4.7 Pengolahan Data Kuesioner
Pada pengolahan data segmentasi, pelanggan akan dikelompokkan sesuai dengan tingkat harapannya dengan menggunakan analisis cluster dan kemudian
akan dilakukan analisa diskriminan untuk mengetahui prosentase tingkat kebenaran dari pengelompokkan yang dilakukan dengan menggunakan analisis
cluster, setelah itu dilakukan analisis tabulasi silang untuk melihat dan mengetahui adanya ketergantungan atau hubungan antara cluster yang terbentuk
dengan identifikasi pelanggan. Pengolahan data persepsi dan harapan pelanggan dimulai dengan
melakukan uji validitas dan reliabilitas. Pengolahan dengan metode Servqual dilakukan dengan menghitung nilai gap antara data persepsi dan data harapan
pelanggan. Pengolahan data untuk menentukan bobot pada setiap variabel atau kriteria penelitian digunakan dengan metode Analityc Hierarchy Process Expert
Choice. Pada penentuan bobot ini didahului dengan melakukan uji konsistensi untuk melihat konsistensi dari bobot yang diberikan oleh responden, setelah
dinyatakan konsisten maka dapat ditentukan bobot dari tiap variabel. Hasil perhitungan gap antara data persepsi dan data harapan akan
dikalikan dengan bobot sehingga diperoleh nilai Servqual terbobot dari masing- masing kriteria. Perhitungan tersebut akan membantu untuk menentukan kriteria
mana yang menjadi prioritas untuk ditingkatkan kualitas layanannya.
4.7.1 Analisa Cluster Data Harapan
Analisis cluster bertujuan untuk mengelompokkan pelanggan berdasarkan perbedaan kriteria tingkat harapannya secara sekaligus yang kemudian akan
digunakan untuk analisis diskriminan. Analisis cluster ini ada 2 macam yaitu
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hierarchical Cluster dan K-Means Cluster atau dikenal juga dengan Quick Cluster. Perbedaan antara Hierarchical Cluster dan K-Means Cluster adalah pada
hirarki pengelompokkan dilakukan berdasarkan tingkat kesamaan obyek yang paling dekat yang secara logika nantinya hanya akan terbentuk sebuah cluster
sedangkan K-Means Cluste pengelompokkan dilakukan berdasarkan perbedaan tingkat harapan dan jumlah cluster harus ditentukan terlebih dahulu. Pada
penelitian ini akan digunakan K-Means Cluster untuk menentukan satu persatu cluster yang diinginkan. Pada analisis ini akan dilakukan dengan jumlah cluster
sebanyak 2 dan 3 cluster. Salah satu contoh hasil analisis cluster untuk 2 cluster adalah sebagai berikut :
Tabel 4.3 Hasil Analisis Cluster dan Initial Cluster
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Dari tabel diatas terlihat bahwa responden terbanyak ada di cluster 1 dan sisa responden ada di cluster 2 dengan tidak ada variabel yang hilang missing.
Dengan demikian semua kasus responden sejumlah 90 orang secara lengkap terpeta pada kedua cluster. Pada cluster 1 terdapat 55 pelanggan dan pada cluster
2 terdapat 35 pelanggan. Output inisial cluster merupakan tampilan pertama proses clustering data sebelum dilakukan iterasi, oleh karena itu nanti akan
dihasilkan proses clustering setelah dilakukan iterasi yang justru akan menjadi hasil akhir cluster. Proses iterasi adalah suatu proses dimana cluster yang
sebelumnya yang tertera pada inisial cluster akan coba diubah-ubah sehingga menjadi lebih tepat dalam mengelompokkan 90 responden tersebut. Untuk output
lebih jelasnya dapat dilihat pada lampiran C.
4.7.2 Analisa Diskriminan Data Harapan
Kategori