Analisis Konjoin-Dikonversi
Analisis Konjoin-Dikonversi
1
ISSN : 0853-8115
Riana Riskinandini
Abstrak
Tulisan ini membahas perbandingan analisis konjoin metode full profile dan
metode CBC. Metode full profile merupakan metode yang klasik dan cukup
mudah diterapkan terutama dalam pembuatan disain pengumpulan dan analisis
data, tetapi cukup merepotkan dalam tahap pengumpulan data. Sedangkan
Metode CBC, walaupun agak sulit dalam disain pengumpulan dan analisis
datanya tetapi pada saat pengumpulan datanya relatif lebih mudah dan dipandang
lebih alamiah.
Penerapan kedua metode ini dalam menelaah faktor yang paling dipertimbangkan
oleh mahasiswa dalam memilih pekerjaan memberikan hasil yang relatif sama.
Faktor utama yang berpengaruh terhadap pilihan pekerjaan mahasiswa adalah
besarnya gaji pertama dan kesesuaian bidang pekerjaan dengan latar belakang
pendidikannya.
Kata kunci: Analisis konjoin, full profile, CBC, utility, nilai relatif penting, nilai
kepentingan taraf
8
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
individu, mana yang menunjukkan paling utama pembeli menentukan pilihan
dan tingkatan yang paling disukai. (http://www.sawtoothsoftware.com 2005).
Sebelum tahun 1970, suatu praktisi bernama Analisis choice discrete merupakan metode
Richard Johnson dihadapkan pada suatu kasus yang tepat bagi responden. Banyak manfaat yang
dimana atribut yang akan dianalisis jumlahnya bisa diambil dari analisis ini, termasuk
banyak dengan taraf yang banyak pula. Kemudian kemampuannya dalam memodelkan interaksi. Tapi
Johnson menemukan suatu metoda lain yang dengan menggunakan metode ini, tidak terdapat
dinamakan metode pendekatan pairwise. Pada informasi yang cukup dalam memodelkan tiap
pendekatan ini, dilakukan perbandingan pasangan pilihan responden.
profil dari dua atribut. Kemudian, responden
diminta untuk menilai profil mana saja yang lebih c. Analisis Konjoin era 1990an
disukai dari setiap pasangan profil (http://www. Para peneliti pada tahun 1990an mengemukakan
sawtoothsoftware.com 2002). bahwa sebenarnya tidak ada suatu pendekatan
b. Analisis Konjoin Era 1980an terbaik dalam analisis konjoin dalam memecahkan
Pada awal 1980an, analisis konjoin sedang suatu masalah. Sawtooth software memfasilitasi
berada di posisi puncak. Sedikitnya antar peneliti suatu diskusi dan konferensi antara pengguna
terkemuka dan pelaku akademis yang memiliki software ini dalam mempublikasikan risetnya.
pengetahuan statistika dan kemampuan Sawtooth software mempromosikan penggunaan
pemrograman komputer saling bersinergi berbagai analisis konjoin dengan mengembangkan
mengembangkan analisis konjoin. Tersedianya perangkat lunak analisis konjoin full-profile dan
sistem perangkat lunak pada tahun 1985 merupakan analisis choice discrete. Berdasarkan pada studi
suatu perkembangan teknologi pada era ini. pemakaian dalam industri yang diperkenalkan oleh
Berdasarkan metode analisis konjoin Green dengan Vriens, Humber, dan Wittink (1997), ACA
pendekatan full-profile, Steve Herman dan Bretton- merupakan teknik konjoin dan software yang
Clark, meluncurkan suatu sistem perangkat lunak mendunia pada masa itu. Pada tahun 1990 kembali
untuk komputer IBM. Sawtooth Software meluncurkan sistem perangkat
Pada tahun 1985, Johnson dan perusahaan lunak yang dinamakan sistem CVA (Conjoint Value
barunya, Sawtooth Software, meluncurkan sistem Analysis). CVA baik untuk digunakan pada jumlah
perangkat lunak (juga untuk komputer IBM) yang atribut enam atau kurang, dan pada ukuran contoh
dinamakan Adaptive Conjoint Analysis (ACA). kecil. CVA dapat digunakan pada paired-
Selama beberapa tahun lamanya, Johnson comparison dan single concept
menemukan bahwa responden merasa kesukaran (http://www.sawtoothsoftware.com 2002).
jika berhadapan dengan banyak atribut. Ia Pada tahun 1993, Sawtooth Software
menemukan suatu program dalam mensurvei dan memperkenalkan sistem perangkat lunak baru yang
mengumpulkan data. Dengan menggunakan metode dinamakan CBC (Choice Based Conjoint). Analisis
ACA, memudahkan dalam melakukan survey CBC bila dibandingkan dengan analisis konjoin
individu bahkan pada jumlah atribut yang sangat fullprofile dan ACA, lebih sulit dalam membuat
besar. Yang menarik dari pendekatan program rancangan pengumpulan dan analisisi datanya.
analisis ACA adalah adanya simulasi wawancara Namun demikian, ketersediaan software untuk
secara komputerisasi. Responden dihadapkan pada menganalisis dan merancang dapat membuat
suatu pertanyaan berupa kuesioner kemudian metode CBC lebih mudah digunakan
diminta untuk menjawab pertanyaan-pertanyaan (http://www.sawtoothsoftware.com 2002).
didalamnya. Hasil dari simulasi ini dapat d. Analisis konjoin Era 2000 sampai dengan sekarang
menunjukkan bagaimana preferensi responden Banyak riset dan perkembangan dari analisis
terhadap suatu produk baru atau modifikasi produk. konjoin saat ini terfokus pada hasil yang efektif.
Biasanya simulasi ini digunakan didalam suatu Sejak tahun 2000, para pelaku akademis tengah
pasar dalam menentukan perubahan harga, menggunakan metoda HB (Hirarchical Bayes)
modifikasi produk dan aktivitas pasar untuk mengembangkan model pilihan konsumen
(http://www.sawtoothsoftware.com 2002). yang lebih kompleks. Pengembang software terus
Analisis konjoin dengan cepat meluas, dan berusaha mengembangkan analisis konjoin agar
merupakan analisis/teknik survey untuk mengukur lebih mudah digunakan dalam tujuan memenuhi
dan memprediksi preferensi konsumen. Pada akhir para pengguna agar lebih baik, lebih cepat dan
80an, full profile dan ACA melatarbelakangi memiliki harga semurah mungkin (http://www.
perdebatan hebat antara mereka yang telah sawtoothsoftware.com 2002).
berpengalaman dalam analisis konjoin. Dalam
situasi seperti ini, Jourdan louviere dan rekannya,
memperkenalkan analisis konjoin yang bernama Pengertian dan Pendekatan Analisis Konjoin
choice analisis. Analisis ini sebelumnya telah Analisis konjoin adalah suatu teknik yang secara
diperkenalkan oleh McFadden pada awal 70an. spesifik digunakan untuk memahami bagaimana
Konsep yang menarik dari analisis ini adalah para keinginan atau preferensi konsumen terhadap suatu
pembeli tidak perlu menilai satu rangkaian produk produk atau jasa dengan mengukur tingkat kegunaan
sebelum membeli, sederhananya mereka hanya dan nilai kepentingan relatif berbagai atribut suatu
mengamati alternatif yang tersedia, baru kemudian produk (Hair et al 1995). Analisis ini sangat berguna
9
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
Nilai Kepentingan Taraf (NKT) digunakan untuk Beberapa metode perancangan dan pengukuran pada
menentukan nilai pentingnya suatu taraf relatif terhadap analisis konjoin:
taraf yang lain pada suatu atribut. NKT didapat dari 1. Self-Explicated Model
nilai peubah boneka untuk taraf suatu atribut yang Pada model self-explicated, responden diminta
dimasukkan ke dalam model konjoin, dimana nilai taraf untuk menilai dan mempertimbangkan atribut yang
peubah boneka untuk atribut yang lain tetap atau menurut mereka penting. Beberapa langkah metode
dimasukkan nilai nol. self-explicated model diantaranya
Nilai Relatif Penting (NRP) digunakan untuk (http://www.proquestion.com 2006):
mengetahui tingkat kepentingan relatif suatu atribut a. Pereduksian Taraf
terhadap atribut yang lain. NRP diformulasikan sebagai Responden ditunjukkan semua taraf dari
berikut: masing-masing atribut, dan diminta untuk
UTi URi menghapus taraf yang menurut mereka tidak
NRP = k
. . . . . . . . . (2) penting.
(UT
j 1
i UR j )
b. Memberikan peringkat pada taraf
skala 1-10
dalam
10
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
terbatas pada kemampuan responden dalam pada single profile atau pada pairwise full profile
memberikan peringkat. Apabila jumlah atribut dapat dilakukan secara manual atau secara
besar, maka responden tidak fokus dalam komputerisasi. Perancangan CVA meliputi
memberikan peringkat sehingga hasil yang penentuan atribut, penentuan taraf, dan menentukan
diperoleh seringkali kurang memuaskan. format kuisioner yang tepat.
2. Adaptive Conjoint Analysis (ACA) Nilai utility pada CVA dapat diduga dengan
ACA merupakan metode yang digunakan untuk menggunakan OLS (Ordinary Least Square) pada
merancang dan meneliti full-profile. Metode ini data metrik (rating data) atau menggunakan
merupakan pengembangan dari model self- monotone regression pada data nonmetrik (ranking
explicated, perbedaannya terletak pada jumlah data). Nilai ini digunakan dalam mengetahui
atribut yang besar. Istilah adaptive mengacu bahwa preferensi responden terhadap suatu produk baru
wawancara dilakukan secara komputerisasi pada atau modifikasi produk lama. Hasilnya berupa
masing-masing responden. Wawancara yang kesimpulan mengenai atribut dari produk yang
dilakukan secara komputerisasi ini berisi tahap- paling mempengaruhi pilihan responden
tahap yang akan menentukan tingkat kepentingan (http://www.sawtoothsoftware .com 2005).
setiap taraf dan setiap atribut. Responden CVA dapat digunakan pada jumlah atribut lebih
dihadapkan pada suatu pertanyaan berupa kuesioner dari 6, bahkan sampai pada 30 atribut dengan 15
kemudian diminta untuk menjawab pertanyaan taraf pada tiap atributnya. Namun CVA akan
didalamnya. Pertanyaan yang dihadapkan pada bekerja efektif jika digunakan pada jumlah atribut
responden dapat berupa tipe pertanyaan pilihan, kurang dari enam dengan contoh kecil
ranking atau rating, tipe pertanyaan berupa tingkat (http://www.sawtoothsoftware.com 2005).
kepentingan atribut, atau tipe pertanyaan pasangan. 4. Choice Based Conjoint (CBC)
ACA memiliki dua kemampuan penting, yaitu Analisis choice-based conjoint, adalah suatu
kemampuan peneliti merancang suatu wawancara pengembangan baru. Penggunaan dari metode ini
secara komputerisasi, dan ACA membiarkan secara besar-besaran baru terlihat lima tahun
peneliti menirukan pilihan responden dalam terakhir. Pada metode ini responden diperlihatkan
memodifikasi produk. semua alternatif yang tersedia, kemudian diizinkan
Dugaan nilai kegunaan didapat dari tingkat untuk memilih satu dari beberapa pilihan tersebut
preferensi responden tiap taraf dan tingkat atau tidak memilih satu pun dari banyak pilihan
kepentingan tiap atribut. Pada pertama kali ACA yang tersedia. CBC dapat dilakukan pada atribut
diperkenalkan, nilai kegunaan diduga dengan kecil maupun besar, secara manual ataupun
menggunakan OLS (Ordinary Least Square), komputerisasi. Berbeda dengan ACA dan CVA,
namun seiring perkembangan zaman, ACA salah satu kelemahan pada CBC tidak dapat
berkembang menjadi beberapa versi yang memiliki mengukur utility taraf tiap individu.
tingkat kesulitan yang lebih kompleks. Seperti Pada beberapa kasus CBC, perlu dilakukan
misalnya saat ini berkembang penggunaan ACA- adaptasi untuk menghasilkan suatu gugus pilihan
Hierarchical Bayes Estimation (HB) dalam yang terdiri dari lebih dari satu konsep produk.
menduga nilai kegunaan suatu produk. Dalam Salah satu metode yang dapat digunakan dalam
suatu pasar produk, nilai kegunaan responden merancang profil konsep produk pada CBC adalah
digunakan untuk menduga kekuatan pilihan produk “manual shifting” yang diajukan oleh Bunch et al
atau kemungkinan pembelian untuk tiap produk (1994).
(http://www.sawtoothsoftware.com 2005).
Responden tidak mungkin mengevaluasi lebih Analisis data hasil CBC dapat dilakukan dengan
dari 6 atribut serentak dengan masing-masing dua cara, yaitu counting CBC dan multinomial logit.
atribut memiliki beberapa taraf. Maka, metode Counting CBC biasanya digunakan sebagai langkah
adaptive conjoint analysis (ACA) ini dapat awal dari analisis CBC dalam memberikan gambaran
digunakan pada jumlah atribut sampai dengan 30, pengaruh atribut terhadap atribut lainnya. Pada
dan pada tiap atribut dapat memiliki sampai dengan counting CBC, pengaruh dari tiap atribut dapat dihitung
15 taraf. Namun penelitian menjelaskan bahwa hanya dengan melihat besarnya proporsi atribut yang
ACA tidak akan memberikan keuntungan apabila terpilih.
digunakan pada jumlah atribut kurang dari 6, Regresi logistik merupakan suatu pendekatan model
walaupun setidaknya akan bekerja seperti pada full matematika yang dapat digunakan untuk memaparkan
profile. Dengan jumlah atribut yang besar, analisis hubungan antara peubah bebas X dengan peubah
data harus dengan komputer, karena tidak mungkin respon biner Y. Dengan menyatakan E(Y|x) sebagai
dilakukan secara manual. Seperti full profile, ACA (x) maka nilai harapan bersyarat Y untuk nilai x
dapat mengukur utility taraf tiap individu dan hanya tertentu adalah :
dapat mengukur efek utama tiap atributnya
(http://www.answerresearch.com 2005).
3. Conjoint Value Analysis (CVA) (x) = exp{g(x)}
. . . . . . . . . . . . . (3)
CVA (Conjoint Value Analysis) merupakan 1 exp{g(x)}
metode pengembangan lanjut dari ACA. CVA dapat (Hosmer & Lemeshow, 1989)
menduga individual utility dari masing-masing
taraf tiap atributnya. Penggunaan CVA baik itu
11
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
12
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
taraf dan nilai relatif penting dari atribut yang paling besar diantara atribut lainnya, yaitu sebesar
terpilih. 83.91%, atribut bidang kerja sebesar 10.02%,
6. Interpretasi hasil dari kedua metode, yaitu metode kesesuaian latar belakang pendidikan terhadap bidang
full profile dan choice based conjoint, berupa nilai kerja dan image perusahaan masing-masing memiliki
kegunaan taraf-taraf dan nilai relatif penting dari NRP berturut-turut sebesar 4.74% dan 1.34%.
tiap atribut. Nilai signifikan antara atribut gaji pertama dengan
atribut lainnya memberikan gambaran bahwa
mahasiswa Departemen Statistika mengutamakan gaji
HASIL DAN PEMBAHASAN pertama dibanding atribut lainnya. Atribut bidang kerja
menjadi pilihan kedua bagi mereka dalam memilih
Pada tahap penyusunan stimuli dari masing-masing pekerjaan, walaupun memiliki nilai NRP yang kecil,
metode, dilihat dari segi keortogonalannya, metode full sama seperti kedua atribut lainnya yaitu kesesuaian
profile dirasakan lebih mudah dalam menyusun stimuli. latar belakang pendidikan terhadap pekerjaan dan
Dengan bantuan software, stimuli dapat tersusun image tempat kerja.
langsung tanpa melalui proses manual. Sedangkan pada Tabel 2 NKT dan NRP atribut pada Mahasiswa
metode CBC (Choice Based Conjoint), penyusunan Departemen Statistika
stimuli dinilai lebih sulit karena penyusunan stimuli NRP
dilakukan dengan metode manual shifting. Terkecuali Atribut Taraf NKT
(%)
jika penyusunan stimuli pada CBC dilakukan dengan
software khusus, mungkin tidak akan dinilai sulit Pemerintahan 0.761
seperti yang dilakukan dengan metode manual shifting. Bidang Swasta -0.438 10.0
Pada tahap pengumpulan data, metode CBC lebih Pekerjaan Profesional -0.081 2
mudah dilakukan daripada metode full profile, dengan Wiraswasta -0.242
alasan bahwa didalam metode CBC hanya memilih satu
dari beberapa konsep yang tersedia dalam setiap
kartunya. Sedangkan pada full profile, dengan 500-1000 -6.912
mengurutkan beberapa konsep, dinilai lebih sulit, Gaji
1001-1750 1.648
terlebih jika terdapat banyak konsep. Pertama 83.9
1751-2500 2.130
Pada tahap analisis data, kedua metode baik full (ribu rp) 1
>2500 3.134
profile dengan menggunakan PROC TRANSREG SAS
ataupun CBC dengan menggunakan counting CBC dan
regresi logit, memiliki tingkat kesulitan yang hampir kesesuaian Sesuai 0.365
sama. Namun penggunaan counting CBC, sebagai latar
langkah awal analisis, membuat waktu pengerjaan -0.203
belakang Kurang Sesuai
metode CBC lebih lama dilakukan. 4.74
pendidikan -0.162
Metode full profile dapat mengukur utility taraf tiap terhadap Tidak Sesuai
individu, sedangkan metode CBC hanya dapat bidang kerja
mengukur secara keseluruhan saja. Oleh karena itu
metode full profile lebih mendekati pada keadaan yang
sebenarnya. Image Terkenal 0.080
tempat 1.34
Hasil Analisis Menggunakan Metode Full Profile kerja Tidak Terkenal -0.080
Fungsi utilitas total bagi mahasiswa Departemen
Statistika adalah sebagai berikut:
U(x) = 8.394 + 0.761X11 - 0.081X12 - 0.438X13 -
Ditinjau lebih dalam dari taraf-taraf atributnya,
0.242X14 + 0.365X21 - 0.203X22 – 0.162X23 +
0.080X31 - 0.080X32 + 3.134X41 + 2.130X42 + atribut bidang pekerjaan: pemerintahan memiliki NKT
1.648X43 – 6.912X44 yang paling besar yaitu 0.761, yang berarti mereka
cenderung menyukai bidang pemerintahan
Dari model tersebut dapat ditentukan NKT tiap taraf
dibandingkan dengan bidang lain. Untuk atribut gaji
atribut dan NRP bagi masing-masing atribut dengan
menggunakan Persamaan (1) dan (2). Sebagai contoh, pertama, mereka lebih memilih gaji diatas Rp.
untuk menentukan NKT bagi taraf bidang 2.500.000 dengan NKT sebesar 3.134. Mahasiswa
pemerintahan (X11) maka dengan menggunakan Departemen Statistika lebih memilih agar latar
Persamaan (2) yaitu dengan menjumlahkan nilai belakang pendidikan mereka sesuai dengan bidang
pekerjaannya, dengan NKT sebesar 0.3646 dan dengan
intersep pada dugaan parameter bagi peubah X11 dapat
NKT sebesar 0.0802, mereka lebih mengutamakan
diperoleh NKT bagi taraf bidang pemerintahan yaitu
bekerja ditempat kerja yang terkenal.
sebesar 9.155. Begitu pula untuk bidang kerja dan taraf
atribut lainnya. Selanjutnya setelah diketahui nilai Analisis full profile bagi responden mahasiswa Ilmu
utilitas total tiap taraf, dengan menggunakan Ekonomi menghasilkan model utilitas total sebagai
Persamaan (2) dapat ditentukan NRP dari tiap atribut. berikut:
Hasil analisis full profile bagi responden mahasiswa U(x)= 8.154 + 0.316X11 – 0.498X12 - 0.815X13 +
Departemen Statistika, secara lengkap dapat dilihat 0.002X14 + 1.249X21 - 0.528X22 – 0.721X23 +
pada Tabel 2. Atribut gaji pertama memiliki NRP yang
13
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
0.268X31 – 0.268X32 + 3.514X41 + 1.332X42 + Tabel 4 NKT dan NRP Atribut pada Mahasiswa
0.147X43 – 4.992X44 Departemen Agronomi dan Hortikultura
Dengan melakukan tahap yang sama, diperoleh Atribut Taraf NKT NRP
NKT dan NRP bagi mahasiswa Departemen Ilmu (%)
Ekonomi seperti yang disajikan pada Tabel 3.
-0.449
Pemerintahan
Bidang 0.132
Tabel 3 NKT dan NRP Atribut pada Mahasiswa Swasta
0.997 15.46
Departemen Ilmu Ekonomi Profesional
Pekerjaan -0.679
NRP Wiraswasta
Atribut Taraf NKT
(%)
Pemerintahan 0.316
500-1000 -2.813
Bidang Swasta -0.815 Gaji
10.65 1001-1750 -0.297
Pekerjaan Profesional 0.498 Pertama 44.07
1751-2500 1.146
Wiraswasta 0.002 (ribu rp)
>2500 1.966
500-1000 -4.992
Gaji kesesuaia Sesuai 2.034
1001-1750 0.147
Pertama 69.01 n
1751-2500 1.332
(ribu rp) latar Kurang
>2500 3.514 -0.474
belakang Sesuai
pendidika 33.13
1.249 n Tidak
kesesuaia Sesuai
terhadap Sesuai -1.559
n -0.527 bidang
latar Kurang Sesuai
kerja
belakang -0.721
15.99
pendidika Tidak Sesuai
Image Terkenal 0.398
n
tempat 7.35
terhadap
kerja Tidak Terkenal -0.080
bidang
kerja
14
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
Tabel 5 NKT dan NRP atribut pada Mahasiswa departemen lainnya yang memiliki NRP sekitar 40%
Departemen Teknik Pertanian sampai dengan 60%.
Secara keseluruhan, mahasiswa lebih mengutamakan
Atribut Taraf NKT NRP gaji pertama sebagai atribut yang paling mereka sukai
(%) dalam memilih pekerjaan. Atribut bidang kerja dan
kesesuaian latar belakang pendidikan terhadap bidang
Pemerintahan 0.058 kerja memiliki kecenderungan yang hampir sama
Bidang Swasta -0.059 terhadap mahasiswa dalam memilih pekerjaan.
Pekerjaan Profesional 0.498 7.36 Sedangkan atribut image tempat kerja dinilai responden
Wiraswasta -0.496 tidak terlalu penting.
15
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
Tabel 7 Pendugaan Parameter menggunakan Tabel 8 NKT dan NRP menggunakan model logit
multinomial logit
FAKTOR KOEFISIEN EXP(KOEF) NRP
Atribut Taraf NKT
Intersep -0.001 (%)
Pemerintahan -0.085
BIDANG KERJA: Bidang Swasta -0.447
16.8
Pekerjaan Profesional 0.167
Pemerintahan -0.085 0.919 Wiraswasta 0
Swasta -0.447 0.640
Profesional 0.167 1.182
Wiraswasta 0 1 >2500 0.221
Gaji
1751-2500 -1.066
Pertama 44.21
1001-1750 -1.393
GAJI PERTAMA (ribu rp)
500-1000 0
(RIBU rp):
>2500 0.221 1.247
1751-2500 -1.065 0.345 Sesuai 0.898
1001-1750 -1.392 0.248 Latar
500-1000 0 1 Kurang -0.419
belakang
pendidikan Sesuai 36.11
terhadap
KESESUAIAN LB bidang kerja Tidak 0
PENDIDIKAN Sesuai
DENGAN BIDANG
KERJA:
Terkenal -0.105
Sesuai Image 2.88
0.898 2.455 tempat kerja Tidak Terkenal 0
Kurang
Sesuai -0.419 0.658
Tidak
Sesuai 0 1 KESIMPULAN
Analisis konjoin saat ini telah diterapkan pada
IMAGE TEMPAT berbagai bidang, tidak hanya pada perusahaan riset
KERJA: pemasaran, tetapi juga pada berbagai bidang terapan.
Terkenal Pada tahap penyusunan stimuli, dengan bantuan
-0.105 1.111 software, metode full profile dirasakan lebih mudah
Tidak Terkenal
0 1 dalam menyusun stimuli. Sedangkan pada tahap
pengumpulan data, dengan memilih konsep kerja yang
diinginkan, CBC dinilai lebih mudah dilakukan dan
Dari hasil pendugaan parameter dengan
lebih alamiah dibandingkan dengan mengurutkan
menggunakan analisis multinomial logit dapat
seperti yang dilakukan pada metode full profile. Namun
ditentukan nilai NKT dan NRP (Tabel 8). Atribut gaji
dalam tahap analisis, kedua metode tersebut dinilai
pertama memiliki NRP terbesar, yaitu sebesar 44.21%.
memiliki tingkat kesulitan yang hampir sama. Berbeda
Sedangkan atribut kesesuaian latar belakang terhadap
dengan metode full profile yang dapat mengukur utility
pendidikan memiliki NRP sebesar 36.11%, nilai ini
taraf tiap individu, metode CBC tidak dapat mengukur
lebih kecil dari persentase gaji pertama, yang berarti
utility taraf tiap individu.
mahasiswa lebih mengutamakan gaji pertama sebagai
Full profile dan CBC (Choice Based Conjoint)
atribut yang paling penting didalam memilih pekerjaan.
memberikan hasil bahwa atribut yang paling
Atribut bidang kerja dan image tempat kerja memiliki
berpengaruh dalam menentukan preferensi mahasiswa
NRP masing-masing sebesar 16.8% dan 2.88%, yang
terhadap pekerjaan adalah gaji pertama. Begitu juga
menunjukkan bahwa kedua atribut ini dianggap tidak
dengan counting CBC dan CBC model logit, kedua
terlalu penting bagi mereka dalam memilih pekerjaan.
metode ini memberikan hasil yang sama dalam
Pada masing-masing atribut, NKT tertinggi terdapat
preferensi pilihan mahasiswa terhadap pekerjaan.
pada taraf gaji pertama >Rp.2.500.000
Atribut kesesuaian latar belakang pendidikan
(NKT=0.221), pekerjan yang sesuai dengan bidang
terhadap pekerjaan menjadi atribut urutan kedua yang
kerja (NKT=0.898), dan bekerja dibidang profesional
menjadi pertimbangan mahasiswa dalam memilih
(NKT=0.167).
pekerjaannya. Atribut bidang kerja dan image tempat
kerja menjadi atribut pilihan terakhir mahasiswa dalam
memilih pekerjaan.
16
Analisis Konjoin: Metode Full Profile dan CBC untuk Forum Statistika dan Komputasi
Menelaah Persepsi Mahasiswa Terhadap Pilihan Pekerjaan
DAFTAR PUSTAKA
Agresti, A. 1990. Categorical Data Analysis. John
Wiley and Sons. New York.
Anonim a. 2002. ACA paper series.
http://www.sawtooth.com
_ _b. 2002. A Short History Of Conjoint
Analysis. http://www.sawtooth.com.
_ _c. 2002. CBC Paper Series.
http://www.sawtooth.com.
_ _d. 2002. CBC/HB Paper Series.
http://www.sawtooth.com
_ _e. 2002. CVA Paper Series.
http://www.sawtooth.com.
_ _f. 2005. http://www.answerresearch.com.
_ _g. 2005. http://www.dobney.com.
_ _h. 2002. http://www.dssresearch.com
_ ___i. 2002. http://www.proquestion.com
Ansari, Yulia. 2002. Model Logit Dalam Choice Based
Conjoint. Skripsi. Jurusan Statistika, IPB. Bogor.
(tidak dipublikasikan).
Hair, J.F.,R. E. Anderson, R.L. Tatham. 1995.
Multivariate With Reading. Fourth Edition.
Prentice-Hall International : Englewood Clirfs. New
Jersey.
Hosmer, D & Lemeshow. 1989. Applied Categorical
Data Analysis. John Wiley and Sons. New York.
Kuhfeld, F.W. 1997. Conjoint Analysis. SAS Institute,
Inc.
17