commit to user
IV-8
Tabel 4.6 Hasil keseluruhan korelasi Pearson dan Kendall
Value Sig.
Pearsons R 0,748
0,000 Kendalls tau
0,533 0,002
Pada tabel 4.6 disimpulkan bahwa nilai Pearson 0,748 sedangkan nilai kendall 0,533. Berdasarkan analisis conjoint, nilai Pearson atau Kendall lebih dari
0,5, maka korelasi antara observasi dan estimasi adalah kuat maka bisa digunakan dalam model analisis conjoint. Nilai signifikan untuk atribut adalah 0,00. Hasil
tersebut menunjukkan bahwa korelasi antara observasi dan estimasi adalah signifikan, karena semua nilai signifikan kurang dari 0,05.
4.2.2 Analisis Cluster
Analisis cluster
merupakan analisis
yang bertujuan
untuk mengelompokkan objek-objek berdasarkan kesamaan karakteristik. Untuk analisis
cluster digunakan nilai kepentingan relatif atribut karena tingkat kepentingan
relatif tersebut dapat membedakan konsumen yang memiliki kebutuhan yang sama lebih baik dibandingkan dengan part-worth ataupun peringkat kartu konsep
Kotri, 2006. Ada dua asumsi dalam analisis cluster, yaitu data berdistribusi normal dan
tidak ada multikolinieritas. Untuk mengetahui data analisis cluster berdistribusi normal, maka dilakukan uji statistik Kolmogorov-Smirnov. Adapun hipotesis
untuk pengujian uji statistik Kolmogorov-Smirnov yaitu: H
= Data terdistribusi secara normal. H
1
= Data tidak terdistribusi secara normal. Area krisis:
Sig. 0,05 maka H diterima.
Sig. 0,05 maka H ditolak.
Hasil dari uji statistik Kolmogorov-Smirnov ditampilkan di Tabel 4.7
commit to user
IV-9
Tabel 4.7 Hasil uji statistik Kolmogorov-Smirnov
warna ukuran keasinan keawetan bentuk merk N
40 40
40 40
40 40
Normal Parameters Mean 18,87
23,53 21,98
15,81 6,43 11,58
Std. Deviation 11,197 11,490 8,821
7,241 6,035 8,139
Most Extreme Differences
Absolute 0,134
0,139 0,164
0,130 0,160 0,171
Positive 0,118
0,139 0,164
0,130 0,160 0,171
Negative -0,134
-0,099 -0,068
-0,090 -0,143 -0,119 Kolmogorov-Smirnov Z
0,846 0,880
1,037 0,825
1,011 1,084 Asymp. Sig. 2-tailed
0,471 0,421
0,233 0,505
0,259 0,191
Nilai Kolmogorov-Smirnov untuk variabel warna 0,846 dengan probabilitas signifikansi 0,471 dan nilai diatas = 0,05 hal ini berarti H
diterima atau variabel warna terdistribusi secara normal. Begitupun juga untuk variabel ukuran,
keasinan, keawetan, bentuk dan merk yang berdistribusi normal karena nilai signifikansi diatas = 0,05.
Dalam analisis cluster tidak boleh ada multikolinieritas. Untuk mengetahui ada tidaknya multikolinieritas dalam analisis cluster, maka dilakukan pengujian
dengan uji multikolinieritas yang bertujuan untuk mengetahui apakah model regresi ditemukan adanya kolerasi antar variabel independen. Hasil dari uji
multikolinieritas ditampilkan di Tabel 4.8 dan Tabel 4.9.
commit to user
IV-10
Tabel 4.8 Hasil besaran korelasi uji multikolinearitas
Model merk
bentuk warna
ukuran keawetan keasinan
1 Korelasi merk 1,000
0,430 0,696
0,724 0,552
0,728 bentuk
0,430 1,000
0,497 0,642
0,263 0,506
warna 0,696
0,497 1,000
0,663 0,649
0,714 ukuran
0,724 0,642
0,663 1,000
0,561 0,714
keawetan 0,552
0,263 0,649
0,561 1,000
0,378 keasinan
0,728 0,506
0,714 0,714
0,378 1,000
Kovarian merk 0,170
0,078 0,092
0,097 0,091
0,120 bentuk
0,078 0,195
0,070 0,092
0,046 0,089
warna 0,092
0,070 0,102
0,068 0,083
0,091 ukuran
0,097 0,092
0,068 0,105
0,073 0,092
keawetan 0,091
0,046 0,083
0,073 0,160
0,060 keasinan
0,120 0,089
0,091 0,092
0,060 0,159
Hipotesa untuk hasil besaran korelasi uji multikolinieritas: H
= Korelasi antar variabel independen tidak terjadi multikolinieritas. H
1
= Korelasi antar variable independen terjadi multikolinieritas. Dengan tingkat kolinieritas sebesar 95 atau 0,95.
Dari hasil besaran kolerasi uji multikolinieritas antar variabel independen dapat dilihat bahwa variabel keasinan yang mempunyai kolerasi cukup tinggi
dengan variabel merk dengan tingkat korelasi 0,728 atau sekitar 72. Karena masih korelasi dibawah 95 maka tidak terjadi multikolinieritas.
commit to user
IV-11
Tabel 4.9 Nilai Tolerance dan VIF pada uji multikolinieritas
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
55,612 30,014
1,853 0,073
warna -0,226
0,319 -0,217
-0,710 0,483
0,300 3,338
ukuran -0,324
0,324 -0,319
-1,000 0,325
0,275 3,630
keasinan -0,574
0,399 -0,433
-1,440 0,159
0,309 3,240
keawetan -0,287
0,400 -0,178
-0,718 0,478
0,456 2,194
bentuk -0,342
0,441 -0,176
-0,774 0,444
0,539 1,856
merk -0,333
0,413 -0,232
-0,806 0,426
0,338 2,957
Nilai yang digunakan untuk menunjukkan adanya multikolinieritas, adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10 dengan tingkat kolinieritas
sebesar 0,95 atau 95. Dari Tabel 4.13 hasil perhitungan tolerance menunjukkan tidak ada
variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel yang nilainya lebih dari 95. Dan dari
perhitungan VIF juga menunjukkan hal yang sama tidak ada satu variabel yang memiliki VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada
multikolinieritas antar variabel independen dalam model regresi. Analisis cluster ini diolah menggunakan software SPSS versi 17 dengan
metode k-mean cluster. Jumlah cluster ditetapkan antara dua hingga empat cluster karena apabila jumlah cluster yang dibentuk terlalu banyak, akan menyulitkan
interpretasi segmen-segmen pasar yang terbentuk. Langkah yang dilakukan adalah
dari menu SPSS klik Analyze – classifity – k-means cluster.
Hasil yang di dapat dari analisis cluster dengan k-means cluster, ditampilkan di Tabel 4.10.
commit to user
IV-12
Tabel 4.10 Atribut penting dalam empat kebutuhan yang berbeda
berdasarkan segmen konsumen
Kepentingan Relatif Atribut
Segmen 1 Segmen 2
Segmen 3 Segmen 4
n = 17 n = 9
n = 9 n = 5
Warna Telur Asin 29,9
11,4 7,4
15,5 Ukuran telur Asin
27,8 9,4
35,5 13
Keasinan Telur Asin 17,5
33,6 22,5
15,4 Keawetan Telur Asin
12,7 23
16,6 12,1
Bentuk Telur Asin 4,4
10,1 4,7
9,9 Merk Telur Asin
7,8 10,3
11,6 26,7
Pada Tabel 4.14 menunjukkan bahwa konsumen memiliki kebutuhan yang berbeda, segmen yang muncul berdasarkan kebutuhan, yaitu:
1. Pada segmen 1 menunjukkan bahwa warna dan ukuran telur asin dengan nilai
sebesar 29,9 di pilih oleh 17 responden. 2.
Pada segmen 2 menunjukkan bahwa keasinan telur asin dengan nilai sebesar 33,6 di pilih oleh 9 responden.
3. Pada segmen 3 menunjukkan bahwa ukuran telur asin dengan nilai sebesar 35,5
di pilih oleh 9 responden. 4.
Pada segmen 4 menunjukkan bahwa merk telur asin dengan nilai sebesar 26,7 di pilih oleh 5 responden.
Setelah didapatkan empat segmen, dilakukan profiling cluster. Profiling cluster
digunakan untuk menjelaskan karakteristik setiap cluster berdasar profil tertentu. Adapun karakteristik yang digunakan sebagai pembanding diambil dari
data kuesioner II. Dari profiling cluster tersebut maka dapat diketahui karakteristik konsumen yang diteliti.
IV-13
Tabel 4.11 Karakteristik Konsumen
Karakteristik Responden Segmen Telur Asin
Segmen 1 Segmen 2
Segmen 3 Segmen 4
Jumlah responden 17 orang
9 orang 9 orang
5 orang Jenis kelamin
Perempuan Perempuan
Perempuan Perempuan
Kedudukan dalam keluarga Ibu
Ibu Ibu
Anak Jumlah anggota keluarga
4 dan 5 orang 5 orang
4 orang 4 orang
Pekerjaan Ibu Rumah Tangga
Ibu Rumah Tangga Ibu Rumah Tangga
Mahasiswa Pengeluaran per bulan
2 juta 2 juta
2 juta 500 ribu – 1 juta
Pembelian dalam sebulan 3-5 kali
3-5 kali 3-5 kali
1-2 kali Jumlah setiap pembelian
4 telur asin 6 telur asin
4 telur asin 1 telur asin
Tempat pembelian Warung
Warung Warung
Warung
commit to user
IV-14 Penentuan karakteristik cluster digunakan profil yang paling besar karena
dapat mewakili populasi yang ada wahana-statistik.com. Pada Tabel 4.11 segmen pertama dengan jumlah responden 17 orang mempunyai karakteristik
berkedudukan dalam keluarga sebagai ibu, jumlah anggota keluarga 4 dan 5 orang, pekerjaan sebagai ibu rumah tangga, pengeluaran perbulan lebih dari 2
juta, pembelian dalam sebulan 3-5 telur dengan jumlah pembelian 4 telur asin dan tempat membeli di warung. segmen dua dengan jumlah responden 9 orang
mempunyai karakteristik berkedudukan dalam keluarga sebagai ibu, jumlah anggota keluarga 5 orang, pekerjaan sebagai ibu rumah tangga, pengeluaran
perbulan lebih dari 2 juta, pembelian dalam sebulan 3-5 telur dengan jumlah pembelian 6 telur asin dan tempat membeli di warung. Begitu juga untuk segmen
tiga dan segmen empat.
commit to user
V-1
BAB V ANALISIS DAN INTERPRETASI HASIL
Bab ini akan menjelaskan analisis hasil pengolahan data dengan menggunakan analisis conjoint dan analisis cluster.
5.1 ANALISIS HASIL PENGOLAHAN ANALISIS CONJOINT
Untuk menginterpretasi hasil analisis conjoint maka diperlukan plot fungsi utilitas dan nilai kepentingan relatif yang terdapat di Tabel 4.4 dan Tabel 4.5.
Secara detail dapat dianalisa dengan menggunakan histogram, sebagai berikut:
5.1.1 Analisis Nilai Utilitas
Dalam analisis nilai utilitas ada enam atribut telur asin, yaitu: warna telur asin, ukuran telur asin, bentuk telur asin, merk telur asin, keasinan telur asin dan
keawetan telur asin. 1.
Warna Telur Asin
Gambar 5.1 Histogram fungsi utilitas warna telur asin
Semakin tinggi nilai utilitas sebuah atribut menunjukkan semakin tingginya preferensi konsumen terhadap atribut tersebut. Nilai utilitas atribut telur
asin pada Gambar 5.1 responden memilih warna biru dengan utilitas 1,183 sewaktu membeli telur asin. Utilitas kedua jatuh pada biru muda sebesar 0,867
dan yang ketiga untuk biru keputihan dengan nilai sebesar -0,817. Nilai utilitas pada warna biru keputihan bernilai negatif menunjukkan bahwa nilai utilitas dan
pilihan responden rendah.
-0,817 -0,367
1,183
-1 -0.5
0.5 1
1.5
biru keputihan biru muda
biru U
ti li
ta s
Warna Telur Asin
