ANALISIS CHOICE-BASED CONJOINT UNTUK
MENGETAHUI PREFERENSI MAHASISWA TERHADAP
KONSEP SISTEM KEGIATAN BELAJAR MENGAJAR
(Studi Kasus pada Mahasiswa Statistika S1 Departemen
Statistika, IPB)
SEPTIAN PUTRI PALUPI
STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Choice-Based
Conjoint untuk Mengetahui Preferensi Mahasiswa terhadap Konsep Sistem
Kegiatan Belajar Mengajar (Studi Kasus pada Mahasiswa Statistika S1 Departemen
Statistika, IPB) adalah benar karya saya dengan arahan dari komisi pembimbing
dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.
Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun
tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan
dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Desember 2016
Septian Putri Palupi
NIM G14120027
ABSTRAK
SEPTIAN PUTRI PALUPI. Analisis Choice-Based Conjoint untuk Mengetahui Preferensi
Mahasiswa terhadap Konsep Sistem Kegiatan Belajar Mengajar (Studi Kasus pada
Mahasiswa Statistika S1 Departemen Statistika, IPB). Dibimbing oleh UTAMI DYAH
SYAFITRI dan FARIT MOCHAMAD AFENDI.
Analisis konjoin merupakan analisis yang digunakan untuk mengetahui preferensi
konsumen yang diukur melalui nilai kegunaan dan nilai kepentingan relatif dari atribut-
atribut yang diteliti. Analisis Choice-Based Conjoint (CBC) merupakan analisis konjoin
yang berdasarkan pilihan dan digunakan untuk mengetahui konsep produk atau jasa yang
disukai konsumen. Penelitian ini fokus pada aplikasi CBC pada konsep sistem KBM
Departemen Statistika, IPB. Kombinasi atribut dibangun menggunakan rancangan
fraksional faktorial 25−2. Ada 5 atribut dengan masing-masing mempunyai 2 level,
sehingga ada sejumlah 32 kombinasi lengkap. Kombinasi lengkap ini dibagi menjadi 4 blok
dengan 8 konsep pada masing-masing blok. Penelitian ini menggunakan respon berbentuk
biner (memilih dan tidak memilih) sehingga analisis data yang digunakan adalah analisis
regresi logistik biner. Nilai kegunaan total (NKT) dihitung berdasarkan dugaan koefisien
pada model regresi logistik. Konsep sistem KBM yang paling disukai yaitu penyampaian
materi 2 arah, alat bantu perkuliahan tidak hanya papan tulis tapi juga LCD/proyektor,
sumber materi melalui textbook, serta dalam proses perkuliahan terdapat evaluasi dan
motivasi dengan sistem hadiah (reward).
Kata kunci: choice-based conjoint, konjoin, sistem KBM
ABSTRACT
SEPTIAN PUTRI PALUPI. Choice-Based Conjoint Analysis for Preferences of Teaching
and Learning System Concept (Case Study on Undergraduate Students of Departement of
Statistics, Bogor Agricultural University). Supervised by UTAMI DYAH SYAFITRI and
FARIT MOCHAMAD AFENDI.
Conjoint analysis is an analysis that used to determine the preferences of consumers
as measured by the value of the utility and the relative importance of attributes studied.
Choice-Based Conjoint Analysis (CBC) is a conjoint analysis based on a choice and used
to determine the concept of products or services that consumers preferred. This research
focused on application of CBC on teaching and learning activites system of Statistics
Department, Bogor Agricultural University. The combination of attributes were built by
25−2 fractional factorial design. There were five attributes with 2 levels, thus there were 32
full combination. The full profile was divided by 4 blocks with 8 concepts of each blocks.
As responses are biner (choose and not choose), a logistic regression is used to analyze the
data. Furthermore, sum of the value of utility (NKT) was calculated based on estimation of
regression coefficient of logistic regression model. The teaching and learning system
concepts were preferred by Statistics students were interactive method, the tools for
teaching were not only using whiteboard but also using LCD/projector, material resource
from reference books, there were evaluation, and motivation by giving reward(s).
Keywords : choice-based conjoint, conjoint, teaching and learning system
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika
STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
SEPTIAN PUTRI PALUPI
Analisis Choice-Based Conjoint untuk Mengetahui Preferensi
Mahasiswa terhadap Konsep Sistem Kegiatan Belajar Mengajar
(Studi Kasus pada Mahasiswa Statistika S1 Departemen
Statistika, IPB)
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Sholawat serta
salam semoga selalu tercurah kepada pemimpin umat nabi Muhammad SAW
beserta keluarga, sahabat, dan umatnya. Tema yang dipilih dalam penelitian yang
dilaksanakan sejak bulan Februari 2016 sampai Oktober 2016 ini ialah analisis
choice-based conjoint, dengan judul Analisis Choice-Based Conjoint untuk
Mengetahui Preferensi Mahasiswa terhadap Konsep Sistem Kegiatan Belajar
Mengajar (Studi Kasus pada Mahasiswa Statistika S1 Departemen Statistika, IPB).
Terima kasih penulis ucapkan kepada :
1. Ibu Dr Utami Dyah Syafitri, MSi dan Dr Farit Mochamad Afendi, MSi
selaku pembimbing yang telah banyak memberikan arahan dan masukan
selama pembuatan karya ilmiah ini.
2. Seluruh staff pengajar Departemen Statistika IPB yang telah memberikan
berbagai bekal ilmu sehingga penulis dapat menyelesaikan studi dan karya
ilmiah ini.
3. Seluruh staff administrasi dan karyawan Departemen Statistika IPB yang
telah banyak membantu kelancaran studi dan karya ilmiah ini.
4. Bapak, ibu, serta seluruh keluarga atas segala doa, kasih sayang, dan
semangat yang telah diberikan.
5. Seluruh teman-teman Statistika 49, Statistika 50, dan Statistika 51.
6. Ika Rojiatus Sa’adah, Kak Putri Windiastuti, Dian Irma Ningtyas, Sri
Wijayanti, dan seluruh teman-teman yang telah banyak membantu selama
studi dan penyelesaian karya ilmiah ini.
7. Teman-teman RQ 2 IPB, KW37, Rumah Sindikat, dan Adkesmah Iridescent
atas segala pengalaman berkesan, doa, dan dukungannya.
Penulis menyadari bahwa karya ilmiah ini masih jauh dari sempurna sehingga
penulis menerima kritik dan saran untuk penyempurnaan karya ilmiah ini. Semoga
karya ilmiah ini bermanfaat.
Bogor, Oktober 2016
Septian Putri Palupi
DAFTAR ISI
DAFTAR ISI .............................................................................................. vii
DAFTAR TABEL ..................................................................................... viii
DAFTAR GAMBAR ................................................................................ viii
DAFTAR LAMPIRAN ............................................................................. viii
PENDAHULUAN ........................................................................................ 1
Latar Belakang ........................................................................................... 1
Tujuan ........................................................................................................ 2
TINJAUAN PUSTAKA .............................................................................. 2
Penarikan Contoh Acak Berlapis ............................................................... 2
Penarikan Contoh Acak Sistematik ........................................................... 3
Rancangan CBC......................................................................................... 3
Analisis CBC ............................................................................................. 4
Regresi Logistik ......................................................................................... 4
Analisis Konjoin ........................................................................................ 5
METODOLOGI ........................................................................................... 6
Data ............................................................................................................ 6
Metode ....................................................................................................... 6
HASIL DAN PEMBAHASAN .................................................................... 9
Profil Responden ....................................................................................... 9
Preferensi Responden .............................................................................. 10
SIMPULAN ................................................................................................ 14
DAFTAR PUSTAKA ................................................................................ 14
RIWAYAT HIDUP .................................................................................... 18
DAFTAR TABEL
Tabel 1 Peubah-peubah yang digunakan dan nilai kontras masing-masing
level di setiap atribut 7 Tabel 2 Pembagian pengambilan contoh acak dari setiap angkatan dan
blok 8 Tabel 3 Nilai signifikansi masing-masing atribut dan blok 11 Tabel 4 Tingkat ketepatan klasifikasi 12 Tabel 5 Nilai kegunaan setiap level dan nilai kepentingan relatif setiap
atribut 13
DAFTAR GAMBAR
Gambar 1 Contoh segugus pilihan ............................................................. 4 Gambar 2 Profil responden ...................................................................... 10 Gambar 3 Profil responden ...................................................................... 10 Gambar 4 Profil responden berdasarkan .................................................. 10 Gambar 5 Jumlah responden yang memilih pada masing-masing level .. 11 Gambar 6 Kurva ROC dan nilai AUC ..................................................... 12
DAFTAR LAMPIRAN
Lampiran 1 Rancangan kombinasi profil lengkap dalam 4 blok ............. 16 Lampiran 2 Tabulasi silang antara level masing-masing atribut dan respon
........................................................................................................... 17
1
PENDAHULUAN
Latar Belakang
Hair et al. (2009) mendefinisikan analisis konjoin sebagai teknik peubah
ganda yang dikembangkan untuk memahami cara responden menghasilkan
preferensi atas segala jenis objek (produk, jasa, atau ide). Penerapan yang paling
langsung adalah dalam pengembangan produk atau jasa baru, yang memungkinkan
untuk evaluasi produk kompleks sambil mempertahankan keputusan yang realistis
untuk responden. Peneliti pasar mampu menilai pentingnya atribut serta level
masing-masing atribut, sementara konsumen hanya mengevaluasi beberapa profil
produk, yang merupakan kombinasi dari level-level atribut. Orme (2010)
mengatakan bahwa pada konjoin tradisional, responden diminta untuk mengurutkan
atau menilai kombinasi-kombinasi atribut dan level. Berbeda dengan konjoin
tradisional yang hanya meranking ataupun mengurutkan, CBC meminta responden
untuk memilih salah satu dari beberapa pilihan konsep produk atau jasa. Metode
CBC mirip pada kehidupan nyata saat konsumen dihadapkan pada beberapa pilihan
produk.
Angraini (2006) melakukan penelitian yang fokus bagaimana menentukan
rancangan yang optimum pada CBC pada penelitian sebelumnya. Sedangkan pada
penelitian ini, peneliti berfokus pada analisis data CBC yang didapatkan melalui
survei. Dalam rancangannya, penelitian ini menggunakan fraksional faktorial yang
sanggup mengurangi banyaknya perbandingan yang harus dievaluasi responden
dibandingkan dengan rancangan full-profile yang menampilkan kombinasi dari
keseluruhan level dan atribut yang digunakan.
Tujuan Departemen Statistika IPB adalah menghasilkan lulusan dalam
bidang statistika yang berkualitas dan mampu bersaing baik pada taraf nasional
maupun internasional, mampu menerjemahkan permasalahan dalam suatu bidang
ilmu ke dalam bahasa Statistika, dan sebaliknya dapat menerjemahkan hasil analisis
dan kesimpulan yang ditarik secara statistika ke dalam bahasa ilmu yang
bersangkutan, memiliki landasan yang kuat untuk mengembangkan dan/atau
mengikuti pendidikan lanjutan dalam bidang statistika atau bidang ilmu lain yang
memerlukan penguasaan metode kuantitatif yang kuat, membangun iklim akademik
yang kondusif bagi peningkatan mutu pendidikan & penelitian dalam bidang
Statistika, serta membangun kerjasama dengan berbagai pihak dalam
pengembangan Statistika & penerapannya di berbagai bidang (Statistika IPB 2016).
Upaya untuk mencapai tujuan tersebut, salah satunya, adalah dengan
menerapkan sistem kegiatan belajar mengajar (KBM) yang efektif bagi mahasiswa,
sehingga mahasiswa dapat menerima materi kuliah yang disampaikan dosen secara
jelas. Maka dari itu, konsep sistem KBM yang diterapkan di dalam kelas
perkuliahan saat berpengaruh. Penerapan konsep sistem KBM yang tepat akan
membuat KBM menjadi efektif. Fathurohman dan Sutikno (2011) menyatakan
bahwa komponen-komponen belajar mengajar ada 7, yaitu tujuan, bahan pelajaran,
kegiatan belajar mengajar, metode, alat, sumber pelajaran, dan evaluasi.
Berdasarkan 5 dari 7 komponen tersebut akan digunakan sebagai penyusun atribut
yang diterapkan dalam analisis CBC.
2
Tujuan
Tujuan dari penelitian ini adalah :
1. Mengidentifikasi atribut-atribut yang memengaruhi efektifitas KBM
2. Menentukan konsep sistem KBM yang disukai mahasiswa Statistika IPB
angkatan 49, 50, dan 51
TINJAUAN PUSTAKA
Penarikan Contoh Acak Berlapis
Scheaffer (1990) mengatakan bahwa sampel dari pengambilan contoh acak
berlapis merupakan contoh yang diperoleh dengan cara membagi elemen populasi
menjadi grup yang tidak saling tumpang tindih (nonoverlap) yang disebut lapisan,
dan kemudian memilih contoh acak sederhana dari masing-masing lapisan.
Prinsip penggunaan penarikan contoh acak berlapis bila dibandingkan
dengan penarikan contoh acak sederhana adalah sebagai berikut:
1. Pengelompokkan ke dalam lapisan dapat menghasilkan batas kesalahan
pendugaan yang lebih kecil dibandingkan penarikan contoh acak
sederhana pada ukuran contoh yang sama. Hasil ini menghasilkan
perhitungan yang benar jika elemen dalam lapisan bersifat homogen.
2. Biaya per observasi dalam survei dapat dikurangi dengan pelapisan
elemen populasi ke dalam kelompok yang tepat.
3. Jika estimasi parameter populasi ingin dicari dalam setiap subkelompok,
maka subkelompok tersebut harus merupakan lapisan yang dapat
diidentifikasi.
Langkah pertama dalam menggunakan pengambilan contoh acak berlapis
adalah menentukan lapisan secara jelas, kemudian masing-masing unit
pengambilan contoh dari populasi dimasukkan ke dalam lapisan yang paling
mendekati. Setelah dibagi ke dalam lapisan, pilih sampel secara acak menggunakan
teknik pengambilan sampel acak sederhana pada masing-masing lapisan. Sampel
yang diambil dari lapisan haruslah independen (saling bebas).
Pendekatan ukuran sampel yang dibutuhkan untuk menduga 𝑝 dengan batas
kesalahan pendugaan B :
𝑛 =∑ 𝑁𝑖
2𝑝𝑖𝑞𝑖/𝑤𝑖𝐿𝑖=1
𝑁2𝐷 + ∑ 𝑁𝑖𝑝𝑖𝑞𝑖𝐿𝑖=1
𝐷 =𝐵2
4
dengan:
𝑛 = ukuran sampel total
𝐿 = jumlah lapisan
𝑁𝑖 = ukuran unit penarikan contoh pada lapisan ke-𝑖 𝑁 = ukuran total populasi
𝑤𝑖 = alokasi fraksi lapisan ke-𝑖 𝑝𝑖 = proporsi populasi lapisan ke-𝑖 𝐵 = batas kesalahan pendugaan
3
Kemudian untuk menentukan ukuran sampel masing-masing lapisan,
gunakan
𝑛𝑖 = 𝑛(𝑤𝑖) dengan:
𝑛𝑖 = ukuran sampel lapisan ke- 𝑖 Untuk pengambilan contoh dalam lapisan, dapat digunakan kembali metode
penarikan contoh acak yang lain seperti penarikan contoh acak sistematik.
Penarikan Contoh Acak Sistematik
Scheaffer et al. (1990) mengatakan bahwa secara umum, penarikan contoh
acak sistematik melibatkan pemilihan acak satu elemen dari 𝑘 elemen pertama dan
kemudian memilih lagi setiap 𝑘 elemen selanjutnya. Prosedur ini lebih mudah
digunakan dan dapat mengurangi kesalahan pewawancara. Pada penarikan contoh
acak sistematik, beberapa metode dapat digunakan. Peneliti dapat menggunakan 1-
in-3, 1-in-5, atau secara umum, 1-in- 𝑘 contoh yang sistematik.
Apabila ukuran populasi 𝑁 diketahui, kita dapat menentukan perkiraan
ukuran contoh 𝑛 dan memilih 𝑘 untuk mencapai ukuran contoh yang diperlukan.
Secara umum, 𝑘 harus lebih kecil atau sama dengan 𝑁/𝑛 (𝑘 = 𝑁/𝑛). Apabila
ukuran populasi tidak diketahui, maka tidak dapat ditentukan 𝑘 secara akurat.
Namun apabila nilai 𝑘 terlalu besar, ukuran contoh yang diperlukan tidak akan
tercapai menggunakan 1-in- 𝑘 contoh sistematik.
Rancangan CBC
Orme (2010) mengatakan bahwa wawancara CBC kepada responden meniru
proses pembelian produk yang sebenarnya. Responden diperlihatkan serangkaian
profil produk lengkap dan diminta untuk menunjukkan konsep mana yang akan
mereka beli. Seperti pada kenyataan, responden dapat menolak untuk membeli
dalam wawancara CBC dengan memilih pilihan ‘tidak membeli’. Jika tujuan
penelitian adalah untuk memprediksi pilihan produk atau jasa, akan terlihat alami
jika menggunakan data dari hasil pilihan responden.
Angraini (2006) menyatakan bahwa dalam rancangan CBC ini, responden
diberikan segugus pilihan dari kombinasi atribut yang sudah dirancang sebelumnya
seperti yang disajikan pada Gambar 1. Atribut merupakan faktor-faktor yang
mempengaruhi seorang responden dalam menentukan pilihannya, dimana dalam
setiap atribut tersebut terdiri dari beberapa taraf. Segugus pilihan terdiri dari
beberapa task. Satu task biasanya terdiri dari dua sampai lima concept. Concept
merupakan beberapa alternatif produk yang disajikan pada satu task. Kumpulan dari
beberapa task disebut juga satu version. Pilihan yang diberikan oleh responden akan
dianalisis dengan metode tertentu sehingga didapatkan concept yang disukai oleh
responden.
4
Dasar sistem CBC memungkinkan peneliti mengukur sampai 15 tingkat/level
untuk setiap satu atribut. Sedangkan untuk jumlah task, untuk penelitian CBC
berbasis kertas, disarankan 8 sampai 15 task.
Untuk merancang kombinasi atribut CBC, digunakan rancangan percobaan
fraksional faktorial. Rancangan ini digunakan apabila jumlah atribut yang
digunakan terlalu besar, sehingga menyulitkan responden untuk memilih, serta
apabila peneliti tidak memiliki sumber daya yang cukup untuk menggunakan
rancangan full profile yang menampilkan kombinasi dari keseluruhan level dan
atribut yang digunakan. Raghavarao (2011) menyebutkan contoh penggunaan
fraksional faktorial. Misalnya, dalam sebuah studi yang melibatkan tiga atribut pada
dua level masing-masing, 23 percobaan penuh akan membutuhkan delapan profil.
Jika peneliti memiliki sumber daya untuk mendapatkan tanggapan dari hanya empat
profil, mereka dapat memilih untuk menjalankan setengah fraksi dari 23 rancangan
penuh. Desain ini disebut 23−1 faktorial pecahan karena merupakan kecil setengah
dari rancangan faktorial penuh 23 dan memiliki 23−1 = 4 profil.
Analisis CBC
Data hasil survei selanjtnya dianalisis menggunakan analisis CBC. Analisis
CBC mulai populer di awal tahun 1990-an, dan akhir-akhir ini telah menjadi teknik
konjoin yang paling banyak digunakan di dunia (Sawtooth Software 2008 dalam
Orme 2010). Data CBC biasanya dianalisis menggunakan analisis counts, logit,
dan Bayes estimasi hirarkis. Beberapa peneliti juga menggunakan Laten Class
untuk mengembangkan segmen pasar. Metode counts menghitung proporsi untuk
tiap level berdasarkan berapa kali level tersebut dipilih kemudian dibagi dengan
berapa kali level tersebut terjadi. Sedangkan pada metode logit akan mengestimasi
tidak hanya pada main effect tetapi juga interaction effect (Sawtooth 2008 dalam
Herawati et al. 2012). Analisis logit ini akan menggunakan regresi logistik sebagai
alat. Analisis ini menghasilkan nilai kegunaan untuk setiap level atribut. Level yang
memiliki nilai kegunaan tinggi berdampak besar secara positif terhadap preferensi
konsumen terhadap suatu produk atau jasa.
Regresi Logistik
Hosmer dan Lemeshow (2000) mengatakan bahwa regresi logistik adalah suatu
prosedur untuk menjelaskan hubungan antara peubah penjelas 𝑌 yang berupa peubah
Gambar 1 Contoh segugus pilihan
5
biner dan peubah bebas 𝑋. Peubah respon 𝑌 memiliki dua kemungkinan nilai, yaitu
𝑌 = 1 menyatakan bahwa respon memenuhi kriteria yang ditentukan dan 𝑌 = 0 tidak
memenuhi kriteria. Peubah bebas yang bersifat kategorik memerlukan peubah boneka
(dummy variable).
Model umum regresi logistik yang dibentuk 𝐸(𝑌 = 1| 𝑥) sebagai 𝜋(𝑋) adalah
𝜋(𝑋) =exp {𝑔(𝑋)}
1 + exp{𝑔(𝑋)}
𝜋(𝑋) = 𝑃(𝑌 = 1|𝑋) Fungsi penghubung yang sesuai untuk model regresi logistik adalah fungsi
logit. Transformasi logit sebagai fungsi dari 𝜋(𝑋) adalah :
log[𝜋(𝑋)] = 𝑔(𝑋) = ln [𝜋(𝑋)
1 − 𝜋(𝑋)]
Dengan model logitnya adalah :
𝑔(𝑋) = 𝛽0 + 𝛽1𝑋1 + ∑ 𝛽𝑗𝑢
𝑘𝑗−1
𝑢=1
𝐷𝑗𝑢
Analisis regresi logistik dalam penelitian ini digunakan karena respon yang diukur
memiliki dua kemungkinan nilai yaitu 𝑌 = 1 menyatakan konsep sistem KBM
yang dipilih responden, dan 𝑌 = 0 untuk konsep sistem KBM yang tidak dipilih
responden. Analisis regresi logistik digunakan untuk mendapatkan penduga
parameter. Penduga parameter digunakan untuk menentukan total nilai kegunaan
masing-masing konsep produk.
Pada regresi logistik, akan dilakukan pula uji signifikan masing-masing
atribut dan blok dengan langkah-langkah pengujian hipotesis menurut Walpole
(2005) sebagai berikut:
1. Nyatakan hipotesis nol-nya 𝐻0 bahwa 𝜃 = 𝜃0, dengan 𝜃 merupakan
parameter populasi.
2. Pilih hipotesis alternatif 𝐻1 yang sesuai di antara 𝜃 < 𝜃0, 𝜃 > 𝜃0, atau 𝜃 ≠𝜃0.
3. Tentukan taraf nyata α.
4. Pilih statistik uji yang sesuai dan kemudian tentukan wilayah kritiknya.
5. Hitung nilai statistik uji berdasarkan data contohnya.
6. Keputusan: tolak 𝐻0 bila nilai statistik uji tersebut jatuh dalam wilayah
kritiknya, sedangkan bila nilai itu jatuh di luar wilayah kritiknya terimalah
𝐻0.
Analisis Konjoin
Hair et al. (2009) menyebutkan bahwa analisis konjoin adalah sebuah teknik
multivariat yang dikembangkan secara khusus untuk memahami cara responden
mengembangkan preferensi atas segala jenis objek (produk, jasa, atau ide). Selain
itu, konsumen dapat memberikan penilaian mereka atas preferensi dengan menilai
objek yang dibentuk oleh kombinasi dari atribut.
Orme (2010) mengatakan bahwa dalam sajian rancangannya, responden
diminta untuk menilai kepentingan dari setiap atribut. Namun, konsumen tidak
selalu bisa mendapatkan produk atau jasa yang terbaik dalam semua atribut di
kehidupan nyata. Konsumen harus membuat pertimbangan yang sulit.
6
Supranto (2004) dalam Fitasari (2013) menyebutkan bahwa model dasar
percobaan konjoin dapat dituliskan sebagai berikut:
𝑈(𝑋) = ∑ ∑ 𝑎𝑖𝑗𝑥𝑖𝑗
𝑘𝑗
𝑗=1
𝑚
𝑖=1
dengan :
𝑈(𝑋) = nilai kegunaan total atau total kepuasan seluruh responden (NKT)
𝑎𝑖𝑗 = nilai kegunaan atribut ke-𝑖 level ke-𝑗
𝑥𝑖𝑗 = peubah boneka atribut ke-𝑖 level ke-𝑗
𝑚 = banyaknya atribut
𝑘𝑗 = level ke-𝑗 dari atribut ke-𝑖 Hasil dari percobaan konjoin adalah total kepuasan responden dari berbagai
atribut yang terdapat dalam konsep. Orme (2010) mengatakan bahwa tingkat
kepentingan dari tiap atribut didefinisikan sebagai selisih antara nilai kegunaan
maksimum dan nilai kegunaan minimum, atau diformulasikan sebagai berikut :
𝐼𝑖 = {max(𝑎𝑖𝑗) − min(𝑎𝑖𝑗)}
dengan:
𝐼𝑖 = tingkat kepentingan atribut ke-i
𝑎𝑖𝑗 = nilai kegunaan atribut ke-i level ke-j, untuk setiap 𝑖 yang sama
Merangkum dari Orme (2010), nilai kepentingan relatif suatu atribut terhadap
atribut lainnya adalah sebagai berikut:
𝑊𝑖 =𝐼𝑖
∑ 𝐼𝑖𝑚𝑖=1
dengan:
𝑊𝑖 = tingkat kepentingan relatif
𝐼𝑖 = tingkat kepentingan atribut ke-i
METODOLOGI
Data
Data yang digunakan adalah data primer hasil survei. Responden merupakan
mahasiswa Departemen Statistika IPB angkatan 49, 50, dan 51 dengan jumlah
populasi sebanyak 236 orang. Survei CBC dilaksanakan kepada 150 orang
mahasiswa yang dipilih secara acak menggunakan penarikan contoh acak berlapis.
Metode
Penelitian ini dilaksanakan dengan tahapan sebagai berikut :
1. Penyusunan kuesioner Penelitian ini menggunakan 5 dari 7 atribut (Fathurohman dan Sutikno,
2011), yaitu atribut metode penyampaian materi, alat bantu, sumber materi,
evaluasi, penyampaian motivasi. Masing-masing atribut memiliki 2 taraf
(untuk selanjutnya disebut level). Level dari atribut metode penyampaian
materi yaitu 1 arah dan 2 arah. Level dari atribut alat bantu yaitu
LCD/proyektor dan papan tulis. Level dari atribut sumber materi yaitu slide
7
powerpoint dan buku referensi. Level dari atribut evaluasi yaitu ada dan tidak
ada. Dan yang terakhir, level dari atribut penyampaian motivasi yaitu hadiah
dan hukuman. Informasi mengenai level masing-masing atribut dapat
dirangkum dalam Tabel 1.
Konsep yang digunakan pada penelitian ini adalah 25−2 atau 8 konsep. Hal
ini merupakan rancangan fraksional faktorial dengan definisi generator
tertentu. Task (untuk selanjutnya menggunakan istilah blok) yang digunakan
adalah sebanyak 4 blok sehingga keempat blok dengan 8 konsep pada
masing-masing bloknya akan membentuk rancangan full profile.
Untuk mendapatkan kombinasi atribut yang saling bebas, perancangan
kombinasi atribut dilaksanakan menggunakan rancangan fraksional faktorial
dengan langkah-langkah sebagai berikut :
a. Menentukan nilai kontras masing-masing level. Setiap level dalam
atribut diberi nilai kontras masing-masing +1 dan -1 seperti pada Tabel
1. Untuk memudahkan, digunakan simbol huruf A, B, C, D, dan E untuk
label masing-masing atribut.
b. Karena rancangan fraksional digunakan dalam setiap blok, maka untuk
setiap blok, susun sebanyak 23 kombinasi lengkap dari 3 faktor (Faktor
A, B, dan C).
c. Untuk membangkitkan kolom atribut D dan E, pada blok 1, gunakan
generator 𝐷 = 𝐴𝐵 dan 𝐸 = 𝐴𝐵𝐶. Pada blok 2, gunakan generator 𝐷 =−𝐴𝐵 dan 𝐸 = 𝐴𝐵𝐶. Pada blok 3, gunakan generator 𝐷 = −𝐴𝐵 dan 𝐸 =−𝐴𝐵𝐶. Pada blok 4, gunakan generator 𝐷 = 𝐴𝐵 dan 𝐸 = −𝐴𝐵𝐶.
Tabel 1 Peubah-peubah yang digunakan dan nilai kontras masing-masing level di
setiap atribut
Peubah Simbol Jenis data Peubah boneka Kontras
Peubah bebas (Atribut)
Penyampaian
materi A Kategorik
1 = 1 arah 1
0 = 2 arah -1
Alat bantu B Kategorik 1 = papan tulis 1
0 = LCD/proyektor
dan papan tulis -1
Sumber
materi C Kategorik
1 = slide powerpoint 1
0 = buku referensi -1
Evaluasi D Kategorik 1 = ada 1
0 = tidak ada -1
Penyampaian
motivasi E Kategorik
1 = hadiah 1
0 = hukuman -1
Pebah tak bebas (Respon)
Respon Kategorik 1 = Ya
0 = Tidak
8
d. Buat 1 kolom yang berisi perkalian dari kontras dalam 1 konsep. Jika
kolom tersebut dijumlahkan dalam 1 blok dan hasilnya 0, maka konsep
dalam blok tersebut sudah saling bebas (Lampiran 1).
2. Pengambilan contoh acak
Populasi survei CBC adalah mahasiswa Departemen Statistika IPB angkatan
49, 50, dan 51 sejumlah 236 mahasiswa, dengan jumlah sampel yang diambil
sesuai rumus adalah 141 orang mahasiswa. Namun, pada penelitian ini,
digunakan allowance sebesar 10% sehingga jumlah contoh acak yang diambil
diperbolehkan antara 141 sampai 155 contoh.
Tabel 2 Pembagian pengambilan contoh acak dari setiap angkatan dan blok
Angkatan Blok 1 Blok 2 Blok 3 Blok 4 Total
49 12 12 14 15 53
50 12 14 12 12 50
51 11 12 12 12 47
Total 35 38 38 39 150
Metode yang digunakan dalam penarikan contoh adalah pengambilan contoh
acak berlapis, dengan angkatan sebagai lapisan, kemudian dilanjutkan dengan
pengambilan contoh acak sistematik dalam setiap lapisan. Dalam
pelaksanaannya, penelitian ini menggunakan contoh acak sebanyak 150
contoh dengan pembagian setiap angkatan dan blok seperti pada Tabel 2.
3. Manajemen data
Manajemen data yag dilakukan yaitu:
1. Melakukan input data menggunakan software SPSS. Pada data dengan
informasi yang kurang lengkap, dilakukan survei ulang kepada
responden yang bersangkutan.
2. Mengubah level setiap atribut menjadi peubah boneka berupa angka 1
dan 0 pada masing-masing konsep. Pada atribut penyampaian materi,
angka 1 menunjukkan level 1 arah dan angka 0 menunjukkan level 2 arah.
Pada atribut alat bantu, angka 1 menunjukkan level papan tulis dan angka
0 menunjukkan level LCD/proyektor dan papan tulis. Pada atribut
sumber materi, angka 1 menunjukkan level slide powerpoint dan angka
0 menunjukkan level buku referensi. Pada atribut evaluasi, angka 1
menunjukkan level ada evaluasi dan angka 0 menunjukkan level tidak
ada evaluasi. Pada atribut penyampaian motivasi, angka 1 menunjukkan
level hadiah dan angka 0 menunjukkan level hukuman (Tabel 1).
3. Mengubah respon yang dipilih responden menjadi peubah boneka berupa
angka 1 dan 0. Angka 1 menunjukkan konsep tersebut dipilih responden,
dan angka 0 menunjukkan bahwa konsep tersebut tidak dipilih (Tabel 1).
Karena masing-masing responden mengevaluasi sebanyak 8 konsep,
maka data yang diperoleh sebanyak 1200 data.
4. Analisis data
Tahapan analisis data yang dilakukan adalah sebagai berikut:
1. Melakukan analisis regresi menggunakan software SPSS dengan
memasukkan atribut blok, penyampaian materi, alat bantu, sumber
9
materi, evaluasi, dan penyampaian motivasi sebagai variabel bebas, dan
pilihan responden sebagai variabel respon.
2. Menguji pengaruh parameter secara parsial menggunakan Uji Wald
dengan ketentuan sebagai berikut:
a. Hipotesis yang digunakan adalah :
𝐻0 : 𝛽𝑗 = 0 (atribut ke-𝑗 tidak mempunyai pengaruh yang signifikan
terhadap respon)
𝐻1 : 𝛽𝑗 ≠ 0 (atribut ke-𝑗 tidak mempunyai pengaruh yang signifikan
terhadap respon)
Untuk 𝑗 = 1,2,3,4,5
b. Taraf nyata yang digunakan adalah 5%.
c. Statistik uji yang digunakan sebagai berikut:
𝑊 = [𝛽𝑗
𝑆𝐸(𝛽𝑗)]
2
dengan 𝛽𝑗 dugaan parameter atribut ke-𝑗 dan 𝑆𝐸(𝛽𝑗) simpangan baku
dari dugaan parameter atribut ke-𝑗 (Agresti 2007).
d. Kriteria penolakan adalah tolak 𝐻0 bila nilai-𝑝 < 𝛼 yang berarti
atribut 𝑋𝑗 secara parsial memengaruhi variabel respon.
3. Menggunakan nilai dugaan parameter pada regresi logistik sebagai nilai
kegunaan masing-masing level.
4. Menghitung nilai kepentingan relatif untuk masing-masing atribut.
5. Menentukan konsep sistem KBM yang disukai responden.
5. Interpretasi
Ketentuan dalam melakukan interpretasi hasil:
1. Atribut memiliki pengaruh yang nyata terhadap respon apabila memiliki
nilai signifikansi kurang dari α yang digunakan.
2. Level yang memiliki kegunaan lebih tinggi adalah level yang lebih
disukai responden.
3. Atribut yang memiliki nilai kepentingan relatif lebih tinggi adalah atribut
yang lebih dipentingkan responden.
4. Konsep yang memiliki total nilai kegunaan tertinggi adalah konsep yang
paling disukai responden. Nilai kegunaan setiap konsep merupakan
jumlah nilai kegunaan masing-masing level.
HASIL DAN PEMBAHASAN
Profil Responden
Deskripsi data hasil survei yang telah dilakukan menunjukkan bahwa
responden didominasi oleh perempuan, yaitu sebesar 70.67%, dan sisanya sebesar
29.33% merupakan responden laki-laki (Gambar 3). Menurut asal daerah, terdapat
41.33% responden berasal dari Jabodetabek, dan 58.67% responden berasal dari
luar Jabodetabek (Gambar 2). Berdasar keikutsertaan dalam organisasi, responden
yang sedang atau pernah mengikuti organisasi sebesar 90%, sedangkan sisanya,
sebesar 10%, tidak pernah mengikuti organsisasi (Gambar 5).
10
Preferensi Responden
Analisis Deskriptif Deskripsi data yang diperoleh menunjukkan jumlah responden yang memilih
masing-masing level. Sejumlah 39 responden memilih level 1 arah dan 111
responden memilih level 2 arah pada atribut penyampaian materi. Sejumlah 27
responden memilih level papan tulis dan 123 responden memilih level LCD/
proyektor dan papan tulis pada atribut alat bantu. Sejumlah 74 responden memilih
level slide powerpoint dan 76 responden memilih level buku referensi pada atribut
sumber materi. Sejumlah 96 responden memilih level ada dan 54 responden
memilih level tidak ada pada atribut evaluasi. Sejumlah 111 responden memilih
level hadiah dan 39 responden memilih level hukuman pada atribut penyampaian
motivasi. Diagram batang data tersebut dapat dilihat pada Gambar 5. Sedangkan
tabulasi silang dari data tersebut dapat dilihat pada Lampiran 2.
Gambar 3 Profil responden
berdasarkan asal
daerah
Jabodetabek
41,33%Luar Jabodetabek
58,67%
Gambar 4 Profil responden berdasarkan
keikutsertaan dalam
organisasi
Ya
90%
Tidak
10%
Gambar 2 Profil responden
berdasarkan jenis
kelamin
Perempuan
70,67%
Laki-laki
29,33%
11
Gambar 5 Jumlah responden yang memilih pada masing-masing level
Regresi Logistik
Analisis regresi logistik menunjukkan bahwa atribut penyampaian materi,
alat bantu, evaluasi, dan penyampaian motivasi berpengaruh nyata dalam pemilihan
konsep sistem KBM dengan nilai-𝑝 sebesar 0.000 (kurang dari 0.05). Sedangkan
atribut sumber materi memiliki nilai-𝑝 sebesar 0.908 (lebih dari 0.05) sehingga
tidak berpengaruh nyata dalam pemilihan konsep sistem KBM (Tabel 3). Hasil ini
sesuai dengan hasil analisis deskriptif. Pada hasil analisis secara deskriptif, jumlah
responden yang memilih level slide powerpoint dan buku referensi hampir sama
sehingga atribut sumber materi tidak signifikan. Selanjutnya, Blok 1, Blok 2, Blok
3, dan Blok 4 memiliki nilai-𝑝 berturut-turut sebesar 1.000, 0.647, 0.642, dan 0.939.
Berdasarkan nilai-𝑝 yang didapatkan tersebut, maka tidak ada blok yang
berpengaruh nyata.
Tabel 3 Nilai signifikansi masing-masing atribut dan blok
Atribut Wald SE Nilai-𝑝
Penyampaian materi 41.730 0.212 0.000
Alat bantu 65.006 0.234 0.000
Sumber materi 0.013 0.192 0.909
Evaluasi 16.125 0.201 0.000
Penyampaian motivasi 41.224 0.209 0.000
Blok 2 vs Blok 1 0.199 0.280 0.655
Blok 3 vs Blok 1 0.205 0.280 0.651
Blok 4 vs Blok 1 0.000 0.284 1.000
Nilai 𝛼 = 5%
Tabel 4 menunjukkan bahwa spesifisitas model adalah sebesar 96.7%. Hal ini
berarti bahwa dari 1050 konsep sistem KBM yang tidak dipilih, terdapat 1015
konsep sistem KBM yang diklasifikasikan secara tepat. Nilai sensitivitas yang
diperoleh adalah sebesar 26%. Hal ini berarti bahwa dari 150 konsep sistem KBM
yang dipilih, terdapat 39 konsep sistem KBM yang diklasifikasikan secara tepat.
39
11
1
27
12
3
74 76
96
54
11
1
39
1 A
RA
H
2 A
RA
H
PA
PA
N T
UL
IS
LC
D/
PR
OY
EK
TO
R
DA
N P
AP
AN
TU
LIS
SL
IDE
PO
WE
RP
OIN
T
BU
KU
RE
FE
RE
NS
I
AD
A
TID
AK
AD
A
HA
DIA
H
HU
KU
MA
N
P E N Y A M P A I A N M A T E R I
A L A T B A N T U S U M B E R M A T E R I
E V A L U A S I P E N Y A M P A I A N M O T I V A S I
12
Tingkat ketepatan klasifikasi dari model tersebut adalah 87.8%. Berdasarkan
tingkat ketepatan klasifikasi yang diperoleh, dapat dikatakan bahwa regresi logistik
yang dibangun cukup baik. Tingkat ketepatan klasifikasi ini berhubungan dengan
nilai spesifisitas dan sensitivitas. Spesifisitas adalah kemampuan model dalam
memprediksi kejadian Y=0 (konsep tidak dipilih), sementara sensitifitas adalah
kemampuan model dalam memprediksi Y=1 (konsep dipilih). Semakin besar
tingkat ketepatan klasifikasi, sensitifitas, dan spesifisitas maka keakuratan model
semakin tinggi.
Tabel 4 Tingkat ketepatan klasifikasi
Prediksi Jumlah % benar
Tidak dipilih Dipilih
Aktual Tidak dipilih 1015 35 1050 96.7
Dipilih 111 39 150 26.0
Tingkat ketepatan (%) 87.8
Titik potong : 0.500
Penelitian ini lebih fokus kepada peramalan peluang sebuah konsep sistem
KBM akan dipilih responden atau tidak menggunakan model regresi logistik yang
telah dibangun, bukan pada baik atau tidaknya model regresi logistik sehingga
diperlukan ukuran kebaikan model yaitu kurva ROC (Receiver Operating
Characteristic) dan nilai AUC (Area Under the Curve). Kurva ROC ini dibangun
dari nilai sensitivitas dan 1-spesifisitas. Apabila kurva yang dihasilkan berada di
atas garis referensi, maka tingkat ketepatan klasifikasi termasuk baik. Nilai AUC
yang baik adalah yang berada di antara 0.5 sampai 1. Semakin besar nilai AUC,
semakin tinggi tingkat ketepatan klasifikasinya.
Gambar 6 Kurva ROC dan nilai AUC
Gambar 7 menunjukkan bahwa kurva ROC yang dihasilkan dari berbagai
nilai titik potongnya. Dapat diketahui bahwa kurva ROC berada di atas garis
13
referensi. Nilai AUC yang dihasilkan yaitu 0.8137 sehingga berdasarkan nilai AUC
tersebut, tingkat ketepatan klasifikasi dapat dikatakan sudah baik.
Interpretasi Nilai Kegunaan Level dan Nilai Kepentingan Relatif
Nilai kegunaan dari masing-masing level dapat diperoleh dari dugaan
parameter pada hasil analisis regresi logistik. Tabel 5 menunjukkan bahwa level 1
arah pada atribut penyampaian materi memiliki nilai kegunaan sebesar -1.355.
Sedangkan level 2 arah pada atribut penyampaian materi memiliki nilai kegunaan
yang berkebalikan yaitu sebesar 1.355. Pada atribut alat bantu, level papan tulis
memiliki nilai kegunaan sebesar -1.871 dan level LCD/proyektor dan papan tulis
sebesar 1.871. Pada atribut sumber materi, level slide powerpoint memiliki nilai
kegunaan sebesar -0.022 dan level buku referensi sebesar 0.022. Pada atribut
evaluasi, level ada evaluasi memiliki nilai kegunaan sebesar 0.787 dan level tidak
ada evaluasi sebesar -0.787. Pada atribut penyampaian motivasi, level hadiah
memiliki nilai kegunaan sebesar 1.348 dan level hukuman sebesar -1.348. Jumlah
nilai kegunaan dari masing-masing level yang nilainya lebih tinggi adalah sebesar
5.383, yaitu konsep 4 pada blok 4 dengan kombinasi penyampaian materi 2 arah,
alat bantu berupa LCD/proyektor dan papan tulis, sumber materi dari buku
referensi, ada evaluasi, dan penyampaian motivasi berupa hadiah.
Tabel 5 Nilai kegunaan setiap level dan nilai kepentingan relatif setiap atribut
Atribut dan Level Nilai
kegunaan
Jarak nilai
kegunaan
Nilai
kepentingan
relatif
Penyampaian materi
1 arah -1.355 2.71 25.17%
2 arah 1.355
Alat bantu
Papan tulis -1.871
3.742 34.76% LCD/proyektor dan papan
tulis 1.871
Sumber materi
Slide powerpoint -0.022 0.044 0.41%
Buku referensi 0.022
Evaluasi
Ada 0.787 1.574 14.62%
Tidak ada -0.787
Penyampaian motivasi
Hadiah 1.348 2.696 25.04%
Hukuman -1.348
Jumlah jarak nilai kegunaan 10.766
Nilai kepentingan relatif setiap atribut dapat dirangkum dalam Tabel 5. Tabel
tersebut menunjukkan bahwa responden menilai bahwa atribut alat bantu
merupakan atribut yang paling penting dengan nilai kepentingan relatif sebesar
34.76% sehingga atribut alat bantu ini memiliki pengaruh yang paling besar dalam
14
menentukan preferensi mahasiswa Statistika S1 angkatan 49, 50, dan 51 terhadap
konsep sistem KBM. Selanjutnya, atribut penyampaian materi dam penyampaian
motivasi memiliki nilai kepentingan relatif masing-masing sebesar 25.17% dan
25.04%. Nilai kepentingan relatif kedua atribut ini hampir sama. Artinya kedua
atribut ini memiliki pengaruh yang relatif sama dalam memilih konsep sistem
KBM. Untuk atribut evaluasi dan sumber materi, masing-masing memiliki nilai
kepentingan relatif sebesar 14.62% dan 0.41%. Kedua atribut ini kurang memiliki
pengaruh dalam memilih konsep sistem KBM karena memiliki nilai kepentingan
relatif yang relatif kecil. Atribut sumber materi memiliki nilai kepentingan relatif
terkecil, ini berbanding lurus dengan hasil pada regresi logistik yang menyatakan
bahwa sumber materi merupakan atribut yang tidak signifikan.
SIMPULAN
Hasil analisis, menunjukkan bahwa atribut sumber materi tidak berpengaruh
dalam preferensi mahasiswa S1 Statistika angkatan 49, 50, dan 51 dalam memilih
konsep sistem KBM. Sedangkan konsep sistem yang disukai adalah penyampaian
materi 2 arah, alat bantu berupa LCD/proyektor dan papan tulis, sumber materi dari
buku referensi, terdapat evaluasi, dan penyampaian motivasi berupa hadiah.
DAFTAR PUSTAKA
Agresti A. 2007. An Introduction to Categorical Data Analysis Second Edition.
Florida : John Wiley and Sons, Inc.
Angraini Y. 2006. Penentuan rancangan optimum pada CBC (choice based
conjoint) [tesis]. Bogor (ID): Institut Pertanian Bogor.
Fathurohman P, Sutikno MS. 2011. Strategi Belajar Mengajar Melalui Penanaman
Konsep Umum dan Konsep Islami. Bandung (ID) : Refika Aditama.
Fitasari A. 2013. Penerapan metode choice based conjoint (CBC) pada studi kasus
asrama mahasiswa TPB IPB [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Hair JR JF, Black WC, Babin BJ, Anderson RE. 2009. Multivariate Data Analysis
Seventh Edition. New Jersey (US): Prentice Hall.
Herawati Y, Nawangpalupi CB, Kongga S. 2012. Penenetuan kombinasi atribut
gaming mouse dengan metode choice based conjoint [Internet]. [Waktu
pertemuan tidak diketahui]; Surakarta, Indonesia. [penerbit tidak diketahui].
hlm. I-173 - I-181; diunduh 2016 Feb 9. Tersedia pada
http://www.academia.edu/3834197/Penentuan_Kombinasi_Atribut_Gaming
_Mouse_dengan_Metode_Choice_Based_Conjoint.
Hosmer DW, Lemeshow S. 2000. Applied Logistic Regression Second Edition.
Canada (US) : John Wiley and Sons, Inc.
Orme BK. 2010. Getting Started with Conjoint Analysis: Strategies for Product
Design and Pricing Research Second Edition. Madison (US) : Research
Publishers LLC.
Raghavarao D, Wiley JB, Chitturi P. 2011. Choice-based Conjoint Analysis,
Models and Design. Boca Raton (US) : CRC Press.
15
Scheaffer RL, Mendenhall W, Ott RL, Gerrow KG. 1990. Elementary Survey
Sampling. Boston (US): PWS-KENT Publishing Company.
Sawtooth Software SSI Web v8.4. 1998. SSI Web Help. Orem (US) : Sawtooth
Software, Inc.
Walpole RE. 1992. Pengantar Statistika Edisi ke-3. Sumantri B, penerjemah.
Jakarta : PT Gramedia.
[Statistika IPB] Departemen Statistika IPB. 2016. Profil Departemen Statistika
IPB. Tersedia pada http://www.stat.ipb.ac.id/en/index.php?page=objectives.
16
Lampiran 1 Rancangan kombinasi profil lengkap dalam 4 blok
Konsep A B C D E M1
Blok 1
1 1 1 1 1 1 1
2 1 1 -1 1 -1 1
3 1 -1 1 -1 -1 -1
4 1 -1 -1 -1 1 -1
5 -1 1 1 -1 -1 -1
6 -1 1 -1 -1 1 -1
7 -1 -1 1 1 1 1
8 -1 -1 -1 1 -1 1
Jumlah 0 0 0 0 0 0
Blok 2
1 1 1 1 -1 1 -1
2 1 1 -1 -1 -1 -1
3 1 -1 1 1 -1 1
4 1 -1 -1 1 1 1
5 -1 1 1 1 -1 1
6 -1 1 -1 1 1 1
7 -1 -1 1 -1 1 -1
8 -1 -1 -1 -1 -1 -1
Jumlah 0 0 0 0 0 0
Blok 3
1 1 1 1 -1 -1 1
2 1 1 -1 -1 1 1
3 1 -1 1 1 1 -1
4 -1 -1 -1 -1 1 1
5 -1 1 1 1 1 -1
6 -1 1 -1 1 -1 -1
7 -1 -1 1 -1 -1 1
8 1 -1 -1 1 -1 -1
Jumlah 0 0 0 0 0 0
Blok 4
1 1 1 1 1 -1 -1
2 1 1 -1 1 1 -1
3 1 -1 1 -1 1 1
4 -1 -1 -1 1 1 -1
5 -1 1 1 -1 1 1
6 -1 1 -1 -1 -1 1
7 -1 -1 1 1 -1 -1
8 1 -1 -1 -1 -1 1
Jumlah 0 0 0 0 0 0
17
Atribut Level Frekuensi
dipilih
Frekuensi
tidak dipilih
Penyampaian
materi
1 arah 39 561
2 arah 111 489
Alat bantu
papan tulis 27 573
LCD/proyektor dan
papan tulis 123 477
Sumber materi slide powerpoint 74 526
buku referensi 76 524
Evaluasi ada 96 504
tidak ada 54 546
Penyampaian
motivasi
hadiah 111 489
hukuman 39 561
Lampiran 2 Tabulasi silang antara level masing-masing atribut dan respon
dari responden
18
RIWAYAT HIDUP
Penulis dilahirkan di Ngawi pada tanggal 15 September 1994 dari pasangan
Bapak Suprapto dan Ibu Ninik Kurniasih dan merupakan anak tunggal. Penulis
merupakan lulusan dari SD Campurasri 1, SMP Negeri 2 Ngawi, dan SMA Negeri
2 Ngawi. Setelah menyelesaikan pendidikan di SMA Negeri 2 Ngawi pada tahun
2012, Penulis diterima di Departemen Statistika Institut Pertanian Bogor melalui
jalur undangan Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN).
Selama masa perkuliahan, penulis pernah aktif dalam organisasi Badan
Eksekutif Mahasiswa TPB, FMIPA, dan Keluarga Mahasiswa IPB. Pada bulan
Agustus-September 2015, Penulis melaksanakan praktik lapang di PT Pixel
Research yang merupakan perusahaan research marketing di daerah Jakarta
Selatan.
Top Related