Dias Tri Kristanto I0307006 · BAB II TINJAUAN PUSTAKA 2.6 BAB III METODOLOGI PENELITIAN commit to...

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

ANALISIS SEGMEN PENGGUNA BAHAN BAKAR MINYAK

(PREMIUM DAN PERTAMAX) SEBAGAI DASAR

PENYUSUNAN STRATEGI PEMASARAN (STUDI KASUS : PEMILIK MOBIL PRIBADI DI WILAYAH KOTA SURAKARTA)

Skripsi

Dias Tri Kristanto

I0307006

JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK

UNIVERSITAS SEBELAS MARET

SURAKARTA

2012


commit to user

ix

DAFTAR ISI

Halaman

HALAMAN JUDUL i

LEMBAR PENGESAHAN ii

SURAT PERNYATAAN iii

KATA PENGANTAR v

ABSTRAK vii

DAFTAR ISI ix

DAFTAR TABEL xi

DAFTAR GAMBAR xiii

DAFTAR PERSAMAAN xiv

DAFTAR LAMPIRAN xv

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah I-1

1.2 Perumusan Masalah I-2

1.3 Tujuan Penelitian I-2

1.4 Manfaat Penelitian I-2

1.5 Asumsi I-3

1.6 Sistematika Penulisan I-3

BAB II TINJAUAN PUSTAKA

2.1 Variabel Produk II-1

2.2 Pembuatan Kuesioner II-4

2.3 Pengukuran II-5

2.4 Penyusunan Skala II-6

2.5 Teknik Sampling II-6

2.6 Analisis Multivariat II-10

2.7 Penelitian Sebelumnya II-25

BAB III METODOLOGI PENELITIAN

3.1 Tahap Pendahuluan III-2

3.2 Tahap Pengumpulan Data III-3

3.3 Tahap Pengolahan Data III-5


commit to user

x

3.4 Interpretasi Hasil III-10

3.5 Strategi Pemasaran III-10

3.6 Kesimpulan dan Saran III-10

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

4.1 Penetapan Variabel Penelitian IV-1

4.2 Pengumpulan Data IV-2

4.3 Pengolahan Data IV-4

BAB V ANALISIS DAN INTERPRETASI HASIL

5.1 Faktor yang Mempengaruhi Penggunaan BBM V-1

5.2 Cluster Premium V-3

5.3 Cluster Pertamax V-6

5.4 Strategi Pemasaran V-9

BAB VI KESIMPULAN DAN SARAN

6.1 Kesimpulan VI-1

6.2 Saran VI-2

DAFTAR PUSTAKA

LAMPIRAN L-1


commit to user

xi

DAFTAR TABEL

Halaman

Tabel 2.1 Identifikasi Signifikansi Faktor Loading Berdasar Jumlah Sampel II-19

Tabel 2.2 Perbedaan Dengan Penelitian Terdahulu II-26

Tabel 4.1 Daftar Variabel Produk dari Studi Pustaka IV-1

Tabel 4.2 Daftar Variabel Penelitian Setelah Penyesuaian IV-2

Tabel 4.3 Daftar Variabel dan Atributnya IV-2

Tabel 4.4 Daftar Atribut Tambahan dari Responden IV-3

Tabel 4.5 Daftar Atribut Gabungan IV-3

Tabel 4.6 Analisis Deskriptif IV-5

Tabel 4.7 Deteksi Univariat IV-7

Tabel 4.8 Deteksi Multivariat IV-7

Tabel 4.9 Matriks Korelasi IV-8

Tabel 4.10 Hasil KMO and Bartlett’s Test IV-9

Tabel 4.11 Ukuran Kecukupan Sampling (MSA) IV-9

Tabel 4.12 Total Variance Explained IV-10

Tabel 4.13 Matriks Analisis Komponen Faktor Sebelum Dirotasi IV-11

Tabel 4.14 Matriks Analisis Komponen Faktor Setelah Atribut 12 Dihapuskan IV-13

Tabel 4.15 Hasil dari Rotasi Matriks Faktor Varimax IV-15

Tabel 4.16 Hasil dari Validasi Bagian I IV-16

Tabel 4.17 Hasil dari Validasi Bagian II IV-16

Tabel 4.18 Uji Reliabilitas dengan Metode Cronbach’s Alpha IV-17

Tabel 4.19 Descriptive Statistics IV-19

Tabel 4.20 Nilai Dissimilarity IV-19

Tabel 4.21 Hasil Aglomerasi Prosedur Hierarkis IV-20

Tabel 4.22 Proporsi Kenaikan Heterogenitas IV-21

Tabel 4.23 Analisis Cluster Premium IV-23

Tabel 4.24 Profil Cluster Premium IV-24

Tabel 4.25 Descriptive Statistics IV-26

Tabel 4.26 Nilai Dissimilarity IV-26

Tabel 4.27 Hasil Aglomerasi Prosedur Hierarkis IV-27


commit to user

xii

Tabel 4.28 Proporsi Kenaikan Heterogenitas IV-28

Tabel 4.29 Analisis Cluster Pertamax IV-29

Tabel 4.30 Karakteristik Cluster Pertamax IV-30


commit to user

xiii

DAFTAR GAMBAR

Halaman

Gambar 3.1 Metodologi penelitian III-1

Gambar 3.2 Proses Pengolahan Data Analisis Faktor III-6

Gambar 3.3 Proses Pengolahan Data Analisis Cluster III-9

Gambar 4.1 Histogram Atribut 1 IV-6

Gambar 4.2 Boxplot 15 Variabel IV-6

Gambar 4.3 Scree Test Criterion IV-11

Gambar 4.4 Interpolasi IV-18

Gambar 4.5 Persentase Perubahan Heterogenitas IV-22

Gambar 4.6 Persentase Perubahan Heterogenitas IV-28


commit to user

xiv

DAFTAR PERSAMAAN

Halaman

Persamaan 2.1 Kaiser-Meyer-Olkin (KMO) II-13

Persamaan 2.2 Measure of Sampling Adequacy (MSA) II-14

Persamaan 2.3 Principal Component Analysis II-15

Persamaan 2.4 Common Factor II-15

Persamaan 2.5 Eigenvalue II-16

Persamaan 2.6 Komunalitas II-16

Persamaan 2.7 Koefisien Cronbach’s Alpha II-21


commit to user

xv

DAFTAR LAMPIRAN

Halaman

Lampiran 1 Kuesioner I L-1

Lampiran 2 Kuesioner II L-3

Lampiran 3 Pengujian Grafis L-7

Lampiran 4 Analisis Faktor L-11

Lampiran 5 Tabel Nilai r Product Moment L-13

Lampiran 6 Analisis Cluster I L-14

Lampiran 7 Analisis Cluster II L-16


commit to user

vii

ABSTRAK

Dias Tri Kristanto, NIM: I0307006, ANALISIS SEGMEN PENGGUNA

BAHAN BAKAR MINYAK (PREMIUM DAN PERTAMAX) SEBAGAI

DASAR PENYUSUNAN STRATEGI PEMASARAN (STUDI KASUS :

PEMILIK MOBIL PRIBADI DI WILAYAH KOTA SURAKARTA).

Skripsi, Surakarta: Jurusan Teknik Industri Fakultas Teknik, Universitas

Sebelas Maret, Juni 2012.

Indonesia mengalami defisit neraca migas pada tahun 2011. Hal ini memaksa

Indonesia harus mengimpor minyak untuk memenuhi kebutuhan dalam negeri. Ketergantungan Indonesia terhadap impor minyak dunia sangat mempengaruhi

stabilitas perekonomian Indonesia. Untuk melindungi masyarakat yang tidak

mampu maka pemerintah memberikan subsidi khusus untuk bahan bakar minyak

jenis premium. Sistem subsidi ini dinilai tidak tepat sasaran dan tidak mendorong

peran serta masyarakat untuk program-program pemerintah, serta dinilai tidak adil

karena subsidi bisa dinikmati oleh siapa saja. Padahal tujuan utama pemberian

subsidi itu adalah untuk menolong masyarakat yang tidak mampu. Untuk

mencapai tujuan tersebut, maka pengalihan pengguna premium yang dipandang

mampu untuk menggunakan bahan bakar minyak non-subsidi (pertamax) harus

ditingkatkan. Tujuan dari skripsi ini adalah melakukan analisis segmen yang

terbentuk beserta profil dari masing-masing segmen pengguna premium dan

pertamax yang selanjutnya dapat digunakan sebagai dasar penyusunan strategi

pemasaran untuk mengalihkan pengguna premium menjadi pengguna pertamax.

Variabel yang digunakan pada penelitian ini didasarkan pada variabel produk

menurut Kotler dan Keller (2008), Kotler dan Amstrong (2008), Tjiptono (2008),

Santon (2008) serta bauran pemasaran menurut Kotler dan Amstrong (2008).

Analisis yang digunakan dalam penelitian ini adalah analisis faktor dan analisis

cluster. Hasil dari penelitian ini menunjukkan bahwa terdapat empat cluster

pengguna premium dan tiga cluster pengguna pertamax berdasarkan kemiripan

persepsi terhadap enam faktor yang mempengaruhi konsumen dalam penggunaan

bahan bakar minyak. Enam faktor tersebut adalah keiritan bahan bakar minyak,

kesesuaian bahan bakar minyak, prestise, kemudahan dan pelayanan, harga bahan

bakar minyak dan pendekatan persuasif. Berdasarkan persepsinya terhadap bahan

bakar minyak, cluster premium yang paling mudah dialihkan menjadi pengguna

pertamax berturut-turut adalah cluster premium 2, cluster premium 3, cluster

premium 4, cluster premium 1 dan cluster pertamax yang paling berpotensi

beralih menjadi pengguna premium adalah cluster pertamax 3. Untuk jangka

pendek, pemerintah sebaiknya fokus pada cluster premium 2.

Kata Kunci : analisis faktor, analisis cluster, segmen pengguna premium,

segmen pengguna pertamax

xviii + 106 halaman; 9 gambar; 32 tabel; 6 persamaan; 7 lampiran

Daftar pustaka : 19 (1984-2011)


commit to user

viii

ABSTRACT

Dias Tri Kristanto, NIM: I0307006, SEGMENT ANALYSIS OF FUEL OIL

USER (PREMIUM AND PERTAMAX) AS THE BASIS FOR MARKETING

STRATEGY FORMULATION (CASE STUDY: PRIVATE CAR OWNER

IN SURAKARTA REGION). Thesis, Surakarta: Industrial Engineering,

Faculty of Engineering, Sebelas Maret University, June 2012.

Indonesian oil and gas deficit in the balance sheet in 2011. This forced Indonesia

to import oil to meet domestic demand. Indonesia's dependence on imported oil

greatly affects the stability of the Indonesian economy. To protect people who can

not afford, the government provides special subsidies for the premium types of

fuel oil. Subsidy system is judged to be well targeted and does not encourage

community participation to government programs, as well as unfair subsidies

enjoyed by anyone. Though the main purpose is the provision of subsidies to help

people who can not afford. To achieve these objectives, the transfer of premium

users are deemed able to use non-petroleum fuel subsidies (pertamax) should be

increased. The purpose of this paper is to analyze the segment that is formed

along with profiles of each segment premium and pertamax user which then be

used as a basis for the preparation of a marketing strategy to redirect premium

user to the pertamax user. Variables used in this study are based on variable

products according to Kotler and Keller (2008), Kotler and Armstrong (2008),

Tjiptono (2008) and Stanton (2008) and marketing mix according to Kotler and

Amstrong (2008). The analysis used in this study were factor analysis and cluster

analysis. The results of this study indicate that there are four clusters of premium

user and three clusters of pertamax user based on the similarity of the perception

of the six factors that affect consumers in the use of fuel oil. Six factors are fuel

efficiency, fuel oil conformity, prestige, convenience and service, fuel prices and a

persuasive approach. Based on the perceptions of fuel oil, premium cluster with

the most easily transferred to pertamax user, respectively is cluster premium 2,

cluster premium 3, cluster premium 4, cluster premium 1 and cluster pertamax

with the most potential switching to be a premium user is a cluster pertamax 3.

For the short term, the government should focus on cluster premium 2.

Keywords : factor analysis, cluster analysis, premium user segment,

pertamax user segment

xvii + 106 pages; 9 pictures; 32 tables; 6 equations; 7 appendixes

Bibliography : 19 (1984-2011)


commit to user

I-1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Produksi minyak nasional pada tahun 2011 adalah sebesar 945.000-

950.000 barel per hari masih belum bisa memenuhi kebutuhan minyak dalam

negeri yang sebesar 1,5 juta barel per hari. Tidak terpenuhinya kebutuhan minyak

nasional disebabkan oleh dua hal, yaitu tidak tersedianya kilang untuk

menampung produksi minyak mentah dan tidak tercapainya lifting minyak mentah

nasional. Selain itu, 87% sektor migas Indonesia dikuasai oleh perusahaan asing

yang mengekspor 50% produksi minyak bumi Indonesia semakin menambah

defisit neraca migas nasional. Hal ini memaksa Indonesia harus mengimpor

minyak untuk memenuhi kebutuhan dalam negeri. Badan Pusat Statistik (BPS)

mencatat impor migas meningkat pesat 35,28% pada bulan April 2011 mencapai

US$3,89 miliar dari bulan Maret yang sebesar US$2,88 miliar. Sementara itu,

ekspor migas pada April tercatat US$3,59 miliar atau naik 17,31% dibandingkan

dengan ekspor migas Maret sebesar US$3,06 miliar (Media Indonesia, 2011).

Meningkatnya ekspor migas dan kebutuhan minyak dalam negeri selanjutnya akan

meningkatkan ketergantungan Indonesia terhadap impor minyak dunia.

Ketergantungan Indonesia terhadap impor minyak dunia sangat

mempengaruhi stabilitas perekonomian Indonesia. Untuk melindungi masyarakat

yang tidak mampu maka pemerintah memberikan subsidi khusus untuk bahan

bakar minyak jenis premium. Kenaikan harga minyak dunia telah memaksa

pemerintah untuk menambah subsidi BBM dalam APBN 2011 sebesar Rp 95,9

triliun dibandingkan tahun 2010 yang sebesar Rp 88,9 trilun. (Antara News, 2011)

Sistem subsidi ini dinilai tidak tepat sasaran dan tidak mendorong peran

serta masyarakat untuk program-program pemerintah, serta dinilai tidak adil

karena subsidi bisa dinikmati oleh siapa saja. Padahal tujuan utama pemberian

subsidi itu adalah untuk menolong masyarakat yang tidak mampu. Untuk

mencapai tujuan tersebut, maka pengalihan pengguna premium yang dipandang

mampu untuk menggunakan bahan bakar minyak non-subsidi (pertamax) harus

ditingkatkan.


commit to user

I-2

Oleh karena itu, diperlukan penelitian awal untuk mengetahui segmen

pengguna premium yang dianggap mampu dan sudah sepantasnya untuk

menggunakan pertamax sehingga beban subsidi yang harus ditanggung

pemerintah berkurang. Untuk selanjutnya subsidi tersebut dapat dialihkan pada

kebijakan yang lebih tepat sasaran seperti pendidikan dan pembangunan

transportasi massal.

Segmen pengguna premium dan pertamax yang akan diteliti dalam

penelitian ini hanya pengguna mobil pribadi di wilayah Surakarta. Pengguna

mobil pribadi dipilih berdasarkan pertimbangan bahwa potensi pemilik mobil

pribadi yang masih menggunakan premium untuk dapat beralih menggunakan

pertamax lebih besar dan 96% jumlah mobil yang ada di wilayah Surakarta

merupakan mobil pribadi/perorangan (Ditlantas, 2011).

Penelitian ini bertujuan untuk melakukan analisis segmen yang terbentuk

beserta profil dari masing-masing segmen yang selanjutnya dapat digunakan

sebagai dasar penyusunan strategi pemasaran untuk mengalihkan pengguna

premium menjadi pengguna pertamax.

1.2 Perumusan Masalah

Permasalahan dalam penelitian ini adalah atribut-atribut apa yang

dipertimbangkan konsumen dalam penggunaan premium maupun pertamax,

apakah terdapat segmen pengguna premium maupun pertamax dilihat dari

kesamaan persepsi konsumen.

1.3 Tujuan Penelitian

Adapun tujuan yang ingin dicapai dalam penelitian ini, yaitu:

1. Mengetahui atribut yang dipertimbangkan konsumen dalam penggunaan

premium maupun pertamax.

2. Mengetahui profil segmen pengguna premium maupun pertamax.

1.4 Manfaat Penelitian

Pelaksanaan penelitian yang mengambil tema identifikasi target konsumen

pertamax diharapkan dapat diambil manfaatnya sebagai berikut:

1. Sebagai bahan pertimbangan pemerintah dalam mengambil kebijakan

mengenai bahan bakar minyak jenis premium maupun pertamax.


commit to user

I-3

2. Sebagai bahan pertimbangan pemerintah dalam menentukan segmen mana

yang potensial untuk didorong untuk berpindah dari premium ke pertamax.

3. Sebagai bahan pertimbangan pemerintah dalam menentukan strategi

pemasaran yang harus dilakukan untuk dapat meningkatkan pengalihan

konsumen dari pengguna premium menjadi pengguna pertamax.

1.5 Asumsi

Asumsi-asumsi yang dipakai dalam penelitian ini, yaitu:

1. Responden memiliki interpretasi yang sama dengan maksud peneliti terhadap

pertanyaan-pertanyaan yang ada dalam kuisioner.

2. Jawaban yang diberikan responden dapat mewakili pendapat mereka sendiri

dan dilakukan atas kemauan sendiri.

1.6 Sistematika Penulisan

Adapun sistematika penulisan yang digunakan penulis dalam penyusunan

tugas akhir ini, sebagai berikut:

BAB I PENDAHULUAN

Bab ini berisi latar belakang penelitian, perumusan masalah, tujuan

penelitian, manfaat penelitian, batasan masalah, asumsi-asumsi dan sistematika

penulisan yang dipergunakan dalam penelitian ini.

BAB II TINJAUAN PUSTAKA

Bab ini memuat uraian konsep, teori, definisi dan teknik sampling yang

digunakan dalam penelitian. Sumber pustaka dapat diambil dari buku, jurnal

ilmiah, seminar, majalah, surat kabar, dan lain-lain.

BAB III METODOLOGI PENELITIAN

Bab ini merupakan gambaran terstruktur tahap demi tahap proses

pelaksanaan penelitian yang digambarkan dalam bentuk flow chart dan tiap

tahapnya dijelaskan secara singkat, padat dan jelas.

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

Bab ini menjelaskan proses pengumpulan dan validasi data-data, baik data

primer (langsung) atau data sekunder (tidak langsung) dan menjelaskan proses

pengolahan data.


commit to user

I-4

BAB V INTERPRETASI HASIL

Bab ini mengintepretasikan hasil-hasil pengolahan data agar dapat

dipahami maksud dari setiap data yang dihasilkan.

BAB VI KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dari pembahasan yang telah dilakukan serta

saran-saran yang dapat diberikan sebagai hasil dari penelitian ini.

LAMPIRAN

Pada bagian ini terdapat data-data yang penting namun tidak mungkin

diletakkan pada bab yang berkaitan dengan data tersebut mengingat banyaknya

jumlah data sehingga membutuhkan tempat tersendiri.


commit to user

II-1

BAB II

TINJAUAN PUSTAKA

Bab ini membahas konsep, teori, definisi dan teknik sampling yang

digunakan dalam penelitian sebagai landasan dan dasar pemikiran untuk

membahas serta menganalisa permasalahan yang ada.

2.1 Variabel Produk

Untuk membentuk segmen dari pengguna bahan bakar minyak premium

dan pertamax, maka langkah pertama yang harus dilakukan adalah melakukan

diferensiasi terhadap produk itu sendiri. Oleh karena itu, diperlukan variabel

produk untuk membedakan antara premium dan pertamax. Variabel produk

tersebut antara lain bentuk, fitur, penyesuaian, kualitas kinerja, kualitas

kesesuaian, ketahanan, keandalan, kemudahan perbaikan, gaya, desain, merek,

kemasan, jaminan atau garansi, pelayanan, label, warna, harga, tempat dan

promosi.

A. Bentuk

Bentuk merupakan ukuran, bentuk atau struktur fisik produk (Kotler dan

Keller, 2008).

B. Fitur

Sebuah produk dapat ditawarkan dalam beragam fitur. Fitur adalah sarana

kompetitif untuk mendifensiasikan produk perusahaan dari produk pesaing

(Kotler dan Armstrong, 2008).

C. Penyesuaian

Penyesuaian merupakan kemampuan perusahaan untuk memenuhi

kebutuhan setiap pelanggan-untuk menyiapkan produk, jasa, program, dan

komunikasi berbasis massal yang dirancang secara individual (Kotler dan Keller,

2008).

D. Kualitas Kinerja

Kualitas kinerja merupakan kemampuan produk untuk melaksanakan

fungsinya. Kualitas menjadi dimensi yang semakin penting untuk diferensiasi

ketika perusahaan menerapkan sebuah model nilai dan memberikan kualitas yang

tinggi dengan uang yang lebih rendah (Kotler dan Keller, 2008).


commit to user

II-2

E. Kualitas Kesesuaian

Kualitas kesesuaian merupakan tingkat dimana semua unit yang

diproduksi identik dan memenuhi spesifikasi yang dijanjikan (Kotler dan Keller,

2008).

F. Ketahanan

Ketahanan merupakan ukuran umur operasi harapan produk dalam kondisi

biasa atau penuh tekanan (Kotler dan Keller, 2008).

G. Keandalan

Keandalan merupakan ukuran probabilitas bahwa produk tidak akan

mengalami malfungsi atau gagal dalam periode waktu tertentu (Kotler dan Keller,

2008).

H. Kemudahan Perbaikan

Kemudahan perbaikan merupakan ukuran kemudahan perbaikan produk

ketika produk itu tidak berfungsi atau gagal (Kotler dan Keller, 2008).

I. Gaya

Gaya menggambarkan penampilan dan rasa produk kepada pembeli

(Kotler dan Keller, 2008).

J. Desain

Desain merupakan totalitas fitur yang mempengaruhi tampilan, rasa, dan

fungsi produk berdasarkan kebutuhan pelanggan. Atribut desain berkaitan dengan

totalitas fitur yang mempengaruhi tampilan, rasa dan fungsi produk berdasarkan

kebutuhan pelanggan (Kotler dan Keller, 2008).

K. Merek

Merek adalah suatu nama, istilah, tanda, lambang, atau desain atau

kombinasi semua ini, yang menunjukkan identitas pembuat atau penjual produk

dan jasa tertentu (Kotler dan Armstrong, 2008).

L. Kemasan

Kemasan adalah semua kegiatan merancang dan memproduksi wadah

yang berfungsi untuk menyimpan dan melindungi produk. Kemasan melibatkan

perancangan dan produksi wadah atau pembungkus sebuah produk (Kotler, 2008).


commit to user

II-3

M. Jaminan atau Garansi

Jaminan atau garansi adalah kesediaan produsen untuk memberikan ganti

rugi atau penggantian produk kepada konsumen apabila dalam jangka waktu

tertentu produk mengalami kerusakan.

N. Pelayanan

Pelayanan pelanggan adalah elemen lain dalam strategi produk. Penawaran

perusahaan biasanya meliputi beberapa pelayanan pendukung, yang bisa menjadi

bagian kecil atau bagian besar dari keseluruhan penawaran (Kotler dan

Armstrong, 2008).

O. Label

Label berkisar dari penanda sederhana yang ditempelkan pada produk

sampai rangkaian huruf rumit yang menjadi bagian kemasan. Label mempunyai

beberapa fungsi. Label dapat menunjukkan produk atau merek, menggambarkan

beberapa hal tentang produk, siapa yang membuatnya, di mana produk itu dibuat,

kapan produk itu dibuat, kandungannya, cara pemakaiannya, dan bagaimana

menggunakan produk itu dengan aman. Selain itu, label bisa membantu

mempromosikan produk dan mendukung positioning-nya (Kotler dan Armstrong,

2008).

P. Warna

Warna sering menjadi faktor yang menentukan diterima atau tidaknya

suatu produk, baik produk tersebut adalah pakaian, meja, atau otomotif. Warna

sendiri tidak memiliki keunggulan penjualan karena pesaing yang lain juga

menawarkan warna yang lain. Keunggulan pemasaran muncul pada saat kita

mengetahui warna yang tepat dan mengetahui kapan harus berubah warna

(Stanton, 1991).

Q. Harga

Dalam arti yang sempit, harga adalah jumlah yang ditagihkan atas suatu

produk atau jasa. Lebih luas lagi, harga adalah semua nilai yang diberikan oleh

pelanggan untuk mendapatkan keuntungan dari memiliki atau menggunakan suatu

produk atau jasa (Kotler dan Armstrong, 2008).


commit to user

II-4

R. Tempat

Tempat meliputi kegiatan perusahaan yang membuat produk tersedia bagi

pelanggan sasaran (Kotler dan Armstrong, 2008).

S. Promosi

Promosi berati aktivitas yang menyampaikan manfaat produk dan

membujuk pelanggan membelinya (Kotler dan Armstrong, 2008).

2.2 Pembuatan Kuesioner

Dalam penelitian survey, kuesioner merupakan alat untuk mengumpulkan

data. Analisa data kuantitatif didasarkan pada hasil kuesioner tersebut. Sebuah

kuesioner yang baik adalah kuesioner yang mengandung pertanyaan-pertanyaan,

yang diajukan sedemikian rupa sehingga tidak menimbulkan interpretasi yang lain

dari responden. Pertanyaan-pertanyaan kuesioner harus jelas dan mudah

dimengerti untuk mengurangi kesalahan interpretasi responden dalam pengisian

kuesioner.

Berdasarkan jenis pertanyaannya, kuesioner dibedakan menjadi empat

macam (Aaker, 1995), yaitu:

2.2.1 Pertanyaan tertutup

Pertanyaan tertutup adalah pertanyaan yang telah disertai pilihan

jawabannya. Responden tinggal memilih salah satu jawaban yang tersedia, dan

tidak diberi kesempatan memberikan jawaban lain. Pertanyaan tertutup dapat

berupa pertanyaan pilihan berganda atau berupa skala.

2.2.2 Pertanyaan terbuka

Pertanyaan terbuka adalah pertanyaan yang membutuhkan jawaban bebas

dari responden. Responden tidak diberi pilihan jawaban, tetapi responden

menjawab pertanyaan sesuai dengan pendapatnya.

2.2.3 Pertanyaan kombinasi tertutup dan terbuka

Pertanyaan kombinasi tertutup dan terbuka adalah pertanyaan yang telah

disediakan jawabannya tetapi kemudian diberi pertanyaan terbuka, dimana pada

pertanyaan tersebut responden bebas memberikan jawaban.


commit to user

II-5

2.2.4 Pertanyaan semi terbuka

Pertanyaan semi terbuka adalah pertanyaan yang disediakan pilihan

jawabannya tetapi kemudian masih ada kemungkinan bagi responden untuk

memberikan tambahan jawaban.

2.3 Pengukuran

Pengukuran adalah penetapan atau pemberian angka terhadap objek atau

variabel menurut aturan yang telah ditentukan. Pada dasarnya proses pengukuran

dalam penelitian merupakan rangkaian beberapa kegiatan seperti penentuan

dimensi variabel pengukuran, perumusan ukuran untuk masing-masing dimensi,

penentuan tingkat ukuran.

2.3.1 Ukuran nominal

Ukuran nominal adalah pemberian angka-angka yang ditetapkan

berdasarkan proses penggolongan. Ukuran ini merupakan ukuran yang paling

sederhana. Dasar penggolongan hanyalah berdasarkan kategori-kategori dalam

ukuran yang tidak tumpang tindih (mutually excusive) dan tuntas (exhaustive).

Angka yang digunakan dalam suatu kategori tidak merefleksikan bagaimana

kedudukan kategori tersebut terhadap kategori lainnya tetapi hanyalah sekedar

label atau kode yang tidak dapat dibandingkan. Apabila dalam jenis kelamin

diberikan kategori untuk wanita adalah 1 dan kategori untuk pria adalah 2, tidak

berarti bahwa pria lebih rendah daripada wanita.

2.3.2 Ukuran ordinal

Ukuran ordinal adalah pemberian angka-angka terhadap objek yang

mempunyai tingkatan. Ukuran ordinal digunakan untuk mengurutkan objek dari

yang terendah hingga yang tertinggi atau sebaliknya menurut suatu atribut

tertentu.

2.3.3 Ukuran interval

Ukuran interval adalah pemberian angka-angka pada sekumpulan objek

yang nilai-nilainya dapat diurutkan atau dibandingkan dalam pengertian lebih

besar atau lebih kecil dan juga jarak antara dua nilainya dapat diukur/diartikan.

Akan tetapi, ukuran interval memiliki titik nol (zero point) yang sembarang/tidak

tetap.


commit to user

II-6

2.3.4 Ukuran rasio

Ukuran rasio adalah pemberian angka-angka yang paling kuantitatif atau

presisi. Ukuran ini diperoleh apabila di samping informasi tentang urutan dan

interval objek-objek penelitian juga diketahui jumlah absolut atribut yang dimiliki

oleh salah satu objek-objek tersebut. Jadi ukuran rasio adalah suatu bentuk

interval yang jaraknya tidak dinyatakan dalam perbedaan dengan angka rata-rata

suatu kelompok tetapi dengan titik nol (zero point) absolut. Karena titik nol yang

tetap, maka perbedaaan rasio dapat dihitung.

2.4 Penyusunan Skala

Skala adalah suatu ukuran yang disusun sedemikian rupa sehingga dapat

mengurutkan responden dalam ukuran yang lebih tepat berdasarkan variabel

tertentu (Soehartono,1995). Skala disusun atas dasar penunjukan skor pada pola-

pola atribut. Dalam penyusunan skala, perlu diperhatikan intensitas struktur dari

atribut yang hendak diukur.

Skala pengukuran yang sering digunakan dalam penelitian adalah skala

Likert, skala Guttman, skala Thurstone dan skala perbedaan semantik. Pada skala

Likert, jawaban pertanyaan dibuat berjenjang yang berkisar dari sangat positif

sampai sangat negatif atau sebaliknya. Skala Likert yang dikenal dengan nama

Method of Sumatted Ratings sangat sering digunakan dalam mengukur atribut-

atribut objek yang sifatnya kualitatif. Dalam hal ini, item-item yang disenangi

akan diberi bobot yang lebih tinggi daripada item-item yang tidak disenangi. Skor

responden merupakan skor total yang bisa ditafsirkan sebagai posisi responden.

2.5 Teknik Sampling

Dalam suatu penelitian, jumlah keseluruhan unit analisis, yaitu objek yang

akan diteliti, disebut populasi. Secara ideal, sebaiknya kita meneliti seluruh

anggota populasi. Akan tetapi, seringkali populasi penelitian sangat besar

sehingga tidak mungkin untuk diteliti seluruhnya dengan waktu, biaya dan tenaga

yang tersedia (Soehartono, 1995). Dalam keadaan demikian, maka penelitian

dilakukan terhadap sampel, yaitu sebagian dari populasi yang telah memenuhi

kriteria untuk diteliti. Dengan meneliti sampel, diharapkan bahwa hasil yang

diperoleh akan dapat menggambarkan sifat populasi yang bersangkutan.

Pemilihan sampel untuk memperoleh data mengenai populasi merupakan prosedur


commit to user

II-7

yang mendasar dalam suatu penelitian. Keuntungan dari teknik sampling antara

lain mengurangi biaya, mempercepat waktu penelitian dan dapat memperbesar

ruang lingkup penelitian (Singarimbun, 1989). Akan tetapi, pemilihan sampel

selalu mengakibatkan adanya perbedaan antara nilai yang sebenarnya dalam

populasi dari variabel yang diteliti dengan nilai hasil observasi dalam sampling,

yang disebut eror sampling (Aaker, 1995).

2.5.1 Menentukan Populasi dan Ukuran Sampel

Populasi ialah wilayah generalisasi yang terdiri atas objek/subjek yang

mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti

untuk dipelajari dan kemudian ditarik kesimpulannya. (Sugiyono, 1997). Populasi

dalam setiap penelitian harus disebutkan secara jelas yaitu yang berkenaan dengan

besarnya anggota populasi serta wilayah penelitian yang dicakup. Tujuan

diketahuinya ukuran populasi ialah agar kita dapat menentukan besarnya ukuran

sampel yang diambil dari anggota populasi dan membatasi berlakunya daerah

generalisasi. Terdapat banyak rumus dalam menentukan ukuran sampel

diantaranya, rumus empiris oleh Issac dan Michael (Sukardi, 2004), rumus Slovin

(Umar, 2004) dan Taro Yamane (Rahmat, 2001).

2.5.2 Teknik Pengambilan Sampling

Terdapat banyak cara untuk memperoleh sampel yang diperlukan dalam

penelitian. Pada banyak kasus, beragam pertanyaan diberikan dan banyak variabel

yang perlu diteliti, sehingga sangat penting untuk memperoleh sampel yang

representatif. Sangatlah dimungkinkan, atau bahkan diperlukan, untuk

memperoleh sampel yang representatif hanya dari penilaian dan pengertian

umum. Ada 2 macam metode pengambilan sampel (Aaker, 1995) yaitu

pengambilan sampel secara acak (probability sampling) dan pengambilan sampel

secara tidak acak (nonprobability sampling).

A. Pengambilan Sampel Secara Acak (Probability Sampling)

Pengambilan sampel secara acak (probability sampling) adalah metode

sampling yang setiap anggota populasinya memiliki peluang yang spesifik dan

bukan nol untuk terpilih sebagai sampel. Peluang setiap anggota populasi tersebut

dapat sama, dapat juga tidak. Pengambilan sampel secara acak, terdiri dari:


commit to user

II-8

1. Pengambilan Sampel Acak Sederhana

Pengambilan sampel acak sederhana adalah suatu teknik pengambilan

sampel dimana setiap anggota populasi memiliki probabilitas terpilih yang sama.

Apabila jumlah sampel yang diinginkan berbeda-beda, maka besarnya peluang

tiap anggota populasi untuk terpilihpun berbeda-beda pula, dengan mengikuti

perbandingan jumlah sampel terhadap jumlah populasi. Dua metode yang dapat

digunakan dalam pengambilan sampel ini adalah metode undian dan metode

menggunakan Tabel Bilangan Random.

2. Pengambilan Sampel Acak Sistematis

Pengambilan sampel acak sistematis adalah suatu teknik pengambilan

sampel dimana titik mula pengambilan sampel dipilih secara random dan

kemudian setiap nomor dengan interval tertentu dari daftar populasi dipilih

sebagai sampel. Pengambilan sampel acak sistematis tidak dapat diterapkan pada

populasi yang tersusun dengan urutan pola tertentu dimana interval sampling

mengikuti urutan pola tersebut.

3. Pengambilan Sampel Acak Terstratifikasi

Pengambilan sampel acak terstratifikasi adalah suatu teknik pengambilan

sampel dimana terlebih dahulu dilakukan pembagian anggota populasi ke dalam

kelompok-kelompok kemudian sampel diambil dari setiap kelompok tersebut

secara acak. Stratifikasi atau pembagian ini dapat dilakukan berdasarkan

ciri/karakteristik tertentu dari populasi yang sesuai dengan tujuan penelitian.

Pengambilan sampel terstratifikasi dapat dibagi menjadi dua, yaitu proporsional

dimana jumlah sampel yang diambil adalah sebanding dengan jumlah anggota

populasi dalam setiap kelompok dan non proporsional dimana jumlah sampel

yang diambil adalah tidak sebanding dengan jumlah anggota populasi dalam

setiap kelompok karena pertimbangan analitis.

4. Pengambilan Sampel Kelompok

Pengambilan sampel kolompok adalah suatu teknik pengambilan sampel

dimana sampling unitnya bukan individual melainkan kelompok individual

(cluster) berdasar ciri/karakteristik tertentu. Selanjutnya dari cluster-cluster yang

ada, dipilih satu cluster secara acak., kemudian diambil sampel secara acak dari

cluster terpilih ini. Hal ini dimungkinkan karena masing-masing cluster dianggap


commit to user

II-9

homogen sehingga tidak diperlukan dilakukan pengambilan sampel pada semua

cluster.

5. Pengambilan Sampel Secara Bertahap

Pengambilan sampel secara bertahap adalah suatu teknik pengambilan

sampel yang dilakukan secara bertahap. Tahap pertama dilakukan untuk

mendapatkan informasi awal. Tahap selanjutnya dilakukan wawancara ulang

dengan tambahan untuk mendapatkan informasi yang lebih detail.

B. Pengambilan Sampel Secara Tidak Acak (Non Probability Sample)

Pengambilan sampel secara tidak acak (non probability sampling) adalah

metode sampling yang setiap anggota populasinya tidak memiliki peluang yang

sama untuk dipilih sebagai sampel, bahkan probabilitas anggota populasi tertentu

untuk terpilih tidak diketahui. Dalam pengambilan sampel secara tidak acak,

pemilihan unit sampling didasarkan pada pertimbangan atau penilaian subjektif

dan tidak pada penggunaan teori probabilitas. Pengambilan sampel secara tidak

acak terdiri dari accidental sampling, purposive samping, quota sampling dan

snowball sampling.

1. Accidental Sampling (Convenience Sampling),

Accidental Sampling (Convenience Sampling) adalah suatu teknik

pengambilan sampel dimana sampel yang diambil merupakan sampel yang paling

mudah diperoleh atau dijumpai. Dalam hal ini, unit sampel sangat mudah diakses,

diukur, dan sangat bekerja sama sehingga teknik sampling ini sangat mudah,

murah dan cepat dilaksanakan.

2. Purposive Samping/ Judgmental Sampling

Purposive Sampling adalah suatu teknik pengambilan sampel dimana

pemilihan sampel dilakukan dengan pertimbangan subjektif tertentu berdasar

beberapa ciri/karakteristik yang dimiliki sampel tersebut, yang dipandang

berhubungan erat dengan ciri/karakteristik populasi yang sudah diketahui

sebelumnya. Sampel yang purposif adalah sampel yang dipilih dengan cermat

sehingga relevan dengan penelitian.


commit to user

II-10

3. Quota Sampling

Quota Sampling adalah suatu teknik pengambilan sampel dimana sampel

diambil dari suatu sub populasi yang mempunyai karakteristik-karakteristik

tertentu dalam batasan jumlah atau kuota tertentu yang diinginkan.

4. Snowball Sampling

Snowball Sampling adalah suatu teknik pengambilan sampel yang sangat

sesuai digunakan untuk mengetahui populasi dengan ciri-ciri khusus yang sulit

dijangkau. Pemilihan pertama dilakukan secara acak, kemudian setiap responden

yang ditemui diminta untuk memberikan informasi mengenai rekan-rekan lain

yang mempunyai kesamaan karakteristik yang dibutuhkan, sehingga diperoleh

responden tambahan.

2.6 Analisis Multivariat

Dalam melakukan penelitian, tahapan analisis data memiliki peran penting

untuk menggali informasi dari observasi yang telah dilakukan (Sekaran, 1992).

Pada penelitian-penelitian yang melibatkan variabel majemuk salah satu alat

analisis yang sering digunakan adalah teknik analisis multivariat. Untuk

mendapatkan informasi yang tepat dan valid, pemilihan teknik analisis multivariat

harus memperhatikan tujuan penelitian yang dilakukan, asumsi dasar teknik

analisis multivariat yang akan dipilih, dan skala pengukuran yang digunakan pada

saat pengumpulan data.

Analisis multivariat didefinisikan sebagai semua metode statistik yang

menganalisis beberapa pengukuran yang ada pada setiap obyek dalam satu atau

banyak sampel secara simultan (Dillon dan Goldstein, 1984). Berdasarkan definisi

tersebut, setiap teknik analisis yang melibatkan lebih dari dua variabel secara

simultan dapat dianggap sebagai analisis multivariat. Analisis multivariat yang

akan dijelaskan meliputi analisis faktor dan analisis cluster

2.6.1 Analisis Faktor

Analisis faktor merupakan istilah umum yang diberikan pada sebuah kelas

metode statistika multivariat yang tujuan utamanya adalah reduksi dan

penyederhanaan data (Hair, 1998). Dengan kata lain, untuk mengekstrak variabel-

variabel penelitian yang biasanya berjumlah sangat banyak menjadi beberapa

variabel baru sehingga memudahkan pengolahan data selanjutnya dengan tetap


commit to user

II-11

mempertahankan informasi awal yang terkandung di dalamnya (Dillon dan

Goldstein, 1984). Pada analisis faktor, tidak ada variabel yang didefinisikan

bebas atau tergantung, semua variabel diperhitungkan secara simultan.

Analisis faktor dilakukan dengan dua tujuan, yaitu exporatory dan

confirmatory. Pada analisis eksploratori/deskriptif, analisis dilakukan hanya untuk

merumuskan masalah secara lebih akurat dan mengidentifikasi variabel untuk

keperluan penelitian lebih lanjut, dimana jumlah faktor/dimensi yang akan

dibentuk ditentukan oleh analisis faktor. Sedangkan pada analisis konfirmatori,

analisis dilakukan untuk menguji hipotesis yaitu mengukur tingkat kesesuaian

struktur yang ditentukan/diusulkan oleh peneliti, dimana jumlah faktor/dimensi

(mungkin juga variabel-variabel anggotanya) ditentukan oleh peneliti kemudian

analisis faktor dipakai untuk mengujinya.

Langkah-langkah analisis faktor dapat dibagi dalam enam tahap (Hair,

1998), yaitu penentuan tujuan analisis, penentuan tipe dan desain analisis,

pengujian asumsi, pemilihan metode ekstraksi dan penentuan jumlah faktor,

pemilihan metode rotasi dan interpretasi matriks faktor, Validitas analisis, serta

penggunaan analisis faktor sebagai data mentah analisis multivariat lainnya.

A. Pengujian Data

Pengujian data dilakukan pada data yang terkumpul dari hasil kuesioner II.

Pengujian data yang dilakukan meliputi pengujian grafis dan uji outliers.

Pengujian grafis digunakan untuk memahami karakteristik dasar dari data yang

akan digunakan pada penelitian. Histogram digunakan untuk menggambarkan

karakteristik dasar variabel individu dan hubungan antara variabel secara

sederhana. Selain itu, boxplot digunakan untuk menggambarkan perbedaan antara

pasangan kelompok dan keseluruhan tingkat perbedaan antar kelompok dan

keberadaan outlier yang selanjutnya akan digunakan analisis yang lebih empiris

(uji outliers) untuk mendeteksinya.

Uji outlier digunakan untuk mengetahui jika ada nilai ekstrim pada atribut

tertentu. Langkah dalam pengujian outlier adalah deteksi univariat dan deteksi

multivariat. Deteksi univariat digunakan untuk memeriksa pengamatan pada

masing-masing atribut individual. Sedangkan deteksi multivariat digunakan untuk


commit to user

II-12

mengukur jarak masing-masing pengamatan dalam ruang multidimensi dari pusat

rata-rata dari semua pengamatan.

B. Penentuan Tujuan

Tujuan Analisis Faktor terbagi menjadi dua data summarization dan data

reduction. Data Summarization dilakukan untuk mengidentifikasi adanya

hubungan di antara variabel atau responden dengan menguji korelasinya. Data

Reduction dilakukan untuk membuat sebuah variabel set baru yang dinamakan

faktor untuk menggantikan sejumlah variabel tertentu, setelah melakukan korelasi.

C. Penyusunan Desain Riset (Pembuatan Matriks Korelasi)

Terdapat dua tipe Analisis Faktor, yaitu tipe R dan tipe Q. Tipe R

dilakukan untuk mengekstrak variabel, sedangkan tipe Q dilakukan untuk

mengekstrak cases/responden. Dalam hal ini, analisis tipe Q dan analisis cluster

mempunyai tujuan yang sama yaitu mengekstrak/mengelompokkan responden ke

dalam beberapa grup, tetapi kriteria pengelompokannya berbeda. Desain riset

analisis faktor meliputi pembuatan matriks korelasi, penentuan tipe dan jumlah

variabel yang akan dianalisis, penentuan jumlah sampel.

Matriks data mentah berukuran n x p (n objek dan p variabel) yang berisi

hasil kuesioner diubah menjadi matriks korelasi. Dalam matriks korelasi, variabel-

variabel yang diukur mempunyai unit dan skala pengukuran yang berbeda.

Penggunaan matriks ini untuk menghilangkan perbedaan yang diakibatkan oleh

mean dan dispersi variabel.

Variabel yang dipilih adalah variabel yang relevan dengan penelitian yang

dilakukan. Data mentah yang diperoleh merupakan hasil pengukuran metrik.

Dalam beberapa kasus, variabel dummy (berkode 0 – 1) yang sekalipun

dikategorikan nonmetrik, dapat digunakan. Jumlah variabel pada setiap faktornya,

diusahakan seminimal mungkin dengan tetap mengandung sebanyak-banyaknya

informasi yang dibutuhkan.

Secara umum, jumlah sampel yang dianjurkan adalah antara 50 sampai

100 sampel (Hair, 1998). Atau bisa digunakan patokan rasio, dimana jumlah

sampel minimum adalah sama dengan 5 kali variabel atau yang lebih acceptable

adalah 10 kali jumlah variabel, yang berarti setiap 1 kolom, terdapat 10 baris data.


commit to user

II-13

D. Pengujian Asumsi

Sebelum masuk pada proses analisis faktor, terdapat asumsi-asumsi dasar

yang harus dipenuhi. Asumsi-asumsi yang harus dipenuhi untuk menilai tepat atau

tidaknya menggunakan analisis faktor tersebut adalah asumsi korelasi dan asumsi

ukuran kecukupan sampling.

Asumsi korelasi meliputi korelasi antar variabel, korelasi parsial dan uji

hipotesis Bartlett’s Test of Sphericity. Besar korelasi antar variabel independen

harus cukup kuat atau di atas 0.3. Besar korelasi parsial yaitu korelasi antar dua

variabel dengan menganggap tetap variabel lain, justru harus kecil atau mendekati

nol. Sedangkan uji hipotesis bahwa matriks korelasi adalah bukan matriks

identitas, dengan menggunakan Bartlett’s Test of Sphericity. Nilai signifikansi

yang diperoleh dari Bartlett’s Test of Sphericity harus lebih kecil dari 0.05

(sig<0.05).

Asumsi ukuran kecukupan sampling diuji dengan Kaiser-Meyer-Olkin

(KMO) dan Measure of Sampling Adequacy (MSA). KMO merupakan indeks

untuk membandingkan besarnya koefisien korelasi amatan dengan koefisien

parsial, yang berarti bahwa besar koefisien korelasi keseluruhan variabel pada

matriks korelasi harus signifikan di antara paling sedikit beberapa variabel. Angka

KMO disyaratkan harus lebih dari 0.5.

22

2

ar

r

ijij

ijKMO untuk i j ........................................ (2.1)

Keterangan:

rij2 = koefisien korelasi antara variabel i dan variabel j

aij2 = koefisien korelasi parsial antara variabel i dan variabel j

Kaiser (1974) menginterpretasikan angka KMO sebagai:

a. Marvelous atau bagus sekali (0.90)

b. Meritorius atau bagus (0.80)

c. Middling atau cukup bagus (0.70)

d. Mediocre atau cukup (0.60)

e. Miserable atau kurang (0.50)

f. Unacceptable atau tidak dapat diterima (< 0.50)


commit to user

II-14

Sedangkan MSA merupakan indeks untuk mengukur kecukupan sampling

untuk tiap variabel individual.

22

2

ijij

ij

iar

rMSA untuk i j .................................................... (2.2)

Angka MSA diinterpretasikan dengan kriteria:

a. MSA = 1.0, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel

lain

b. MSA > 0.5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut

c. MSA <= 0.5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih

lanjut atau harus dikeluarkan

Apabila, dari uji MSA diperoleh hasil bahwa analisis faktor tidak dapat

digunakan maka untuk mengatasinya, dicoba membuang variabel dengan nilai

MSA individu paling kecil, kemudian dilakukan uji MSA baru. Pengujian ulang

ini dilakukan hingga uji MSA menyatakan bahwa analisis faktor dapat digunakan.

E. Ekstraksi Faktor dan Penentuan Jumlah Faktor

Ekstraksi faktor bertujuan untuk menghasilkan sejumlah faktor dari data

yang ada. Terdapat 2 pendekatan dalam mengekstraksi faktor, metode Analisis

Komponen Utama (Principal Component Analysis) dan metode Analisis Faktor

Umum (Common Factor Analysis). Dalam pemilihannya, perlu diketahui lebih

dahulu tipe-tipe variansi data. Total variansi (total variance) terdiri dari tiga

bagian, yaitu variansi umum (common variance), variansi unik atau spesifik

(specific variance), dan variansi eror (error variance). Variansi umum adalah

variansi variabel yang dibagi dengan semua variabel yang ada. Variansi spesifik

adalah variansi yang dimiliki oleh variabel yang bersifat reliabel secara spesifik

dan tidak berhubungan dengan variabel lain. Sedangkan variansi eror adalah

variansi yang berhubungan dengan ketidakreliabelan, yang terjadi dari proses

pengumpulan data, eror pengukuran, dan kesalahan acak.

Principal Component Analysis digunakan untuk meringkas sejumlah besar

variabel yang ada menjadi variabel baru (faktor) dengan jumlah minimum, tetapi

mampu menjelaskan sebagian besar variansi dalam variabel-variabel awal (Hair,

1998). Principal Component mengasumsikan variasi data tidak terbagi (porsi


commit to user

II-15

specific variance dan error variance adalah sangat kecil dalam total variance).

PC1 (principal component 1) menjelaskan variansi terbanyak, disusul dengan PC2,

dan seterusnya sampai PCn.

Bentuk umum analisis komponen utama (Dillon dan Goldstein, 1984), adalah:

PC(1) = ω(1)1 X1 + ω(1)2 X2 + ... + ω(1)p Xp

PC(2) = ω(2)1 X1 + ω(2)2 X2 + ... + ω(2)p Xp

.

.

.

PC(m) = ω(m)1 X1 + ω(m)2 X2 + ... + ω(m)p Xp .......................... (2.3)

Keterangan:

PC(i) = principal component (faktor) ke i, dimana i = 1, 2, ..., m

ω(i)j = bobot variabel ke j pada PC ke i

Xj = variabel ke j, dimana j = 1, 2, ..., p

Common Factor Analysis digunakan untuk menyederhanakan hubungan

yang beraneka ragam dan kompleks dalam satu set variabel observasi dan

mengidentifikasi faktor atau dimensi umum yang menghubungkan variabel-

variabel (yang sepertinya tidak berhubungan) sehingga struktur data dapat terlihat

(Hair, 1998). Common Factor mengasumsikan variasi data dapat dibedakan

menjadi bagian umum (common) dan bagian unik (specific), tetapi tidak diketahui

sebelumnya tentang porsi specific variance dan error variance dalam total

variance sehingga dimaksudkan untuk menghilangkan kedua jenis variansi

tersebut dan hanya menggunakan common variance saja.

Bentuk umum analisis faktor umum (Dillon dan Goldstein, 1984), adalah:

X1 = λ(1)1 f1 + λ(2)1 f2 + ... + λ (m)1 fm + e1

X2 = λ(1)2 f1 + λ(2)2 f2 + ... + λ (m)2 fm + e2

.

.

.

Xp = λ(1)p f1 + λ(2)p f2 + ... + λ (m)p fm + ep .............................. (2.4)

Keterangan:

fi = faktor ke i, dimana i = 1, 2, ..., m

λ (i)j = bobot variabel ke j pada faktor ke i

Xj = variabel ke j, dimana j = 1, 2, ..., p


commit to user

II-16

Ej = efek unik (error) pada Xj

Dalam analisis faktor dikenal istilah faktor loading, eigenvalue dan

komunalitas (communality). Bobot λ(i)j disebut sebagai faktor loading variabel j

pada faktor i. Faktor loading juga menyatakan korelasi antar variabel j dan faktor

i, nilainya berkisar antara -1 dan 1. Faktor loading tinggi (mendekati -1 atau 1)

berarti variabel j representatif pada faktor i. Karena λ(i)j menyatakan korelasi (R),

maka kuadrat λ(i)j menyatakan proporsi variansi total variabel j yang mampu

dijelaskan faktor i. Eigenvalue adalah ukuran yang menjelaskan faktor, secara

matematis dinyatakan sebagai:

Eigenvalue faktor i = (λ(i)1)2 + (λ(i)2)

2 + (λ(i)3)

2 + ... + (λ(i)p)

2 ................ (2.5)

Eigenvalue menyatakan besar variansi faktor i, yang berarti seberapa

mampu faktor tersebut mewakili variabel-variabel, semakin tinggi nilai eigenvalue

semakin baik. Nilai maksimumnya sama dengan p (jumlah variabel) karena setiap

variabel memiliki variansi sebesar 1 (semua variabel ditransformasikan menjadi

variabel normal baku yang memiliki mean = 0 dan variansi = 1). Jadi, nilai

eigenvalue berkisar antara 0 sampai p.

Sedangkan komunalitas adalah ukuran yang menjelaskan variabel, secara

matematis dinyatakan sebagai:

Komunalitas variabel j = (λ(1)j)2 + (λ(2)j)

2 + (λ(3)j)

2 + ... + (λ(m)j)

2 ......... (2.6)

Komunalitas menyatakan proporsi variansi total variabel j yang mampu

dijelaskan oleh faktor-faktor yang berhasil diekstrak. Komunalitas berarti pula

rasio common variance terhadap total variance variabel j, dimana nilai

komunalitas berkisar antara 0 sampai 1.

Dalam menentukan jumlah faktor yang diinginkan sebagai hasil ekstrak,

terdapat beberapa kriteria, yaitu:

1. Latent Root Criterion

Hanya faktor-faktor yang memiliki latent root (eigenvalue) minimum 1

yang akan dipertahankan. Ini dapat berarti bahwa sebuah faktor dapat dianggap

sebagai faktor, bila paling sedikit dapat menjelaskan variansi satu variabel

atau setiap variabel menyumbangkan nilai 1 pada total eigenvalues. Maka, hanya

faktor dengan eigenvalue > 1 yang dianggap signifikan.


commit to user

II-17

2. Apriori Criterion

Jumlah faktor ditentukan sendiri oleh peneliti karena peneliti sudah

mempunyai pengalaman sebelumnya tentang beberapa jumlah faktor. Metode ini

digunakan untuk menguji suatu teori yang sudah ada.

3. Percentage of Variance Criterion

Persentase kumulatif total variansi tertentu diekstraksi dari faktor-faktor

terpilih secara berurutan. Tujuannya untuk memastikan signifikansi faktor-faktor

terpilih. Dengan memastikannya terlebih dahulu diketahui dengan pasti bahwa

faktor-faktor tersebut dapat menjelaskan paling sedikit sejumlah variansi.

4. Scree Test Criterion

Meskipun semua faktor mengandung paling sedikit beberapa variansi unik,

tetapi pada dasarnya proporsi variansi unik faktor kedua (dan sesudahnya) lebih

besar dari faktor sebelumnya. Tujuannya untuk mengidentifikasi jumlah maksimal

faktor yang dapat diekstrak sebelum sejumlah variansi unik mulai mendominasi

struktur variansi umum. Pada kurva latent root terhadap jumlah faktor, titik

dimana kurva mulai bergerak lurus merupakan indikasi jumlah faktor maksimum

yang dapat diekstrak.

F. Rotasi Matriks Faktor

Jika faktor loading suatu variabel sama-sama cukup tinggi pada beberapa

faktor maka sulit untuk memutuskan ke faktor mana variabel tersebut harus

dimasukkan, sedangkan sasaran analisis faktor adalah agar setiap variabel hanya

masuk ke satu faktor saja. Untuk itu setelah ekstraksi, faktor-faktor yang terbentuk

perlu dirotasi. Tujuan rotasi adalah untuk mengekstrimkan faktor loading variabel.

Rotasi dilakukan dengan memutar sumbu faktor, dari titik pusatnya menuju titik

yang ingin dituju. Beberapa metode rotasi, yaitu orthogonal rotation dan oblique

rotation.

Orthogonal Rotation dilakukan dengan cara merotasikan sumbu faktor

yang kedudukannya saling tegak lurus satu dengan lainnya, sehingga setiap faktor

saling bebas terhadap faktor lainnya karena sumbunya saling tegak lurus. Rotasi

Orthogonal masih dapat dibedakan menjadi quartimax, varimax dan equimax.


commit to user

II-18

Quartimax dengan merotasi faktor awal hasil ekstraksi sehingga diperoleh

hasil rotasi dimana setiap variabel mempunyai faktor loading yang tinggi di satu

faktor dan sekecil mungkin pada faktor lain.

Varimax merupakan metode yang paling sering digunakan karena sering

terbukti lebih baik dalam menunjukkan perbedaan antar faktor, dengan merotasi

faktor awal hasil ekstraksi sehingga diperoleh hasil rotasi dimana dalam suatu

kolom, nilai yang ada sebanyak mungkin mendekati nol. Ini berarti, di dalam

setiap faktor tercakup sesedikit mungkin variabel. Equimax mengkombinasikan

metode Quartimax dan Varimax.

Oblique Rotation dilakukan dengan merotasikan sumbu faktor yang

kedudukannya saling membentuk sudut, dengan besar sudut rotasi tertentu. Dalam

hal ini, korelasi antara faktor masih diperhitungkan karena sumbu faktor tidak

saling tegak lurus satu dengan lainnya. Rotasi Oblique masih dapat dibedakan

menjadi oblimax, quartimin, covarimin dan oblimin. Oblimax merotasi faktor

sehingga jumlah faktor loading yang tinggi dan rendah meningkat, dengan

menurunkan faktor-faktor loading yang berada di pertengahan. Quartimin,

meminimumkan jumlah produk pada struktur loading. Covarimin, seperti varimax

pada rotasi orthogonal, yaitu dengan merotasi faktor awal hasil ekstraksi sehingga

diperoleh nilai yang ada dalam suatu kolom sebanyak mungkin mendekati nol.

Oblimin, mengkombinasikan metode Quartimin dan Covarimin.

G. Interpretasi Faktor

Interpretasi faktor dilakukan dengan mengelompokkan variabel-variabel

ke dalam faktor-faktor hasil rotasi. Dasar untuk memutuskan apakah suatu

variabel dimasukkan pada faktor 1, faktor 2, atau faktor lainnya adalah faktor

loadingnya.

Sebelum dikelompokkan, faktor loading harus memenuhi kriteria

signifikansi. Kriteria signifikansi faktor loading terbagi menjadi dua, signifikansi

praktis dan signifikansi statistik. Kriteria signifikansi praktis adalah faktor loading

lebih besar dari 0.5, karena semakin besar faktor loading semakin mudah

menginterpretasikan faktor tersebut. Kriteria signifikansi statistik dapat dilihat

pada Tabel 2.1.


commit to user

II-19

Tabel 2.1 Identifikasi Signifikansi Faktor Loading Berdasar Jumlah Sampel

Faktor Loading Jumlah sampel

minimum

0,30

0,35

0,40

0,45

0,50

0,55

0,60

0,65

0,70

0,75

350

250

200

150

120

100

85

70

60

50 Sumber : Studi Pustaka, 2011

Langkah-langkah interpretasi matriks faktor antara lain memeriksa faktor

loading pada matriks faktor, mengidentifikasi faktor loading terbesar untuk setiap

variabel, menggabungkan variabel ke dalam faktor, menghapus variabel dan

memberikan nama atau label pada faktor terbentuk yang mencerminkan arti

gabungan dari variabel-variabel penyusunnya.

H. Validitas

Validitas berasal dari kata validity yang mempunyai arti sejauhmana

ketepatan dan kecermatan suatu instrumen ukur dalam melakukan fungsi ukurnya

(Azwar, 1997). Validitas menunjukkan sejauh mana suatu instrumen ukur itu

dapat mengukur apa yang ingin diukur. Suatu tes atau instrumen ukur dapat

dikatakan mempunyai validitas yang tinggi apabila alat tersebut menjalankan

fungsi alat ukurnya, atau memberikan hasil ukur, yang sesuai dengan maksud

dilakukannya pengukuran tersebut. Tes yang menghasilkan data yang tidak

relevan dengan tujuan pengukuran dikatakan sebagai tes yang memiliki validitas

rendah. Dalam hal ini, faktor yang mempengaruhi validitas adalah pewawancara,

responden (yang diwawancarai), dan instrumen ukur yang digunakan.

I. Reliabilitas

Reliabilitas adalah indeks yang menunjukkan sejauh mana suatu instrumen

ukur dapat dipercaya atau dapat diandalkan (Singarimbun, 1989). Bila suatu

instrumen ukur dipakai dua kali – untuk mengukur konsep yang sama dan hasil

pengukuran yang diperoleh relatif konsisten, maka instrumen ukur tersebut


commit to user

II-20

reliabel. Dengan kata lain, reliabilitas menunjukkan konsistensi suatu instrumen

ukur di dalam mengukur konsep yang sama.

Reliabilitas diartikan sebagai tingkat kepercayaan hasil suatu pengukuran

(Azwar, 1997). Reliabilitas memberikan gambaran sejauh mana skor hasil

pengukuran terbebas dari galat pengukuran (measurement error). Pengukuran

yang memiliki reliabilitas yang tinggi disebut sebagai pengukuran yang reliabel

(reliable), yaitu dapat dipercaya.

Secara empirik, tinggi rendahnya reliabilitas ditunjukkan oleh suatu angka

yang disebut koefisien reliabilitas. Pada awalnya, tinggi rendahnya reliabilitas

suatu tes dicerminkan oleh koefisien korelasi antara skor pada dua tes yang

dikenakan pada sekelompok individu yang sama. Semakin tinggi koefisien

korelasi berarti konsistensi antara hasil pengenaan dua tes tersebut semakin baik

dan hasil ukur kedua tes tersebut dikatakan semakin reliabel. Begitu juga

sebaliknya. Di samping itu, walaupun koefisien korelasi dapat saja bertanda

negatif (–), koefisien reliabilitas selalu mengacu pada angka positif (+), karena

angka negatif tidak ada artinya bagi interpretasi reliabilitas hasil ukur.

Secara teoritis, besarnya koefisien korelasi/reliabilitas berkisar antara 0.00

– 1.00. Namun pada kenyataannya, koefisien 0.00 dan 1.00 tidak pernah tercapai

dalam pengukuran, karena konsistensi (maupun ketidakkonsistensian) yang

sempurna tidak dapat terjadi dalam pengukuran aspek-aspek psikologis dan sosial

yang menggunakan manusia sebagai subjeknya, dimana dalam diri manusia

terdapat berbagai sumber eror yang sangat mempengaruhi kecermatan hasil

pengukuran.

Langkah-langkah pengujian reliabilitas meliputi (Singarimbun, M., 1989):

1. Melakukan uji coba skala pengukuran tersebut pada responden yang

berjumlah minimal 30 orang. Dengan jumlah minimal 30 orang ini maka

distribusi nilai akan lebih mendekati kurva normal.

2. Mempersiapkan tabel tabulasi jawaban

3. Menghitung koefisien Cronbach’s Alpha dengan menggunakan rumus berikut

ini (Suhartono, I., 1995):


commit to user

II-21

tv

iv

n

n1

1 ................................................................................. (2.7)

dimana:

n = jumlah variabel/atribut

vi

= varians variabel/atribut

vt = varians nilai total

Nilai r yang diperoleh kemudian dibandingkan dengan nilai r pada tabel r

product moment, seperti pada uji validitas. Hasil pengukuran dikatakan dapat

dipercaya apabila mampu memberikan hasil ukur yang konsisten (reliable), yang

berarti dalam beberapa kali pelaksanaan pengukuran terhadap kelompok subjek

yang sama diperoleh hasil yang relatif sama, selama aspek yang diukur dalam diri

subjek memang belum berubah. Dalam hal ini, relatif sama berarti dengan tetap

menerima adanya toleransi terhadap perbedaan-perbedaan kecil di antara hasil

beberapa kali pengukuran tersebut.

2.6.2 Analisis Cluster

Analisis cluster merupakan teknik multivariat yang tujuan utamanya

adalah untuk mengelompokkan objek-objek berdasarkan kesamaan karakteristik

yang dimiliki masing-masing objek (Hair, 1998). Berdasar kriteria tertentu,

analisis cluster mengklasifikasikan objek (dapat berupa responden, produk, atau

entiti), sehingga setiap objek yang berada dalam satu grup akan bersifat saling

memiliki kemiripan (homogen/similar) sedangkan objek-objek antar grup akan

bersifat heterogen. Berdasarkan hal ini, analisis cluster akan berusaha

meminimumkan variansi di dalam cluster (within-cluster) dan memaksimumkan

variansi antar grup (between-cluster). Seperti halnya analisis faktor, pada analisis

cluster tidak ada variabel yang didefinisikan bebas atau tergantung, semua

variabel diperhitungkan secara simultan.

Satu hal yang patut dijadikan catatan dalam melakukan analisa cluster

adalah sifatnya yang ‘more an art than a science’ (Hair, 1998) sehingga dapat

dengan mudah mengalami salah terap (misapplied). Ukuran kesamaan atau

algoritma yang berbeda dapat mempengaruhi hasil. Untuk mengatasi hal ini, harus

dilakukan analisis cluster berulang-ulang dengan menggunakan metode yang


commit to user

II-22

berbeda-beda sehingga dapat menemukan pola tersembunyi dalam

pengelompokan objek-objek yang ada.

Langkah-langkah analisis cluster dapat dibagi dalam enam tahap, yaitu

penentuan tujuan analisis, penyusunan desain riset, pengujian asumsi,

pembentukan cluster (partisi) dan penilaian overall fit, interpretasi cluster, serta

profiling cluster.

A. Penentuan Tujuan

Tujuan analisis cluster terbagi menjadi tiga, yaitu taxonomy description

(analisis cluster dilakukan dengan tujuan untuk mengklasifikasikan objek-objek

ke dalam beberapa grup), data simplification (analisis cluster dilakukan untuk

menyederhanakan data, relationship identification (analisis cluster dilakukan

untuk mengidentifikasi hubungan kemiripan dan perbedaan).

Selanjutnya adalah pemilihan variabel-variabel yang akan digunakan

untuk mengkarakterisasikan objek-objek yang akan dicluster. Pemilihan variabel-

variabel ini perlu dilakukan berdasarkan pertimbangan teoritis/konseptual dan

pertimbangan kepraktisan serta harus ada dasar pemikirannya.

B. Penyusunan Desain Riset

Penyusunan desain riset analisis cluster meliputi pendeteksian outlier,

pengukuran kemiripan objek, penstandarisasian data. Outlier dapat mengubah

struktur asli dan menghasilkan cluster yang tidak representatif terhadap struktur

populasi yang sesungguhnya, oleh karena itu pendeteksian terhadap outlier sangat

diperlukan. Outlier dapat dideteksi dengan menggunakan grafik, dimana dari

grafik tersebut dapat diketahui adanya objek-objek yang mempunyai profil yang

berbeda, yang ditunjukkan dari nilai yang sangat ekstrim pada satu atau beberapa

variabel.

Pada analisis cluster, konsep kemiripan adalah sangat mendasar.

Kemiripan interobjek adalah pengukuran kesesuaian atau kemiripan antara objek

yang akan dikelompokkan. Kemiripan interobjek dapat dilihat dari tiga ukuran,

yaitu korelasi dan jarak untuk data metrik, serta asosiasi untuk data nonmetrik.

Korelasi digunakan untuk mengetahui kemiripan dapat dilihat dari

koefisien korelasi antara pasangan objek. Korelasi yang tinggi mengindikasikan

kemiripan, dan sebaliknya korelasi yang rendah mengindikasikan perbedaan.


commit to user

II-23

Tetapi, pengukuran korelasi ini sangat jarang digunakan karena penekanan

aplikasi analisis cluster adalah pada jarak objek, bukan pola nilainya.

Pengukuran jarak berdasar kemiripan yang mewakili kemiripan sebagai

kedekatan observasi dengan yang lain. Pengukuran jarak sesungguhnya adalah

pengukuran terhadap perbedaan, dimana semakin besar nilainya menunjukkan

semakin kurang kemiripannya. Jarak dikonversikan sebagai pengukuran

kemiripan dengan menggunakan hubungan kebalikan.

Pengukuran asosiasi berdasar kemiripan digunakan untuk membandingkan

objek yang termasuk data nonmetrik (nominal dan ordinal). Pengukuran ini dapat

menilai tingkat kepercayaan atau kesesuaian antara pasangan responden.

Sebelum proses dimulai, perlu ditentukan lebih dahulu apakah data perlu

distandarisasi atau tidak. Pertimbangannya adalah kebanyakan pengukuran jarak

sangat peka terhadap perbedaan skala atau besarnya variabel, variabel dengan

standar deviasi yang besar mempunyai pengaruh yang lebih terhadap nilai akhir

kemiripan, bila dilihat melalui grafik, tidak akan terlihat adanya perbedaan pada

dimensi sehubungan dengan letaknya.

Proses standarisasi dapat terbagi menjadi dua, yaitu standarisasi variabel

dan standarisasi observasi/objek. Standarisasi variabel adalah perubahan dari

setiap variabel menjadi skor standar (Z Scores) dengan mengurangi mean dan

membaginya dengan standar deviasi setiap variabel. Standarisasi observasi

dilakukan terhadap responden atau objek. Standarisasi ini sangat diperlukan, jika

clustering dilakukan dengan tujuan mengidentifikasi kepentingan relatif suatu

variabel terhadap variabel lainnya.

C. Pembentukan cluster

Proses pembentukan cluster dimulai setelah variabel-variabel yang

digunakan dipilih dan matriks korelasi dibentuk. Sebelum proses dimulai, harus

dilakukan pemilihan algoritma pembentukan cluster yang akan digunakan, dan

penentuan berapa jumlah cluster yang akan dibentuk. Algoritma pembentukan

cluster terdiri dari prosedur hierarki dan nonhierarki.

Teknik hirarki adalah teknik clustering yang membentuk konstruksi hirarki

atau berdasarkan tingkatan tertentu seperti struktur pohon. Jadi proses


commit to user

II-24

pengelompokan dilakukan secara bertingkat atau bertahap. Teknik hirarki terbagi

menjadi dua, yaitu metode agglomeratif dan divisif.

Metode agglomeratif dimulai dengan pernyataan bahwa setiap objek

membentuk clusternya masing-masing. Dua objek dengan jarak terdekat

bergabung, selanjutnya objek ketiga akan bergabung dengan cluster yang ada atau

bersama objek yang lain membentuk cluster baru. Hal ini dilakukan dengan tetap

memperhitungkan jarak kedekatan antar objek. Proses akan terus berlanjut hingga

akhirnya terbentuk satu cluster yang terdiri dari keseluruhan objek. Metode

agglomeratif terbagi atas single linkage (nearest neighbor approach), complete

linkage (furthest neighbor approach), average linkage (between-groups

approach), ward’s error sum of squares method (ward’s method), dan centroid

method.

Metode divisif berlawanan dengan metode agglomeratif. Metode dimulai

dengan satu cluster besar yang mencakup semua observasi (objek), kemudian

objek yang memiliki ketidakmiripan besar dipisahkan sehingga membentuk

cluster yang lebih kecil, dan seterusnya untuk objek-objek yang tidak mirip

lainnya. Proses pemisahan terus berlanjut hingga setiap observasi adalah cluster

bagi dirinya sendiri. Berbeda dengan metode agglomeratif, yang bergerak dari kiri

ke kanan, metode divisif bergerak dari kanan ke kiri.

Berbeda dengan prosedur hirarki, prosedur nonhirarki tidak melibatkan

proses pembentukan konstruksi struktur pohon. Dimulai dengan memilih

sejumlah nilai cluster awal sesuai dengan jumlah yang diinginkan kemudian objek

digabungkan ke dalam cluster-cluster tersebut. Metode nonhirarki yang digunakan

adalah K-Means clustering, yang terbagi atas sequential treshold method, parallel

treshold method dan optimizing.

D. Interpretasi Cluster

Pada tahap ini yang perlu diperhatikan adalah karakteristik apa yang

membedakan masing-masing cluster kemudian sesuai dengan tujuan, pemberian

nama dilakukan berdasar apa yang dapat diberikan oleh objek pembentuk kepada

masing-masing cluster tersebut. Tentunya terlebih dahulu perlu ditentukan

spesifikasi/kreteria yang mendasari cluster-cluster yang telah terbentuk. Di

samping itu, interpretasi dari hasil clustering dapat dilakukan terhadap grafik


commit to user

II-25

dendogram maupun analisis nilai koefisien agglomeratif. Jarak antar

pengelompokan sebenarnya merupakan interpretasi dari beberapa nilai kedekatan

dalam menggabungkan objek dalam cluster.

Interpretasi cluster menghasilkan lebih dari hanya suatu deskripsi.

Interpretasi cluster memberikan penilaian kesesuaian cluster yang terbentuk

berdasar teori prioritas atau pengalaman praktek. Dalam konfirmatori, analisis

cluster memberikan pengertian secara langsung terhadap penilaian kesesuaian.

Cluster juga memberikan langkah-langkah untuk membuat suatu penilaian dari

segi signifikansi prakteknya.

E. Profiling Cluster

Tahap profiling meliputi penggambaran karakteristik dari setiap cluster

untuk menjelaskan bahwa masing-masing cluster adalah berbeda berdasar

dimensi-dimensi tertentu. Analisis profil tidak memfokuskan pada apa yang

secara langsung menentukan cluster tapi karakteristik cluster setelah proses

identifikasi. Lebih lanjut, adanya penegasan bahwa karakteristik adalah berbeda

secara signifikan terhadap cluster dan dapat memprediksikan anggota-anggota

cluster secara lebih spesifik.

2.7 Penelitian Sebelumnya

Penelitian yang digunakan sebagai acuan atau landasan dalam teori ini

adalah penelitian yang dilakukan oleh Wahyudi (2010) yang berjudul “Analisis

Konsumsi Dan Perilaku Konsumen Dalam Penggunaan Energi Bahan Bakar

Minyak Untuk Kendaraan Bermotor Di Surakarta”. Penelitian ini mengambil studi

kasus bahan bakar minyak di kotamadya Surakarta dengan memakai model

faktor-faktor yang mempengaruhi perilaku pembelian konsumen. Penelitian ini

menggunakan metode pengolahan data yang sama yaitu analisis cluster dalam

menentukan karakteristik konsumen, namun berbeda dalam pengambilan studi

kasus serta model yang diterapkan. Secara detail perbedaan penelitian tersebut

disajikan pada tabel 2.2.


commit to user

II-26

Tabel 2.2 Perbedaan dengan Penelitian Terdahulu

Dias Tri Kristanto Sukma Hendra Wahyudi S

Studi Kasus

Merancang Strategi Pemasaran Untuk

Mengalihkan Pengguna Premium

Menjadi Pengguna Pertamax

Analisis Konsumsi Dan Perilaku Konsumen

Dalam Penggunaan Energi Bahan Bakar

Minyak Untuk Kendaraan Bermotor Di

Surakarta

Model Penelitian

Model faktor yang dipengaruhi oleh

bauran pemasaran 4P (Product, Price,

Promotion, Place )

Model faktor yang dipengaruhi perilaku

konsumen (Kotler) dan dikembangkan

dengan model tingkat konsumsi konsumen.

Menggunakan faktor dan

variabel penelitian yang

berbeda.

Pengolahan Data Analisis faktor dan analisis cluster

Analisis cluster dan analisis perhitungan

tingkat konsumsi BBM

PerbedaanBagian Keterangan


commit to user

III-1

BAB III

METODOLOGI PENELITIAN

Pada bab ini diuraikan secara sistematis mengenai tahapan yang dilakukan

dalam penelitian mengenai ”Analisis Segmen Pengguna Bahan Bakar Minyak

(Premium dan Pertamax) Sebagai Dasar Penyusunan Strategi Pemasaran” yang

digambarkan dalam diagram alir (flow chart) pada gambar 3.1.

Gambar 3.1. Metodologi penelitian

Mulai

Studi Pustaka

Penyusunan Atribut :

1. Penyusunan Kuesioner I

2. Penyebaran Kuesioner I

Studi Lapangan

Pengambilan Data Tingkat

Kepentingan :

1. Penyusunan Kuesioner II

2. Penyebaran Kuesioner II

Tahap Pendahuluan

Tahap Pengumpulan Data

Penentuan Desain

Sampling & Riset

Penetapan Variabel Penelitian

Analisis Faktor

Selesai

Interpretasi Hasil

Kesimpulan dan Saran

Analisis Cluster

Tahap Pengolahan Data

Tahap Kesimpulan dan Saran Strategi Pemasaran


commit to user

III-2

Bab ini membahas model penelitian dan kerangka pikir/metodologi yang

digunakan dalam penelitian beserta penjelasan singkat setiap tahapannya.

Metodologi penelitian terdiri dari tahap pendahuluan, studi lapangan dan studi

pustaka, penyusunan dan penyebaran kuesioner awal, identifikasi variabel

penelitian, pengumpulan data, pengolahan data, interpretasi hasil dan kesimpulan

dan saran.

3.1 Tahap Pendahuluan

Tahap pendahuluan terdiri dari studi lapangan dan studi pustaka,

menentukan dasar-dasar penelitian, penentuan desain sampling dan riset,

penetapan variabel penelitian dan penyusunan kuesioner awal. Adapun penjelasan

dari tiap langkah yang ada pada tahap pendahuluan, sebagai berikut:

3.1.1 Studi Lapangan dan Studi Pustaka

Studi lapangan dilakukan untuk mengetahui secara realistik karakteristik

obyek penelitian, perbuatan, kejadian atau peristiwa dan waktu sehingga dapat

mengetahui hambatan dan kendala yang mungkin terjadi saat melakukan

pengamatan. Studi lapangan yang dilakukan adalah melakukan wawancara ke

masyarakat Surakarta mengenai bahan bakar minyak jenis premium maupun

pertamax. Wawancara ini dilakukan untuk mengetahui informasi mengenai

atribut-atribut yang dipertimbangkan dalam penggunaan bahan bakar minyak jenis

premium dan pertamax.

Setelah melakukan studi lapangan, langkah selanjutnya adalah merangkum

konsep, teori dan literatur yang mendukung serta relevan dengan penelitian yang

akan dilakukan. Referensi-referensi ini diperoleh melalui buku literatur, web,

artikel dan teori-teori yang berhubungan dengan penelitian.

Data studi lapangan dan studi pustaka ini digunakan sebagai dasar dan

referensi untuk membangun kerangka konseptual serta karakterisasi sistem nyata

ke dalam model penelitian.

3.1.2 Penentuan Desain Sampling & Riset

Responden dalam penelitian ini adalah pemilik mobil pribadi dan

menggunakan bahan bakar minyak premium maupun pertamax. Responden dipilih

berdasarkan pertimbangan bahwa potensi pemilik mobil pribadi yang masih

menggunakan premium untuk dapat beralih menggunakan pertamax lebih besar.


commit to user

III-3

Berdasarkan analisis multivariat, jumlah responden yang dibutuhkan pada

penelitian adalah sedikitnya lima kali pengamatan untuk setiap variabel yang

dianalisis.

3.1.3 Penetapan Variabel Penelitian

Varibel penelitian yang digunakan pada penelitian ini didasarkan pada

variabel produk. Dengan dipilihnya variabel produk sebagai variabel penelitian,

hasil yang diharapkan adalah segmentasi persepsi dari pengguna bahan bakar

minyak premium dan pertamax terhadap premium dan pertamax itu sendiri.

Identifikasi variabel penelitian dilakukan dengan didasarkan pada studi pustaka

dan dilanjutkan dengan penetapan atribut penelitian yang sesuai dengan penelitian

yang akan dilakukan. Variabel yang digunakan pada penelitian ini didasarkan

pada variabel produk menurut Kotler dan Keller (2008), Kotler dan Amstrong

(2008), Tjiptono (2008) dan Santon (2008) serta bauran pemasaran menurut

Kotler dan Amstrong (2008).

3.2 Tahap Pengumpulan Data

Tahap pengumpulan data terdiri dari penyusunan atribut (penyusunan

kuesioner I dan penyebaran kuesioner I) dan pengambilan data tingkat

kepentingan (penyusunan kuesioner II dan penyebaran kuesioner II). Adapun

penjelasan dari tiap langkah pada tahap pengumpulan data, sebagai berikut:

3.2.1 Penyusunan Kuesioner I

Penyusunan kuesioner I dilakukan untuk mengetahui hal-hal penting yang

relevan dengan penelitian untuk dijadikan sebagai masukan. Kuesioner I

digunakan untuk mendapatkan data mengenai variabel yang dianggap penting

bagi konsumen dalam memilih dan menggunakan bahan bakar minyak yang

mungkin terlewatkan dalam identifikasi variabel dari studi pustaka. Atribut awal

yang didapat dari variabel produk menurut Kotler dan Keller (2008), Kotler dan

Amstrong (2008), Tjiptono (2008), Santon (2008) serta bauran pemasaran

menurut Kotler dan Amstrong (2008) yang telah disesuaikan dengan objek

penelitian, selanjutnya digunakan sebagai dasar dalam penyusunan kuesioner I.

Daftar atribut yang disertakan dalam penyusunan kuesioner I dapat dilihat pada

Tabel 4.3 halaman IV-2.


commit to user

III-4

Kuesioner I disusun dengan pertanyaan semi terbuka. Hal ini dilakukan

untuk memberikan ruang kepada konsumen apabila memiliki jawaban atau

variabel yang dianggap penting dalam memilih dan menggunakan bahan bakar

minyak premium dan pertamax, akan tetapi jawaban atau variabel tersebut belum

tersedia pada pilihan jawaban. Bentuk kuesioner I dapat dilihat pada Lampiran 1

pada halaman L-1.

3.2.2 Penyebaran Kuesioner I

Penyebaran kuesioner dilakukan berdasar hasil desain pengambilan sampel

pada tahap sebelumnya. Kuesioner diberikan dengan mengambil responden

pemilik mobil pribadi yang ada di wilayah Surakarta. Jumlah kuesioner yang

disebar adalah 30 kuesioner, hal ini dikarenakan 30 sampel merupakan ukuran

minimal yang diperlukan untuk populasi homogen (Kerlinger dan Lee, 2000) dan

pertimbangan bahwa kuesioner I hanya digunakan sebagai masukan variabel yang

mungkin terlewatkan dalam proses identifikasi variabel studi pustaka. Kuesioner I

disebar di SPBU di wilayah Kota Surakarta dengan responden pengguna mobil

yang kebetulan sedang mengisi bahan bakar di SPBU tersebut. Kuesioner I

disebar dengan menggunakan metode accidental sampling.

3.2.3 Penyusunan Kuesioner II

Seluruh variabel yang didapatkan dari identifikasi variabel dan penyebaran

kuesioner I kemudian digunakan sebagai dasar dalam menyusun kuesioner II.

Kuesioner ini bersifat tertutup dimana terdapat beberapa alternatif jawaban

pertanyaan dan responden tidak diberi kesempatan untuk memberikan jawaban

lain, kecuali diperlukan. Kuesioner II terdiri dari dua bagian. Bagian I terdiri dari

15 pertanyaan mengenai informasi yang dimiliki responden terhadap perbedaan

premium dan pertamax serta pandangan responden terhadap kebijakan yang akan

diambil pemerintah terkait pembatasan premium. Bagian II merupakan penilaian

responden terhadap tingkat kepentingan atribut bahan bakar minyak yang menjadi

dasar pertimbangan dalam memilih dan menggunakan bahan bakar minyak.

Pilihan jawaban bagian II tersedia dalam bentuk skala 1 untuk sangat penting

sampai skala 5 untuk sangat tidak penting. Bentuk kuesioner II dapat dilihat pada

Lampiran 2 pada halaman L-3.


commit to user

III-5

3.2.4 Penyebaran Kuesioner II

Setelah kuesioner II selesai disusun maka tahap selanjutnya adalah

penyebaran kuesioner II. Kuesioner diberikan pada sampel responden yang

relevan terhadap penelitian. Dalam hal ini, responden penelitian adalah pemilik

mobil pribadi yang menggunakan bahan bakar minyak premium maupun

pertamax. Sampel diambil secara accidental sampling dari pemilik mobil pribadi

yang menggunakan bahan bakar minyak premium maupun pertamax. Jumlah

kuesioner yang disebar adalah 150 kuesioner, hal ini untuk mengantisipasi jika

ada kuesioner yang rusak atau tidak diisi. Jumlah tersebut sudah sangat memenuhi

jumlah minimum sampel yang harus diambil yaitu sebesar minimum rasio 1 : 5

untuk jumlah variabel : jumlah pengamatan sehingga untuk 15 variabel yang akan

dianalisis dibutuhkan minimum 75 pengamatan (Hair, 2010). Kuesioner II

disebar di dua pencucian mobil dan motor dengan pertimbangan keleluasaan

waktu untuk wawancara dan pengisian kuesioner (Oktober 2011). Responden

diminta untuk menjawab semua pertanyaan dengan memberikan tanda silang pada

pilihan jawaban yang sudah tersedia. Hasil dari penyebaran kuesioner selanjutnya

akan dijadikan sebagai dasar pada tahap pengolahan data.

3.3 Tahap Pengolahan Data

Data dari kuesioner II yang telah terkumpul kemudian digunakan pada

analisis faktor untuk menyederhanakan atribut yang terbentuk dan analisis cluster

untuk menggambarkan segmen pengguna bahan bakar minyak premium dan

pertamax. Metode Pengolahan Data yang digunakan dalam penelitian ini adalah

analisis faktor dan analisis cluster yang dilakukan dengan bantuan paket program

Statistical Package for Social Science (SPSS) 16.0.


Proses analisis faktor dilakukan untuk mengekstrak variabel-variabel

penelitian yang biasanya berjumlah sangat banyak menjadi beberapa variabel baru

(faktor) sehingga memudahkan pengolahan data selanjutnya dengan tetap

mempertahankan informasi awal yang terkandung di dalamnya. Data yang akan

akan digunakan pada analisis faktor adalah data yang berasal dari kuesioner II

bagian II. Kuesioner II bagian II merupakan bagian kuesioner yang

mengumpulkan data mengenai tingkat kepentingan masing-masing variabel


commit to user

III-6

penelitian berdasarkan persepsi responden. Data tersebut menggunakan skala

likert yang berkisar dari 1 (sangat penting) sampai 5 (sangat tidak penting). Proses

pengolahan data analisis faktor dapat dilihat pada Gambar 3.2.

A. Pengujian Data

Pengujian data yang dilakukan meliputi pengujian grafis dan uji outlier.

Pengujian grafis digunakan untuk memahami karakteristik dasar dari data yang

akan digunakan pada penelitian. Histogram digunakan untuk menggambarkan

karakteristik dasar variabel individu dan hubungan antara variabel secara

sederhana. Sedangkan boxplot digunakan untuk menggambarkan perbedaan

antara pasangan kelompok dan keseluruhan tingkat perbedaan antar kelompok dan

keberadaan outlier yang selanjutnya akan digunakan analisis yang lebih empiris

(uji outlier) untuk mendeteksinya.

Uji outlier digunakan untuk mengetahui jika ada nilai ekstrim pada atribut

tertentu. Langkah dalam pengujian outlier adalah deteksi univariat dan deteksi

multivariat. Deteksi univariat digunakan untuk memeriksa pengamatan pada

masing-masing atribut individual. Sedangkan deteksi multivariat digunakan untuk

mengukur jarak masing-masing pengamatan dalam ruang multidimensi dari pusat

rata-rata dari semua pengamatan.

Gambar 3.2 Proses Pengolahan Data Analisis Faktor Sumber: Hair, 2010.

Penentuan Tujuan

Pengujian Asumsi

Ekstraksi Faktor dan

Penentuan Jumlah Faktor

Rotasi Matriks Faktor

Interpretasi Faktor

Validitas

Reliabilitas

Pengujian Data

Penyusunan Desain Riset


commit to user

III-7

B. Penentuan Tujuan

Tujuan Analisis faktor adalah untuk mereduksi atribut awal menjadi suatu

set variabel baru yang jumlahnya lebih kecil, yang dinamakan faktor untuk

menggantikan atribut-atribut awal.

C. Penyusunan Desain Riset

Pada penelitian ini analisis faktor yang akan digunakan adalah analisis

faktor jenis-R. Analisis faktor jenis-R digunakan karena tujuan dari analisis faktor

pada penelitian ini adalah untuk melihat korelasi atau hubungan antar atribut.

Ukuran sampel yang akan digunakan pada penelitian ini adalah sebesar 150

sampel. Ukuran sampel yang lebih dari 100 memberikan dasar yang memadai

untuk perhitungan korelasi antara atribut.

D. Pengujian Asumsi

Asumsi-asumsi yang harus dipenuhi untuk menilai tepat atau tidaknya

menggunakan analisis faktor tersebut adalah asumsi korelasi, KMO and Bartlett’s

Test, dan asumsi ukuran kecukupan sampling (Measure of Sampling Adequacy).


Ekstraksi faktor bertujuan untuk menghasilkan sejumlah faktor dari data

yang ada. Ekstraksi faktor diperoleh dengan menggunakan metode Principal

Component Analysis (PCA). Dalam ekstraksi faktor ini, digunakan nilai

eigenvalue untuk menyatakan nilai variansi variabel. Kriteria yang akan

digunakan dalam menentukan jumlah faktor yang harus dipertahankan untuk

interpretasi adalah latent root criterion dan scree test.


Pendekatan yang akan dilakukan dalam rotasi matriks faktor dalam

penelitian ini adalah Varimax. Varimax berpusat pada kriteria menyederhanakan

kolom dari matriks faktor. Dengan pendekatan rotasi varimax, penyederhanaan

maksimum akan tercapai jika hanya ada 1 dan 0 dalam kolom. Interpretasi yang

paling mudah bila korelasi faktor-atribut adalah dekat dengan +1 atau -1, sehingga

menunjukkan hubungan positif atau negatif yang jelas antara faktor dan atribut,

atau mendekati 0 yang menunjukkan dengan jelas kurangnya asosiasi. Ini akan

lebih memperjelas distribusi variabel pada faktor-faktor yang ada secara lebih

signifikan dan nyata.


commit to user

III-8


Interpretasi faktor dilakukan dengan mengelompokkan variabel-variabel

ke dalam faktor-faktor hasil rotasi berdasar faktor loadingnya. Kemudian faktor-

faktor tersebut diberi nama yang dianggap bisa mewakili variabel-variabel

anggota faktor tersebut. Factor scores dari faktor-faktor yang telah dapat

diekstrak pada analisis faktor akan digunakan sebagai data input pada analisis

cluster.

H. Validitas

Validitas digunakan untuk memastikan analisis faktor dapat diterapkan

pada seluruh populasi. Validitas dilakukan dengan cara membagi sampel menjadi

dua bagian lalu melakukan rotasi faktor matriks.

I. Reliabilitas

Uji reliabilitas dilakukan untuk mengetahui konsistensi suatu instrumen ukur

di dalam mengukur konsep yang sama. Adapun hipotesa untuk pengujian

reliabilitas adalah bahwa skor masing-masing atribut berkorelasi positif dengan

komposit set atributnya. Uji reliabilitas dilakukan dengan metode konsistensi inter

item, yang dilakukan dengan menghitung koefisien Cronbach’s Alpha

menggunakan persamaan (2.7). Skor-skor tersebut kemudian dibandingkan

dengan angka korelasi (r) product moment yang dapat dilihat pada Lampiran 5

pada halaman L-13. Apabila angka hasil perhitungan Cronbach’s Alpha lebih

besar dari nilai tabel, maka hipotesa dapat diterima, serta disimpulkan bahwa nilai

masing-masing atribut berkorelasi positif dengan komposit set variabelnya.

3.3.2 Analisis Cluster

Proses analisis cluster dilakukan untuk mengelompokkan objek-objek

berdasar kesamaan karakteristik di antara objek-objek tersebut, sehingga objek-

objek yang berada dalam satu cluster akan mempunyai kedekatan hubungan satu

sama lain. Data yang akan diolah dengan menggunakan analisis cluster adalah

factor scores yang merupakan output dari analisis faktor. Proses pengolahan data

analisis cluster dapat dilihat pada Gambar 3.3.


commit to user

III-9

Gambar 3.3 Proses Pengolahan Data Analisis Cluster Sumber: Hair, 2010.

A. Penentuan Tujuan

Analisis cluster dilakukan dengan tujuan eksplorasi (exploratory

purpose), yaitu untuk mengklasifikasikan semua responden dalam sampel ke

dalam beberapa grup yang disebut cluster. Cluster yang terbentuk merupakan

gambaran segmen-segmen pasar yang terdapat dalam populasi pengguna premium

maupun pertamax di wilayah Surakarta.


Penyusunan desain riset analisis cluster meliputi deteksi outlier,

pengukuran kemiripan objek dan penstandarisasian data jika data sangat bervariasi

dalam satuan. Deteksi outlier dilakukan untuk mengamati adanya outlier yang

muncul sebelum dilakukan pengukuran kemiripan objek. Deteksi outlier

dilakukan dengan menghitung nilai mean dari masing-masing faktor yang

selanjutnya akan digunakan untuk menghitung nilai dissimilarity yang

menunjukkan perbedaan masing-masing observasi dari observasi lainnya.

Pengukuran kemiripan objek dilakukan dengan menghitung jarak euclidean

kuadrat karena keenam atribut merupakan data metric. Sedangkan

penstandarisasian data tidak perlu dilakukan karena semua atribut dicatat dari

skala yang sama (1 sampai 5).

C. Pembentukan Cluster

Pembentukan cluster dilakukan dengan menggunakan prosedur hierarkis

untuk menggambarkan seluruh solusi cluster yang memungkinkan yang

selanjutnya akan digunakan untuk menetapkan jumlah cluster akan dibentuk.

Kumpulan solusi awal ini selanjutnya akan dianalisis menggunakan prosedur

Penentuan Tujuan

Penyusunan Desain Riset

Pembentukan Cluster

Interpretasi Cluster

Profiling Cluster


commit to user

III-10

nonhierarkis untuk menentukan solusi cluster akhir. Algoritma cluster yang akan

digunakan dalam analisis ini adalah ukuran kemiripan (squared euclidean

distances) dengan metode ward. Metode ward digunakan karena kecenderungan

untuk menghasilkan cluster yang homogen dan relatif memiliki ukuran yang

sama.

D. Interpretasi Cluster

Pada tahap ini, interpretasi cluster dilakukan pada solusi akhir hasil dari

analisis cluster dengan menggunakan prosedur nonhierarkis. Interpretasi cluster

menekankan pada karakteristik yang membedakan masing-masing cluster dengan

cluster yang lain.

E. Profiling Cluster

Tahap ini dilakukan untuk menentukan profil masing-masing cluster yang

terbentuk sebagai dasar penyusunan strategi pemasaran yang tepat untuk masing-

masing cluster. Cluster yang telah terbentuk selanjutnya akan ditentukan profilnya

untuk memudahkan dalam menentukan strategi pemasaran yang tepat.

3.4 Interpretasi Hasil

Output pengolahan data dari tiap bagian diinterpretasikan. Dari hasil

analisis dan interpretasi didapatkan informasi yang diharapkan dapat bermanfaat

sebagai dasar penyusunan strategi pemasaran.

3.5 Strategi Pemasaran

Cluster premium yang terbentuk dibandingkan dengan cluster pertamax

untuk mencari kemiripan yang muncul dan dari kemiripan tersebut diusulkan

strategi pemasaran yang tepat untuk masing-masing cluster premium untuk dapat

beralih menjadi pengguna pertamax.

3.6 Kesimpulan dan Saran

Pada langkah kesimpulan dan saran ditarik kesimpulan dimana kesimpulan

ini dibuat berdasarkan analisis pengolahan data dan juga memberikan saran-saran

dimana saran berisi masukan untuk pemerintah maupun penelitian-penelitian

berikutnya agar dapat lebih baik lagi.


commit to user

IV-1

BAB IV

PENGUMPULAN DAN PENGOLAHAN DATA

Bab ini membahas tentang proses pengumpulan data berikut data

responden serta proses pengolahan data yang terdiri dari pengujian data, analisis

multivariat yang relevan terhadap penelitian yaitu analisis faktor dan analisis

cluster, serta strategi pemasaran untuk masing-masing segmen.

4.1 Penetapan Variabel Penelitian

Dari studi pustaka didapatkan 19 variabel awal yang mempengaruhi

konsumen dalam memilih bahan bakar minyak jenis premium dan pertamax.

Seluruh variabel awal tersebut digunakan sebagai dasar dalam penyusunan

kuesioner awal. Daftar lengkap variabel tersebut, sumber dan keterangannya dapat

dilihat pada tabel 4.1.

Tabel 4.1 Daftar Variabel Produk dari Studi Pustaka

Variabel yang didapat dari studi pustaka harus disesuaikan dengan produk

yang akan diteliti. Oleh karena itu, diperlukan penyesuaian untuk beberapa

variabel yang akan disertakan dalam penyusunan kuesioner I. Hal ini

dimaksudkan untuk memudahkan responden dalam memilih variabel yang

dianggap penting dalam menggunakan bahan bakar jenis premium dan pertamax.

Daftar variabel penelitian setelah dilakukan penyesuain dapat dilihat pada tabel

4.2.

1 Bentuk P. Kotler dan Kevin Lane Keller Ukuran, bentuk atau struktur fisik produk.

2 Fitur P. Kotler dan Kevin Lane Keller Fungsi tambahan yang melengkapi fungsi dasar suatu pproduk.

3 Penyesuaian P. Kotler dan Kevin Lane Keller Diferensiasi produk sesuai keinginan konsumen.

4 Kualitas Kinerja P. Kotler dan Kevin Lane Keller Kemampuan produk untuk melaksanakan fungsinya.

5 Kualitas Kesesuaian P. Kotler dan Kevin Lane Keller Produk diproduksi identik dan memenuhi spesifikasi yang dijanjikan

6 Ketahanan P. Kotler dan Kevin Lane Keller Ukuran umur operasi harapan produk

7 Keandalan P. Kotler dan Kevin Lane Keller Ukuran probabilitas bahwa produk tidak akan gagal/rusak dalam periode waktu tertentu

8 Kemudahan Perbaikan P. Kotler dan Kevin Lane Keller Ukuran kemudahan perbaikan produk

9 Gaya P. Kotler dan Kevin Lane Keller Penampilan dan rasa produk kepada pembeli

10 Desain P. Kotler dan Kevin Lane Keller Totalitas fitur yang mempengaruhi tampilan, rasa, dan fungsi produk

11 Merek P. Kotler dan Gary Amstrong Suatu nama atau lambang yang menunjukkan identitas pembuat produk

12 Kemasan P. Kotler dan Gary Amstrong Semua kegiatan merancang dan memproduksi wadah untuk produk

13 Pelayanan P. Kotler dan Gary Amstrong Kegiatan yang terjadi dalam interaksi langsung dengan pembeli.

14 Label P. Kotler dan Gary Amstrong Penanda sederhana yang ditempelkan pada produk

15 Jaminan/Garansi Fandy Tjiptono Komitmen produsen untuk memberikan ganti rugi atas produk yang gagal.

16 Warna William J. Stanton Karakteristik atau ciri suatu produk dilihat dari pandangan mata.

17 Harga Bauran Pemasaran Jumlah yang ditagihkan atas suatu produk atau jasa.

18 Tempat Bauran Pemasaran Kegiatan perusahaan yang membuat produk tersedia bagi pelanggan sasaran

19 Promosi Bauran Pemasaran Aktivitas yang menyampaikan manfaat produk dan membujuk pelanggan membelinya

No. Variabel Sumber Keterangan


commit to user

IV-2

Tabel 4.2 Daftar Variabel Penelitian Setelah Penyesuaian

Setelah dilakukan penyesuaian terhadap variabel awal yang didapat dari

studi pustaka, maka daftar variabel yang akan ditetapkan dalam kuesioner I adalah

kualitas kesesuaian, irit, prestise, merek, pelayanan, harga, ketersediaan dan iklan.

Dari delapan variabel yang didapat dari studi pustaka, maka langkah

selanjutnya adalah menetapkan atribut yang lebih terperinci dari variabel tersebut.

Daftar variabel dan atribut yang telah ditetapkan dan akan disertakan dalam

kuesioner awal dapat dilihat pada tabel 4.3.

Tabel 4.3 Daftar Variabel dan Atributnya

4.2 Tahap Pengumpulan Data

Tahap pengumpulan data terdiri dari penyusunan kuesioner I, penyebaran

kuesioner I, penyusunan kuesioner II dan penyebaran kuesioner II.

1 Bentuk Dihapuskan Premium & Pertamax memiliki bentuk yang sama

2 Fitur Dihapuskan Premium & Pertamax tidak memiliki fungsi tambahan

3 Penyesuaian Dihapuskan Premium & Pertamax tidak memiliki differensiasi produk

4 Kualitas Kinerja Dihapuskan Premium & Pertamax memiliki fungsi yang sama

5 Kualitas Kesesuaian Dipertahankan Premium & Pertamax memiliki spesifikasi yang berbeda

6 Ketahanan Dipertahankan Diganti dengan "Irit"

7 Keandalan Dihapuskan Premium & Pertamax berwujud bahan bakar yang langsung habis setelah digunakan

8 Kemudahan Perbaikan Dihapuskan Premium & Pertamax berwujud bahan bakar yang langsung habis setelah digunakan

9 Gaya Dihapuskan Premium & Pertamax memiliki penampilan/wujud yang sama.

10 Desain Dipertahankan Diganti dengan "Prestise"

11 Merek Dipertahankan Premium & Pertamax memiliki merek yang berbeda

12 Kemasan Dihapuskan Premium & Pertamax tidak memiliki kemasan

13 Pelayanan Dipertahankan Premium & Pertamax dimungkinkan memiliki pelayanan yang berbeda

14 Label Dihapuskan Premium & Pertammax tidak memiliki label pada produk

15 Jaminan/Garansi Dihapuskan Premium & Pertamax tidak memiliki garansi produk

16 Warna Dihapuskan Premium & Pertamax memiliki warna yang sama

17 Harga Dipertahankan Premium & Pertamax memiliki harga yang berbeda

18 Tempat Dipertahankan Diganti dengan "Ketersediaan"

19 Promosi Dipertahankan Diganti dengan "Iklan"

No. Variabel Penetapan Keterangan

1 Ketahanan Keiritan

2 Kualitas Kesesuaian Kesesuaian takaran (volume yang sesuai)

Kesesuaian nilai oktan

3 Desain Nilai prestise

4 Merek Perusahaan yang memproduksi

5 Pelayanan Pelayanan operator

Kemudahan melakukan pembayaran

6 Harga Harga

7 Ketersediaan Ketersediaan

8 Iklan Pengaruh iklan

No. Variabel Atribut


commit to user

IV-3

4.2.1 Penyusunan Kuesioner I

Setelah didapatkan daftar variabel dan atribut dari studi pustaka maka

dilakukan penyusunan kuesioner I. Daftar variabel dan atribut dalam kuesioner I

dapat dilihat pada Lampiran 1 pada halaman L-1.

4.2.2 Penyebaran Kuesioner I

Setelah dilakukan penyusunan kuesioner I maka langkah selanjutnya

adalah penyebaran kuesioner I. Kuesioner I disebar di SPBU yang terletak di Jalan

Bhayangkara Kelurahan Panularan Kota Surakarta (sebelah utara SMA Negeri 7

Surakarta) dengan responden berupa pengguna mobil yang kebetulan sedang

mengisi bahan bakar di SPBU tersebut. Hasil kuesioner I ini digunakan sebagai

dasar dalam penyusunan kuesioner II terutama dalam penyusunan pertanyaan

tingkat kepentingan variabel-variabel penelitian. Dari penyebaran kuesioner I

didapat masukan atribut dari responden sebanyak lima atribut. Kelima atribut

yang menjadi masukan tersebut dapat dilihat pada tabel 4.4.

Tabel 4.4 Daftar Atribut Tambahan dari Responden

Kelima atribut tersebut kemudian digabungkan dengan sepuluh atribut

sebelumnya. Dari penggabungan tersebut didapat lima belas atribut.

Penggabungan atribut digunakan sebagai dasar dalam penyusunan kuesioner II.

Untuk lebih lengkapnya dapat dilihat pada tabel 4.5.

Tabel 4.5 Daftar Atribut Gabungan

1 Pelayanan Sistem antrian

Jaminan ketepatan pengembalian

2 Harga Stabilitas harga

3 Pendekatan persuasif Fatwa pemuka agama

Himbauan pemerintah


1 Ketahanan Keiritan

2 Kualitas Kesesuaian Kesesuaian takaran (volume yang sesuai)

Kesesuaian nilai oktan

3 Desain Nilai prestise

4 Merek Peusahaan yang memproduksi

5 Pelayanan Pelayanan operator

Kemudahan pembayaran

Sistem antrian

Jaminan ketepatan pengembalian

6 Harga Harga

Stabilitas harga

7 Ketersediaan Ketersediaan

8 Iklan Pengaruh iklan

9 Pendekatan persuasif Fatwa pemuka agama

Himbauan pemerintah



commit to user

IV-4

Setelah didapat atribut yang menjadi pertimbangan responden dalam

menggunakan bahan bakar jenis premium maupun pertamax, maka langkah

selanjutnya adalah menentukan jumlah minimal pengamatan yang diperlukan.

Berdasarkan analisis multivariat, jumlah pengamatan yang diperlukan sedikitnya

5x pengamatan untuk setiap atribut yang akan dianalisis. Jumlah atribut yang akan

dianalisis pada penelitian ini adalah 15 atribut sehingga jumlah pengamatan yang

dilakukan harus lebih besar dari 75 pengamatan (Hair, 2010). Pada penelitian ini

jumlah pengamatan yang dilakukan adalah sebesar 150 pengamatan. Langkah

selanjutnya adalah menyusun dan menyebarkan kuesioner II berdasarkan 15

atribut di atas.

4.2.3 Penyusunan Kuesioner II

Bentuk kuesioner II dapat dilihat pada Lampiran 2 pada halaman L-3.

Kuesioner II bagian I merupakan kumpulan pertanyaan yang menggambarkan

seberapa jauh informasi yang dimiliki responden terhadap perbedaan premium

dan pertamax serta pandangan responden terhadap kebijakan yang akan diambil

pemerintah terkait pembatasan premium. Bagian ini berguna untuk menentukan

bauran pemasaran yang sesuai untuk menjangkau cluster premium yang dianggap

potensial. Kuesioner II bagian II merupakan kumpulan pertanyaan yang bertujuan

untuk mengetahui tingkat kepentingan masing-masing atribut penelitian terhadap

masing-masing responden. Bagian ini berguna untuk mengelompokkan responden

terhadap masing-masing atribut yang dianggap penting oleh responden.

4.2.4 Penyebaran Kuesioner II

Kuesioner II disebar di dua pencucian mobil dan motor yang berada di

Jalan Bhayangkara Kelurahan Panularan Kota Surakarta selama tiga minggu (22

Agustus – 2 Oktober 2011). Jumlah kuesioner yang disebar adalah 150 kuesioner

dan jumlah kuesioner yang dapat diolah adalah 147 kuesioner. Tiga kuesioner

tidak dapat diolah karena menggunakan bahan bakar minyak selain premium dan

pertamax.

4.3 Tahap Pengolahan Data

Pengolahan data meliputi analisis faktor dan analisis cluster. Data diolah

dengan bantuan software excel dan program Statistical Package for Social

Science (SPSS) 16.0.


commit to user

IV-5


Analisis faktor dilakukan untuk mengekstrak atribut-atribut penelitian

yang berjumlah 15 atribut menjadi beberapa variabel baru (faktor) sehingga

memudahkan pengolahan data selanjutnya dengan tetap mempertahankan

informasi awal yang terkandung di dalamnya.

A. Pengujian Data

Pengujian data dilakukan untuk memahami karakteristik data dan

memastikan bahwa data mempunyai syarat yang cukup untuk dilakukan analisis

multivariat. Pengujian data dilakukan dengan menggunakan data seluruh

responden yaitu sebanyak 147 responden. Pertanyaan yang diuji adalah

pertanyaan bagian II, karena pertanyaan tersebut berskala likert sedang pertanyaan

yang lain berskala nominal dan interval. Pengujian data dimulai dengan pengujian

grafis dan dilanjutkan dengan uji outliers.

Pengujian grafis dilakukan untuk memperoleh pemahaman yang lengkap

tentang distribusi data, menggambarkan karakteristik dasar dari setiap atribut dan

hubungan antara atribut dalam gambar yang sederhana. Pengujian grafis ini

meliputi histogram, scatterplot dan boxplot.

Histogram digunakan untuk memperoleh gambaran karakteristik distribusi

dari atribut penelitian. Histogram untuk atribut 1 dapat dilihat pada gambar 4.1.

Untuk histogram variabel lainnya akan di tampilkan pada Lampiran 3 pada

halaman L-7.

Tabel 4.6 Analisis Deskriptif

Sumber: Output SPSS, 2011.

Tabel 4.6 menunjukkan hasil analisis deskriptif untuk atribut 1. Dari hasil

analisis deskriptif dapat dilihat bahwa tidak ada responden yang beranggapan

bahwa atribut ini merupakan variable yang “sangat tidak penting”. Nilai rata-rata

atribut sebesar 4,4490 mengindikasikan bahwa sebagian besar responden

mengganggap atribut ini merupakan atribut yang penting dalam penggunaan

bahan bakar minyak.

Descriptive Statistics

147 2,00 5,00 4,4490 ,65359 -,928 ,200 ,442 ,397

147

Irit

Valid N (l istwise)

Statistic Statistic Statistic Statistic Statistic Statistic Std. Error Statistic Std. Error

N Minimum Maximum Mean Std.

DeviationSkewness Kurtosis


commit to user

IV-6

Nilai -0,928 pada skewness mengindikasikan bahwa tingginya frekuensi

nilai yang ada di sebelah kanan puncak distribusi normal. Selain itu, Nilai 0,442

pada kurtosis menunjukkan bahwa distribusi data cenderung memuncak.

Distribusi data yang memuncak mengindikasikan bahwa ada satu nilai yang

mendominasi dan nilai tersebut berada di sebelah kanan puncak distribusi normal.

Hal ini dapat dilihat pada gambar histogram di bawah ini.

Gambar 4.1 Histogram Atribut 1


Boxplot digunakan untuk mengetahui ada tidaknya nilai outlier dan nilai

ekstrim dari data pengamatan.

Gambar 4.2 Boxplot 15 Variabel


Dari hasil boxplot dapat dilihat bahwa ada beberapa nilai outliers pada

atribut 1, 3, 6, 8, 9, 10, 11, dan 12. Untuk mengatasi adanya nilai outliers ini maka

dilakukan uji outliers. Uji outliers digunakan dalam mendeteksi outliers dalam

analisis univariat dan multivariat. Uji outliers dibagi menjadi dua bagian yaitu

deteksi univariat dan multivariat.

Deteksi univariat digunakan untuk memeriksa pengamatan pada masing-

masing atribut individual. Tabel 4.16 berisi pengamatan dengan nilai-nilai atribut

terpenstandarisasian melebihi ± 4 pada masing-masing atribut. Dari perspektif

6.005.004.003.002.001.00

Var_1

100

80

60

40

20

0

Fre

qu

en

cy

Mean = 4.449Std. Dev. = 0.65359N = 147

Var_15Var_14Var_13Var_12Var_11Var_10Var_9Var_8Var_7Var_6Var_5Var_4Var_3Var_2Var_1

5

4

3

2

1

37108

125

88171718

16

16116


commit to user

IV-7

univariat, hanya observasi 37 dan 128 melebihi ambang batas pada sebuah atribut

tunggal. Observasi 37 muncul sebagai outliers pada atribut 12 yaitu atribut

ketersediaan dan observasi 128 muncul sebagai outliers pada atribut 11 yaitu

atribut harga.

Tabel 4.7 Deteksi Univariat

Deteksi multivariat digunakan untuk mengukur jarak masing-masing

pengamatan dalam ruang multidimensi dari pusat rata-rata dari semua

pengamatan. nilai D2 (jarak mahalanobis) mewakili pengamatan yang jauh dari

distribusi umum pengamatan dalam ruang multidimensi. Karena sampel memiliki

lebih dari 100 pengamatan maka nilai ambang 4 akan digunakan sebagai batas.

Hasil dari deteksi multivariat dapat dilihat pada Tabel 4.8.

Dari Tabel 4.8 dapat dilihat bahwa tidak ada observasi yang memiliki nilai

D2

melebihi nilai ambang batas sebesar 4. Dari hasil ini dapat diambil kesimpulan

bahwa tidak ada observasi yang terindikasi sebagai outliers dalam interaksinya

dengan atribut lain dalam perspektif multivariat.

Tabel 4.8 Deteksi Multivariat

Dari hasil deteksi univariat ditemukan dua observasi yang diidentifikasi

sebagai outliers yaitu observasi ke 37 (pada atribut 12) dan observasi ke 128 (pada

atribut 11). Karena kedua observasi tersebut mewakili segmen dari populasi maka

keduanya akan tetap dipertahankan dalam analisis berikutnya untuk memastikan

Atribut Univariate Outliers Atribut Univariate Outliers

Atribut 1 Tidak Ada Atribut 9 Tidak Ada


Atribut 3 Tidak Ada Atribut 11 128

Atribut 4 Tidak Ada Atribut 12 37




Atribut 8 Tidak Ada

Observasi Dkuadrat/df Observasi Dkuadrat/df Observasi Dkuadrat/df Observasi Dkuadrat/df Observasi Dkuadrat/df Observasi Dkuadrat/df Observasi

1 1,02 21 0,77 41 0,78 64 1,66 84 0,87 104 0,85 124

2 1,02 22 1,02 42 1,05 65 0,68 85 0,55 105 0,78 125

3 0,85 23 1,36 43 1,85 66 0,71 86 1,28 106 0,37 126

4 0,61 24 1,04 44 0,82 67 1,01 87 1,47 107 0,47 127

5 1,07 25 1,86 45 0,37 68 1,21 88 1,07 108 0,47 128

6 0,64 26 0,84 47 1,17 69 0,77 89 0,85 109 0,96 129

7 0,93 27 1,40 48 0,53 70 0,51 90 0,98 110 0,89 130

8 0,72 28 1,20 49 0,78 71 0,91 91 1,89 111 1,51 131

9 1,22 29 0,55 50 0,50 72 2,39 92 0,84 112 0,68 132

10 0,51 30 1,28 51 0,44 73 1,83 93 0,62 113 0,56 133

11 0,44 31 0,93 52 1,29 74 2,59 94 1,17 114 0,58 134

12 1,53 32 0,58 53 1,13 75 0,49 95 1,72 115 0,44 135

13 1,17 33 0,50 54 1,42 76 1,14 96 1,06 116 0,41 136

14 0,85 34 2,91 55 0,92 77 0,86 97 1,09 117 0,37 137

15 1,67 35 1,02 56 0,85 78 0,85 98 0,34 118 1,00 138

16 1,74 36 0,86 57 1,64 79 0,44 99 0,68 119 2,16 139

17 1,26 37 2,47 59 1,09 80 1,18 100 0,39 120 0,58 140

18 1,22 38 0,86 60 1,19 81 0,37 101 1,05 121 1,19 141

19 0,76 39 1,10 61 1,31 82 0,96 102 0,77 122 1,46 142

20 1,17 40 0,96 62 0,33 83 1,06 103 0,96 123 0,64 143


commit to user

IV-8

tingkat generalisasi ke suluruh populasi. Selain itu, kedua observasi tersebut tidak

muncul dalam deteksi multivariat sebagai outliers. Hal ini berarti bahwa kedua

observasi tersebut tergolong pengamatan yang normal dalam hubungannya

dengan atribut yang lain.

B. Penentuan Tujuan

Dalam penelitian ini, analisis faktor dilakukan dengan tujuan untuk

memahami apakah atribut penelitian bisa dikelompokkan yang dinamakan faktor

untuk menggantikan atribut awal sehingga mempermudah dalam memahami

gambaran besar menggenai apa yang pelanggan pikirkan dalam menggunakan

bahan bakar minyak jenis premium dan pertamax.

C. Penyusunan Desain Riset

Untuk memahami struktur atribut dibutuhkan analisis faktor jenis-R dan

matriks korelasi antara atribut. Semua atribut dalam penelitian yang akan

dianalisis dengan analisis faktor merupakan data metrik. Ukuran sampel dalam

penelitian ini adalah sebesar 147 dengan rasio mendekati 10:1 (jumlah

pengamatan : jumlah atribut). Ukuran sampel yang lebih dari 100 memberikan

dasar yang memadai untuk perhitungan korelasi antara atribut.

D. Pengujian Asumsi

Asumsi statistik dasar dianggap mempengaruhi analisis faktor apabila

asumsi tersebut mempengeruhi korelasi antara atribut. Langkah pertama adalah

pemeriksaan visual dari korelasi untuk mengidentifikasi apakah korelasi antar

atribut signifikan secara statistik.

Tabel 4.9 Matriks Korelasi

Tabel 4.9 menunjukkan matriks korelasi untuk 15 atribut penelitian.

Inspeksi dari matriks korelasi mengungkapkan bahwa 70 dari 105 korelasi (67%)

yang signifikan pada tingkat 0,01, yang memberikan dasar yang memadai untuk

melanjutkan ke tahap selanjutnya karena korelasi antar atribut telah mencukupi.

Atribut Korelasi Atribut Korelasi

Atribut 1 0 Atribut 9 8







Atribut 8 6 Total 70


commit to user

IV-9

Tabulasi jumlah korelasi signifikan per variabel menemukan kisaran dari 0

(atribut 1) sampai 8 (atribut 9). Atribut yang tidak memiliki korelasi yang

signifikan mungkin tidak menjadi bagian dari faktor apapun, dan jika atribut

memiliki sejumlah besar korelasi, mungkin menjadi bagian dari beberapa faktor.

Tabel 4.10 Hasil KMO and Bartlett’s Test


Untuk dapat menilai signifikansi keseluruhan dari matriks korelasi

dilakukan dengan uji Bartlett dan faktorability dari himpunan keseluruhan atribut

dan atribut individu menggunakan ukuran kecukupan sampling (MSA). Hal ini

bertujuan untuk memastikan tingkat dasar korelasi statistik dalam set atribut,

sehingga struktur yang dihasilkan memiliki beberapa faktor dasar yang obyektif.

Tabel 4.11 Ukuran Kecukupan Sampling (MSA)


Uji Bartlett menemukan bahwa korelasi, ketika diambil secara kolektif,

adalah signifikan pada tingkat 0,0001 (Tabel 4.10). Ukuran kecukupan sampling

(MSA) dapat dilihat pada tabel 4.11. Ukuran kecukupan sampling terlihat tidak

hanya pada korelasi, tetapi juga pada pola antara atribut. Nilai MSA keseluruhan

jatuh dalam rentang yang dapat diterima (di atas 0,50) dengan nilai 0,707.

Pemeriksaan nilai untuk setiap atribut, mengidentifikasi tidak ada atribut yang


commit to user

IV-10

memiliki nilai MSA di bawah 0,50 sehingga tidak ada atribut yang akan

dihilangkan.


Ekstraksi faktor diperoleh dengan menggunakan metode Principal

Component Analysis (PCA). Dalam ekstraksi faktor ini, digunakan nilai

eigenvalue untuk menyatakan nilai variansi variabel. Setelah ekstraksi faktor

selesai dilakukan, langkah selanjutnya adalah memilih jumlah komponen yang

akan disimpan untuk analisis selanjutnya. Latent root criterion dan scree test akan

digunakan untuk menentukan jumlah faktor yang akan dipertahankan untuk

analisis selanjutnya. Tabel 4.12 berisi informasi mengenai 15 atribut beserta nilai

eigenvalue. Nilai eigenvalue dapat digunakan untuk membantu dalam memilih

sejumlah faktor.

Tabel 4.12 Total Variance Explained


Dengan menerapkan kriteria laten akar untuk mempertahankan faktor

dengan nilai eigenvalue lebih besar dari 1,0 maka lima faktor akan dipertahankan.

Scree test (Gambar 4.3) menunjukkan bahwa enam faktor akan sesuai ketika

mempertimbangkan perubahan dalam nilai eigenvalue (mengidentifikasi "siku"

pada eigenvalue). Nilai eigenvalue faktor keenam sebesar 0,876 (yang lebih

rendah dari 1,0) menghalangi dimasukkannya faktor keenam dalam latent root

criterion. Karena nilai eigenvalue faktor keenam sebesar 0,876 telah cukup dekat

dengan 1,0 dan dengan dimasukkannya faktor keenam akan menambah 5,84%

cumulative varians maka faktor keenam akan dimasukkan dalam analisis

berikutnya. Keenam faktor yang dipertahankan (mewakili 71,044%) sudah

dianggap cukup dalam menjelaskan varians 15 atribut sebelumnya.


commit to user

IV-11

Menggabungkan kriteria latent root criterion dan scree test mengarah pada

kesimpulan untuk mempertahankan enam faktor untuk analisis lebih lanjut.

Gambar 4.3 Scree Test Criterion

Langkah selanjutnya adalah menafsirkan keenam faktor yang didapat dari

langkah sebelumnya berdasarkan karakteristik atribut yang membentuknya.

Factor loadings mewakili derajat asosiasi (korelasi) antara setiap atribut dengan

setiap faktor. Tujuan analisis faktor adalah untuk memaksimalkan hubungan dari

setiap atribut dengan faktor tunggal melalui rotasi faktor matriks.

Tabel 4.13 Matriks Analisis Komponen Faktor Sebelum Dirotasi

Tabel 4.13 menyajikan matriks analisis komponen faktor sebelum dirotasi.

Baris pertama dari angka di bagian bawah setiap kolom adalah jumlah kolom dari

faktor loadings kuadrat (nilai eigenvalue) dan menunjukkan kepentingan relatif

dari setiap faktor dalam variansi yang berhubungan dengan set atribut dalam

urutan yang sesuai dengan kepentingannya. Di ujung kanan baris adalah jumlah

10,657, yang merupakan total dari empat nilai eigenvalue (3,466 + 2,453 + 1,444

1 2 3 4 5 6

Var_1 0,165 -0,119 0,468 0,440 -0,078 0,658 0,893

Var_2 0,476 -0,377 0,108 0,138 -0,601 -0,023 0,762

Var_3 0,541 -0,082 0,040 0,469 -0,216 -0,328 0,675

Var_4 0,400 0,537 0,151 0,289 0,109 -0,378 0,709

Var_5 0,518 0,186 -0,194 0,541 0,099 0,065 0,647

Var_6 0,657 -0,080 -0,259 0,103 0,382 0,190 0,698

Var_7 0,600 -0,068 -0,422 -0,161 0,324 0,162 0,700

Var_8 0,614 -0,346 -0,285 -0,345 -0,088 0,057 0,708

Var_9 0,764 -0,177 -0,197 -0,152 -0,222 -0,120 0,742

Var_10 0,196 -0,500 0,502 0,059 0,467 -0,159 0,788

Var_11 0,359 -0,412 0,559 -0,245 0,216 -0,208 0,761

Var_12 0,356 -0,311 0,268 -0,330 -0,159 0,137 0,448

Var_13 0,465 0,613 0,183 -0,102 0,155 0,085 0,667

Var_14 0,264 0,701 0,238 -0,248 -0,118 0,010 0,693

Var_15 0,400 0,649 0,243 -0,307 -0,136 0,118 0,766

Sum of Squre (eigenvalue) 3,466 2,453 1,444 1,327 1,091 0,876 10,657

Percentage of Trace 23,104 16,355 9,628 8,845 7,273 5,839 71,044

Extraction Method: Principal Component Analysis.

a. 6 components extracted.

Variabel CommunalityFaktor


commit to user

IV-12

+ 1,327 + 1,091 + 0,876). Total nilai-nilai eigenvalue merupakan jumlah total

varians diekstraksi oleh solusi faktor.

Jumlah total varians yang dijelaskan oleh salah satu faktor tunggal atau

faktor solusi secara keseluruhan dapat dibandingkan dengan variasi total dalam set

atribut yang diwakili oleh trace dari matriks faktor. Trace adalah varians total

yang akan dijelaskan dan sama dengan jumlah dari nilai-nilai eigenvalue dari

himpunan variabel. Dengan menambahkan persentase trace untuk masing-masing

faktor, maka diperoleh persentase total trace diekstraksi untuk solusi faktor.

Jumlah ini digunakan sebagai indeks untuk menentukan seberapa baik solusi

faktor mewakili apa yang digambarkan oleh semua atribut. Jika atribut sangat

berbeda satu sama lain, indeks ini akan rendah. Jika atribut jatuh ke satu atau lebih

kelompok yang sangat terkait, indeks akan mendekati 100 persen.

Persentase dari “trace” dijelaskan oleh masing-masing dari empat faktor

(23,104%, 16,355%, 9,628%, 8,845%, 7,273%, dan 5,839%) akan ditampilkan

sebagai baris terakhir dari nilai-nilai dari tabel 4.13. Indeks untuk solusi secara

keseluruhan menunjukkan bahwa 71,044 persen dari keseluruhan varians diwakili

oleh informasi yang terkandung dalam matriks faktor dari solusi enam faktor

tersebut. Oleh karena itu, indeks untuk solusi ini adalah tinggi, dan atribut pada

kenyataannya sangat terkait satu sama lain.

Setelah mendefinisikan berbagai elemen dari matriks faktor yang belum

dirotasi, langkah selanjutnya adalah meneliti pola faktor loading. Faktor loadings

memungkinkan untuk deskripsi dari masing-masing faktor dan struktur dalam set

atribut. Faktor pertama memiliki 8 atribut yang memiliki nilai loading tinggi

(loading tinggi didefinisikan sebagai lebih besar dari 0,45). Faktor kedua memiliki

4 atribut yang memiliki loading tinggi. Faktor ketiga memiliki 3 atribut yang

memiliki loading tinggi. Faktor keempat memiliki 2 atribut yang memiliki loading

tinggi, sedangkan faktor kelima dan keenam hanya memiliki 1 atribut yang

memiliki loading tinggi. Berdasarkan pola faktor loading dengan jumlah yang

relatif besar terletak pada faktor pertama dan hanya satu loading tinggi pada faktor

kelima dan keenam, interpretasi akan sulit dan secara teoritis kurang bermakna.

Oleh karena itu, langkah yang harus dilakukan adalah memutar matriks faktor

untuk mendistribusikan varians dari faktor-faktor sebelumnya. Rotasi harus


commit to user

IV-13

menghasilkan pola faktor sederhana dan secara teoritis lebih bermakna. Sebelum

melanjutkan dengan proses rotasi, hal yang harus dilakukan adalah memeriksa

communalities untuk melihat apakah ada atribut yang memiliki communalities

sangat rendah sehingga harus dihilangkan.

Communalities menunjukkan jumlah varians dalam variabel yang dicatat

oleh dua faktor secara bersama-sama. Nilai communalities berguna untuk menilai

berapa banyak varians dalam atribut tertentu dicatat oleh solusi faktor. Nilai

communalities yang lebih tinggi menunjukkan bahwa sejumlah besar dari varians

dalam atribut telah diekstraksi oleh solusi faktor. Nilai communalities kecil

menunjukkan bahwa sebagian besar varians variabel ini tidak diperhitungkan oleh

faktor-faktor. Meskipun tidak ada pedoman statistik yang membedakan secara

tepat nilai yang besar maupun kecil, pertimbangan praktis nilai yang lebih rendah

dari 0,50 merupakan nilai yang kecil untuk communalities. Nilai communalities

dalam tabel 4.13 ditampilkan di sisi paling kanan dari tabel. Nilai communalities

0,448 untuk atribut 12 menunjukkan bahwa atribut tersebut memiliki sedikit

kesamaan dengan atribut lain yang termasuk dalam analisis daripada atribut

pertama, yang memiliki nilai communalities dari 0,893. Karena nilai

communalities dari atribut 12 lebih kecil dari 0,50 maka atribut 12 akan

dihapuskan dalam rotasi matriks faktor.

Tabel 4.14 menyajikan matriks analisis komponen faktor sebelum dirotasi

setelah atribut 12 dihapuskan. Dapat dilihat bahwa jumlah total varians yang

diekstraksi naik dari 71,044 persen menjadi 74,290 persen setelah atribut 12

dihapuskan.

Tabel 4.14 Matriks Analisis Komponen Faktor Setelah Atribut 12 Dihapuskan

1 2 3 4 5 6

Var_1 0,157 -0,132 0,582 -0,275 -0,067 0,686 0,932

Var_2 0,441 -0,404 0,145 -0,139 -0,604 -0,007 0,763

Var_3 0,545 -0,144 0,184 -0,424 -0,184 -0,334 0,678

Var_4 0,448 0,492 0,227 -0,219 0,125 -0,383 0,704

Var_5 0,546 0,115 -0,032 -0,572 0,190 0,028 0,677

Var_6 0,657 -0,147 -0,199 -0,113 0,415 0,159 0,703

Var_7 0,605 -0,136 -0,422 0,116 0,313 0,162 0,700

Var_8 0,588 -0,395 -0,340 0,315 -0,155 0,111 0,754

Var_9 0,752 -0,241 -0,209 0,129 -0,266 -0,080 0,761

Var_10 0,155 -0,507 0,542 0,212 0,397 -0,133 0,795

Var_11 0,311 -0,406 0,499 0,477 0,113 -0,176 0,782

Var_13 0,498 0,596 0,128 0,116 0,164 0,052 0,663

Var_14 0,310 0,695 0,146 0,286 -0,172 0,050 0,714

Var_15 0,433 0,644 0,128 0,323 -0,180 0,139 0,775




a. 6 components extracted.

FaktorCommunalityVariabel


commit to user

IV-14


Pendekatan yang akan dilakukan dalam rotasi matriks faktor dalam

penelitian ini adalah Varimax. Pendekatan Varimax dipilih karena memiliki

sejumlah kelebihan daripada pendekatan Quartimax. Tujuan utama dari rotasi

Quartimax adalah untuk menyederhanakan baris dari matriks faktor. Quartimax

berfokus pada memutar faktor awal sehingga beban variabel akan tinggi pada satu

faktor dan serendah mungkin pada semua faktor lainnya. Dalam rotasi, banyak

variabel dapat memiliki nilai loading tinggi pada faktor yang sama karena teknik

yang berpusat pada menyederhanakan baris. Metode Quartimax tidak terbukti

sukses dalam menghasilkan struktur sederhana. Kelemahan metode Quartimax

adalah metode ini cenderung menghasilkan faktor umum sebagai faktor pertama

yang sebagian besar dari atribut yang memiliki loadings tinggi. Metode ini yang

cenderung menciptakan faktor umum tidak sejalan dengan tujuan rotasi.

Berbeda dengan Quartimax, Varimax berpusat pada kriteria

menyederhanakan kolom dari matriks faktor. Dengan pendekatan rotasi varimax,

penyederhanaan maksimum akan tercapai jika hanya ada 1 dan 0 dalam kolom.

Artinya, metode varimax memaksimalkan jumlah varians dari beban yang

dibutuhkan dari matriks faktor. Dalam pendekatan Quartimax, banyak atribut

dapat memiliki loadings tinggi pada faktor yang sama karena teknik yang berpusat

pada menyederhanakan baris. Dengan pendekatan rotasi Varimax, beberapa

loadings tinggi (dekat dengan -1 atau +1) yang mungkin, seperti juga beberapa

loadings mendekati 0 dalam setiap kolom dari matriks. Logikanya adalah

interpretasi yang paling mudah bila korelasi faktor-atribut adalah dekat dengan +1

atau -1, sehingga menunjukkan hubungan positif atau negatif yang jelas antara

faktor dan atribut, atau mendekati 0 yang menunjukkan dengan jelas kurangnya

asosiasi. Struktur ini pada dasarnya sederhana. Meskipun solusi analitis

Quartimax tampak lebih sederhana daripada solusi varimax, varimax tampaknya

memberikan pemisahan yang lebih jelas tentang faktor. Metode varimax telah

terbukti berhasil sebagai pendekatan analitis untuk memperoleh rotasi ortogonal

faktor.


commit to user

IV-15

Tabel 4.15 Hasil dari Rotasi Matriks Faktor Varimax

Hasil dari rotasi matriks faktor Varimax dapat dilihat pada Tabel 4.15.

Dapat dilihat bahwa jumlah total varians diekstraksi pada solusi faktor yang telah

dirotasi adalah sama seperti solusi faktor yang belum dirotasi sebesar 74,290

persen. Nilai communalities untuk setiap atribut juga tidak berubah ketika sebuah

teknik rotasi diterapkan. Namun, dua perbedaan yang muncul. Pertama, varians

didistribusikan sehingga pola faktor-loadings dan persentase varians untuk

masing-masing faktor sedikit berbeda. Secara khusus, dalam solusi faktor

varimax, total varians untuk faktor pertama adalah 16,424 persen, dibandingkan

dengan 24,120 persen dalam matriks faktor sebelum dirotasi.

Demikian juga, faktor-faktor lain juga berubah, perubahan terbesar terjadi

pada faktor pertama yang turun sebesar 7,696 persen dan didistribusikan kepada

faktor yang lainnya. Sedangkan peningkatan varians total terbesar terjadi pada

faktor kelima sebesar 3,358 persen. Dengan demikian, distribusi faktor akan lebih

merata pada keenam faktor.


Langkah selanjutnya adalah memberi nama untuk masing-masing faktor

yang mampu mewakili semua atribut yang terkandung di dalamnya (terutama

atribut yang memiliki nilai loading tinggi). Setiap faktor dapat dinamai

berdasarkan atribut dengan beban yang signifikan:

1. Faktor 1 Keiritan Bahan Bakar Minyak : keiritan.

2. Faktor 2 Kesesuaian Bahan Bakar Minyak : kesesuaian takaran dan nilai oktan.

3. Faktor 3 Prestise : Perusahaan yang memproduksi dan nilai prestise.

1 2 3 4 5 6

Var_1 0,040 -0,027 0,088 0,052 0,129 0,950 0,932

Var_2 -0,081 -0,011 0,830 0,143 0,076 0,203 0,763

Var_3 -0,026 0,049 0,467 0,666 0,111 0,025 0,678

Var_4 0,475 -0,016 -0,055 0,672 0,064 -0,138 0,704

Var_5 0,056 0,373 0,041 0,676 -0,167 0,217 0,677

Var_6 0,032 0,768 0,026 0,297 0,108 0,112 0,703

Var_7 0,079 0,823 0,092 0,044 0,020 -0,072 0,700

Var_8 0,023 0,613 0,562 -0,195 0,121 -0,098 0,754

Var_9 0,160 0,490 0,674 0,127 0,098 -0,123 0,761

Var_10 -0,195 0,084 -0,043 0,078 0,850 0,138 0,795

Var_11 0,078 0,066 0,231 -0,071 0,845 0,006 0,782

Var_13 0,725 0,225 -0,126 0,264 0,022 0,041 0,663

Var_14 0,838 -0,060 0,018 0,022 -0,081 -0,019 0,714

Var_15 0,870 0,063 0,096 -0,006 -0,057 0,044 0,775



Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 8 iterations.

CommunalityVariabelFaktor


commit to user

IV-16

4. Faktor 4 Kemudahan & Pelayanan : Pelayanan operator, kemudahan

pembayaran, sistem antrian yang menjamin kecepatan pelayanan dan jaminan

ketepatan pengembalian.

5. Faktor 5 Harga Bahan Bakar Minyak : harga dan stabilitas harga.

6. Faktor 6 Pendekatan Persuasif : pengaruh iklan, fatwa pemuka agama dan

himbauan pemerintah.

H. Validitas

Validitas digunakan untuk memastikan analisis faktor dapat diterapkan

pada seluruh populasi. Validitas dilakukan dengan cara membagi sampel menjadi

dua bagian lalu melakukan rotasi faktor matriks. Sampel akan dibagi menjadi dua

bagian yang hampir sama yaitu 74 dan 73 responden dari 147 responden dan

melakukan rotasi faktor matriks untuk melihat perbandingannya.

Tabel 4.16 Hasil dari Validitas Bagian I

Tabel 4.17 Hasil dari Validitas Bagian II.

1 2 3 4 5 6

Var_1 0,026 0,037 0,173 0,073 0,041 0,92 0,885

Var_2 -0,057 0,17 0,849 -0,022 -0,012 0,233 0,808

Var_3 0,214 -0,069 0,678 0,269 0,325 0,127 0,704

Var_4 0,578 -0,062 0,187 0,049 0,606 0,056 0,746

Var_5 0,126 0,228 0,099 -0,093 0,856 -0,006 0,819

Var_6 0,05 0,689 -0,042 0,194 0,466 0,258 0,800

Var_7 0,103 0,808 0,008 0,093 0,129 0,11 0,701

Var_8 0,002 0,759 0,378 0,085 -0,108 -0,217 0,785

Var_9 0,214 0,529 0,621 0,05 0,09 -0,273 0,796

Var_10 -0,108 0,085 -0,049 0,871 0,099 0,008 0,790

Var_11 0,045 0,161 0,221 0,817 -0,16 0,08 0,776

Var_13 0,859 0,099 -0,106 -0,021 0,135 0,024 0,778

Var_14 0,847 0,091 0,047 -0,046 0,17 -0,084 0,766

Var_15 0,863 0,029 0,194 -0,018 -0,044 0,072 0,791


Rotation Method: Varimax with Kaiser Normalization.


CommunalityFactor

Variable

1 2 3 4 5 6

Var_1 -0,137 0,085 0,23 0,231 0,005 0,839 0,836

Var_2 0,076 -0,114 0,202 0,15 0,84 0,093 0,796

Var_3 0,241 -0,273 0,659 -0,08 0,214 0,012 0,619

Var_4 -0,127 0,281 0,524 0,215 -0,285 -0,566 0,817

Var_5 0,158 0,067 0,781 -0,08 0,127 0,166 0,689

Var_6 0,652 0,073 0,36 0,024 0,057 -0,003 0,564

Var_7 0,882 0,052 0,088 -0,071 -0,182 -0,045 0,829

Var_8 0,69 -0,001 -0,087 0,178 0,431 -0,021 0,702

Var_9 0,672 0,033 0,224 0,159 0,481 -0,061 0,763

Var_10 0,045 -0,331 0,043 0,794 -0,03 0,255 0,810

Var_11 0,081 0,102 -0,133 0,847 0,258 -0,036 0,820

Var_13 0,184 0,698 0,393 0,128 -0,097 0,017 0,702

Var_14 -0,251 0,764 -0,245 -0,203 0,107 -0,027 0,760

Var_15 0,205 0,836 -0,063 -0,082 -0,142 0,007 0,772


Rotation Method: Varimax with Kaiser Normalization.


CommunalityVariableFactor


commit to user

IV-17

Tabel 4.16 dan 4.17 berisi rotasi varimax untuk dua bagian sampel,

bersama dengan nilai communalities. Seperti dapat dilihat, dua rotasi varimax

memiliki pola yang hampir sama. Perbedaan yang muncul hanya pada atribut 3

(kesesuaian nilai oktan) yang muncul pada faktor prestise pada hasil Validitas

bagian ii. Hal ini dimungkinkan karena atribut 3 (kesesuaian nilai oktan) memiliki

nilai cross loading pada hasil rotasi varimax untuk 147 sampel yaitu pada faktor

kesesuaian dan prestise. Akan tetapi karena variabel 3 (kesesuaian nilai oktan)

erat kaitannya dengan variabel kesesuaian takaran bahan bakar minyak maka

variabel 3 (kesesuaian nilai oktan) akan tetap dimasukkan pada faktor kesesuaian

bahan bakar minyak bersama atribut kesesuaian takaran bahan bakar minyak.

I. Reliabilitas

Uji reliabilitas dilakukan untuk mengetahui konsistensi suatu instrumen

ukur di dalam mengukur konsep yang sama. Dengan kata lain, bila suatu

instrumen ukur dipakai dua kali, untuk mengukur konsep yang sama dan hasil

pengukuran yang diperoleh relatif konsisten, maka instrumen ukur tersebut

dianggap reliabel. Adapun hipotesa untuk pengujian reliabilitas adalah bahwa skor

masing-masing atribut berkorelasi positif dengan komposit set atributnya.

Uji reliabilitas dilakukan dengan metode konsistensi inter item, yang

dilakukan dengan menghitung koefisien Cronbach’s Alpha menggunakan

persamaan (2.7). Dari perhitungan didapat rekapitulasi perhitungan uji reliabilitas

seperti pada tabel 4.18.

Tabel 4.18 Uji Reliabilitas dengan Metode Cronbach’s Alpha


Skor-skor tersebut kemudian dibandingkan dengan angka korelasi (r)

product moment yang dapat dilihat pada Lampiran 5 pada halaman L-13. Dalam

hal ini angka korelasi tabel untuk 125 responden adalah 0,230 dan angka korelasi

untuk 150 responden adalah 0,210. Untuk mencari nilai angka korelasi tabel untuk

147 responden dengan cara interpolasi diantara dua nilai tersebut.

Reliability Statistics

,736 15

Cronbach's

Alpha N of Items


commit to user

IV-18

Gambar 4.4 Interpolasi

Dari hasil interpolasi diatas di dapat angka korelasi (nilai tabel) untuk 147

responden adalah 0,2124. Nilai ini selanjutnya akan dibandingkana dengan nilai

Cronbach’s Alpha yang sudah dihitung sebelumnya. Diperoleh hasil bahwa angka

Cronbach’s Alpha sebesar 0,736 yang jauh lebih besar dari nilai tabel, maka

hipotesa dapat diterima, serta disimpulkan bahwa nilai masing-masing atribut

berkorelasi positif dengan komposit set variabelnya. Ini berarti data dapat

dikatakan telah reliabel yaitu bahwa dapat dikatakan konsisten dalam mengukur

jawaban responden.

4.3.2 Analisis Cluster Premium

Analisis cluster adalah salah satu teknik multivariat yang bertujuan untuk

mengelompokkan (klasifikasi) objek-objek ke dalam beberapa grup berdasarkan

karakteristik yang dimiliki. Analisis cluster premium digunakan untuk

menentukan segmen dari pengguna bahan bakar minyak jenis premium sehingga

data yang digunakan adalah data pengguna bahan bakar minyak premium sebesar

96 pengamatan. Hal ini sudah mencukupi syarat minimal rasio 5 : 1 (jumlah

pengamatan : jumlah faktor) karena jumlah faktor yang akan diolah pada analisis

cluster sebanyak 6 faktor hasil dari analisis faktor sehingga jumlah pengamatan

minimal adalah sebesar 30 pengamatan.


commit to user

IV-19

A. Penentuan Tujuan

Dalam penelitian ini, analisis cluster premium dilakukan dengan tujuan

utama adalah untuk mengelompokkan konsumen pengguna bahan bakar minyak

jenis premium berdasarkan persepsinya. Variabel yang dipakai dalam analisis

cluster premium adalah 6 faktor hasil dari analisis faktor.

1. Faktor pertama (keiritan bahan bakar minyak).

2. Faktor kedua (kesesuaian bahan bakar minyak).

3. Faktor ketiga (prestise).

4. Faktor keempat (kemudahan & pelayanan).

5. Faktor kelima (harga bahan bakar minyak).

6. Faktor keenam (pendekatan persuasif).


Penyusunan desain riset analisis cluster meliputi deteksi outliers,


dalam satuan. Tabel 4.19 menunjukkan analisis deskritif dari keenam faktor yang

akan dipakai dalam analisis cluster premium. Nilai mean dari masing-masing

faktor akan digunakan untuk menghitung dissimilarity atau nilai yang

menunjukkan perbedaan masing-masing observasi dari observasi lainnya.

Tabel 4.19 Descriptive Statistics


Tabel 4.20 Nilai dissimilarity

1 2 3 4 5 6 1 2 3 4 5 6

95 0,531 0,635 1,979 -2,438 0,479 -1,823 0,282 0,404 3,917 5,941 0,230 3,323 14,097 3,755

34 0,531 0,635 -2,021 -1,438 -1,521 2,177 0,282 0,404 4,084 2,066 2,313 4,740 13,889 3,727

74 0,531 0,635 0,979 -2,438 0,479 2,177 0,282 0,404 0,959 5,941 0,230 4,740 12,555 3,543

16 0,531 -1,365 -2,021 -2,438 0,479 0,177 0,282 1,862 4,084 5,941 0,230 0,031 12,430 3,526

44 0,531 0,635 1,979 1,563 -0,521 2,177 0,282 0,404 3,917 2,441 0,271 4,740 12,055 3,472

3 0,531 0,635 1,979 1,563 0,479 2,177 0,282 0,404 3,917 2,441 0,230 4,740 12,014 3,466

14 0,531 0,635 1,979 1,563 0,479 2,177 0,282 0,404 3,917 2,441 0,230 4,740 12,014 3,466

131 0,531 0,635 1,979 1,563 0,479 2,177 0,282 0,404 3,917 2,441 0,230 4,740 12,014 3,466

24 0,531 0,635 -2,021 1,563 0,479 -1,823 0,282 0,404 4,084 2,441 0,230 3,323 10,764 3,281

25 0,531 0,635 -2,021 1,563 0,479 -1,823 0,282 0,404 4,084 2,441 0,230 3,323 10,764 3,281

83 0,531 0,635 -2,021 1,563 0,479 -1,823 0,282 0,404 4,084 2,441 0,230 3,323 10,764 3,281

12 -0,469 0,635 -2,021 -1,438 0,479 -1,823 0,220 0,404 4,084 2,066 0,230 3,323 10,326 3,213

53 -0,469 -1,365 -2,021 0,562 0,479 -1,823 0,220 1,862 4,084 0,316 0,230 3,323 10,035 3,168

138 0,531 0,635 -1,021 1,563 0,479 2,177 0,282 0,404 1,042 2,441 0,230 4,740 9,139 3,023

43 0,531 -1,365 0,979 -1,438 0,479 -1,823 0,282 1,862 0,959 2,066 0,230 3,323 8,722 2,953

ObservationDifferent from Mean Squared Different from Mean

Total Dissimilarity


commit to user

IV-20

Penilaian tidak didasarkan pada besarnya nilai dissimilarity melainkan

pada perbedaan nilai dissimilarity yang jauh lebih besar dari nilai dissimilarity

yang lainnya. Tabel 4.20 menunjukkan 15 nilai dissimilarity yang paling besar

dari 96 pengamatan. Dari tabel di atas dapat dilihat bahwa nilai dissimilarity pada

masing-masing observasi memiliki perbedaan yang kecil bahkan cenderung sama

pada pengamatan 3, 14 dan 131 serta 24, 25 dan 83. Dari hasil ini dapat

disimpulkan bahwa tidak ditemukan outliers pada 96 pengamatan.

Langkah selanjutnya adalah menentukan pengukuran kemiripan objek

yang akan digunakan dalam analisis cluster. Karena keenam atribut merupakan

data metric, jarak Euclidean kuadrat yang akan dipakai. Keenam atribut yang

mewakili masing-masing faktor dari analisis faktor dapat mencegah munculnya

multicollinearity pada data pengamatan. Karena semua atribut dicatat dari skala

yang sama (1 sampai 5) maka tidak diperlukan penstandarisasian data.

C. Pembentukan Cluster Premium

Tahap selanjutnya adalah menggunakan prosedur hierarkis untuk

menggambarkan seluruh solusi cluster yang memungkinkan yang selanjutnya

akan digunakan untuk menetapkan jumlah cluster akan dibentuk. Kumpulan

solusi awal ini selanjutnya akan dianalisis menggunakan prosedur nonhierarkis

untuk menentukan solusi cluster akhir.

Algoritma cluster merupakan alat untuk melihat kemiripan/kesamaan

antara cluster dengan anggotanya. Algoritma cluster yang akan digunakan dalam

analisis ini adalah ukuran kemiripan (squared euclidean distances) dengan metode

ward. Metode ward digunakan karena kecenderungan untuk menghasilkan cluster

yang homogen dan relatif memiliki ukuran yang sama.

Tabel 4.21 Hasil Aglomerasi Prosedur Hierarkis

Cluster 1 Cluster 2 Cluster 1 Cluster 2

1 93 96 0,00 0 0 2

2 90 93 0,00 0 1 4

3 91 92 0,00 0 0 4

4 90 91 0,00 2 3 67

5 37 89 0,00 0 0 48

…

90 3 8 243,39 53 88 92

91 6 18 265,32 89 85 93

92 3 4 296,35 90 83 95

93 5 6 343,43 87 91 94

94 1 5 414,40 86 93 95

95 1 3 521,68 94 92 0

Cluster Combined

Stage Coefficients Next Stage

Stage Cluster First

Appears


commit to user

IV-21

Tabel 4.21 menunjukkan sebagian dari hasil aglomerasi yang dihasilkan

oleh prosedur hierarkis. Hasil aglomerasi menyediakan informasi untuk setiap

tahap dari proses clustering. Sebuah tahapan adalah ketika satu atau lebih

pengamatan individu bergabung dengan observasi yang lain untuk membentuk

cluster. Proses hirarkis berakhir (tahap 95) ketika pengamatan yang membentuk

cluster 1 bergabung dengan pengamatan dari cluster 3 sehingga membentuk

cluster besar tunggal yang terdiri dari 96 pengamatan. Pada tahap 95, cluster 1

dan 3 bergabung. Hasilnya adalah bahwa semua 147 pengamatan sekarang dalam

cluster tunggal yang besar dan tahap ini memiliki koefisien aglomerasi 521,68.

Karena data melibatkan profil pengguna bahan bakar minyak jenis

premium dan tujuan dari penelitian ini adalah untuk mengidentifikasi jenis

pelanggan atau profil yang dapat membentuk dasar untuk strategi yang berbeda,

sejumlah segmen yang mudah dikelola akan berada pada kisaran lebih dari dua

tetapi tidak lebih dari enam atau tujuh cluster.

Aturan berhenti pada tahap aglomerasi yang akan digunakan adalah

berdasarkan pada perubahan heterogenitas diantara cluster yang terbentuk. Ketika

kenaikan yang besar terjadi pada nilai heterogenitas saat berpindah ke tahap

berikutnya, tahap aglomerasi akan dihentikan dan memilih solusi cluster yang

sudah terbentuk sebelumnya karena tahap selanjutnya akan menggabungkan dua

cluster yang berbeda.

Tabel 4.22 Proporsi Kenaikan Heterogenitas

Koefisien aglomerasi yang kecil berarti bahwa cluster yang homogen telah

terbentuk, sebaliknya menggabungkan dua cluster yang berbeda akan

menghasilkan nilai koefisien aglomerasi yang besar. Karena setiap penggabungan

cluster selalu meningkatkan nilai koefisien aglomerasi, maka aturan perhentian

tahap aglomerasi akan difokuskan pada persentase perubahan yang besar pada

koefisien aglomerasi.

Cluster Cluster

88 8 29 207,87 8 14,058 7,25%

89 6 13 222,94 7 15,065 7,25%

90 3 8 243,39 6 20,455 9,18%

91 6 18 265,32 5 21,930 9,01%

92 3 4 296,35 4 31,029 11,69%

93 5 6 343,43 3 47,077 15,89%

94 1 5 414,40 2 70,976 20,67%

95 1 3 521,68 1 107,273 25,89%

TahapPenggabungan

Koefisien Jumlah Cluster yang Terbentuk Perbedaan Proporsi Kenaikan Heterogenitas


commit to user

IV-22

Dari Tabel 4.22 dapat dilihat bahwa terdapat penambahan yang besar pada

koefisien aglomerasi terutama pada tahap 91 ke 92 (11,69%), 92 ke 93 (15,89%),

93 ke 94 (20,67%) dan 94 ke 95 (25,89%). Pada tahap 95 terlihat bahwa terjadi

peningkatan yang besar (25,89%) dalam koefisien aglomerasi. Hal ini disebabkan

karena menggabungkan dua cluster menjadi satu cluster yang terdiri dari 96

pengamatan. Karena terjadi penambahan yang besar pada koefisien aglomerasi,

solusi dua cluster bukan merupakan pilihan yang tepat. Selain itu, solusi dua

cluster akan membatasi tujuan penelitian dalam menentukan strategi yang tepat

untuk masing-masing cluster yang memiliki nilai heterogenitas yang tinggi. Dari

nilai proporsi kenaikan heterogenitas diatas, terjadi kenaikan yang cukup besar

pada tahap 93 yaitu sebesar 15,89% yang sebelumnya sebesar 11,69% pada tahap

92.

Gambar 4.5 Persentase Perubahan Heterogenitas

Hal ini dapat dilihat pada scree plot untuk persentase perubahan

heterogenitas pada Gambar 4.5. Dari scree plot, dapat dilihat dengan jelas bahwa

terjadi penambahan proporsi kenaikan nilai heterogenitas yang cukup besar saat

bergerak dari solusi empat cluster menjadi tiga cluster. Hal ini berarti bahwa

solusi empat cluster memiliki nilai koefisien heterogenitas yang jauh lebih kecil

daripada solusi tiga cluster. Cluster yang lebih homogen merupakan karakteristik

cluster yang baik. Oleh karena itu, solusi yang akan dipakai adalah solusi empat

cluster.

D. Interpretasi Cluster Premium

Langkah selanjutnya adalah melakukan interpretasi cluster dengan

menggunakan jumlah cluster yang merupakan hasil dari proses hierarkis yang

sudah dilakukan sebelumnya. Analisis cluster nonhierarkis selanjutnya akan

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

30,00%

8 7 6 5 4 3 2 1

Pro

po

rsi K

en

aika

n

Jumlah Cluster

Persentase Perubahan Heterogenitas


commit to user

IV-23

menghasilkan solusi cluster yang paling optimal. Hasil dari analisis cluster

nonhierarki 4 cluster dapat dilihat pada tabel 4.23.

Tabel 4.23 Analisis Cluster Premium

Cluster premium 1 terdiri dari 28 pengamatan dan cluster ini menganggap

bahwa faktor 2 (kesesuaian bahan bakar minyak) merupakan faktor paling penting

dalam penggunaan bahan bakar minyak. Cluster premium 2 terdiri dari 27

pengamatan dan cluster ini menganggap bahwa faktor 5 (harga bahan bakar

minyak) merupakan faktor yang paling penting dalam penggunaan bahan bakar

minyak. Cluster premium 3 terdiri dari 23 pengamatan dan cluster ini

menganggap bahwa faktor 1 (keiritan bahan bakar minyak) merupakan faktor

yang paling penting dalam penggunaan bahan bakar minyak. Cluster premium 4

terdiri dari 18 pengamatan dan cluster ini menganggap bahwa faktor 5 (harga

bahan bakar minyak) merupakan faktor yang paling penting dalam penggunaan

bahan bakar minyak. Perbedaan antara cluster premium 2 dan cluster premium 4

terletak pada faktor 4 (kemudahan dan pelayanan). Cluster premium 2

menganggap faktor 4 (kemudahan dan pelayanann) merupakan faktor penting

dalam penggunaan bahan bakar minyak. Sedangkan cluster premium 4

menganggap faktor 4 (kemudahan dan pelayanan) bukan merupakan faktor

penting dalam penggunaan bahan bakar minyak.

E. Profiling Cluster Premium

Tujuan dari penelitian ini adalah untuk menentukan profil masing-masing

cluster yang terbentuk sebagai dasar penyusunan strategi pemasaran yang tepat

untuk masing-masing cluster. Cluster yang telah terbentuk selanjutnya akan

ditentukan profilnya untuk memudahkan dalam menentukan strategi pemasaran

yang tepat. Tabel 4.24 menunjukkan profil masing-masing cluster.

1 2 3 4

Faktor_1 4.36 4.33 4.70 4.56

Faktor_2 4.54 4.11 4.61 4.17

Faktor_3 2.11 2.41 4.22 3.83

Faktor_4 2.46 4.33 4.35 2.44

Faktor_5 4.46 4.56 4.39 4.72

Faktor_6 3.32 2.26 3.87 1.56

Jumlah Pengamatan 28 27 23 18

Cluster


commit to user

IV-25

4.3.3 Analisis Cluster Pertamax

Analisis cluster pertamax digunakan untuk menggambarkan segmen yang

terbentuk dari pengguna bahan bakar minyak jenis pertamax sehingga data yang

digunakan adalah data pengguna bahan bakar minyak pertamax sebesar 51

pengamatan. Hal ini sudah mencukupi syarat minimal rasio 5 : 1 (jumlah

pengamatan : jumlah faktor) karena jumlah faktor yang akan diolah pada analisis

cluster sebanyak 6 faktor hasil dari analisis faktor sehingga jumlah pengamatan

minimal adalah sebesar 30 pengamatan.

A. Penentuan Tujuan

Dalam penelitian ini, analisis cluster pertamax dilakukan dengan tujuan

utama adalah untuk mengelompokkan konsumen pengguna bahan bakar minyak

jenis pertamax berdasarkan persepsinya. Setelah kelompok teridentifikasi, cluster

yang terbentuk dari pengguna premium akan dibandingkan dengan cluster yang

terbentuk dari pengguna pertamax untuk melihat kemiripannya. Cluster pengguna

premium yang memiliki kemiripan dengan cluster pengguna pertamax selanjutnya

akan dianalisis untuk dapat didorong manjadi cluster pengguna pertamax melalui

strategi pemasaran yang tepat berdasarkan karakteristik yang dimiliki. Variabel

yang dipakai dalam analisis cluster pertamax adalah enam faktor hasil dari

analisis faktor.

1. Faktor pertama (keiritan bahan bakar minyak).

2. Faktor kedua (kesesuaian bahan bakar minyak).

3. Faktor ketiga (prestise).

4. Faktor keempat (kemudahan & pelayanan).

5. Faktor kelima (harga bahan bakar minyak).

6. Faktor keenam (pendekatan persuasif).


Penyusunan desain riset analisis cluster meliputi deteksi outliers,


dalam satuan. Tabel 4.25 menunjukkan analisis deskritif dari keenam faktor yang

akan dipakai dalam analisis cluster. Nilai mean dari masing-masing faktor akan

digunakan untuk menghitung dissimilarity atau nilai yang menunjukkan

perbedaan masing-masing observasi dari observasi lainnya.


commit to user

IV-26

Tabel 4.25 Descriptive Statistics


Penilaian tidak didasarkan pada besarnya nilai dissimilarity melainkan

pada perbedaan nilai dissimilarity yang jauh lebih besar dari nilai dissimilarity

yang lainnya. Tabel 4.26 menunjukkan 15 nilai dissimilarity yang paling besar

dari 51 pengamatan. Dari tabel di atas dapat dilihat bahwa nilai dissimilarity pada

masing-masing observasi memiliki perbedaan yang kecil bahkan cenderung sama

pada pengamatan 56 dan 121 serta 54 dan 133. Dari hasil ini dapat disimpulkan

bahwa tidak ditemukan outliers pada 51 pengamatan.

Tabel 4.26 Nilai Dissimilarity

Langkah selanjutnya adalah menentukan pengukuran kemiripan objek

yang akan digunakan dalam analisis cluster. Karena keenam atribut merupakan

data metric, squared euclidean distances yang akan dipakai. Keenam atribut yang

mewakili masing-masing faktor dari analisis faktor dapat mencegah munculnya

multicollinearity pada data pengamatan. Karena semua atribut dicatat dari skala

yang sama (1 sampai 5) maka tidak diperlukan penstandarisasian data.

C. Pembentukan Cluster Pertamax

Tahap selanjutnya adalah menggunakan prosedur hierarkis untuk

menggambarkan seluruh solusi cluster yang memungkinkan yang selanjutnya

akan digunakan untuk mengidentifikasi jumlah solusi yang akan dipertahankan.

Jumlah solusi ini selanjutnya akan digunakan pada analisis menggunakan

prosedur nonhierarkis untuk menentukan solusi cluster akhir.

1 2 3 4 5 6 1 2 3 4 5 6

80 -1,412 0,608 -2,726 0,941 0,451 -1,588 1,993 0,369 7,428 0,886 0,203 2,522 13,403

91 -1,412 -0,392 -1,726 0,941 -2,549 0,412 1,993 0,154 2,977 0,886 6,497 0,170 12,677

31 0,588 0,608 -2,726 -1,059 0,451 1,412 0,346 0,369 7,428 1,121 0,203 1,993 11,461

73 0,588 0,608 1,275 -2,059 0,451 -1,588 0,346 0,369 1,624 4,239 0,203 2,522 9,304

56 0,588 0,608 1,275 0,941 0,451 2,412 0,346 0,369 1,624 0,886 0,203 5,817 9,246

121 0,588 0,608 1,275 0,941 0,451 2,412 0,346 0,369 1,624 0,886 0,203 5,817 9,246

37 0,588 -1,392 -1,726 -0,059 0,451 -1,588 0,346 1,938 2,977 0,003 0,203 2,522 7,991

52 -1,412 0,608 -0,726 -0,059 -1,549 -1,588 1,993 0,369 0,526 0,003 2,399 2,522 7,814

68 0,588 0,608 0,275 0,941 0,451 2,412 0,346 0,369 0,075 0,886 0,203 5,817 7,697

30 -0,412 0,608 0,275 -2,059 0,451 -1,588 0,170 0,369 0,075 4,239 0,203 2,522 7,579

90 -0,412 -0,392 0,275 -2,059 0,451 -1,588 0,170 0,154 0,075 4,239 0,203 2,522 7,363

41 -0,412 -0,392 0,275 0,941 0,451 2,412 0,170 0,154 0,075 0,886 0,203 5,817 7,305

89 0,588 -0,392 -1,726 -1,059 0,451 1,412 0,346 0,154 2,977 1,121 0,203 1,993 6,795

54 0,588 0,608 0,275 0,941 -1,549 -1,588 0,346 0,369 0,075 0,886 2,399 2,522 6,598

133 -0,412 -0,392 -1,726 0,941 0,451 1,412 0,170 0,154 2,977 0,886 0,203 1,993 6,383

ObservationDifferent from Mean Squared Different from Mean

Total


commit to user

IV-27

Algoritma cluster merupakan alat untuk melihat kemiripan/kesamaan

antara cluster dengan anggotanya. Algoritma cluster yang akan digunakan dalam

analisis ini adalah kombinasi dari ukuran kemiripan (squared euclidean distances)

dan metode ward. Metode ward digunakan karena kecenderungan untuk

menghasilkan cluster yang homogen dan relatif memiliki ukuran yang sama.

Tabel 4.27 Hasil Aglomerasi Prosedur Hierarkis

Tabel 4.27 menunjukkan sebagian dari hasil aglomerasi yang dihasilkan

oleh prosedur hierarkis. Pada tahap 1, cluster 50 dan 51 adalah yang pertama kali

bergabung dengan koefisien aglomerasi, yang merupakan jumlah kuadrat

pengamatan ketika menggunakan algoritma ward, hanya 0,000. Pada tahap 50,

cluster 1 dan 3 bergabung. Hasilnya adalah bahwa semua 51 pengamatan

sekarang dalam cluster tunggal yang besar dan tahap ini memiliki koefisien

aglomerasi 254,47. Hal ini jauh lebih besar daripada koefisien dalam tahap 1.

Karena data melibatkan profil pengguna bahan bakar minyak dan tujuan dari

penelitian ini adalah untuk mengidentifikasi jenis pelanggan atau profil yang

dapat membentuk dasar untuk strategi yang berbeda, sejumlah segmen yang

mudah dikelola akan berada pada kisaran lebih dari dua tetapi tidak lebih dari

enam atau tujuh cluster.

Aturan berhenti pada tahap aglomerasi yang akan digunakan adalah

berdasarkan pada perubahan heterogenitas diantara cluster yang terbentuk. Ketika

kenaikan yang besar terjadi pada nilai heterogenitas saat berpindah ke tahap

berikutnya, tahap aglomerasi akan dihentikan dan memilih solusi cluster yang

sudah terbentuk sebelumnya karena tahap selanjutnya akan menggabungkan dua

cluster yang berbeda.

Cluster 1 Cluster 2 Cluster 1 Cluster 2

1 50 51 0,00 0 0 2

2 49 50 0,00 0 1 30

3 19 45 0,00 0 0 13

4 13 30 0,00 0 0 38

5 34 48 0,50 0 0 26

…

46 7 8 119,65 42 39 48

47 3 6 140,13 44 43 50

48 7 9 161,99 46 45 49

49 1 7 201,47 37 48 50

50 1 3 254,47 49 47 0

StageCluster Combined

CoefficientsStage Cluster First Appears

Next Stage


commit to user

IV-28

Tabel 4.28 Proporsi Kenaikan Heterogenitas

Koefisien aglomerasi yang kecil berarti bahwa cluster yang homogen telah

terbentuk, sebaliknya menggabungkan dua cluster yang berbeda akan

menghasilkan nilai koefisien aglomerasi yang besar. Karena setiap penggabungan

cluster selalu meningkatkan nilai koefisien aglomerasi, maka aturan perhentian

tahap aglomerasi akan difokuskan pada persentase perubahan yang besar pada

koefisien aglomerasi.

Dari Tabel 4.28 dapat dilihat bahwa terdapat penambahan yang besar pada

koefisien aglomerasi terutama pada tahap 46 ke 47 (17,12%) dan 48 ke 49

(24,38%). Pada tahap 50 terlihat bahwa terjadi peningkatan yang besar (26,31%)

dalam koefisien aglomerasi. Hal ini disebabkan karena menggabungkan dua

cluster menjadi satu cluster yang terdiri dari 51 pengamatan. Dari nilai proporsi

kenaikan heterogenitas diatas, terjadi kenaikan yang cukup besar pada tahap 49

yaitu sebesar 24,38% yang sebelumnya sebesar 15,59% pada tahap 48. Hal ini

berarti bahwa solusi tiga cluster memiliki nilai koefisien heterogenitas yang jauh

lebih kecil daripada solusi dua cluster.

Hal ini dapat dilihat pada scree plot untuk persentase perubahan

heterogenitas pada Gambar 4.6. Dari scree plot, dapat dilihat dengan jelas bahwa

terjadi penambahan proporsi kenaikan yang cukup besar saat bergerak dari solusi

tiga cluster menjadi dua cluster sehingga solusi yang akan digunakan adalah

solusi tiga cluster.

Gambar 4.6 Persentase Perubahan Heterogenitas

Cluster Cluster

43 6 10 87,30 8 8,833 11,26%

44 3 4 96,33 7 9,034 10,35%

45 9 38 105,94 6 9,607 9,97%

46 7 8 119,65 5 13,708 12,94%

47 3 6 140,13 4 20,488 17,12%

48 7 9 161,99 3 21,853 15,59%

49 1 7 201,47 2 39,485 24,38%

50 1 3 254,47 1 52,999 26,31%

TahapPenggabungan

Koefisien Jumlah Cluster yang Terbentuk Perbedaan Proporsi Kenaikan Heterogenitas

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

30,00%

8 7 6 5 4 3 2 1

Pe

rse

nta

se K

en

aika

n

Jumlah Klaster

Persentase Kenaikan Heterogenitas


commit to user

IV-29

D. Interpretasi Cluster Pertamax

Langkah selanjutnya adalah melakukan interpretasi cluster dengan

menggunakan jumlah cluster yang merupakan hasil dari proses hierarkis yang

sudah dilakukan sebelumnya. Analisis cluster nonhierarkis selanjutnya akan

menghasilkan solusi cluster yang paling optimal. Hasil dari analisis cluster

nonhierarki 3 cluster dapat dilihat pada Tabel 4.29.

Tabel 4.29 Analisis Cluster Pertamax

Cluster pertamax 1 terdiri dari 20 pengamatan dan cluster ini menganggap

bahwa faktor 1 (keiritan bahan bakar minyak) merupakan faktor paling penting

dalam penggunaan bahan bakar minyak. Cluster pertamax 2 terdiri dari 20

pengamatan dan cluster ini menganggap bahwa faktor 2 (kesesuaian bahan bakar

minyak) dan faktor 5 (harga bahan bakar minyak) merupakan faktor yang paling

penting dalam penggunaan bahan bakar minyak. Cluster pertamax 3 terdiri dari 11

pengamatan dan cluster ini menganggap bahwa faktor 5 (harga bahan bakar

minyak) merupakan faktor yang paling penting dalam penggunaan bahan bakar

minyak. Perbedaan antara cluster pertamax 2 dan cluster pertamax 3 terletak pada

faktor 3 (prestise). Cluster pertamax 2 menganggap bahwa faktor 3 (prestise)

merupakan faktor yang penting dalam penggunaan bahan bakar minyak.

Sedangkan cluster pertamax 3 menganggap bahwa faktor 3 (prestise) bukan


E. Profiling Cluster Pertamax

Tujuan dari penelitian ini adalah untuk menentukan profil masing-masing

cluster yang terbentuk sebagai dasar penyusunan strategi pemasaran yang tepat

berdasarkan kemiripan cluster yang terbentuk. Oleh karena itu, cluster yang telah

terbentuk selanjutnya dijabarkan berdasarkan profil yang dimiliki. Tabel 4.30

menunjukkan profil masing-masing cluster yang terbentuk.

1 2 3

Faktor_1 4.55 4.40 4.18

Faktor_2 4.30 4.70 4.00

Faktor_3 4.20 4.15 2.09

Faktor_4 4.25 3.85 4.09

Faktor_5 4.30 4.70 4.73

Faktor_6 3.65 1.35 2.91

Jumlah Pengamatan 20 20 11

Klaster


commit to user

V-1

BAB V

INTERPRETASI HASIL

Bab ini membahas interpretasi pengolahan data pada bab sebelumnya

sehingga hasil dari analisis faktor dan analisis cluster dapat diuraikan secara

kualitatif. Bab interpretasi hasil terdiri dari pembahasan mengenai faktor yang

mempengaruhi penggunaan bahan bakar minyak, pembahasan cluster premium,

pembahasan cluster pertamax dan implementasi strategi pemasaran terhadap

masing-masing cluster premium.

5.1 Faktor yang Mempengaruhi Penggunaan Bahan Bakar Minyak

Dalam analisis faktor dilakukan proses pengelompokan atribut-atribut

awal ke dalam atribut-atribut baru hasil ekstraksi yang disebut faktor. Tidak

semua atribut awal masuk dalam faktor-faktor yang terbentuk karena setelah

diolah dengan analisis faktor, terjadi reduksi atribut awal.

Sebelum analisis faktor, terdapat lima belas atribut sebagai atribut yang

dikelompokkan dalam sembilan set variabel. Setelah pengolahan data, atribut

awal tersebut tereduksi menjadi 14 atribut yang terkelompok dalam enam faktor.

Atribut yang tereduksi adalah atribut ketersediaan bahan bakar minyak. Atribut

ketersediaan bahan bakar minyak dihapuskan dari daftar atribut karena bukan

merupakan anggota salah satu faktor.

Dari proses ekstraksi faktor, keenam faktor yang terbentuk dapat

menjelaskan 74,290% total variansi data. Ini berarti penelitian ini memperlihatkan

bahwa pemilihan bahan bakar minyak yang digunakan responden dapat dijelaskan

dengan baik oleh keenam faktor yang terbentuk. Sedangkan sisanya 25,71%

mungkin dibentuk oleh atribut-atribut lain yang belum terdeteksi oleh penelitian

ini. Faktor yang muncul sebagai hasil dari analisis faktor adalah keiritan bahan

bakar minyak, kesesuaian bahan bakar minyak, prestise, kemudahan & pelayanan,

harga bahan bakar minyak dan pendekatan persuasif.

5.1.1 Keiritan Bahan Bakar Minyak

Menurut hasil penelitian, keiritan bahan bakar minyak mempunyai nilai

persentase variansi 7,689%, yang berarti keiritan bahan bakar minyak mampu

menjelaskan 7,689% dari total varians seluruh atribut. Keiritan bahan bakar


commit to user

V-2

minyak hanya mencakup satu atribut yaitu keiritan bahan bakar minyak.

Berdasarkan bobot faktornya, keiritan bahan bakar minyak merupakan faktor yang

penting bagi konsumen (0,950).

5.1.2 Kesesuaian Bahan Bakar Minyak

Menurut hasil penelitian, kesesuaian bahan bakar minyak mempunyai nilai

persentase variansi 12,705%, yang berarti kesesuaian bahan bakar minyak mampu

menjelaskan 12,705% dari total varians seluruh atribut. Kesesuaian bahan bakar

minyak mencakup dua atribut yaitu kesesuaian takaran bahan bakar minyak dan

kesesuaian nilai oktan bahan bakar minyak. Berdasarkan bobot faktor yang paling

besar berturut-turut adalah kesesuaian takaran (0,830) dan kesesuaian nilai oktan

(0,467). Dari hasil ini, dapat dilihat bahwa atribut kesesuaian takaran lebih

dianggap penting oleh responden daripada kesesuaian nilai oktan. Nilai yang

rendah pada kesesuaian nilai oktan, disebabkan karena responden tidak mungkin

melakukan pengecekan kesesuaian nilai oktan tanpa bantuan pihak yang

kompeten. Hal ini seharusnya dilakukan oleh pemerintah maupun lembaga

independen lain untuk memastikan kesesuaian nilai oktan yang diterima

konsumen.

5.1.3 Prestise

Menurut hasil penelitian, prestise mempunyai nilai persentase variansi

11,439%, yang berarti prestise mampu menjelaskan 11,439% dari total varians

seluruh atribut. Prestise mencakup dua atribut yaitu perusahaan yang

memproduksi bahan bakar minyak dan nilai prestise. Berdasarkan bobot faktor

yang paling besar berturut-turut adalah perusahaan yang memproduksi bahan

bakar minyak (0,676) dan nilai prestise (0,672). Perusahaan yang memproduksi

bahan bakar minyak dan nilai prestise merupakan atribut yang dianggap cukup

penting oleh responden.

5.1.4 Kemudahan & Pelayanan

Menurut hasil penelitian, kemudahan & pelayanan mempunyai nilai

persentase variansi 14,966%, yang berarti faktor kemudahan & pelayanan mampu

menjelaskan 14,966% dari total varians seluruh atribut. Kemudahan & pelayanan

mencakup empat atribut yaitu pelayanan operator, kemudahan pembayaran,

sistem antrian dan jaminan ketepatan pengembalian. Berdasarkan bobot faktor


commit to user

V-3

yang paling besar berturut-turut adalah kemudahan pembayaran (0,823),

pelayanan operator (0,768), sistem antrian (0,613) dan jaminan ketepatan

pengembalian (0,490). Dari keempat atribut tersebut, kemudahan pembayaran

merupakan atribut yang paling dianggap penting oleh responden. Sedangkan

jaminan ketepatan pengembalian merupakan atribut yang berada pada urutan

terakhir dari segi kepentingannya menurut responden.

5.1.5 Harga Bahan Bakar Minyak

Menurut hasil penelitian, harga bahan bakar minyak mempunyai nilai

persentase variansi 11,067%, yang berarti harga bahan bakar minyak mampu

menjelaskan 11,067% dari total varians seluruh atribut. Harga mencakup dua

atribut yaitu harga bahan bakar minyak dan stabilitas harga bahan bakar minyak.

Berdasarkan bobot faktor yang paling besar berturut-turut adalah harga bahan

bakar minyak (0,850) dan stabilitas harga bahan bakar minyak (0,845). Dari bobot

faktornya, dapat dilihat bahwa harga dan stabilitas bahan bakar minyak

merupakan atribut yang penting bagi responden.

5.1.6 Pendekatan Persuasif

Menurut hasil penelitian, pendekatan persuasif mempunyai nilai persentase

variansi 16,424%, yang berarti faktor kemudahan & pelayanan mampu

menjelaskan 16,424% dari total varians seluruh atribut. Pendekatan persuasif

mencakup tiga atribut yaitu pengaruh iklan, fatwa pemuka agama dan himbauan

pemerintah. Berdasarkan bobot faktor yang paling besar berturut-turut adalah

himbauan pemerintah (0,870), fatwa pemuka agama (0,838) dan pengaruh iklan

(0,725). Dari ketiga atribut tersebut, himbauan pemerintah merupakan atribut

yang paling dianggap penting oleh responden. Sedangkan pengaruh iklan

merupakan atribut yang berada pada urutan terakhir dari segi kepentingannya

menurut responden.

5.2 Cluster Premium

Cluster premium merupakan segmen yang terbentuk dari analisis cluster

terhadap data pengguna bahan bakar minyak premium. Segmen yang telah

terbentuk selanjutnya akan digunakan untuk menentukan karakteristik masing-

masing cluster sebagai dasar penyusunan strategi pemasaran yang tepat untuk

masing-masing cluster.


commit to user

V-4

5.2.1 Cluster Premium 1

Cluster premium 1 mewakili 29% dari seluruh responden pengguna

premium dan cluster ini menganggap bahwa kesesuaian bahan bakar minyak

merupakan faktor paling penting dalam penggunaan bahan bakar minyak.

Karakteristik dari cluster ini antara lain ; sebagian besar responden

merupakan pengguna mobil Toyota, sebagian besar responden tidak tahu

mengenai bahan bakar minyak yang sesuai berdasarkan buku manualnya,

sebagian besar responden menganggap bahwa perbedaan premium dan pertamax

terletak pada nilai oktan yang berbeda, sebagian besar responden merupakan

mahasiswa/pelajar, sebagian besar responden menghabiskan antara Rp 100.000 –

Rp 500.000 untuk mengisi bahan bakar setiap bulan, sebagian besar responden

menghabiskan kurang dari dua jam untuk menonton televisi setiap hari, sebagian

besar responden menghabiskan kurang lebih lima belas menit untuk membaca

koran setiap hari, sebagian besar responden memilih Kompas sebagai surat kabar

yang sering dibaca, sebagian besar responden menyukai acara televisi olahraga

dan berita, sebagian besar responden setuju dengan kebijakan menaikkan harga

premium menjadi Rp 5.000/liter, sebagian besar responden mempunyai

pendapatan diantara Rp 1.000.000 – Rp 5.000.000 setiap bulan.



premium dan cluster ini menganggap bahwa harga bahan bakar minyak

merupakan faktor yang paling penting dalam penggunaan bahan bakar minyak.

Selain itu, cluster premium 2 menganggap kemudahan dan pelayanan merupakan

faktor penting dalam penggunaan bahan bakar minyak.


merupakan pengguna mobil Honda, sebagian besar responden menyatakan

premium sebagai bahan bakar minyak yang sesuai berdasarkan buku manualnya,



pegawai swasta, sebagian besar responden menghabiskan antara Rp 100.000 – Rp

500.000 untuk mengisi bahan bakar setiap bulan, sebagian besar responden



commit to user

V-5


koran setiap hari, sebagian besar responden memilih Kompas dan Solopos sebagai

surat kabar yang sering dibaca, sebagian besar responden menyukai acara televisi

komedi, sebagian besar responden setuju dengan kebijakan larangan penggunaan

premium untuk mobil keluaran tahun 2005 ke atas, sebagian besar responden

mempunyai pendapatan diantara Rp 1.000.000 – Rp 5.000.000 setiap bulan.



premium dan cluster ini menganggap bahwa keiritan bahan bakar minyak



merupakan pengguna mobil Honda, sebagian besar responden menyatakan tidak

tahu mengenai bahan bakar minyak yang sesuai berdasarkan buku manualnya,





menghabiskan antara tiga sampai empat jam untuk menonton televisi setiap hari,

sebagian besar responden menghabiskan kurang lebih lima belas menit untuk

membaca koran setiap hari, sebagian besar responden memilih Solopos sebagai


otomotif, sebagian besar responden setuju dengan kebijakan larangan penggunaan

premium untuk mobil keluaran tahun 2005 ke atas, sebagian besar responden

mempunyai pendapatan diantara Rp 1.000.000 – Rp 5.000.000 setiap bulan.



premium dan cluster ini menganggap bahwa harga bahan bakar minyak


Selain itu, cluster premium 4 menganggap kemudahan dan pelayanan bukan

merupakan faktor penting dalam penggunaan bahan bakar minyak.


merupakan pengguna mobil Honda dan Toyota, sebagian besar responden


commit to user

V-6

menyatakan premium sebagai bahan bakar minyak yang sesuai berdasarkan buku

manualnya, sebagian besar responden menganggap bahwa perbedaan premium

dan pertamax terletak pada nilai oktan yang berbeda, sebagian besar responden

merupakan mahasiswa/pelajar, sebagian besar responden menghabiskan antara Rp

500.000 – Rp 1.000.000 untuk mengisi bahan bakar setiap bulan, sebagian besar

responden menghabiskan kurang dari dua jam untuk menonton televisi setiap hari,

sebagian besar responden menghabiskan kurang lebih tiga puluh menit untuk

membaca koran setiap hari, sebagian besar responden memilih Kompas sebagai


berita, sebagian besar responden setuju dengan kebijakan larangan penggunaan

premium untuk mobil plat merah maupun penghapusan subsidi premium,

sebagian besar responden mempunyai pendapatan diantara Rp 1.000.000 – Rp

5.000.000 setiap bulan.

5.3 Cluster Pertamax

Cluster pertamax merupakan segmen yang terbentuk dari analisis cluster

terhadap data pengguna bahan bakar minyak pertamax. Segmen yang telah

terbentuk selanjutnya akan digunakan untuk dibandingkan dengan segmen yang

terbentuk dari analisis cluster premium untuk melihat apakah terdapat kemiripan

antara segmen pengguna premium dengan segmen pengguna pertamax dan

melihat potensi beralihnya pengguna pertamax kembali ke premium. Berdasarkan

kemiripan yang diperoleh selanjutnya akan digunakan sebagai dasar penyusunan

strategi pemasaran yang tepat untuk masing-masing cluster pengguna premium

dan menentukan cluster pertamax yang paling berpotensi untuk beralih menjadi

pengguna premium.

5.3.1 Cluster Pertamax 1

Cluster pertamax 1 mewakili 39% dari seluruh responden pengguna

pertamax dan cluster ini menganggap bahwa keiritan bahan bakar minyak

merupakan faktor paling penting dalam penggunaan bahan bakar minyak.



pertamax merupakan bahan bakar minyak yang sesuai berdasarkan buku

manualnya, sebagian besar responden menganggap bahwa perbedaan premium


commit to user

V-7

dan pertamax terletak pada nilai oktan yang berbeda, sebagian besar responden

merupakan pegawai swasta, sebagian besar responden menghabiskan antara Rp

1.000.000 – Rp 1.500.000 untuk mengisi bahan bakar setiap bulan, sebagian besar

responden menghabiskan antara tiga sampai empat jam untuk menonton televisi

setiap hari, sebagian besar responden menghabiskan kurang lebih tiga puluh menit

untuk membaca koran setiap hari, sebagian besar responden memilih Kompas

sebagai surat kabar yang sering dibaca, sebagian besar responden menyukai acara

televisi berita, sebagian besar responden setuju dengan kebijakan larangan

penggunaan premium untuk mobil pribadi keluaran tahun 2005 ke atas, sebagian

besar responden mempunyai pendapatan diantara Rp 1.000.000 – Rp 5.000.000

setiap bulan.

Cluster ini merupakan cluster yang tergolong sulit untuk berpindah dari

pertamax ke premium apabila dilihat dari persepsi terhadap masing-masing faktor

dan profil yang terbentuk. Cluster ini menganggap bahwa keiritan bahan bakar

minyak merupakan faktor yang paling penting dalam penggunaan bahan bakar

minyak dan sebagian besar anggota cluster ini mengetahui bahwa pertamax

merupakan bahan bakar minyak yang sesuai dengan spesifikasi mesin

kendaraannya. Dari profil yang terbentuk, dilihat dari pekerjaan responden,

terlihat bahwa sebagian besar anggota cluster ini merupakan pegawai swasta

dengan pendapatan antara Rp 10.000.000 - Rp 15.000.000 dan konsumsi bahan

bakar minyak antara Rp 1.000.000 - Rp 1.500.000. Apabila dilihat dari kebijakan

yang sesuai dengan harapan responden, sebagian besar anggota cluster ini

memilih larangan penggunaan premium untuk mobil pribadi keluaran tahun 2005

ke atas yang menggambarkan bahwa anggota cluster ini enggan beralih menjadi

pengguna premium.


Cluster pertamax 2 mewakili 39% dari seluruh pengguna pertamax dan

cluster ini menganggap bahwa kesesuaian bahan bakar minyak dan harga bahan

bakar minyak merupakan faktor yang paling penting dalam penggunaan bahan

bakar minyak. Selain itu, cluster pertamax 2 menganggap bahwa prestise



commit to user

V-8


merupakan pengguna mobil Nissan, sebagian besar responden menyatakan

pertamax sebagai bahan bakar minyak yang sesuai berdasarkan buku manualnya,




1.000.000 untuk mengisi bahan bakar setiap bulan, sebagian besar responden




yang sering dibaca, sebagian besar responden menyukai acara televisi otomotif,

sebagian besar responden setuju dengan kebijakan penghapusan subsidi premium,

sebagian besar responden mempunyai pendapatan antara Rp 1.000.000 – Rp

5.000.000 setiap bulan.

Cluster ini merupakan cluster yang paling sulit untuk berpindah dari

pertamax ke premium apabila dilihat dari persepsi terhadap masing-masing faktor

dan profil yang terbentuk. Cluster ini menganggap bahwa kesesuaian dan

stabilitas harga bahan bakar minyak merupakan faktor yang paling penting dalam

penggunaan bahan bakar minyak. Selain itu, cluster ini menganggap bahwa

prestise merupakan faktor yang penting dalam penggunaan bahan bakar minyak

sehingga cluster ini sulit untuk beralih menjadi pengguna premium. Dari profil

yang terbentuk, dilihat dari pekerjaan responden, terlihat bahwa sebagian besar

anggota cluster ini merupakan wiraswasta/pengusaha dengan pendapatan > Rp

15.000.000 dan konsumsi bahan bakar minyak antara Rp 1.000.000 - Rp

1.500.000. Apabila dilihat dari kebijakan yang sesuai dengan harapan responden,

sebagian besar anggota cluster ini memilih larangan penggunaan premium untuk

mobil pribadi keluaran tahun 2005 ke atas yang menggambarkan bahwa anggota

cluster ini enggan beralih menjadi pengguna premium.


Cluster pertamax 3 mmewakili 32% dari seluruh responden pengguna

pertamax dan cluster ini menganggap harga bahan bakar minyak merupakan

faktor yang paling penting dalam penggunaan bahan bakar minyak. Selain itu,


commit to user

V-9

cluster pertamax 3 menganggap bahwa prestise bukan merupakan faktor yang

penting dalam penggunaan bahan bakar minyak



pertamax sebagai bahan bakar minyak yang sesuai berdasarkan buku manualnya,






besar responden menghabiskan kurang lebih tiga puluh menit untuk membaca


yang sering dibaca, sebagian besar responden menyukai acara televisi berupa

acara musik, sebagian besar responden setuju dengan kebijakan larangan

penggunaan premium untuk mobil pribadi keluaran tahun 2005 ke atas, sebagian

besar responden mempunyai pendapatan antara Rp 1.000.000 – Rp 5.000.000

setiap bulan.

Dari ketiga cluster pertamax yang terbentuk, cluster ini merupakan satu-

satunya cluster yang paling berpotensi untuk beralih menjadi pengguna premium.

Hal ini dapat dilihat pada persepsi anggota cluster ini terhadap masing-masing

faktor. Faktor yang dianggap paling penting oleh cluster ini adalah faktor harga

bahan bakar dan faktor prestise dianggap bukan merupakan faktor penting dalam

penggunaan bahan bakar minyak. Selain itu sebagian besar anggota cluster ini

merupakan pelajar/mahasiswa dengan pendapatan < Rp 1.000.000 setiap bulan

dan menghendaki kebijakan menaikkan harga premium menjadi Rp 5.000/liter

menegaskan bahwa anggota cluster ini sangat berpotensi untuk beralih menjadi

pengguna premium.

5.4 Strategi Pemasaran

Langkah selanjutnya adalah menemukan kemiripan antara cluster

pengguna premium dengan cluster pengguna pertamax. Berdasarkan kemiripan

tersebut akan disusun strategi pemasaran yang tepat untuk cluster pengguna

premium untuk dapat beralih menjadi pengguna pertamax.


commit to user

V-10


Cluster premium 1 memiliki kemiripan dengan cluster pertamax 2. Hal ini

didasarkan pada kesesuaian bahan bakar minyak yang dianggap faktor yang

paling penting pada kedua cluster. Perbedaan kedua cluster ini terletak pada

prestise, kemudahan dan pelayanan. Pada cluster premium 1, prestise dan

kemudahan dan pelayanan bukan merupakan faktor yang penting dalam

penggunaan bahan bakar minyak. Berbeda dengan cluster pertamax 2, yang

menganggap prestise, kemudahan dan pelayanan merupakan faktor yang penting.

Untuk dapat mengalihkan cluster premium 1 menjadi pengguna pertamax

maka hal pertama yang harus dilakukan adalah melakukan pendekatan pada faktor

yang dianggap penting oleh cluster premium 1 (selain harga bahan bakar minyak)

yaitu keiritan bahan bakar minyak dan kesesuaian bahan bakar minyak.

Peningkatan kualitas/layanan maupun informasi yang berkaitan dengan

keiritan dan kesesuaian bahan bakar minyak akan sangat berpengaruh pada

penggunaan bahan bakar minyak oleh responden cluster premium 1. Oleh karena

itu, penyampaian keterangan mengenai berapa km jarak yang dapat ditempuh

dengan menggunakan pertamax dibandingkan jarak yang dapat ditempuh dengan

menggunakan premium akan sangat membantu cluster ini untuk beralih menjadi

pengguna pertamax. Selain itu, kesesuaian takaran bahan bakar minyak dapat

ditingkatkan dengan program “Pasti Pas” yang sudah dijalankan Pertamina.

Dengan bertambah luasnya jaringan SPBU Pasti Pas, akan semakin

menggerakkan responden cluster ini untuk berpindah dari premium ke pertamax.

Dari data profil cluster didapatkan bahwa sebagian besar anggota cluster

ini tidak mengetahui bahan bakar yang sesuai dengan mesin kendaraannya. Selain

itu, sebagian besar cluster ini telah mengetahui perbedaan premium dan pertamax

terletak pada nilai oktan yang berbeda. Yang mungkin belum mereka ketahui

adalah kebutuhan mesin kendaraan yang dimiliki terhadap nilai oktan tertentu.

Dengan adanya informasi mengenai nilai oktan dan spesifikasi mesin kendaraan

yang dipakai, diharapkan dapat meningkatkan pengalihan pengguna premium

pada cluster ini menjadi pengguna pertamax.

Sebagian besar anggota cluster premium 1 merupakan mahasiswa/pelajar

dengan konsumsi bahan bakar antara Rp 100.000 – Rp 500.000 setiap bulan.


commit to user

V-11

Dengan pendapatan kurang dari Rp 1.000.000 setiap bulan. Profil ini menjelaskan

mengapa anggota cluster ini mengetahui perbedaan antara premium dan pertamax

terletak pada nilai oktan yang berbeda tetapi tidak mengetahui bahan bakar

minyak sesuai buku manualnya. Hal ini disebabkan karena mobil yang digunakan

bukan merupakan kepemilikan pribadi tetapi masih merupakan milik dari orang

tua mahasiswa/pelajar tersebut. Untuk mendekati anggota cluster ini dapat

ditempuh dengan kunjungan ke beberapa sekolah/universitas yang dianggap

representatif untuk memberikan informasi mengenai kebutuhan mesin dengan

nilai oktan bahan bakarnya dan efeknya terhadap keawetan mesin. Hal ini

dianggap efektif karena sebagai pelajar/mahasiswa seharusnya lebih bisa

menyadari dan mengetahui manfaat menggunakan pertamax bagi keawetan mesin

dari segi teknis. Selain itu, penempatan billboard maupun spanduk pada beberapa

sudut sekolah/universitas akan lebih efektif untuk menjangkau anggota cluster ini.

Sebagian besar anggota cluster ini menghabiskan kurang dari 2 jam setiap

hari untuk menonton televisi dan kurang lebih 15 menit setiap hari untuk

membaca surat kabar. Surat kabar yang sering dibaca adalah Kompas dan acara

televisi yang paling disukai adalah olahraga. Data ini dapat digunakan untuk

melakukan pendekatan yang tepat dalam usaha untuk memberikan informasi

mengenai kebutuhan mesin kendaraan yang dimiliki terhadap nilai oktan tertentu

seperti menyelipkan iklan pada acara televisi olahraga maupun melalui surat kabar

Kompas yang merupakan surat kabar yang sering dibaca oleh anggota cluster ini.

Selain itu, sebagian besar cluster ini setuju dengan kebijakan menaikkan harga

premium menjadi Rp 5.000/liter saat ditanya mengenai kebijakan yang tepat yang

seharusnya diambil pemerintah. Hal ini semakin memperjelas bahwa cluster ini

terkesan enggan untuk berpindah dari premium menuju pertamax.


Cluster premium 2 memiliki kemiripan dengan cluster pertamax 3. Hal ini

didasarkan pada penilaian seluruh faktor yang hampir sama antara cluster

premium 2 dengan cluster pertamax 3. Baik cluster premium 2 dan cluster

pertamax 3 mengganggap bahwa keiritan bahan bakar minyak, kesesuaian bahan

bakar minyak, kemudahan dan pelayanan dan harga bahan bakar minyak

merupakan faktor penting dalam penggunaan bahan bakar minyak. Selain itu,


commit to user

V-12

kedua cluster juga mengganggap bahwa prestise dan pendekatan persuasif bukan

merupakan faktor penting dalam penggunaan bahan bakar minyak.

Karena kemiripan yang muncul pada semua faktor, cluster premium 2

merupakan cluster yang potensial untuk dapat dialihkan menjadi pengguna

pertamax. Untuk dapat menjangkau cluster ini agar dapat beralih dari cluster

pengguna premium menjadi pengguna pertamax, faktor yang perlu dibenahi

adalah kemudahan dan pelayanan. Kemudahan dalam melakukan pembayaran

baik itu dengan menggunakan kartu kredit maupun debit dengan disertai dengan

voucher potongan harga maupun hadiah menarik lainnya akan sangat membantu

untuk mengalihkan cluster ini menjadi pengguna pertamax. Hal lain yang harus

diperhatikan adalah pelayanan yang diberikan dan sistem antrian. Pelayanan

operator saat mengisi bahan bakar minyak dan sistem antrian yang menjamin

kecepatan pelayanan merupakan faktor penting yang akan sangat berpengaruh

pada cluster ini. Harga bahan bakar minyak yang termasuk dalam faktor penting

dalam penggunaan bahan bakar minyak oleh cluster ini lebih mengarah pada

stabilitas harga bahan bakar minyak. Dengan kata lain, anggota cluster ini lebih

mementingkan stabilitas harga bahan bakar minyak daripada tinggi rendahnya

harga bahan bakar minyak.


ini menganggap bahwa premium merupakan bahan bakar yang sesuai dengan

spesifikasi mesin kendaraannya dan sebagian lainnya tidak mengetahui bahan

bakar yang sesuai dengan spesifikasi mesin kendaraannya. Oleh karena itu,

anggota cluster ini perlu diberikan pengetahuan mengenai spesifikasi mesin

kendaraan dan nilai oktan yang dibutuhkan. Sebagian besar anggota cluster ini

menganggap bahwa perbedaan premium dan pertamax terletak pada nilai oktan

yang berbeda sehingga memudahkan penyampaian informasi bahwa semakin

tinggi spesifikasi mesin akan semakin membutuhkan nilai oktan yang lebih tinggi.

Data bahwa sebagian cluster ini mempunyai pekerjaan sebagai pegawai swasta

dan pengusaha/wiraswasta dengan pendapatan antara Rp 5.000.000 – Rp

10.000.000 setiap bulan semakin memperkuat potensi cluster ini untuk dijadikan

prioritas pengalihan pengguna premium menuju pengguna pertamax. Untuk dapat

melakukan pendekatan dengan cluster ini dapat dilakukan melalui media surat


commit to user

V-13

kabar Solopos, yang merupakan surat kabar yang paling sering dibaca oleh

anggota cluster ini dan melalui media iklan televisi terutama melalui iklan pada

acara ber-genre komedi. Selain itu, sebagian besar anggota cluster ini mendukung

kebijakan larangan penggunaan premium untuk mobil pribadi keluaran tahun

2005 ke atas. Dilihat dari kebijakan yang dipilih dapat dilihat bahwa anggota

cluster ini sebenarnya bersedia untuk beralih menggunakan pertamax apabila

mengetahui hubungan antara spesifikasi mesin dengan nilai oktan bahan bakar

minyak yang dibutuhkan.


Cluster premium 3 memiliki kemiripan dengan cluster pertamax 1.

Kemiripan ini muncul pada penilaian pada semua faktor. Cluster premium 3 dan

cluster pertamax 1 menganggap keiritan bahan bakar minyak, kesesuaian bahan

bakar minyak, prestise, kemudahan dan pelayanan dan harga bahan bakar minyak

merupakan faktor yang penting dalam penggunaan bahan bakar minyak. Selain

itu, kedua faktor tersebut juga menganggap bahwa pendekatan persuasif bukan

merupakan faktor yang penting.

Untuk dapat mengalihkan cluster premium 3 menjadi pengguna pertamax,

hal yang harus dilakukan adalah meningkatkan kualitas pada kelima faktor yang

dianggap penting oleh cluster premium 3. Langkah pertama yang dapat dilakukan

adalah menyampaikan informasi mengenai manfaat yang didapat saat beralih

menggunakan pertamax. Manfaat tersebut dapat berupa informasi mengenai jarak

yang mampu ditempuh dengan menggunakan pertamax, kecepatan motor saat

dikendarai maupun efek dari penggunaan pertamax terhadap keawetan mesin

kendaraan. Kesesuaian nilai oktan bahan bakar minyak terutama pertamax, brand

image yang kuat tentang pertamax, kemudahan dan pelayanan ekstra yang didapat

dengan menggunakan pertamax akan dapat mempengaruhi cluster ini untuk dapat

beralih menjadi pengguna pertamax.


ini tidak mengetahui bahan bakar yang sesuai dengan spesifikasi mesin

kendaraannya. Selain itu, sebagian besar cluster ini mengetahui perbedaan

premium dan pertamax terletak pada nilai oktan yang berbeda. Sehingga

informasi mengenai hubungan spesifikasi mesin dengan nilai oktan bahan


commit to user

V-14

bakarnya akan sangat mempengaruhi keputusan anggota cluster ini dalam

penggunaan bahan bakar minyak. Sebagian besar anggota cluster ini merupakan

pegawai swasta dan menghabiskan antara Rp 100.000 – Rp 500.000 setiap bulan

dan mempunyai pendapatan antara Rp 1.000.000 – Rp 5.000.000 setiap bulan.

Sebagian besar anggota cluster ini menghabiskan antara 3 – 4 jam setiap hari

untuk menonton televisi dan menghabiskan kurang lebih 15 menit untuk membaca

koran setiap hari. Koran yang paling sering dibaca adalah Solopos dan acara

televisi yang paling disukai oleh anggota cluster ini adalah acara otomotif.

Apabila dilihat dari profilnya maka iklan melalui media televisi terutama pada

acara otomotif merupakan media yang tepat untuk memberikan informasi

mengenai spesifikasi mesin kendaraan dengan nilai oktan bahan bakar yang

dibutuhkan. Data bahwa sebagian besar anggota menyukai acara otomotif lebih

memudahkan anggota cluster ini untuk menerima informasi mengenai keunggulan

pertamax daripada premium terhadap keawetan dan kinerja mesin kendaraan.

Sebagian besar anggota cluster ini menyatakan setuju dengan kebijakan larangan

penggunaan premium untuk mobil pribadi keluaran tahun 2005 ke atas. Dilihat

dari kemiripan yang muncul pada semua faktor dan profil dari cluster ini, dapat

disimpulkan bahwa cluster ini merupakan cluster yang potensial untuk dialihkan

menjadi pengguna pertamax.


Cluster premium 4 memiliki kemiripan dengan cluster pertamax 3. Kedua

cluster menganggap bahwa harga bahan bakar minyak merupakan faktor yang

paling penting. Perbedaannya terletak pada kemudahan dan pelayanan. Cluster

premium 4 menganggap bahwa kemudahan dan pelayanan bukan merupakan

faktor yang penting dalam penggunaan bahan bakar minyak. Sedangkan pada

cluster pertamax 3, kemudahan dan pelayanan merupakan faktor yang penting.

Dari data profil cluster, didapatkan bahwa sebagian besar anggota cluster

ini menganggap premium sebagai bahan bakar minyak sesuai spesifikasi mesin

kendaraan dan sebagian besar anggota cluster ini setuju bahwa perbedaan

premium dan pertamax terletak pada nilai oktan yang berbeda. Sebagian besar

anggota cluster ini merupakan mahasiswa/pelajar dan pegawai swasta,

menghabiskan Rp 500.000 – Rp 1.000.000 untuk konsumsi bahan bakar minyak


commit to user

V-15

setiap bulan dan mempunyai pendapatan antara Rp 1.000.000 – Rp 5.000.000

setiap bulan. Untuk dapat mengalihkan cluster ini menjadi pengguna pertamax,

faktor yang perlu ditingkatkan adalah faktor harga bahan bakar minyak, terutama

tinggi rendahnya harga bahan bakar minyak. Atribut tinggi rendahnya harga

bahan bakar minyak dipilih karena pekerjaan responden yang sebagian besar

merupakan pelajar/mahasiswa.

Sebagian besar anggota cluster ini menghabiskan kurang dari dua jam

untuk menonton televisi setiap hari dan kurang lebih 30 menit untuk membaca

surat kabar setiap hari. Selain itu, sebagian besar anggota cluster ini sering

membaca Kompas dan menyatakan acara berita sebagai acara televisi yang paling

digemari. Sehingga pendekatan melalui iklan di surat kabar terutama Kompas dan

iklan melalui media televisi terutama dalam acara berita akan sangat efektif untuk

menjangkau cluster ini. Sebagian besar cluster ini setuju dengan kebijakan

penghapusan subsidi premium sebagai tindakan yang harus diambil oleh

pemerintah.


commit to user

VI-1

BAB VI

KESIMPULAN DAN SARAN

Bab ini membahas kesimpulan dari analisis dan interpretasi hasil

penelitian yang mengacu pada tujuan penelitian yang telah dilakukan serta saran-

saran untuk mengimplementasikan manfaat yang dapat diberikan sebagai hasil

dari penelitian ini.

6. 1 Kesimpulan

Kesimpulan yang diperoleh dari hasil penelitian yang telah dilakukan

adalah sebagai berikut:

1. Faktor-faktor yang mempengaruhi konsumen dalam penggunaan bahan bakar

minyak premium dan pertamax berturut-turut adalah keiritan bahan bakar

minyak, kesesuaian bahan bakar minyak, prestise, kemudahan dan pelayanan,

harga bahan bakar minyak dan pendekatan persuasif.

2. Terdapat 4 cluster pengguna bahan bakar minyak premium. Cluster premium

1 merupakan segmen yang lebih mementingkan kesesuaian bahan bakar

minyak. Cluster premium 2 merupakan segmen yang lebih mementingkan

harga bahan bakar minyak, kemudahan dan pelayanan. Cluster premium 3

merupakan segmen yang lebih mementingkan keiritan bahan bakar minyak.

Cluster premium 4 merupakan segmen yang lebih mementingkan harga bahan

bakar minyak, tetapi menganggap kemudahan dan pelayanan bukan

merupakan faktor yang penting.

3. Terdapat 3 cluster pengguna bahan bakar minyak pertamax. Cluster pertamax

1 merupakan segmen yang lebih mementingkan keiritan bahan bakar minyak.

Cluster pertamax 2 merupakan segmen yang lebih mementingkan kesesuaian,

harga bahan bakar minyak dan prestise. Cluster pertamax 3 merupakan

segmen yang lebih mementingkan harga bahan bakar minyak, tetapi

menganggap bahwa prestise bukan merupakan faktor yang penting dalam

penggunaan bahan bakar minyak.

4. Berdasarkan persepsinya terhadap bahan bakar minyak, cluster premium yang

paling mudah dialihkan menjadi pengguna pertamax berturut-turut adalah


commit to user

VI-2

cluster premium 2, cluster premium 3, cluster premium 4 dan cluster premium

1.

5. Berdasarkan persepsinya terhadap bahan bakar minyak dan profil cluster yang

terbentuk, cluster pertamax yang paling berpotensi beralih menjadi pengguna

premium adalah cluster pertamax 3.

6. 2 Saran

Untuk perbaikan selanjutnya, ada bebarapa saran yang dapat dijadikan

pertimbangan bagi pemerintah dan penelitian selanjutnya. Saran-saran yang dapat

diberikan antara lain sebagai berikut:

1. Untuk jangka pendek, sebaiknya pemerintah fokus pada cluster premium yang

paling mudah dialihkan menjadi pengguna pertamax berdasarkan persepsi dan

profil cluster-nya yaitu cluster premium 2.

2. Penggunaan metode sampling pada penelitian selanjutnya sebaiknya

menggunakan pengambilan sampel acak terstratifikasi (stratified random

sampling) berdasarkan kapasitas mesin mobil.

3. Pada penelitian selanjutnya, proses identifikasi dan penetapan variabel perlu

mendapat perhatian lebih. Hal ini dikarenakan tidak semua variabel yang

muncul sesuai dengan tujuan dan arah penelitian.

Dias Tri Kristanto I0307006 · BAB II TINJAUAN PUSTAKA 2.6 BAB III METODOLOGI PENELITIAN commit to...

Documents

Transcript of Dias Tri Kristanto I0307006 · BAB II TINJAUAN PUSTAKA 2.6 BAB III METODOLOGI PENELITIAN commit to...