Subscribe to DeepL Pro to translate larger documents. Visit for more information.

Jurnal Perangkat Lunak Statistik

September 2012, Volume 50, Potongan Kode 2. http://www.jstatsoft.org/

Fungsi Dasar untuk Mendukung Pelaksanaan

Eksperimen Pilihan di R
Hideo Aizaki
Organisasi Penelitian Pertanian dan Pangan Nasional

Abstrak
Dukungan paket.CEs menyediakan tujuh fungsi dasar yang mendukung
implementasi eksperimen pilihan (CE) dalam R: dua fungsi untuk membuat desain CE,
yang didasarkan pada susunan efek utama ortogonal; sebuah fungsi untuk mengubah
desain CE ke dalam format kuesioner; sebuah fungsi untuk mengubah desain CE ke
dalam matriks desain; sebuah fungsi untuk membuat set data sesuai untuk
implementasi model logit bersyarat; sebuah fungsi untuk menghitung ukuran
kesesuaian model yang diestimasi; dan sebuah fungsi untuk menghitung kesediaan
marjinal untuk membayar untuk atribut dan / atau tingkat model yang diestimasi.

Kata kunci: himpunan pilihan, model logit bersyarat, kesediaan membayar marginal,
kuesioner, rho-kuadrat, kelangsungan hidup, DoE.base.

1. Pendahuluan
Eksperimen pilihan (CE) - juga dikenal sebagai eksperimen pilihan diskrit, metode pilihan
yang dinyatakan (diskrit), metode pilihan yang dinyatakan berbasis atribut, atau analisis
konjoin berbasis pilihan - telah menjadi salah satu metode statistik terpenting yang digunakan
oleh berbagai penelitian di berbagai bidang penelitian dalam ilmu sosial (Bateman et al. 2002;
Bennett dan Blamey 2001; Hensher, Rose, dan Greene 2005; Holmes dan Adamowicz 2003;
Kanninen 2007; Louviere, Hensher, dan Swait 2000; Ryan, Gerard, dan Amaya-Amaya 2008).
Meskipun banyak dari penelitian ini telah menguraikan berbagai cara yang dapat digunakan
untuk menerapkan CE, mungkin tidak mudah bagi mereka yang relatif tidak terbiasa dengan
CE untuk membuat desain CE dan melakukan analisis statistik terhadap jawaban atas
pertanyaan-pertanyaan CE tanpa dukungan tambahan.
Paket support.CEs (Aizaki 2012) menyediakan tujuh fungsi dasar untuk CE dalam R (R De-
velopment Core Team 2012): dua fungsi untuk membuat desain CE berdasarkan susunan efek
utama ortogonal; sebuah fungsi untuk mengubah desain CE ke dalam format kuesioner; sebuah
fungsi
 2 Fungsi Dasar untuk Eksperimen Pilihan di

untuk mengubah desain CE menjadi matriks desain; sebuah fungsi untuk membuat kumpulan
data sesuai untuk menerapkan model logit bersyarat (CL); sebuah fungsi untuk menghitung
ukuran kecocokan model yang diestimasi; dan sebuah fungsi untuk menghitung kesediaan
membayar marjinal (marginal willingness to pay/MWTP) untuk atribut dan/atau tingkat model
yang diestimasi. Beberapa fungsi ini dikembangkan berdasarkan catatan Aizaki dan Nishimura
tentang pelaksanaan CE di R (Aizaki dan Nishimura 2008) dan sebuah program makro, yang
bekerja di lingkungan Jepang, membuat desain CE, dan melakukan analisis CE berdasarkan
Microsoft Excel yang terhubung dengan R (Aizaki 2009).

2. Garis besar eksperimen pilihan dan dukungan paket.CE

2.1. Langkah-langkah dalam eksperimen pilihan

CE dapat diterapkan pada situasi di mana seseorang memilih satu alternatif dari sekumpulan
alternatif - yang masing-masing diekspresikan dengan sekumpulan atribut - yang
mengungkapkan atribut/tingkat penting yang mempengaruhi pemilihan individu tersebut.
Situasi seperti ini banyak ditemui dalam kehidupan sehari-hari - memilih moda transportasi,
membeli makanan di pasar, memilih klinik, memberikan suara dalam pemilihan umum, dan
lain sebagainya - dan oleh karena itu, CE telah diaplikasikan di berbagai bidang.
Sebelum menguraikan metode untuk mengimplementasikan CE, istilah-istilah dalam
makalah ini akan didefinisikan. "Atribut" adalah karakteristik atau fitur dari sebuah
alternatif. Sebuah "level" atau "tingkat atribut" merepresentasikan nilai dari sebuah atribut.
Satu atribut dapat memiliki dua atau lebih level. Sebuah "alternatif" adalah kombinasi
atribut; yaitu, satu alternatif dapat memiliki dua atau lebih atribut. Sebagai contoh, ketika
menerapkan CE pada riset pemasaran, alternatif akan mengacu pada "barang" atau "jasa"
yang diminta untuk dipilih oleh responden. Sebuah "set pilihan" mengacu pada satu set
alternatif yang tersedia bagi individu. Satu set pilihan mencakup dua atau lebih alternatif,
termasuk alternatif untuk tidak memilih, jika ada. Dalam CE, responden biasanya diminta
untuk memilih alternatif yang paling disukai dari satu set pilihan; oleh karena itu, satu set
pilihan merupakan satu pertanyaan CE. Sebuah "desain CE" mengacu pada kumpulan set
pilihan individu.
Gambar 1 menunjukkan contoh desain CE. Desain CE mencakup total 9 set pilihan (Q1
hingga Q9). Setiap set pilihan (pertanyaan) terdiri dari tiga alternatif ("Alternatif 1",
"Alternatif 2", dan pilihan "tidak satupun"). "Alternatif 1" dan "Alternatif 2" masing-
masing terdiri dari tiga atribut: atribut A dengan tiga tingkat "a1," "a2," dan "a3"; atribut B
dengan tiga tingkat "b1," "b2," dan "b3"; dan atribut C dengan tiga tingkat "c1," "c2," dan
"c3."
Setelah menetapkan tujuan penerapan CE, implementasi CE secara garis besar dapat
diringkas dalam tiga langkah: (1) mengkaji situasi hipotetis dan membuat desain CE; (2)
menyiapkan dan melakukan survei kuesioner; dan (3) menyiapkan kumpulan data dan
melakukan analisis (untuk lebih jelasnya, lihat Bateman dkk. 2002, Bennett dan Blamey
2001, Hensher dkk. 2005, Holmes dan Adamowicz 2003, Kanninen 2007, Louviere dkk. 2000,
Ryan dkk. 2008).
Pada langkah pertama, pengguna CE harus mempertimbangkan situasi hipotetis di mana
responden diminta untuk menjawab pertanyaan CE dengan menggunakan satu atau
beberapa metode berikut: meninjau penelitian sebelumnya, mewawancarai para ahli/orang
yang terlibat dalam masalah pengambilan keputusan dalam pertanyaan CE, melakukan
penelitian lapangan, dan melakukan survei percontohan dan / atau kelompok fokus.
Setelah membangun situasi hipotetis, desain CE diputuskan dan dibuat. Secara garis besar
ada dua pendekatan: pendekatan desain berbasis manual/katalog yang menciptakan CE
 Jurnal Perangkat Lunak Statistik - 3
Cuplikan Kode

Gambar 1: Contoh desain CE.

desain menggunakan susunan ortogonal, dan pendekatan desain optimal berbasis

pencarian komputasi yang menciptakan desain CE dari sudut pandang ukuran efisiensi
desain (misalnya, Johnson, Kanninen, Bingham, dan O¨ zdemir 2007).
Langkah kedua dalam mengimplementasikan CE adalah mempersiapkan dan melaksanakan
survei kuesioner. Meskipun langkah ini serupa dengan yang digunakan dalam survei kuesioner
pada umumnya (misalnya, Mangione 1995; Dillman 2000), perlu dicatat bahwa ukuran sampel
berbeda dengan jumlah responden. Setiap responden diberi beberapa pertanyaan CE dan
ukuran sampel dihitung dengan mengalikan jumlah responden dengan jumlah pertanyaan per
responden (lihat Hensher et al. 2005 untuk metode yang mempertimbangkan jumlah responden
dalam aplikasi CE).
Pada langkah terakhir dalam mengimplementasikan CE, pengguna CE harus menyiapkan
kumpulan data dari sampel yang valid dan melakukan analisis statistik berdasarkan kumpulan
data tersebut dengan menggunakan model pilihan diskrit. Model pilihan diskrit yang populer
untuk aplikasi CE adalah model CL, yaitu
4 Fungsi Dasar untuk Eksperimen Pilihan di

sedikit berbeda dengan model logit multinomial, meskipun nama modelnya sering tertukar
(lihat Greene 2011 atau Wooldridge 2010 untuk mengetahui perbedaan kedua model tersebut).
Probabilitas individu n memilih alternatif i dari kumpulan pilihan Cn dalam model CL adalah
sebagai berikut:

P (i) = exp(Vin )/ Σ
exp(V ).jn
jCn
Vin adalah komponen sistematis dari utilitas yang biasanya diasumsikan sebagai fungsi
aditif linier dari variabel independen Xikn dengan koefisien βik , sebagai berikut:
Σ
K
βikXikn.
Vin =
k=
1

Penting untuk menghitung ukuran kesesuaian untuk mengevaluasi model CL yang diestimasi.
Ukuran yang terkenal adalah ρ2 (rho-kuadrat) - juga disebut R McFadden2 atau R semu2 - yang
dapat didefinisikan sebagai berikut (Ben-Akiva dan Lerman 1985):

ρ2 = 1 - (LL /LL ),b0

di mana LLb dan LL0 adalah nilai log likelihood pada saat konvergensi dan pada saat awal.
Ukuran yang disesuaikan dengan jumlah koefisien (K) didefinisikan sebagai berikut:

ρ¯2 = 1 - (LLb - K/LL ).0

Meskipun banyak informasi yang berguna dapat diperoleh dari model yang diestimasi, MWTP
untuk atribut/level secara luas digunakan dalam penelitian yang menggunakan CE. Dalam
model CL - yang memiliki fungsi utilitas linier sederhana - MWTP untuk variabel non-moneter
dihitung sebagai -b /bnmm ; di mana, bnm adalah koefisien estimasi variabel non-moneter, dan bm
adalah koefisien estimasi variabel moneter. Lebih lanjut, interval kepercayaan untuk MWTP
sering dihitung dengan menggunakan metode simulasi berdasarkan vektor rata-rata dan
matriks varians-kovarians estimasi yang diusulkan oleh Krinsky dan Robb (1986).

2.2. Peran paket

Tabel 1 menunjukkan klasifikasi fungsi-fungsi dalam package support.CE menurut langkah-
langkah dalam CE. Pada langkah pertama, ada dua fungsi - rotation.design dan
Lma.design - untuk membuat desain CE menurut pendekatan berbasis katalog yang
dijelaskan oleh Johnson dkk. (2007) - lihat juga Chrzan dan Orme 2000 dan referensi terkait.
Fungsi rotation.design mengeksekusi metode desain rotasi dan metode desain mix-and-
match. Metode rotasi menggunakan susunan efek utama ortogonal sebagai alternatif pertama
dalam setiap set pilihan; metode ini

Langkah-langkah Fungsi
Memeriksa situasi hipotetis dan membuat desain CE rotasi.desain,
Lma.desig
n Mempersiapkan dan
melakukan survei kuesioner kuesioner
Mempersiapkan kumpulan data dan melakukan analisis statistik make
.design.matrix,
make.dataset, gofm, mwtp

Tabel 1: Fungsi dalam setiap langkah CE.

 Jurnal Perangkat Lunak Statistik - 5
Cuplikan Kode
membuat satu atau lebih alternatif tambahan dengan menambahkan sebuah konstanta pada
setiap level atribut pada alternatif pertama; alternatif ke-k (≥ 2) pada himpunan pilihan ke-
j (= 1, 2, ..., J) dibuat dengan menambahkan satu pada setiap atribut pada alternatif ke-m
pada himpunan pilihan ke-j. Jika tingkat atribut pada alternatif ke-k adalah maksimum,
maka tingkat atribut pada alternatif ke-k diberi nilai minimum.
Metode mix-and-match memodifikasi metode rotasi dengan memperkenalkan proses
pengacakan. Setelah menempatkan satu set N alternatif yang dibuat dari susunan efek
utama ortogonal ke dalam sebuah guci, satu atau beberapa set tambahan dari N alternatif
dibuat dengan menggunakan metode rotasi dan ditempatkan ke dalam guci yang berbeda.
Satu set pilihan dibuat dengan memilih secara acak satu alternatif dari setiap guci. Proses
pemilihan ini diulang, tanpa penggantian, hingga semua alternatif ditugaskan ke dalam N
set pilihan. N set pilihan ini sesuai dengan desain CE.
Fungsi Lma.design merealisasikan metode desain LMA yang secara langsung membuat
desain CE dari larik efek utama ortogonal. Dalam metode desain LMA ini, larik efek utama
ortogonal dengan M kali A kolom faktor tingkat L digunakan untuk membuat setiap set
pilihan yang berisi M alternatif atribut A dengan L tingkat. Setiap baris dari larik tersebut
berhubungan dengan alternatif dari set pilihan.
Fungsi rotation.design dan Lma.design memiliki tiga fitur berikut. (1) Sementara metode
rotasi dan mix-and-match membuat tipe desain CE tanpa label yang dapat berisi atribut
generik dalam fungsi utilitas model CL, metode LMA membuat tipe desain CE berlabel
yang dapat berisi atribut generik dan atribut spesifik-alternatif: atribut generik mengacu
pada atribut yang termasuk dalam semua alternatif; atribut spesifik-alternatif adalah atribut
yang hanya termasuk dalam satu alternatif. (2) Setiap metode bergantung pada larik efek utama
ortogonal yang dibuat dengan menggunakan fungsi oa.design pada paket DoE.base
(Gr¨omping 2012). (3) Setiap fungsi menyediakan opsi dimana desain CE dapat dibagi
menjadi beberapa sub-blok.
Fungsi kuesioner dikembangkan dengan cara mempersiapkan dan melakukan survei
kuesioner. Fungsi ini mengubah desain CE (dibuat oleh fungsi rotation.design atau
Lma.design) menjadi pertanyaan CE yang dapat digunakan dalam survei kuesioner. Fungsi
kuesioner mengurangi keseluruhan waktu yang dihabiskan untuk membuat kuesioner.
Analisis model CL terhadap jawaban pertanyaan CE dalam R dapat dilakukan dengan
menggunakan fungsi clogit dalam paket survival (Therneau 2012). Ketika fungsi ini
digunakan untuk menganalisis jawaban dari pertanyaan-pertanyaan CE, sebuah set data dalam
format khusus diperlukan; setiap alternatif harus terdiri dari satu baris dari set data ini.
Untuk mendukung pembuatan kumpulan data yang sesuai untuk fungsi clogit, dua
fungsi telah
disiapkan. Yang pertama adalah fungsi make.design.matrix: fungsi ini mengubah desain
CE (yang dibuat oleh fungsi rotation.design atau Lma.design) menjadi sebuah matriks
desain, di mana setiap alternatif terdiri dari satu baris matriks. Yang kedua adalah fungsi
make.dataset: fungsi ini membuat sebuah set data yang dapat digunakan untuk fungsi
clogit dengan menggabungkan sebuah set data yang berisi informasi mengenai jawaban dari
pertanyaan-pertanyaan CE (sebuah struktur di mana satu baris menunjukkan satu responden)
dan sebuah set data yang berisi sebuah matriks desain yang berhubungan dengan pertanyaan-
pertanyaan tersebut (dibuat oleh fungsi make.design.matrix).
Meskipun fungsi clogit mengembalikan sejumlah besar informasi tentang model yang
dikawinkan, ρ2 tidak dapat dihitung. Oleh karena itu, fungsi gofm yang menyediakan
ρ2 dan ρ¯2 dikembangkan. Fungsi ini juga menampilkan jumlah koefisien yang
diestimasi, dan nilai log likelihood yang secara otomatis dihitung dalam fungsi clogit
di awal dan
6 Fungsi Dasar untuk Eksperimen Pilihan di

pada saat konvergensi. Untuk menghitung MWTP dari estimasi model CL, fungsi mwtp
dikembangkan. Fungsi mwtp memberikan MWTP dalam kasus fungsi utilitas linier sederhana dan
interval kepercayaan untuk MWTP menurut metode simulasi (Krinsky dan Robb 1986).

3. Penggunaan fungsi

3.1. Membuat desain eksperimen pilihan

Dua fungsi desain - fungsi rotation.design, sesuai dengan metode desain rotasi dan metode
desain padu-padan, dan fungsi Lma.design, sesuai dengan metode desain LMA - memiliki enam
argumen yang sama (Tabel 2). Kombinasi atribut dan level atribut ditetapkan ke argumen
atribut.names dalam format daftar. Sebagai contoh, mari kita asumsikan
bahwa alternatif memiliki tiga atribut, yang masing-masing memiliki tiga level: atribut X
dengan tiga level "x1," "x2," dan "x3"; atribut Y dengan tiga level "y1," "y2," dan "y3";
dan atribut Z dengan tiga level "10," "20," dan "30." Dalam kasus ini, argumen
atribut.names diatur
menjadi list(X = c("x1", "x2", "x3"), Y = c("y1", "y2", "y3"), Z = c("10",
"20", "30")).
Jumlah alternatif per set pilihan ditentukan oleh argumen nalternatives: jumlah
alternatif tidak termasuk alternatif yang tidak dipilih, seperti pilihan "tidak ada satupun."
Misalnya, dalam set pilihan, jika ada dua alternatif produk dan opsi "tidak ada

Argumen Deskripsi
candidate.array Sebuah bingkai data yang berisi larik yang dibuat oleh pengguna.
Biasanya, ketika fungsi ini digunakan, argumen ini tidak perlu
diatur oleh pengguna. Oleh karena itu, nilai defaultnya adalah
NULL.
attribute.names Daftar nama-nama atribut dan level.
nalternatif Nilai integer yang menggambarkan jumlah alternatif per set pilihan,
tidak termasuk alternatif yang tidak dipilih seperti "tidak ada
satupun".
nblocks Nilai integer yang menjelaskan jumlah blok yang menjadi bagian dari desain
CE.
row.renames Variabel logika yang menjelaskan apakah nama baris dari desain CE
yang dibuat oleh fungsi-fungsi ini diubah atau tidak. Ketika nilainya
TRUE (default), nilai integer ditetapkan ke nama baris mulai dari 1.
Ketika nilainya FALSE, nama baris sama dengan nama larik efek
utama ortogonal yang dibuat oleh fungsi oa.design (disertakan
dalam paket DoE.base), atau nama larik yang ditetapkan ke
argumen candidate.array oleh pengguna.
mengacak Jika argumen ini BENAR (default), fungsi akan menjalankan metode padu-
padan. Jika SALAH, fungsi akan menjalankan metode rotasi.
Argumen ini hanya berlaku untuk fungsi rotation.design.
benih Benih untuk generator angka acak.
Tabel 2: Argumen untuk fungsi rotation.design dan Lma.design.
 Jurnal Perangkat Lunak Statistik - 7
Cuplikan Kode
ini" (lihat Gambar 1), maka argumen nalternatives diset menjadi 2.
Ketika desain CE yang besar dibuat (yaitu, CE yang memiliki banyak pertanyaan), responden
dapat membawa beban psikologis yang berat dalam hal menjawab pertanyaan; dalam kasus ini,
desain CE sering kali dibagi menjadi dua atau lebih blok (himpunan bagian) set pilihan
(pertanyaan), dan setiap responden diminta untuk menjawab satu blok pertanyaan. Argumen
nblocks menetapkan jumlah blok. Misalnya, ketika argumen ini ditetapkan menjadi 3 dan
desain CE berisi 27 set pilihan individu (yaitu, ada 27 pertanyaan CE), desain CE dibagi
menjadi 3 blok, yang masing-masing memiliki 9 set pilihan individu (9 pertanyaan CE). Pada
fungsi lma.design, pemblokiran dilakukan berdasarkan faktor dengan level nblocks;
namun, fungsi rotation.design secara acak membagi desain CE menjadi sub-blok
berdasarkan argumen nblocks. Oleh karena itu, dalam kasus fungsi rotation.design,
argumen nblocks harus merupakan pembagi dari jumlah set pilihan yang termasuk dalam
desain CE.
Untuk membuat desain CE di bawah pengaturan default, kedua fungsi tersebut menggunakan
larik efek utama ortogonal yang secara otomatis dihasilkan oleh fungsi oa.design
berdasarkan atribut atribut.names. Namun, bila tidak ada larik efek utama ortogonal
yang sesuai dengan argumen atribut.names, fungsi oa.design mengembalikan faktorial
penuh berdasarkan argumen atribut.names. Ketika kedua fungsi tersebut tidak membuat
tanda CE yang sesuai dengan kebutuhan pengguna, pengguna dapat mencapainya dengan
menetapkan larik sembarang (yang ditentukan pengguna) ke argumen candidate.array:
fungsi kemudian menggunakan larik tersebut untuk membuat desain CE. Ketika larik yang
ditentukan pengguna digunakan, kolom terakhir larik harus berisi kolom untuk membagi
desain berdasarkan argumen nblocks. Argumen atribut.names dan nblocks juga harus
ditetapkan menurut larik.
Ketika metode mix-and-match diimplementasikan oleh fungsi rotation.design, argumen
mengacak ditetapkan sebagai TRUE (default). Ketika metode rotasi diimplementasikan oleh
fungsi, argumen ditetapkan sebagai FALSE.
Setiap fungsi desain mengembalikan tiga jenis keluaran dalam format daftar. Yang pertama
adalah desain CE yang disediakan sebagai daftar (alternatif) objek, alt.j (j = 1, 2, ..., J),
di mana setiap alt.j menyertakan alternatif ke-j dalam setiap set pilihan yang dibuat oleh
fungsi. Setiap objek alt.j berisi variabel atribut yang sesuai dengan argumen
atribut.names, sebuah variabel BLOK yang menggambarkan nomor urut blok, sebuah
variabel QES yang menggambarkan nomor urut soal CE untuk setiap nilai variabel BLOK, dan
sebuah variabel ALT yang menggambarkan nomor urut alternatif untuk setiap nilai variabel
QES. Jenis keluaran kedua adalah objek kandidat: objek ini berisi larik yang digunakan
untuk set kandidat, yang dibuat menggunakan fungsi oa.design dalam paket DoE.base atau
yang ditetapkan pengguna untuk argumen candidate.array. Ketika nblocks ≥ 2, kolom
terakhir dalam set kandidat menunjukkan faktor yang digunakan untuk pemblokiran. Jenis
output ketiga (design.information) adalah informasi yang terkait dengan desain CE yang
dihasilkan oleh fungsi desain, yang digunakan sebagai argumen dalam fungsi pasca-
pemrosesan, seperti fungsi questionnaire dan make.design.matrix. Daftar ini
mencakup objek-objek seperti jumlah blok di mana desain CE dibagi (nblocks), jumlah
pertanyaan per blok (nquestions), jumlah alternatif per set pilihan tidak termasuk alternatif
yang tidak diikutsertakan (nalternatives), dan jumlah atribut per alternatif
(nattributes).
Dalam kasus fungsi rotation.design, pesan kesalahan ditampilkan ketika argumen
nblocks tidak cocok dengan desain CE. Dalam kasus seperti itu, argumen nblocks diatur
untuk menjadi pembagi jumlah baris desain CE. Pesan-pesan lain yang sering ditampilkan
 8 Fungsi Dasar untuk Eksperimen Pilihan di

Argumen Deskripsi
choice.experiment.design Desain CE yang dibuat oleh fungsi rotation.design atau
Lma.design.
categorical.attributes Vektor yang berisi nama-nama atribut yang diperlakukan
sebagai cat-
variabel independen yang bersifat egorikal dalam analisis
model CL.
continuous.attributes Vektor yang berisi nama-nama atribut yang diperlakukan sebagai
con-
variabel independen yang tidak jelas dalam analisis model CL.
tidak berlabel Variabel logika yang menjelaskan jenis desain CE yang
ditandatangani oleh argumen
choice.experiment.design. Jika jenisnya tidak
berlabel, argumen ditetapkan sebagai TRUE (tidak salah).
Jika jenisnya berlabel, maka akan ditetapkan sebagai
FALSE.
optout Variabel logika yang menjelaskan apakah alternatif opt-
out disertakan dalam matriks desain yang dibuat oleh
fungsi ini atau tidak. Jika TRUE (default), alternatif opt-
out disertakan; jika tidak, maka tidak.
Tabel 3: Argumen untuk fungsi make.design.matrix.

segera setelah mengeksekusi dua fungsi ketika fungsi-fungsi ini bekerja dengan baik. Mes-
sages ini diambil dari fungsi oa.design dan mungkin berguna bagi pengguna yang ingin
mendefinisikan larik asli dan memberikannya argumen candidate.array.

3.2. Mengubah desain eksperimen pilihan ke dalam format kuesioner

Kuesioner fungsi mengubah desain CE yang dibuat oleh fungsi rotation.design atau
Lma.design menjadi pertanyaan CE yang digunakan dalam survei kuesioner. Desain CE
ditetapkan ke argumen choice.experiment.design. Pertanyaan CE yang dikonversi dari
desain CE dikembalikan dalam urutan nilai jumlah blok dan jumlah pertanyaan.

3.3. Mengubah desain eksperimen pilihan menjadi matriks desain

Fungsi make.design.matrix mampu mengubah desain CE yang dibuat oleh fungsi
rotation.design atau Lma.design menjadi sebuah matriks desain yang sesuai untuk
analisis model CL dengan fungsi clogit pada package survival. Terdapat lima argumen
yang didefinisikan dalam fungsi make.design.matrix (Tabel 3).
Argumen choice.experiment.design diberikan desain CE yang dibuat
oleh fungsi rotation.design atau Lma.design.
Atribut yang termasuk dalam desain CE yang ditetapkan pada argumen
choice.experiment.design diklasifikasikan ke dalam atribut kategorik dan kontinu yang
masing-masing ditetapkan pada argumen categorical.attributes dan
continuous.attributes. Sebagai contoh, sebuah alter- native mungkin memiliki tiga
atribut - X, Y, dan Z. Dalam analisis model CL, ketika atribut X dan Y diperlakukan sebagai
variabel kategorikal dan atribut Z diperlakukan sebagai variabel kontinu, argumen
categorical.attributes ditetapkan sebagai c ("X", "Y"), dan argumen
continuous.attributes ditetapkan sebagai c ("Z").
Ada dua hal yang perlu diperhatikan terkait variabel kontinu dan kategorikal dalam fungsi
make.design.matrix. Pertama, level dari argumen continuous.attributes harus berupa
nilai numerik: artinya, level tidak boleh berisi unit dari atribut, seperti "USD," "kg," atau "km."
 Jurnal Perangkat Lunak Statistik - 9
Sebagai contoh, ketika aKrogduemen continuous.attributes ditetapkan sebagai c("Z")
dan
 1 Fungsi Dasar untuk Eksperimen Pilihan di

menunjukkan atribut harga dari suatu alternatif produk, variabel Z tidak boleh mengandung
level
USD10, USD20, dan USD30 tetapi harus memiliki level masing-masing 10, 20, dan 30.
Kedua, variabel kategorikal yang dibuat oleh fungsi tidak dalam format faktor. R biasanya
memperlakukan variabel kategorikal sebagai faktor. Namun, nilai variabel atribut di setiap
baris yang berhubungan dengan opsi opt-out harus ditetapkan sebagai nol (0) karena
komponen
sistematis dari utilitas opsi opt-out dinormalisasi menjadi nol. Oleh karena itu, fungsi
make.design.matrix mengubah atribut kategorikal menjadi variabel dummy (perlakuan
yang sama diterapkan pada fungsi make.dataset, di bawah ini). Dengan kata lain, nilai
minimum dalam atribut kategorikal dinormalisasi; akibatnya, setiap variabel dummy diberi
nilai 1 ketika atribut kategorikal memiliki nilai selain nilai minimum. Variabel dummy dirujuk
berdasarkan tingkatannya.
Sebagai contoh, dalam atribut kategorikal X dengan tiga level - "x1,""x2," dan "x3" -
variabel dummy dibuat sebagai berikut: (1) Ketika desain CE tidak diberi label, dua
variabel dummy dibuat: variabel dummy x2 yang mengasumsikan nilai 1 ketika atribut X
mengambil "x2," dan 0 jika tidak; dan variabel dummy x3 yang mengasumsikan nilai 1
ketika atribut X mengambil "x3," dan 0 jika tidak. (2) Ketika desain CE diberi label dan
desain berisi dua alternatif ("alternatif 1" dan "alternatif 2"), tidak termasuk alternatif yang
tidak ikut serta, maka empat variabel dummy dibuat: variabel dummy x21 yang
mengasumsikan nilai 1 ketika atribut X pada alternatif 1 mengambil "x2," dan 0
sebaliknya; variabel dummy x22 yang mengasumsikan nilai 1 ketika atribut X pada
alternatif 2 mengambil "x2," dan 0 sebaliknya; variabel dummy x31 yang mengasumsikan
nilai 1 ketika atribut X pada alternatif 1 mengambil "x3," dan 0 sebaliknya; dan variabel
dummy x32 yang mengasumsikan nilai 1 ketika atribut X pada alternatif 2 mengambil
"x3," dan 0 sebaliknya.
Argumen unlabeled ditetapkan sebagai TRUE ketika desain CE yang ditetapkan ke argumen
choice.experiment.design tidak diberi label; jika tidak, maka akan bernilai FALSE
(ketika desain CE diberi label). Argumen optout ditetapkan sebagai TRUE ketika alternatif
opt-out seperti pilihan "tidak satupun dari ini" disertakan dalam pertanyaan CE. Ini ditetapkan
sebagai SALAH ketika alternatif opt-out tidak disertakan.
Fungsi make.design.matrix menyediakan matriks desain yang dapat secara langsung
ditetapkan ke argumen design.matrix dalam fungsi make.dataset (Gambar 2). Matriks
desain berisi variabel kategorikal dan/atau kontinu yang dibuat oleh fungsi
make.design.matrix serta empat jenis variabel berikut: BLOK, QES, ALT, dan ASC. BLOK
adalah variabel integer yang menggambarkan nomor urut blok; QES adalah nomor urut integer
dari pertanyaan, yang dimulai dari 1 pada setiap blok; ALT adalah variabel integer yang
menggambarkan nomor urut alternatif sesuai dengan nilai variabel QES; ASC mengacu pada
konstanta spesifik alternatif. Ketika desain CE diberi label, nomor seri alternatif secara
otomatis ditambahkan ke bagian belakang ASC (seperti ASC1, ASC2, dan ASC3). Pada contoh
yang ditunjukkan pada Gambar 2, atribut diasumsikan sebagai atribut kategorikal X dan Y, dan
atribut kontinu Z, desain CE seharusnya dibagi menjadi tiga blok (nilai BLOK adalah 1, 2, dan
3), dan setiap pertanyaan diasumsikan memiliki tiga alternatif termasuk opsi "tidak ada
satupun". Struktur matriks desain sedemikian rupa sehingga setiap baris menunjukkan satu
alternatif: baris pertama menunjukkan alternatif pertama (ALT=1) pada pertanyaan pertama
(QES=1) pada blok pertama (BLOK=1); baris kedua menunjukkan alternatif kedua (ALT=2)
pada pertanyaan pertama (QES=1) pada blok pertama (BLOK=1); dan baris terakhir
menunjukkan alternatif ketiga (ALT=3) pada pertanyaan ketiga (QES=3) pada blok ketiga
(BLOK=3).
 Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode

Gambar 2: Contoh kumpulan data matriks desain.

3.4. Membuat kumpulan data

Fungsi make.dataset dapat membuat kumpulan data yang sesuai untuk fungsi clogit
dengan menggabungkan kumpulan data yang berisi informasi tentang jawaban atas pertanyaan
CE dan kumpulan data yang berisi matriks desain yang terkait dengan pertanyaan-pertanyaan
ini.
Ada empat argumen dalam fungsi make.dataset (Tabel 4). Kumpulan data responden harus
dibuat oleh pengguna dan ditetapkan ke argumen responden.dataset. Set data, di mana
setiap baris menunjukkan satu responden, harus berisi variabel ID, sesuai dengan nomor
identifikasi responden; variabel BLOK, sesuai dengan nomor urut blok yang ditugaskan untuk
setiap responden; dan variabel respons, sesuai dengan jawaban untuk setiap pertanyaan CE.
Jika perlu, kovariat yang menunjukkan karakteristik individu responden seperti usia dan jenis
kelamin juga disertakan dalam set data responden. Meskipun nama variabel respons dan
kovariat bersifat diskresioner, nama variabel nomor identifikasi responden dan variabel blok
haruslah ID dan BLOK.
Nama-nama variabel respons ditetapkan ke argumen pilihan.indicators. Misalnya, ketika
nama variabel respons dalam kumpulan data responden adalah q1, q2,

Argumen Deskripsi
respondent.dataset Nama kerangka data yang berisi jawaban responden untuk
pertanyaan CE.
design.matrix Nama bingkai data yang berisi matriks desain yang dibuat oleh fungsi
make.design.matrix dalam paket ini.
choice.indicators Sebuah vektor dari nama-nama variabel yang menunjukkan alternatif
yang dipilih dalam setiap pertanyaan CE.
detail Variabel logika yang menjelaskan apakah beberapa variabel
yang terdapat dalam argumen respondent.dataset dan
variabel yang dibuat dalam fungsi ini disimpan dalam
kumpulan data yang dihasilkan oleh fungsi ini. Nilai defaultnya
adalah NULL.
Tabel 4: Argumen untuk fungsi make.dataset.
1 Fungsi Dasar untuk Eksperimen Pilihan di

Gambar 3: Contoh kumpulan data responden.

dan q3, argumen ditetapkan sebagai c("q1", "q2", "q3"). Variabel respon
menunjukkan nomor urut alternatif yang dipilih oleh responden untuk setiap pertanyaan
CE. Metode pemberian nomor urut alternatif harus sama dengan metode pemberian ALT pada
output dari fungsi make.design.matrix. Dengan kata lain, setiap alternatif harus diberi
nilai integer yang dimulai dari 1. Pada responden.dataset, semua variabel secara otomatis
diperlakukan sebagai kovariat, kecuali variabel ID, variabel BLOK, dan variabel respon yang
diberikan oleh argumen choice.indicators.
Sebagai contoh, Gambar 3 menunjukkan kumpulan data responden buatan yang berisi 99
jawaban responden atas pertanyaan CE. Diasumsikan bahwa setiap responden menjawab
kuesioner yang berisi satu blok (salah satu dari tiga blok) dari desain CE; setiap responden
ditanyai tiga pertanyaan CE, yang masing-masing memiliki tiga alternatif, dan jawaban-
jawaban tersebut disimpan dalam variabel q1, q2, dan q3. Jawaban dari pertanyaan-
pertanyaan CE dapat dibaca sebagai berikut: sebagai contoh, baris pertama menunjukkan
bahwa responden 1 (ID=1) diminta untuk menjawab kuesioner yang berisi blok pertama
(BLOK=1) dari desain CE dan memilih alternatif pertama (1), ketiga (3), dan pertama (1)
untuk pertanyaan CE pertama (q1), kedua (q2), dan ketiga (q3). Baris terakhir menunjukkan
bahwa responden 99 (ID = 99) diminta untuk menjawab kuesioner yang berisi blok ketiga
(BLOK = 3) dari desain CE dan memilih alternatif pertama (1), kedua (2), dan kedua (2)
untuk pertanyaan CE pertama (q1), kedua (q2), dan ketiga (q3).
Kumpulan data matriks desain yang dibuat oleh fungsi make.design.matrix ditugaskan ke
argumen design.matrix.
Perlu dicatat bahwa urutan pertanyaan dalam set data responden harus sama dengan urutan
variabel QES dalam set data matriks desain yang ditetapkan untuk desain
argumen.matrix, jika urutan pertanyaan CE yang disajikan kepada responden diacak.
Fungsi make.dataset mengembalikan kumpulan data yang digunakan untuk fungsi
clogit (Gambar 4). Selain beberapa variabel yang terdapat pada set data responden dan
matriks desain, set data ini juga berisi dua variabel berikut yang digunakan dalam fungsi
clogit: variabel pertama adalah STR, yang diberikan pada argumen strata dalam fungsi
clogit untuk mengidentifikasi setiap kombinasi responden dan pertanyaan; variabel kedua
adalah RES, yang berhubungan dengan variabel logika yang bernilai TRUE ketika
alternatif dipilih dan FALSE
 Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode

Gambar 4: Contoh kumpulan data yang cocok untuk fungsi clogit.

padahal sebenarnya tidak. Sebuah contoh set data (ditunjukkan pada Gambar 4) dibuat dari
matriks desain pada Gambar 2 dan set data responden pada Gambar 3. Karena setiap baris
menunjukkan satu alternatif dan setiap responden diminta untuk menjawab tiga pertanyaan CE,
maka satu set yang terdiri dari 9 baris menunjukkan satu set data responden: baris pertama
hingga kesembilan menunjukkan jawaban responden 1 (ID=1) untuk tiga pertanyaan CE,
yang masing-masing memiliki tiga alternatif. Dari tiga baris pertama, kita dapat membaca
bahwa responden 1 dibuat untuk menjawab blok pertama dari desain CE (BLOK = 1) dan
memilih alternatif pertama (RES pada baris 1 = BENAR, dan RES pada baris 2 dan 3 = SALAH)
untuk pertanyaan CE pertama (QES = 1). Demikian pula, tiga baris terakhir (baris 889-891)
menunjukkan bahwa responden 99 (ID = 99) dibuat untuk menjawab blok ketiga dari desain
CE (BLOK = 3) dan memilih alternatif kedua (RES pada baris 890 = BENAR, dan RES pada
baris 889 dan 891
= SALAH) untuk pertanyaan CE ketiga (QES = 3).

3.5. Menghitung ukuran goodness-of-fit

Fungsi gofm memiliki sebuah argumen output, yang merujuk pada nama objek yang berisi
output dari fungsi clogit, dan memberikan ukuran goodness-of-fit untuk model CL: ρ2
(RHO2) dan ρ2 yang disesuaikan dengan jumlah koefisien yang diestimasi (AdjRHO2).
Fungsi gofm juga menampilkan jumlah koefisien yang diestimasi (K) dan nilai log
likelihood yang secara otomatis dihitung dalam fungsi clogit di awal (LL0) dan saat
konvergensi (LLb).

3.6. Menghitung MWTP

Fungsi mwtp menghitung MWTP untuk atribut/level dan interval kepercayaan dari MWTP
menurut metode yang diusulkan oleh Krinsky dan Robb (1986). Definisi MWTP dari
variabel non-moneter yang diberikan oleh fungsi mwtp adalah -b /bnmm ; dimana, bnm
1 Fungsi Dasar untuk Eksperimen Pilihan di

Argumen Deskripsi
output Nama objek yang berisi keluaran dari fungsi clogit
dalam paket survival.
monetary.variables Vektor yang berisi nama-nama variabel moneter dalam
output yang digunakan untuk menghitung MWTP.
nonmonetary.variables Sebuah vektor atau daftar vektor yang berisi nama-nama
variabel non-moneter dalam output yang digunakan untuk
menghitung MWTP. Nilai defaultnya adalah NULL.
nreplications Nilai integer yang menunjukkan jumlah replikasi dalam
metode simulasi. Nilai default ditetapkan sebagai 10000.
percentile.points Vektor nilai yang menunjukkan titik persentil dari sebuah em-
distribusi pirikal dari setiap MWTP. Vektor standarnya
ditetapkan sebagai c(0,5, 2,5, 5, 95, 97,5, 99,5),
yang mengindikasikan batas bawah dan atas dari interval
kepercayaan 99, 95, dan 90 persen.
benih Benih untuk generator angka acak.

Tabel 5: Argumen untuk fungsi

mwtp.

adalah estimasi koefisien dari variabel non-moneter, dan bm adalah estimasi koefisien dari
variabel moneter.
Terdapat enam argumen dalam fungsi yang disebutkan di atas (Tabel 5). Ketika argumen
nonmonetary.variables tidak ditetapkan oleh pengguna, variabel dalam output argumen
- kecuali yang ditetapkan oleh argumen monetary.variables - diperlakukan sebagai
variabel nonmoneter, dan MWTP untuk variabel-variabel ini dihitung. Dalam model yang
mengasumsikan variabel atribut spesifik alternatif (yaitu, desain CE tipe berlabel), variabel
dalam output argumen diklasifikasikan ke dalam variabel moneter dan non-moneter sesuai
dengan alternatifnya. Oleh karena itu, argumen monetary.variables ditetapkan sebagai
vektor, sedangkan argumen nonmonetary.variables ditetapkan sebagai daftar vektor.

4. Contoh
Dua contoh hipotetis tentang bagaimana semua fungsi dalam paket dukungan.CE dapat
digunakan diberikan berdasarkan situasi di mana konsumen diasumsikan memberikan
penilaian terhadap suatu produk pertanian. Produk tersebut memiliki tiga atribut: (1)
daerah asal: atribut ini memiliki tiga tingkatan - "Daerah A", "Daerah B", dan "Daerah C";
(2) metode budidaya yang ramah lingkungan: atribut ini menjelaskan tiga jenis metode
budidaya - "Conv. (metode budidaya konvensional), "More (metode budidaya yang lebih
ramah lingkungan)," dan "Most (metode budidaya yang paling ramah lingkungan)"; dan
(3) harga per satuan produk: atribut ini memiliki tiga tingkatan - "$1," "$1,1," dan "$1,2."
Sebanyak 100 responden diasumsikan telah diminta untuk memilih produk yang paling mereka
sukai dari sekumpulan produk; mereka juga diperbolehkan memilih "tidak ada satupun
dari produk tersebut." Tujuan dari penerapan CE dalam contoh-contoh tersebut adalah
untuk mengukur tingkat kepentingan responden terhadap daerah asal dan metode budi
daya melalui penerapan CE. Tanggapan terhadap pertanyaan CE dalam contoh-contoh
tersebut dibuat secara artifisial dengan menggunakan angka acak.
 Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode

Gambar 5: Sebuah pertanyaan CE dalam contoh desain yang tidak berlabel.

4.1. Contoh desain yang tidak berlabel

Contoh pertama adalah kasus di mana desain CE tanpa label yang dibuat dengan metode padu-
padan digunakan dalam survei kuesioner. Responden diasumsikan telah diminta untuk memilih
yang paling mereka sukai di antara dua produk pertanian dan pilihan "tidak ada satupun dari
produk ini" (Gambar 5). Dalam contoh tersebut, pengaruh jenis kelamin responden terhadap
penilaian mereka terhadap metode budidaya juga diperiksa. Fungsi rotation.design
dengan argumen yang ditetapkan sesuai dengan kondisi yang disebutkan di atas dijalankan
sebagai berikut:

R> des1 <- rotasi.desain(atribut.nama = list(

+ Wilayah = c("Reg_A", "Reg_B", "Reg_C"),
+ Eco = c("Conv.", "More", "Most"),
+ Harga = c("1", "1.1", "1.2")),
+ nalternatives = 2, nblocks = 1, row.renames = FALSE,
+ mengacak = TRUE, seed = 987)

Kolom-kolom larik telah digunakan sesuai urutan penampilan.

Untuk desain dengan kolom yang relatif sedikit,
properti terkadang dapat ditingkatkan secara
substansial menggunakan kolom opsi dengan min3 atau
bahkan min34.

R> des1

Set pilihan:
alternatif 1 di setiap set pilihan
BLOK QES ALT Ramah Harga
Wilaya Lingk
h unga
n
1 1 1 1 Reg_B Lebih r
lanju
t
8 12 1 Reg_B Sebag
ia
n
besa
r
9 13 1 Reg_A Sebag
ia
n
besa
 1 Fungsi Dasar untuk Eksperimen Pilihan di
1 1
.
1
1.1

6 1 4 1 Reg_A Conv. 1
3 1 5 1 Reg_C Sebag 1.2
ian
 Jurnal Perangkat Lunak Statistik - 1
besarKode
Cuplikan
7 1 6 1 Reg_A Lebih 1.2
lanju
t
5 1 7 1 Reg_C Conv. 1.1
4 1 8 1 Reg_B Conv. 1.2
2 1 9 1 Reg_C Lebih 1
lanju
t
1 Fungsi Dasar untuk Eksperimen Pilihan di

alternatif 2 di setiap set pilihan

BLOK QES ALT Ramah Harga
Wilaya Lingk
h unga
n
1 1 1 2 Reg_C Sebag 1.2
ia
n
besa 1.2
r
5 1 2 2 Reg_A Lebih
lanju
t
8 1 3 2 Reg_C Conv. 1.1
4 1 4 2 Reg_C Lebih 1
lanju
t
3 1 5 2 Reg_A Conv. 1
9 1 6 2 Reg_B Conv. 1.2
2 1 7 2 Reg_A Sebag 1.1
ian
besar
7 1 8 2 Reg_B Sebag
1
ia
n
besa
1.1
r
6 1 9 2 Reg_B Lebih
lanju
t

Desain
kandidat: A B
C
1 2 2 2
2 3 2 1
3 3 3 3
4 2 1 3
5 3 1 2
6 1 1 1
7 1 2 3
8 2 3 1
9 1 3 2
class=design, type=

oa Informasi desain:
jumlah blok = 1
jumlah pertanyaan per blok = 9
jumlah alternatif per set pilihan = 2 jumlah
atribut per alternatif = 3
Pesan yang ditampilkan segera setelah menjalankan fungsi rotation.design diambil dari
fungsi oa.design. Ukuran desain CE yang dihasilkan di atas adalah sembilan dan jumlah blok
adalah satu; artinya, setiap responden harus menjawab total sembilan pertanyaan CE,
menyiratkan bahwa ukuran sampel analisis berdasarkan jawaban mereka adalah 900 (= 9
pertanyaan CE per responden × 100 responden).
 Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode
Setelah membuat desain CE, kuesioner fungsi dengan argumen berdasarkan desain CE
dijalankan sebagai berikut (output dihilangkan sebagian):
R > kuesioner(choice.experiment.design = des1)
 2 Fungsi Dasar untuk Eksperimen Pilihan di
Blok 1

Pertanyaan 1
alt.1 alt.2
Wilayah "Reg_B"
"Reg_C" Ramah
Lingkungan " Lebih"
"Sebagian Besar"
Harga "1.1" "1.2"
 Jurnal Perangkat Lunak Statistik - 2
Cuplikan Kode
Pertanyaan 2
alt.1 alt.2
Wilayah "Reg_B"
"Reg_A" Ramah
Lingkungan "
Sebagian
Besar" "Lebih Banyak"
Harga "1" "1. 2"
...
Pertanyaan 8
alt.1 alt.2
Wilayah "Reg_B"
"Reg_B" Eco
"Conv."
"Sebagian besar"
Harga "1.2" "1"

Pertanyaan 9
alt.1 alt.2
Wilayah "Reg_C"
"Reg_B" Ramah
Lingkungan " Lebih"
"Lebih" Harga "1" "1.
1"

Berdasarkan pertanyaan-pertanyaan CE yang telah dibuat di atas, sebuah survei kuesioner

dilakukan. Dalam survei kuesioner yang sebenarnya, pengguna CE harus membuat kumpulan
data responden berdasarkan kuesioner yang telah diisi; namun, untuk tujuan percobaan ini,
kumpulan data tersebut dibuat dan disertakan dalam kumpulan data syn.res1 di dalam paket
support.CE sebagai berikut:

R> data("syn.res1") R>

syn.res1[1:3, ]
ID BLOK q1 q2 q3 q4 q5 q6 q7 q8 q9 F
1 1 1 2 1 2 2 2 1 2 3 1 0
2 2 1 1 1 1 1 3 1 3 2 2 1
3 3 1 1 2 1 2 2 3 3 3 1 0

Set data syn.res1 berisi variabel ID yang menunjukkan nomor identifikasi responden,
variabel BLOK yang menunjukkan nomor blok, variabel respons (dari q1 hingga q9), dan
variabel jenis kelamin responden (F) yang mengasumsikan nilai 1 jika responden perempuan,
dan 0 jika tidak.
Selanjutnya, matriks desain, sesuai dengan desain CE, dibuat dan disimpan dalam desmat1
objek sebagai berikut:

R > desmat1 <- make.design.matrix(choice.experiment.design = des1,

+ optout = TRUE, categorical.attributes = c("Region", "Eco"),
+ continuous.attributes = c("Harga", unlabeled = TRUE)
R> desmat1[1:3, ]

BLOK QES ALT ASC Reg_B Reg_C Lebi

h Seba Harga
gian
2 Fungsi Dasar untuk Eksperimen Pilihan di
lanj besa
ut r
1 1 1 1 1 1 0 1 0 1.1
2 1 1 2 1 0 1 0 1 1.2
3 1 1 3 0 0 0 0 0 0.0
 Jurnal Perangkat Lunak Statistik - 2
Cuplikan Kode
Kumpulan data matriks desain berisi variabel BLOK, QES, ALT, ASC, dan variabel atribut
lainnya, seperti Reg_B, Reg_C, More, Most, dan Price.
Dengan bantuan fungsi make.dataset, dua set data - syn.res1 dan desmat1 -
digabungkan untuk membentuk set data dataset1; ini digunakan untuk fungsi clogit
sebagai berikut:

R> dataset1 <- make.dataset(responden.dataset = syn.res1,

+ choice.indicators =
+ c("q1", "q2", "q3", "q4", "q5", "q6", "q7", "q8", "q9"),
+ design.matrix = desmat1)
R> dataset1[1:3, ]

ID F BLOK QES ALT RES ASC Reg_B Reg_C

Lebi Seb Harga STR
a
h gian
lanj bes
u a
t r
1 1 0 1 1 1 SALAH 1 1 0 1 0 1.1 101
2 1 0 1 1 2 BENAR 1 0 1 0 1 1.2 101
3 1 0 1 1 3 SALAH 0 0 0 0 0 0.0 101

Sebelum menjalankan clogit berdasarkan set data, komponen sistematis dari utilitas dalam
contoh diidentifikasi. Dengan melihat pengaruh jenis kelamin responden (variabel F) terhadap
penilaian mereka terhadap Lebih atau Paling, komponen sistematis utilitas responden n (= 1, 2,
..., 100) dalam memilih alternatif produk pertanian i (= 1, 2) adalah sebagai berikut (komponen
sistematis utilitas untuk pilihan "tidak ada yang lain" dinormalkan menjadi nol):

Vin =ASCi + bRB Reg Bin + bRC Reg Cin + bMore Morein + bMost
Mostin + bMoreF More Finn + bMostF Most Finn + bP Pricein ,

di mana ASC mengacu pada konstanta spesifik alternatif; Reg B merupakan variabel dummy
dengan nilai 1 jika atribut wilayah asal adalah "Wilayah B", dan 0 jika tidak; Reg C merupakan
variabel dummy dengan nilai 1 jika atribut wilayah asal adalah "Wilayah C", dan 0 jika tidak;
More adalah variabel dummy dengan nilai 1 jika label ramah lingkungan adalah "More", dan 0
jika sebaliknya; Most adalah variabel dummy dengan nilai 1 jika label ramah lingkungan adalah
"Most", dan 0 jika sebaliknya; F adalah variabel dummy dengan nilai 1 jika responden n
berjenis kelamin perempuan, dan 0 jika sebaliknya; dan Price adalah variabel harga per satuan
produk pertanian: bRB , bRC , bMore , bMost , bMoreF , bMostF , dan bP masing-masing adalah koefisien
yang terkait dengan Reg B, Reg C, More, Most, MoreF, Most F, dan Price. Koefisien bMoreF dan
bMostF menunjukkan pengaruh jenis kelamin responden terhadap penilaian mereka terhadap
label ramah lingkungan, yaitu interaksi antara F dan More atau Most.
Setelah mengeksekusi clogit berdasarkan spesifikasi model dan kumpulan data yang telah
disebutkan di atas, fungsi gofm dengan argumen output yang ditetapkan sebagai
clogout1 dieksekusi sebagai berikut:

R> clogout1 <- clogit(RES ~ ASC + Reg_B + Reg_C + More + Most +

+ Lebih banyak: F + Paling banyak: F + Harga +
strata(STR), data = dataset1) R> menyumbat1

Panggilan:
clogit(RES ~ ASC + Reg_B + Reg_C + More + Most + Most:F + Most:F +
Price + strata(STR), data = dataset1)
 2 Fungsi Dasar untuk Eksperimen Pilihan di

coef exp(coef) se z p
(coef)
ASC 4.6655 1.06e+02 0.733 6.365 2.0e-10
Reg_B -0.5951 5.51e-01 0.132 -4.520 6.2e-06
Reg_C -0.3518 7.03e-01 0.114 -3.073 2.1e-03
Lebih 0.5967 1.82e+00 0.166 3.604 3.1e-04
lanjut
Sebagi 0.7941 2.21e+00 0.149 5.328 9.9e-08
an
besar
Harga -4.7507 8.65e-03 0.668 -7.111 1.1e-12
Seleng -0.0318 9.69e-01 0.196 -0.162 8.7e-01
kapnya
:F
Paling 0.0263 1.03e+00 0.173 0.152 8.8e-01
banyak
: F

Uji rasio kemungkinan = 134 pada 8 df, p = 0 n = 2700, jumlah kejadian = 900

R> gofm(clogout1)

Rho-kuadrat = 0.06753386 Rho-

kuadrat yang disesuaikan =
0.05944284 Jumlah koefisien = 8
Log likelihood pada awal = -988.7511
Log likelihood pada konvergensi = -921.9769

Variabel Reg_B dan Reg_C memiliki koefisien yang signifikan negatif, menunjukkan bahwa
responden menilai Wilayah B dan Wilayah C lebih rendah daripada Wilayah A. Setiap
koefisien dari variabel More dan Most secara signifikan positif, menunjukkan bahwa masing-
masing nilai dari metode budidaya yang lebih ramah lingkungan lebih tinggi daripada metode
budidaya konvensional. Namun, masing-masing koefisien dari variabel More:F dan Most:F
tidak berbeda secara signifikan dari nol, yang berarti bahwa jenis kelamin responden tidak
memiliki pengaruh yang signifikan terhadap penilaian mereka terhadap metode budidaya.
Koefisien variabel Harga secara signifikan negatif, yang mengindikasikan preferensi
responden terhadap produk yang lebih murah.
Terakhir, MWTP untuk setiap variabel non-moneter diestimasi dengan fungsi mwtp sebagai
berikut:

R> mwtp(output = clogout1, monetary.variables = c("Harga"),

+ nonmonetary.variables =
+ c("Reg_B", "Reg_C", "More", "Most", "More:F", "Most:F"),
+ persentil.poin = c(5, 95), seed = 987)

MWTP 5% 95%
Reg_B -0.125275 -0.179652 -0.080924
Reg_C -0.074060 -0.122809 -0.032739
Lebih 0.125598 0.068697 0.192759
lanjut
Sebagi
0.167148 0.111027 0.240470
an
besar
Seleng -0.006686 -0.076782 0.062402
 Jurnal Perangkat Lunak Statistik - 2
kapnya Kode
:F
Paling 0.005533 -0.055602 0.066677
banyak
: F

Output menunjukkan bahwa dibandingkan dengan Wilayah A, MWTP untuk Wilayah B dan
Wilayah C bernilai negatif; dibandingkan dengan metode budidaya konvensional, MWTP
untuk metode budidaya yang lebih dan paling ramah lingkungan adalah $ 0,126 dan $ 0,167.
 2 Fungsi Dasar untuk Eksperimen Pilihan di

Gambar 6: Pertanyaan CE dalam contoh desain berlabel.

4.2. Contoh desain berlabel

Contoh lainnya adalah kasus di mana desain CE berlabel yang dibuat dengan metode desain
LMA digunakan dalam survei kuesioner. Responden diasumsikan telah diminta untuk memilih
yang paling disukai di antara tiga produk pertanian dan pilihan "tidak ada satupun" (Gambar 6).
Dalam kasus ini, atribut daerah asal diperlakukan sebagai atribut spesifik alternatif: alternatif
pertama, kedua, dan ketiga dalam satu set pilihan selalu dibaca sebagai "Daerah A", "Daerah
B", dan "Daerah C". Oleh karena itu, argumen atribut.names dalam fungsi Lma.design
ditetapkan oleh atribut Eco = c("Conv.", "More", "Most") dan atribut Price =
c("1", "1.1", "1.2"). Desain CE dibagi menjadi 2 blok. Berdasarkan kondisi yang
disebutkan di atas, fungsi Lma.design dieksekusi sebagai berikut (output dihilangkan):

R> des2 <- Lma.design(atribut.names = list(

+ Eco = c("Conv.", "More", "Most"), Harga = c("1", "1.1", "1.2")),
+ nalternatives = 3, nblocks = 2, row.renames = FALSE, seed = 987)

Kuesioner fungsi dijalankan dengan argumen sebagai berikut (output dihilangkan sebagian):

R > kuesioner(choice.experiment.design = des2)

Blok 1

Pertanyaan 1
alt.1 alt.2 alt. 3
Eco "Paling" "Conv."
"Lainnya"
Harga "1.2" "1" "1.1"

...

Pertanyaan 9
alt.1 alt.2 alt.3
Eco "Paling"
"Paling""Lebih" Harga "1"
"1.1""1"
 Jurnal Perangkat Lunak Statistik - 2
Kode

Blok 2

Pertanyaan 1
alt.1 alt. 2 alt.3
Eco "Conv." "Lainnya"
"Lainnya"
Harga "1.2" "1.2" "1"

...

Pertanyaan 9
alt.1 alt.2 alt. 3
Eco "Paling" "Conv."
"Conv."
Harga "1.1" "1.1" "1.2"

Mirip dengan kasus pada contoh pertama, jawaban atas pertanyaan CE ini sudah dibuat dan
disimpan dalam paket sebagai kumpulan data syn.res2 sebagai berikut:

R> data("syn.res2") R>

syn.res2[1:3, ]

ID BLOK q1 q2 q3 q4 q5 q6 q7 q8 q9
1 1 1 4 1 3 4 4 4 2 3 1
2 2 2 1 2 4 2 1 3 3 1 1
3 3 1 1 2 4 3 1 2 1 4 3

Selanjutnya, matriks desain, sesuai dengan desain CE, dibuat dan disimpan dalam desmat2
objek sebagai berikut (output dihilangkan):

R > desmat2 <- make.design.matrix(choice.experiment.design = des2,

+ optout = TRUE, categorical.attributes = c("Eco"),
+ continuous.attributes = c("Harga", unlabeled = FALSE)

Fungsi make.dataset menggabungkan dua set data ini menjadi satu - dataset2 - sebagai
berikut (output dihilangkan):

R> dataset2 <- make.dataset(responden.dataset = syn.res2,

+ choice.indicators =
+ c("q1", "q2", "q3", "q4", "q5", "q6", "q7", "q8", "q9"),
+ design.matrix = desmat2)

Pada contoh kedua, komponen sistematis utilitas untuk alternatif i (= Reg A, Reg B, Reg
C) dimodelkan sebagai berikut (komponen sistematis utilitas untuk pilihan "tidak satupun
dari ini" dinormalisasi menjadi nol):

Vin = ASCi + bMorei Lebih banyakin + bMosti Paling banyakin + b Pi Hargain .

Setelah menjalankan fungsi clogit berdasarkan spesifikasi model dan kumpulan data yang
telah disebutkan di atas, fungsi gofm dan mwtp dijalankan sebagai berikut:
2 Fungsi Dasar untuk Eksperimen Pilihan di

R> clogout2 <- clogit(RES ~ ASC1 + More1 + Most1 + Price1 + ASC2 + More2 +
+ Kebanyakan2 + Harga2 + ASC3 + Lebih banyak3 + Kebanyakan3 + Harga3 + strata (STR),
+ data = kumpulan
data2) R> menyumbat2

Panggilan:
clogit(RES ~ ASC1 + More1 + Most1 + Price1 + ASC2 + More2 + Most2 +
Price2 + ASC3 + More3 + Most3 + Price3 + strata(STR), data =
dataset2)

coef exp(coef) se z p
(coef)
ASC1 6.862 9.55e+02 1.073 6.40 1.6e-10
More1 0.324 1.38e+00 0.197 1.65 1.0e-01
Sebagi 0.558 1.75e+00 0.193 2.90 3.8e-03
an
besar1
Harga1 -6.470 1.55e-03 0.988 -6.55 5.8e-11
ASC2 7.220 1.37e+03 1.133 6.37 1.9e-10
More2 0.590 1.80e+00 0.212 2.78 5.4e-03
Kebany 0.877 2.40e+00 0.207 4.23 2.3e-05
akan2
Harga2 -7.126 8.04e-04 1.049 -6.79 1.1e-11
ASC3 5.002 1.49e+02 1.117 4.48 7.5e-06
More3 0.471 1.60e+00 0.206 2.29 2.2e-02
Sebagi 0.484 1.62e+00 0.205 2.36 1.8e-02
an
besar3
Harga3 -4.945 7.12e-03 1.025 -4.82 1.4e-06

Uji rasio kemungkinan = 167 pada 12 df, p = 0 n = 3600, jumlah kejadian = 900

R> gofm(clogout2)

Rho-kuadrat = 0,06674974 Rho-

kuadrat yang disesuaikan =
0,05713178 Jumlah koefisien = 12
Log likelihood pada awal = -1247.665
Log likelihood pada konvergensi = -1164.384

R> mwtp(output = clogout2,

+ monetary.variables = c("Price1", "Price2", "Price3"),
+ nonmonetary.variables = list(
+ c("More1", "Most1"), c("More2", "Most2"), c("More3", "Most3")),
+ persentil.poin = c(5, 95), seed = 987)

MWTP 5% 95%
More1 0.0501243 -0.0000036 0.1048190
Sebagi 0.0862431 0.0368796 0.1442137
an
besar1
More2 0.0827328 0.0330651 0.1415383
Kebany 0.1230702 0.0734755 0.1854955
 Jurnal Perangkat Lunak Statistik - 2
akan2 Kode
More3 0.0952013 0.0254875 0.1878304
Sebagi 0.0979115 0.0297079 0.1882971
an
besar3
2 Fungsi Dasar untuk Eksperimen Pilihan di

Koefisien variabel - kecuali koefisien variabel More1 - secara signifikan berbeda dari nol.
Dibandingkan dengan metode budidaya konvensional, MWTP untuk More dan Most di setiap
wilayah - kecuali MWTP untuk More1 -secara signifikan positif.

5. Kata penutup
Paket support.CEs menyediakan tujuh fungsi dasar untuk mendukung implementasi CE
dalam R. Kami juga telah menyediakan dua contoh hipotetis untuk menunjukkan
bagaimana ketujuh fungsi ini dapat diterapkan pada penilaian konsumen terhadap produk
pertanian. Meskipun sejumlah upaya diperlukan untuk melakukan survei dan analisis
untuk mewujudkan aplikasi yang sesuai untuk CE, jelas bahwa fungsi yang diuraikan
dalam makalah ini akan berkontribusi secara signifikan terhadap keseluruhan proses,
terutama untuk
pemula CE. Karena paket ini dikhususkan untuk mendukung implementasi dasar dari CE, upaya
tambahan seperti meningkatkan fungsi-fungsi dalam paket dan mengembangkan fungsi-
fungsi baru tidak diragukan lagi akan diperlukan untuk melakukan CE tingkat lanjut dalam
R.

Referensi

Aizaki H (2009). "Pengembangan Program Aplikasi untuk Desain dan Analisis Eksperimen
Pilihan dengan R." Kodo Keiryogaku, 36(1), 35-46. Dalam bahasa Jepang dengan ringkasan
bahasa Inggris.

Aizaki H (2012). support.CEs: Fungsi Dasar untuk Mendukung Implementasi Eksperimen

Pilihan. Paket R versi 0.2-4, URL http://CRAN.R-project.org/package=
support.CEs.

Aizaki H, Nishimura K (2008). "Desain dan Analisis Percobaan Pilihan Menggunakan R:

Sebuah Pengantar Singkat." Agricultural Information Research, 17(2), 86-94.

Bateman IJ, Carson RT, Day B, Hanemann M, Hanley N, Hett T, Jones-Lee M, Loomes
G, Mourato S, O¨ zdemiro¯glu E, Pearce DW, Sugden R, Swanson J (2002). Valuasi Ekonomi
dengan Teknik Preferensi yang Dinyatakan: Sebuah Manual. Edward Elger,
Cheltenham, Inggris.

Ben-Akiva M, Lerman SR (1985). Analisis Pilihan Diskrit: Teori dan Aplikasi untuk
Permintaan Perjalanan. MIT Press, Cambridge, Amerika Serikat.

Bennett J, Blamey R (eds.) (2001). Pendekatan Pemodelan Pilihan untuk Penilaian

Lingkungan. Edward Elger, Cheltenham, Inggris.

Chrzan K, Orme B (2000). "Tinjauan dan Perbandingan Strategi Desain untuk Analisis Gabungan
Berbasis Pilihan." Laporan teknis. URL http://www.sawtoothsoftware.com/
download/techpap/desgncbc.pdf.

Dillman DA (2000). Survei Melalui Surat dan Internet: Metode Desain yang Disesuaikan. Edisi
kedua.
John Wiley & Sons, New York, Amerika Serikat.

Greene WH (2011). Analisis Ekonometrika. Edisi ke-7. Prentice Hall, Upper Saddle River,
Amerika Serikat.
 Jurnal Perangkat Lunak Statistik - 2
Kode

Gr¨omping U (2012). DoE.base: Faktorial Lengkap, Larik Ortogonal dan Utilitas Basis
untuk Paket DoE. Paket R versi 0.23-2, URL http://CRAN.R-project.org/package=
DoE.base.

Hensher DA, Rose JM, Greene WH (2005). Analisis Pilihan Terapan: Sebuah Primer.
Cambridge University Press, Cambridge, Inggris.

Holmes TP, Adamowicz WL (2003). "Metode-metode Berbasis Atribut". Dalam PA Champ,

KJ Boyle, TC Brown (eds.), A Primer on Nonmarket Valuation, hal. 171-219. Kluwer
Academic Pub- lishers, Dordrecht, NL.

Johnson FR, Kanninen B, Bingham M, O¨ zdemir S (2007). "Desain Eksperimental untuk

Studi Pilihan yang Dinyatakan". Dalam BJ Kanninen (ed.), Menilai Fasilitas Lingkungan
Menggunakan Studi Pilihan yang Dinyatakan: Pendekatan Akal Sehat untuk Teori dan
Praktik, hal. 159-202. Springer- Verlag, Dordrecht, NL.

Kanninen BJ (ed.) (2007). Menilai Fasilitas Lingkungan dengan Menggunakan Studi Pilihan
yang Dinyatakan: Pendekatan Akal Sehat untuk Teori dan Praktik. Springer-Verlag,
Dordrecht, NL.

Krinsky I, Robb AL (1986). "Tentang Memperkirakan Sifat Statistik Elastisitas."

The Review of Economics and Statistics, 68, 715-719.

Louviere JJ, Hensher DA, Swait JD (2000). Metode-metode Pilihan yang Dinyatakan: Analisis
dan Penerapan.
Cambridge University Press, Cambridge, Inggris.

Mangione TW (1995). Survei melalui surat: Meningkatkan Kualitas. Sage Publications,

Thousand Oaks, Amerika Serikat.

Tim Inti Pengembangan R (2012). R: Bahasa dan Lingkungan untuk Komputasi Statistik.
R Foundation for Statistical Computing, Wina, Austria. ISBN 3-900051-07-0, URL http:
//www.R-project.org/.

Ryan M, Gerard K, Amaya-Amaya M (eds.) (2008). Menggunakan Eksperimen Pilihan Diskrit

untuk Menilai Kesehatan dan Perawatan Kesehatan. Springer-Verlag, Dordrecht, NL.

Therneau T (2012). survival: A Package for Survival Analysis dalam paket S. R versi 2.36- 12,
URL http://CRAN.R-project.org/package=survival.

Wooldridge JM (2010). Analisis Ekonometrika untuk Data Cross Section dan Panel. Edisi ke-
2. Jakarta: Erlangga.
MIT Press, Cambridge, Amerika Serikat.

Afiliasi:
Hideo Aizaki
Divisi Perencanaan dan Pembangunan Pedesaan
Institut Teknik Pedesaan
3 Fungsi Dasar untuk Eksperimen Pilihan di

Organisasi Penelitian Pertanian dan Pangan Nasional

2- 1-6 Kannondai, Tsukuba, Ibaraki 305-8609, Jepang
E- mail: aizaki@affrc.go.jp

Jurnal Perangkat Lunak Statistik http://www.jstatsoft.org/

diterbitkan oleh American Statistical Association http://www.amstat.org/
Volume 50, Cuplikan Kode 2 Dikirim: 2010-05-04
September 2012 Diterima: 2012-08-22