Pemetaan Preferensi Eksternal Responden Perorangan

Pendekatan lain untuk pemetaan preferensi eksternal adalah menyesuaikan model regresi individu
dengan data kesukaan setiap responden secara keseluruhan. Seperti dalam pemetaan preferensi
internal, responden dengan model pemasangan yang buruk dapat dikeluarkan dari analisis lebih lanjut.
Untuk responden yang tersisa, tindakan standar didefinisikan untuk mewakili "kepuasan." Misalnya,
seorang responden dapat dikatakan “puas” dengan titik mana pun pada peta preferensi dengan
perkiraan tingkat kesukaan 5,0 atau lebih. Alternatifnya, seorang responden dapat dikatakan “puas”
dengan setiap titik di peta yang memiliki tingkat kesukaan yang diperkirakan dalam 0,5 unit dari tingkat
kesukaan maksimum yang diprediksi. Persentase responden yang puas terhadap setiap titik pada peta
preferensi kemudian diplotkan pada contour. Keuntungan dari pendekatan ini adalah, seperti pemetaan
preferensi internal, ini adalah self-segmenting. Beberapa produk target dapat diidentifikasi sebagai titik
terpisah pada peta yang sesuai dengan area dengan kepuasan tinggi. Keuntungan yang tidak dimiliki
oleh pendekatan ini dengan pemetaan preferensi internal adalah bahwa setiap data responden dapat
disesuaikan menggunakan model titik ideal, sehingga titik interior pada peta dapat diidentifikasi sebagai
titik yang paling disukai secara keseluruhan. (Pemetaan preferensi internal, dalam arti tertentu,
merupakan model vektor, yang hanya dapat menunjukkan arah peningkatan kesukaan.) Kerugian dari
metode ini adalah bahwa model dari data masing-masing responden seringkali buruk. Entah banyak
responden dikeluarkan dari analisis atau definisi yang sangat liberal dari model yang dapat diterima
perlu digunakan untuk mempertahankan sebagian besar responden dalam analisis.
Pemetaan Kuadrat Terkecil Parsial

Profil Produk Sasaran Ditentukan oleh Rekayasa Balik

Sensory Attribute Target Profile

FL meat identity 4.9

FL brothy 4.9
TXT meat firm 6.2
APP potato size 10.8
APP green herb AMT 6.1
APP solid size 8.5
TXT potato firm 4.3
FL carrot 3.0
FL celery 2.9
FL wheat 3.7
TXT vegetable firm 2.7
FL green herbs 3.3
FL meat nonnatural 2.3
TXT viscosity (sauce) 3.1
FL black pepper 1.7
FL spice blend 0.2
FL bitter 2.8
FL sour 1.7
FL filler 4.4
APP solid AMT (no potato) 7.1
FL onion 2.4
APP sauce clarity 4.1
APP surface oil 8.8
TXT oily MF 5.6
FL salty 7.4
APP potato AMT 7.4
FL corn 0.4
FL potato 0.0
FL red bell pepper 0.1
FL sweet 0.7

peringkat kesukaan konsumen secara keseluruhan dan variabel independen (x) adalah peringkat atribut
sensorik. Karena PLS dapat menangani banyak variabel dependen dalam model yang sama, peringkat
kesukaan keseluruhan dari basis responden total, serta segmen minat konsumen mana pun, dapat
dimasukkan dalam satu analisis. Hal ini berguna untuk menentukan persamaan dan perbedaan dalam
atribut yang mendorong rasa suka di antara segmen.

Peta PLS untuk data makanan siap saji disajikan pada Gambar diatas. Peringkat kesukaan keseluruhan
dari total basis responden, serta dari dua segmen preferensi merupakan variabel dependen dalam
analisis PLS. Atribut sensorik yang sama yang digunakan dalam peta preferensi eksternal adalah variabel
independen dalam model PLS. Produk A, C, dan G muncul di kuadran yang sama dengan titik segmen
preferensi konsumen, segmen 1 dan segmen 2, yang menunjukkan bahwa produk tersebut sangat
disukai oleh kedua segmen tersebut. Produk B, E, dan F berada di sisi peta yang berlawanan dari segmen
1, menunjukkan bahwa produk tersebut tidak disukai oleh segmen konsumen tersebut. Sebaliknya,
produk H dan I berada di sisi peta yang berlawanan dari segmen 2, menunjukkan bahwa produk ini
paling tidak disukai oleh konsumen di segmen tersebut.
 % Respondent w/ R2>0.65 and predicted CA within 0.5 of maximum CA 32
sat05

<0

30 0–10

10–20

28

26

24

60 65 70 75

Crispness

Plot kontur persentase responden yang puas (di antara responden yang model individualnya memiliki
R2O0.65). Perhatikan beberapa wilayah dengan kepuasan tinggi pada kerenyahan sedang/kelembapan
rendah, kerenyahan tinggi/kelembapan sedang, dan kerenyahan sedang/kelembaban tinggi.

Jarak antara titik-titik segmen 1 dan segmen 2 pada Gambar diatas menunjukkan adanya perbedaan
atribut sensorik yang mendorong rasa suka pada kedua segmen tersebut. Atribut sensorik yang
mendekati titik yang diplot untuk setiap segmen adalah penggerak positif untuk segmen tersebut.
Atribut yang berada di seberang peta dari titik yang diplot adalah penggerak negatif. Inspeksi Gambar
memperlihatkan perbedaan key driver antara kedua segmen. Segmen 1 lebih menyukai produk dengan
banyak potongan daging, kentang, dan sayuran yang besar dan keras serta identitas daging dengan
intensitas tinggi, herba hijau, wortel, bawang merah, dan rasa seledri serta intensitas rendah pada rasa
daging non-alami. Segmen 2, di sisi lain, lebih suka banyak kentang keras besar dengan saus bening,
kekentalan rendah, rasa identitas daging tinggi, sifat manis mulut rendah, dan kepedasan rendah
(terutama lada hitam). Temuan ini sangat sesuai dengan hasil dari peta preferensi internal dan
eksternal.

Dengan cara ini, peneliti dapat mencoba metode statistik yang berbeda untuk menambang data dalam
upaya untuk mengkonfirmasi hasil dan mencari informasi tambahan tentang produk dan konsumen.

Menggunakan metode statistik yang berbeda untuk menambang data memungkinkan peneliti untuk
memvalidasi silang hasil utama penelitian dan mengungkap informasi tambahan tentang kedua produk.