Implementasi Kansei Engineering Dalam Perancangan Desain Interface
Implementasi Kansei Engineering Dalam Perancangan Desain Interface
Abstract — Human Computer Interaction is how to make a faktor usability, maka perlu mengembangkan situs
good communication between computer and user. In its melampaui usefulness dan functional usability [2]. yang
development, not only focused on usability aspect and technical, membuat tampilan antar muka bersifat persuasif bagi
but also how to make product more persuasive in psychological pengguna. Dalam hal ini faktor psikologis / emosional
aspect. Kansei Engineering (KE) comes to fulfill the product pengguna menjadi parameter dalam perancangan desain
designing which involves user’s psychological or affective interface, artinya Kansei Engineering (KE) dilibatkan dalam
factors. There are several KE method in designing product, pendekatan analisis pada penelitian ini.
one of them is Kansei Engineering Type I which is involved in
Beberapa masalah yang diidentifikasi dalam penelitian
this research. The purpose of this research is to know some
psychological factors related with web based interface ini adalah bagaimana analisis faktor-faktor yang diperlukan
e-learning design and how to make web based e-learning dalam merancang desain interface e-learning dengan
guideline matrix recommendation by Kansei Engineering pendekatan Kansei Engineering, bagaimana penerapan
Type I. 10 web based e-learning specimens, 20 Kansei Words Kansei Engineering dalam membuat rekomendasi desain
and 30 participants are involved in the research. interface e-learning berbasis web dan bagaimana elemen
desain e-learning yang dihasilkan melalui pendekatan
Keywords — E-Learning, HCI, Kansei Engineering, KEPack Kansei Engineering.
Tujuan penelitian ini adalah menganalisis faktor-faktor
yang diperlukan dalam merancang desain interface e-
I. PENDAHULUAN learning dengan pendekatan Kansei Engineering,
E-Learning atau disebut dengan Electronic Learning menerapkan Kansei Engineering dalam membuat
adalah sebuah proses pembelajaran yang berbasis elektronik rekomendasi desain interface e-learning berbasis web,
dengan salah satu media pembelajarannya adalah jaringan membuat rekomendasi elemen desain e-learning yang
komputer. Hal ini memungkinkan proses belajar mengajar dihasilkan melalui pendekatan Kansei Engineering.
dalam e-learning terintegrasi dalam jaringan web, sehingga Adapun batasan masalah dalam penelitian ini adalah
dapat dikembangkan ke jaringan komputer yang lebih luas penelitian ini menghasilkan suatu rancangan desain
yaitu internet. Dalam perkembangannya, beberapa vendor interface E-Learning berbasis web, Kansei Engineering
web developer atau institusi berlomba mengembangkan digunakan untuk menghasilkan rancangan desain interface
E-Learning. Namun dari kesekian banyak tersebut perlu E-Learning tersebut, Kansei Engineering Type I / KEPack
diketahui mana yang sesuai dengan peserta didik atau digunakan dalam proses analisis Kansei Engineering,
bahkan membuat usulan baru dari E-Learning yang sudah Kansei Word (KW) yang digunakan dalam kuisioner
ada. Human Computer Interaction (HCI) digunakan untuk sejumlah 20 KW, Analisis perhitungan data menggunakan
merancang pemodelan E-Learning dengan kunci utama dri analisis statistik multivariat yang meliputi Correlation
HCI adalah usability [1]. Coefficient Analysis (CCA), PC Analysis (PCA), Factor
Salah satu bahasan terpenting dalam usability adalah Analysis (FA), Partial Least Square Analysis (PLS), Cluster
antar muka (interface) [1]. Namun pada perkembangan Analysis (CA), Penelitian menggunakan 10 spesimen
selanjutnya, kebutuhan desain interface tidak hanya sebatas E-Learning berbasis web, sejumlah 30 partisipan dilibatkan
104
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 1 April 2017
dalam penelitian ini yang meliputi siswa kelas XII dan guru diterjemahkan ke dalam Product Design, seperti pada
di SMK Negeri 1 Kota Sukabumi. Gambar 1.
Adapun manfaat yang didapatkan dari penelitian ini
adalah: Kansei Kansei
1) Mengetahui faktor-faktor psikologis yang dikaitkan Product Design
Investigation Analysis
dengan desain interface e-learning.
2) Mengetahui bagaimana rekomendasi usulan tampilan Gambar 1. Diagram Metode Kansei Engineering [7]
e-learning melalui pendekatan Kansei Engineering.
Terdapat enam kategori Kansei Engineering yang sering
A. Pengertian E-Learning digunakan [7]:
Istilah E-Learning banyak para ahli yang mendefinisikan 1) KE Type I: Category Classification
E-Learning sesuai sudut pandangnya. Karena E-Learning Merupakan penurunan teknik dari konsep target sebuah
kepanjangan dari elektronik learning ada yang menafsirkan produk baru yang terkait dalam subjektif Kansei dengan
E-Learning sebagai bentuk pembelajaran yang objektif dari parameter desain. Contoh dari implementasi
memanfaatkan teknologi elektronik (radio, televisi, film, KE tipe 1 ini adalah dalam pengembangan sport car
komputer, internet). E-Learning dapat didefinisikan sebagai tersukses dalam sejarah dari Mazda yang bernama Miata.
sebuah bentuk teknologi informasi yang diterapkan di 2) KE Type II: KE System adalah Computer Aided KE
bidang pendidikan dalam bentuk dunia maya. Istilah e- System (KES).
learning lebih tepat ditujukan sebagai usaha untuk membuat KES terdiri dari database dan mesin inferensi untuk
sebuah transformasi proses belajar mengajar yang ada di mendukung sistem komputerisasi yang menangani proses
sekolah atau kampus ke dalam bentuk digital yang menafsirkan perasaan konsumen dan emosi untuk elemen
dijembatani oleh teknologi internet [3]. desain persepsi. Proses KES berdasar pada aturan “if –
B. Human Computer Interaction (HCI) then” dimana Kansei diinput kedalam sistem, mengacu pada
Dilihat dari perspektif ilmu komputer, fokus HCI adalah database Kansei dan mengeksekusi perangkat inferensi.
pada interaksi, khususnya interaksi antara satu atau lebih 3) KE Type III: KE Modeling.
pengguna (sebagai pengguna komputer) dengan satu atau KE tipe ini memanfaatkan pemodelan matematika
lebih mesin komputasi (komputer) [4]. Seperti yang sudah sebagai pelogikaan dalam sistem komputerisasi. Hal ini
diuraikan sebelumnya bahwa kunci utama dalam HCI terutama digunakan untuk menangani logika fuzzy untuk
adalah daya guna (usability). Usability adalah tingkat membentuk kecerdasan mesin. Sistem diagnosa suara kata
produk dapat digunakan yang ditetapkan oleh pengguna, adalah sebuah contoh implementasi dari KE tipe ini.
untuk mencapai tujuan secara efektif, efisien dan 4) KE Type IV: Hybrid KE.
memuaskan dalam menggunakannya. Interface pengguna Sebuah sistem KE yang dimulai dengan evaluasi Kansei
merupakan bahasan yang terpenting dalam HCI, oleh dan analisis data kemudian diterjemahkan ke dalam elemen
karenanya bentuk dan pembangunan antar muka pengguna desain dinamakan Forward KE. Dalam Hybrid KE
perlu dilihat sebagai salah satu proses utama dalam memungkinan melakukan Backward KE yang merupakan
keseluruhan pembangunan suatu system. alur mundur dari Forward KE. Setelah desainer mensketsa
prototype yang direkomendasi melalui forward KE,
C. Kansei Engineering prototype tersebut dievaluasi melalui Backward KE.
Menurut kamus Bahasa Jepang, Kansei ( ) berarti 5) KE Type V: Virtual KE
kepekaan [5]. Kansei melibatkan kepekaan, sensibility, merupakan gabungan Kansei Engineering dengan
perasaan dan emosi yang diharmoniskan melalui lima simulasi virtual, mengadopsi dari Virtual Reality Sistem
penginderaan; penglihatan (vision), pendengaran (hearing), yang dikembangkan oleh NASA untuk membuat simulasi
penciuman (smell), perasaan (taste), perabaan (skin ruang angkasa sehingga menjadi nampak nyata.
sensation). Istilah Kansei kemudian diterjemahkan dalam 6) KE Type VI: Collaborative KE.
sebuah metode keteknikan bernama Kansei Engineering. Dalam jenis Kansei Engineering, desainer dan atau
Metode ini pertama kali diperkenalkan oleh Mitsuo konsumen di tempat yang berbeda menggunakan database
Nagamachi (Dean of Hiroshima International University) mutual kansei dan berkolaborasi melalui jaringan untuk
sebagai sebuah metode keteknikan yang baru dalam desain mengembangkan desain produk baru.
dan pengembangan produk industri yang berorientasi
perasaan manusia [6]. D. Kansei Engineering Type I
Tahapan Kansei Engineering diawali oleh Kansei Kansei Engineering Type 1 merupakan teknik Kansei
Investigation, diikuti oleh Kansei Analysis dan yang paling popular, dinamakan dengan KEPack [7].
Tahapan dari KEPack terdiri dari 10 alur seperti
ditunjukan dalam gambar 2.
105
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 1 April 2017
1. Menentukan Strategi 6. Evaluasi Penelitian d. Finalisasi Spesimen valid (dilakukan pada tahapan
kelima)
5) Mengklasifikasikan item/kategori
2. Mengumpulkan Kansei Word 7. Analisis Mengunakan metode Dua langkah dilakukan dalam tahapan ini, mengacu pada
analisis statistik multivariat Preparation of Specimen, yakni klasifikasi elemen desain
dan finalisasi spesimen valid.
3. Menyusun Struktur SD Scale 8. Menginterpretasi data yang 6) Evaluasi Penelitian
untuk Kansei Word dianalisis Langkah berikutnya yakni evaluasi penelitian, pada
tahapan ini partisipan terlibat mengisi Skala SD dengan
4. Mengumpulkan Sampel 9. Interpretasi data kepada Kansei Word yang sudah disusun sebelumnya.
Produk desainer produk Sebanyak 20 atau 30 partisipan cukup untuk terlibat
dalam penelitian Kansei [10]. Skala SD diberikan kepada 20
5. Mengklasifikasikan item / 10. Menggabungkan sketsa atau 30 partisipan tersebut. Satu lembar Skala SD Kansei
kategori desainer dengan proposal KE Word digunakan untuk satu sampel produk, misalnya dalam
hal penelitian parfum, ada 10 jenis sampel parfum yang
Gambar 2 Tahapan Kansei Engineering Type I berbeda, maka kita memerlukan 10 lembar SD Scale Kansei
Word untuk seorang partisipan.
1) Menentukan Strategi 7) Analisis Menggunakan Metode Statistik Multivariat
Merupakan tahapan awal dalam KEPack, penguasaan Dalam Kansei Engineering, analisis dapat dilakukan
teoritis dan konsep Kansei Engingeering dilakukan pada dengan statistik multivariat, dimana dapat
tahapan ini.“Menentukan Strategi” juga berarti menentukan mempertimbangkan sekian banyak faktor untuk
berapa jumlah Kansei Word (KW) maupun spesimen yang menjelaskan hubungan yang terjadi dalam sebuah fenomena
dibutuhkan, berapa jumlah partisipan yang dilibatkan dan yang kompleks [11]. Dengan menggabungkan beberapa
metode Kansei yang dilakukan. analisis perhitungan, umumnya Kansei Engineering
2) Menentukan Kansei Word menggunakan metode perhitungan statistika sebagai berikut
Kansei Word (KW) yang berupa kata kunci berhubungan [7]:
dengan emosional atau afektif manusia. KW a. Analysis of Variance. Metode statistik untuk
merepresentasikan aspek psikologis manusia terhadap pengujian variasi dan cara. Melalui metode ini, kita
penilaian sesuatu hal [8]. Menentukan KW sangat dapat melihat bahwa data terdiri dari klaster
mempengaruhi kesuksesan dari penelitian Kansei. Akan ada berkualitas yang berbeda.
perbedaan lingkup KW, misalnya dalam meneliti produk b. Correlation Coefficient Analysis. Rasio koefisien
olahan makanan akan berbeda dengan melakukan penelitian korelasi yang melihat bahwa kesamaan diakui
terhadap bahan pakaian. Karena aspek psikologis yang diantara grup data yang berbeda dari sudut pandang
direpresentasikan ke dalam KW tentu berbeda pula. realibilitas statistic.
Salah satu langkah yang digunakan dalam menentukan c. Principal Component Analysis (PCA). Merupakan
KW dapat kita temukan misalnya, di majalah atau buku analisis yang sangat penting, menggunakan
yang berhubungan dengan produk diteliti seperti majalah pendekatan kelayakan (feasible) yang
fesyen digunakan dalam mencari KW produk bahan pakaian, memungkinkan untuk mengurangi dimensi. Misalnya,
ataupun dengan mendengar percakapan penjualan antara dengan melibatkan 25 Kansei Word, lingkup Kansei
pembeli dan penjual. Kita pun dapat mengkompilasikan KW akan meliputi 25 dimensi. PCA dapat menghilangkan
berdasar pendapat ahli maupun studi teoritis [9]. dimensi tersebut ke dalam 2 atau 5 atau lebih dari
3) Menyusun Struktur Skala Semantic Differential (SD) komponen prinsip dan menunjukkan positioning
untuk Kansei Word sampel.
Setelah dilakukan investigasi Kansei melalui pemilihan d. Factor Analysis. Hampir sama dengan analisis PCA,
KW yang berkaitan dengan penelitian yang diteliti, langkah mereduksi jumlah dimensi Kansei ke dalam jumlah
berikutnya yakni menyusun KW tersebut menjadi struktur axis yang lebih sedikit dan menunjukan faktor-faktor
skala Semantic Differential (SD). Skala SD digunakan untuk psikologis utama.
mempermudah partisipan dalam pengisian kuisioner. e. Quantification Theory Type I (QTI). Ini adalah
4) Mengumpulkan Sampel Produk/Spesimen metode khusus yang menggunakan analisis regresi
Mengumpulkan sampel produk/spesimen atau yang ganda yang dapat menganalisis data kategori seperti
selanjutnya disebut dengan Preparation of Specimen.Ada 4 Kansei.
tahapan dalam Preparation of Specimen [9] yaitu: 8) Interpretasi Analisis Data
a. Identifikasi Spesimen Awal Dalam menganalisis persyaratan desain, Partial Least
b. Investigasi Elemen Desain Square (PLS) dilakukan untuk mengidentifikasi hubungan
c. Klasifikasi Elemen Desain (dilakukan pada tahapan dari emosi dan elemen desain.Lalu, Cluster Analysis (CA)
kelima) dilakukan untuk menginvestigasi klaster dari faktor
106
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 1 April 2017
psikologis (emosi/KW) website [9], yang selanjutnya PCA membantu untuk memahami struktur emosi
dijadikan acuan dalam mengembangkan desain web. (Kansei Word) secara jelas dan deskripsi dari respon
9) Interpretasi Data pada Desainer partisipan lebih konstruktif. Lebih jauh lagi, dikatakan
Serangkaian analisis sudah dilakukan pada tahapan bahwa ada tiga jenis PCA yang digunakan untuk mengukur
sebelumnya, langkah berikutnya adalah menerjemahkan Principal Componen (PC), yakni:
data tersebut ke dalam matriks yang mudah dipahami oleh a. PC Loading, yang digunakan untuk menganalisa
seorang desainer web [9]. ruang semantik dari emosi untuk menunjukkan
10) Menggabungkan sketsa desainer dengan proposal seberapa banyak evaluasi dari emosi mempengaruhi
Kansei Engineering. variabel.
Ini merupakan tahap implementasi dari penelitian Kansei b. PC Score, yang digunakan untuk menentukan
Engineering, namun dalam penelitian ini hanya dilakukan hubungan antara emosi dengan spesimen website.
sampai pada tahap 9. Tahapan ini sejumlah ahli dan web c. PC Vector, yang digunakan untuk memvisualisasi
desainer dilibatkan, ide dalam penelitian Kansei arah dan kekuatan emosi atas struktur emosi, dan
Engineering dituangkan ke dalam perancangan web dan bagaimana menentukan konsep baru website.
menghasilkan desain final yang dinamakan “Super Design” 3) Factor Analysis (FA)
[7]. Tujuan dari analisis faktor adalah menggambarkan
E. Analisis Statistik Multivariat hubungan-hubungan kovarian antara beberapa variabel yang
Analisis statistik multivariat digunakan untuk beberapa mendasari tetapi tidak teramati, kualitas random yang
variabel yang memiliki hubungan antar variabel saling disebut factor. Vektor random teramati X dengan p
berkorelasi. Terdapat 4 analisis statistik yang digunakan komponen, memiliki rata-rata μ dan matrik kovarian.
dalam analisis ini yaitu: 4) Analisis Partial Least Square (PLS)
1) Coefficient Correlation Analysis Dijelaskan bahwa PLS merupakan metode analisis yang
Coefficient Correlation Analysis atau yang sering powerful karena dapat diterapkan pada semua skala data,
disebut dengan analisis korelasi Pearson ditemukan pertama tidak membutuhkan banyak asumsi dan ukuran sampel tidak
kali oleh Karl Pearson.Korelasi Pearson berguna untuk harus besar.PLS selain dapat digunakan sebagai konfirmasi
mengetahui hubungan beberapa variabel. Ada tiga asumsi teori juga dapat digunakan untuk membangun hubungan
dasar yang digunakan apabila dilakukan analisis korelasi yang belum ada landasan teorinya atau untuk pengujian
Pearson [12]: proposisi. PLS juga dapat digunakan untuk pemodelan
a. Distribusi nilai variabel berdistribusi normal atau struktural dengan indikator bersifat reflektif maupun
mendekati normal. formatif [14].
b. Dua variabel yang akan dicari korelasinya adalah
variabel kontinyu yang bersifat rasional atau minimal II. METODE PENELITIAN
bersifat interval. Metode penelitian ditunjukkan pada gambar 3 di bawah
c. Hubungan kedua variabel yang akan dikorelasikan ini :
adalah linier.
2) Principal Component Analysis (PCA) Inisiasi Pengambilan
PCA secara aljabar merupakan kombinasi linear khusus Penelitian Data Kuisioner
untuk p variable random X1,…,Xp. Secara geometri,
kombinasi linear menyatakan pemilihan sistem koordinat
Menentukan Analisis
baru yang diperoleh dari merotasi sistem mula-mula Kansei Word Multivariat
X1,…Xp sebagai sumbu-sumbu koordinat [13]. Sumbu
koordinat yang baru sangat tergantung dari matriks
kovariansi (atau matriks korelasi). Kansei Word Elemen
Dalam penelitian ini PCA dilakukan untuk mereduksi 20 ke SD Scale Desain
axis dari emosi (KW), ke dalam dua atau tiga axis dengan
langkah awal menentukan nilai eigenvalue, seperti dalam
Spesimen Matriks Kansei
kutipan [9]: E-Learning Engineering
“PCA is to enable the research to understand the
structure of emotion clearly and the description of
subject respond is much constructive. PCA is also used Klasifikasi
to help identify space in overlapping positive values in Elemen Desain
each component, which can be used to strategise new
Gambar 3. Metode Penelitian
target concept of website design from the perspective of
emotion”
107
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 1 April 2017
108
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 1 April 2017
TABEL VI
2 7 RATA-RATA HASIL REKAPITULASI PARTISIPAN
WEBSITE ID
NO
Kansei Word 1 2 3 4 5 …
1 DINAMIS 2.40 3.70 1.75 3.95 3.60
2 FUTURISTIK 2.50 3.95 2.00 3.90 3.90
3 8
3 INFORMATIF 3.05 3.65 2.90 3.80 4.00
4 LEMBUT 2.25 3.05 2.50 3.40 3.55
5 SEDERHANA 3.60 3.25 3.35 3.25 3.65
…
4 9
Keseluruhan data dirata-ratakan secara manual dengan
Microsoft Excel. Selanjutnya data rata-rata tersebut
digunakan untuk analisis statistik multivariat dalam langkah
berikutnya.
109
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 1 April 2017
Factor Analysis (FA). Berikut ini hasil dari ketiga analisis 18.403%. Pada baris cumulative menunjukkan akumulasi
tersebut: hingga PC2 sebesar 82.040% dan artinya nilai PC1 dan PC2
1) Coefficient Correlation Analysis (CCA) sudah mewakili dari analisis data atau berpengaruh terhadap
Dalam mengetahui korelasi antar Kansei Word atau yang emotion. Bila diamati pada PC3 hingga PC9, memiliki nilai
selanjutnya disebut dengan emotion, dilakukan CCA dengan eigenvalue rendah dan tidak terlalu signifikan pada nilai
metode korelasi Pearson, hasil analisis ditunjukkan oleh cumulative, karena sudah diwakili oleh nilai PC1 dan PC2
tabel VII. dengan tingkat cumulative di atas 80% maka didapat dua
faktor yakni PC1 dan PC2, yang selanjutnya disebut dengan
TABEL VII F1 dan F2.
HASIL ANALISIS CCA
Tiga tahapan analisis PCA dikalkulasikan untuk
Variables Dinamis Futuristik Informatif Lembut … menganalisis F1 dan F2 dalam memberikan gambaran
hubungan emotion maupun spesimen, yakni:
Dinamis 1
a. PC Loading, dimana dalam penelitian ini digunakan
Futuristik 0.957 1 untuk mengetahui sebaran emotion sehingga dapat
Informatif 0.865 0.933 1 disimpulkan konsep emotion yang berpengaruh dalam
Lembut 0.850 0.777 0.766 1 spesimen.
…
110
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 1 April 2017
Axis X,
Keatraktifan /
“Attractiveness”
Axis Y,
Keceriaan /
Gambar 6. Axis Y, Cuteness “Cuteness”
111
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 1 April 2017
PC Vector menunjukkan sebaran spesimen dan Korelasi di atas disusun berurutan dengan nilai terkecil
emotion, seperti pada spesimen 6 dimana emotion yang hingga terbesar untuk mengetahui emotion yang memiliki
mendekati adalah manis dan childish sedangkan pada nilai terbesar. Tabel XI merupakan uraian dari tabel X. Nilai
spesimen 10 cenderung sederhana dan formal. Area minimum yang digunakan adalah > 0.7, namun untuk
Kansei ditunjukkan oleh lingkaran lonjong pada mempersempit jumlah emotion dan berfokus pada emotion
kuadran positif. Hal ini artinya bahwa emotion yang yang memiliki nilai berpengaruh besar, maka pada faktor 1
terdapat pada lingkaran tersebut menjadi acuan dalam berpatokan terhadap nilai > 0.9, dimana terdapat emotion
perancangan konsep E-Learning berbasis web. “Bergairah”, “Nyaman”, “Futuristik”, “Unik”, “Serasi” dan
Kesimpulan dari analisis PCA terhadap F1 dan F2 “Informatif”, secara subjektif emotion tersebut terangkum
menghasilkan dua konsep axis x dan y yang dinamakan kedalam konsep “Keatraktifan” atau “Attractiveness”. Tidak
“Attractiveness” dan “Cuteness”. ada patokan khusus dalam penamaan konsep tersebut, kata-
kata yang dapat merepresentasikan emotionlah yang
3) Factor Analysis (FA) diberikan dalam penamaan konsep. Sedangkan pada faktor
Untuk memperinci dan memperkuat hasil dari PCA, kedua terdapat 3 emotion yang berada mendekati nilai 1
diperlukan analisis lanjutan yakni Factor Analysis (FA) atau > 0.7 yakni “Manis”, “Feminim”, “Childish” yang
dengan menggunakan software XLStat. Data rekapitulasi secara subjektif dinamakan konsep “Keimutan” atau
rata-rata digunakan sebagai bahan analisis FA dengan “Cuteness”. Sedangkan pada factor 3 dapat dilihat bahwa
menggunakan varimax rotation untuk memperoleh nilai tidak ada emotion yang memiliki pengaruh kuat dalam
yang lebih akurat. Tabel IX menunjukan hasil analisis faktor artian > 0.7, maka faktor 3 dapat direduksi, seperti yang
dengan varimax rotation. diuraikan pada tabel XI.
TABEL IX
HASIL ANALISIS FAKTOR DENGAN VARIMAX ROTATION
TABEL XI
KONSEP EMOTION BERDASARKAN FAKTOR
Faktor 1 Faktor 2 Faktor 3 Faktor Faktor Faktor
Variabel Variabel Variabel
Contribution (%) 59.881 18.626 7.081 1 2 3
Cumulative % 59.881 78.507 85.588 Kaku -0.945 Formal -0.915 Sederhana -0.835
Rumit -0.886 Tajam -0.424 Rumit -0.242
Terdapat tiga faktor dengan faktor 1 tingkat … … … … … …
Contribution sebesar 59.88%, faktor 2 sebesar 18.63% dan Mewah 0.899 Dinamis 0.268 Kaku 0.192
faktor 3 sebesar 7.08%. Hal ini berarti besaran faktor 1 Informatif 0.925 Terang 0.318 Terang 0.203
memiliki tingkat keberpengaruhan yang tinggi yakni Serasi 0.938 Colorful 0.322 Dinamis 0.279
59.88% dan faktor 2 dengan tingkat keberpengaruhan
Unik 0.955 Lembut 0.385 Mewah 0.290
dibawah faktor 1. Dilihat dari faktor 3 dengan tingkat
Futuristik 0.962 Manis 0.761 Lembut 0.363
keberpengaruhan yang rendah yakni 7.08%, faktor 1 dan
Nyaman 0.963 Feminim 0.905 Feminim 0.402
faktor 2 menjadi faktor dominan dan menjadi parameter
Bergairah 0.973 Childish 0.942 Manis 0.469
keberpengaruhan dengan emotion, sedangkan faktor 3 dapat
112
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 1 April 2017
BodyBGCol Gray
BodyBGCol Blue
kategori.
ID SPESIMEN
BGStyle Solid
BodyBGCol
BodyBGCol
Maroon
113
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 1 April 2017
MAIN
DINAMIS Range FUTURISTIK Range BODY
… Design MENU
No Emotion …
Category 0.054 Category 0.059 Concept BG BG Font BG
Color Style Color Color
Top Menu Style 0.073 Left Menu Font 0.075 Light-
Top Menu Informatif Blue Solid Gray
Gray
Head Font 0.063 0.074
Position Childish Gray N/S Red Green
Left Menu Picture 0.054 Body BGStyle 0.070 CUTEN
2 Feminim Gray N/S Black Pink
Top Menu Name 0.053 Footer Position 0.067 ESS
Manis Gray N/S Black Pink
Main Menu
Top Menu Position 0.053 0.066
BGColor Dalam tabel XV data diinterpretasikan, misalnya pada
Right Menu Font 0.053 Head Font 0.065 konsep “Attractiveness” dengan emotion “Bergairah”
Body BGStyle 0.051 Footer PicSize 0.053 menunjukkan bahwa:
… … … … … a. Warna tampilan background interface E-Learning
berwarna hijau.
Pada tabel XIV kategori yang memiliki nilai di atas atau b. Style tampilan background adalah solid (Hijau Solid).
sama dengan range rata-rata adalah variabel-variabel yang c. Warna huruf yang digunakan adalah putih.
memiliki pengaruh dalam perancangan layout konsep d. Warna dasar untuk Main Menu adalah hijau.
emotion. Seperti halnya pada kolom “Dinamis”, variabel
yang memiliki pengaruh adalah Body Font Color hingga IV. KESIMPULAN
Left Menu Picture. Dengan nilai tertinggi Body Font Color
yang berarti kategori tersebut memiliki pengaruh yang kuat Perancangan desain interface E-Learning dilakukan
dalam perancangan layout konsep emotion “Dinamis”. dengan pendekatan Kansei Engineering menghasilkan
Sedangkan Top Menu Name, Top Menu Position hingga usulan rekomendasi serta melibatkan faktor psikologis dan
variabel terakhir dibawahnya memiliki nilai lebih rendah emotion. Langkah-langkah komprehensif Kansei
dari range patokan, artinya variabel-variabel tersebut tidak Engineering melalui tahapan analisis statistik multivariat
memiliki pengaruh terhadap perancangan desain konsep yakni Coefficient Component Analysis, Principal
emotion “Dinamis”. Component Analysis, Factor Analysis, Partial Least Square
Analysis dan Cluster Analysis dilibatkan dalam proses
E. Matriks Usulan Analisis Kansei Engineering analisis data untuk menerjemahkan konsep emotion dan
Hasil akhir berupa matriks usulan tampilan E-Learning, menghasilkan elemen desain berdasarkan emotion, dapat
data direkap secara manual berdasarkan hasil analisis PLS. disimpulkan penelitian ini menghasilkan:
Skor nilai variabel tertinggi dalam PLS dimasukan ke dalam 1. Dua konsep emotion yakni “Attractiveness” yang
tabel matriks usulan tampilan E-Learning. Emotion terdiri dari elemen emotion “Bergairah”, “Nyaman”,
dimasukkan ke dalam tabel matrik usulan merupakan “Futuristik”, “Unik”, “Serasi” dan “Informatif serta
emotion berpengaruh hasil Factor Analysis dimana emotion “Cuteness” yang terdiri dari elemen emotion
tersebut dirangkum dalam dua konsep tampilan E-Learning, “Childish”, “Feminim” dan “Manis”.
yakni “Attractiveness” dan “Cuteness”. 2. Matrik Usulan Tampilan E-Learning berupa elemen
Factor Analysis (FA) yang sudah dilakukan dalam desain berdasarkan konsep emotion dan elemen
analisis sebelumnya menghasilkan beberapa emotion yang emotion (tabel XV).
terdapat dalam konsep tampilan E-Learning, Sebagai pelengkap akhir dalam bagian ini, ada sejumlah
“Attractiveness” dan “Cuteness” serta menjadi referensi saran yang dapat diajukan, yaitu sebagai berikut:
dalam perancangan usulan matriks. Tabel XV menunjukan 1. Perlunya analisis lanjutan yakni Confirmatory Study,
bagian dari matriks usulan Analisis Kansei Engineering. yang bersifat pembuktian terbalik dan dilakukan
setelah pembuatan prototipe untuk memvalidasi serta
TABEL XV mengembangkan hasil analisis Kansei Engineering.
MATRIKS USULAN KATEGORI BODY DAN MAIN MENU 2. Perlu melibatkan partisipan yang memiliki
MAIN pengetahuan mendalam dalam produk yang diteliti
BODY
No
Design
Emotion
MENU dalam penerapan Kansei Engineering.
Concept BG BG Font BG …
3. Analisis Kansei Engineering tidak hanya dapat
Color Style Color Color
diterapkan dalam sisi desain tampilan / interface,
Bergairah Green Solid White Green
namun dapat diterapkan dalam perancangan sistem,
Light-
Nyaman Green Solid Gray
Gray
perancangan menu atau fitur.
Attrac-
1 Light-
Tiveness Futuristik Blue Solid Gray
Gray
Unik Blue Solid Blue Gray
Serasi Green N/S White Gray DAFTAR PUSTAKA
114
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 1 April 2017
[1] Prihati, “Penerapan Model Human Computer Interaction (HCI) [8] I.G.T.Isa, A. Hadiana & Asriyanik, “Web Based E-Learning System
dalam Analisis Sistem Informasi (Studi Kasus SAS DIKMENTI Analysis Using Kansei Engineering”, Prosiding SENTRA UMM,
DKI Jakarta)”, M.Kom, Thesis Universitas Diponegoro, Semarang, 2-3 September 2016, Vol. 2.
Indonesia, 2012. [9] A.M. Lokman, “Emotional user experience in web design: The
[2] A.M. Lokman, M.N.N Laila & M. Nagamachi, “Kansei Engineering: Kansei Engineering Approach”, Malaysia: Universiti Teknologi
A Study on Perception of Online Clothing Website”, 10th QMOD Mara, 2009.
Conference. Our Dreams of Excellence, 18-20 June 2007, No. 026, [10] M.Nagamachi & A.M.Lokman, “Innovation in Kansei/Affective
Linkoping University Press, 2008. Engineering”, Boca Raton, FL: CRC Press, 2010.
[3] Tim Pengembang Ilmu Pendidikan FIP – UPI, Ilmu dan Aplikasi [11] S.Santoso, Statistik Multivariat, Jakarta: PT. Gramedia, 2010.
Pendidikan, Bagian 4 Pendidikan Lintas Bidang, Bandung: Imtima, [12] Wahana Komputer, Solusi Mudah dan Cepat Menguasai SPSS 17.0
2007. untuk Pengolahan Data Statistik, Jakarta: PT. Elex Media
[4] I. Santoso, Interaksi Manusia & Komputer, Yogyakarta: CV. Andi Komputindo, 2009.
Offset, 2009. [13] H.A. Parhusip, D.Widyananto & K.B.Desinova, “Properti dan
[5] T.T.Shiang, Kamus Lengkap Jepang Indonesia, Jakarta: Perdagangan sebagai Sektor Dominan pada Data Bursa Saham
GAKUSHUDO, 2013. dengan Principal Component Analysis (PCA)”, Prosiding Seminar
[6] A.M.Lokman, “Design & Emotion: The Kansei Engineering Nasional Sains dan Pendidikan Sains, 2008, No.1.
Methodology”, Malaysian Journal of Computing 1.1, 2010, p.1-11. [14] I.G.N.Mindrajaya & I.M.Sumertajaya, “Pemodelan Persamaan
[7] A.M.Lokman & M. Nagamachi, Kansei Engineering – A Beginner Struktural dengan Partial Least Square”, Semnas Matematika dan
Perspective, Malaysia: UPENA UiTM, 2010. Pendidikan Matematika, 2008.
115