Uji Kendall’s W Kesimpulan

Kategori koefisien korelasi berdasarkan Sugiyono 2006:216 adalah sebagai berikut: Tabel 2.1 Pedoman Untuk Memberikan Interpretasi Koefisien Korelasi Interval Koefisien Tingkat Hubungan 0,800 . 1,000 Sangat Kuat 0,600 . 0,799 Kuat 0,400 . 0,599 Sedang 0,200 . 0,399 Rendah 0,000 . 0,199 Sangat Rendah

2.7 Uji Kendall’s W

Uji Kendall’s W diperkenalkan secara terpisah oleh Kendall dan Babington-Smith pada tahun 1939 dan Wallis pada tahun 1939 sehingga disingkat dengan nama Kendall’s W. Uji Kendall’s W merupakan uji nonparametrik yang digunakan untuk menguji keselarasan terhadap penilaian yang diberikan oleh sekelompok subjek terhadap atribut-atribut yang dianggap penting. Nilai dari statistik Kendall’s W berkisar antara 0 dan 1. Jika nilai dari statistik Kendall’s W adalah 1, maka terjadi keselarasan sempurna terhadap penilaian yang diberikan oleh sekelompok subjek pada atribut-atribut. Jika nilai dari statistik Kendall’s W adalah 0, maka tidak terjadi keselarasan terhadap penilaian yang diberikan oleh sekelompok subjek. Hipotesis nol yang diuji pada uji Kendall’s W adalah terjadi tidak adanya keselarasan terhadap penilaian yang diberikan sekelompok subjek pada atribut-atribut. Berikut rumus untuk menghitung statistik Kendall’s W Siegel, 1985: = 12 Universitas Sumatera Utara Keterangan: = Nilai statistik Kendall’s W = Jumlah rangking pada atribut ke- i = 1, 2, ... , k = Rangking rata-rata = Jumlah atribut yang diteliti = Jumlah responden atau elemen dalam sampel Untuk nilai diperoleh dari = + 1 2 Uji statistik yang digunakan adalah uji statistik chi-kuadrat. Nilai dari uji statistik chi-kuadrat digunakan untuk menentukan apakah hipotesis nol diterima atau ditolak. Berikut rumus untuk menghitung nilai uji statistik chi-kuadrat = 1 Nilai uji statistik chi-kuadrat kemudian dibandingkan dengan nilai kritis berdasarkan tabel nilai kritis chi-kuadrat. Berikut aturan keputusan berdasarkan uji statistik chi-kuadrat Jika nilai kritis, hipotesis nol diterima Jika nilai kritis, hipotesis nol ditolak

2.8 Analisis Konjoin

Analisis konjoin adalah suatu teknik yang secara spesifik digunakan untuk memahami bagaimana keinginan atau minat konsumen terhadap suatu produk atau jasa dengan mengukur tingkat kegunaan dan nilai kepentingan relatif berbagai atribut suatu produk. Analisis konjoin yang mulai dikembangkan pada tahun 1970-an ini mulai banyak digunakan pada bidang ilmu yang terkait dengan persepsi seseorang, seperti pemasaran, sosial politik dan psikologi. Pada bidang pemasaran, analisis ini khususnya banyak digunakan untuk mengetahui preferensi Universitas Sumatera Utara konsumen akan sebuah produk baru. Analisis konjoin sangat berguna untuk membantu bagaimana seharusnya karakteristik produk baru, membuat konsep produk baru, mengetahui pengaruh tingkat harga serta memprediksi tingkat penjualan atau penggunaan Santoso, 2010.

2.8.1 Manfaat Analisis Konjoin

Analisis konjoin digunakan untuk membantu mendapatkan kombinasi atribut produk laptop baru maupun lama yang paling disukai konsumen. Dalam prosesnya analisis konjoin akan memberikan ukuran kuantitatif terhadap tingkat kegunaan dan kepentingan relatif suatu atribut dibandingkan dengan atribut lain. Tujuan penggunaan analisis konjoin terutama dalam riset pemasaran yaitu untuk mengetahui persepsi konsumen terhadap laptop. Oleh karena itu, penggunaan analisis konjoin sangat membantu penelitian dalam pemasaran. Terutama untuk mengetahui penting atau tidak suatu atribut beserta level pada produk laptop. Manfaat yang dapat diambil produsen dari penggunaan analisis konjoin ini adalah produsen dapat mencari solusi kompromi yang optimal dalam merancang dan mengembangkan suatu produk. Analisis ini dapat juga dimanfaatkan untuk merancang harga, memprediksi tingkat penjualan atau penggunaan produk, uji coba konsep produk baru, dan merancang strategi promosi. Atribut-atribut yang digunakan dalam analisis konjoin berskala kategorik, sehingga dibutuhkan peubah boneka untuk mewakili taraf-tarafnya ke dalam model.

2.8.2 Tahapan Analisis Konjoin

Adapun tahapan-tahapan analisis konjoin meliputi beberapa langkah yaiatu: 1. Mengidentifikasi atribut 2. Merancang Kombinasi atribut stimuli 3. Menentukan jenis data 4. Memilih prosedur analisis konjoin Universitas Sumatera Utara 5. Interpretasi Hasil 6. Penilaian keandalan dan kesahian

2.8.2.1 Mengidentifikasi Atribut

Langkah awal dalam melakukan analisis konjoin yaitu mengidentifikasi kumpulan dari atribut-atribut dimana setiap atribut terdiri atas beberapa taraflevel. Informasi mengenai atribut yang mewakili preferensi konsumen bisa diperoleh melalui diskusi dengan pakar, eksplorasi data skunder, atau melakukan tes awal. Kemudian atribut yang sudah dianggap mewakili ditentukan skalanya. Skala atribut dibagi menjadi dua yaitu skala kualitatif atau non metrik atau kategori nominal dan ordinal dan skala kuantitatif atau metrik interval dan rasio. Banyaknya tingkatan atribut menentukan banyaknya parameter yang akan diperkirakan dan juga mempengaruhi banyaknya stimulus yang akan dievaluasi oleh responden. Untuk meminimumkan tugas evaluasi responden, dan harus bisa memperkirakan parameter seakurat mungkin, perlu membatasi banyaknya tingkatanlevel dari atribut. Utility atau parth-worth function untuk level suatu objek mungkin tidak linear non-linear.

2.8.2.2 Merancang Kombinasi Atribut Stimuli

Ada dua cara pembentukan stimuli dalam analisis konjoin yaitu : 1. Full-profile Pendekatan kombinasi lengkap full profile juga disebut evaluasi banyak faktor multiple-factor-evaluation yaitu jika ada k atribut dan ada l level yang diteliti dapat mengevaluasi semua stimuli yang muncul dengan l 1 x l 2 x l 3 x … x l i sejumlah n buah. Universitas Sumatera Utara Tentunya terkadang banyaknya stimuli membuat bingung responden dalam menilai, untuk mengatasi masalah ini dapat digunakan SPSS dengan menggunakan pendekatan full profile namun desain yang digunakan bukan full factor design melainkan fractional factorial design. Dengan design ini, sebagian dari seluruh kombinasi produk dipilih yang benar-benar berpengaruh terhadap efek utama. Efek interaksi tidak diperhatikan. Desain seperti ini dikenal dengan nama Orthogonal array. Dalam tabel Orthogonal Array, keseimbangan dicapai karena setiap tingkat faktoratribut terjadi pada jumlah yang sama dengan setiap tingkat dari masing-masing faktor lainnya. Catatan bahwa semua faktorial lengkap di mana terdapat jumlah yang sama berulang untuk setiap kombinasi faktor-tingkat adalah orthogonal array. Beberapa faktorial adalah orthogonal array, beberapa tidak. Orthogonal Array memungkinkan desain yang mengasumsikan bahwa semua interaksi yang tidak penting bisa diabaikan. Orthogonal Array dibentuk dari basic full fractional design dengan mengganti suatu faktor baru untuk seleksi interaksi efek yang dianggap bisa diabaikan. Metode yang lain untuk mengurangi banyaknya inetraksi dengan melakukan survey terhadap konsumen. Tampak bahwa dalam desain orthogonal Array, jumlah kemunculan dari setiap level suatu atribut selalu tidak sama. Berikut contoh desain orthogonal Array dan bukan orthogonal Array. Tabel sebelah kiri menunjukkan bahwa setiap level dari masing-masing atribut muncul satu kali, sebaliknya pada tabel sebelah kanan, kombinasi 1 2 1 muncul dua kali, sementara kombinasi lainnya muncul satu kali. Universitas Sumatera Utara Tabel 2.2 Contoh Orthogonal Array dan Non-orthogonal Array Orthogonal Array Non-orthogonal Array Faktor : A B C Faktor : A B C 1 1 1 1 1 2 1 2 2 1 2 1 2 1 2 2 1 2 2 2 1 1 2 1 2. Pairwise Combination Melalui pendekatan ini, stimuli yang diperingkatkan dilakukan dengan cara memberikan peringkat pada setiap kombinasi taraflevel dari dua atribut, mulai dari yang paling disukai sampai pada yang paling tidak disukai. Jika banyaknya atribut ada -buah, maka kombinasi taraflevel atribut yang harus dievaluasi responden adalah sebanyak: c = pasangan. Kelebihan pendekatan pasangan adalah bahwa pendekatan ini lebih mudah bagi responden untuk memberikan pertimbangan. Tetapi kelemahan relatifnya ialah bahwa pendekatan ini memerlukan lebih banyak evaluasi.

2.8.2.3 Menentukan Jenis Data

Data yang diperlukan dalam analisis konjoin dapat berupa data non-metrik data berskala nominal atau ordinal atau kategorial maupun data metrik data berskala interval atau rasio. 1. Data non-metrik Untuk memperoleh data dalam bentuk non-metrik, responden diminta untuk membuat ranking atau mengurutkan stimulus yang paling disukai hingga pada stimulus yang tidak disukai. Untuk stimulus yang paling Universitas Sumatera Utara disukai deberi nilai dimulai dari 1 dan seterusnya hingga ranking terakhir stimulus yang paling tidak disukai. 2. Data Metrik Untuk memperoleh data dalam bentuk metrik, responden diminta untuk memberikan nilai atau rating terhadap masing-masing stimulus. Dengan cara ini, responden akan memberikan penilaian terhadap masing-masing stimulus secara terpisah. Pemberian nilai atau rating dapat dilakukan melalui beberapa cara, yaitu: a. Menggunakan skala likert mulai dari 1 hingga 5 1 = paling tidak disukai dan 5 = paling disukai. b. Menggunakan nilai rangking terbalik, artinya untuk stimulus yang paling disukai diberi nilai tertinggi setara dengan jumlah stimulusnya, sedangkan stimulus yang paling tidak disukai diberi nilai satu.

2.8.2.4 Memilih Prosedur Analisis Konjoin

Model dasar analisis konjoin secara matematis sebagai berikut Supranto, 2004: = di mana: = Utilitas total dari tiap-tiap stimuli = Utilitas dari atribut ke- = 1, 2, 3, ... , k dan level ke-j j = 1, 2, 3, ... , = Banyaknya level dari atribut = Banyaknya atribut = Peubah boneka atribut ke- level ke- bernilai 1, jika level ke- dari atribut ke- terjadi; 0, jika tidak terjadi Universitas Sumatera Utara Rumus untuk nilai kepentingan relatif adalah : = di mana: = Bobot kepentingan relatif untuk tiap atribut = Range nilai kepentingan untuk tiap atribut Range nilai kepentingan relatif tiap atribut dapat dicari dengan rumus : = { } Beberapa prosedur yang berbeda tersedia untuk mengestimasi model dasar yang paling sederhana, dan sangat populer yaitu dummy variable regression, artinya suatu regresi, variabel bebasnya merupakan variabel dummy. Untuk membangun model regresi yang peubah bebasnya mengandung variabel kualitatif, salah satunya adalah menggunakan peubah boneka. Peubah boneka merupakan cara yang sederhana untuk mengkuantifikasi variabel yang kualitatif. Untuk variabel kualitatif yang mempunyai kategori bisa dibangun 1 peubah boneka. Peubah boneka ini biasanya mengambil nilai 1 atau 0. Kedua nilai yang diberikan tidak menunjukkan bilangan numerik tetapi hanya sebagai identifikasi kelas atau kategorinya. Di dalam literatur Supranto 2004 menyebutkan bahwa : 1. Atribut yang mempunyai dua taraf diberi kode 1 untuk salah satu taraf dan 0 untuk lainnya. 2. Atribut yang mempunyai dari tiga taraf, pengkodeannya sebagai berikut: Universitas Sumatera Utara Tabel 2.3 Pengkodean taraflevel Taraf Kode Taraf 1 Taraf 2 Taraf 3 1 1 Untuk taraf lebih dari tiga, pengkodean dilakukan dngan cara yang sama sehingga setiap faktor memiliki 1 peubah boneka. Banyaknya peubah boneka sama dengan banyaknya kategori taraf dikurangi satu. 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 monotomic regression atau multidimensional scalling, kemudian analisis dilanjutkan dengan regresi peubah boneka. Namun, jika data diperoleh melalui penilaian secara terpisah dari masing-masing taraflevel atribut yang dikenal dengan istilah discrete choice, analisis yang dapat digunakan adalah model logit.

2.8.2.5 Interpretasi Hasil

Untuk menginterpretasikan hasil analisis, dilakukan pada semua tingkat kepentingan atribut dengan membuat grafik perbandingan antara nilai kepentingan dari tiap-tiap atributnya. Interpretasi dari hasil berikutnya juga dilakukan dengan membuat suatu grafik perbandingan antara nilai kegunaan dari tiap levelnya. Universitas Sumatera Utara

2.8.2.6 Penilaian Keandalan Dan Kesahihan

Uji keandalan terhadap hasil konjoin untuk mengetahui apakah prediksi yang telah dilakukan mempunyai ketepatan yang tinggi dengan kenyataannya. Pada uji ketepatan prediksi ini akan dilakukan pengukuran korelasi secara Pearson maupun Kendall dengan bantuan SPSS. Pada pengukuran tersebut akan diketahui seberapa kuat hubungan antara estimasi dan actualnya atau seberapa tinggi Predictive accuracy nya.

2.9 Tahapan Pengambilan Sampel

2.9.1 Populasi dan Sampel

Populasi adalah wilayah generelisasi yang terdiri atas; obyeksubyek yang mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Sampel merupakan bagian dari populasi yang mempunyai ciri-ciri atau keadaan tertentu yang akan diteliti karena tidak semua data dan informasi akan diproses dan tidak semua orang atau benda akan diteliti melainkan cukup dengan menggunakan sampel yang mewakilinya Sugiyono, 2006. Dalam pelaksanaan penelitian, ruang lingkup populasi merupakan area yang amat luas batasnya sehingga penggunaan populasi sebagi instrumen penelitian sangat sulit dilakukan. Oleh karena itu, untuk memenuhi kelayakan dalam pelaksanaan penelitian, ditentukan populasi sasaran target population, yaitu populasi yang digunakan untuk mengeneralisasi hasil penelitian.

2.9.2 Teknik Penarikan Sampel

Masalah sampel akan terjadi bila jumlah populasi terlalu besar dan menyebar sehingga di luar jangkauan penelitian. Sedangkan dalam penelitian ini Universitas Sumatera Utara pengambilan sampel dilakukan dengan teknik penarikan sampel bertingkat proposional propotional stratified random sampling. Ada beberapa syarat yang harus terpenuhi terlebih dahulu untuk menggunakan teknik ini antara lain Singarimbun dan Effendi, 1989:162-163: 1. Adanya kriteria yang jelas yang akan dipergunakan sebagai dasar untuk menstratifikasi populasi ke dalam lapisan-lapisan. 2. Adanya data pendahuluan dari populasi mengenai kriteria yang dipergunakan untuk menstratifikasi. 3. Jumlah satuan elementer dari setiap strata ukuran setiap subpopulasi harus diketahui dengan pasti. Hal ini diperlukan agar peneliti dapat membuat kerangka sampling untuk setiap subpopulasi atau strata yang akan dijadikan sumber dalam menentukan sampel atau responden. Untuk mendapatkan sampel yang benar-benar mewakili seluruh populasi, maka dalam penelitian ini teknik penentuan jumlah sampel menggunakan rumus slovin yang mempunyai syarat ukuran populasi diketahui dan taraf kesalahan ditentukan. Rumus Slovin sebagai berikut: = 1 + Sumber: Umar 2004:108 Keterangan : = Ukuran Sampel = Ukuran Populasi = Persen Kelonggaran ketidaktelitian karena kesalahan pengambilan sampel yang masih dapat ditolerir atau diinginkan. Universitas Sumatera Utara BAB III PEMBAHASAN

3.1 Pengumpulan Data

Data yang digunakan adalah data primer. Data primer adalah data yang diperoleh dari individu atau perseorangan. Alat untuk memperoleh data dalam penelitian ini dengan menggunakan kuesioner. Peneliti membagikan kuesioner sebanyak 348 kepada mahasiswa. Pemberian kuesioner ini bertujuan untuk mengetahui pengaruh minat mahasiswa FMIPA USU memilih Laptop.

3.1.1 Karakteristik Responden

Perilaku responden dapat dipengaruhi oleh berbagai macam faktor. Tentu hal ini menjadi tantangan utama bagi para pemasar untuk mengendalikan semua faktor yang mampu mempengaruhi perilaku memilih pada konsumen. Penelitian ini didapatkan dengan menyebarkan kuesioner kepada mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara. Pada penelitian ini populasinya adalah mahasiswa yang berjumlah 2697 orang berdasarkan data yang diperoleh dari Website USU, diantaranya: 1. Matematika S-1 : 300 orang 2. Kimia S-1 : 256 orang 3. Fisika S-1 : 279 orang 4. Biologi S-1 : 288 orang 5. Komputer D-III : 784 orang 6. Kimia D-III : 322 orang Universitas Sumatera Utara 7. Statistika D-III : 372 orang 8. Fisika D-III : 96 orang Penarikan sampel dengan Slovin: = 1 + = 2697 1 + 2697 0,05 = 2697 1 + 6,7425 = 2697 7,7425 = 348,3371 Tabel 3.1 Penarikan sampel dengan Proportional Stratified Sampling No. Program Studi Populasi Proporsi Sampel Jumlah Sampel 1 Matematika S-1 300 11,123 39 2 Kimia S-1 256 9,492 33 3 Fisika S-1 279 10,345 36 4 Biologi S-1 288 10,679 37 5 Komputer D-III 784 29,069 101 6 Kimia D-III 322 11,939 42 7 Statistika D-III 372 13,793 48 8 Fisika D-III 96 3,560 12 Total 2697 100 348 Sumber: Data Olahan Penullis Dari teknik penarikan sampel diatas diperoleh sampel sebanyak 348 orang dari populasi sebesar 2697 mahasiswa FMIPA USU yang masih aktif terdaftar di Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sumatera Utara Tabel 3.2 Karakteristik Responden Karakteristik Responden Jumlah Orang Jurusan Matematika - S1 Kimia - S1 Fisika - S1 Biologi - S-1 Komputer D-III Kimia D-III Statistika D-III Fisika D-III 39 33 36 37 101 42 48 12 Total 348 Lama Pemakaian Laptop 6 – 12 bulan 13 – 24 bulan 25 – 36 bulan 37 – 48 bulan 51 158 97 42 Total 348 Merek Laptop yang digunakan Acer Toshiba Hp 184 98 66 Total 348 Sumber: Data Olahan Penulis

3.2 Pengolahan Data

Untuk pemecahan suatu permasalahan perlu dilakukan analisis dan pengolahan data. Teknik penganalisaan yang digunakan untuk memecahkan permasalahan ini adalah dengan menggunakan metode Kendall’s W dan Analisis Konjoin. Dari data yang diperoleh berdasarkan pengisian kuesioner oleh mahasiswa, dapat dilakukan analisa dari permasalahan berikut. Universitas Sumatera Utara

3.2.1 Uji Kendall’s W

Dalam hal ini, uji Kendall’s W akan digunakan untuk menguji apakah ada tidaknya keselarasan mahasiswa dalam menilai atribut-atribut pada laptop. Berikut tahap-tahap yang diperlukan untuk memecahkan permasalahan ini. Tahap pertama adalah merumuskan hipotesis. Pada Uji Kendall’s W, hipotesis nol menyatakan tidak terdapat keselarasan dari penilaian yang dilakukan responden terhadap atribut-atribut. Perumusan hipotesisnya sebagai berikut: : Tidak terdapat keselarasan dari penilaian para responden terhadap kesembilan atribut pada laptop : Terdapat keselarasan dari penilaian para responden terhadap kesembilan atribut pada laptop Tahap kedua adalah menentukan nilai kritis berdasarkan tabel nilai kritis chi-kuadrat. Nilai tingkat signifikansi adalah 5 atau 0,05. Untuk menentukan nilai kritis, terlebih dahulu menghitung nilai derajat bebas. Dikarenakan derajat bebas = 1, maka derajat bebas = 9 1 = 8. Nilai kritis berdasarkan tabel chi-kuadrat dengan derajat bebas 8 dan tingkat signifikansi 5 adalah 15,5073. Menghitung nilai dari Uji statistik Kendall’s W dilakukan dengan manual pada contoh ini. Universitas Sumatera Utara Tabel Ranking Atribut pada Laptop Responden Atribut Merek Processor Bobot Harga Hard Drive Webcam Ukuran Layar Baterai Warna 1 5 4 1 9 3 8 7 2 6 2 1 3 4 9 2 5 7 6 8 3 3 2 6 1 4 8 7 5 9 4 3 2 6 1 4 8 7 5 9 5 2 5 7 1 4 6 8 3 9 6 9 1 2 6 3 5 8 4 7 7 2 1 9 3 4 8 6 5 7 8 3 2 6 1 4 8 7 5 9 9 3 2 6 1 4 8 7 5 9 10 3 2 6 1 4 8 7 5 9 11 3 4 7 6 1 5 9 2 8 12 9 5 3 8 4 7 2 1 6 13 8 1 6 7 2 4 5 3 9 14 3 2 6 1 4 8 7 5 9 15 3 2 6 1 4 8 7 5 9 16 3 2 6 1 4 8 7 5 9 17 7 3 6 5 1 4 8 2 9 18 4 9 3 1 5 6 8 2 7 19 3 2 6 1 4 8 7 5 9 20 1 5 7 2 8 9 3 6 4 78 59 109 66 73 139 134 81 161 Mean Rank 3,90 2,95 5,45 3,30 3,65 6,95 6,70 4,05 8,05 = 78 + 59 + 109 + 66 + 73 + 139 + 134 + 81 + 161 = 900 Universitas Sumatera Utara = = + 1 2 = 209 + 1 2 = 100 Berikut rumus untuk menghitung statistik Kendall’s W Siegel, 1985: = 12 = 1278 100 + 59 100 + 109 100 + 20 9 9 66 100 + 73 100 + 139 100 + 134 100 + 20 9 9 81 100 + 161 100 20 9 9 = 1210890 400729 9 = 0,454 Uji statistik yang digunakan adalah uji statistik chi-kuadrat. Nilai dari uji statistik chi-kuadrat digunakan untuk menentukan apakah hipotesis nol diterima atau ditolak. Berikut rumus untuk menghitung nilai uji statistik chi-kuadrat = 1 = 209 10,454 = 72,64 Nilai uji statistik chi-kuadrat kemudian dibandingkan dengan nilai kritis berdasarkan tabel nilai kritis chi kuadrat. Berikut aturan keputusan berdasarkan uji statistik chi kuadrat Jika nilai kritis, hipotesis nol diterima Jika nilai kritis, hipotesis nol ditolak Universitas Sumatera Utara Nilai kritis pada tabel dengan derajat kebebasan 8 dan tingkat signifikansi 5 sebesar 15,5073, maka nilai kritis, maka hipotesis nol ditolak, yang berarti terdapat keselarasan dari penilaian para responden terhadap kesembilan atribut pada laptop. Berikut hasil perhitungan berdasarkan software SPSS. Tabel 3.3 Ranks Atribut Mean Rank Merek 3,33 Processor 2,50 Bobot 5,74 Harga 2,68 Hard Drive 4,33 Webcam 6,54 Ukuran Layar 6,73 Ketahanan Baterai 4,89 Warna 8,26 Sumber: Data Olahan SPSS Berdasarkan data tersebut, maka rangking atribut menurut penilaian seluruh responden adalah sebagai berikut: 1. Processor, dengan rata-rata mean sebesar 2,50 2. Harga, dengan rata-rata mean sebesar 2,68 3. Merek, dengan rata-rata mean sebesar 3,33 4. Hard Drive, dengan rata-rata mean sebesar 4,33 5. Ketahanan Baterai, dengan rata-rata mean sebesar 4,89 6. Bobot, dengan rata-rata mean sebesar 5,74 7. Webcam, dengan rata-rata mean sebesar 6,54 8. Ukuran Layar, dengan rata-rata mean sebesar 6,73 9. Warna, dengan rata-rata mean sebesar 8,26 Universitas Sumatera Utara Dari urutan rangking di atas menurut nilai rata-rata mean, menyatakan bahwa processor adalah atribut yang paling diminati dalam memilih laptop. Dilain pihak, atribut warna yang paling tidak diminati dalam memilih laptop. Tabel 3.4 Test Statistics Nilai N 348 Kendall’s Wa 0,523 Chi-Square 1456,3 Df 8 Asymp. Sig 0,000 Sumber: Data Olahan SPSS Pada tabel 3.4 memberikan informasi bahwa nilai statistik Kendall’s W adalah 0,523. Nilai tersebut dapat diinterpretasikan bahwa para responden memberi penilaian yang tidak sama dengan tingkat keselarasan yang berada di antara 0,400 s.d 0,599, yang berarti tingkat keselarasan responden adalah sedang. Karena nilai statistik chi-kuadrat, yakni 1456,3 lebih besar dari nilai kritis, yakni 15,5073, maka ditolak dan diterima. Ini berarti pernyataan bahwa terdapat keselarasan dari penilaian para responden terhadap kesembilan atribut pada laptop dapat dibenarkan pada tingkat signifikansi 5 . Selain itu, pada tabel Test Statistics juga memberikan nilai probabilitas kumulatif atau Asymp. Sig, yaitu 0,000. Jika nilai probabilitas kumulatif nilai tingkat signifikansi, diterima Jika nilai probabilitas kumulatif nilai tingkat signifikansi, ditolak Karena nilai probabilitas kumulatif, yakni 0,000 lebih kecil dari nilai tingkat signifikansi yakni 0,05, maka hipotesis nol ditolak dan hipotesis alternatif diterima. Ini berarti pernyataan bahwa terdapat keselarasan dari penilaian para Universitas Sumatera Utara responden terhadap kesembilan atribut pada laptop dapat dibenarkan pada tingkat signifikansi 5 .

3.2.2 Analisis Konjoin

3.2.2.1 Analisis Minat Laptop Secara Umum

Munculnya merek-merek laptop di pasar membuat persaingan semakin tinggi. Sehingga perlu dilakukan penelitian mengenai pola atribut yang mempengaruhi minat ketertarikan konsumen dalam membeli produk laptop dan diperlukan pola atribut yang mempengaruhi pembelian laptop. Pada dasarnya, ada beberapa pola atribut yang mempengaruhi minat mahasiswa tetapi pada penelitian ini atribut hanya dibatasi pada atribut merek, processor, bobot, harga, hard drive, webcam, ukuran layar, ketahanan baterai dan warna dengan: 3 x 3 x 2 x 3 x 3 x 2 x 3 x 3 x 3 = 8748 buah. Atribut-atribut tersebut dapat dilihat pada lampiran 1. Tujuan penelitian ini untuk mengidentifikasikan atribut yang dianggap penting oleh mahasiswa dalam membeli laptop, mendapatkan nilai utilitas atribut pada level tertentu, dan untuk menentukan urutan prioritas atribut yang paling disukai mahasiswa.

3.2.2.2 Hasil Analisis Konjoin dari Minat Mahasiswa FMIPA USU

Setelah kombinasi-kombinasi atribut produk dan levelnya diperoleh, selanjutnya adalah menanyakan minat responden terhadap setiap kombinasi. Untuk mengurangi tugas evaluasi dari responden maka kombinasi laptop sebanyak 8748 kombinasi direduksi menjadi 27 kombinasi dapat dilihat pada lampiran 2. Penilaian dengan menggunakan Skala Likert 5 butir. Peringkat 1 menyatakan sangat tidak menyukai dan peringkat 5 menyatakan sangat menyukai. Hasil dari penilaian responden dapat dilihat pada lampiran 3. Universitas Sumatera Utara

3.2.2.3 Melakukan Prosedur Analisis Konjoin

Berikut dijelaskan prosedur analisis konjoin : 1. Membuat model dasar konjoin, kemudian diuraikan ke dalam bentuk persamaan regresi multiple, dengan persamaan dugaannya sebagai berikut: = + + + + + + + + + + + + + + + + + + + + + + + + + 2. Mengestimasi model dasar persamaan konjoin tersebut menggunakan analisis regresi Kuadrat Terkecil Biasa atau Ordinary Least Square OLS dengan peubah bebasnya berupa peubah boneka dummy variable, yang terlebih dahulu mengubah bentuk data input menjadi peubah dummy. Pada proses ini diperolah estimasi utilitas a ij untuk setiap level atribut yang dapat dilihat pada lampiran 4. 3. Menentukan tingkat kepentingan suatu faktoratribut factor importance, I dan kepentingan relatifnya dengan faktor lain, W, dimana : = dengan = {maks a min a } 4. Melakukan analisis dan interpretasi hasil analisis konjoin pada data preferensi tersebut pada tingkat agregat seluruh responden. 5. Penilaian keandalan dan kesahihan model yang diperoleh dengan nilai R 2 koefisien determinasi ganda Pearson dan Tau’s Kendall. Universitas Sumatera Utara

3.2.2.4 Pengolahan Nilai Utilitas Level Tiap Atribut

Analisis konjoin memiliki salah satu tujuan untuk mengetahui nilai gunautility dalam tiap-tiap level pada atribut yang akan diujikan. Untuk mengetahui nilai utilitas bersebut, harus diketahui preferensi responden, baik secara individu maupun agregat keseluruhan, dalam mengevaluasi ketertarikan responden terhadap produk laptop. Nilai utilitas individu bermanfaat untuk mendesain suatu produk laptop bersifat spesifik bagi masing-masing individu. Nilai utilitas agregrat menunjukan nilai utilitas secara keseluruhan dari responden penelitian ini. Terdapat nilai utilitas agregrat dengan tanda negatif karena pengaruh efek coding dan proses penghitungannya. Nilai utilitas pada dasarnya adalah selisih antara rata-rata atribut tertentu dengan nilai konstantanya. Dalam penafsiran angka utilitasnya perlu memperhatikan penyusunan rating yang dilakukan oleh responden. Karena dalam penelitian ini, responden melakukan penyusunan rating dari yang paling tidak disukai sampai yang paling disukai, maka tanda negatif yang terbaca sebagai nilai utilitas menunjukan bahwa responden tidak menyukai level pada atribut tersebut. Untuk megetahui perhitungan nilai utilias setiap responden dan nilai utilitas agregratnya dapat dilakukan dengan menggunakan bantuan program SPSS 16 yaitu sampel respondennya sebanyak 348 mewakili mahasiswa FMIPA USU. Untuk melihat hasilnya peneliti menampilkan 1 subjek responden di lampiran 5 serta pengerjaan manualnya pada lampiran 6, sebagai perwakilan 348 subjek responden dan nilai utilitas agregratnya yang menggambarkan nilai utilitas secara keseluruhan dari 348 responden. Hasil nilai utilitas agregat dapat dilihat pada tabel 3.5 berikut: Universitas Sumatera Utara Tabel 3.5 Nilai utilitas level atribut responden mahasiswa FMIPA USU Utilitas Atribut Keterangan Utility Estimate Std. Error Merek Acer -0,116 0,087 Toshiba 0,021 0,087 HP 0,095 0,087 Processor Intel Atom -0,481 0,087 Intel Core i3 0,077 0,087 Intel Core i5 0,404 0,087 Bobot Ringan 1,8 kg -0,068 0,065 Berat 1,8 kg s.d 2,5 kg 0,068 0,065 Harga Rp 3.000.000,- 0,233 0,087 Rp 3.000.00,- s.d Rp 5.000.000,- -0,034 0,087 Rp 5.000.000,- -0,198 0,087 Hard Drive 300 GB -0,115 0,087 300 GB s.d 500 GB -0,044 0,087 500 GB 0,159 0,087 Webcam Tersedia 0,118 0,065 Tidak Tersedia -0,118 0,065 Ukuran Layar 10.1” 0,096 0,087 10,1” s.d 12” -0,156 0,087 12” 0,060 0,087 Ketahanan Baterai 3 jam -0,295 0,087 3 jam s.d 5 jam 0,042 0,087 5 jam 0,254 0,087 Warna Hitam 0,077 0,087 Abu-abu 0,036 0,087 Putih -0,113 0,087 Constanta 3,287 0,068 Sumber: Data Olahan SPSS Universitas Sumatera Utara Dari tabel di atas telah diperoleh estimasi koefisien persamaan konjoin atau estimasi utilitas tiap levelnya yang disebut prediksi parth-worth secara agregrat yaitu sebagai berikut: = 3,287, = 0,116, = 0,021, = 0,095, = 0,481, = 0,077, = 0,404, = 0,068, = 0,068, = 0,233, = 0,034, = 0,198, = 0,115, = 0,044, = 0,159, = 0,118, = 0,118, = 0,096, = 0,156, = 0,060, = 0,295, = 0,042, = 0,254, = 0,077, = 0,036, = 0,113 Dari estimasi koefisien diatas maka dapat disubtitusi setiap estimasi utilitas kedalam persamaan dasar konjoin yaitu sebagai berikut: = 3,287 0,116 + 0,021 + 0,095 0,481 + 0,077 + 0,404 0,068 + 0,068 + 0,233 0,034 0,198 0,115 0,044 + 0,159 + 0,118 0,118 + 0,096 0,156 + 0,060 0,295 + 0,042 + 0,254 + 0,077 + 0,036 0,113 Utilitas pada dasarnya adalah selisih antara rata-rata atribut tertentu dengan konstantanya. Jika selisih adalah negatif, maka responden kurang suka dengan stimuli produk tersebut. Sebaliknya, jika selisih adalah positif, maka responden suka dengan stimuli produk tersebut. Dari hasil nilai utilitas agregrat level atribut responden mahasiswa FMIPA USU pada tabel 3.5 maka dapat ditafsirkan analisis nilai utilitas setiap level pada atribut yaitu : 1. Merek Pada atribut merek, utility yang bernilai positif ada dua yaitu Toshiba dan HP. Utility yang bernilai positif lebih besar yaitu dengan merek HP. Secara agregratnya responden cenderung menyukai merek HP tersebut. 2. Processor Pada atribut processor, utility yang bernilai positif ada dua yaitu intel core i3 dan intel core i5. Utility yang bernilai positif lebih besar yaitu intel core i5. Secara agregratnya responden cenderung menyukai processor core i5 tersebut. Universitas Sumatera Utara 3. Bobot Pada atribut bobot, utility yang bernilai positif ada satu yaitu bobot berat 1,8 kg s.d 2,5 kg. Secara agregratnya responden cenderung menyukai bobot berat 1,8 kg s.d 2,5 kg tersebut. 4. Harga Pada atribut harga, utility yang bernilai positif untuk harga ada satu yaitu harga Rp 3.000.000,-. Secara agregatnya responden cenderung menyukai harga Rp 3.000.000,- tersebut. 5. Hard Drive Pada atribut hard drive, utility yang bernilai positif untuk hard drive ada satu yaitu hard drive 500 GB. Secara agregatnya responden cenderung menyukai hard drive 500 GB tersebut. 6. Webcam Pada atribut webcam, utility yang bernilai positif untuk webcam ada satu yaitu webcam tersedia. Secara agregatnya responden cenderung menyukai webcam tersedia. 7. Ukuran Layar Pada atribut ukuran layar, utility yang bernilai positif ada dua yaitu ukuran layar 10.1” dan ukuran layar 12”. Utility yang bernilai positif lebih besar yaitu ukuran layar 10.1”. Secara agregratnya responden cenderung menyukai ukuran layar 10.1” tersebut. 8. Ketahanan Baterai Pada atribut ketahanan baterai, utility yang bernilai positif ada dua yaitu ketahanan baterai 3 jam s.d 5 jam dan ketahanan baterai 5 jam. Utility yang bernilai positif lebih besar yaitu ketahanan baterai 5 jam. Secara agregratnya responden cenderung menyukai ketahanan baterai 5 jam tersebut. 9. Warna Pada atribut warna, utility yang bernilai positif ada dua yaitu warna abu-abu dan warna hitam. Utility yang bernilai positif lebih besar yaitu warna hitam. Secara agregratnya responden cenderung menyukai warna hitam tersebut. Universitas Sumatera Utara

3.2.2.5 Analisis Tingkat Kepentingan Relatif

Pada dasarnya analisis konjoin memiliki salah satu manfaat untuk mengetahui atribut mana yang paling dipertimbangkan konsumen sehingga konsumen dapat memilih atau mengevaluasi beberapa atribut sekaligus. Karena tingkat kepentingan relatif suatu produk sangat perlu untuk melihat minat konsumen serta terhadap tenaga distributor untuk dapat mengkombinasikan atribut yang dianggap penting dan mengabaikan atribut yang relatif kurang menunjang minat konsumen. Dengan menggunakan program SPSS 16, dapat diperoleh hasil minat total responden pada tabel 3.6 di bawah ini: Tabel 3.6 Tingkat Kepentingan Relatif Mahasiswa FMIPA USU Importance Values Merek 10,018 Processor 20,442 Bobot 5,549 Harga 12,261 Hard Drive 9,495 Webcam 8,566 Ukuran Layar 10,843 Ketahanan Baterai 13,559 Warna 9,268 Total 100 Sumber : Data Olahan SPSS Universitas Sumatera Utara Gambar 3.1 Diagram Dengan demiki processor dengan skor 20,442 processor intel core i 0,404 0,077, dan processor 0,481 utility paling tinggi 0,254 menyukai laptop denga ketahanan baterai 3 j 0,042 ketahanan baterai 0,295 responden harga Rp 0,233 s.d Rp 5.000.000,- denga 0,034 0,1998 Ukuran Layar yang pa 0,096 ukuran layar 12.” 0,060 10.1 12 0,156. Merek yang 0,095 Toshiba dengan 0,021 0,116 disukai hard drive 500 0,159 300 500GB dengan 0,044 300 0,115 paling disukai oleh re 0,077 8,566; 9 10,843; 11 13,559; 14 9,268; 9 m Lingkaran Nilai Kepentingan Relatif ikian dapat disimpulkan bahwa atribut paling skor 20,442 . Processor yang paling disukai e i5 dengan 0,404 dibanding processor int 0,077 ssor intel atom dengan 0,481. Dalam hal i 0,254 yaitu ketahanan baterai 5 jam ngan ketahanan baterai 5 jam dibanding den jam s.d 5 jam dengan 0,042, dan deng 3 jam dengan 0,295. Harga yang pa Rp 3.000.000,- dengan 0,233, dibanding har dengan 0,034 dan harga Rp 5.000.000,- de 0,1998 paling disukai ukuran layar 10.1” dengan 0,096 12.” dengan 0,060, dan ukuran layar 10.1 12 0,156 ang paling disukai adalah HP dengan 0,095 0,021, dan merek Acer dengan 0,116. Hard 500GB dengan 0,159, dibanding hard 300 500 0,044, dan hard drive 300GB dengan 0,115 h responden adalah warna hitam dengan 0,077 10,018; 10 20,442; 20 5,549; 6 12,261; 12 9,495; 9 10,843; 11 13,559; 14 9,268; 9 Diagram Lingkaran Nilai Kepentingan Relatif Merek Processor Bobot Harga Hard Drive Webcam Ukuran Layar Ketahanan Baterai Warna paling penting adalah 20,442 sukai responden adalah 0,404 intel core i3 dengan 0,077 0,481 hal ketahanan baterai, 0,254 am, responden lebih dengan laptop dengan 0,042 ngan laptop dengan 0,295 paling disukai oleh 0,233 harga Rp 3.000.000,- 0,034 5.000.000,- dengan 0,1998. n 0,096, dibanding 0,060 10.1 s.d 12 dengan 0,156 0,095 dibanding merek 0,021 0,116 ard Drive yang paling 500 0,159 ard drive 300GB s.d 500 0,044 300 0,115. Warna yang 0,077 dibandingkan Merek Processor Bobot Harga Hard Drive Webcam Ukuran Layar Ketahanan Baterai Warna Universitas Sumatera Utara dengan warna abu-abu dengan 0,036 , dan warna putih dengan 0,113. Webcam yang paling disukai oleh responden adalah webcam tersedia dengan 0,118 dibandingkan dengan webcam tidak tersedia dengan 0,118. Bobot yang paling disukai oleh responden adalah bobot berat 1,8 kg – 2,5 kg dengan 0,068 dibandingkan dengan bobot ringan 1,8 kg dengan 0,068.

3.2.2.6 Pengukuran Predictive dan Uji Signifikansi

Analisis konjoin pada prinsipnya bertujuan untuk memperkirakan pola pendapat responden, yang disebut estimates parth-worth, kemudian membandingkan dengan pendapat rsponden yang sebenarnya, yang ada proses stimuli. Seharusnya hasil konjoin tidak berbeda jauh dengan pendapat responden yang sebenarnya, yang dicerminkan dengan tingginya angka korelasi antar hasil Estimates dengan hasil actual. Inilah yang disebut dengan prediksi Accuracy, yakni mengukur tingkat ketepatan prediksi, yang dicerminkan dengan adanya korelasi yang tinggi dan signifikansi antara hasil estimates dengan hasil aktual. Untuk menguji Validitas dalam analisis konjoin dilakukan dengan korelasi Pearson’s R dan Tau Kendall. Landasan untuk uji signifikasi adalah : = Tidak ada korelasi yang kuat antara Observed variable dan Estimated Preferences = Ada korelasi yang kuat antara Observed variable dan Estimated Preferences Jika angka signifikansi 0,05 maka diterima. Sebaliknya, jika angka signifikansi 0,05 maka ditolak. Universitas Sumatera Utara Tabel 3.7 Korelasi antara Obeserved Variable dan Estimated Preferences Uji Nilai Sig. Pearsons R 0,938 0,000 Kendalls Tau 0,776 0,000 Sumber: Data Olahan SPSS Diperoleh hasil bahwa prediksi utilitas dengan utilitas aktualnya saling berkorelasi positif sangat kuat dan cukup kuat, yaitu sebesar 0,983 dan 0,776 dan memiliki p-value signifikansi masing-masing sebesar 0.0 lebih kecil dari = 0.05 derajat signifikansi. Hal ini menunjukkan bahwa adanya hubungan yang sangat kuat antara estimates dan actual, artinya terdapat ketepatan dalam memprediksi predictive accuracy, yang mengindikasikan model regresi yang dibuat sudah baik, atau dengan kata lain model regresi linier multiple tersebut cocok atau tepat untuk data yang dianalisis. Universitas Sumatera Utara BAB IV KESIMPULAN DAN SARAN

4.1 Kesimpulan

Pengolahan data dengan menggunakan uji Kendall’s dan analisis konjoin pada penelitian ini adalah untuk mengetahui minat mahasiswa FMIPA USU memilih laptop, keselarasan diantara para responden tentang atribut yang paling mempengaruhi, model analisis konjoin yang merupakan penilaian secara agregat untuk mengetahui minat mahasiswa FMIPA USU memilih laptop, hasil penerapan analisis konjoin untuk mengetahui dasar minat mahasiswa FMIPA USU memilih laptop, dan konsep laptop ideal yang diminati mahasiswa FMIPA USU. Berikut adalah kesimpulan yang dapat diambil peneliti dari penelitian yang telah dilakukan : 1. Dari 9 atribut pada laptop, atribut processor yang paling dominan, yang berarti bahwa pada 348 responden yang turut berpartisipasi dalam pengisian kuesioner, sebagian besar memilih atribut yang sama yang mempengaruhi minat memilih yaitu atribut processor. Dapat ditunjukkan dengan nilai statistik hitung statistik tabel 1456,3 15,5073 dan nilai probabilitas 0,05 0,000 0,05, maka ditolak yang berarti terdapat keselarasan dari penilaian para responden terhadap kesembilan atribut pada laptop. Serta nilai sebesar 0,523 berada di antara 0,400 0,599, maka dapat dikatakan bahwa tingkat keselarasan antara responden adalah sedang. 2. Hasil dari penerapan analisis konjoin untuk mengetahui dasar minat mahasiswa FMIPA USU memilih laptop mengharapkan laptop dengan processor intel core i5 dengan utility 0,404 dan kepentingan relatif 20,442, Universitas Sumatera Utara ketahanan baterai 5 jam dengan utility 0,254 dan kepentingan relatif 13,559, harga Rp 3.000.000,- dengan utility 0,233 dan kepentingan relatif 12,261, ukuran layar 10.1 dengan utility 0,096 dan kepentingan relatif 10,843, hard drive 500 dengan utility 0,159 dan kepentingan relatif 9,495, warna hitam dengan utility 0,077 dan kepentingan relatif 9,268, webcam tesedia dengan utility 0,118 dan kepentingan relatif 8,566, dan bobot berat dengan utility 0,068 dan kepentingan relatif 5,549. 3. Konsep laptop yang ideal berdasarkan pilihan responden melalui proses evaluasi dari 27 profilkombinasistimuli yang disajikan dalam bentuk kuesioner dengan membuat rating adalah laptop dengan merek HP, dengan processor intel core i5, bobot berat 1,8 kg – 2,5 kg, seharga Rp 3.000.000,- ; dengan hard drive 500GB, dengan webcam tersedia, berukuran layar 10.1”, ketahanan baterai 5 jam, serta berwarana hitam.

4.2 Saran