PENGERTIAN ANALISIS KONJOIN

Menurut Hair et al (2010), “Analisis tautan adalah teknik multivariat yang

dikembangkan secara khusus untuk memahami bagaimana responden mengembangkan
preferensi untuk semua jenis objek (produk, layanan, atau ide). Analisis konjugasi adalah
teknik multivariat yang digunakan secara khusus untuk memahami bagaimana responden
mengembangkan preferensi mereka untuk semua jenis objek (produk, layanan, atau ide).

Analisis ini didasarkan pada premis sederhana bahwa konsumen mengevaluasi nilai
turunan atau utilitas suatu produk atau jasa (baik nyata maupun hipotetis) dengan kombinasi
utilitas yang mereka berikan untuk setiap atribut (karakteristik) produk atau jasa. Pendekatan
analitis ini memberikan kesempatan kepada responden untuk menunjukkan substitusi mana
yang ingin mereka beli dan mana yang tidak akan mereka beli (Murti, 2002). Dengan analisis
ini, sebuah desain dapat dibentuk mengenai fitur produk baru, menghasilkan konsep produk
baru, membantu menentukan tingkat harga dan memperkirakan penjualan.

TUJUAN ANALISIS KONJOIN

Menurut Sarwono (2006), tujuan analisis konjoin meliputi:

1. Untuk menentukan kepentingan relatif atribut dalam proses pilihan konsumen.

2. Perkirakan pangsa pasar produk atau jasa tertentu dengan tingkat atribut yang
berbeda.
3. Menentukan riasan suatu produk atau jasa yang paling disukai oleh konsumen.
4. Membuat segmentasi pasar berdasarkan kesamaan minat dengan tingkat atribut.

METODE PERANCANGAN DAN PENGUKURAN ANALISIS KONJOIN

Menurut Santoso (2012), prosedur asosiasi berbeda dari analisis multivariat lainnya
karena tidak memerlukan pengujian hipotesis seperti normalitas, homogenitas dan hipotesis.
Menurut Hair et al (2010), metode desain dan pengukuran dalam conjoint analysis adalah:

1. Traditional Conjoint Analysis

Traditional Conjoint Analysis tradisional adalah metode untuk memperkirakan
utilitas individu dari setiap tingkat setiap atribut. Penggunaannya pada profil individu
atau pada profil pasangan lengkap dapat dilakukan secara manual atau komputerisasi.
Perancangan meliputi pendefinisian atribut, penentuan level, dan penentuan format
kuesioner yang sesuai. Nilai yang digunakan dalam analisis keterkaitan tradisional
 dapat diperkirakan dengan menggunakan OLS (Ordinary Minus Squares) pada data
metrik (data peringkat) atau dengan menggunakan regresi monotonik pada data non-
numerik (data peringkat). Menggunakan metode ini akan bekerja dengan benar jika
digunakan pada sejumlah atribut kurang dari 6.
2. Adaptive/Associative Association Analysis (ACA)
Adaptive Linkage Analysis (ACA) adalah metode yang digunakan untuk
merancang profil lengkap. Istilah adaptasi mengacu pada wawancara terkomputerisasi
dan mencakup langkah-langkah yang akan menentukan seberapa diinginkan suatu
level dan seberapa penting setiap atribut. Responden dihadapkan pada suatu
pertanyaan berupa angket dan kemudian dipersilahkan untuk menjawab pertanyaan-
pertanyaan yang dikandungnya. Pertanyaan yang dihadapi responden dapat berupa
beberapa jenis pilihan, penilaian, atau pertanyaan penilaian. Jenis pertanyaan adalah
atribut penting atau pasangan pertanyaan. Estimasi nilai utilitas diperoleh dari
preferensi responden untuk setiap level dan kepentingan setiap atribut.
Saat ACA pertama kali diperkenalkan, nilai usability diestimasi menggunakan
OLS (Ordinary Least Squares). Namun seiring waktu ACA berkembang menjadi
versi yang lebih kompleks. Saat ini, ACAHierarchical Bayes Estimate (HB)
digunakan untuk memperkirakan nilai kegunaan suatu produk. Di pasar produk, nilai
utilitas responden digunakan untuk memperkirakan kekuatan pilihan produk atau
layanan. Metode ACA ini akan efektif jika digunakan pada sejumlah properti hingga
30 untuk setiap atribut dengan maksimal 15 level dan tidak akan memberikan
manfaat apa pun jika digunakan pada sejumlah atribut kurang dari 6, meskipun
setidaknya akan berhasil seperti di profil lengkap. Dengan jumlah atribut yang
banyak, hanya analisis komputer yang memungkinkan karena responden tidak dapat
melakukannya secara manual. Seperti profil lengkapnya, ACA dapat mengukur
kegunaan setiap tingkat individu dan hanya dapat mengukur dampak utama dari setiap
atribut.
3. Choice Based Combination (CBC)
CBC (Choice Based Combination) adalah perkembangan baru. Penggunaan
metode ini dalam skala besar baru diamati selama 5 tahun. Dalam metode ini,
responden melihat semua alternatif yang tersedia dan kemudian diperbolehkan untuk
memilih salah satu dari banyak pilihan atau tidak memilih salah satu dari banyak
pilihan yang tersedia. CBC dapat dilakukan pada properti kecil atau besar, manual
atau komputerisasi.
 Tidak seperti townhouse tradisional dan townhouse adaptif, salah satu
kelemahan CBC adalah ketidakmampuannya untuk mengukur tingkat utilitas
individu. Dalam kasus pencocokan berbasis pilihan (CBC), penyesuaian diperlukan
untuk menghasilkan kelompok pilihan yang mencakup lebih dari satu konsep produk
atau layanan. Untuk mengukur nilai yang dapat digunakan, gunakan regresi probit
atau regresi logit.

PROSEDUR ANALISIS KONJOIN

Dalam analisis konjoin ada prosedur yang wajib di jalani antara lain selaku berikut.

1. Merumuskan Masalah
Periset wajib mengidentifikasi ataupun mengenali atribut dengan tingkatan
ataupun tingkat tiap-tiap dipergunakan untuk membentuk stimulus. Tingkat atribut
menampilkan nilai yang diasumsikan oleh atribut. Atribut yang diseleksi wajib sangat
berarti di dalam pengaruhi preferensi dan opsi pelanggan. Selaku contoh: dalam
memilah sesuatu merek mobil atribut yang dibutuhkan anatara lain harga,
mengkonsumsi bahan bakar, ruang bidang dalamnya, kecepatannya.
Banyaknya tingkatan atribut memastikan banyaknya parameter yang hendak
diperkirakan dan pula pengaruhi banyaknya stimulus yang hendak dievaluasi oleh
responden. Atribut yang diseleksi hendak pengaruhi penilaian pelanggan. Atribut dan
tingkat tiap- tiap dipergunakan selaku input untuk menyusun stimulus selaku
campuran tingkat atribut dalam analisis konjoin.
2. Membentuk Stimulus
Terdapat 2 metode pembuatan stimulus analisis konjoin ialah pendekatan
pendamping (the pairwise approach) dan prosedur profil penuh( full- profil
procedure). Di dalam pendekatan pendamping, responden memperhitungkan 2 atribut
tiap kali hingga seluruh mungkin pendamping 2 atribut sudah berakhir dievaluasi.
Tidak butuh mengevaluasi seluruh mungkin campuran sebab tidak bisa jadi untuk
dilaksanakan.
Di dalam pendekatan pairwise, dimungkinkan untuk mereduksi ataupun
kurangi jumlah perbandingan pendamping dengan memakai cyclical designs. Sama
halnya di dalam pendekatan full-profile, jumlah stimulus profile bisa dikurangi
dengan memakai fractional factorial design. Sesuatu kelas spesial fractional designs,
yang diucap orthogonal arrays, membolehkan untuk mengestimasi seluruh main
 effects. Orthogonal arrays membolehkan pengukuran seluruh main effects of interest
on an uncorrelated basis. Desain ini mengasumsikan kalau seluruh interaksi yang
tidak berarti bisa diabaikan. Contoh: sepatu karet ataupun sepatu berolahraga
menjajaki pendekatan full profile. Dengan diketahuinya 3 atribut tiap- tiap dengan 3
tingkatan tingkat hingga diperoleh jumlah stimulinya 3 x 3 x 3= 27. Untuk kurangi
tugas penilaian dari responden, a fractional designs dibutuhkan.
3. Memastikan Wujud Informasi Input
Untuk pendekatan pendamping 2 atribut ataupun pairwise, responden
membagikan peringkat (rank) seluruh cell dari tiap matriks dinyatakan dalam
kemauan mereka (their desirability). Sebaliknya untuk pendekatan full profile, mereka
membagikan peringkat (rank) seluruh stimulus profiles.
4. Memilah Sesuatu Prosedur Analisis Konjoin
Sebagian prosedur yang berbeda ada untuk mengestimasi model bawah yang
sangat simpel, dan sangat terkenal ialah dummy variable regression, maksudnya
sesuatu regresi, variabel leluasa/prediktor terdiri dari veriabel dummy untuk tingkat
dari atribut. Bila yang diperoleh informasi metrik, lewat rating, berbentuk interval
ataupun rasio, wujud variabel tidak leluasa (variabel dependen). Jika informasinya
non metrik hasil ranking bisa jadi diganti jadi 0 ataupun 1 dengan membuat
perbandingan pendamping (pair comparison’s) antara merk.
Di dalam perihal ini, variabel leluasa ataupun prediktor mewakili
perbandingan di dalam tingkat atribut dari merk yang lagi diperbandingkan.Prosedur
lain yang pas untuk informasi non metrik yakni linmap dan monanova. Periset pula
wajib memutuskan apakah informasi hendak dianalisis pada tingkatan individual
ataupun pada tingkatan agregat. Pada tingkatan individual, informasi dari tiap
responden dianalisis secara terpisah. Jika analisis tingkatan agregat dicoba, sebagian
prosedur untuk pengelompokan responden wajib dipikirkan. Salah satu pendekatan
yang umum yakni pertama- tama mengestimate part-worth tingkatan individual
ataupun guna utility. Setelah itu responden dikelompokkan bersumber pada kemiripan
part- worth- nya. Analisis agregat setelah itu dicoba untuk tiap klaster. Model yang
pas untuk memperkirakan parameter wajib didetetapkan secara khusus.
5. Interpretasi Hasil
Untuk menginterpretasikan hasil analisis, butuh diplotkan guna part- worth.
Interpretasi hasil ini dicoba pada seluruh tingkatan kepentingan atribut dengan
membuat sesuatu grafik perbandingan antara nilai kepentingan dan tiaptiap atributnya.
6. Evaluasi Keandalan dan Kesahihan
Sebagian prosedur ada untuk memperhitungkan keandalan dan kesahihan
(reliability and validity) dari analisis konjoin.
a. Ketepatan ataupun kecocokan dari ditaksir model wajib dievaluasi.
b. Uji keandalan yang diulangi (test- retest reliability) dapat dievaluasi dengan
memperoleh sebagian pertimbangan yang diulangi (few replicated judgments)
setelah itu, dalam koleksi informasi. Dengan perkataan lain, dalam wawancara
responden dimohon untuk mengevaluasi lagi stimus tertentu yang diseleksi.
dua nilai dari stimulus ini setelah itu dikorelasikan untuk memperhitungkan
test-retestreliability.
c. Penilaian untuk stimuly hold out or validition bisa diprediksi dengan guna
part-worth yang diestimasi.
d. Penilaian yang diprediksi setelah itu bisa dikorelasikan dengan yang diperoleh
dari responden untuk memastikan internal validity.
e. Jika analisis tingkatan/tingkat agregat sudah dicoba, ditaksir ilustrasi bisa
dipecah dengan sebagian metode, dan analisis conjoint dicoba untuk tiap sub
sample untuk mengevaluasi stabilitas dari pemecahan analisis konjoin