Praktikum
RISET PEMASARAN
Bagi Mahasiswa S1 Agribisnis
Disusun oleh:
Wahyu Dyah Prastiwi, S.Pt., MM, M.Sc.
Dr. Ir. Wiludjeng Roessali, M.Si
1
KATA PENGANTAR
Puji syukur penulis ucapkan kehadirat Allah SWT yang telah melimpahkan
Rahmat-Nya sehingga penulis dapat menyusun Panduan Praktikum Riset
Pemasaran. Panduan ini disusun sebagai arahan jalannya praktikum mata kuliah
Riset Pemasaran.
Penulis menyadari bahwa panduan ini masih memiliki banyak kekurangan,
oleh karena itu kritik dan saran dari berbagai pihak sangat diharapkan demi
kesempurnaan panduan praktikum ini di masa yang akan datang. Demikian kata
pengantar yang dapat penulis sampaikan, penulis menyampaikan terimakasih atas
perhatian dan koreksi dari berbagai pihak.
Penulis
2
DAFTAR ISI
Kata Pengantar 2
Daftar Isi 3
Daftar Pustaka 56
Lampiran 1. Data Responden 57
Lampiran 2. Format Cover 59
3
BAB I. PETUNJUK PELAKSANAAN PRAKTIKUM
1. TATA TERTIB
4
2. SISTEMATIKA LAPORAN PRAKTIKUM
5
3. LANGKAH-LANGKAH PRAKTIKUM
6
BAB II. DEFINISI RISET PEMASARAN
2. Perumusan masalah
Riset hanya dapat dirancang secara sistematis untuk memberikan informasi
berharga jika masalah yang dihadapi telah dirumuskan secara jelas dan akurat.
3. Perumusan hipotesis
Hipotesis merupakan jawaban yang bersifat sementara berdasarkan pokok
rumusan masalah yang disusun, sehingga kebenarannya masih perlu diuji
dengan menggunakan analisis statistika.
8
2. Desain riset Kuantitatif
Pada umumnya menggunakan alat uji statistika, misal: uji hipotesis, uji Chi-
Kuadrat, Anova, uji koefisien regresi – korelasi, dan uji statistika non
parametrik.
9
b. Data Sekunder: diperoleh dalam bentuk sudah jadi (sudah dikumpulkan
dan sudah diolah oleh pihak lain), biasanya dalam bentuk publikasi.
5. Menurut waktu pengumpulannya: data cross section & time series
Skala Likert Pernyataan yang me- Harga susu cair biasanya lebih mahal
nunjukkan tingkat ke-setujuan daripada harga susu bubuk.
atau ketidak setujuan STS TS N S SS
responden 1( ) 2( ) 3( ) 4( ) 5( )
10
Lanjutan
Jenis Keterangan Contoh
Skala Skala yang meng-hubungkan Konsumsi susu cair.
perbedaan dua kata yang saling
Semantik berlawanan, dimana Sehat . . . . . Tidak sehat
responden memilih sebuah Alami . . . . . Tidak alami
titik yang menunjukkan pen- Baik . . . . . Tidak baik
dapatnya.
Skala Suatu skala yang me- Bagi saya, terdapatnya variasi rasa
kepentingan nunjukkan tingkat kepentingan pada produk susu cair adalah
sejumlah SP P AP TP STP
atribut. 1 2 3 4 5
Skala ranking Skala yang menunjukkan Kualitas pelayanan pelanggan pada
ranking suatu atribut dari Susu Cimory adalah
“sangat jelek” hingga “sangat _ Baik sekali
baik” _ Cukup
_ Jelek
Skala Skala yang menunjukkan Jika harga susu cair turun maka saya
keinginan keinginan responden untuk akan:
membeli membeli. _ Pasti membeli
_ Mungkin membeli
_ Ragu-ragu
_ Mungkin tidak membeli
_ Pasti tidak membeli
Asosiasi kata Kata-kata disajikan satu per satu Kata apa yang pertama kali
dan responden menyebutkan muncul dalam pikiran Saudara
kata pertama yang muncul dalam ketika mendengar kata-kata
pikirannya. berikut?
Saya minum 2
Mengandung DHA
Apapun makanannya
Penyelesaian Sebuah kalimat yang belum Jika saya memilih sebuah label
kalimat lengkap disajikan dan responden organik, pertimbangan yang
diminta menyelesaikan kalimat paling penting dalam
tersebut. keputusan saya adalah
………….
11
Lanjutan
Jenis Keterangan Contoh
Penyelesaian cerita Sebuah cerita yang belum Silakan selesaikan cerita di
lengkap disajikan dan responden bawah ini!
diminta untuk menyelesaikan. Saya pergi ke minimarket.
Saya melihat bahwa penataan
interior toko rapi dan nyaman.
Hal ini menimbulkan pikiran
dan perasaan berikut dalam
diri saya: ……………..
Tes persepsi tematis Sebuah gambar disajikan dan
responden diminta untuk Gambar X
mengarang sebuah cerita
mengenai apa yang mereka
pikirkan, sedang atau mungkin Gambar Y
terjadi dalam gambar tersebut.
12
7. Analisis dan interpretasi data
Analisis data terdiri dari: editing, koding, tabulasi, analisis (misalnya uji statistik
dan non statistik) dan interpretasi data.
Macam analisis data:
a. Analisis dengan bantuan Ilmu Statistik
Mayoritas data riset pemasaran merupakan tipikal data statistik, sehingga
dianalisis dengan metode statistik.
b. Aplikasi Metode Statistik:
a. Statistik Deskriptif: menggambarkan berbagai karakteristik data
b. Statistik Induktif (Inferensi): inferensi terhadap sekumpulan data dari
satu sampel, misalnya: prediksi, estimasi, pengambilan keputusan, dsb.
c. Jenis Data Statistik:
a. Data Kualitatif: data kategori, tidak dapat dilakukan operasi matematika,
meliputi: data nominal & data ordinal.
b. Data Kuantitatif: dapat dilakukan operasi matematika, meliputi: data
interval & data rasio.
d. Analisis dengan bantuan Non Ilmu Statistik
Contoh: analisis sikap konsumen dengan Metode Fishbein, atau
Multiattribute Attitude Model, analisis Semantic Differential, Importance
Performance Analysis, optimasi biaya pemasaran, dll.
13
BAB III. MATERI RISET PEMASARAN
1. Perilaku Konsumen
ANALISIS FISHBEIN
Model Sikap Fishbein pada prinsipnya akan menghitung Ao (Attitude toward the
object), yaitu sikap konsumen terhadap sebuah objek, yang dikenali lewat atribut-
atribut yang melekat pada obyek tersebut. Konsumen dapat mengenali sebuah
obyek melalui cara: melihat, meraba, mencoba, menggunakan, merasakan obyek
tersebut untuk sekian waktu lamanya. Kemudian konsumen akan mempunyai sikap
tertentu terhadap obyek dikonsumsinya.
A. Langkah Analisis
a. Menentukan Salient Belief
Terdapat banyak atribut pada sebuah produk, sehingga akan bermakna jika
didapatkan informasi dari konsumen (responden) tentang atribut yang relevan atau
penting dari produk tersebut. Hal ini disebut sebagai Salient Belief. Dalam kasus ini,
atribut yang ditanyakan adalah Kualitas, Model Kemasan, Rasa dan Harga.
14
Contoh:
Susu merk A mempunyai desain kemasan yang menarik.
1 = Sangat Tidak Setuju
2 = Tidak Setuju
3 = Netral
4 = Setuju
5 = Sangat Setuju
Contoh:
Kemasan produk susu mempunyai desain menarik.
1 = Sangat Tidak Penting
2 = Tidak Penting
3 = Netral
4 = Penting
5 = Sangat Penting
Ao = Σ(bi x ei)
dimana:
Ao = sikap terhadap produk susu
Bi = keyakinan konsumen terhadap atribut I dari produk susu, sebelum ia
membeli atau menggunakannya
Ei = evaluasi konsumen terhadap atribut I dari produk susu secara umum tanpa
dikaitkan dengan merk tertentu
tanda Σ = penjumlahan dari sejumlah atribut I yang dalam hal ini ada 4 atribut
e. Data
Berikut merupakan data kasus sikap konsumen terhadap Susu merk SUSUKU.
15
A B C D E F G H I J
Belief Evaluation SIKAP
Respon- Kuali- War- Kuali-
No
den tas Model na Harga tas Model Warna Harga
1 Yuli 3 1 1 1 4 3 2 4
2 Widodo 4 1 2 2 3 4 2 2
3 Eka 3 2 3 3 3 3 1 3
4 Ika 2 2 2 2 4 3 3 2
5 Veronika 4 1 3 3 3 3 2 3
6 Vero 3 3 1 1 5 4 1 2
7 Fenny 3 3 1 1 5 4 1 2
8 Vanda 3 1 1 1 3 4 2 1
9 Rejeki 2 1 3 3 2 3 2 3
10 Sri 2 2 3 3 1 3 2 3
11 Susanto 2 2 3 3 2 3 3 3
12 Lestari 2 3 3 3 2 3 2 3
13 Murti 2 1 2 2 3 3 3 2
14 Agustina 2 1 3 3 3 5 3 3
15 Agustin 4 2 3 3 4 3 2 5
16 Agustinus 2 1 3 3 3 3 2 3
17 Timoti 2 2 3 3 3 3 3 5
18 Elsye 3 1 3 3 3 3 3 5
Rata-rata
Keterangan data:
1. Belief, yaitu kepercayaan konsumen akan suatu atribut, atau bagaimana
konsumen menilai kinerja atribut tertentu dari Susu merk A.
Skala Pengukuran:
1 = Sangat Tidak Setuju 3 = Netral 5 = Sangat Setuju
2 = Tidak Setuju 4 = Setuju
2. Evaluation, yaitu: seberapa penting atribut tertentu dari produk susu di mata
konsumen.
Skala Pengukuran:
1 = Sangat Tidak Penting 3 = Netral 5 = Sangat Penting
2 = Tidak Penting 4 = Penting
3. Contoh data:
Responden (konsumen) pertama, yaitu Yuli memberi angka 3 pada Belief –
Kualitas (sel B3). Hal ini berarti Yuli menganggap Kualitas Susu merk A cukup
baik, seperti kandungan protein, vitamin dan lainnya. Sedangkan untuk
Evaluation – Kualitas, ia memberi angka 4 (sel F3), yang berarti kualitas Susu
merk A adalah penting bagi Yuli dalam mempertimbangkan untuk membeli
susu. Oleh karena angka evaluation lebih tinggi dari angka belief, maka
sebenarnya Yuli menilai kualitas Susu merk SUSUKU tersebut masih
di bawah harapannya.
16
B. Pengisian
Hitung Sikap setiap Responden, rata-rata setiap atribut, dan rata-rata sikap
responden secara keseluruhan.
1) SIKAP RESPONDEN
Isilah kolom J dengan perkalian dari setiap belief (bi) dan evaluation (ei) untuk
setiap atribut tertentu: Ao = Σ(bi x ei)
A B C D E F G H I J
Belief Evaluation
Respon- Kuali- Kuali- SIKAP
No den tas Model Rasa Harga tas Model Rasa Harga
1 Yuli 3 1 1 1 4 3 2 4 21
2 Widodo 4 1 2 2 3 4 2 2 24
3 Eka 3 2 3 3 3 3 1 3 27
4 Ika 2 2 2 2 4 3 3 2 24
5 Veronika 4 1 3 3 3 3 2 3 30
6 Vero 3 3 1 1 5 4 1 2 30
7 Fenny 3 3 1 1 5 4 1 2 30
8 Vanda 3 1 1 1 3 4 2 1 16
9 Rejeki 2 1 3 3 2 3 2 3 22
10 Sri 2 2 3 3 1 3 2 3 23
11 Susanto 2 2 3 3 2 3 3 3 28
12 Lestari 2 3 3 3 2 3 2 3 28
13 Murti 2 1 2 2 3 3 3 2 19
14 Agustina 2 1 3 3 3 5 3 3 29
15 Agustin 4 2 3 3 4 3 2 5 43
16 Agustinus 2 1 3 3 3 3 2 3 24
17 Timoti 2 2 3 3 3 3 3 5 36
18 Elsye 3 1 3 3 3 3 3 5 36
Rata-rata 2.67 1.67 2.39 2.39 3.11 3.33 2.17 3 27.22
17
D. Analisis
Analisis Belief
Jika hasil dari rata-rata Belief diurutkan dari angka terbesar ke angka terkecil (sesuai
kriteria skala), didapat hasil:
Tabel 2. Keyakinan (Belief) atas SUSU merek SUSUKU
ATRIBUT SKALA
Kualitas 2.67
Rasa 2.39
Harga 2.39
Model kemasan 1.67
Dari tabel 2 terlihat bahwa atribut kualitas adalah yang paling bagus kinerjanya di
persepsi konsumen. Atau bisa dikatakan dalam membentuk sikap terhadap Susu
merk SUSUKU, konsumen mempunyai keyakinan (belief) bahwa kualitas
Susu merk SUSUKU adalah paling baik dibanding rasa, harga, dan model
kemasan. Model kemasan susu adalah atribut yang paling tidak disukai
konsumen.
Dengan demikian, manajer Pemasaran Susu merk SUSUKU dapat mengusulkan
ke bagian produksi untuk meningkatkan kualitas susu secara menyeluruh
terutama terkait rasa susu dan harga atau melakukan survey untuk mengetahui
kualitas susu seperti apa yang dikehendaki konsumen. Selain itu perusahaan bisa
tetap mempertahankan kualitas susu yang sudah diyakini konsumen mempunyai
kandungan gizi yang baik. Harga susu masih diyakini konsumen kurang
memuaskan, kemungkinan harga susu merek SUSUKU relatif lebih mahal
daripada merk lain, maka perusahaan bisa melakukan kegiatan promosi
penjualan atau pemberian diskon khusus pada masa tertentu.
Analisis Evaluation
Jika hasil dari rata-rata Evaluation diurutkan dari angka terbesar ke angka terkecil
(sesuai kriteria skala), didapat hasil:
Tabel 3. Evaluasi (Evaluation) atas SUSU merek SUSUKU
ATRIBUT SKALA
Model kemasan 3.33
Kualitas 3.11
Harga 3.00
Rasa 2.17
18
Dikaitkan dengan hasil analisis Belief sebelumnya, terlihat bahwa model kemasan
yang menjadi kriteria utama konsumen dalam membentuk sikap terhadap produk
susu, justru dinilai paling kecil oleh konsumen. Hal ini menandakan kualitas SUSU
merek SUSUKU disukai konsumen dan atribut kualitas juga menempati urutan
tinggi di persepsi konsumen.
Sedangkan atribut rasa yang menurut konsumen merupakan kriteria paling tidak
penting, ternyata malah dinilai baik oleh konsumen. Untuk atribut Harga, penilaian
relatif proporsional karena harga susu tidak begitu dinilai penting oleh konsumen
dan harga SUSU merek SUSUKU juga tidak dinilai jelek oleh konsumen.
Contoh 2:
Selain menanyakan pendapat para responden terhadap atribut-atribut Susu merk A,
kepada responden yang sama juga dapat ditanyakan bagaimana sikap mereka
terhadap Susu merk SUSUNYA, dari perusahaan pesaing utama.
19
A B C D E F G H I J
Belief Evaluation
Respon- Kualitas Model Rasa Harga Kualitas Model Rasa Harga SIKAP
No den
1 Yuli 2 3 2 4 4 3 2 4 37
2 Widodo 2 2 2 5 3 4 2 2 28
3 Eka 1 4 3 4 3 3 1 3 30
4 Ika 2 4 2 2 4 3 3 2 30
5 Veronika 3 3 3 3 3 3 2 3 33
6 Vero 1 5 2 2 4 3 2 1 25
7 Fenny 3 4 1 2 5 4 1 2 36
8 Vanda 3 5 3 1 3 4 2 1 36
9 Rejeki 2 3 3 3 2 3 2 3 28
10 Sri 2 2 3 3 1 3 2 3 23
11 Susanto 1 2 3 5 2 3 2 3 29
12 Lestari 2 3 3 3 2 3 2 3 28
13 Murti 3 2 1 4 3 3 3 2 26
14 Agustina 2 4 3 2 3 5 3 3 41
15 Agustin 3 2 3 3 4 3 2 5 39
16 Agustinus 2 3 3 3 3 3 4 3 36
17 Timoti 2 5 4 3 3 3 2 3 38
18 Elsye 1 5 3 5 3 3 3 5 52
Rata-rata 2.06 3.39 2.61 3.17 3.06 3.28 2.22 2.83 33.06
20
Analisis SIKAP KONSUMEN
Dari perhitungan didapat Ao (sikap konsumen) secara keseluruhan untuk merk
SUSUKU adalah 27.22. Sedangkan untuk merk SUSUNYA angka itu adalah
33.06. Dengan demikian secara keseluruhan konsumen lebih menyukai susu merk
B daripada susu merk SUSUKU. Walaupun merk SUSUKU unggul dalam kualitas,
namun karena atribut model kemasan masih kalah dibanding SUSUNYA dan
atribut model kemasan mempunyai tingkat kepentingan yang paling tinggi,
maka jika semua atribut diperhitungkan, konsumen cenderung lebih suka
terhadap merk SUSUNYA.
2. Sikap Konsumen
3. Kepuasan Konsumen
4. Kediaan Membayar (Willingness To Pay)
a. Konsep
Willingness to pay ialah harga tertinggi seseorang (konsumen) yang rela dibayarkan untuk
mendapatkan suatu manfaat baik berupa barang atau jasa, serta menjadikan tolak ukur
seberapa besar calon konsumen menghargai barang atau jasa tersebut. (Amelia, 2016).
c. Tahapan CVM
1) Pembangunan Hipotesis
Pasar Hipotesis pasar yang dimaksudkan disini ialah untuk memberikan gambaran
kepada responden terhadap masalah yang sedang di hadapi. Responden diharapkan
mampu mencermati masalah dengan baik sehingga mampu memberikan nilai WTP.
Peneliti dapat membuat kuisioner yang lengkap beserta dengan informasi mengenai
kondisi mengenai barang atau saja yang ingin diketahui nilai WTP nya.
EWTP = ∑𝑛𝑖=1 Wi
n
Keterangan :
EWTP = Dugaan rata-rata nilai
WTPWi= Nilai WTP ke-i
n= Jumlah responden
i= Respinden ke-I yang bersedia membayar
TWTP = EWTPi . P
Keterangan :
TWTP = Total WTP
P = Responden ke-i
EWTPi = Estimasi nilai rata-rata WTP ke-i responden
22
CONTOH KASUS ANALISIS
Tujuan pengujian dengan uji t adalah untuk mengetahui ada tidaknya perbedaan
secara signifikan pada rata-rata dua sampel bebas.
Contoh kasus:
Perbandingan pendapatan usaha A dengan sesama usaha (misal: usaha B) yang
mempunyai 10 sales. Pendapatan selama seminggu adalah sebagai berikut:
Sales Usaha A ke- Pendapatan yang Sales usaha B ke- Pendapatan yang
disetor disetor
1 2300000 1 4200000
2 2750000 2 3250000
3 3500000 3 3450000
4 3100000 4 4120000
5 2100000 5 4230000
6 2600000 6 2250000
7 3400000 7 3240000
8 4050000 8 3550000
9 3900000 9 2500000
10 2450000 10 4860000
11 3600000
12 3700000
13 4200000
14 5200000
15 4600000
23
Langkah analisis dengan menggunakan SPSS:
Input data pada file SPSS dan beri nama file data.
Klik Analyze: pilih Compare Means
Klik Independent Sample t Test
o Kotak Test Variable(s) : diisi Pendapatan
o Kotak Group Variable : Klik define group
24
Group Statistics
Sales N Mean Std. Deviation Std. Error Mean
Levene's
Test for
Equality of
Variances t-test for Equality of Means
Penda Equal - -
350840 590768
patan variances .153 .700 -.385 23 .704 135000. 860768
.089 .020
assumed 000 .020
Equal - -
344129 581327
variances not -.392 20.681 .699 135000. 851327
.336 .812
assumed 000 .812
Analisis Statistik:
1. Tabel Group Statistic
Sales Usaha A:
Banyak sampel (N) = 15 sales
Rata-rata pendapatan yang disetor seminggu = 3430000
Standar deviasi = 889381,808
Standar error mean = 229637,395
Sales Usaha B:
Banyak sampel (N) = 10 sales
Rata-rata pendapatan yang disetor seminggu = 3560000
Standar deviasi = 810503,958
Standar error mean = 256303,856
25
2. Tabel Independent Sample Test
Untuk menguji apakah varian populasi kedua sampel sama atau tidak sama
maka digunakan Levene Test for Equality of variances dan langkah pengujiannya
sebagai berikut:
Menentukan hipotesis:
H0 = kedua varian populasi (rata-rata pendapatan yang disetor dari sales
usaha A dan sales usaha B) adalah sama
Ha = kedua varian populasi (rata-rata pendapatan yang disetor dari sales
usaha A dan sales usaha B) adalah tidak sama
Kriteria keputusan:
Jika signifikansi ≥ 2% maka H0 diterima
Jika signifikansi < 2% maka H0 ditolak
Hasil pengujian:
Nilai F hitung rata-rata pendapatan yang disetor dari sales usaha A dan sales
usaha B dilihat pada output Equal variances assumed sebesar 0,153 dengan
signifikansi = 0,700 atau 70% > 2% maka H0 diterima; berarti varian rata-rata
pendapatan yang disetor dari sales usaha A dan sales usaha B adalah sama.
Sehingga pengujian rata-rata pendapatan yang disetor dari sales usaha A
dan sales usaha B menggunakan nilai kritis t hitung pada equal variances
assumed.
26
H0 diterima jika -2.500 ≤ t hitung ≤ +2.500
H0 ditolak jika t hitung < -2.500 atau t hitung > +2.500
d) Rumus pengujian
e) Keputusan
Berdasarkan pengujian disimpulkan sebagai berikut:
Karena nilai t hitung = -0.385 berada di antara ±2.500 maka H0 diterima,
berarti rata-rata pendapatan sales usaha A dan sales usaha B adalah sama.
Dari signifikansi = 70.4% > 2% maka H0 diterima, berarti rata-rata
pendapatan sales usaha A dan sales usaha B adalah sama.
27
Uji 2 Sampel (Kolmogorov-Smirnov)
Kasus diambil dari Sunyoto (2014).
Tujuan dari pengujian Kolmogorov-Smirnov pada kasus ini adalah menguji 2 sampel
independen dari 2 populasi yang mempunyai pola distribusi data yang sama atau
berbeda.
Hipotesis:
H0: Kedua sampel independen dari 2 populasi yang mempunyai pola distribusi data
yang sama.
Ha: Kedua sampel independen dari 2 populasi yang mempunyai pola distribusi data
yang berbeda.
Keputusan:
H0 diterima jika asymp.Sig (2-tailed) ≥
H0 ditolak jika asymp.Sig (2-tailed) <
Contoh Kasus:
Berikut hasil observasi yang dilakukan suatu perusahaan terhadap para pembeli
(responden) yang memberikan tanggapan daerah pemasaran yang dikelompokkan
menjadi wilayah 1 dan wilayah 2.
Pendapat mengenai prospek Daerah Pemasaran
penjualan Beras Organik Wilayah I Wilayah II
Sangat bagus 20 25
Bagus 30 15
Cukup bagus 15 20
Kurang bagus 5 7
Tidak bagus 2 5
Jumlah Responden 72 72
Hipotesis:
Tidak ada perbedaan pendapat dari para responden mengenai daerah pemasaran
wilayah 1 dan wilayah 2. ( = 1%)
Jawab:
H0: U1 = U2; berarti tidak ada perbedaan pendapat dari para responden mengenai
daerah pemasaran wilayah1 dan wilayah 2.
Ha: U1 U2; berarti ada perbedaan pendapat dari para responden mengenai
daerah pemasaran wilayah1 dan wilayah 2.
28
Langkah SPSS:
Input data
Klik Analyze: pilih Nonparametric Test
Klik Legacy Dialogs: 2 Independent Samples
Pada Test Variable List: Isikan jumlah responden
Pada Grouping Variable: isikan wilayah
Pada Define Groups: Group 1 isikan 1 (1 = wilayah 1), Group 2 isikan 2 (2 =
wilayah 2)
29
Bagian Test Type: pilih Kolmogorov-Smirnov Z
Klik Option: pilih Descriptive
Klik Continue
Klik OK (muncul output)
Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Frequencies
Wilayah N
Jumlresp Wilayah I 5
Wilayah II 5
Total 10
Test Statisticsa
Jumlresp
Positive .200
Negative -.200
Kolmogorov-Smirnov Z .316
Asymp. Sig. (2-tailed) 1.000
Analisis Statistik
1) Tabel Statistik Deskriptif
Untuk jumlah responden berdasarkan karakteristik pendapat:
Banyak data (N) = 10
Rata-rata (mean) data= 14.40
Standard deviation = 9.454
Data minimum =2
Data maksimum = 30
Daerah pemasaran berdasarkan wilayah:
Banyak data (N) = 10
Rata-rata (mean) data= 1.5000
Standard deviation = 0.52705
Data minimum =1
30
Data maksimum =2
2) Tabel Frekuensi
Banyak data wilayah 1(N) berdasarkan pendapat = 5
Banyak data wilayah 2(N) berdasarkan pendapat = 5
3) Tabel Tes Statistik
Perbedaan terbesar mutlak (most extreme differences):
absolute = 0.200; psoitive = 0.200, negative = -0.200
Nilai Kolmogorov Smirnov Z = 0.316
Nilai asymp sig (2-tailed) = 1.000 atau 100%
Kesimpulan:
Perbandingan antara nilai asymp.sig (2-tailed = 100%) dengan = 1%. Karena
100%> 1% maka H0 diterima berarti tidak ada perbedaan pendapat dari para
responden mengenai daerah pemasaran wilayah 1 dan wilayah 2.
31
ANALISIS FAKTOR
Dalam analisis faktor ini digunakan contoh kasus peningkatan pelayanan sebuah
swalayan. Seorang manajer swalayan ingin mengetahui variabel-variabel apa yang
dominan dipersepsikan oleh konsumen. Variabel-variabel tersebut kemudian dibuat
kuesioner dan disebarkan pada pengunjung swalayan sebanyak 100 orang sebagai
sampel. Variabel pertanyaan tersebut meliputi: kenyamanan, lokasi toko, kualitas
produk, harga produk, tempat parkir, kebersihan, pelayanan kasir, keberagaman
produk dan fasilitas, keindahan interior ruangan. Data dapat dilihat pada Lampiran
1.
32
Pada tabel KMO dan Bartlett's test di atas terlihat angka KMO Measure of sampling
Adequacy (MSA) adalah 0.568. Karena nilai 0.568 (> 0.5). Hal ini menunjukkan
kecukupan dari sampel. Angka KMO dan Bartlett's test (yang tampak pada nilai Chi-
Square) sebesar 574,473 dengan nilai signifikansi 0.000. Hal ini menunjukkan bahwa
ada korelasi antar variabel dan layak untuk proses lebih lanjut.
Selanjutnya untuk mengetahui variabel mana yang dapat diproses lebih lanjut dan
mana yang dikeluarkan dapat dilihat pada tabel Anti-image matrices di bawah ini.
Pada tabel Anti-image Matrices di atas, khusus pada bagian (anti Image Correlation)
terlihat angka yang bertanda (a) yang menandakan besaran MSA sebuah variabel.
Variabel kenyamanan 0.736, lokasi toko 0.659, Kualitas produk 0.569, harga produk
0.569, tempat parkir 0.520, kebersihan 0.652, pelayanan kasir 0.564, keberagaman
produk 0.581, fasilitas 0.811 dan keindahan interior 0.517. Nilai MSA masing-masing
variabel besarnya > 0.5 maka semua variabel dapat diproses lebih lanjut.
NB: Jika ada variabel yang nilai MSA < 0.5 maka dilakukan proses ulang dari awal
dengan mengeluarkan variabel tersebut yang nilai MSA < 0.5.
33
Pada Tabel Communalities, tampak bahwa variabel kenyamanan besar nilai
Extraction sebesar 0,551. Hal ini berarti sekitar 55,1% varians dari variabel
kenyamanan dapat dijelaskan oleh faktor yang terbentuk. Variabel lokasi toko 0,483
hal ini berarti 48,3% varian dari variabel lokasi toko dapat dijelaskan oleh faktor
yang terbentuk. Demikian juga untuk variabel yang lain. Semakin kecil nilai
communalities berarti semakin lemah hubungannya dengan faktor yang terbentuk.
Pada tabel Total Variance Explained di atas menunjukkan ada 4 faktor yang
terbentuk dari 10 variabel yang di masukkan. Masing-masing mempunyai faktor
eigenvalue > 1. Faktor 1 Eigenvalue sebesar 2,938 dengan variance (29,382%),
Faktor 2 Eigenvalue sebesar 2,024 dengan variance (20,237%), Faktor 3 Eigenvalue
34
sebesar 1,193 dengan (11,933%) dan Faktor 4 Eigenvalue sebesar 1,142 dengan
variance (11,422%).
Besarnya varians yang mampu dijelaskan oleh faktor baru yang terbentuk adalah
72,974% sedangkan sisanya 27,026% dijelaskan oleh faktor lain yang tidak diteliti.
35
Tabel. Rotated Component Matrix
Rotated Component matrix adalah nilai loading faktor dari tiap-tiap variabel.
Loading faktor merupakan besarnya korelasi antara faktor yang terbentuk dengan
variabel tersebut. Untuk variabel kenyamanan, korelasi antara variabel kenyamanan
dengan faktor 1 (0,173), faktor 2 (0,156), faktor 3 (-0,134), faktor 4 (0,692). Hal ini
dapat dikatakan bahwa:
Variabel lokasi toko nilai loading faktor dengan faktor 1 (0,265), faktor 2 (0,266),
faktor 3 (0,170), faktor 4 (0,560). Maka variabel lokasi toko masuk ke Faktor 4.
Variabel kualitas produk nilai loading faktor dengan faktor 1 (0,161), faktor 2
(0,942), faktor 3 (-0,940), faktor 4 (0,40). Maka variabel kualitas produk
masuk Faktor 2.
Variabel harga produk nilai loading faktor dengan faktor 1 (0,952), faktor 2 (0,163),
faktor 3 (0,021), faktor 4 (0,081). Maka variabel harga produk masuk Faktor 1.
Variabel tempat parkir nilai loading faktor dengan faktor 1 (-0,088), faktor 2 (-
0,110), faktor 3 (0,936), faktor 4 (0,081). Maka variabel tempat parkir masuk
ke Faktor 3.
36
Variabel kebersihan nilai loading faktor dengan faktor 1 (0,233), faktor 2 (0,055),
faktor 3 (0,413), faktor 4 (-0,110). Maka variabel kebersihan masuk Faktor 3.
Variabel pelayanan kasir nilai loading faktor dengan faktor 1 (0,166), faktor 2
(0,953), faktor 3 (-0,41), faktor 4 (-0,078). Maka variabel pelayanan kasir masuk
ke Faktor 2.
Variabel keberagaman produk nlai loading faktor dengan faktor 1 (0,948), faktor 2
(0,176), faktor 3 (0,035), faktor 4 (0,036). Maka variabel keberagaman produk
masuk Faktor 1.
Variabel fasilitas faktor nlai loading dengan faktor 1 (0,210), faktor 2 (0,206),
dengan faktor 3 (-0,023) dan faktor 4 (0,643). Maka variabel fasilitas masuk
ke Faktor 1.
Variabel keindahan interior nilai loading faktor dengan faktor 1 (0,948), faktor 2
(0,176), faktor 3 (0,035), faktor 4 (0,078). Maka variabel keindahan interior
masuk Faktor 1.
37
3. Faktor 3 terdiri dari variabel kebersihan dan keindahan interior. Diberi
nama Faktor Kebersihan.
4. Faktor 4 terdiri dari variabel kenyamanan dan variabel lokasi toko. Diberi
nama Faktor Akses.
Catatan.
Analisis faktor dapat juga digunakan sebagai salah satu analisis untuk
menanggulangi masalah multikolinieritas dalam regresi berganda, yaitu dengan
mereduksi variabel-variabel independen yang mengalami masalah multikolineritas
38
ANALISIS CHI SQUARE
dimana:
= Nilai Chi-Square
fo = frekuensi observasi/pengamatan
fe = frekuensi ekspetasi/harapan
Contoh kasus
Perusahaan distributor buah ingin mengetahui apakah ada hubungan antara gender
dengan sikap mereka terhadap konsumsi buah. Untuk itu mereka meminta 25
responden mengisi identitas mereka dan sikap atau persepsi mereka terhadap
produknya.
Permasalahan: Apakah ada hubungan antara gender dengan sikap terhadap kualitas
buah impor?
Hipotesis :
H0 = Tidak ada hubungan antara gender dengan sikap terhadap kualitas buah impor
H1 = Ada hubungan antara gender dengan sikap terhadap kualitas buah impor
Apabila nilai signifikansi Chi-Square < 0.05 atau nilai Chi-Square hitung lebih besar
(>) dari nilai Chi-Square table maka tolak hipotesis nol (H0)
39
Data dari keduapuluh lima responden dapat dilihat pada tabel di bawah ini.
Keterangan:
Gender : 1 = Laki-laki; 2 = Wanita, Sikap: 1 = berkualitas, 2 = Tidak berkualitas
Langkah-langkah SPSS
1. Analyze > Descriptive Statistics > Crosstab
2. Masukkan variabel Gender ke dalam kotak Row
3. Masukkan variabel Sikap ke dalam kotak Column
4. Klik untuk pilihan Statistics
5. Pilih menu Chi-Square, tekan Continue
6. Pilih Cell, Observed, tekan Continue
7. Klik Ascending, tekan Continue
8. Tekan OK
40
Hasil output SPSS
Pada tabel case processing summary di atas menunjukkan bahwa input data ada 25
responden dan tidak ada data yang tertinggal.
Gender*Sikap
Pada tabel crossstabulasi antara gender*sikap di atas tampak bahwa gender laki-
laki berjumlah 12 responden. Sebanyak 12 responden laki-laki
bersikap/menganggap buah impor berkualitas sedangkan 5 responden bersikap
menganggap buah impor tidak berkualitas. Sedangkan 13 responden bergender
wanita yang menganggap produk buah impor berkualitas sebanyak 6 responden
dan yang bersikap menganggap buah impor tidak berkualitas ada 7 responden.
Pada tabel Chi-Square test di atas dapat diketahui bahwa nilai signifikansi p-value
sebesar 0.543 dan nilai Chi-Square sebesar 0.371. Karena nilai signifikansi 0.543 >
(0.05) maka hipotesis null diterima yang berarti bahwa tidak ada hubungan antara
gender dengan sikap terhadap kualitas buah impor
41
5. ANALISIS REGRESI ORDINAL
Variabel dependen untuk minat belajar diukur dengan golongan, kategori skala
empat Likert: sangat puas, tidak puasa, puas dan sangat puas.
Variabel demografi misalnya gender dan pendidikan. Suasana belajar menyangkut
masalah lokasi, sarana dan prasarana, fasilitas penunjang dan waktu.
Untuk membangun model regresi ordinal yang perlu diperhatikan adalah variabel
mana yang harus dimasukkan ke dalam model dan memilih fungsi hubungan
(misal: logit link atau complementary link) yang menunjukkan kesesuaian model.
Selain itu, model statistik yang sesuai, keakuratan hasil klasifikasi dan validasi
model, misalnya parallel lines, umumnya digunakan untuk menyeleksi model yang
terbaik.
Seperti penjelasan di atas, regresi ordinal adalah regresi dimana variabel dependen
atau terikat yang menggunakan skala ordinal.
Terdapat lima pilihan regresi ordinal atau disebut option link. Pilihannya tergantung
dari distribusi data yang dianalisis. Kelima option link tersebut adalah:
1. Logit. program SPSS secara default menggunakan opsi ini. Digunakan pada
kebanyakan distribusi data.
2. Complementary log-log. Digunakan untuk data yang mempunyai
kecenderungan bernilai tinggi.
3. Negative Log-log. Digunakan untuk data yang mempunyai kecenderungan
rendah.
4. Probit. Digunakan jika variabel laten terdistribusi secara normal.
5. Cauchit (Inverse Cauchy). Digunakan jika variabel laten mempunyai nilai yang
ekstrim
Contoh Kasus
Produsen peralatan hidroponik ingin mengetahui peluang memasarkan set media
tanam hidroponik kepada calon konsumen.
42
Seorang peneliti ingin mengetahui hubungan antara gender dan minat belajar
budidaya hidroponik. Variabel independen terdiri dari gender dan kelas social
pengunjung sedangkan variabel dependen adalah minat belajar diukur dalam 3
tingkatan yaitu rendah, sedang dan tinggi.
43
Pilih Output dan tik kotak Predicted category, Estimated response
probabilities dan Test of parallel lines. Klik Continue.
Pseudo R-Square
Tabel Pseudo R-Square menunjukkan bahwa seberapa besar variabel bebas (gender
dan nilai prestasi) mampu menjelaskan variabel independen (minat belajar). Nilai ini
seperti halnya koefisien determinasi pada regresi. Nilai Cox and Snell sebesar 0,044
(4,4%) dan Nagelkerke sebesar 0,052 (5,2%).
44
Parameter Estimates
Tabel Parameter Estimate di atas, perhatikan nilai Wald dan nilai signifikansinya.
Variabel nilai prestasi sebesar 6.177 dengan sig. 0,013 (< 0,05) dan variabel gender
sebesar 9,163 dengan sig.0,02 (< 0,05). Hal ini menunjukkan faktor nilai prestasi dan
gender berpengaruh terhadap minat belajar.
Tabel Test of Parallel Lines digunakan untuk menguji asumsi bahwa setiap kategori
memiliki parameter yang sama atau hubungan antara variabel independen dengan
logit adalah sama untuk semua persamaan logit. Oleh karena nilai signifikansi 0,648
(> 0,05), maka terima H0 bahwa model yang dihasilkan memiliki parameter yang
sama sehingga pemilihan link function adalah sesuai. Namun sebaliknya bila asumsi
ini tidak terpenuhi, maka pemilihan link function logit tidak tepat.
45
6. ANALISIS KONJOINT
Definisi
Analisis Konjoin (Conjoint analysis atau Consider jointly) adalah suatu teknik
analisis yang dapat digunakan untuk menentukan tingkat kepentingan relatif
berdasarkan persepsi pelanggan terhadap suatu produk tertentu dan nilai kegunaan
yang muncul dari atribut-atribut produk tersebut. Analisis konjoin adalah suatu
teknik analisis peubah ganda yang secara spesifik digunakan untuk memahami
bagaimana keinginan atau preferensi konsumen terhadap suatu produk atau jasa
dengan mengukur tingkat kegunaan dan nilai kepentingan relatif berbagai atribut
suatu produk (Hair et al., 1998).
Analisis konjoin menggambarkan sifat atau kondisi preferensi konsumen
berdasarkan analisis consumer trade-offs dari berbagai atribut produk. Analisis ini
tergolong dalam metode analisis multivariat yang dikembangkan secara khusus
untuk mengetahui preferensi responden pada suatu objek berdasarkan penilaian
terhadap masing-masing objek tersebut. Dengan demikian analisis konjoin tepat
digunakan dalam menentukan strategi pemasaran bahkan menentukan segmentasi
pasar berdasarkan preferensi konsumen terhadap atribut produk.
Analisis konjoin dapat membantu melakukan kuantifikasi utilitas bagi
konsumen potensial yang akan membeli berdasarkan atribut-atribut produk
tertentu. Melalui kuantifikasi utilitas atribut produk, maka utilitas optimal dari
atribut dapat diidentifikasi dan digunakan untuk merancang produk dengan atribut-
atribut yang paling disukai konsumen (Mennecke et al., 2007). Hasil dari analisis ini
adalah identifikasi kombinasi atribut yang paling disukai konsumen dan identifikasi
kepentingan relatif dari setiap atribut.
Model konjoin mengasumsikan bahwa produk dapat didefinisikan sebagai
suatu serial dari tingkat atribut spesifik, serta utilitas konsumen total ditentukan
oleh utilitas parsial (part-worths) yang disumbangkan oleh setiap tingkat atribut.
Pada prinsipnya analisis ini bertujuan untuk memperkirakan pola pendapat
responden, dan membandingkannya dengan pendapat responden yang sebenarnya.
Filosofi dari teknik analisis ini ialah setiap stimulus produk yang ditawarkan di pasar
akan dievaluasi oleh konsumen sebagai suatu kumpulan atribut-atribut tertentu.
Atribut yang diukur berdasarkan kategori maka fungsi kegunaannya mengandung
dugaan part-worth atau disebut utility function, yaitu kegunaan atau utility yang
dikaitkan oleh pelanggan pada tingkatan atau level. Dengan fungsi part-worth dapat
diperoleh tingkatan preferensi konsumen terhadap atribut yang diberikan. Oleh
karena itu, teknik ini sangat bermanfaat dalam pemasaran untuk mengetahui
preferensi konsumen terhadap suatu produk yang diluncurkan di pasar.
46
Kegunaan
Manfaat yang dapat diambil dari penggunaan analisis konjoin ini adalah
produsen dapat mencari solusi kompromi yang optimal dalam merancang atau
mengembangkan suatu produk. Analisis konjoin tepat digunakan untuk menjawab
dua pertanyaan tentang bagaimana tingkat kepentingan atribut produk dan model
produk apa yang paling disukai konsumen dalam pengembangan produk baru.
Menurut Green & Krieger (1991) analisis ini dapat juga dimanfaatkan untuk:
1. Merancang harga
2. Memprediksi tingkat penjualan atau penggunaan produk (market share), uji
coba konsep produk baru.
3. Segmentasi preferensi.
4. Merancang strategi promosi.
Dalam pemasaran teknik analisis konjoin biasanya digunakan untuk hal-hal
sebagai berikut:
1. Menentukan tingkat kepentingan relatif setiap atribut pada proses pemilihan
sesuai konsumen.
2. Membuat estimasi pangsa pasar suatu produk tertentu yang berbeda tingkat
atributnya.
3. Menentukan komposisi produk yang optimum paling disukai oleh konsumen.
4. Mengidentifikasi segmentasi pasar yang didasarkan pada kemiripan preferensi
terhadap tingkat-tingkat atribut.
5. Mengevaluasi implikasi perubahan keputusan marketing-mix.
Dalam bidang pertanian, analisis konjoin telah banyak digunakan oleh para
peneliti untuk mengkuantifikasi preferensi konsumen buah dan sayuran (Baker
1999, Baker & Burnham 2001, Frank et al. 2001, Manalo 1990, van der Pol & Ryan
1996, Fotopoulos & Krystallis 2003); preferensi atribut makanan (Baker & Burnham
2001, Fotopoulos & Krystallis 2001, Gillespie et al. 1998, Halbrendt et al. 1991,
Harrison et al. 1998, Holland & Wessells 1998), serta preferensi untuk produk
pertanian lainnya (Huang & Fu 1995, Harrison et al. 2002, Krystallis & Ness 2005).
Langkah Analisis
1. Merumuskan Masalah
2. Mengkonstruksi Kombinasi Stimulus
3. Menentukan Bentuk Data Input
4. Membuat Prosedur Analisis Konjoin
5. Interpretasi Hasil
6. Menguji Reliabilitas dan Validitas
47
1. Merumuskan Masalah
Merumuskan masalah dalam analisis konjoin berarti penentuan atribut dan
tarafnya.
Sebagai contoh identifikasi atribut pada bawang merah adalah ukuran umbi, warna
kulit dan aroma, masing-masing dengan 3 dan 2 taraf yang dinilai mempengaruhi
responden. Tabel berikut menguraikan atribut beserta tarafnya.
Tabel Evaluasi Atribut Preferensi Bawang Merah (Adiyoga dan Nurmalinda, 2012)
Atribut Taraf Sub atribut
Ukuran Umbi 1 Diameter umbi 1.5 cm
2 Diameter umbi 2.5 cm
Warna Kulit 1 Warna kulit merah – ungu
2 muda
Warna kulit merah – ungu tua
Aroma 1 Aroma tidak menyengat
2 Aroma agak menyengat
3 Aroma menyengat
48
No Stimuli Ukuran Umbi Warna Kulit Aroma
6 Diameter umbi 1.5 cm Warna kulit merah – Aroma menyengat
ungu tua
7 Diameter umbi 2.5 cm Warna kulit merah – Aroma tidak
ungu muda menyengat
8 Diameter umbi 2.5 cm Warna kulit merah – Aroma agak
ungu tua menyengat
9 Diameter umbi 2.5 cm Warna kulit merah – Aroma menyengat
ungu muda
10 Diameter umbi 2.5 cm Warna kulit merah – Aroma tidak
ungu tua menyengat
11 Diameter umbi 2.5 cm Warna kulit merah – Aroma agak
ungu muda menyengat
12 Diameter umbi 2.5 cm Warna kulit merah – Aroma menyengat
ungu tua
Artinya:
Pada stimuli 1 produk yang mungkin diinginkan konsumen adalah bawang
merah dengan diameter umbi 1.5 cm, warna kulit merah ungu muda, dan aroma
tidak menyengat.
Pada stimuli 2 produk yang mungkin diinginkan konsumen adalah jam tangan
dengan desain modern dan dengan bentuk bulat. dst
Jika perancangan kartu stimuli dibuat dalam SPSS, maka perancangannya dilakukan
dengan cara membuat syntax. Prosedur pembuatan stimuli pada program SPSS
adalah sebagai berikut:
Buka program SPSS, dan biarkan SPSS data dalam keadaan kosong (tidak ada
file yang dibuka)
Dari menu file, pilih submenu open, lalu pilihan syntax (buka file syntax.sav)
Untuk kasus Preferensi bawang merah maka ketik:
ORTHOPLAN
/FACTORS=
UKURAN 'Ukuran Umbi' ('diameter 1.5 cm' 'diameter 2.5 cm')
WARNA 'Warna Kulit Umbi' ('merah – ungu muda' 'merah – ungu
tua')
AROMA 'Aroma' ('tidak menyengat' 'agak menyengat' 'menyengat')
/HOLDOUT=0.
SAVE OUTFILE='CONJOINT BAWANG.SAV'.
Dengan prosedur orthoplan pada syntax SPSS maka terbentuk 8 cards atau 8 opsi
kombinasi produk.
49
Selanjutnya melakukan prosedur analisis dengan menuliskan perintah berikut pada
syntax SPSS.
50
DATA LIST FREE/ QN PROD1 TO PROD8.
BEGIN DATA.
101 4 5 2 3 1 1 1 1
102 1 1 1 1 1 1 1 1
103 1 1 1 1 1 1 1 1
104 4 4 4 4 1 1 1 1
105 1 1 1 1 5 5 5 5
END DATA.
51
Lakukan eksekusi syntax dengan cara dari tampilan SPSS syntax editor, buka
menu RUN, lalu pilih ALL
Setelah beberapa saat akan muncul output sebagai berikut:
Tampilan data pada lembar kerja SPSS setelah menu syntax dijalankan adalah
sebagai berikut:
Recoded Values
Original Value Recoded Value Value Label
Subject 1: 101.00
Utilities
Utility Estimate Std. Error
52
Importance Values
UKURAN 8.333
WARNA 4.167
AROMA 87.500
Averaged Importance
Score
Correlationsa
Value Sig.
Subject 5: 105.00
Utilities
Utility Estimate Std. Error
Importance Values
UKURAN .000
WARNA .000
AROMA 100.000
Correlationsa
Value Sig.
53
Overall Statistics
Utilities
Utility Estimate Std. Error
Importance Values
UKURAN 8.333
WARNA 4.167
AROMA 87.500
Averaged Importance
Score
Correlationsa
Value Sig.
5. Interpretasi Hasil
Responden nomor 1 (dengan kode 101) menganggap Aroma bawang lebih penting
(87.5%) daripada Ukuran umbi (8.3%) dan Warna kulit umbi (4.17%). Responden
menyukai ukuran diameter umbi sebesar 2.5 cm, warna kulit umbi merah – ungu
muda, dan aroma bawang yang menyengat.
Responden nomor 5 menganggap Aroma bawang mutlak terpenting (100%)
daripada Ukuran umbi dan Warna kulit Umbi. Responden ini menyatakan preferensi
aroma bawang yang agak menyengat.
Secara total, responden menganggap Aroma bawang lebih penting Aroma bawang
lebih penting (87.5%) daripada Ukuran umbi (8.3%) dan Warna kulit umbi (4.17%).
Keseluruhan responden dapat disimpulkan lebih senang aroma bawang menyengat,
ukuran umbi berdiameter 2.5 cm, dan warna kulit umbi merah – ungu muda.
54
Dari Tabel output SPSS overall statistic telah diperoleh estimasi koefisien persamaan
Conjoint atau estimasi utilitas tiap levelnya yang disebut prediksi parth-worth secara
agregrat yaitu sebagai berikut:
a0 = 2,583, a11 = -0,167, a12 = 0,167, a21 = 0,083, a22 = −0,083, a31 = 0,000, a32 = -
0,250, a33 = 0,250.
Dari estimasi koefisien diatas maka dapat disubtitusi setiap estimasi utilitas kedalam
persamaan dasar konjoin yaitu sebagai berikut:
μ(x) = 2,583 – 0,167X11 + 0,167X12 + 0,083X21 − 0,083X22 + 0,00X31 – 0,250X32 +
0,250X33
Jika nilai Utility estimate negatif, maka responden kurang suka dengan stimuli
produk tersebut. Sebaliknya, jika nilainya positif, maka responden suka dengan
stimuli produk tersebut.
55
DAFTAR PUSTAKA
Sunyoto, D. 2014. Konsep Dasar Riset Pemasaran dan Perilaku Konsumen. Center
for Academic Publishing Service, Yogyakarta.
Umar, H. 2000. Riset Pemasaran dan Perilaku Konsumen. PT. Gramedia Pustaka
Utama bekerjasama dengan Jakarta Business Center (JBRC). Jakarta.
56
Lampiran 2.
No.
Responden Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10
1 3 3 3 3 4 4 3 3 4 4
2 4 3 4 4 3 4 4 4 4 3
3 3 4 4 4 4 4 4 4 4 4
4 3 4 3 3 3 4 4 4 4 3
5 3 3 4 4 2 3 4 4 3 3
6 3 3 3 3 3 3 3 3 4 3
7 3 3 4 4 3 3 4 4 3 3
8 3 3 3 3 3 3 3 3 2 3
9 3 2 3 2 2 3 2 2 3 2
10 3 3 3 3 3 4 3 3 3 3
11 4 4 3 3 3 4 3 3 3 3
12 3 3 3 3 4 3 3 3 2 3
13 1 1 3 2 3 3 2 2 3 3
14 4 2 3 4 4 4 3 3 3 4
15 3 4 3 3 3 2 3 3 4 3
16 3 3 4 4 2 4 4 4 3 2
17 3 3 3 3 2 4 3 3 4 3
18 4 3 4 4 4 3 4 4 3 4
19 4 3 3 3 3 3 3 3 2 3
20 4 3 2 2 2 3 2 2 2 2
21 3 4 2 3 3 2 2 2 4 3
22 3 4 4 4 3 4 4 4 3 3
23 3 3 3 3 4 4 3 3 2 4
24 3 2 2 2 3 3 2 2 3 3
25 2 2 3 3 3 3 3 3 3 3
26 3 4 3 3 3 3 3 3 4 3
27 3 4 4 4 2 2 4 4 3 2
28 3 3 3 3 3 2 3 3 3 3
29 3 3 3 3 2 3 3 3 3 2
30 3 4 3 3 4 3 3 3 2 4
31 3 2 2 2 4 3 2 2 3 3
32 2 3 3 3 3 3 3 3 2 3
33 1 1 2 2 2 3 2 2 4 2
34 4 3 4 4 3 4 4 4 4 3
35 2 3 4 4 3 4 4 4 3 3
36 3 3 3 3 4 3 3 3 2 4
37 3 1 3 2 3 3 2 2 3 3
38 3 3 3 3 4 2 3 3 3 4
39 3 3 3 3 4 3 3 3 4 4
40 2 3 4 4 4 4 4 4 3 4
41 3 3 3 3 4 4 3 3 4 4
42 2 3 3 4 3 3 4 4 4 3
43 3 3 4 4 3 3 4 4 4 3
44 3 2 4 4 2 3 4 4 4 2
45 4 3 4 4 3 3 4 4 3 3
46 3 4 3 3 3 4 3 3 3 3
47 3 2 3 3 2 2 3 3 2 4
48 3 1 2 2 3 3 2 2 3 3
49 4 3 3 3 3 4 3 3 3 3
57
50 3 3 3 2 3 3 3 3 2 3
51 3 3 2 2 4 4 2 2 3 4
52 2 1 3 3 4 3 3 3 3 4
53 4 2 4 3 3 2 3 3 3 3
54 1 2 3 3 3 3 3 3 4 3
55 3 3 4 3 3 3 4 3 4 3
56 2 1 3 3 3 3 3 3 3 3
57 4 2 3 3 2 2 3 3 3 2
58 1 2 3 3 3 3 3 3 4 3
59 4 2 3 2 4 3 3 2 4 4
60 1 2 3 2 3 4 3 2 4 3
61 3 3 3 4 3 3 2 4 4 3
62 3 3 2 4 4 4 2 4 3 4
63 3 3 4 3 3 3 4 3 2 3
64 3 3 4 1 3 2 4 1 4 3
65 4 4 3 3 3 2 3 3 3 3
66 3 3 1 2 3 4 1 2 1 3
67 2 2 3 2 3 3 3 2 3 3
68 4 2 2 4 3 2 2 4 4 3
69 4 3 2 4 3 3 2 4 3 4
70 3 3 4 3 3 3 4 3 2 3
71 3 4 4 2 3 4 4 2 4 3
72 3 2 3 4 3 3 3 4 4 3
73 3 3 3 4 3 3 2 4 4 3
74 4 3 4 2 4 3 4 2 3 4
75 3 4 4 4 3 2 4 4 2 3
76 1 3 2 3 4 3 2 3 2 4
77 3 2 4 2 3 2 4 2 4 3
78 4 3 3 4 3 4 3 4 4 3
79 2 4 2 3 4 4 2 3 3 4
80 4 4 4 3 2 3 4 3 3 2
81 3 4 3 3 3 2 3 3 3 3
82 4 3 3 4 3 3 3 4 3 3
83 2 3 4 4 3 3 3 4 3 3
84 3 2 4 3 4 4 4 3 3 4
85 3 4 4 3 3 3 4 3 3 3
86 3 4 3 4 4 4 3 4 3 4
87 4 3 3 3 3 4 3 3 2 3
88 3 3 4 4 2 4 4 3 3 3
89 3 3 3 4 2 4 3 4 4 2
90 3 4 3 2 4 3 3 2 3 4
91 4 3 4 4 3 3 4 4 2 3
92 2 3 2 3 3 2 2 3 3 3
93 4 3 4 4 3 3 4 4 2 3
94 3 3 3 3 4 3 3 4 4 4
95 4 3 4 3 1 2 4 3 4 2
96 4 3 4 3 2 3 4 3 3 2
97 3 1 3 3 2 3 3 3 3 2
98 3 2 3 2 4 3 3 2 3 4
99 4 4 3 3 3 4 3 3 4 3
100 4 2 3 4 4 2 2 4 4 4
58
Lampiran 2. FORMAT COVER
LAPORAN PRAKTIKUM
RISET PEMASARAN
JUDUL
LOGO UNDIP
KELOMPOK
ANGGOTA (NAMA & NIM)
59