BAB 2 LANDASAN TEORI 2.1 Produk - Analisis Atribut yang Mempengaruhi Mahasiswa USU Memilih Sepeda Motor dengan Metode Kruskal-Wallis dan Analisis Konjoin

BAB 2 LANDASAN TEORI

  2.1 Produk

  Menurut Kotler (2004), produk didefinisikan sebagai salah satu yang bisa ditawarkan untuk memenuhi kebutuhan dan keinginan konsumen. Jadi produk bisa mencakup aspek fisik seperti citra atau reputasi. Menurut Buchari Alma (2004: 98), produk adalah seperangkat atribut baik yang berwujud maupun tidak berwujud termasuk masalah warna, harga, nama baik pabrik, toko, serta pengecer yang diterima oleh pembeli guna memuaskan keinginan. Inti dari definisi tersebut adalah konsumen tidak hanya sekedar membeli sekumpulan atribut fisiknya, pada dasarnya konsumen membayar sesuatu yang memuaskan keinginan.

  2.2 Atribut

  Atribut adalah keseluruhan karakteristik yang melekat pada produk tersebut. Atribut dalam arti luas, merupakan keseluruhan faktor yang dipertimbangkan konsumen untuk membeli suatu produk (Suliyanto, 2005). Atribut merupakan indikator yang memungkinkan terjadinya pengukuran pengaruh pada variabel. Konsumen melihat suatu produk atau jasa sebagai sekelompok atribut. Konsumen akan kesulitan membandingkan banyak produk secara keseluruhan. Jadi, konsumen membutuhkan pendekatan yang lebih sederhana. Pertama konsumen menentukan beberapa merek, yang dianggap memenuhi kriterianya. Kedua konsumen melakukan evaluasi terhadap faktor produk atau atribut, meliputi tingkat kepentingan atribut yang digunakan oleh seorang konsumen disebut sebagai kriteria pemilihan konsumen.

  Penelitian ini menggunakan multi atribut sepeda motor yang meliputi, merek, kapasitas tangki, jenis sepeda motor, ban, harga, roda, warna, dan daya mesin.

  2.3 Konsumen

  Menurut Nugroho (2003: 109), definisi perilaku konsumen adalah suatu proses pengambilan keputusan dan aktivitas masing

• –masing individu yang dilakukan dalam rangka evaluasi, mendapatkan, penggunaan atau mengukur barang dan jasa. Sedangkan menurut Bilson Simamora yang dikutip dari Engel F. James (2004: 3), menyatakan perilaku konsumen adalah tindakan yang langsung terlibat untuk mendapatkan, mengkonsumsi, dan menghabiskan produk dan jasa, termasuk proses keputusan yang mendahului dan mengikuti tindakan ini.

  Dari definisi perilaku konsumen tersebut, dapat diketahui bahwa perilaku konsumen merupakan tindakan

• –tindakan yang dilakukan oleh individu, kelompok atau organisasi tertentu, tindakan itu berhubungan dengan proses pengambilan keputusan dari para pembeli. Tujuannya adalah agar keputusan itu dapat digunakan untuk mendapatkan dan menggunakan barang dan jasa yang ekonomis.

  2.4 Nilai Guna (Utilitas)

  Teori nilai guna (utilitas) yaitu teori ekonomi yang mempelajari kepuasan atau kenikmatan yang diperoleh seorang konsumen dari mengkonsumsi barang-barang. Jika kepuasan itu semakin tinggi maka semakin tinggi nilai gunanya. Sebaliknya semakin rendah kepuasan dari suatu barang maka nilai guna semakin rendah juga. Nilai guna dibedakan menjadi dua pengertian a.

  Nilai Guna Marginal Nilai guna marginal adalah pertambahan atau pengurangan kepuasan akibat adanya pertambahan atau pengurangan penggunaan satu unit barang tertentu.

  Total Nilai Guna Total nilai guna yaitu keseluruhan kepuasan yang diperoleh dari mengkonsumsi sejumlah barang-barang tertentu.

  Jika konsumen membeli barang karena mengharap memperoleh nilai gunanya, tentu saja secara rasional konsumen berharap memperoleh nilai guna optimal. Secara rasional nilai guna akan meningkat jika jumlah komoditas yang dikonsumsi meningkat. Ada dua cara mengukur nilai guna dari suatu komoditas yaitu secara kardinal (dengan menggunakan pendekatan nilai absolut) dan secara ordinal (dengan menggunakan pendekatan nilai relatif, atau ranking). Dalam pendekatan kardinal bahwa nilai guna yang diperoleh konsumen dapat dinyatakan secara kuantitatif dan dapat diukur secara pasti. Untuk setiap unit yang dikonsumsi akan dapat dihitung nilai gunanya, (Sugiarto, 2010).

2.5 Uji Validitas dan Reliabilitas

  Sugiyono (2006: 67), berpendapat bahwa instrumen (kuesioner) harus diuji. Instrumen yang baik harus memenuhi dua persyaratan penting yaitu valid dan reliabel.

  Uji validitas atau kesahihan digunakan untuk mengetahui seberapa tepat suatu alat ukur mampu melakukan fungsi. Alat ukur yang dapat digunakan dalam pengujian validitas suatu kuesioner adalah angka hasil korelasi antara skor pernyataan dan skor keseluruhan penyataan reseponden terhadap informasi dalam kuesioner.

  Perhitungan uji reliabilitas ini dilakukan dengan bantuan program Statistical

  

product and Service Solution (SPSS). Pengujian reliabilitas bertujuan untuk

  mengetahui konsistensi atau keteraturan hasil pengukuran suatu instrumen apabila instrumen tersebut digunakan lagi sebagai alat ukur suatu objek atau responden. Menurut Sugiyono (2006:220), “instrumen yang reliabel adalah instrumen yang bila digunakan beberapa kali untuk mengukur objek yang sama, akan menghasilkan data yang sama”.

  Hassan Suryono dalam bukunya yang berjudul ”Statistik Pedoman, Teori dan Aplikasi

  ” (2009) menyatakan teknik korelasi ini digunakan untuk meneliti tingkat beberapa rangking. Dengan kata lain, digunakan untuk meneliti tingkat reliabilitas rangking.

2.6 Uji Kruskal-Wallis

  Metode ini merupakan metode nonparametrik dengan menpergunakan teknik rank (urutan). Uji ini digunakan untuk menguji asumsi pertama yang menjelaskan adanya sifat kenormalan dari distribusi data. Uji ini digunakan untuk membandingkan rata- rata tiga sample atau lebih. Uji H atau Kruskal-Wallis adalah suatu uji statiska yang dipergunakan untuk menetukan apakah k sample independen berasal dari populasi yang sama ataukah berbeda. Sampel-sampel yang diambil dari populasi dapat berbeda, hal ini dapat terjadi karena populasi yang berbeda atau populasi yang sama. Apabila populasi yang sama, maka perbedaan itu hanyalah karena faktor kebetulan saja. Asumsi yang harus dipenuhi dalam analisis ini adalah: 1.

  Data terdri atas k sampel acak.

  2. Sampel yang diambil dari populasinya bersifat saling bebas atau independen.

  3. Skala pengukuran minimal Ordinal. Secara manual, uji Kruskal-Wallis (nilai H) dapat dihitung dengan rumus ₂

  12

  (2.1) = − 3( + 1)

  =1

• 1

  di mana: n = Jumlah data ( , , , )

  1

  2 3 … ,

  = Jumlah ranking pada kelompok j = Jumlah data tiap kolom j

  Hipotesis yang diajukan adalah : Sampel berasal dari populasi yang sama ( = = )

  1

  2

  … = : Sampel berasal dari populasi yang berbeda ( = )

  1

  2

  : diterima jika ( ) ≤

  ; −1

  2

  : diterima jika ( )

  1 > ; −1

  Secara umum, rumus yang digunakan dalam uji kruskal-wallis menggunakan persamaan (2.1). Pembuktian persamaan (2.1) adalah sebagai berikut:

  1 =

• 1

  2

  =1

  1

  2

  =

• 1 (2 + 1)

  6

  =1

  1

  1

  2 Untuk rata-rata dan variance n adalah (

• 1 − 1) ini dapat

  2

  12

  dibuktikan sebagai berikut:

  1

• 1 +1

  = = Di mana

  ( ) = + 1

  2

  2

  2

  1

• 1 (2 +1)

  2

  2

  2 = ) =

  dan Var (n) (

  ( − ( ) − + 1)

  6

  4

  2

  2

  2 2 +6+3 )

• 1 2 +1 −3( +1)
• = =

  2 2 +2 +1 −(3

  12

  12

  2

  2 4 + 6

  1

• 2 − 3 − 6 − 3

  2 = = (

− 1)

  12

  12

  2

  2

  

2

  1 −

  untuk = ( =

  − 1)

  12 −1

  2

  ) ) − 1 − + 1 − 1 ( − + 1 ( −

  2

  = = =

  12 12 (

  12 − 1 − 1)

  )

• 1 ( −

  Untuk = di mana yaitu ranking rata-rata =

  12

  1

• 1

  2

  1

  12

  − ( )

  2

  2 = = = ( .

• 1 )

  2

• 1 −

  )

• 1 ( −

  12

  1

  12

  2 = ( .

• 1 )

  2

• 1 −

  2

  2

  

12

• 1 + 1 = −
• 2

  2

  4

• + 1 −

  2

  12

  12

• 1 = −

  2

  2

• 1 − + 1 −

  2

  12

• 1
>4
• 1 −

  2

  2

  

12

• 1 = − + 1
• 4

• + 1 −

  Dapat ditulis dengan:

  2

  12

• 1
• = dimana

  1

  2

  − = … + −

  2

• 1 −

  2

  12

• 1

  −

  2

• 1

  2

  12 = − 3( + 1)

• 1

2.7 Analisis Konjoin

  2.7.1 Definisi 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 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).

  2.7.2 Manfaat Analisis Konjoin

  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.

  Menurut Hair (1993), beberapa manfaat dari penggunaan analisis konjoin adalah sebagai berikut:

  1. Dapat menentukan kombinasi optimal dari atribut–atribut produk yang paling penting atau menarik bagi konsumen.

  2. Dapat menunjukan kontribusi relatif dari tiap atribut dan level terhadap seluruh evaluasi produk yang mempengaruhi proses pembelian konsumen.

  3. Dapat mengkelompokkan pasar berdasarkan kesamaan kesukaan konsumen terhadap atribut produk.

2.7.3 Tahapan Analisis Konjoin

  Adapun tahapan-tahapan analisis konjoin meliputi beberapa langkah yaiatu:

  1. Mengidentifikasi atribut

  2. Merancang kombinasi atribut (stimuli)

  3. Analisis data

  4. Memilih prosedur analisis konjoin

  5. Interpretasi hasil

  6. Penilaian keandalan dan kesahihan

2.7.3.1 Mengidentifikasi Atribut

  Langkah awal dalam melakukan analisis konjoin yaitu mengidentifikasi kumpulan dari atribut-atribut di mana setiap atribut terdiri atas beberapa taraf atau level. 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 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 tingkatan atau level dari atribut.

2.7.3.2 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 i level yang diteliti dapat mengevaluasi semua stimuli yang muncul dengan l

  1 x l 2 x l

  3

  x … sejumlah l i buah.

  Tentunya terkadang banyaknya stimuli membuat bingung responden dalam menilai, untuk mengatasi masalah ini dapat digunakan SPSS 17 dengan menggunakan pendekatan full profile namun desain yang digunakan bukan full

  factor design melainkan factorial design. Dengan desain 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.

  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 survei terhadap konsumen.

  Tampak bahwa dalam desain Orthogonal Array, jumlah kemunculan dari setiap level suatu atribut selalu tidak sama. Berikut contoh desain 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.

Tabel 2.1 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 taraf/level dari dua atribut, mulai dari yang paling disukai sampai pada yang paling tidak disukai. Jika banyaknya atribut ada

  − buah, maka kombinasi taraf/level atribut yang harus dievaluasi responden adalah sebanyak:

  ( −1)

q = pasangan.

2 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.

2.7.3.3 Analisis 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 disukai diberi nilai dimulai dari 1 dan seterusnya hingga ranking terakhir stimulus yang paling tidak disukai.

  2. Data Metrik

2.7.3.4 Memilih Prosedur Analisis Konjoin

  = Banyaknya level dari atribut = Banyaknya atribut

  =1

  =

  )} Rumus untuk nilai kepentingan relatif adalah:

  ( )

  Range nilai kepentingan relatif tiap atribut dapat dicari dengan rumus: = {

  = Atribut ke- level ke- (bernilai 1, jika level ke- dari atribut ke- terjadi; 0, jika tidak terjadi)

  ( = 1, 2, 3, ... , )

  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.

  = Utilitas dari atribut ke- ( = 1, 2, 3, ... , k) dan level ke-

  di mana: = Utilitas total dari tiap-tiap stimuli

  =1 =1

  Model dasar analisis konjoin secara matematis sebagai berikut (Supranto, 2004): =

  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.

  b.

  Menggunakan skala likert mulai dari 1 hingga 5 (1 = paling tidak disukai dan 5 = paling disukai).

• – (

di mana: = Bobot kepentingan relatif untuk tiap atribut = Range nilai kepentingan untuk tiap atribut

2.7.3.5 Analisis Regresi dengan Peubah Boneka (dummy)

  Analisis regresi dengan peubah boneka adalah suatu regresi yang variabel bebasnya merupakan variabel dummy . Di dalam hal ini, variabel bebas terdiri dari variabel

  

dummy untuk level dari atribut. Bila atribut mempunyai level sebanyak diberi kode,

  dinyatakan dalam − 1 variabel dummy, atau banyaknya variabel dummy = banyaknya kategori (level) dikurangi satu.

  Untuk atribut ke-i dengan level, variabel dummy-nya adalah

Tabel 2.2 Variabel Dummy Atribut ke- dengan level Level . . .

  1

  2 −1

  1 1 . . .

  2 1 . . . 3 . . .

  . . . . . . . . . . . . . . .

  . . .

  1 − 1 . . .

  Untuk membangun model regresi yang peubah bebasnya mengandung variabel kualitatif, salah satunya adalah menggunakan peubah boneka. Peubah boneka 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:

Tabel 2.3 Pengkodean taraf atau level

  Taraf Kode Taraf 1

  1 Taraf 2

  1 Taraf 3 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 taraf atau level atribut yang dikenal dengan istilah discrete choice, analisis yang dapat digunakan adalah model logit, metode perancangan dan pengukuran pada analisis konjoin salah satunya yaitu Self-Explicated Model. Pada model ini, responden diminta untuk menilai atribut dan mempertimbangkan atribut yang menurut mereka penting. Beberapa langkah metode model ini adalah sebagai berikut a.

  Pereduksian taraf Kepada responden ditunjukan semua taraf atau level dari masing- masing atribut, dan diminta untuk menghapus taraf atau level yang menurut mereka tidak penting, hal ini dilakukan untuk efisien taraf atau level yang dinilai memiliki pengaruh paling penting.

  b.

  Memberikan peringkat pada taraf atau level Responden diminta untuk memilih taraf atau level yang menurut mereka paling disukai dan yang paling tidak disukai untuk tiap atributnya. Kemudian, tara atau level dalam atribut yang sama diberikan peringkat.

  c.

  Memberikan peringkat pada atribut Responden diminta untuk mengurutkan atribut yang paling penting sampai dengan atribut yang tidak penting dari semua atribut. Hal ini dilakukan untuk mengetahui seberapa penting atribut yang satu dibandingkan dengan atribut yang lain.

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

  2.7.3.6 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.

  2.7.3.7 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 17. Pada pengukuran tersebut akan diketahui seberapa kuat hubungan antara estimasi dan actualnya atau seberapa tinggi Predictive accuracy nya.

2.8 Pengambilan Sampel

  2.8.1 Populasi dan Sampel

  Populasi adalah wilayah generelisasi yang terdiri atas; obyek atau subyek 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.

  2.8.2 Teknik Penarikan Sampel

  Krejcie dan Morgan (1970) dalam Uma Sekaran (1992) membuat daftar yang bisa dipakai untuk menentukan jumlah sampel yang benar-benar mewakili seluruh populasi, dapat dilihat pada lampiran 10 dan dengan rumus sebagai berikut:

  2

  (1 − ) =

  

2

  2

• Di mana: n = ukuran sampel N = ukuran populasi d = galat pendugaan

  (1 − ) − 1

  2

  = nilai chi-kuadrat P = proporsi populasi Berdasarkan pada perhitungan di atas, dapat diketahui beberapa keterangan mengenai tabel Krejcie-Morgan sebagai berikut:

  1. Tabel Krejcie-Morgan dapat dipakai untuk menentukan ukuran sampel.

  2. Asumsi tingkat keandalan 95%, karena menggunakan nilai

  2

  = 3,841 yang artinya memakai = 0,05 pada derajat bebas 1.

  3. Asumsi keragaman populasi yang dimasukkan dalam perhitungan adalah P(1- P), dimana P=0,5 4. Asumsi nilai galat pendugaan 5% (d=0,05).

  Dalam penelitian ini 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.