KAJIAN ANALISIS KONJOIN DAN PENERAPANNYA...

KAJIAN ANALISIS KONJOIN DAN PENERAPANNYA PADA PREFERENSI MAHASISWA TINGKAT AKHIR IPB

TERHADAP PEKERJAAN

RIANA RISKINANDINI

DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR 2006

ABSTRAK

RIANA RISKINANDINI. Kajian Analisis Konjoin dan Penerapannya pada Preferensi Mahasiswa Tingkat Akhir IPB terhadap Pekerjaan. Dibimbing oleh HARI WIJAYANTO dan YENNI ANGRAINI.

Analisis konjoin mulai diperkenalkan pada tahun 1964. Analisis ini banyak digunakan oleh perusahaan riset, namun seiring perkembangan zaman, analisis konjoin dapat pula diterapkan pada bidang-bidang lainnya. Penelitian ini bertujuan mengkaji analisis konjoin dan menerapkannya pada metode full profile dan CBC (Choice Based Conjoint) dalam mengetahui preferensi mahasiswa tingkat akhir IPB dalam memilih pekerjaan. Nilai Kegunaan Taraf (NKT) dan Nilai Relatif penting (NRP) dari atribut dan taraf yang diperoleh, dapat diketahui atribut mana saja yang paling mempengaruhi mahasiswa dalam memilih pekerjaan.

Kedua metode, baik full profile dan CBC (Choice Based Conjoint ) memberikan hasil bahwa atribut yang paling berpengaruh dalam menentukan preferensi mahasiswa terhadap pekerjaan adalah gaji pertama. Atribut lainnya yang menjadi pertimbangan kedua mahasiswa dalam memilih pekerjaannya adalah kesesuaian latar belakang pendidikan mereka terhadap pekerjaan. Atribut bidang kerja dan image tempat kerja menjadi atribut pilihan terakhir mahasiswa dalam memilih pekerjaan.

KAJIAN ANALISIS KONJOIN DAN PENERAPANNYA PADA PREFERENSI MAHASISWA TINGKAT AKHIR IPB

TERHADAP PEKERJAAN

Oleh:

RIANA RISKINANDINI

G14102038

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains

pada Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR 2006

Judul : KAJIAN ANALISIS KONJOIN DAN PENERAPANNYA PADA PREFERENSI MAHASISWA TINGKAT AKHIR IPB TERHADAP PEKERJAAN Nama : Riana Riskinandini NRP : G14102038

Menyetujui :

Pembimbing I, Pembimbing II,

Dr. Ir. Hari Wijayanto, M.Si NIP. 131878950

Yenni Angraini, M.Si.

Mengetahui : Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Prof. Dr. Ir. Yonny Koesmaryono, MS NIP. 131473999

Tanggal Lulus :

RIWAYAT HIDUP

Penulis dilahirkan di Bandung pada tanggal 2 Juli 1984 sebagai anak tunggal dari pasangan Sukadi dan Dedeh.

Setelah menyelesaikan pendidikan dasar di SDN 5 Lembang pada tahun 1996, studi penulis dilanjutkan di SMP Negeri 1 Lembang yang ditamatkan pada tahun 1999. Tahun 2002 penulis lulus dari SMUN 6 Bandung dan pada tahun yang sama diterima sebagai mahasiswa di Departemen Statistika Institut Pertanian Bogor melalui jalur USMI.

Sejak bulan Februari-April 2006 penulis diberi kesempatan untuk latihan kerja (praktek lapang) di PT Fortune Indonesia Tbk. divisi Brand Team Total Impact .

.

KATA PENGANTAR

Alhamdulillah. Segala puji dan rasa syukur penulis panjatkan kehadirat Allah SWT atas segala karunia-Nya sehingga karya ilmiah ini dapat terselesaikan. Shalawat serta salam semoga senantiasa tercurahkan kepada rasul utusan mulia Muhammad saw.

Terima kasih, kepada semua pihak yang telah berperan serta dalam penyusunan karya ilmiah ini yaitu kepada :

1. Bapak Dr. Ir. Hari Wijayanto, M.Si dan Ibu Yenni Angraini, M.Si atas bimbingan dan saran-sarannya selama menyelesaikan tugas akhir ini.

2. Papah dan Mamahku tercinta atas do’a, kasih sayang, kesabaran dan segala dukungan lainnya yang diberikan sehingga mendorong penulis untuk memberikan yang terbaik.

3. Teman-temanku di Statistika 39 atas masa-masa kuliah yang menyenangkan. 4. Bu Markonah, Bu Sulis, Bu Dedeh, Pak Iyan, Bang Sudin, Mang Herman dan Bang Dur

atas segala bantuan yang diberikan. 5. Semua pihak yang tidak mungkin disebutkan satu-persatu yang telah membantu penulis

selama ini. Semoga semua amal baik dan bantuan yang telah diberikan kepada penulis mendapat balasan

dari Allah SWT, dan semoga karya ilmiah ini dapat bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Oktober 2006

Riana Riskinandini

DAFTAR ISI

Halaman

DAFTAR TABEL ..................................................................................................v DAFTAR LAMPIRAN .........................................................................................vi

PENDAHULUAN

Latar Belakang .......................................................................................................................................1 Tujuan......................................................................................................................................................1

TINJAUAN PUSTAKA Sejarah Singkat Konjoin.......................................................................................................................1 Analisis Konjoin ....................................................................................................................................3

BAHAN DAN METODE

Bahan ......................................................................................................................................................7

Metode ....................................................................................................................................................7 HASIL DAN PEMBAHASAN

Hasil Analisis Menggunakan Metode Full Profile ..........................................................................8 Hasil Analisis Menggunakan Metode CBC (Choice Based Conjoint).......................................11

KESIMPULAN ........................................................................................................................................12 DAFTAR PUSTAKA..............................................................................................................................13

DAFTAR TABEL

Halaman Tabel 1 Rancangan Faktorial Fraksional....................................................................................................5

Tabel 2 Contoh Modifikasi Rancangan Faktorial Fraksional .................................................................6

Tabel 3 Atribut dan Taraf yang Dievaluasi................................................................................................7

Tabel 4 NKT dan NRP Mahasiswa Departemen Statistika ....................................................................9

Tabel 5 NKT dan NRP Mahasiswa Departemen Ilmu Ekonomi ...........................................................9

Tabel 6 NKT dan NRP Mahasiswa Departemen Agronomi dan Hortikultura ..................................10

Tabel 7 NKT dan NRP Mahasiswa Departemen Teknologi Pertanian ...............................................10

Tabel 8 Pendugaan Parameter menggunakan Multinomial Logit .......................................................11

Tabel 9 Perbandingan Proporsi Counting dan Logit .............................................................................12

Tabel 10 NKT dan NRP menggunakan Model Logit ...........................................................................12

DAFTAR LAMPIRAN

Halaman Lampiran 1 Contoh Kartu-Kartu Kombinasi Atribut R ancangan full profile ....................................14

Lampiran 2 Contoh Kartu-Kartu Kombinasi Atribut R ancangan CBC ..............................................15

Lampiran 3 Nilai Peubah Boneka untuk Taraf-Taraf Tiap Atribut ....................................................16

Lampiran 4 Nilai Peubah Boneka untuk Stimuli ...................................................................................17

Lampiran 5 Hasil Counting CBC ..............................................................................................................18

1

PENDAHULUAN

Latar Belakang

Analisis konjoin diperkenalkan untuk pertama kalinya oleh psikologi matematika dan statistisi yaitu Luce dan Tukey pada tahun 1964, kemudian berkembang sesuai dengan kebutuhan para pemakainya. Awal mulanya analisis ini lebih banyak digunakan oleh perusahaan riset dalam mengembangkan produknya, namun seiring perkembangan zaman, analisis konjoin dapat pula diterapkan pada bidang lain seperti pertanian, psikologi, biologi, dan bidang-bidang lainnya (Santoso 2002).

Dalam penerapannya, analisis konjoin dapat digunakan dalam melihat preferensi mahas iswa terhadap faktor-faktor/atribut yang dinilai penting dalam memilih pekerjaan. Gaji pertama, bidang kerja, kesesuaian latar belakang pendidikan terhadap bidang kerja dan image tempat kerja, merupakan beberapa dari sekian banyak hal yang menjadi pertimbangan mereka dalam memilih pekerjaan.

Metode rancangan full profile dan CBC (Choice Based Conjoint ) merupakan dua dari beberapa metode dalam analisis konjoin yang dapat digunakan untuk melihat preferensi mahasiswa terhadap pekerjaan. Penerapan kedua metode ini, baik pada full profile dan CBC dilakukan untuk melihat atribut mana saja yang dinilai paling mempengaruhi mahasiswa dalam memilih pekerjaan.

Tujuan

Secara umum penelitian ini bertujuan:

1. Mengkaji metode konjoin dari masa ke masa.

2. Menerapkan metode konjoin pada metode full profile dan CBC (Choice Based Conjoint).

3. Menentukan nilai kegunaan taraf-taraf atribut (NKT) dan mengidentifikasi urutan kepentingan atribut -atribut (NRP) yang mempengaruhi mahasiswa dalam memilih pekerjaan.

TINJAUAN PUSTAKA

Sejarah Singkat Konjoin

Para pelaku marketing riset menduga bahwa kata ”conjoint” diambil dari kata ”CONsidered JOINTly”. Dalam kenyataannya

kata sifat ”conjoint” diturunkan dari kata benda ”to conjoint” yang berarti ”joined together” atau bekerja sama (http://www.sawtoothsoftware.com 2002). a. Analisis Konjoin Klasik Era 1960an dan

1970an Tepat sebelum 1970, profesor Paul

Green memperkenalkan artikel Luce dan Tukey (1964) yaitu artikel analisis pengukuran konjoin yang diterbitkan di jurnal non-marketing. Artikel ini dapat diterapkan dalam memecahkan masalah pemasaran, seperti: memahami bagaimana para pembeli mengambil keputusan pembelian, untuk memilih atribut yang penting dalam pilihan pembelian produk, dan untuk meramalkan perilaku pembeli. Analisis konjoin full -profile yang diperkenalkan terlebih dahulu merupakan rancangan kombinasi yang menggambarkan profil produk secara lengkap , setiap kartu berisi kombinasi antara atribut dengan taraf, dimana tiap kartu menggambarkan profil tiap produk. Responden mengevaluasi masing-masing kartu dan mengurutkannya dalam urutan dari terbaik ke paling buruk atau sebaliknya. Peneliti secara statistik dapat menyimpulkan, untuk masing-masing individu, mana yang menunjukkan paling utama dan tingkatan yang paling disukai.

Sebelum tahun 1970, suatu praktisi bernama Richard Johnson dihadapkan pada suatu kasus dimana atribut yang akan dianalisis jumlahnya banyak dengan taraf yang banyak pula. Kemudian Johnson menemukan suatu metoda lain yang dinamakan metode pendekatan pairwise. Melalui pendekatan ini, dibandingkan pasangan profil dari dua atribut. Kemudian, responden diminta untuk menilai profil mana saja yang lebih disukai dari setiap pasangan profil (http://www.sawtoothsoftware.com 2002).

b. Analisis Konjoin Era 1980an Pada awal 1980an, analisis konjoin

sedang berada di posisi puncak, sedikitnya antar peneliti terkemuka dan pelaku akademis yang memiliki pengetahuan statistika dan kemampuan memprogram komputer. Tersedianya sistem perangkat lunak pada tahun 1985 merupakan suatu perkembangan teknologi pada era ini. Berdasarkan pada metode analisis konjoin Green dengan pendekatan full-profile, Steve Herman dan Bretton-Clark, meluncurkan suatu sistem perangkat lunak untuk IBM komputer.

2

Pada tahun 1985, Johnson dan perusahaan barunya, Sawtooth Software, meluncurkan sistem perangkat lunak (juga untuk komputer IBM) yang dinamakan Adaptive Conjoint Analysis (ACA). Selama beberapa tahun lamanya, Johnson menemukan bahwa responden merasa kesukaran jika berhadapan dengan banyak atribut. Ia menemukan suatu program dalam mensurvei dan mengumpulkan data. Dengan menggunakan metode ACA, memudahkan dalam melakukan survey individu bahkan pada jumlah atribut yang sangat besar. Satu yang menarik dari pendekatan program analisis ACA adalah seperti melakukan suatu simulasi. Simulasi yang dilakukan dapat digambarkan oleh suatu wawancara secara komputerisasi. Responden dihadapkan pada suatu pertanyaan berupa kuesioner kemudian diminta untuk menjawab pertanyaan-pertanyaan didalamnya. Hasil dari simulasi ini dapat menunjukan bagaimana preferensi responden terhadap suatu produk baru atau modifikasi produk. Biasanya simulasi ini digunakan didalam suatu pasar dalam menentukan perubahan harga, modifikasi produk dan aktivitas pasar (http://www.sawtoothsoftware.com 2002).

Analisis konjoin dengan cepat meluas, dan merupakan analisis teknik survey, dalam mengukur dan memprediksi preferensi konsumen. Pada akhir 80an, full profile dan ACA melatarbelakangi perdebatan hebat antara mereka yang telah berpengalaman dalam analisis konjoin. Dalam situasi seperti ini, Jourdan louviere dan rekannya, memperkenalkan analisis konjoin yang bernama choice analisis. Analisis ini sebelumnya telah diperkenalkan oleh McFadden pada awal 70an. Konsep yang menarik dari analisis ini adalah para pembeli tidak perlu menilai satu rangkaian produk sebelum membeli, sederhananya mereka hanya mengamati alternatif yang tersedia, baru kemudian pembeli menentukan pilihan (http://www.sawtoothsoftware.com 2005) .

Analisis choice discrete merupakan metode yang tepat bagi responden. Banyak manfaat yang bisa diambil dari analisis ini, termasuk kemampuannya dalam memodelkan interaksi. Tapi dengan menggunakan metode ini, tidak terdapat informasi yang cukup dalam memodelkan tiap pilihan responden.

c. Analisis Konjoin era 1990an Para peneliti pada tahun 1990an

mengemukakan bahwa sebenarnya tidak ada suatu pendekatan terbaik dalam analisis konjoin dalam memecahkan suatu masalah. Sawtooth software memfasilitasi suatu diskusi dan konferensi antara pengguna software ini dalam mempublikasikan risetnya. Sebagai contoh kasus, pengguna software ini menunjukan pada kondisi apa analisis konjoin dapat digunakan dengan baik. Sawtooth software mempromosikan penggunaan berbagai analisis konjoin dengan mengembangkan perangkat lunak analisis konjoin full-profile dan analisis choice discrete. Berdasarkan pada studi pemakaian dalam industri yang diperkenalkan oleh Vriens, Humber, dan Wittink (1997), ACA merupakan teknik konjoin dan software yang mendunia pada masa itu. Pada tahun 1990 kembali Sawtooth Software meluncurkan sistem perangkat lunak yang dinamakan sistem CVA (Conjoint Value Analysis). CVA baik untuk digunakan pada jumlah atribut enam atau kurang, dan pada ukuran contoh dengan jumlah yang sedikit. CVA dapat digunakan pada paired-comparison dan single concept (http://www.sawtoothsoftware. com 2002).

Pada tahun 1993, Sawtooth Software memperkenalkan sistem perangkat lunak baru yang dinamakan CBC (Choice Based Conjoint). Analisis konjoin choice discrete ini lebih sulit dalam merancang dan menganalisa bila dibandingkan dengan analisis konjoin fullprofile atau ACA. Tapi dengan adanya software dalam menganalisa dan merancang, hal itu akan menjadi lebih mudah untuk dilakukan (http://www.sawtoothsoftware.com 2002).

d. Analisis konjoin Era 2000 sampai dengan sekarang

Banyak riset dan perkembangan dari analisis konjoin saat ini terfokus pada hasil yang efektif. Sejak tahun 2000, para pelaku akademis tengah menggunakan metoda HB (Hirarchical Bayes ) untuk mengembangkan model pilihan konsumen yang lebih kompleks. Developer software terus berusaha mengembangkan analisis konjoin agar lebih mudah digunakan dalam tujuan memenuhi para pengguna agar lebih baik, lebih cepat dan memiliki harga semurah mungkin (http://www.sawtoothsoftware.com 2002).

3

Analisis Konjoin

Analisis konjoin adalah suatu teknik yang secara spesifik digunakan untuk memahami bagaimana keinginan atau preferensi konsumen terhadap suatu produk atau jasa dengan mengukur tingkat kegunaan dan nilai kepentingan relatif berbagai atribut suatu produk (Hair et al 1995). Analisis ini sangat berguna untuk membantu merancang karakteristik produk baru, membuat konsep produk baru, membantu menentukan tingkat harga serta memprediksi tingkat penjualan. (http://www.dssresearch.com).

Analisis konjoin sangat erat hubungannya dengan profil produk. Profil produk ini adalah stimuli yang merupakan kombinasi taraf-taraf dari suatu atribut. Atribut yang dipilih harus merupakan atribut dan taraf yang memiliki peran dalam mempengaruhi preferensi konsumen dalam memilih produk yang akan dikonsumsinya.

Secara umum model analisis konjoin dapat diformulasikan sebagai berikut (Malhotra 2004) :

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

Intersep biasanya ditambahkan kedalam model analisis konjoin dalam prakteknya, sehingga menjadi: . . . . . . . . . (2)

Dimana: U(X) = Utility total. βij = Part worth atau nilai kegunaan dari atribut ke-i taraf ke-j. kj = Taraf ke-j dari atribut ke-i. mi = Jumlah atribut ke-i. Xij = Dummy variable atribut ke-i taraf ke-j. ( 1=taraf muncul; 0=tidak muncul)

Nilai Kepentingan Taraf (NKT) digunakan

untuk menentukan nilai pentingnya suatu taraf relatif terhadap taraf yang lain pada suatu atribut. NKT didapat dari nilai peubah boneka untuk tar af suatu atribut yang dimasukkan ke dalam model konjoin, dimana nilai taraf peubah boneka untuk atribut yang lain tetap atau dimasukkan nilai nol.

Nilai Relatif Penting (NRP) digunakan untuk mengetahui tingkat kepentingan relatif suatu atribut terhadap atribut yang lain. NRP diformulasikan sebagai berikut:

NRP =

∑=

−

−k

jji

ii

URUT

URUT

1

)( . . . . . . . . . . (3)

dimana: NRPi = NRP atribut ke-i UTi = NKT tertinggi atribut ke-i URi = NKT terendah atribut ke-i k = jumlah atribut

Produk atau jasa terbaik adalah kombinasi taraf atribut yang memiliki nilai utilitas tertinggi. Kombinasi ini terdiri dari taraf-taraf atribut yang memiliki NKT tertinggi.

Berikut t ahapan dasar analisis konjoin (Malhotra 2004): 1. Perumusan Masalah

Menentukan atribut dan taraf dari sebuah obyek yang dianggap penting dan akan dilibatkan dalam mengevaluasi produk atau jasa.

2. Perancangan kombinasi atribut (stimuli) a. Full Profile

Pada pendekatan ini, responden diminta untuk memberikan peringkat pada sebagian dari kombinasi taraf-taraf dari atribut. Kombinasi itu menggambarkan profil produk tersebut secara lengkap. Jika sebelumnya telah dipilih sebanyak p buah atribut dengan masing-masing atribut mempunyai 2 taraf, maka akan ada sebanyak 2n

kombinasi taraf atribut yang harus dievaluasi oleh responden.

b. Pairwise Combination Melalui pendekatan ini, stimuli yang diperingkatkan dilakukan dengan cara memberikan peringkat pada setiap kombinasi taraf-taraf dari dua atribut , mulai dari yang paling disukai sampai pada yang paling tidak disukai. Jika banyaknya atribut ada p buah, maka kombinasi taraf atribut yang harus dievaluasi responden terdapat sebanyak q = p(p -1)/2 pasangan.

3. Analisis data Beberapa metode umum dalam analisis

konjoin adalah : a. Multidimensional Scalling, umumnya

digunakan untuk memberikan gambaran mengenai pasangan atribut yang dilakukan dalam pengukuran pairwise comparison. Metode ini terbatas penggunaannya pada jumlah atribut yang kecil.

b. Analisis Regresi dengan peubah boneka, banyak digunakan untuk jenis data metrik maupun data nonmetrik.

∑ ∑= =

=i jm

i

k

jijij xXU

1 1

)( β

∑ ∑= =

+=i jm

i

k

jijij xXU

1 10)( ββ

4

Metrik adalah data berskala interval atau rasio yang memberikan rating atau nilai pada masing-masing stimuli. Sedangkan nonmetrik adalah data dalam bentuk nominal, ordinal atau kategori, membuat ranking atau mengurutkan stimuli yang telah dibuat pada tahap sebelumnya. Pengurutan ini biasanya dimulai dari stimuli yang paling disukai sampai pada stimuli yang paling tidak sukai.

Jika data yang digunakan berasal dari penilaian stimuli yang telah dirancang sebelumnya, dan penilaian dilakukan dengan menggunakan skala metrik, maka regresi dapat dihitung langsung dengan menggunakan pendekatan Ordinary Least Square (OLS). Jika penilaian stimuli menggunakan urutan stimuli, maka data tersebut harus ditransformasi terlebih dahulu dengan monotonic regression atau multidimensional scaling, kemudian analisis dilanjutkan dengan regresi peubah boneka. Namun jika data diperoleh melalui penilaian secara terpisah dari masing-masing taraf atribut, yang dikenal dengan istilah discrete choice, analisis yang dapat digunakan adalah model logit (http://www.sawtoothsoftware.com 2002).

Beberapa metode perancangan dan pengukuran pada analisis konjoin: 1. Self-Explicated Model

Pada model self-explicated, responden diminta untuk menilai atribut dan mempertimbangkan atribut yang menurut mereka penting. Beberapa langkah metode self-explicated model diantaranya (http://www.proquestion.com 2006): a. Pereduksian Taraf

Responden ditunjukkan semua taraf dari masing-masing atribut, dan diminta untuk menghapus taraf yang menurut mereka tidak penting, hal ini dilakukan untuk efisiensi taraf yang dinilai memiliki pengaruh paling penting.

b. Memberikan peringkat pada taraf dalam skala 1-10 Responden diminta untuk memilih taraf yang menurut mereka paling disukai dan yang paling tak disukai untuk tiap atributnya. Kemudian, taraf dalam atribut yang sama diberi peringkat dalam skala 1-10.

c. Memberikan peringkat pada atribut Responden diminta untuk

mengurutkan atribut yang dinilai paling penting sampai dengan atribut

yang tidak penting dari semua atribut . Hal ini dilakukan untuk mengetahui seberapa penting atribut yang satu dibandingkan dengan atribut yang lain.

d. Alokasi nilai Mengalokasikan 100 nilai pada taraf yang paling disukai responden pada setiap atribut. Nilai kegunaan dari metode ini

diperoleh dari perkalian antara nilai kepentingan (dalam persen) dengan nilai peringkat (dalam skala 1-10) dari setiap taraf yang paling diinginkan.

Meskipun metode self-explicated dapat diterapkan pada jumlah atribut yang besar, namun terbatas pada kemampuan responden dalam memberikan peringkat. Apabila jumlah atribut besar, maka responden tidak fokus dalam memberikan peringkat sehingga hasil yang diperoleh pun tidak memuaskan.

2. Adaptive Conjoint Analysis (ACA) ACA merupakan metode yang

digunakan untuk merancang dan meneliti full-profile. Metode ini merupakan pengembangan dari model self-explicated, perbedaannya terletak pada jumlah atribut yang besar. Istilah adaptive mengacu bahwa wawancara dilakukan secara komputerisasi pada masing-masing responden. Wawancara yang dilakukan secara komputerisasi ini berisi tahap-tahap yang akan men entukan tingkat keinginan dari suatu taraf dan tingkat kepentingan dari tiap atribut. Responden dihadapkan pada suatu pertanyaan berupa kuesioner kemudian diminta untuk menjawab pertanyaan didalamnya. Pertanyaan yang dihadapkan pada responden dapat berupa tipe pertanyaan pilihan, ranking atau rating, tipe pertanyaan berupa tingkat kepentingan atribut, atau tipe pertanyaan pasangan. ACA memiliki dua kemampuan penting. Pertama, kemampuan peneliti merancang suatu wawancara secara komputerisasi. Kedua, ACA membiarkan peneliti dalam menirukan pilihan responden dalam memodifikasi produk.

Dugaan nilai kegunaan didapat dari tingkat preferensi responden tiap taraf dan tingkat kepentingan tiap atribut. Pada pertama kali ACA diperkenalkan, nilai kegunaan diduga dengan menggunakan OLS (Ordinary Least Square), namun seiring perkembangan zaman, ACA berkembang menjadi beberapa versi yang memiliki tingkat kesulitan yang lebih kompleks. Seperti misalnya saat ini

5

berkembang penggunaan ACA-Hierarchical Bayes Estimation (HB) dalam menduga nilai kegunaan suatu produk. Dalam suatu pasar produk, nilai kegunaan responden digunakan untuk menduga kekuatan pilihan produk atau kemungkinan pembelian untuk tiap produk (http://www.sawtoothsoftware.com 2005).

Responden tidak mungkin mengevaluasi lebih dari 6 atribut serentak dengan masing-masing atribut memiliki beberapa taraf. Maka, metode adaptive conjoint analysis (ACA) ini dapat digunakan pada jumlah atribut sampai dengan 30, pada tiap atribut memiliki sampai dengan 15 taraf. Namun penelitian menjelaskan bahwa ACA tidak akan memberikan keuntungan apabila digunakan pada jumlah atribut kurang dari 6, walaupun setidaknya akan bekerja seperti pada full profile. Dengan jumlah atribut yang besar, analisis data terbatas pada komputer, karena tidak mungkin dilakukan responden dengan manual. Seperti full profile, ACA dapat mengukur utility taraf tiap individu dan hanya dapat mengukur efek utama tiap atributnya (http://www.answerresearch.com 2005).

3. Conjoint Value Analysis (CVA) CVA (Conjoint Value Analysis )

merupakan metode pengembangan lanjut dari ACA. CVA dapat menduga individual utility dari masing-masing taraf tiap atributnya. Penggunaan CVA baik itu pada single profile atau pada pairwise full profile dapat dilakukan secara manual atau secara komputerisasi. Perancangan CVA meliputi penentuan atribut, penentuan taraf, dan menentukan format kuisioner yang tepat.

Nilai utility pada CVA dapat diduga dengan menggunakan OLS (Ordinary Least Square) pada data metrik (rating data) atau menggunakan monotone regression pada data nonmetrik (ranking data). Nilai ini digunakan dalam mengetahui preferensi responden terhadap suatu produk baru/modifikasi produk baru. Hasilnya berupa kesimpulan mengenai atribut dari produk yang paling mempengaruhi pilihan responden (http://www.sawtoothsoftware.com 2005).

CVA dapat digunakan pada jumlah atribut lebih dari 6, bahkan sampai pada 30 atribut dengan 15 taraf pada tiap atributnya. Namun CVA akan bekerja efektif jika digunakan pada jumlah atribut

kurang dari enam dengan contoh kecil (http://www.sawtoothsoftware.com 2005 ).

4. Choice Based Conjoint (CBC) Analisis choice-based conjoint , adalah

suatu pengembangan baru. Penggunaan dari metode ini secara besar-besaran baru terlihat lima tahun belakangan. Pada metode ini responden diperlihatkan semua altenatif yang tersedia, kemudian diizinkan untuk memilih satu dari beberapa pilihan tersebut atau tidak memilih satu pun dari banyak pilihan yang tersedia. CBC dapat dilakukan pada atribut kecil maupun besar, secara manual ataupun komputerisasi. Berbeda dengan ACA dan CVA, salah satu kelemahan pada CBC tidak dapat mengukur utility taraf tiap individu

Pada kasus Choice Based Conjoint (CBC) perlu dilakukan adaptasi untuk menghasilkan suatu gugus pilihan yang terdiri dari lebih dari satu konsep produk. Salah satu metode yang dapat digunakan dalam merancang profil konsep produk pada CBC adalah “manual shifting” yang diajukan oleh Bunch et al (1994). Tabel 1 menunjukan contoh rancangan faktorial fraksional untuk 4 faktor/atribut dengan masing-masing faktor/atribut terdiri dari 3 taraf.

Tabel 1 Rancangan faktorial fraksional

Profil A B C D

1 1 1 1 1

2 1 2 2 3 3 1 3 3 2

4 2 1 2 2

5 2 2 3 1

6 2 3 1 3

7 3 1 3 3

8 3 2 1 2

9 3 3 2 1

Prosedur untuk memperoleh suatu gugus

pilihan yang terdiri lebih dari satu konsep produk pada rancangan diatas seperti yang terlihat pada Tabel 2 adalah sebagai berikut: 1. Buat 9 kombinasi perlakuan . Kesembilan

kombinasi perlakuan tersebut merupakan profil pertama masing-masing dengan 9 perlakuan (task).

2. Tambahkan 4 kolom berikutnya, setelah kolom ke-4, dengan masing-masing kolom menaikan 1 taraf diatasnya (shifted). Misal, taraf 1 dinaikkan menjadi 2, taraf 2 dinaikkan menjadi 3, dan seterusnya.

6

3. Kolom ke-5 hingga 8 menjadi profil yang kedua.

4. Lakukan kembali langkah 2 untuk memperoleh profil berikutnya.

Tabel 2 Contoh modifikasi rancangan

faktorial fraksional Profil 1 Profil 2

A B C D A B C D

1 1 1 1 1 2 2 2 2

2 1 2 2 3 2 3 3 1

3 1 3 3 2 2 1 1 3

4 2 1 2 2 3 2 3 3

5 2 2 3 1 3 3 1 2

6 2 3 1 3 3 1 2 1

7 3 1 3 3 1 2 1 1

8 3 2 1 2 1 3 2 3

9 3 3 2 1 1 1 3 2

Analisis dari data CBC dapat dilakukan

dalam dua cara yang berbeda, yaitu counting CBC dan multinomial logit. Counting CBC biasanya digunakan sebagai langkah awal dari analisis CBC dalam memberikan gambaran pengaruh atribut terhadap atribut lainnya. Pada counting CBC, pengaruh dari tiap atribut dapat dihitung hanya dengan melihat jumlah proporsi atribut yang terpilih.

Regresi logistik merupakan suatu pendekatan model matematika yang dapat digunakan untuk memaparkan hubungan antara peubah bebas X dengan peubah respon biner Y. Dengan menyatakan E(Y|x) sebagai π (x) maka nilai harapan bersyarat Y untuk nilai x tertentu adalah :

π (x) = )}(exp{1

)}(exp{xg

xg+

. . . . . . . . . . . . . . (4)

(Hosmer & Lemeshow, 1989)

Fungsi penghubung yang sesuai untuk model regresi logistik adalah fungsi logit. Transformasi logit sebagai fungsi dari π (x) adalah:

Y= β 0 + ∑=

m

i 1∑=

k

j 1

β ij Xij . . . . . . . . . . . . . . . . . (5)

dimana: Y = Peubah Respon β o = Intersep

β ij = Koefisien peubah boneka ke-ij

k = (jumlah taraf dariatribut ke-i)- 1 m = Jumlah atribut X ij = Peubah boneka ke-ij

Peubah acak Y mengikuti sebaran

Bernoulli. Fungsi kepekatan peluang bersama dari pengamatan n peubah acak Y yang diasumsikan saling bebas stokastik ditunjukkan pada Persamaan 6.

g (Y1, Y2,.. , Yn) =∏=

n

i

Yifi1

)(

=∏=

n

i 1

π Yii (1-π i)1-Yi. . . . . . . . . . (6)

Log g (Y1,Y2,.Yn)= log [∏=

n

i 1

π Yii (1-π i)1-Yi]

= ∑=

n

i 1

Yi log (π i)+ ∑=

n

i 1

( 1- Yi ) log (1-π i)

= ∑=

n

i 1

Yi log

− iiπ

π1

+ ∑=

n

i 1

log (1 -π i)

= ∑=

n

i 1

Yi (g(x)) + ∑=

n

i 1

log [ 1+ (g(x))] . . . . . . . . . . (7)

[ ]i

Lβ

β∂

∂ )(log = 0 ; i= 1, 2,....,p . . . . . . . . . . . . (8)

Parameter β diduga dengan cara

memaksimumkan logaritma fungsi kemungkinan maksimumnya (Persamaan 7), kemudian dengan menurunkan Persamaan (7) terhadap β i, akan diperoleh Persamaan (8)

yang akan menghasilkan nilai duga bagi β dengan penyelesaian secara iteratif sampai nilai kekonvergenan tertentu terhadap Persamaan 8 diatas dengan metode kuadrat terkecil terboboti (Hosmer & Lemeshow, 1989).

Model Persamaan (4) diperkenalkan oleh McFadden sebagai model multinomial logit. Dengan menggunakan model ini dapat diketahui hubungan antara pilihan responden dengan atribut-taraf dalam suatu konsep.

7

BAHAN DAN METODE

Bahan

Bahan diperoleh dari data preferensi mahasiswa IPB S1 tingkat akhir dalam memilih pekerjaan. Data tersebut dijadikan ilustrasi dalam penerapan pada metode full profile dan CBC (Choice Based Conjoint). Ukuran contoh yang diambil sebanyak 100 responden, terbagi dalam dua kategori, yaitu metode full profile dan metode CBC. Pemilihan departemen dilakukan secara purposive, dengan asumsi departemen yang dipilih adalah departemen yang dinilai fleksibel terhadap semua bidang pekerjaan. Dipilih 4 departemen, yaitu Departemen Statistika, Departemen Ilmu Ekonomi, Departemen Agronomi/Hortikultura dan Departemen Teknik Pertanian. Cara pengambilan data ini dilakukan dengan penyebaran kuesioner dan wawancara secara langsung terhadap responden.

Hasil penelitian pendahuluan diperoleh empat atribut yang dinilai mempengaruhi mahasiswa dalam memilih pekerjaan. Atribut -atribut tersebut dapat dilihat pada Tabel 3. Tabel 3 Atribut dan Taraf yang dievaluasi

No Atribut Taraf Atribut

1 Bidang Kerja (X11, X12, X13, X14)

Pemerintahan Swasta Profesional Wiraswasta

2

Kesesuaian latar belakang pendidikan terhadap bidang kerja (X21, X22, X23)

Sesuai Kurang Sesuai Tidak Sesuai

3

Image Tempat Kerja (X31, X32)

Terkenal Tidak Terkenal

4 Gaji Pertama (ribu rupiah) (X41, X42, X43, X44)

>2500 1751 -2500 1001 -1751 500-1000

Metode

Beberapa langkah dalam melakukan

penelitian ini, diantaranya: 1. Penelitian pendahuluan dalam memilih

atribut beserta taraf-tarafnya. Dimana responden diminta untuk menentukan atribut apa saja yang dinilai berpengaruh dalam memilih pekerjaan.

2. Perancangan penelitian dalam menentukan tujuan penelitian, menentukan jumlah responden, ukuran contoh yang diambil dan teknik pengambilan contoh.

3. Perancangan kuesioner, dimana dilakukan perancangan kombinasi dari taraf-taraf atribut (stimuli). a. Full Profile

Pada metode ini, stimuli dirancang dengan menggunakan software SPSS 13.00. Diperoleh 16 stimuli dengan menggunakan fractional factorial design. Stimuli yang terbentuk disusun dalam kartu-kartu stimuli, dimana tiap kartu berisi kombinasi dari taraf-taraf atribut yang berbeda dengan kartu-kartu lainnya. Stimuli yang terbentuk sebanyak 16 buah yang dilampirkan pada Lampiran 1.

b. Choice Based Conjoint Pada rancangan percobaan CBC, dibangkitkan 16 stimuli dengan menggunakan software SPSS 13.00. Dari keenam stimuli tersebut, dilakukan metode shifting, untuk mendapatkan suatu gugus pilihan yang terdiri dari lebih dari satu konsep produk. Terakhir didapatkan 2 pilihan konsep kerja (full profile ) dan 16 gugus pilihan untuk setiap responden (Lampiran 2).

4. Pengumpulan data melalui wawancara langsung dengan responden, untuk kedua metode. a. Full Profile

Responden diminta untuk mengurutkan ke-16 kartu yang telah dirancang sebelumnya, dari yang paling disuka diberikan peringkat 1, sampai paling tidak disuka diberikan peringkat 16. Contoh kartu stimuli diperlihatkan pada Lampiran 1.

b. Choice Based Conjoint Pada metode ini responden diminta untuk memilih salah satu pilihan, dari 2 konsep kerja yang ada atau tidak memilih kedua konsep tersebut. Contoh kartu stimuli diperlihatkan pada Lampiran 2.

5. Analisis data a. Full Profile

Dilakukan pendugaan parameter untuk mengetahui nilai kegunaan dari masing-masing atribut yang dievaluasi. Pendugaan ini dilakukan dengan regresi monotonik dimana peubah bebasnya adalah matriks X yang merupakan matriks peubah boneka

8

untuk stimuli-stimuli yang terbentuk (Lampiran 4). Sedangkan peubah tak bebasnya adalah data peringkat untuk seluruh responden yang ditransformasi secara monoton. Dengan regresi ini akan diperoleh nilai kegunaan (NKT) dari taraf -taraf tiap atribut untuk menentukan nilai pentingnya suatu taraf terhadap taraf lain pada suatu atribut. Selanjutnya dapat dihitung Nilai Relatif Penting (NRP) atribut untuk mengetahui tingkat kepentingan relatif suatu atribut terhadap atribut yang lain.

b. Choice Based Conjoint Dilakukan counting CBC sebagai tahap awal analisis, seperti yang terlihat pada Lampiran 5, dilanjutkan analisis regresi logistik (Multinomial logit), yaitu pendugaan parameter yang menunjukkan nilai kegunaan taraf dan nilai relatif penting dari atribut yang terpilih. Kemudian dilakukan perbandingan hasil antara kedua metode tersebut.

6. Interpretasi hasil dari kedua metode, yaitu metode full profile dan choice based conjoint, berupa nilai kegunaan taraf-taraf dan nilai relatif penting dari tiap atribut.

HASIL D AN PEMBAHASAN

Tahap penyusunan stimuli dari masing-masing metode, dilihat dari segi keortogonalannya, metode full profile dirasakan lebih mudah dalam menyusun stimuli. Dengan bantuan software , stimuli dapat tersusun langsung tanpa melalui proses manual. Sedangkan pada metode CBC (Choice Based Conjoint ), penyusunan stimuli dinilai lebih sulit karena penyusunan stimuli dilakukan dengan metode manual shifting . Terkecuali jika penyusunan stimuli pada CBC dilakukan dengan software khusus, mungkin tidak akan dinilai sulit seperti yang dilakukan dengan metode manual shifting.

Tahap pengumpulan data, metode CBC lebih mudah dilakukan daripada metode full profile, dengan alasan bahwa didalam metode CBC hanya memilih satu dari beberapa konsep yang tersedia dalam setiap kartunya. Sedangkan pada full profile, dengan mengurutkan beberapa konsep, dinilai lebih sulit, terlebih jika terdapat banyak konsep.

Tahap analisis data, kedua metode baik full profile dengan menggunakan PROC TRANSREG SAS ataupun CBC dengan

menggunakan counting CBC dan regresi logit, memiliki tingkat kesulitan yang hampir sama. Namun penggunaan counting CBC, sebagai langkah awal analisis, membuat waktu pengerjaan metode CBC lebih lama dilakukan.

Metode full profile dapat mengukur utility taraf tiap individu, sedangkan metode CBC hanya dapat mengukur secara keseluruhan saja. Oleh karena itu metode full profile lebih mendekati pada keadaan yang sebenarnya.

Hasil Analisis Menggunakan

Metode Full Profile

Fungsi utilitas total bagi mahasiswa Departemen Statistika adalah sebagai berikut: U(x)= 8.3944 + 0.7609X11 - 0.0810X12 -

0.4381X13 - 0.2417X14 + 0.3646X21 – 0.2025X22 – 0.1621X23 + 0.0802X31 – 0.0802X32 + 3.1339X41 + 2.1298X42 + 1.6484X43 – 6.9121X44

Dari model tersebut dapat ditentukan NKT tiap tara f atribut dan NRP bagi masing-masing atribut dengan menggunakan Persamaan (2) dan (3). Sebagai contoh, untuk menentukan NKT bagi taraf bidang pemerintahan (X 11) maka dengan menggunakan Persamaan (2) yaitu dengan menjumlahkan nilai intersep pada dugaan parameter bagi peubah X11 dapat diperoleh Nilai total bagi taraf bidang pemerintahan yaitu sebesar 9.1553. Begitu pula untuk bidang kerja dan taraf atribut lainnya. Selanjutnya setelah diketahui nilai utilitas total tiap taraf, dengan menggunakan Persamaan (3) dapat ditentukan Nilai Relatif Penting (NRP) dari tiap atribut.

Hasil analisis full profile bagi responden mahasiswa Departemen Statistika, secara keseluruhan dapat dilihat pada Tabel 4.

Atribut gaji pertama memiliki nilai relatif penting (NRP) yang paling besar diantara atribut lainnya, yaitu sebesar 83.908%, atribut bidang kerja sebesar 10.015%, kesesuaian latar belakang pendidikan terhadap bidang kerja dan image perusahaan masing-masing memiliki NRP berturut-turut sebesar 4.737% dan 1.340%.

Nilai signifikan antara atribut gaji pertama dengan atribut lainnya memberikan gambaran bahwa mahasiswa Departemen Statistika mengutamakan gaji pertama dibanding atribut lainnya. Atribut bidang kerja menjadi pilihan kedua bagi mereka dalam memilih pekerjaan, walaupun memiliki nilai NRP yang kecil, sama seperti kedua atribut lainnya yaitu kesesuaian latar belakang pendidikan terhadap pekerjaan dan image tempat kerja.

9

Tabel 4 Nilai Kegunaan Taraf (NKT) dan Nilai Relatif Penting (NRP) atribut Mahasiswa Departemen Statistika

Atribut Taraf NKT NRP (%)

Bidang Pekerjaan


0.7609

10.02 -0.438 -0.081 -0.242

Gaji Pertama (ribu rp)

500-1000 1001-1750 1751-2500 >2500

-6.912

83.91

1.6484 2.1298 3.1339

kesesuaian latar belakang pndidikan terhadap bidang kerja


0.3646

4.737

-0.203

-0.162

Image tempat kerja

Terkenal

0.0802

1.340 Tidak Terkenal

-0.080

Dalam menentukan taraf-taraf atribut

yang paling disukai mahasiswa Departemen Statistika, dapat dilihat dari NKT tiap atribut. Terlihat pada Tabel 4, untuk atribut bidang pekerjaan, pemerintahan memiliki NKT yang paling besar yaitu 0.7609, yang berarti mereka cenderung menyukai bidang pemerintahan dibandingkan dengan bidang lain karena bidang ini dianggap lebih memiliki prospek masa depan lebih baik. Dengan nilai 3.1339, mereka lebih memilih atribut gaji pertama, dengan taraf jumlah gaji diatas Rp. 2.500.000,- dibandingkan jumlah gaji pertama lainnya. Mahasiswa Departemen Statistika, lebih memilih agar latar belakang pendidikan mereka sesuai dengan bidang pekerjaannya, dengan NKT sebesar 0.3646 dan dengan NKT sebesar 0.0802, mereka lebih mengutamakan bekerja ditempat kerja yang terkenal.

Analisis full profile bagi responden mahasiswa Ilmu Ekonomi menghasilkan model utilitas total sebagai berikut: U(x)= 8.1540 + 0.3157X11 – 0.4977X12 -

0.8153X13 + 0.0019X14 + 1.2493X21 - 0.5279X22 – 0.7214 X23 + 0.2675X31 – 0.2675X32 + 3.5135X41 + 1.3320X42 + 0.1466X43 – 4.9921X44

Dengan melakukan tahap yang sama, diperoleh NKT dan NRP bagi mahasiswa Departemen Ilmu Ekonomi yang ditunjukan pada Tabel 5.

Tabel 5 Nilai Kegunaan Taraf (NKT) dan Nilai Relatif Penting (NRP) Atribut Mahasiswa Departemen Ilmu Ekonomi


Bidang Pekerjaan


0.3157

10.65 -0.815 0.4977

0.0019


500-1000 1001-1750 1751-2500 >2500

-4.992

69.01 0.1466 1.3320 3.5135

kesesuaian latar belakang pendidikan terhadap bidang kerja


1.2493

15.99 -0.527

-0.721

Image tempat kerja

Terkenal

0.2675


-0.267

Gaji pertama tet ap merupakan pilihan

atribut yang dinilai paling penting daripada atribut lainnya dengan nilai NRP sebesar 69.015%. Mahasiswa Departemen Ilmu Ekonomi memposisikan kesesuaian latar belakang pendidikan mereka terhadap pekerjaan berada dibawah atribut gaji pertama sebesar 15.990%. Atribut bidang kerja dan image perusahaan memiliki NRP masing-masing sebesar 10.65% dan 4.342%, nilai yang relatif hampir sama dengan atribut sesuai tidaknya latar belakang pendidikan terhadap bidang kerja.

Dengan NKT dari masing-masing atribut sebesar 0.4977 untuk bidang pekerjaan, 3.5135 untuk gaji pertama, 1.2493 untuk kesesuaian latar belakang pendidikan terhadap bidang kerja, dan 0.2675 untuk image tempat kerja, mahasiswa Departemen Ilmu Ekonomi lebih memilih bidang profesional dengan gaji pertama diatas Rp. 2.500.000, - , bidang pekerjaan yang sesuai dengan latar belakang pendidikan dan image tempat kerja yang terkenal.

Model utilitas total bagi mahasiswa Agronomi dan Hortikultura sebagai berikut: U(x)= 7.9243 – 0.4494X11 + 0.9968X12 –

0.1318X13 - 0.6792X 14 + 2.0336X21 -

0.4742X22 – 1.5593X 23 + 0.3984X31 – 0.3984X32 + 1.9655X41 + 1.1455X42 - 0.2979X43 – 2.8130X44

10

Tabel 6 Nilai Kegunaan Taraf (NKT) dan Nilai Relatif Penting (NRP) Atribut Mahasiswa Departemen Agronomi dan Hortikultura

Atribut Taraf NKT

NRP (%)

Bidang Pekerjaan


-0.449

15.46 0.1318 0.9968

-0.679


500-1000 1001-1750 1751-2500 >2500

-2.813

44.07 -0.297 1.1455 1.9655



2.0336

33.13

-0.474

-1.559

Image tempat kerja

Terkenal

0.3984


-0.080

Tabel 6 menunjukkan bahwa Mahasiswa

Departemen Agronomi dan Hortikultura menilai gaji pertama sebagai atribut yang paling penting dengan nilai relatif penting (NRP) sebesar 44.065%, walaupun nilai ini tidak terlalu signifikan bila dibandingkan dengan nilai relatif penting (NRP) atribut kesesuaian latar belakang pendidikan terhadap bidang kerja sebesar 33.132%. Artinya kedua atribut ini memiliki pengaruh yang relatif hampir sama dalam memilih pekerjaan.

Atribut bidang kerja dan image perusahaan sebesar 15.456% dan 7.347%, diangga p kurang penting bagi mereka dalam memilih pekerjaan. Nilai kegunaan dari taraf-taraf untuk masing-masing atribut, dengan nilai kegunaan taraf (NKT) yang terbesar diantara taraf-tarafnya dimiliki oleh bidang pekerjaan profesional, memiliki gaji pertama lebih dari Rp.2.500.000,- yang sesuai dengan latar belakang pendidikannya dan memiliki image tempat kerja terkenal dengan nilai kegunaan taraf (NKT) berturut-turut sebesar 0.9968 untuk bidang pekerjaan, 1.9655 untuk gaji pertama, 2.0336 untuk kesesuaian latar belakang pendidikan terhadap bidang kerja dan 0.3984 untuk taraf atribut image tempat kerja.

Model utilitas total bagi Mahasiswa Departemen Teknik Pertanian adalah sebagai berikut: U(x)= 8.3232 + 0.0582 X11 + 0.4977X12 –

0.0595X13 - 0.4964X14 + 0.6305X21 - 0.3621X22 – 0.2684X23 + 0.2089X31 – 0.2089X32 + 4.3651X41 + 2.6803X42 – 0.3064X43 – 6.7390X44

Tabel 7 menunjukan NKT dan NRP bagi Mahasiswa Departemen Teknik Pertanian.

Tabel 7 Nilai Kegunaan Taraf (NKT) dan

Nilai Relatif Penting (NRP) atribut Mahasiswa Departemen Teknik Pertanian

Atribut Taraf NKT

NRP (%)

Bidang Pekerjaan


0.0582

7.359 -0.059 0.4977 -0.496


500-1000 1001-1750 1751-2500 >2500

-6.739

82.20 -0.306 2.6803 4.3651



0.6305

7.347

-0.362

-0.268

Image tempat kerja

Terkenal

0.2089


-0.208

Gaj i pertama tetap menjadi pilihan utama

responden dalam memilih pekerjaan dengan nilai relatif penting (NRP) sebesar 82.2%. Sedangkan ketiga atribut lainnya yaitu bidang kerja, kesesuaian latar belakang pendidikan terhadap bidang kerja dan image perusahaan, masing-masing memiliki nilai relatif penting berturut -turut 7.359%, 7.347%, dan 3.093%. Nilai ketiga atribut ini sangat signifikan bila dibandingkan dengan atribut gaji pertama. Ini berarti mereka jauh lebih memilih pekerjaan jika dilihat dari gaji pertama dibandingkan dengan atribut lainnya.

Dilihat dari nilai kegunaan dari tiap taraf atribut (NKT) yang memiliki nilai terbesar,

11

mereka cenderung lebih memilih bidang pekerjaan profesional dengan NKT sebesar 0.4977, memiliki gaji pertama lebih dari Rp. 2.500. 000 ,- NKT sebesar 4.3651. Mahasiswa Departemen Teknik Pertanian memilih pekerjaan yang sesuai dengan latar belakang pendidikannya dengan NKT sebesar 0.6305, dan mereka memilih bekerja ditempat kerja yang terkenal dengan nilai kegunaan taraf (NKT) sebesar 0.2089.

Perbedaan preferensi terjadi diantara mahasiswa tiap departemen dalam memilih pekerjaan. Sebagai contoh pada atribut bidang pekerjaan, mahasiswa Departemen Statistika lebih memilih bidang pemerintahan dibandingkan dengan mahasiswa departemen lainny a yang lebih memilih menjadi seorang profesional ataupun pada perbedaan proporsi jumlah persentase NRP pada tiap atribut masing-masing pada tiap departemen, misalnya pada mahasiswa Statistika dan Teknik Pertanian memiliki NRP paling besar pada atribut gaji pertama yaitu sekitar 80% dibandingkan dengan mahasiswa departemen lainnya yang memiliki NRP sekitar 40% sampai dengan 60%. Hal ini dapat disebabkan oleh perbedaan versi yang digunakan pada tiap departemen. Namun hal ini bukan menjadi satu-satunya alasan, karena perbedaan ini dapat pula disebabkan oleh mahasiswa pada tiap departemen itu sendiri yang memiliki perbedaan cara pandang dalam memilih pekerjaan, misalnya saja dikarenakan oleh latarbelakang pendidikan dan keahlian yang dimiliki.

Secara keseluruhan, mahasiswa lebih mengutamakan gaji pertama sebagai atribut yang paling mereka sukai dalam memilih pekerjaan. Atribut bidang kerja dan kesesuaian latar belakang pendidikan terhadap bidang kerja memiliki kecenderungan yang hampir sama terhadap responden dalam memilih pekerjaan. Sedangkan atribut image tempat kerja dinilai responden tidak terlalu penting dalam memilih pekerjaan.

Hasil Analisis Menggunakan Metode CBC (Choice Based Conjoint)

Counting CBC merupakan tahap awal

analisis CBC dimana dapat diperoleh informasi secara keseluruhan, hasil counting dapat terlihat pada Lampiran 3. Mahasiswa menilai bahwa atribut yang paling berpengaruh terhadap pemilihan pekerjaan adalah gaji pertama. Terlihat dari jumlah proporsi yang paling besar pada atribut gaji pertama >Rp.2.500.000,- yang memiliki

jumlah proporsi terbesar yaitu sebesar 43%. Sebanyak 42.8% mahasiswa menginginkan agar latar belakang pendidikan mereka sesuai dengan bidang kerja mereka, serta memilih untuk bekerja ditempat kerja yang terkenal sebesar 55.1%. Bidang kerja yang paling banyak diminati adalah bidang kerja profesional yang memiliki jumlah proporsi sebesar 28.2%.

Tahap selanjutnya adalah analisis data CBC. Tabel 8 merupakan hasil pendugaan parameter dengan menggunakan multinomial logit.

Tabel 8 Pendugaan Parameter menggunakan

multinomial logit FAKTOR KOEFISIEN EXP(KOEF)

Intersep -0.001


-0.085

0.9185

-0.447 0.6395 0.167 1.1817

0 1

>2500 1751 -2500 1001 -1750 500-1000

0.221

1.247

-1.065

0.345

-1.392

0.248

0

1


0.898 2.4547

-0.419 0.658

0 1

Terkenal Tidak Terkenal

-0.105

0

1.1107

1

Perbandingan antara counting dan analisis

logit dalam CBC digunakan untuk melihat kemiripan kedua metode tersebut. Dalam melihat kemiripan tersebut, dibandingkan proporsi kedua metode tersebut. Sama seperti counting CBC, analisis logit pun menggunakan proporsi taraf atribut yang terpilih dengan cara menghitung proporsi dari eksponen koefisien. Perbandingan kedua proporsi dan selisih keduanya dapat dilihat pada tabel 9.

12

Tabel 9 Perbandingan proporsi counting dan logit

FAKTOR Exp (koef)

Proporsi Exp (koef)

Counting diff


0.9185

0.2456 0.258 -0.012 0.6395 0.171 0.227 -0.056 1.1817 0.3159 0.282 0.033

1 0.2675 0.233 0.034 >2500 1751-2500 1001-1750 500-1000

1.247 0.44 0.43 0.01 0.345 0.121 0.281 -0.16 0.248 0.087 0.23 -0.143

1 0.352 0.059 0.293


2.4547 0.5971 0.428 0.169

0.658 0.16 0.35 -0.19

1 0.243 0.221 0.022

Terkenal

1.1107

0.526

0.551

-0.025

Tidak Terkenal

1 0.474 0.449 0.025

Berdasarkan perhitungan proporsi dari

kedua metode, meskipun hasil yang diperoleh tidak tepat sama, namun selisih antara counting dengan model logit sangat kecil yang berarti dapat disimpulkan kedua metode ini memberikan hasil yang sama dalam preferensi pilihan mahasiswa terhadap pekerjaan. Mahasiswa pada umumnya lebih memilih bidang kerja profesional dengan gaji pertama >Rp.2.500.000, - , latar belakang pendidikan yang sesuai dengan bidang kerja, dan image tempat kerja yang terkenal.

Dari hasil pendugaan parameter dengan menggunakan analisis multinomial logit dapat ditentukan nilai NKT dan NRP (Tabel 10). Atribut gaji pertama memiliki NRP terbesar, yaitu sebesar 44.21%. Sedangkan atribut kesesuaian latar belakang terhadap pendidikan memiliki NRP sebesar 36.11%, nilai ini lebih kecil dari persentase gaji pertama, artinya mahasiswa Departemen baik itu Statistika, Ilmu Ekonomi, Agronomi & Hortikultura, dan Teknik Pertanian lebih mengutamakan gaji pertama sebagai atribut yang paling penting didalam memilih pekerjaan. Atribut bidang kerja dan image tempat kerja memiliki NRP masing-masing sebesar 16.8% dan 2.88%. Hal ini mengindikasikan bahwa kedua atribut ini dianggap tidak terlalu penting bagi mereka dalam memilih pekerjaan.

Tabel 10 Nilai Kegunaan Taraf (NKT) dan Nilai Relatif Penting (NRP) menggunakan model logit


Bidang Pekerjaan


-0.085

16.8 -0.447 0.167

0


>2500 1751-2500 1001-1750 500-1000

0.221

44.21 -1.066 -1.393

0

Latar belakang pendidikan terhadap bidang kerja


0.898

36.11 -0.419

0

Image tempat kerja

Terkenal

-0.105

2.88 Tidak Terkenal

0

Sedangkan NKT tertinggi terdapat pada

taraf gaji pertama >Rp.2.500.000,-yaitu sebesar 0.221. Merupakan taraf yang paling diminati daripada taraf lainnya. Pada atribut kesesuaian latar belakang terhadap bidang kerja, secara umum mereka lebih memilih pekerjan yang sesuai dengan bidang kerja, dengan NKT sebesar 0.898. Namun mereka lebih memilih bekerja dibidang profesional walaupun dengan image tempat kerja tidak terkenal dengan NKT masing-masing sebesar 0.167 dan 0.

KESIMPULAN

Perkembangan metode konjoin sampai dengan saat ini, telah diterapkan pada berbagai bidang. Tidak hanya pada perus ahaan riset, namun juga dapat digunakan salah satunya untuk mengetahui preferensi mahasiswa tingkat akhir mengenai atribut yang dinilai paling mempengaruhi mereka dalam memilih pekerjaan.

Pada tahap penyusunan stimuli, dengan bantuan software, metode full profile dirasakan lebih mudah dalam menyusun stimuli. Sedangkan pada tahap pengumpulan data, dengan memilih konsep kerja yang

13

diinginkan, CBC dinilai lebih mudah dilakukan dibandingkan dengan mengurutkan seperti yang dilakukan pada metode full profile. Dengan adanya analisis awal counting CBC, waktu yang diperlukan dalam menganalisis metode ini lebih lama dilakukan, dibandingkan dengan metode full profile. Namun, dalam menganalisis kedua metode tersebut dinilai memiliki tingkat kesulitan yang hampir sama. Berbeda dengan metode full profile yang dapat mengukur utility taraf tiap individu, metode CBC hanya dapat mengukur secara keseluruhan saja. Oleh karena itu metode full profile dapat dikatakan lebih mendekati pada keadaan yang sebenarnya.

Full profile dan CBC (Choice Based Conjoint) memberikan hasil bahwa atribut yang paling berpengaruh dalam menentukan preferensi mahasiswa terhadap pekerjaan adalah gaji pertama. Begitu juga dengan counting CBC dan CBC model logit, kedua metode ini memberikan hasil yang sama dalam preferensi pilihan mahasiswa terhadap pekerjaan.

Atribut kesesuaian latar belakang pendidikan terhadap pekerjaan menjadi atribut urutan kedua yang menjadi pertimbangan mahasiswa dalam memilih pekerjaannya. Atribut bidang kerja dan image tempat ker ja menjadi atribut pilihan terakhir mahasiswa dalam memilih pekerjaan.

DAFTAR PUSTAKA

Agresti, A. 1990 . Categorical Data Analysis . John Wiley and Sons. New York.

Anonim a. 2002. ACA paper series . http://www.sawtooth.com ______b. 2002. A Short History Of Conjoint Analysis . http://www.sawtooth.com . ______c. 2002. CBC Paper Series. http://www.sawtooth.com. ______d. 2002. CBC/HB Paper Series . http://www.sawtooth.com ______e. 2002. CVA Paper Series. http://www.sawtooth.com. ______f. 2005. http://www.answerresearch.com. ______g. 2005. http://www.dobney.com. ______h. 2002. http://www.dssresearch.com ______i. 2002. http://www.proquestion.com Ansari, Yulia. 2002. Model Logit Dalam

Choice Based Conjoint. Skripsi. Jurusan Statistika, IPB. Bogor. (tidak dipublikasikan).

Hair, J.F.,R. E. Anderson, R.L. Tatham. 1995. Multivariate With Reading. Fourth Edition. Prentice-Hall International : Englewood Clirfs. New Jersey.

Hosmer, D & Lemeshow. 1989. Applied Categorical Data Analysis. John Wiley and Sons. New York.

Kuhfeld, F.W. 1997. Conjoint Analysis. SAS Institute, Inc.

Santoso, Singgih. 2002. Buku Latihan SPSS Statistik Multivariate. PT Elex Media Komputindo.Jakarta

14

Lampiran 1 Contoh kartu-kartu kombinasi atribut (stimuli) rancangan full profile

Card 1 Swasta 500-1000 Kurang Sesuai Terkenal

Card 2 Wiraswasta 500-1000 Sesuai Tidak Terkenal

Card 4 Pemerintahan 1751-2500 Sesuai Terkenal

Card 3 Profesional 500-1000 Tidak Sesuai Tidak Terkenal

Card 5 Wiraswasta 1001-1750 Kurang Sesuai Terkenal

Card 6 Swast a >2500 Sesuai Tidak Terkenal

Card 7

Profesional >2500 Sesuai Terkenal

Card 8 Profesional 1001-1750 Sesuai Terkenal

Card 9

Swasta 1751-2500 Tidak Sesuai Terkenal

Card 10 Wiraswasta >2500 Tidak Sesuai Terkenal

Card 11 Wiraswasta 1751-2500 Sesuai Tidak Terkenal

Card 12 Pemerintahan 500-1000 Sesuai Terkenal

Card 13 Profesional 1751-2500 Kurang sesuai Tidak Terkenal

Card 14 Pemerintahan >2500 Kurang Sesuai Tidak Terkenal

Card 15 Swasta 1001-1750 Sesuai Tidak Terkenal

Card 16 Pemerintahan 1001-1750 Tidak Sesuai Tidak Terkenal

15

Lampiran 2 Contoh K artu-Kartu Kombinasi Atribut (Stimuli) R ancangan CBC CARD1

CARD2 CARD 3 CARD 4 CARD 5

Swasta 500 – 1000 Kurang sesuai Terkenal

Profesional 1001-1751 Tidak sesuai Tidak Terkenal

Tidak memilih

satu pun

Wiraswasta 500-1000 Sesuai Tidak Terkenal

Tidak memilih

satu pun

Pemerintahan 1001-1750 Kurang Sesuai Terkenal

Wiraswasta 1001-1750 Sesuai Terkenal

Profesional 500-1000 Tidak Sesuai Tidak Terkenal

Tidak memilih

satu pun

Swasta >2500 Kurang Sesuai Tidak terkenal

Pemerintahan 1751-2500 Sesuai Terkenal

Tidak memilih

satu pun

Wiraswasta 1001-1750 Kurang Sesuai Terkenal

Pemerintahan 1751-2500 Tidak Sesuai Tidak Terkenal

Tidak memilih

satu pun

16

Lampiran 3 Nilai Peubah Boneka Untuk Taraf-Taraf tiap Atribut Atribut Taraf X11 X12 X13 X21 X22 X31 X41 X42 X43 Bidang Kerja (X11, 12, X13)

Pemerintahan 1 0 0

Swasta 0 1 0

Profesional 0 0 1

Wiraswasta 0 0 0 Kesesuaian Latar Belakang Pendidikan terhadap Bidang Kerja (X21, X22,)

Sesuai

1 0 0

Kurang Sesuai Tidak Sesuai

Image Tempat Kerja (X31,)

Terkenal

1

Tidak Terkenal

0

Gaji Pertama Ribu rupiah (X41,X42,X43)

>2.500 1 0 0

1751-2500 0 1 0

1001-1750 0 0 1

500-1000 0 0 0

0

1

0

17

Lampiran 4 Nilai Peubah Boneka Untuk Stimuli no Stimuli Peubah Boneka

X11 X12 X13 X21 X22 X31 X41 X42 X43 1 Stimuli 1 0 1 0 0 1 1 0 0 0 2 Stimuli 2 0 0 0 1 0 0 0 0 0 3 Stimuli 3 0 0 1 0 0 0 0 0 0 4 Stimuli 4 1 0 0 1 0 1 0 1 0 5 Stimuli 5 0 0 0 0 1 1 0 0 1 6 Stimuli 6 0 1 0 1 0 0 1 0 0 7 Stimuli 7 0 0 1 1 0 1 1 0 0 8 Stimuli 8 0 0 1 1 0 1 0 0 1 9 Stimuli 9 0 1 0 0 0 1 0 1 0 10 Stimuli 10 0 0 0 0 0 1 1 0 0 11 Stimuli 11 0 0 0 1 0 0 0 1 0 12 Stimuli 12 1 0 0 1 0 1 0 0 0 13 Stimuli 13 0 0 1 0 1 0 0 1 0 14 Stimuli 14 1 0 0 0 1 0 1 0 0 15 Stimuli 15 0 1 0 1 0 0 0 0 1 16 Stimuli 16 1 0 0 0 0 0 0 0 1

18

Lampiran 5 Hasil Counting CBC (Choice Based Conjoint)

ATRIBUT TARAF COUNT / COL%

BIDANG KERJA

profesional Count 195 Col % 28.2% Pemerintahan Count 178 Col % 25.8% wiraswasta Count 161 Col % 23.3% Swasta Count 157 Col % 22.7% Total Count 691 Col % 100.0%

KESESUAIAN LATAR BELAKANG PENDIDIKAN TERHADAP BIDANG KERJA

Sesuai Count 296 Col % 42.8% kurang sesuai Count 242 Col % 35.0% tidak sesuai Count 153 Col % 22.1% Total Count 691 Col % 100.0%

IMAGE TEMPAT KERJA

terkenal Count 381 Col % 55.1% tidak terkenal Count 310 Col % 44.9% Total Count 691 Col % 100.0%

GAJI PERTAMA

>2500 Count 297 Col % 43.0% 1751-2500 Count 194 Col % 28.1% 1001-1750 Count 159 Col % 23.0% 500-1000 Count 41 Col % 5.9% Total Count 691 Col % 100.0%

KAJIAN ANALISIS KONJOIN DAN PENERAPANNYA...

Documents

Transcript of KAJIAN ANALISIS KONJOIN DAN PENERAPANNYA...