Con Joint
Con Joint
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
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
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).
Contoh : Kasus yang melibatkan 3 faktor masing2 dengan 5 level (total 125
profile) memerlukan minimum profile yang harus dinilai = 15-3+1= 13
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
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).
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).
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.
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.
0.756
x100%
5.29
6 level : 10,5=
=
Form
Reversal
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.
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)
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
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
Dari tabel tersebut, responden 110, 229, 266, dan 372 memiliki validasi sample
yang rendah (rvalidation< 0,5); sehingga lebih baik dikeluarkan dari sampel.
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
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.
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.
max min PW
j
j = (43,21+61,73+15,43+40,13+141,96) = 302,46