SEGMENTASI PASAR dan MENGGUNAKAN CORRESPONDE
SEGMENTASI PASAR MENGGUNAKAN
CORRESPONDENCE ANAYSIS
Oleh: Alia Lestari
Prodi Pendidikan Matematika STAIN Palopo
E-mail: [email protected]
Abstrak:
Correspondence Analysis digunakan untuk melihat hubungan antara dua atau lebih
variabel yang bersifat kategorik. Keterkaitan atau kedekatan suatu kategori pada
satu variabel dengan kategori pada variabel lainnya dapat dilihat melalui grafik yang
dihasilkan dari penerapan metode ini.
Kata Kunci: Correspondence Analysis, Variabel Kategorik, Segmentasi Pasar,
1.
Pendahuluan
Segmentasi merupakan upaya bisnis untuk dapat
melakukan strategi pemasaran dengan
lebih fokus.
Ketersediaan barang atau suatu merk produk sejenis di
pasaran menyebabkan konsumen mempunyai kesempatan
untuk membandingkan produk yang satu dengan yang
lainnya. Misalnya sebuah produsen sabun mandi memiliki
target pasar perempuan berjiwa muda yang dengan
menonjolkan fungsi sabun sebagai penghalus kulit,
sementara produsen sabun merek lain menargetkan
konsumennya adalah keluarga yang mengutamakan fungsi
sabun dalam melawan kuman-kuman penyakit. Hal ini
menyebabkan produsen memerlukan peta persepsi
konsumen terhadap produknya untuk mengetahui posisi di
tengah persaingan sehingga dapat disusun strategi
pemasaran yang tepat. Untuk keperluan pembuatan peta
persepsi ini dapat digunakan beberapa analisis mutivariat.
Kemiripan antar produk beserta atribut yang menjadi fokus
penelitian diterjemahkan dalam pengertian jarak antara dua
titik pada bidang atau ruang. Sehingga diperlukan
transformasi dari persepsi konsumen ke dalam bentuk vektor
dan matriks.
Sebagian besar analisis multivariat mensyaratkan
penggunaan variabel-variabel yang bersifat numerik. Syarat
ini relatif sulit dipenuhi karena pada beberapa kasus variabel
yang ditemui terkadang bersifat kategorik. Misalnya saja
jenis kelamin konsumen, pekerjaan, tingkat pendidikan,
kegiatan yang menjadi hobby dan sebagainya. Alternatif
analisis yang dapat dilakukan adalah analisis korespondensi.
155
Segmentasi Pasar Menggunakan ...| 156
Variabel kategorik juga dapat diperoleh dari variabel
numerik yang mengalami penggolongan. Misalnya
penghasilan konsumen yang bernilai rupiah dapat
dikategorikan menjadi tiga golongan yaitu rendah (kurang
dari 1 juta rupiah), sedang (1 – 3 juta rupiah) dan tinggi
(lebih dari 3 juta rupiah). Dengan demikian penggunaan
analisis korespondensi dapat lebih luas, karena tidak hanya
untuk variabel yang sifat dasarnya kategorik, namun juga
dapat mencakup variabel yang sifatnya numerik setelah
terlebih dahulu dilakukan penggolongan/pengkategorian.
2.
Bahan Dan Metode
Misalnya X dan Y adalah peubah kategorik dengan
masing-masing peubah mempunyai a dan b kategori. Hasil
pengamatan disajikan dalam tabel kontingensi a x b dengan
nij ≥ 0 menyatakan frekuensi dari sel ke (i, j). Matriks dari
frekuensi relatif dinyatakan sebagai berikut.
[ ]
∑ ∑
dengan
disebut sebagai matriks korespondensi, untuk
Misal vektor jumlahan baris dari matriks
Dan vektor jumlahan kolom dari matriks
adalah
adalah
Dengan 1 = (1,...,1)’ adalah sebuah vektor satuan, satuan
∑
vektor yang semua unsurnya bernilai 1, dan
∑
dan
Misal
[
]
[
]
Dengan
diag (r) dan
diag (c) merupakan sebuah
matriks diagonal yang masing-masing barukuran a x a dan b
x b[1]. Selanjutnya R didefinisikan sebagai :
157 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
[
]
maka a baris dari matriks Raxb, disebut profil baris-profil baris
(row profiles) dalam ruang berdimensi b. Jumlah dari unsurunsur profil baris (row profiles) adalah 1.
dengan
Misalkan didefinisikan profil baris ke-i sebagai
Bila C didefinisikan sebagai :
[
]
maka b baris dari matriks Cbxa, disebut profil kolom-profil
kolom (column profiles) dalam ruang berdimensi a.
Sebagai catatan jumlah unsur-unsur dari profil kolom-profil
kolom (column profiles) adalah sama dengan 1. Jika
didefinisikan profil kolom ke-j dengan , maka,
(
)
Seperti pada kasus profil baris, jumlah unsur-unsur pada
masing-masing profil kolom, sesuai harapan adalah 1.
Vektor
disebut sebagai rataan profil
baris atau pusat baris atau vektor dari massa baris.
Sedangkan vektor
disebut sebagai
rataan profil kolom atau pusat kolom atau vektor dari massa
baris. Rataan profil baris dan rataan profil kolom ini
merupakan rata-rata pembobot atau dengan kata lain rataan
profil baris dan rataan profil, kolom merupakan rata-rata
pembobot dari profil kolom dan profil baris. Lebih khusus,
∑
dengan
adalah
rataan profil baris adalah
profil baris. Lebih khusus, rataan profil baris adalah
[2].
∑
Dalam analisis korespondensi, a baris dari matriks yang
dibentuk dari dua kolom pertama F dan b baris dari matriks
yang dibentuk dari dua kolom pertama G secara umum
ditampilkan dalam satu grafik. Dalam plot, jarak antar titik
berhubungan dengan profil-profil baris atau antar titik
berhubungan dengan profil-profil kolom merupakan
Segmentasi Pasar Menggunakan ...| 158
pendekatan terhadap jarak chi square antar masing-masing
profil yang mencerminkan kemiripan antar produk.
Statistik uji chi square dari Pearson untuk menguji
kebebasan antara X dan Y adalah[3]:
∑∑
∑∑
dengan
)
(
∑
adalah akar karakteristik tak nol dari E
∑
[∑
]
∑
[
]
∑
dengan
merepresentasikan kuadrat jarak antara profil
Besaran
baris ke-i dan rata-rata profil baris. Jarak ini disebut jarak chi
mirip dengan jarak euclid
square. Kenyataanya
antara vektor
, kecuali jarak eucild
diboboti dengan unsur-unsur vektor c, rataan profil baris.
Besaran /n merupakan total inertia. Sedangkan ∑
menunjukan total inersia yang dinyatakan sebagai rata-rata
terboboti dari kuadrat jarak chi square antara profil baris
dengan rata-ratanya. Kuadrat jarak chi square antara dua
profil, misalkan
adalah
)
(
)
(
Hal tersebut, serupa dengan jarak kuadrat euclid
kecuali
) antara dua vektor
(
)
(
rataan profil digunakan sebagai pembobot. Jarak chi square
sebuah profil kolom dengan rataanya dan antara dua kolom
profil mempunyai definisi yang sama.
Langkah selanjutnya adalah menentukan dua atau tiga
subruang euclid dan memproyeksikan semua profil baris
kedalam subruang euclid tersebut. Untuk mencari subruang
euclid digunakan generalized singular value decomposition
(GSVD). GSVD dari matriks (M - rc’) adalah
dengan:
A adalah matriks berukuran a x p
B merupakan matriks berukuran b x p di mana berlaku A’
dan B’ A’
merupakan matriks diagonal yang mempunyai unsur-unsur
diagonal nilai singular
dari (M – rc’).
159 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
Matriks A dan B diperoleh dari penguraian nilai singular
(singular value decomposition) dari
.
Sebagai catatan
adalah akar karakteristik dari
TT’ sama dengan akar karakteristik dari E.
Misalkan akan direpresentasikan profil–profil baris dan
profil–profil kolom ke dalam ruang berdimensi k ( dengan k ≤
p ). Biasanya nilai k diambil 2 atau 3. Koordinat dari a profil
baris adalah a buah baris dari matriks yang dibentuk dengan
mengambil k kolom pertama dari F =
. Dan koordinat
dari b profil kolom adalah b buah baris dari matriks yang
dibentuk dengan mengambil k kolom pertama dari G =
.
Karena
total
inersia
adalah
∑
maka pendekatan ruang berdimensi p dengan ruang
mendekati total
berdimensi k adalah bagus jika ∑
mendekati 0 .
, atau alternatifnya jika ∑
inersia ∑
Besaran
dan seterusnya bisa diinterpretasikan sebagai
besarnya kontribusi yang diberikan kepada total inersia oleh
masing–masing dimensi pertama, dimensi kedua dan
sebagainya.
Dalam analisis korespondensi, a baris dari matriks yang
dibentuk dari dua kolom pertama F dan b baris matriks yang
dibentuk dari dua kolom pertama G secara umum
ditampilkan dalam satu grafik .Plot semacam ini disebut
symmetric plot dari titik-titik yang berhubungan dengan profilprofil baris dan profil-profil kolom. Dalam plot, jarak antar titik
berhubungan dengan profil-profil baris atau antar titik
berhubungan dengan profil-profil kolom merupakan
pendekatan terhadap jarak chi square antar masing-masing
profil. Tidak ada interpretasi yang mengindikasikan antara
dua titik, satu merupakan profil baris sedangkan yang
lainnya merupakan profil kolom. Oleh sebab itu, hanya jarak
antar titik yang berhubungan baik dengan dua baris atau dua
kolom[3].
3.
Contoh Penerapan
Data diperoleh dari hasil survey suatu perusahaan
marketing research di Jakarta (MARS Jakarta). Managemen
hotel Homann di Bandung berminat mengetahui segmen
pelanggan hotelnya, serta hotel-hotel lain di kota Bandung
untuk mendapatkan informasi persaingan di antara mereka.
Segmentasi Pasar Menggunakan ...| 160
Cara yang mereka gunakan adalah melakukan survei
terhadap responden yang merupakan penghuni hotel-hotel
di Bandung.
Teknik bertanya yang dilakukan adalah
personifikasi terhadap hotel. Artinya, responden diminta
memberikan penilaian bagaimana wujud hotel-hotel tersebut
seandainya mereka adalah manusia. Atribut yang diminta
penilaiannya adalah :
- USIA :
- 50 tahun
- PEKERJAAN :
- Pejabat
- Pengusaha
- PNS
- Karyawan Swasta
- SIFAT :
- Lambat
- Cekatan
- Agresif
Sedangkan nama hotel-hotel di Bandung yang disurvey
adalah :
1. Hotel Homann
2. Hotel Hyatt
3. Hotel Holiday Inn
4. Hotel Preanger
5. Hotel Panghegar
6. Hotel Santika
7. Hotel Sheraton
Data yang terkumpul berasal dari responden sebanyak 1415
orang.
Analysis of Indicator Matrix
Axis
1
2
3
4
5
6
7
8
9
10
11
Inertia
0.4640
0.3267
0.3042
0.2953
0.2618
0.2518
0.2460
0.2341
0.2151
0.1923
0.1786
Proportion
0.1428
0.1005
0.0936
0.0909
0.0806
0.0775
0.0757
0.0720
0.0662
0.0592
0.0550
Cumulative
0.1428
0.2433
0.3369
0.4277
0.5083
0.5858
0.6614
0.7335
0.7997
0.8588
0.9138
Histogram
*********************
*********************
*******************
*******************
****************
****************
***************
***************
*************
************
***********
161 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
12
13
Total
0.1597
0.1205
3.2500
0.0491
0.0371
0.9629
1.0000
**********
*******
Hasil dari analisis matriks indikator ini terbentuk 13
sumbu dengan total inersia sebesar 3.25, namun pada
sumbu kesepuluh nilai kumulatif proporsi inersianya sudah
mencapai 0.8588. Sehingga dengan 10 yang diambil,
varians data asli yang dapat dijelaskan relatif cukup besar
(85.88%), karena asosiasi antara variabel hotel dengan
variabel-variabel prediktornya dikelompokkan menjadi
sepuluh komponen (faktor), dimana masing-masing
komponen tersebut dapat menjelaskan data sebesar
proporsi masing-masing sumbu seperti yang terlihat pada
tabel diatas.
Analisis data secara deskriptif, dapat dilihat pada Burt
Tabel berikut :
Column Contribution
Component 1
Name Qual Mass
Inert
Coord
Component 2
Corr Contr
Homann
0,799 0,029 0,068 -0,985
0,126
Hyatt
0,895
0,106 0,048
0,04 0,065
0,749
0,06
Coord
Corr Contr
0,114 0,002
0,01 0,007
-0,027
-1,13 0,234 0,106
0,238
-0,531 0,024 0,012
0,012
Santika
Sheraton
0
0
0,858 0,063 0,048
0,902 0,028 0,068 -0,438 0,025 0,012 -0,862 0,095 0,065
1,641 0,346 0,252
0,87
0,747
0,178 0,073
50
0,171
-0,331
Preanger
0,071
-1,345 0,235
0,021
-0,452 0,032
0,02
Corr Contr
-0,425 0,034 0,024
0,59 0,055 0,026
Panghegar 0,959
0,001
Coord
-0,487 0,045 0,029
Holiday_Inn 0,946 0,034 0,066
0,849 0,039 0,065
Component 3
0,77 0,189
0,11
0,071 0,002 0,001
0,221 0,095
0,484 0,182 0,084
-0,231 0,022
0,012
0
1,132 0,465 0,261
-0,927 0,362 0,209
0,236
0,02
0,012
PNS
0,774 0,068 0,056
-1,036 0,402 0,158
-0,65 0,159 0,088
0,437 0,072 0,043
Swasta
0,981 0,032 0,067
-0,411 0,025 0,012
0,056
-0,317 0,015
Pengusaha 0,789 0,095 0,048
0,807
Pejabat
0,876 0,055
0,06
0,126 0,004 0,002
Lambat
0,599 0,085 0,051
-0,974 0,488 0,174
Cekatan
0,799 0,104 0,045
0
0
0,01
0,4 0,134 -0,289 0,052 0,024 -0,456 0,128 0,065
1,281
0,46 0,275
0,169 0,015 0,007
0,56 0,225 0,071 -0,088 0,006 0,002
0,432 0,052 0,034
-0,011
0
0
0,199 0,028 0,014
Segmentasi Pasar Menggunakan ...| 162
Agresif
0,954 0,061 0,058
0,4
0,051 0,021 -0,086 0,002
Component 4
Name
Homann
Coord
Component 5
Corr Contr
0,642 0,054
0,04
Coord
Corr
0,001
-0,327 0,034 0,021
Component 6
Component 7
Contr
Coord
Corr
Contr
Coord
Corr
Contr
-0,77 0,077 0,065
1,276
0,212
0,186
-0,126 0,002
0,002
0,107 0,089
Hyatt
-0,412 0,032 0,023
1,367 0,353 0,284
0,751
Holiday_Inn
-0,467 0,034 0,025
-1,524 0,367 0,303
-1,23 0,239 0,205
Preanger
-0,094 0,002
0,997
Panghegar
-1,473
0,001
0,187 0,145
0,182
0,147
-0,288 0,007 0,006
Santika
0,229 0,007 0,005
-0,454 0,027
Sheraton
0,664
0,14
0,09
-0,002
50
-0,4 0,058 0,036
0,164
0,01
PNS
0,405 0,061 0,038
0,099 0,004 0,003
-0,149 0,008 0,006
Swasta
-1,683
-0,669 0,065
0,285
0,012
0,034 -0,039
0,001
0,001
0,088 0,002
0,002
0,413 0,305
Pengusaha
0,123 0,009 0,005
Pejabat
0,26 0,019
0,013
Lambat
0,037 0,001
Cekatan
0,477 0,163
Agresif
0,307 0,058
-0,269
0,054
0
0,02
0,015
0
0,234 0,028
0,018
0,08
-0,249 0,044
0,025
0,059 0,003
-0,873 0,244 0,156
0,101 0,003
0,002
-0,312
Component 8
Name
0,007 -0,022
0,15
Component 9
0
0,01
0,012 0,008
0,001
0,031 0,023
-0,833
0,131
0,112
-0,299 0,014
0,012
-0,028
0
2,038 0,357 0,334
-0,893
0,102
0,092
0,548 0,096
0,074
0,165
0,021
0,012
0,178 0,013
0,01
-0,468
0,08 0,059
0,277 0,029
-0,949
0,131
0,117
0
0
-0,108 0,006
0,004
-0,296 0,063
0,037
0,661
0,14
Component 10
Corr
Contr
Coord
Corr
Contr
Coord
Corr
Contr
0,461
0,028
0,026
0,668
0,058
0,06
-0,192
0,005
0,006
Hyatt
-0,351
0,023
0,021
0,551
0,057
0,056
0,17
0,005
0,006
Holiday_Inn
-0,673
0,071
0,066
0,817
0,105
0,106
-0,255
0,01
0,012
Preanger
-0,231
0,01
0,009
-0,193
0,007
0,007
0,264
0,013
0,014
Panghegar
-1,337
0,154
0,151
-0,271
0,006
0,007
-0,511
0,022
0,027
1,39
0,248
0,235
-0,314
0,013
0,013
-0,468
0,028
0,032
Sheraton
0,323
0,033
0,027
-0,781
0,195
0,171
0,343
0,037
0,037
50
-0,023
0
0
-0,024
0
0
-0,961
0,335
0,32
PNS
-0,081
0,002
0,002
0,09
0,003
0,003
-0,3
0,034
0,032
0,108
163 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
Swasta
0,031
0
0
-1,194
0,208
0,211
0,876
0,112
0,127
0,01
0
0
-0,161
0,016
0,011
-0,435
0,116
0,094
Pejabat
0,065
0,001
0,001
0,861
0,208
0,189
0,621
0,108
0,11
Lambat
-0,177
0,016
0,011
0,158
0,013
0,01
0,197
0,02
0,017
Cekatan
-0,513
0,189
0,118
-0,317
0,072
0,049
-0,097
0,007
0,005
Agresif
1,133
0,411
0,332
0,325
0,034
0,03
-0,109
0,004
0,004
Pengusaha
Pada analisis column contribution ini terlihat bahwa
pada komponen atau faktor pertama, variabel yang
memberikan kontribusi yang besar adalah Lambat, PNS,
Pengusaha dan Preanger. Dapat disimpulkan bahwa
Lambat, PNS, Pengusaha adalah karakteristik yang dapat
menggambarkan Hotel Preanger. Pada komponen atau
faktor kedua, variabel yang memberikan kontribusi terbesar
adalah Sheraton, usia > 50 tahun dan Pejabat. Jadi, Hotel
Sheraton cenderung mirip dengan pejabat yang berusia >50
tahun. Komponen ketiga menggambarkan bahwa Hotel
Homann mirip dengan Hotel Santika yang mirip dengan
manusia berusia 30-50 tahun. Pada komponen keempat,
Hotel Panghegar digambarkan mirip dengan manusia yang
bersifat agresif dan bekerja di swasta. Komponen kelima
dibangun oleh variabel Hyatt, Holiday Inn dan Preanger.
Berarti Hotel Hyatt, cenderung mempunyai karakteristik yang
mirip dengan Hotel Holiday Inn dan Hotel Preanger.
Komponen keenam menggambarkan bahwa Hotel Homann
mirip dengan Hotel Hotel Holiday Inn, Hotel Preanger dan
Hotel Panghegar. Pada komponen ketujuh menggambarkan
bahwa Hotel Hyatt cenderung mempunyai karakteristik yang
sama dengan Hotel Panghegar yang mirip dengan manusia
yang mempunyai sifat agresif dan bekerja di swasta.
Komponen kedelapan hanya memperlihatkan bahwa Hotel
santika mempunyai karakteristik yang mirip dengan manusia
yang agresif. Pada komponen kesembilan variabel yang
memberikan kontribusi terbesar adalah Sheraton, Swasta,
Pejabat. Jadi dapat disimpulkan bahwa Hotel Sheraton
cenderung mirip dengan manusia yang bekerja sebagai
karyawan swasta atau pejabat. Sedangkan pada komponen
kesepuluh variabel yang memberikan kontribusi terbesar
adalah usia 50 dan swasta.
Sebagai analisis lebih lanjut, kita juga dapat melihat
column plot sebagai berikut :
Segmentasi Pasar Menggunakan ...| 164
Gambar 1.
Pada plot ini terlihat bahwa Hotel Homann cenderung
mirip dengan Hotel Preanger dan Hotel Panghegar yang
diidentifikasikan oleh responden sebagai personal yang
lambat, berusia 30-50 tahun, dan bekerja sebagai PNS atau
karyawan swasta. Hal ini sesuai dengan analisis pada
column contribution dimana variabel yang memberikan
kontribusi terbesar pada komponen 1 adalah Hotel
Preanger, PNS, Pengusaha dan Lambat.
Gambar 2.
Pada plot di atas juga terlihat bahwa Hotel Homann
cenderung
mirip
dengan
Hotel
Preanger
yang
diidentifikasikan oleh responden sebagai personal yang
lambat, berusia 30-50 tahun dan bekerja sebagai PNS atau
karyawan swasta.
Pada Plot ini terlihat kedekatan profil antara variabel
Panghegar, Swasta dan Agresif. Hal ini sesuai dengan
analisis column contribution, dimana pada komponen ke
empat, variabel yang mempunyai kontribusi terbesar adalah
variabel Panghegar, Swasta dan Agresif. Selain itu juga
dapat dilihat kedekatan profil antara variabel Homann,
Preanger, PNS, Lambat, Santika, dan 30-50 tahun.
165 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
Gambar 3.
Dari analisis column contribution, dan beberapa plot
diatas, dapat disimpulkan bahwa Hotel Homann
dipersonifikasikan oleh responden mirip dengan Preanger
dan Panghegar, yang ternyata merupakan hotel-hotel
bernuansa tradisional di Bandung. Ketiganya diidentifikasi
oleh responden sebagai personal yang cenderung lambat,
dan bekerja sebagai PNS atau karyawan swasta, serta
berusia 30-50 tahun.
Personifikasi ini kira-kira
menggambarkan segmen pengguna layanan ketiga hotel
tersebut.
Hasil analisis ini tentunya dapat memberikan masukan
buat manajemen Hotel Homann untuk memperbaiki kinerja
mereka yang menurut responden cenderung lambat.
4.
Kesimpulan
Pembuatan peta persepsi konsumen terhadap sebuah
produk sangat diperlukan oleh produsen karena dapat
menghemat biaya perusahaan yang mereka lakukan di
berbagai bentuk karena memiliki target yang jelas. Misalnya
saja, produsen sabun yang segmennya adalah wanita yang
menggunakan sabun untuk tujuan kehalusan kulit, tidak
perlu memasang iklan di televisi pada acara siaran langsung
tinju.
Untuk melakukan segmentasi pasar dengan variabel
yang bersifat kategorik, dapat digunakan analisis
korespondensi yang dapat menghasilkan keluaran berupa
grafik/gambar yang umumnya lebih mudah dipahami.
Interpretasi terhadap grafik dilakukan dengan melihat titiktitik kategori karakteristik apa yang dekat dengan produk
yang kita kaji segmennya.
Segmentasi Pasar Menggunakan ...| 166
Daftar Pustaka
Lebart L., Moreneu A., and Warwick M., Multivariate
Descriptive Statistics Analysis Correpondence Analysis
and Related Techniques for Large Matrices, John Wiley &
Sons Inc., 1984
Michael J.G., Theory and Aplications of Correspondence
Analysis. Academic Press Inc., 1984
Pauls G., Multidimensional Scaling, Concepts and
Aplications. 1989
Rusgiono A., Analisis Korespondensi untuk Pemetaan
Persepsi. Jurnal Media Statistika Vol. 3 No. 2 Desember
2010
CORRESPONDENCE ANAYSIS
Oleh: Alia Lestari
Prodi Pendidikan Matematika STAIN Palopo
E-mail: [email protected]
Abstrak:
Correspondence Analysis digunakan untuk melihat hubungan antara dua atau lebih
variabel yang bersifat kategorik. Keterkaitan atau kedekatan suatu kategori pada
satu variabel dengan kategori pada variabel lainnya dapat dilihat melalui grafik yang
dihasilkan dari penerapan metode ini.
Kata Kunci: Correspondence Analysis, Variabel Kategorik, Segmentasi Pasar,
1.
Pendahuluan
Segmentasi merupakan upaya bisnis untuk dapat
melakukan strategi pemasaran dengan
lebih fokus.
Ketersediaan barang atau suatu merk produk sejenis di
pasaran menyebabkan konsumen mempunyai kesempatan
untuk membandingkan produk yang satu dengan yang
lainnya. Misalnya sebuah produsen sabun mandi memiliki
target pasar perempuan berjiwa muda yang dengan
menonjolkan fungsi sabun sebagai penghalus kulit,
sementara produsen sabun merek lain menargetkan
konsumennya adalah keluarga yang mengutamakan fungsi
sabun dalam melawan kuman-kuman penyakit. Hal ini
menyebabkan produsen memerlukan peta persepsi
konsumen terhadap produknya untuk mengetahui posisi di
tengah persaingan sehingga dapat disusun strategi
pemasaran yang tepat. Untuk keperluan pembuatan peta
persepsi ini dapat digunakan beberapa analisis mutivariat.
Kemiripan antar produk beserta atribut yang menjadi fokus
penelitian diterjemahkan dalam pengertian jarak antara dua
titik pada bidang atau ruang. Sehingga diperlukan
transformasi dari persepsi konsumen ke dalam bentuk vektor
dan matriks.
Sebagian besar analisis multivariat mensyaratkan
penggunaan variabel-variabel yang bersifat numerik. Syarat
ini relatif sulit dipenuhi karena pada beberapa kasus variabel
yang ditemui terkadang bersifat kategorik. Misalnya saja
jenis kelamin konsumen, pekerjaan, tingkat pendidikan,
kegiatan yang menjadi hobby dan sebagainya. Alternatif
analisis yang dapat dilakukan adalah analisis korespondensi.
155
Segmentasi Pasar Menggunakan ...| 156
Variabel kategorik juga dapat diperoleh dari variabel
numerik yang mengalami penggolongan. Misalnya
penghasilan konsumen yang bernilai rupiah dapat
dikategorikan menjadi tiga golongan yaitu rendah (kurang
dari 1 juta rupiah), sedang (1 – 3 juta rupiah) dan tinggi
(lebih dari 3 juta rupiah). Dengan demikian penggunaan
analisis korespondensi dapat lebih luas, karena tidak hanya
untuk variabel yang sifat dasarnya kategorik, namun juga
dapat mencakup variabel yang sifatnya numerik setelah
terlebih dahulu dilakukan penggolongan/pengkategorian.
2.
Bahan Dan Metode
Misalnya X dan Y adalah peubah kategorik dengan
masing-masing peubah mempunyai a dan b kategori. Hasil
pengamatan disajikan dalam tabel kontingensi a x b dengan
nij ≥ 0 menyatakan frekuensi dari sel ke (i, j). Matriks dari
frekuensi relatif dinyatakan sebagai berikut.
[ ]
∑ ∑
dengan
disebut sebagai matriks korespondensi, untuk
Misal vektor jumlahan baris dari matriks
Dan vektor jumlahan kolom dari matriks
adalah
adalah
Dengan 1 = (1,...,1)’ adalah sebuah vektor satuan, satuan
∑
vektor yang semua unsurnya bernilai 1, dan
∑
dan
Misal
[
]
[
]
Dengan
diag (r) dan
diag (c) merupakan sebuah
matriks diagonal yang masing-masing barukuran a x a dan b
x b[1]. Selanjutnya R didefinisikan sebagai :
157 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
[
]
maka a baris dari matriks Raxb, disebut profil baris-profil baris
(row profiles) dalam ruang berdimensi b. Jumlah dari unsurunsur profil baris (row profiles) adalah 1.
dengan
Misalkan didefinisikan profil baris ke-i sebagai
Bila C didefinisikan sebagai :
[
]
maka b baris dari matriks Cbxa, disebut profil kolom-profil
kolom (column profiles) dalam ruang berdimensi a.
Sebagai catatan jumlah unsur-unsur dari profil kolom-profil
kolom (column profiles) adalah sama dengan 1. Jika
didefinisikan profil kolom ke-j dengan , maka,
(
)
Seperti pada kasus profil baris, jumlah unsur-unsur pada
masing-masing profil kolom, sesuai harapan adalah 1.
Vektor
disebut sebagai rataan profil
baris atau pusat baris atau vektor dari massa baris.
Sedangkan vektor
disebut sebagai
rataan profil kolom atau pusat kolom atau vektor dari massa
baris. Rataan profil baris dan rataan profil kolom ini
merupakan rata-rata pembobot atau dengan kata lain rataan
profil baris dan rataan profil, kolom merupakan rata-rata
pembobot dari profil kolom dan profil baris. Lebih khusus,
∑
dengan
adalah
rataan profil baris adalah
profil baris. Lebih khusus, rataan profil baris adalah
[2].
∑
Dalam analisis korespondensi, a baris dari matriks yang
dibentuk dari dua kolom pertama F dan b baris dari matriks
yang dibentuk dari dua kolom pertama G secara umum
ditampilkan dalam satu grafik. Dalam plot, jarak antar titik
berhubungan dengan profil-profil baris atau antar titik
berhubungan dengan profil-profil kolom merupakan
Segmentasi Pasar Menggunakan ...| 158
pendekatan terhadap jarak chi square antar masing-masing
profil yang mencerminkan kemiripan antar produk.
Statistik uji chi square dari Pearson untuk menguji
kebebasan antara X dan Y adalah[3]:
∑∑
∑∑
dengan
)
(
∑
adalah akar karakteristik tak nol dari E
∑
[∑
]
∑
[
]
∑
dengan
merepresentasikan kuadrat jarak antara profil
Besaran
baris ke-i dan rata-rata profil baris. Jarak ini disebut jarak chi
mirip dengan jarak euclid
square. Kenyataanya
antara vektor
, kecuali jarak eucild
diboboti dengan unsur-unsur vektor c, rataan profil baris.
Besaran /n merupakan total inertia. Sedangkan ∑
menunjukan total inersia yang dinyatakan sebagai rata-rata
terboboti dari kuadrat jarak chi square antara profil baris
dengan rata-ratanya. Kuadrat jarak chi square antara dua
profil, misalkan
adalah
)
(
)
(
Hal tersebut, serupa dengan jarak kuadrat euclid
kecuali
) antara dua vektor
(
)
(
rataan profil digunakan sebagai pembobot. Jarak chi square
sebuah profil kolom dengan rataanya dan antara dua kolom
profil mempunyai definisi yang sama.
Langkah selanjutnya adalah menentukan dua atau tiga
subruang euclid dan memproyeksikan semua profil baris
kedalam subruang euclid tersebut. Untuk mencari subruang
euclid digunakan generalized singular value decomposition
(GSVD). GSVD dari matriks (M - rc’) adalah
dengan:
A adalah matriks berukuran a x p
B merupakan matriks berukuran b x p di mana berlaku A’
dan B’ A’
merupakan matriks diagonal yang mempunyai unsur-unsur
diagonal nilai singular
dari (M – rc’).
159 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
Matriks A dan B diperoleh dari penguraian nilai singular
(singular value decomposition) dari
.
Sebagai catatan
adalah akar karakteristik dari
TT’ sama dengan akar karakteristik dari E.
Misalkan akan direpresentasikan profil–profil baris dan
profil–profil kolom ke dalam ruang berdimensi k ( dengan k ≤
p ). Biasanya nilai k diambil 2 atau 3. Koordinat dari a profil
baris adalah a buah baris dari matriks yang dibentuk dengan
mengambil k kolom pertama dari F =
. Dan koordinat
dari b profil kolom adalah b buah baris dari matriks yang
dibentuk dengan mengambil k kolom pertama dari G =
.
Karena
total
inersia
adalah
∑
maka pendekatan ruang berdimensi p dengan ruang
mendekati total
berdimensi k adalah bagus jika ∑
mendekati 0 .
, atau alternatifnya jika ∑
inersia ∑
Besaran
dan seterusnya bisa diinterpretasikan sebagai
besarnya kontribusi yang diberikan kepada total inersia oleh
masing–masing dimensi pertama, dimensi kedua dan
sebagainya.
Dalam analisis korespondensi, a baris dari matriks yang
dibentuk dari dua kolom pertama F dan b baris matriks yang
dibentuk dari dua kolom pertama G secara umum
ditampilkan dalam satu grafik .Plot semacam ini disebut
symmetric plot dari titik-titik yang berhubungan dengan profilprofil baris dan profil-profil kolom. Dalam plot, jarak antar titik
berhubungan dengan profil-profil baris atau antar titik
berhubungan dengan profil-profil kolom merupakan
pendekatan terhadap jarak chi square antar masing-masing
profil. Tidak ada interpretasi yang mengindikasikan antara
dua titik, satu merupakan profil baris sedangkan yang
lainnya merupakan profil kolom. Oleh sebab itu, hanya jarak
antar titik yang berhubungan baik dengan dua baris atau dua
kolom[3].
3.
Contoh Penerapan
Data diperoleh dari hasil survey suatu perusahaan
marketing research di Jakarta (MARS Jakarta). Managemen
hotel Homann di Bandung berminat mengetahui segmen
pelanggan hotelnya, serta hotel-hotel lain di kota Bandung
untuk mendapatkan informasi persaingan di antara mereka.
Segmentasi Pasar Menggunakan ...| 160
Cara yang mereka gunakan adalah melakukan survei
terhadap responden yang merupakan penghuni hotel-hotel
di Bandung.
Teknik bertanya yang dilakukan adalah
personifikasi terhadap hotel. Artinya, responden diminta
memberikan penilaian bagaimana wujud hotel-hotel tersebut
seandainya mereka adalah manusia. Atribut yang diminta
penilaiannya adalah :
- USIA :
- 50 tahun
- PEKERJAAN :
- Pejabat
- Pengusaha
- PNS
- Karyawan Swasta
- SIFAT :
- Lambat
- Cekatan
- Agresif
Sedangkan nama hotel-hotel di Bandung yang disurvey
adalah :
1. Hotel Homann
2. Hotel Hyatt
3. Hotel Holiday Inn
4. Hotel Preanger
5. Hotel Panghegar
6. Hotel Santika
7. Hotel Sheraton
Data yang terkumpul berasal dari responden sebanyak 1415
orang.
Analysis of Indicator Matrix
Axis
1
2
3
4
5
6
7
8
9
10
11
Inertia
0.4640
0.3267
0.3042
0.2953
0.2618
0.2518
0.2460
0.2341
0.2151
0.1923
0.1786
Proportion
0.1428
0.1005
0.0936
0.0909
0.0806
0.0775
0.0757
0.0720
0.0662
0.0592
0.0550
Cumulative
0.1428
0.2433
0.3369
0.4277
0.5083
0.5858
0.6614
0.7335
0.7997
0.8588
0.9138
Histogram
*********************
*********************
*******************
*******************
****************
****************
***************
***************
*************
************
***********
161 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
12
13
Total
0.1597
0.1205
3.2500
0.0491
0.0371
0.9629
1.0000
**********
*******
Hasil dari analisis matriks indikator ini terbentuk 13
sumbu dengan total inersia sebesar 3.25, namun pada
sumbu kesepuluh nilai kumulatif proporsi inersianya sudah
mencapai 0.8588. Sehingga dengan 10 yang diambil,
varians data asli yang dapat dijelaskan relatif cukup besar
(85.88%), karena asosiasi antara variabel hotel dengan
variabel-variabel prediktornya dikelompokkan menjadi
sepuluh komponen (faktor), dimana masing-masing
komponen tersebut dapat menjelaskan data sebesar
proporsi masing-masing sumbu seperti yang terlihat pada
tabel diatas.
Analisis data secara deskriptif, dapat dilihat pada Burt
Tabel berikut :
Column Contribution
Component 1
Name Qual Mass
Inert
Coord
Component 2
Corr Contr
Homann
0,799 0,029 0,068 -0,985
0,126
Hyatt
0,895
0,106 0,048
0,04 0,065
0,749
0,06
Coord
Corr Contr
0,114 0,002
0,01 0,007
-0,027
-1,13 0,234 0,106
0,238
-0,531 0,024 0,012
0,012
Santika
Sheraton
0
0
0,858 0,063 0,048
0,902 0,028 0,068 -0,438 0,025 0,012 -0,862 0,095 0,065
1,641 0,346 0,252
0,87
0,747
0,178 0,073
50
0,171
-0,331
Preanger
0,071
-1,345 0,235
0,021
-0,452 0,032
0,02
Corr Contr
-0,425 0,034 0,024
0,59 0,055 0,026
Panghegar 0,959
0,001
Coord
-0,487 0,045 0,029
Holiday_Inn 0,946 0,034 0,066
0,849 0,039 0,065
Component 3
0,77 0,189
0,11
0,071 0,002 0,001
0,221 0,095
0,484 0,182 0,084
-0,231 0,022
0,012
0
1,132 0,465 0,261
-0,927 0,362 0,209
0,236
0,02
0,012
PNS
0,774 0,068 0,056
-1,036 0,402 0,158
-0,65 0,159 0,088
0,437 0,072 0,043
Swasta
0,981 0,032 0,067
-0,411 0,025 0,012
0,056
-0,317 0,015
Pengusaha 0,789 0,095 0,048
0,807
Pejabat
0,876 0,055
0,06
0,126 0,004 0,002
Lambat
0,599 0,085 0,051
-0,974 0,488 0,174
Cekatan
0,799 0,104 0,045
0
0
0,01
0,4 0,134 -0,289 0,052 0,024 -0,456 0,128 0,065
1,281
0,46 0,275
0,169 0,015 0,007
0,56 0,225 0,071 -0,088 0,006 0,002
0,432 0,052 0,034
-0,011
0
0
0,199 0,028 0,014
Segmentasi Pasar Menggunakan ...| 162
Agresif
0,954 0,061 0,058
0,4
0,051 0,021 -0,086 0,002
Component 4
Name
Homann
Coord
Component 5
Corr Contr
0,642 0,054
0,04
Coord
Corr
0,001
-0,327 0,034 0,021
Component 6
Component 7
Contr
Coord
Corr
Contr
Coord
Corr
Contr
-0,77 0,077 0,065
1,276
0,212
0,186
-0,126 0,002
0,002
0,107 0,089
Hyatt
-0,412 0,032 0,023
1,367 0,353 0,284
0,751
Holiday_Inn
-0,467 0,034 0,025
-1,524 0,367 0,303
-1,23 0,239 0,205
Preanger
-0,094 0,002
0,997
Panghegar
-1,473
0,001
0,187 0,145
0,182
0,147
-0,288 0,007 0,006
Santika
0,229 0,007 0,005
-0,454 0,027
Sheraton
0,664
0,14
0,09
-0,002
50
-0,4 0,058 0,036
0,164
0,01
PNS
0,405 0,061 0,038
0,099 0,004 0,003
-0,149 0,008 0,006
Swasta
-1,683
-0,669 0,065
0,285
0,012
0,034 -0,039
0,001
0,001
0,088 0,002
0,002
0,413 0,305
Pengusaha
0,123 0,009 0,005
Pejabat
0,26 0,019
0,013
Lambat
0,037 0,001
Cekatan
0,477 0,163
Agresif
0,307 0,058
-0,269
0,054
0
0,02
0,015
0
0,234 0,028
0,018
0,08
-0,249 0,044
0,025
0,059 0,003
-0,873 0,244 0,156
0,101 0,003
0,002
-0,312
Component 8
Name
0,007 -0,022
0,15
Component 9
0
0,01
0,012 0,008
0,001
0,031 0,023
-0,833
0,131
0,112
-0,299 0,014
0,012
-0,028
0
2,038 0,357 0,334
-0,893
0,102
0,092
0,548 0,096
0,074
0,165
0,021
0,012
0,178 0,013
0,01
-0,468
0,08 0,059
0,277 0,029
-0,949
0,131
0,117
0
0
-0,108 0,006
0,004
-0,296 0,063
0,037
0,661
0,14
Component 10
Corr
Contr
Coord
Corr
Contr
Coord
Corr
Contr
0,461
0,028
0,026
0,668
0,058
0,06
-0,192
0,005
0,006
Hyatt
-0,351
0,023
0,021
0,551
0,057
0,056
0,17
0,005
0,006
Holiday_Inn
-0,673
0,071
0,066
0,817
0,105
0,106
-0,255
0,01
0,012
Preanger
-0,231
0,01
0,009
-0,193
0,007
0,007
0,264
0,013
0,014
Panghegar
-1,337
0,154
0,151
-0,271
0,006
0,007
-0,511
0,022
0,027
1,39
0,248
0,235
-0,314
0,013
0,013
-0,468
0,028
0,032
Sheraton
0,323
0,033
0,027
-0,781
0,195
0,171
0,343
0,037
0,037
50
-0,023
0
0
-0,024
0
0
-0,961
0,335
0,32
PNS
-0,081
0,002
0,002
0,09
0,003
0,003
-0,3
0,034
0,032
0,108
163 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
Swasta
0,031
0
0
-1,194
0,208
0,211
0,876
0,112
0,127
0,01
0
0
-0,161
0,016
0,011
-0,435
0,116
0,094
Pejabat
0,065
0,001
0,001
0,861
0,208
0,189
0,621
0,108
0,11
Lambat
-0,177
0,016
0,011
0,158
0,013
0,01
0,197
0,02
0,017
Cekatan
-0,513
0,189
0,118
-0,317
0,072
0,049
-0,097
0,007
0,005
Agresif
1,133
0,411
0,332
0,325
0,034
0,03
-0,109
0,004
0,004
Pengusaha
Pada analisis column contribution ini terlihat bahwa
pada komponen atau faktor pertama, variabel yang
memberikan kontribusi yang besar adalah Lambat, PNS,
Pengusaha dan Preanger. Dapat disimpulkan bahwa
Lambat, PNS, Pengusaha adalah karakteristik yang dapat
menggambarkan Hotel Preanger. Pada komponen atau
faktor kedua, variabel yang memberikan kontribusi terbesar
adalah Sheraton, usia > 50 tahun dan Pejabat. Jadi, Hotel
Sheraton cenderung mirip dengan pejabat yang berusia >50
tahun. Komponen ketiga menggambarkan bahwa Hotel
Homann mirip dengan Hotel Santika yang mirip dengan
manusia berusia 30-50 tahun. Pada komponen keempat,
Hotel Panghegar digambarkan mirip dengan manusia yang
bersifat agresif dan bekerja di swasta. Komponen kelima
dibangun oleh variabel Hyatt, Holiday Inn dan Preanger.
Berarti Hotel Hyatt, cenderung mempunyai karakteristik yang
mirip dengan Hotel Holiday Inn dan Hotel Preanger.
Komponen keenam menggambarkan bahwa Hotel Homann
mirip dengan Hotel Hotel Holiday Inn, Hotel Preanger dan
Hotel Panghegar. Pada komponen ketujuh menggambarkan
bahwa Hotel Hyatt cenderung mempunyai karakteristik yang
sama dengan Hotel Panghegar yang mirip dengan manusia
yang mempunyai sifat agresif dan bekerja di swasta.
Komponen kedelapan hanya memperlihatkan bahwa Hotel
santika mempunyai karakteristik yang mirip dengan manusia
yang agresif. Pada komponen kesembilan variabel yang
memberikan kontribusi terbesar adalah Sheraton, Swasta,
Pejabat. Jadi dapat disimpulkan bahwa Hotel Sheraton
cenderung mirip dengan manusia yang bekerja sebagai
karyawan swasta atau pejabat. Sedangkan pada komponen
kesepuluh variabel yang memberikan kontribusi terbesar
adalah usia 50 dan swasta.
Sebagai analisis lebih lanjut, kita juga dapat melihat
column plot sebagai berikut :
Segmentasi Pasar Menggunakan ...| 164
Gambar 1.
Pada plot ini terlihat bahwa Hotel Homann cenderung
mirip dengan Hotel Preanger dan Hotel Panghegar yang
diidentifikasikan oleh responden sebagai personal yang
lambat, berusia 30-50 tahun, dan bekerja sebagai PNS atau
karyawan swasta. Hal ini sesuai dengan analisis pada
column contribution dimana variabel yang memberikan
kontribusi terbesar pada komponen 1 adalah Hotel
Preanger, PNS, Pengusaha dan Lambat.
Gambar 2.
Pada plot di atas juga terlihat bahwa Hotel Homann
cenderung
mirip
dengan
Hotel
Preanger
yang
diidentifikasikan oleh responden sebagai personal yang
lambat, berusia 30-50 tahun dan bekerja sebagai PNS atau
karyawan swasta.
Pada Plot ini terlihat kedekatan profil antara variabel
Panghegar, Swasta dan Agresif. Hal ini sesuai dengan
analisis column contribution, dimana pada komponen ke
empat, variabel yang mempunyai kontribusi terbesar adalah
variabel Panghegar, Swasta dan Agresif. Selain itu juga
dapat dilihat kedekatan profil antara variabel Homann,
Preanger, PNS, Lambat, Santika, dan 30-50 tahun.
165 | al-Khwarizmi, Volume II, Edisi 2, Oktober 2014, Hal. 155 – 166
Gambar 3.
Dari analisis column contribution, dan beberapa plot
diatas, dapat disimpulkan bahwa Hotel Homann
dipersonifikasikan oleh responden mirip dengan Preanger
dan Panghegar, yang ternyata merupakan hotel-hotel
bernuansa tradisional di Bandung. Ketiganya diidentifikasi
oleh responden sebagai personal yang cenderung lambat,
dan bekerja sebagai PNS atau karyawan swasta, serta
berusia 30-50 tahun.
Personifikasi ini kira-kira
menggambarkan segmen pengguna layanan ketiga hotel
tersebut.
Hasil analisis ini tentunya dapat memberikan masukan
buat manajemen Hotel Homann untuk memperbaiki kinerja
mereka yang menurut responden cenderung lambat.
4.
Kesimpulan
Pembuatan peta persepsi konsumen terhadap sebuah
produk sangat diperlukan oleh produsen karena dapat
menghemat biaya perusahaan yang mereka lakukan di
berbagai bentuk karena memiliki target yang jelas. Misalnya
saja, produsen sabun yang segmennya adalah wanita yang
menggunakan sabun untuk tujuan kehalusan kulit, tidak
perlu memasang iklan di televisi pada acara siaran langsung
tinju.
Untuk melakukan segmentasi pasar dengan variabel
yang bersifat kategorik, dapat digunakan analisis
korespondensi yang dapat menghasilkan keluaran berupa
grafik/gambar yang umumnya lebih mudah dipahami.
Interpretasi terhadap grafik dilakukan dengan melihat titiktitik kategori karakteristik apa yang dekat dengan produk
yang kita kaji segmennya.
Segmentasi Pasar Menggunakan ...| 166
Daftar Pustaka
Lebart L., Moreneu A., and Warwick M., Multivariate
Descriptive Statistics Analysis Correpondence Analysis
and Related Techniques for Large Matrices, John Wiley &
Sons Inc., 1984
Michael J.G., Theory and Aplications of Correspondence
Analysis. Academic Press Inc., 1984
Pauls G., Multidimensional Scaling, Concepts and
Aplications. 1989
Rusgiono A., Analisis Korespondensi untuk Pemetaan
Persepsi. Jurnal Media Statistika Vol. 3 No. 2 Desember
2010