BAB VIII - CONJOINT ANALYSIS

Model skematik dari Conjoint Analysis tidak berbeda dengan Anova, diskriminan
ataupun model regresi dimana variabel independen > 1 dan variabel dependen
hanya satu. Yang berbeda adalah tingkat pengukuran dan permasalahan yang lebih
melibatkan masalah persepsi yang menyangkut preferensi atau opini atas suatu
obyek (stimuli).

X1
X2
X3 Y
.
Xp
non metric metric, ordinal

>1 variabel 1 variabel

Conjoint Analysis digunakan dalam penelitian yang menyangkut perceptual

evaluation atau psychological aspect seperti attitude, sehingga konsep utility
merupakan konsep dasar dalam penilaian value (worth) dari objek yang dipandang
sebagai stimuli.

Berbeda dengan analisis lainnya (regresi, diskriminan) dimana baik variabel

dependen maupun variabel independen umumnya adalah karakteristik dari objek
yang dicermati; dalam analisis conjoint, variabel dependen dan independen
merupakan karakteristik dari entitas yang terpisah, sehingga variabel independen
seringkali disebut faktor atau stimuli yang menghasilkan besaran variabel
dependen. Contoh: produk yang sama dengan warna-warna yang berbeda
(= stimuli, variabel independen) memberikan tingkat preferensi (variabel
dependen) yang berbeda untuk setiap orang.

Conjoint analysis akan identik dengan analisis tabel contingency 2 (tes

independensi) bila hanya melibatkan 1 (satu) variabel independen non metrik
(nominal). Bila variabel dependen metrik, conjoint analysis akan identik dengan
ANOVA, akan tetapi analisis conjoint dapat dilakukan pada tingkat individual .

Sama halnya dengan ANOVA yang melibatkan pengukuran non metrik, persoalan
akan timbul bila jumlah faktor (variabel independen) dan level setiap faktor terlalu
banyak. Dalam ANOVA hal tersebut menimbulkan persoalan banyaknya sampel
yang harus diambil dan dalam kasus analisis conjoint adalah kombinasi stimuli
yang bisa sangat banyak sehingga menyulitkan responden dalam memberikan

Conjoint Analysis Page 160

penilaian setiap profile (kombinasi level antar faktor) sehingga mengurangi
validitas dan reliabilitas penilaian.

Model analisis conjoint nampaknya lebih bersifat common sense tanpa

pendekatan analitis yang formal sehingga juga tidak ada asumsi normality,
homoscedasticity, ataupun independensi sebagaimana dijumpai dalam model
dependensi lainnya.

Prediksi dari model dilakukan dengan melihat korelasi antara output preferensi
model dengan judgment preferensi empiris dalam tingkat pengukuran ordinal
(ranking) dan bisa digunakan korelasi Pearson bila preferensi dalam rating
(dianggap metrik).

Assessment validasi juga dapat dilakukan dengan melihat goodness of fit dari hold
out sample (validated sample). Berbeda dengan model lainnya, hold out sample
bukan memisahkan sebagian dari sampel responden, tetapi dalam analisis conjoint
adalah dengan memisahkan sebagian dari profil (kombinasi level antar faktor).

Faktor (Variabel, Attribute) dan Level

Variabel independen dalam conjoint analysis seringkali disebut faktor atau

attribute dan karena variabel berada dalam tingkat pengukuran nominal, maka
nilai variabel hanyalah banyaknya kelompok dalam setiap variabel (faktor) yang
seringkali disebut level, tanpa ada perbedaan numerik antar level.

Dalam merencanakan analisis conjoint banyaknya faktor dan level perlu

dipikirkan dengan cermat karena akan menghasilkan jumlah profile (kombinasi
level antar faktor) yang meningkat eksponensial. Contoh untuk 2 faktor dengan
masing-masing 2 level akan ada 22 = 4 profile, tetapi 3 faktor dengan masing-
masing 3 level akan menghasilkan 33 = 27 profile.

Semakin banyak profile akan semakin menyulitkan bagi responden dalam

memberikan penilaian preferensi-nya, sehingga mungkin menghasilkan penilaian
yang tidak konsisten.

Walaupun demikian sebagian dari kombinasi yang dihasilkan mungkin tidak

diperlukan karena trivial seperti misalnya barang atau produk dengan kualitas
rendah dan harga tinggi sudah pasti akan menjadi preferensi terakhir bagi
responden. Diluar itu beberapa kombinasi mungkin tidak terlalu berbeda atau
berkorelasi sehingga redundant. Proses ortogonalisasi akan dapat mengurangi
jumlah profil yang dipandang redundant sehingga analisis bisa difokuskan pada
sejumlah profil yang ortogonal.

Conjoint Analysis Page 161

Secara umum dapat dikemukakan bahwa :

Jumlah minimum profile = (total banyaknya level banyaknya faktor + 1)

Contoh : Kasus yang melibatkan 3 faktor masing2 dengan 5 level (total 125
profile) memerlukan minimum profile yang harus dinilai = 15-3+1= 13

Utility dan Part-Worth

Konsep utility dalam teori ekonomi berkaitan dengan persepsi ataupun penilaian
seseorang (konsumen) tentang kegunaan, manfaat, nilai dari suatu produk untuk
dirinya. Semakin tinggi penilaian utility tersebut, semakin tinggi pula preferensi
konsumen untuk mendapatkan barang tersebut.

Suatu produk dalam kenyataannya mengandung berbagai atribut, elemen atau

komponen yang bisa berbeda (misalnya warna), bahan baku (plastik, logam) dan
lain-lain yang secara keseluruhan kombinasi dari komponen tersebut mungkin
menghasilkan persepsi preferensi yang berbeda bagi seseorang walaupun fungsi
dasar barang tetap sama.

Oleh karena itu konsep utility tersebut dipandang merupakan agregasi dari nilai-
nilai bagian (part-worth) dari setiap komponen. Contoh misalnya produk furnitur
sofa bisa terbuat dari bahan kulit atau kain (fabric) dan bisa ditampilkan dengan
warna berbeda-beda. Setiap orang memiliki preferensi yang berbeda-beda baik
untuk bahan ataupun warna. Preferensi juga akan berbeda untuk modelnya bisa
antik atau modern.

Utility untuk setiap profil = Total part-worth dari setiap level faktor = PW ij

dimana : i = level Sesuai kombinasi

j = faktor (profile)

Prosedur :
Responden menilai setiap profil dan menetapkan rank preferensi/utility baginya.
1. Hitung average ranking/rating untuk seluruh profil (Overall Average Rank):

R
rank 1 2 3 ...n , dimana n = banyaknya profile yg dinilai.
n n
2. Hitung rata-rata ranking/rating untuk setiap level(Average Rank of Level) dari

setiap faktor: R ij
rank , dimana i = level, j = faktor, dan nij = banyaknya
nij
profile yang melibatkan level i dan faktor j.
3. Hitung deviasi setiap level terhadap rata-rata ranking 2 1 R ij R . Bila
angka numerik terkecil menunjukkan preferensi tertinggi konversikan tanda
(+), (-) menjadi sebaliknya (reversed deviation).

Conjoint Analysis Page 162

4.
Hitung kuadrat deviasi: R ij R dan total kuadrat deviasi R
2

j i
ij R
2

.
5. Hitung standardized value
banyaknya level Number of level

total kuadrat deviasi
j
R ij R
i
2

6. Hitung standardized deviation
squared deviation (kuadrat deviasi) standardized value (1)
2
Rij R standardized value 1

Catatan:
Tanda (+, -) sesuai dengan reversed deviation (point 3).

7. Hitung estimated part-worth, PWij 1 | standardized deviation |

8. Hitung range of part-worth untuk setiap faktor:
R j max min part worth
Rj
9. Factor Importance 100%
R j

10. Untuk Conjoint Analysis, signifikasi model atau goodness of fit dapat
dilakukan melalui assessment predictive accuracy yaitu membandingkan
ranking hasil prediksi (estimated rank) dengan actual rank dan diuji
signifikasi korelasinya (Pearson atau Kendall correlation) .
Estimated rank = . dimana i = kombinasi setiap level (profile).
Profile yang memiliki Total part worth terbesar merupakan profile yang
memiliki estimated rank pertama (most prefered).

11. Berbeda dengan teknik analisa dependensi lainnya, analisa conjoint tidak
menggunakan asumsi homoscedasticity,normality dan independency variabel.

Conjoint Analysis Page 163

Contoh 1 (Hair, et.al., ed.5,1998)
To ilustrate a simple conjoint analysis, assume that the industrial cleaner experiment
was conducted with respondent who purchased industrial supplies. Each respondent
was presented with eight descriptions of cleanser products (stimuli/
profile)constructed from 3 factors with 2 levels each and asked to rank them in order
of preference for purchase (1 = most preferred, and 8 = least preferred). The eight
stimuli are described in Table 7.1, along with the rank orders given by two
respondents.
Table 7.1. Stimuli Descriptions and Respondent Rankings for Conjoint Analysis of
Industrial Cleanser

Stimuli Descriptions(Factors) Respondent Rankings

Form Ingredients Brand Respondent 1* Respondent 2
1 Liquid Phosphate-free HATCO 1 1
2 Liquid Phosphate-free Generic 2 2
3 Liquid Phosphate-based HATCO 5 3
4 Liquid Phosphate-based Generic 6 4
5 Powder Phosphate-free HATCO 3 7
6 Powder Phosphate-free Generic 4 5
7 Powder Phosphate-based HATCO 7 8
8 Powder Phosphate-based Generic 8 6
Overall Average Rank : R = ( 8=1 ): 8 = 4,5

Table 7.2 Average Ranks and Deviations for Respondents 1 and 2

Factor Level Ranks Across Average Rank Deviation from Overall

Stimuli of Level ( ) Average Ranka:
Respondent 1
Form
Liquid 1, 2, 5, 6 3.5 (3.5-4.5)= -1.0
Powder 3, 4, 7, 8 5.5 +1.0
Ingredients
Phosphate-free 1, 2, 3, 4 2.5 -2.0
Phosphate-based 5, 6, 7, 8 6.5 +2.0
Brand
HATCO 1, 3, 5, 7 4.0 -0.5
Generic 2, 4, 6, 8 5.0 +0.5

Respondent 2*
Form
Liquid 1, 2, 3, 4 2.5 -2.0
Powder 5, 6, 7, 8 6.5 +2.0
Ingredients
Phosphate-free 1, 2, 5, 7 3.75 -.75
Phosphate-based 3, 4, 6, 8 5.25 +.75
Brand
HATCO 1, 3, 7, 8 4.75 +.25
Generic 2, 4, 5, 6 4.25 -.25
a

Deviation = R ij R = Average Ranks of Level overall Average Rank (4.5). Note that
negative deviations imply more preferred rankings.

Conjoint Analysis Page 164



0.756
x100%
5.29
6 level : 10,5=
=

Form

Conjoint Analysis Page 165

Rescaling
Part-worth untuk setiap level akan terdiri dari nilai numerik (+) atau (-) sehingga
mungkin menyulitkan untuk melakukan komparasi. Untuk memudahkan
komparasi dapat dilakukan rescaling dengan:
a. Hilangkan semua tanda (-) pada setiap faktor dengan menambah sebesar nilai
negatif terbesar sehingga angka negatif terbesar (nilai terkecil) menjadi 0 ;
dan nilai part-worth lainnya akan > 0.
b. Rescaling berikutnya adalah konversi nilai part-worth relatif terhadap
banyaknya faktor.
part worth
banyaknya faktor 100
part worth
PWij
banyaknya faktor 100
PW
j i
ij

Reversal

Reversal adalah pola atau respondent preferrence pattern yang berlawanan

dengan prediksi normatif atau teoritis terhadap profile dari stimuli; misalnya
kualitas tinggi dengan harga rendah seharusnya memiliki preferensi tertinggi
dan sebaliknya untuk kualitas rendah dengan harga tinggi. Dalam kenyataan
mungkin saja ada jawaban preferensi yang berlawanan dengan prediksi teoritis
tersebut, dan jelas akan mempengaruhi pola pada tingkat agregat. Bila reversal
tersebut cukup signifikan dan juga validasi responden tersebut rendah, maka
sebaiknya data tersebut tidak digunakan.

Identifikasi reversal dapat dilakukan dengan melihat nilai part-worth dari setiap
level. Untuk kualitas tinggi seharusnya preferensi tinggi atau selisih antara level
kualitas tinggi dengan level kualitas rendah seharusnya negatif. Bila ternyata
sebaliknya dan perbedaan tersebut cukup besar dibandingkan responden lain,
maka potensi reversal untuk responden tersebut dapat dikategorikan cukup besar.
Pengujian lain adalah dengan melihat standard error dari perbedaan level. Bila
Z standard error diluar acceptance area, maka reversal dikategorikan
2
signifikan.

Agar software dapat mendeteksi reversal maka hubungan monotonic yang

diharapkan dalam preferensi teoritis merupakan input yang harus dimasukan
dalam software.

Conjoint Analysis Page 166

Goodness of Fit

Assessment goodness of fit dilakukan dengan melihat korelasi antara prediksi

preferensi (model) dengan dengan preferensi empiris yang diberikan responden.
Preferensi yang diberikan dalam bentuk rating sebenarnya berada pada tingkat
ordinal dan assessment goodness of fit dilakukan dengan menghitung Kendall ,
tetapi bila dianggap metric dapat dievaluasi dengan menghitung korelasi Pearson.

Pendekatan lain adalah dengan menghitung R2 (koefisien determinasi regresi) dari

sejumlah profile yang diambil sebagai sampel. Jadi ukuran sampel bukanlah
banyaknya responden tetapi banyaknya profile untuk sampel (lihat minimum
profile). Verifikasi kualitatif goodness of fit dilakukan tidak hanya kepada
responden dengan level goodness of fit yang rendah tetapi juga kepada responden
yang menunjukan level yang sangat tinggi.

Contoh 2 (Hair, et.al., 2010) :

Contoh berikut menyangkut preferensi produk industrial cleanser yang dinilai

dari 5 faktor dan level setiap faktor sebagai berikut:

Factor Level
1 Bentuk (form) Concentrate Powder Premixed
2 Banyaknya pemakaian (applications) 200 100 50
3 Disinfectants Ya Tidak
4 Biodegradable Ya Tidak
5 Harga/aplikasi 35 49 79 (cents)

Dari ke-5 faktor dengan levelnya masing-masing, maka banyaknya profile

{kombinasi/yang dapat dibentuk = (3 3 2 2 3)} = 108 kombinasi.

Jumlah kombinasi sebanyak itu tidak memungkinkan responden untuk

memberikan preferensi baik dalam bentuk rating maupun dalam bentuk ranking.
Setelah dilakukan proses ortogonalisasi, didapat sebanyak 18 profile ortogonal
dan 4 profile untuk validasi.
Ukuran sampel yang digunakan sebanyak 86 responden (dapat dilihat pada tabel
sebagai berikut:

Conjoint Analysis Page 167

 Tabel 6.9 Set of 18 Full-Profiles Used in the HBAT Conjoint Analysis
Experiment for Designing an Industrial Cleanser

Levels of Attributes
Profile # Product Form Number of Disinfectant Biodegradable Price per
Applications Quality Form Application
Profiles Used in Estimation of Part-Worths
1 Concentrate 200 Yes No 35 cents
2 Powder 200 Yes No 35 cents
3 Premixed 100 Yes Yes 49 cents
4 Powder 200 Yes Yes 49 cents
5 Powder 50 Yes No 79 cents
6 Concentrated 200 No Yes 79 cents
7 Premixed 100 Yes No 79 cents
8 Premixed 200 Yes No 49 cents
9 Powder 100 No No 49 cents
10 Concentrate 50 Yes No 49 cents
11 Powder 100 No No 35 cents
12 Concentrate 100 Yes No 79 cents
13 Premixed 200 No No 79 cents
14 Premixed 50 Yes No 35 cents
15 Concentrated 100 Yes Yes 35 cents
16 Premixed 50 No Yes 35 cents
17 Concentrated 50 No No 49 cents
18 Powder 50 Yes Yes 79 cents
Holdout Validation Profiles
19 Concentrated 100 Yes No 49 cents
20 Powder 100 No Yes 35 cents
21 Powder 200 Yes Yes 79 cents
22 Concentrated 50 No Yes 35 cents

Proses estimasi menghasilkan part-worth untuk overall sample dan contoh 5

responden adalah sebagai berikut:

Tabel 6.10 Conjoint Part-Worth Estimates for the Overall Sample and Five
Selected Respondents (107,110,123,129,135)

107
110
123
129
135

Untuk overall sample nilai ranking dari setiap responden dihitung rata 2 nya

Conjoint Analysis Page 168

Goodness of Fit

Tabel 6.11 Goodness of Fit Measures for Conjoint Analysis Result

: Reversal : Validasi rendah : Validasi tinggi

Dari tabel tersebut, responden 110, 229, 266, dan 372 memiliki validasi sample
yang rendah (rvalidation< 0,5); sehingga lebih baik dikeluarkan dari sampel.

Conjoint Analysis Page 169

Selain responden dengan validasi goodness of fit yang rendah, responden dengan
goodness of fit yang sangat tinggi juga perlu di-evaluasi, yaitu responden: 225,
303,396,422,518,538 dan 586 (validasi hold out sampel Kendalls ) sangat tinggi
= 1. Contoh Evaluasi dilakukan thd 225,396,586 dengan melihat apakah
hubungan antara part-worth estimates dengan preferrence structure-nya memang
reasonable.
Dari tabel di bawah ini dapat dilihat bahwa untuk responden 225 preferrence
structure-nya cukup reasonable, terbagi kepada setiap level faktor. Untuk
responden 396 walaupun preferrence structure-nya terkonsentrasi pada faktor
harga, pola yang ditunjukan masih reasonable (tidak ada reversal). Respondent
586, walaupun ada pertimbangan atas faktor Form dan Application tapi
pertimbangan utama masih pada Price. Evaluasi individual ini diperlukan utk
menilai apakah responden2 dengan penyimpangan2 seperti itu akan dikeluarkan
dari sampel atau tetap digunakan dalam perhitungan aggregate.

Table 6.12 Examining Part-Worth Estimates for Respondents with Extremely

High Goodness-of-Fit Values

225
396
586
Note: The goodness-of-fit values for the estimation are .990, 1.000, and .974, respectively. All three respondents have
goodness-of-fit values of 1.000 for the validation sample..52

Rescaling
Untuk contoh responden no 107
Product Form No of Applications Disinfectant Biodegradable Price per Application
Premixed Concentr Powder 50 100 200 yes no no yes $.35 $.49 $.79
Original Parth-worth Estimates
-.0556 .6111 -.5556 .4444 .6111 -1.0556 -.2083 .2083 .5417 -.5417 1.4444 .9444 -2.3889
Step 1.Restating Parth worths in relationship to minimum levels within each Attribute a
.5000 1.1667 .000 1.5000 1.6667 .000 .000 .4166 1.0834 .0000 3.8333 3.333 .000
Step 2.Rescaling the Part-worth Estimates b
18.52 43.21 0.000 55.56 61.73 0.000 0.000 15.43 40.13 0.000 141.96 123.46 .000
Step 1. Tambahkan nilai negatif terkecil dari level setiap faktor, sehingga rescaling utk level tsb menjadi = 0.000
Hitung Total Path worth yg baru=.5000+1.1667+.000+1.5000+1,6667+ = 13.5
Step 2. Bila total Path-worth di rescale (banyak faktor x 100) = 500, maka rescaled path worth utk misalnya Premixed
form = (.5000/13.5)500 = 18.52 dst

Reversal
Dari 86 respondent, 2 responden (382 dan 110) yang menunjukan reversal v
dengan perbedaan cukup besar dibandingkan responden lainnya yaitu responden
382 untuk preferensi antara tingkat harga 35 dan 49 cents (semakin mahal

Conjoint Analysis Page 170

semakin besar preferensinya) dan responden 110 untuk tingkat harga antara 49
dan 79 cents. Berbeda dengan pola normal responden 229
sesudah rescaling

Gambar 6.6. Identifikasi Reversals

Diluar respondent 382 dan 110, masih ada 10 respondent lain yg menunjukan pola
reversal walaupun tidak sebesar kedua respondent tersebut diatas kecuali 129.

Tabel 6.14 Identifying Reversals of the Monotonic Relationship in the Price per
Application Attribute
Possible Reversals Between Possible Reversals Between
Level 1 (35 cents) and Level 2 (49 cents) Level 2 (49 cents) and Level 3 (79 cents)
Respondent Part-Worth Differencea Respondent Part-Worth Differencea
382 112.68 110 83.33
194 15.87 129 55.56
580 12.82 194 15.87
260 12.66 538 12.82
370 11.90 440 8.77
336 11.49
514 9.80
a
The expected part-worth difference is negative (i.e., a decrease in utility as you go from 35 cents
to 49 cents or from 49 cents to 79 cents). Positive values indicate a possible violation of the
monotonic relationship.

Kesimpulan
Dari assessment goodness of fit disimpulkan bahwa 6 data responden perlu
dikeluarkan dari sampel (110,229,266,372 karena validasi rendah dan 382,129
juga 110 karena reversal), sehingga ukuran sampel menjadi 80.

Conjoint Analysis Page 171

Dengan ukuran sampel tersebut, part-worth untuk setiap level faktor dapat
dihitung ulang dan menghasilkan relative importance setiap faktor
range PW j max min PW j
100%
max min PW j
j

Tabel 6.15 Derived Attribute Importance Values for Overall Sample

and Three Selected Respondent

a
Attribute importance scores sum to 100 across all five attributes for each respondent.
b
Based on the 80 respondents remaining after elimination of each 6 respondent as the remedy for
reversals and poor model fit. (Respondent : 110,229,266,372 dan 382,129) dikeluarkan dari
sampel karena Validasi yang rendah dan/atau Reversal yang besar.

Perubahan banyaknya respondent akan merubah Part Worth dan Relative

Attribute Importance pada tingkat Overall (Aggregat) tetapi tidak merubah
preferensi individual. .Sebagai contoh, untuk responden 107 dengan data seperti
diatas

Product Form No of Applications Disinfectant Biodegradable Price per Application

Premixed |Concentr |Powder | 50 | 100 | 200 | | yes | no | | no | yes | | $.35 | $.49 | $.79
Original Parth-worth Estimates
Step 2.Rescaling the Part-worth Estimates b
18.52 43.21 0.00 55.56 61.73 0.00 0.00 15.43 40.13 0.00 141.96 123.46 0 .00

max min PW
j
j = (43,21+61,73+15,43+40,13+141,96) = 302,46

Maka relatif important setiap faktor : (tabel 6.15)

43,21
Faktor Product Form = 302,46 = 14,3
61,73
No of Application = 302,46 = 20,4
15,43
Disinfectant = 302,46 = 5,1
40,13
Biodegradable = 302,46 = 13,3
141,96
Price per Application = = 46,9
302,46

Conjoint Analysis Page 172