitur produk yang diujikan kepada konsumen, itu dari sisi konsepsi regresi. Pada sisi rancangan percobaan faktorial bahwa analisis konjoin didasarkan atas pertimbangan matang terhadap atribut-atribut atau fitur-fitur produk yang akan diujikan kepada konsumen, sehingga ada baiknya bahwa atribut-atribut atau fitur-fitur yang hendak diujikan kepada konsumen benar-benar representasi kebutuhan atau preferensi konsumen ketika membeli produk.
Analisis konjoin merupakan suatu analisis yang menarik, menarik karena output yang dihasilkan erat kaitannya dengan sukses tidaknya suatu produk ketika di-launching ke market atau dengan kata lain apakah produk tersebut laku atau tidak. Ya, karena pra launching dengan analisis konjoin produk tersebut telah diujicobakan terlebih dahulu sebagai input informasi awalan kepada bagian marketing maupun produksi suatu perusahaan. Jika pun tidak sukses, yang bisa dikoreksi dari penggunaan alat analisis ini adalah penentuan atribut atau fitur yang diuji cobakan di awal apakah sudah tepat atau kah tidak tepat.
Pada beberapa artikel ke depan kita akan coba sedikit kupas konsepsi tentang analisis konjoin, karena merupakan analisis yang kompleks maka akan coba kita uraikan secara bertahap. Berdasarkan buku yang menjadi referensi kita (baca : Multivariate Data Analysis, Pearson New International Edition, Hair dkk) setidaknya terdapat 7 tahapan dalam memahami dan mengaplikasikan konsep analisis konjoin pada penelitian yang akan dilakukan. Cukup panjang dan kompleks memang, perlu kehati-hatian dan ketelitian dalam memahami tiap tahapannya.
Tahap 1. Merumusakan Tujuan dari Analisi Konjoin (Objectives of Conjoint Analysis)
Seperti pada umumnya penelitian, tahapan pertama yang paling menentukan dan membuat suatu penelitian memiliki motivasi dan kekuatan adalah penentuan tujuan. Seperti kita kemukakan di muka, bahwa ada keunikan tersendiri pada analisis konjoin yaitu penerapannya pada aspek “marketing” produk atau jasa, 2 (dua) tujuan utama yang setidaknya harus dipegang oleh peneliti diantaranya :
“To determine the contribution of predictor variables and their levels in the determination of consumer preference”. Dengan pemahaman bahwa analisis konjoin ini ditujukan untuk menentukan nilai kontribusi variabel yang menjelaskan (X) dengan tingkatan atau level yang ada pada variabel tersebut (spesifik fitur) yang dapat menggambarkan keputusan preferensi (pilihan) atau kesukaan konsumen. Dengan analisis konjoin kita dapat mendapatkan paket fitur seperti apa dari produk yang paling disukai oleh konsumen (harga,kemasan, rasa, bentuk, dll).
“To establish a valid model of consumer judgments”. Dengan pemahaman bahwa analisis konjoin ini ditujukan untuk membentuk suatu model yang terbukti sebagai model keputusan konsumen untuk memilih atau membeli produk atau jasa. Bentuk model disini sama halnya pemahaman kita terhadap model regresi, dalam analisis konjoin variabel-variabel dalam model merupakan spesifik fitur (level dalam variabel) yang memiliki kontribusi besar terhadap preferensi konsumen terhadap produk atau jasa.
Setelah kita menetapkan pada dua tujuan tersebut di atas, selanjutnya masih dalam rangka menelaah tujuan analisis konjoin, dari dua tujuan tersebut kita dapati dua pertanyaan penting yang perlu dipertimbangkan secara benar oleh peneliti, diantarannya,
Is it possible to describe all the attributes that give utility or values to the product? Pertanyaan tersebut merepresentasikan apakah para peneliti, data master maupun para praktisi bidang usaha, mungkin untuk menggambarkan semua variabel yang mampu menggambarkan kegunaan atau nilai yang melekat pada produk atau jasa tersebut. Hal ini menjadikan pertimbangan tersendiri bahwa peneliti, data master maupun para praktisi bidang usaha, harus dapat setepat mungkin mendefinisikan produk atau jasanya yang akan ditawarkan kepada konsumen.
What are the key attribute involved in the choice process for this type of product or service?Setelah peneliti, data master maupun para praktisi bidang usaha, yakin atas variabel-variabel yang melekat dan yang mampu menggambarkan produk atau jasa tersebut, maka hal selanjutnya yang perlu dipahami dan diputuskan secara tepat adalah variabel mana saja yang merupakan kunci dalam mempengaruhi konsumen dalam menentukan pilihannya atas produk atau jasa yang ditawarkan nantinya. Karena berdasarkan atas penentuan variabel yang tepat, yang nantinya akan menentukan produk atau jasa tersebut laku atau tidak di pasaran, biasanya penentuan variabel tersebut, salah satunya dapat dilakukan dengan focus group discussion (FGD).
Penetapan tujuan dan jawaban pertanyaan yang tepat pada tahap awal ini sangat menentukan tahapan selanjutnya dalam analisis konjoin. Pada tahapan ini peneliti akan mendapatkan panduan dalam mendapatkan keputusan kunci pada tiap tahapannya.
Tahap 2. Mendesain Analisis Konjoin (The Design of Conjoint Analysis)
Pada tahap ini kita mencoba untuk mempersiapkan kelengkapan analisis konjoin darisisi perencanaan dan teknis. Seperti kita ketahui bahwa pada tahap pertama bisa dikatakan adalah tahapan konsepsi terhadap masalah yang akan coba dicarikan pernyataan keputusan atau solusinya. Nah, pada tahapan ini lah kita mendeskripsikan hal-hal apa saja yang harus dilakukan untuk mendapatkan keputusan atau solusi tersebut pada analisis konjoin. Adapun hal-hal yang perlu diketahui oleh peneliti dalam mendesain suatu analisis konjoin sebagai berikut,
[1]. Metode konjoin yang mana yang harus dipilih
Pada analisis konjoin setidaknya terdapat 3 (tiga) jenis metode yang dapat dipilih oleh peneliti diantaranya traditional conjoint, adaptive conjoint dan choice-based conjoint. Dimana penentuan pemilihan diantara ketiga metode konjoin yang akan digunakan harus berdasarkan pada beberapa kriteria tertentu diantaranya adalah pada jumlah atribut atau variabel yang disertakan pada model, satuan responden yang akan dianalisis (individu atau kelompok), pemilihan metode analisis pada model dan bentuk dari model konjoin itu sendiri. Untuk mempemudah pemahaman kita, berikut rangkuman metode analisis konjoin berdasarkan kriteria yang mendasarinya,
Gambar 1. Metode dan Kriteria Pemilihan Metode Analisis Konjoin
Dengan pemenuhan tiap kriteria yang menjadi prasyarat yang mendasari metode konjoin yang akan digunakan dapat memandu peneliti atau data master untuk memperoleh output yang optimal dan tepat dari analisis konjoin.
[2]. Bagaimana menentukan variabel atau faktor dengan level-nya di kombinasikan dalam suatu profile
Seperti yang sudah kita ketahui bahwa kesuksesan analisis konjoin diantaranya adalah pada pemilihan dan pengkombinasian faktor beserta level-nya dengan tepat dan yang dapat menggambarkan produk atau jasa tersebut dengan tepat dan jelas. Hal ini sangat penting dikarenakan berpengaruh terhadap keefektifan profile (kombinasi level tiap faktor) dalam tugasnya (menggambarkan produk atau jasa), akurasi pada hasil yang didapat dan utamanya relevan dengan kebutuhan manajerial. Oleh karenya, dalam penentuan faktor berserta level-nya, peneliti harus dapat memastikan 2 (dua) hal bahwa faktor beserta level-nya tersebut dapat dikomunikasikan (communicable) dan dapat diimplementasikan (actionable),
Communicable Measures. “The factor and levels must be easily communicated for a realistic evaluation.” Hal ini menunjukkan kepada kita bahwa kombinasi fitur yang akan dievaluasi kepada konsumen harus sebisa mungkin dapat terkomunikasikan dengan baik kepada konsumen. Hal ini untuk menghindarkan bias pengukuran yang mereflesikan pilihan konsumen. Sebagai contoh, dalam evaluasi parfum atau lotion jika memang dievaluasi berdasarkan format textual tanpa “tester” langsung mungkin tidak mampu menangkap secara sensori beberapa fitur dari produk tersebut, sehingga memungkinkan untuk terjadinya ketidaktepatan dalam pengukuran. Hal-hal seperti itu yang harus dipertimbangkan secara baik oleh peneliti.
Actionable Measures. “The factor and levels also must capable of being put into practice, meaning the attributes must distinct and represent a concept that can be implemented precisely.” Dalam hal ini bahwa atribut yang digunakan untuk menggambarkan produk atau jasa yang diujikan harus mampu dibedakan secara spesifik dan secara kuantitas, tidak tergambarkan secara umum (misal tentang kualitas dan kenyamanan). Hal ini menunjukkan kepada kita bahwa atribut dari produk atau jasa yang diujikan kepada responden harus benar-benar dapat dibedakan satu dengan yang lainnya. Hal ini untuk menghindarkan konsumen dari ketidakpastian dalam memilih suatu atribut dibandingkan dengan atribut lainnya pada produk atau jasa yang diujikan, sehingga hasil yang didapatkan tidak dapat menggambarkan pilihan sebenarnya dari konsumen. Sebagai contoh bahwa pada pada tataran penentuan level dari atribut (mis : kualitas) dihindarkan dari memilih istilah spesifikasi yang kurang tepat, misal : low – moderate – high, dikarenakan hal tersebut bersifat subjektif dan memiliki standar yang berbeda-beda dari tiap konsumen dari pemaknaan yang sebenarnya. Oleh karenanya, pemilihan atribut dan level-nya sebisa mungkin yang dapat membedakan satu sama lain dan begitu pula pada kenyataanya (situasi riil).
Selainkedua hal tersebut di atas, yang harus peneliti perhatikan terkait dengan faktor dan level-nya, ada hal-hal lain yang secara spesifik perlu diperhatikan khusus pada Faktor dan Level-nya.
Faktor. Terdapat setidaknya 3 (tiga) hal yang perlu diperhatikan peneliti dalam hal penentuan faktor diantaranya, jumlah faktor yang akan disertakan (Minimum Profil = Total Level dari Semua Faktor – Jumlah Faktor + 1), multikolinearitas yang mungkin terjadi antar faktor (solusinya dengan memadukan faktor “superattribute” dengan tetap menjaga “actionable” dan “specific”) dan peran unik jika “harga” dijadikan faktor (faktor “harga” sangat berkorelasi dengan banyak faktor lainnya, “harga” merepresentasikan nilai kegunaan produk atau jasa dan “harga” mungkin berinteraksi dengan faktor lainnya, semisal “merk”, oleh karenanya diperlukan perlakuan khusus jika faktor “harga” dimasukan ke dalam analisis konjoin).
Level. Penspesifikan level (level faktor) merupakan aspek yang sangat penting dalam analisis konjoin, hal ini dikarenakan level inilah yang dijadikan dasar pengukuran dalam pembentukan profile produk atau jasa yang akan dievaluasi. Oleh karenanya, penelitian menunjukkan bahwa jumlah dari level, keseimbangan dari jumlah level antar faktor dan jarak antar level (levelisasi) dalam suatu faktor memiliki pengaruh yang berbeda dalam hasil evaluasi pada produk atau jasa.
Yang harus diperhatikan oleh peneliti bahwa tahapan penentuan faktor dan penspesifikan faktor (levelisasi) merupakan tahapan yang paling penting. Hal ini dikarenakan sekali faktor dilibatkan dalam pembentukan profile yang dievaluasi oleh konsumen, maka faktor tersebut tidak dapat dihilangkan. Hal ini dikarenakan konsumen selalu mengevaluasi atribut atau profile sebagai suatu set, sehingga apabila menghilangkan suatu atribut atau profile (setelah diujikan kepada konsumen) dapat membuat analisis konjoin menjadi tidak valid.
[3]. Tipe efek seperti apa yang diharapkan oleh peneliti (main effect -additive model dan atau interaction effect)
Setelahpada 2 (dua) poin sebelumnya kita sudah memilih metode dan faktor beserta level-nya dalam rangka mendesain analisis konjoin yang akan dilakukan. Pada langkah selanjutnya masih dalam rangka mendesain analisis konjoin, yaitu menentukan aturan dalam mengkomposisikan faktor berserta level-nya tadi. Pada umumnya aturan tersebut terdapat 2 (dua) macam yaitu “additive model” dan “adding interactive effects”.
“additive model” merupakan aturan komposisi faktor dan level-nya yang paling umum, yaitu mengasumsikan bahwa nilai total preferensi (utility) dari konsumen diperoleh dengan hanya menambahkan semua nilai (bobot) atribut atau level (part-worth) dari profile produk atau jasa yang dievaluasi. Dalam “additive model” setidaknya variansi preferensi (utility) dari konsumen yang dapat dijelaskan oleh model (part – worth) yaitu sebesar 80% s.d 90%.
“adding interactive effects” merupakan aturan komposisi seperti layaknya pada “additive model”, dimana nilai kegunaan (utility) dari produk atau jasa merupakan jumlah dari part-worth atribut atau level dari produk atau jasa, hanya saja dalam “adding interactive effects” ditambahkan part-worth dari kombinasi yang pasti dari atribut atau level tertentu dari produk atau jasa. Hanya saja dengan penambahan interaksi faktor, penambahan variance yang dapat dijelaskan oleh model hanya sekitar 5% s.d 10%, sedangkan dengan penambahan interaksi faktor dapat menambah cukup banyak profile yang harus di evaluasi oleh konsumen.
Kaitannya dengan kedua model faktor dan level-nya tersebut di atas yakni “additive model” dan “adding interactive effects”, maka dalam hubungannya dengan part-worth maka dikenal 3 (tiga) pola hubungan yaitu linear model, quadratic form (ideal model) dan separate part-worth form. (noted : parth-worth serupa dengan nilai taksiran beta pada analisis regresi). Dimana pemilihan model tersebut harus disesuaikan dengan kondisi melalui informasi a priori yang dimiliki maupun pendekatan berdasarkan informasi empiris.
Gambar 2. Tipe Hubungan Faktor dan Level-nya
[4]. Bentukpengukuran (presentasi) seperti apa yang harus digunakan kepada respondensebagai langkah untuk memperoleh data
Tahapan terakhir dalam mendesain analisis konjoin adalah terkait dengan data collecting. Setidaknya ada 3 (tiga) keputusan yang harus dipertimbangkan oleh peneliti terkait dengan pengambilan data untuk keperluan analisis konjoin diantaranya, tipe dari metode presentasi faktor dan level-nya (type of presentation method for the factors), tipe dari variabel respon (type of response variable) dan metode dari pengambilan data (method of data collection).
Choosing a presentation method.
Terdapat 3 (tiga) metode presentasi faktor dan level-nya kepada konsumen dalam proses evaluasi produk atau jasa kaitannya dengan analisis konjoin diantaranya, full-profile method, dimana setiap profile digambarkan secara terpisah dan lebih sering menggunakan kartu profile sebagai alat bantu evaluasi produk atau jasa oleh konsumen. Penilaian terhadap metode ini dapat dilakukan baik itu dengan cara meranking maupun meratingnya. Selain itu penggunaan metode ini disarankan ketika faktor yang dievaluasi maksimal 6 buah faktor. The pairwise combination presentation, dimana pada metode ini melibatkan 2 (dua) profile yang diperbandingkan dengan cara merating yang menunjukkan kekuatan pilihan dari konsumen atas suatu profile dibandingkan dengan lainnya. Biasanya dalam implementasinya faktor atau atribut yang diperbandingkan hanya sebagian-sebagian dalam sekali evaluasi, hal ini dilakukan untuk menyederhanakan proses evaluasi oleh konsumen jika faktor atau atribut yang dievaluasi sangat banyak, dan trade-off presentation, dimana pada metode ini digunakan 2 (dua) faktor atau atribut dalam sekali evaluasi oleh konsumen dengan merangking setiap kombinasi level dari faktor yang diujikan. Sekilas metode ini sangat mudah bagi konsumen dan mudah secara administrasi, karena hanya melibatkan 2 (dua) faktor dalam sekali pengujian. Beberapa keterbatasan dalam metode ini diantaranya karena tiap pengujian hanya terdapat 2 (dua) faktor atau atribut sehingga memperbanyak penilaian bagi konsumen dan hasil pengukuran yang bersifat nonmetric (ordinal). Untuk memperjelas perbandingan ketiga metode tersebut, berikut disajikan gambar yang memperlihatkan ketiga metode tersebut.
Gambar 3. Metode Presentasi Faktor dan Level-nya
Selecting a measure of consumer preference.
Setelah pada bahasan sebelumnya kita sudah memahami desain analisis konjoin hingga tahapan menentukan metode presentasi untuk mengevaluasi profile produk atau jasa kepada konsumen. Pada tahapan ini kita akan coba mempelajari bagaimana menentukan bentuk profile dan cara pengukurannya. Secara prinsip bahwa semakin banyak faktor dan level-nya yang dilibatkan maka akan semakin banyak dan kompleks profile yang akan disodorkan kepada konsumen untuk di evaluasi dan hal ini yang harus dipertimbangkan secara matang oleh peneliti agar apa yang diharapkan dari proses evaluasi oleh konsumen memberikan hasil yang valid.
Sebagai contoh jika kita memiliki 4 (empat) buah faktor dengan 4 (empat) buah level untuk masing-masing faktor, maka setidaknya akan ada 256 profile (4 x 4 x 4 x 4 = 256) yang harus dievaluasi oleh konsumen.
Selain itu perlu dipertimbangkan juga jumlah minimal profile yang diperlukan untuk mendapatkan estimasi atau taksiran part-worth yang relatif stabil dari model yang dihasilkan. (lihat rumus sebelumnya). Dengan ketentuan tersebut maka minimum responden yang diperlukan untuk mengevaluasi profile produk atau jasa adalah PANGKAT (2 atau 3) dari jumlah parameter atau level-nya. Sebagai tambahan, perlu menjadi pertimbangan bagi peneliti, berdasarkan pengalaman menunjukkan bahwa responden dapat menyelesaikan proses evaluasi dan cenderung valid hingga 30 pilihan profile, akan tetapi setelahnya (> 30) hasil dari evaluasinya sedikit meragukan (disebabkan kelelahan atau tidak fokus lagi).
Sebelum kita sampai pada bahasan cara menentukan pengukuran terhadap profile, sebelumnya mari kita coba memahami cara untuk mendisain suatu profile. Sebagai catatan bahwa profile yang kita susun harus memenuhi setidaknya 2 (dua) aturan diantaranya profile yang disusun memnuhi aturan orthogonality (tidak ada korelasi antar level) dan balanced design (tiap level dari tiap faktor muncul disetiap kali evaluasi). 2 (dua) pendekatan dalam penyusunan profile diantaranya
Fractional Factorial, merupakan pendekatan yang umum digunakan. Cara kerjanya yaitu dengan mengambil sampel profile dari keseluruhan profile yang mungkin, dengan jumlah profile yang digunakan tergantung pada aturan komposisi yang digunakan oleh responden (additive atau adding interactive). Sebagai contoh, dengan menggunakan model additive, metode full-profile dengan 4 (empat) faktor dan 4 (empat) level maka hanya diperlukan 16 (enam belas) profile untuk menaksir efek langsung yang orthogonal dan balance. Sedangkan 240 profile lainnya tidak dipilih dalam desain fractional factorial dan hanya digunakan jika dikehendaki penaksiran dengan menambahkan efek interaksi (adding interactive effect).
Bridging Design, digunakan jika jumlah faktor sangat banyak dan adaptive-conjoint tidak dapat digunakan. Prinsipnya adalah membagi faktor yang banyak tadi menjadi beberapa subset faktor yang sesuai. Dan pembentukan profile berdasarkan pada subset faktor yang terbentuk tadi, sehingga responden tidak disodorkan faktor yang banyak tadi dalam satu kemasan profile.
Kita sudah pahami bagaimana cara mendisain profile yang kita perlukan bagi variabel penelitian yang kita miliki. Selanjutnya kita akan mempertimbangkan dengan cara bagaimana variabel penelitian tersebut (profile) diukur atau dinilai oleh konsumen. Setidaknya ada 2 (dua) jenis pengukuran yang dapat digunakan oleh peneliti diantaranya,
Rank-Ordering. Digunakan untuk mendapatkan suatu rangking atas pilihan atau kesukaan terhadap profile produk atau jasa yang dievaluasi oleh konsumen (rangking profile dari paling disukai atau dipilih hingga paling tidak disukai atau dipilih), dimana terdapat 2 (dua) keuntungan utama. Pertama, rank-ordering mungkin lebih reliable karena penggunaan rank-ordering lebih mudah dibandingkan rating dengan ketentuan bahwa jumlah profile yang dievaluasi cukup sedikit (< 20). Kedua, rank-ordering lebih memiliki fleksibilitas untuk digunakan pada metode additive maupun adding-interactive. Akan tetapi rank-ordering pun memiliki kelemahan diantaranya adalah pada masalah pencatatan (administrasi), dikarenakan prosedur rank-ordering dilaksanakan dengan cara mengurutkan kartu profile berdasarkan urutan pilihan atau kesukaan dan prosedur ini hanya memungkinkan dilakukan dengan cara tatap muka langsung (interviewing).
Rating. Dalam rating, ukuran preferensi yang dihasilkan adalah dalam bentuk skala metrik (interval atau rasio). Keuntungannya adalah hasil preferensi mudah untuk didapat, mudah dalam pencatatan (misal : dengan menggunakan email) dan mudah dalam menganalisa hasilnya (misal : dengan menggunakan regresi multivariat). Aturan yang melekat pada rating adalah setidaknya harus terdapat 11 kategori (misal : 0 s.d 10 atau 10 s.d 100 – dalam kelipatan 10) untuk jumlah profile sampai dengan 16 buah profile dan diperluas menjadi 21 kategori untuk jumlah profile lebih dari 16 buah profile.
Untuk memilih diantara kedua tipe pengukuran tersebut di atas haruslah berdasarkan sisi keprakatisan dan pertimbangan konseptual. Dalam penelitian umum menunjukkan bahwa rank-ordering lebih disukai dibandingkan rating meskipun perlu effort yang sebelumnya dijelaskan.
Survey administration.
Tahapan akhir dalam mendesain analisis konjoin adalah melakukan survey dan melakukan pencatatan data. Sebelum masuk pada bagian tersebut, ada baiknya sekilas kita telaah apakah ada ketentuan lebih lengkap atau praktis mengenai sampel yang diperlukan dalam analisis konjoin, meskipun sedikit aturannya kita sudah sebutkan pada pembahasan sebelumnya.
Secara teoritis bahwa analisis konjoin dapat ditaksir dengan hanya seorang konsumen jika konsumen tersebut melakukan serangkaian pengujian preferensi yang cukup lengkap. Hanya saja peneliti tetap dibebankan oleh konsepsi bahwa sampel tersebut harus mewakili populasi. Selain itu kebutuhan terhadap ukuran sampel tersebut juga berhubungan dengan mencerminkan apa hasil preferensi tersebut (misal : purchasing atau market share) dan seberapa akurat hasil prediksi (hasil analisi konjoin) yang dinginkan. Jika berdasarkan pada interval konfidensi yang diharapkan (error rate), maka ukuran sampel sebesar 200 konsumen cukup memberikan margin error yang dapat diterima. Akan tetapi untuk studi yang lebih kecil lingkupnya, ukuran sampel sebesar 50 konsumen cukup baik dalam memberikan kilasan hasil preferensi konsumen. Oleh karenanya, dari gambaran di atas kita dapat menyimpulkan bahwa ukuran sampel untuk analisis konjoin ideal minimal sebesar 200 unit sampel dan minimal 50 unit sampel.
Sedangkan untuk memperoleh data preferensi konsumen atas intrumen yang telah kita susun, umumnya penelitian yang dilakukan kaitannya dengan penggunaan analisis konjoin, sangat memungkinkan menggunakan cara yang sudah sedikit disinggung pada paparansebelumnya yaitu dengan cara wawancara baik itu dengan menggunakan mail (baik itu kuesioner fisik maupun kuesioner via email) maupun dengan menggunakan telepon. Juga seperti yang telah kita ulas pada paparan sebelumnya, bahwa sebisa mungkin profile yang harus di evaluasi oleh konsumen sesedikit mungkin (tetap menjaga key attributes), hal ini disandarkan pada validitas dan reliabilitas hasil yang diharapkan oleh peneliti (noted : 30 profile awal cenderung reliable dan lebih dari 30 profile cenderung meragukan). Hal tersebut setidaknya dapat dijadikan pertimbangan bagi peneliti, data master atau praktisi bidang usaha untuk merencanakan rencana penggunaan analisis konjoin sebaik mungkin agar pemenuhan terhadap tujuan pengembangan produk atau jasa didapatkan secara optimal.
Demikian 2 (dua) tahapan awal sebagai dasar dalam melakukan analisis konjoin. Dengan pemahaman yang baik atas 2 (dua) tahapan tersebut diharapkan dapat membantu mempermudah pemahaman pada tahapan-tahapan selanjutnya. Awal sangat menentukan hasil akhir, begitu kiranya jika kita memahami tahapan yang harus dilalui ketika kita hendak menggunakan analisis konjoin. Setidaknya 2 (dua) tahapan awal yang sudah kita paparkan di atas yaitu mengenai Tujuan Analisis Konjoin dan Mendesain Analisis Konjoin, dapat dijadikan pondasi awal pemahaman terhadap tahapan-tahapan selanjutnya dari analisis konjoin. Salah dalam memahami proses awal tersebut akan membingungkan dalam pengimplemtasian pada riil kasus yang dimiliki oleh peneliti, data master atau praktisi usaha. Pada artikel selanjutnya kita akan sedikit mengulas pembahasan analisis konjoin diantaranya pada tahapan : Asumsi Analisis Konjoin, Menaksir (part-worth) Model Konjoin dan Uji KecocokanModel, Menginterpretasikan Hasil Analisis Konjoin, dan Memvalidasi HasilAnalisis Konjoin. SEMANGAT MEMAHAMI!!!
