ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI AD RATES PORTAL BERITA “W” MENGGUNAKAN REGRESI LOGISTIK ORDINAL Tika Widyaningtyas1 dan M. Sjahid Akbar, S.Si, M.Si2 1
Mahasiswa Jurusan Statistika (1307100054), ITS, Surabaya 2 Dosen Pembimbing, Jurusan Statistika, ITS, Surabaya
[email protected];
[email protected];
Abstrak Bagi pengelola situs penyedia ad atau publisher yang menggantungkan pemasukan dari ratecard, nilai ad rates menjadi sangat penting. Publisher harus bisa memperhitungkan sumber daya yang dimiliki dengan ad rates yang ditetapkan. Untuk portal berita seperti portal “W”, pemberitaan pun jadi pertimbangan sebagai salah satu nilai jual situs. Oleh karena itu penelitian mengenai sumber daya yang mempengaruhi ad rates portal berita “W” ini dilakukan dengan analisis regresi logistik ordinal. Hasilnya menunjukan bahwa faktor yang mempengaruhi pembentukan ad rates portal berita “W” adalah sumber daya space yaitu tipe ads, dimensi panjang, dan dimensi lebar ads dengan ketepatan klasifikasi model 65 persen Kata kunci : Regresi logistik ordinal, ad rates, portal berita . diungkapkan pula oleh Ponts Sonnerstedt, Senior Director Yahoo! Indonesia pada pertengahan tahun 2009. Ponts memperkirakan pasar iklan online (ads) akan mencapai US$ 41,9 juta dengan pertumbuhan pengguna internet sebesar 38 persen per tahun (Widyanto, 2009). Ads juga menawarkan tarif lebih rendah dengan jangka waktu pemasangan yang relatif lebih lama bila dibandingkan iklan televisi. Seorang pengiklan hanya dapat menampilkan satu slot iklan selama satu atau dua kali penayangan dengan biaya 4 milyar rupiah. Sementara itu dengan harga yang sama iklan tersebut dapat ditayangkan selama berhari-hari bahkan berminggu-minggu di internet. Fakta ini diperkuat hasil survei International Advertising Bureau (IAB). Total pengeluaran marketer untuk iklan di internet belum sebesar TV dan koran. Total pengeluaran iklan TV $64,4 Milyar dengan satuan durasi detik atau menit dan koran $34,4 M dengan satuan cetak sedangkan iklan internet hanya $23,2 M. Namun pencapaian obyek intensitas pembeliannya justru paling besar. Iklan TV memang unggul dalam pencapaian loyalitas konsumen namun lemah dalam membuat konsumen iklan untuk intens membeli, mengingat produk, membiasakan, dan menyadarkan. Iklan internet terbukti mampu menggapai kelima cunsumer pathway tersebut dengan harga yang lebih rendah dan durasi
1.
PENDAHULUAN Dunia teknologi informasi dan komunikasi akhir-akhir ini berkembang begitu cepat. Kehadiran internetlah yang kemudian mempercepat perkembangannya. Pekerjaan seperti berkirim surat, membaca berita, hingga eksplorasi topik tertentu dapat dilakukan hanya dengan sebuah klik. Kemudahan ini disambut baik oleh seluruh penduduk dunia. Jumlah pengguna internet terus meningkat hingga berselancar di dunia maya menjadi tren tersendiri. Situs statistik internet, internetworldstats.com, menyatakan bahwa di akhir tahun 2000 terdapat sekitar 361 juta pengguna internet di dunia. Jumlah pengguna internet meningkat hingga 1.262 juta dengan tingkat pertumbuhan 28 persen selama delapan tahun. Internet World Stats pun memprediksi jumlah pengguna internet tahun 2010 adalah 1.650 juta. Kenyataannya, saat ini terdapat 1.966 juta pengguna internet di seluruh dunia. Di antara sekian banyak pengguna internet tersebut, 1,5 persennya berasal dari Indonesia. Indonesia bahkan menempati peringkat 16 dalam jajaran negara dengan pengguna internet terbesar dengan 30 juta pengguna.(Internet World Stats, 2009) Salah satu negara yang merupakan pasar besar termasuk dalam penyerapan teknologi internet adalah Indonesia. Hal Hal serupa 1
didapat portal berita “W” hanya 0,2 persen dan Cost Per Mille (CPM) $2. Presiden Seed Corn Advertising Andrew Stern mengatakan bahwa sewajarnya CTR ads adalah 5 persen dan ratarata CTR yang dimiliki sebuah situs adalah 2 hingga 3 persen. Karena rendahnya CTR dan CPM ini, perlu dilakukan analisis untuk mengevaluasi iklan dan harganya di situs berita online tersebut dengan membagi ragam ads menjadi beberapa macam (Stern, 2010). Dalam penelitian ini diperhitungkan faktor-faktor yang berpengaruh terhadap iklan, khususnya jenis banner. Dari sisi detail ads, faktor yang diduga berpengaruh adalah tipe ads, dimensi panjang, dan dimensi lebar. Selain itu peletakkan banner juga diperhitungkan melalui kanal di mana ads dipasang dan posisinya. Untuk aspek efektifitas ads digunakan variabel frekuensi penayangan ad slot. Selain itu diperhitungkan pula faktor interaksi manusia melalui variabel impressions dan klik. Data untuk faktor-faktor tersebut diperoleh dari Departemen Information Technology (IT) and Commerce portal berita “W” secara langsung. Analisis regresi logistik ordinal dipilih menjadi metode yang akan digunakan dalam penelitian ini karena variabel dependen yang digunakan adalah ad rates yang sangat murah, murah, mahal, dan sangat mahal. Skala variabel tersebut adalah ordinal dengan pembagian kategori yang didasarkan pada pola administrasi departemen terkait. Variabel prediktor pada penelitian ini memiliki skala yang berbeda-beda. Untuk tipe ads dan kanal digunakan skala nominal. Variabel lay out menggunakan skala ordinal. Skala rasio digunakan pada 5 variabel lainnya yaitu dimensi panjang, lebar, impresi, frekuensi kemunculan, dan klik. Pada makalah ini akan dibahas tiga permasalahan. Permasalahan pertama yaitu mengenai bagaimana karaketristik ad rates portal berita “W” dan faktor-faktor yang mempengaruhinya. Permasalahan berikutnya adalah bagaimana pengaruh tipe ads, kanal, lay out, dimensi panjang, dimensi lebar, frekuensi tayang, impressions, dan klik ads terhadap ad rates portal berita “W”. Permasalahan terakhir yang akan dibahas adalah bagaimana kesesuaian ad rates saat ini dengan ad rates model. Adapun tujuan yang hendak dicapai adalah mengetahui karakter ad rates dan faktor yang diduga mempengaruhinya, mengetahui pengaruh tipe ads, kanal, lay out, dimensi panjang, dimensi lebar, frekuensi tayang, impressions, dan klik terhadap ad rates. Selain itu tujuan
tayang jauh lebih panjang. Hal ini perlu menjadi perhatian karena pembelian merupakan salah satu unsur terpenting dalam perhitungan Returnon-Investment (ROI) marketer. Oleh karena itu pembentukan harga iklan di internet atau iklan online perlu mendapat perhatian khusus supaya keuntungan publisher sesuai dengan ROI yang diperoleh marketer. Sayangnya pembentukan harga iklan online khususnya ad rate pada portal berita “W” belum mempertimbangkan hal tersebut. ad rates yang digunakan hanya mengacu pada insting bisnis. Hal inilah yang menjadikan penelitian tentang faktor-faktor yang mempengaruhi ad rates portal berita “W” penting untuk dilakukan. Faktor-Faktor Sistem Interaksi Yang Mempengaruhi Efektifitas Iklan Online yang ditulis oleh Pratomo dan Hardianto merupakan salah satu penelitian yang mengkhususkan pada efektifitas ads dengan memanfaatkan sudut pandang human-computer interaction dan metode Goodness-of-Fit Test. Selain itu ada pula penelitian Chingning Wang, Ping Zhang, Risook Choi, dan Michal D’Eredita yang berjudul Understanding Consumers Attitude Toward Advertising. Penelitian dari Syracuse University tersebut mempelajari perilaku konsumen iklan terhadap berbagai jenis iklan dari iklan tradisional hingga iklan modern termasuk ads. Penelitian tersebut berhasil membuktikan bahwa ads lebih mampu mempengaruhi perilaku konsumen dalam hal brand building dan untuk tujuan tertentu secara langsung. Banyak penelitian yang membahas ads saat ini. Namun untuk situs berita secara khusus belum pernah diteliti. Padahal, urutan aktivitas online paling populer di Indonesia, yaitu: mengunjungi portal online, membaca berita online, menggunakan email, menggunakan mesin pencari dan menggunakan layanan Internet messenger (Widyanto, 2009). Oleh karena itu perlu dilakukan penelitian lebih lanjut mengenai ads pada situs berita khususnya portal berita “W” dengan memperhatikan aspek detail ads dan interaksi manusia Portal berita “W” merupakan pelopor situs berita di Indonesia yang dikenal masyarakat dengan page view 24 juta per hari. Artinya, terdapat 24 juta orang pengguna internet yang mengakses halaman muka portal berita “W” dalam satu hari. Tinjauan iklan yang diperoleh portal berita “W” hanya sekitar 100.000 kali per hari yang berarti hanya 100.000 pengunjung yang mengakses iklan pada portal tersebut. Nilai Click-Trough Rate (CTR) yang 2
berikutnya yang hendak dicapai adalah mengetahui kesesuaian ad rates yang berlaku di portal berita “W” dengan ad rates model. Hasil yang kelak diperoleh dari penelitian ini dapat dimanfaatkan portal berita “W” sebagai ad publisher untuk mengevaluasi kembali harga space yang dijual pada kuarter berikutnya. Manfaat yang kelak diperoleh advertiser adalah dapat menjadikan hasil penelitian sebagai bahan pertimbangan dalam memperhitungkan Returnon-investment sebelum beriklan di portal berita “W”. Bagi peneliti sendiri penelitian ini memberikan wawasan pengetahuan mengenai ads dan analisis regresi logistik ordinal. Sebagai batasan masalah, Data yang digunakan dalam penelitian ini adalah hanya mencakup variabel yang dimiliki engine IT and Commerce dan rekaman data web log analyzer tahun 2010 dan kuarter pertama 2011.
dimana: γij = kumulatif probabilitas variabel respon hingga Y=j pada sub-populasi i. Πij = cell probability untuk Y=j pada subpopulasi i. Setelah memperoleh link Cauchit, maka model umumnya menjadi: tan π γij − 0,5 k
= αj −
(4)
n=1
dengan untuk variabel prediktor sebanyak k (Minetos & Polyzos, 2010). Maximum Likelihood Estimation (MLE) merupakan salah satu cara untuk mengestimasi parameter dalam suatu model matematika. Model lain yang lebih populer adalah Least Square Estimation (LSE). Pendekatan tersebut umumnya digunakan pada pengantar metode statistik sebagai metode mengestimasi parameter pada regresi classical straight line atau multiple linear regression. Dalam perkembangannya, MLE lebih baik dalam mengestimasi model regresi nonlinier termasuk regresi logistik (Kleinbaum & Klein, 2010). Untuk mendapatkan MLE dari B dapat digunakan metode estimasi iteratif Fisher Scoring atau Newton-Raphson. Jika B(t) adalah vektor parameter pada iterasi ke t dan l/ B(t) adalah vektor turunan pertama l terhadap B=B(t). Selain itu A(t) merupakan matriks {(J-1)+p+q} × {(J-1)+p+q} sehingga
2. TINJAUAN PUSTAKA Regresi Logistik Ordinal merupakan salah satu metode statistika yang dipergunakan untuk menganalisis data dengan variabel respon berskala ordinal. Sifat ordinal dituangkan dalam peluang kumulatif. Sebagaimana dalam model linier lainnya, sedangkan variabel independen dapat berupa peubah kontinu atau variabel yang berskala kategorik (Agresti, 1990). Model regresi logistik ordinal untuk variabel independen atau Y tunggal adalah: ln(θj) = αj – βX
βk X k
(1)
[𝑨 𝑡 ]𝑠𝑘
dimana j berjalan dari 1 hingga banyak kategori dikurangi 1. Pada persamaan (1) yang dimaksud dengan αj adalah titik potong persamaan regresi atau threshold tiap probabilitas kumulatif, β sebagai koefisien variabel prediktor, dan X sebagai variabel prediktor. Selanjutnya penelitian ini akan digunakan fungsi link Cauchit (invers Cauchy) karena adanya variabel laten yang terdeteksi memiliki nilai ekstrim melalui boxplot seperti layaknya distribusi Cauchy. Bentuk link Cauchit adalah:
Matriks di atas merupakan turunan kedua dari fungsi likelihood:
link (γij) = tan (π(γij – 0,5))
𝑟𝑖𝑗 =
=
𝑚 𝐽 −1
𝑙=
𝑟𝑖𝑗 𝜑𝑖𝑗 − 𝑟𝑖
𝑔 𝜑𝑖𝑗
(5)
𝑖=1 𝑗 =1 𝑗
(2)
𝑛𝑘 𝑘=1
𝜑𝑖𝑗 = 𝑙𝑜𝑔
𝑗
Π𝑖𝑙
𝑗 +1
dengan
dengan 𝛾𝑖𝑗 = 𝑃𝑟𝑜𝑏 𝑌 ≤ 𝑗 𝑥𝑖 =
𝜕2𝑙 |𝑩 = 𝑩 𝑡 pendekatan Newton − Raphson 𝜕𝐵𝑠 𝜕𝐵𝑘 𝜕2 𝑙 −𝐸 |𝑩 = 𝑩 𝑡 pendekatan Fisher Scoring 𝜕𝐵𝑠 𝜕𝐵𝑘
−
𝛾𝑖𝑗 𝛾𝑖 𝑗 +1 − 𝛾𝑖𝑗
𝑔 𝜑 = 𝑙𝑜𝑔 1 + 𝑒𝑥𝑝 𝜑
(3)
𝑙=1
3
= 𝑙𝑜𝑔
𝛾𝑖 𝑗 +1 𝛾𝑖 𝑗 +1 − 𝛾𝑖𝑗
kontinu atau memiliki kategori yang banyak maka akan banyak sel dengan nilai ekspektasi kecil. Pada situasi ini kedua statistik menyajikan uji goodness-of-fit yang dependable (Norusis, Ordinal Regression, 2004). Apabila diperoleh model yang baik, statistik ini menunjukkan tingkat signifikansi yang tinggi. Untuk menguji keeratan hubungan antara variabel prediktor dengan variabel respon pada regresi linier umumnya digunakan statistik R2. Namun untuk regresi logistik statistik ini menjadi tidak berfungsi karena interpretasinya tidak sesuai dengan sifat regresi logistik yang kategorikal. Oleh karena itu digunakan pseudo R2 seperti Cox and Snell R2, Nagelkerke’s R2, dan McFadden’s R2. Sebagai obyek penelitian, portal berita sebuah portal web yang “W” merupakan berisi berita aktual dan artikel dari di Indonesia. Portal ini juga menjadi salah satu situs berita terpopuler di Indonesia. Server portal berita “W” sudah siap diakses pada 30 Mei 1998, namun baru online dengan sajian lengkap pada 9 Juli 1998. Tanggal 9 Juli tersebut akhirnya ditetapkan sebagai hari lahir Portal berita “W”. Sistem ad rates portal berita “W” awalnya berdasarkan page view ad itu sendiri yaitu Rp1 per view. Namun kemudian dengan semakin berkembangnya page view portal berita tersebut hingga lebih dari 25 juta per hari, maka sistem ad rates diganti. Sayangnya penetapan ad rates di portal ini masih berdasarkan feeling bisnis. Iklan online adalah salah satu bentuk promosi menggunakan internet dan World Wide Web yang bertujuan menyampaikan pesan pemasaran untuk menarik perhatian konsumen. Contoh iklan online antara lain iklan kontekstual pada keluaran mesin pencari, banner ads, Rich Media Ads, iklan sosial media, interestitial ads, online classified advertising, jaringan periklanan, pemasaran e-mail termasuk e-mail spam (Wikipedia, 2011). Menurut Brian Sheehan (2010), display ads merupakan salah satu prioritas yang menjadi perhatian marketers ketika mereka mengembangkan strategi iklan online. Ketika seseorang berbicara tentang iklan di web, umumnya yang ada di pikiran mereka adalah display advertising. Dalam dunia advertising ada yang disebut Consumer Pathway yang nantinya menjadi tujuan sebuah iklan.
Karena link yang digunakan pada penelitian ini adalah link Cauchit, maka 𝜕𝛾𝑖𝑗 𝑐𝑜𝑠 2 (𝜋 𝛾𝑖𝑗 − 0,5 ) = (6) 𝜕𝜂𝑖𝑗 𝜋 Untuk memperoleh estimasi parameter, pada penurunan berikutnya γij diturunkan terhadap Bs dan ηij sehingga 𝜕 2 𝛾𝑖𝑗 𝜕𝐵𝑠 𝜕𝜂𝑖𝑗 𝜕𝛾𝑖𝑗 = 𝑅𝑖𝑗 𝑃 7 𝜕𝜂𝑖𝑗 𝑖𝑗𝑠 Rij pada persamaan (7) adalah link yang digunakan yaitu Cauchit. Pada term ini link Cauchitnya adalah Rij = sin (2πγij)
(8)
Selanjutnya untuk mendapatkan matrik informasi Newton-Raphson turunan kedua fungsi likelihoodnya adalah sebagai berikut: 𝜕2 𝑙 𝜕𝐵𝑠 𝜕𝐵𝑘 𝑚 𝐽 −1
= 𝑖=1 𝑗 =1
+
𝜕𝑙𝑖 𝜕𝑈𝑖𝑗 𝜕 2 𝑙𝑖 𝑈𝑖𝑗 𝑄𝑖𝑗𝑘 + 𝑄 𝜕𝐵𝑠 𝜕𝜑𝑖𝑗 𝜕𝜑𝑖𝑗 𝜕𝐵𝑠 𝑖𝑗𝑘
𝜕𝑄𝑖𝑗𝑘 𝜕𝑙𝑖 𝑈𝑖𝑗 𝜕𝐵𝑠 𝜕𝜑𝑖𝑗
(9)
Persamaan (9) inilah yang kemudian digunakan untuk memperoleh estimasi parameter B (PASW Statistics 18, 2009). Setelah diperoleh koefisien regresi logistik ordinal, perlu dilakukan pengujian model. Untuk model keseluruhan digunakan keluaran dari Model Fitting Information dengan hipotesis awal bahwa koefisien semua variabel location pada model adalah 0. Dengan kata lain variabel prediktor tidak memberikan pengaruh terhadap model. Dasar pengujian ini adalah perubahan dari -2 log likelihood ketika variabel dimasukkan ke dalam model yang hanya memiliki intersep. Perubahan tersebut memiliki distribusi chi-square meskipun terdapat sel-sel dengan observasi dan prediksi kecil (Norusis, Ordinal Regression, 2004). Kemudian dari model yang diperoleh dapat dihitung nilai observasi dan ekspektasi. Untuk mengetahui kebaikannya digunakan pengukuran Goodness-of-Fit dengan statistik Pearson dan Deviance. Kedua statistik goodness-of-fit di atas hanya bisa digunakan untuk model dengan nilai ekspektasi yang tinggi di tiap sel. Apabila penelitian menggunakan variabel prediktor 4
mengikutsertakan warga dalam citizen journalism, maka iklan pun meningkat meski tidak selalu sebanding dengan kepercayaan pemasangnya. Tantangan inilah yang harus dihadapi jurnalisme saat ini yaitu keterkaitan konten berita dengan iklan (Kurniawan, 2007). Karena itulah kemudian situs berjenis portal berita menjadi obyek penelitian, khususnya portal berita “W”. Ad sebetulnya merupakan kependekan dari istilah periklanan dalam bahasa Inggris, advertising. Namun dalam perkembangannya kata ad identik dengan iklan jenis banner, gambar grafik atau gambar animasi (biasanya berupa file yang disebut animated GIF) yang didesain dengan batasan ukuran pixel dan byte. Ads untuk sebuah kampanye biasanya bermaksud menampilkan kreatifitas (WhatIs.Com, 2008). Seperti daftar menu pada restoran, setiap publisher memiliki daftar harga ads masingmasing. Daftar harga ini biasa disebut sebagai ratecard. Harga dari ad itu sendiri dinamakan ad rate. Di negara maju seperti Amerika Serikat ad rates suatu situs diatur oleh Interactive Advertising Bureau (IAB) atau biro iklan interaktif. Namun di Indonesia belum ada kesepakatan bersama mengenai ad rates dan detail yang mengikutinya. Karena itulah tidak mengherankan bila ad rates suatu situs dan situs yang lainnya akan sangat jauh terutama untuk situs daily-update.
Awareness (Kesadaran) Involvement (keterlibatan) Active Consideration (memperhitungkan) Purchase (pembelian) Consumption (konsumsi) Relationship Building (pertalian hubungan) Advocacy (penganjuran) Gambar 1 Diagram Alur Consumer Pathway
Dari diagram alur pada Gambar 2.1, display ads pada portal berita “W” hanya mencapai tujuan pertama yaitu Awareness. Tantangan komunikasi pada bagian ini adalah memperkenalkan suatu produk, mengkomunikasikan keuntungan yang kelak diperoleh konsumen, dan menyampaikan suatu kegiatan atau penawaran. KPI yang digunakan pun cukup sederhana yaitu playback pesan kunci, ad awareness, dan brand awareness (Young, 2010). Oleh karena itu satuan penjualan banner atau ad rates yang digunakan adalah Rupiah tanpa memperhitungkan klik maupun durasi. Namun klik patut diperhitungkan sebagai salah satu faktor penentu ad rates. Dengan alasan yang sama pula kemudian impression dipilih menjadi salah satu variabel prediktor daripada page view. Ada banyak penelitian mengenai iklan online. Pratomo dan Hardianto (2008) meneliti faktor-faktor ini dari sisi human-computer interaction. Selanjutnya, faktor human-computer interaction tersebut diwujudkan melalui jenis iklan seperti pesan eror, formulir, pop-up, dan sebagianya. Dari penelitian tersebut diperoleh hasil bahwa keberadaan ilustrasi, warna, gaya bahasa, posisi, ukuran huruf, lokasi, dan jenis ads mempengaruhi interaksi manusia terhadap suatu iklan online. Namun khusus penelitian ini hanya akan diambil faktor posisi, lokasi dan jenis ads saja. Kebosanan terhadap iklan yang sama setiap hari pun mempengaruhi perilaku pembelian di media online. Kebosanan inilah yang kemudian menjadi salah satu variabel prediktor melalui frekuensi penayangan. Aktifitas yang ada pada suatu media dari sisi jurnalistik akan mempengaruhi segala yang ada pada media tersebut termasuk iklan. Bila media massa yang menjual ad slot
3. METODOLOGI PENELITIAN Data yang digunakan dalam penelitian ini adalah data sekunder Commerce and TI portal berita “W” tahun 2010 yang dihimpun dari ratecard, occupancy rate, dan keluaran Open X. Di antara berbagai jenis ads, penjualan banner dipilih karena jenis iklan ini dianggap paling banyak diminati advertiser dan mampu menarik pengunjung dengan sistem pencatatan data yang akurat dan pemasangan yang praktis. Variabel yang digunakan dalam penelitian ini terdiri atas variabel respon dan variabel prediktor, sebagai berikut: 1. Variabel respon (Y) yang digunakan dalam penelitian ini adalah ratecard atau harga banner portal berita “W” pada kuarter pertama tahun 2011. Unit penelitian semua ads aktif pada delapan kanal. Skala yang digunakan variabel ini adalah interval. Untuk ad rates kurang dari Rp1.000.000 dikategorikan sangat murah dengan kode 1. ad rates antara Rp1.000.000 hingga 5
2.
a.
b.
c.
d.
e.
f.
Rp2.500.000 terkategori murah dengan kode 2. Kategori mahal diperuntukkan ad rates Rp2.500.001 hingga Rp5.000.000 dengan kode 3. Kode 4 digunakan ad rates kategori sangat mahal yaitu lebih dari Rp5.000.000. Variabel prediktor (X) yang digunakan dalam penelitian ini merupakan faktorfaktor yang diduga mempengaruhi tingkat ketertarikan pengunjung situs X untuk mengakses banner, yaitu: Tipe Ads (X1) Tipe ads berskala nominal. Variabel X1 terdiri dari sepuluh kategori, kode 1 jika bertipe Body Text Ads, kode 2 jika tipe Bottom Frame, kode 3 jika tipe Center Ads, kode 4 jika tipe Leaderboard Ads, kode 5 jika tipe Left Ads, kode 6 jika tipe Over The Page, kode 7 jika tipe Right Ads, kode 8 jika tipe Rotated Showcase Ads, kode 9 jika tipe Unrotated Showcase Ads, dan kode 10 jika tipe Top Detail Ads. Kanal (X2) Kanal berita pada situs X berskala nominal dengan delapan kategori. Kategori yang digunakan menggunakan kode 1 untuk kanal Keuangan, kode 2 untuk kanal Kesehatan, kode 3 untuk kanal Hiburan, kode 4 untuk kanal Internet, kode 5 untuk kanal Berita, kode 6 untuk kanal Otomotif, kode 7 untuk kanal Olahraga, dan kode 8 untuk kanal Gaya Hidup. Lay Out (X3) Lay Out banner yang dijual situs berita “W” berskala ordinal. Variabel tersebut memiliki 6 kategori yaitu kode 1 untuk Advertorial, kode 2 untuk Rich Media, kode 3 untuk Frame Rich Media, kode 4 untuk Top Section, kode 5 untuk Middle Section, dan kode 6 untuk Bottom Section. Panjang Dimensi (X4) Panjang dimensi banner berskala rasio dalam satuan pixel. Lebar Dimensi (X5) Lebar dimensi banner berskala rasio dalam satuan pixel. Frekuensi kemunculan ad slot (X6) Frekuensi kemunculan banner termasuk dalam variabel respon karena suatu banner hanya akan ditampilkan saat sudah ada advertiser yang melakukan bidding. Variabel ini dihitung dalam satuan hari sepanjang tahun 2010 sehingga skalanya adalah rasio.
g. Impressions (X7) Impressions adalah banyaknya kunjungan pada hanya pada halaman tertentu yang memuat banner. Variabel ini dihitung sepanjang tahun 2010 melalui web log analyzer dengan skala rasio. h. Klik (X8) Variabel ini merupakan jumlahan traffic sepanjang tahun 2010 pada suatu banner melalui klik sebelum mencapai situs marketers yang berskala rasio. Adapun langkah-langkah analisis yang dilakukan dalam penelitian ini adalah: 1. Untuk mencapai tujuan pertama dilakukan analisis deskriptif untuk mengetahui karakterisik ad rates portal berita “W” sepanjang tahun 2010 dan faktor-faktor yang diduga mempengaruhinya. 2. Untuk menjawab tujuan kedua dilakukan analisis regresi logistik ordinal dengan urutan langkah sebagai berikut: a. Memodelkan variabel X1 hingga ,X8 terhadap Y(variabel tak bebas) dengan metode Regresi Logistik Ordinal dan link kumulatif Cauchit. b. Melakukan pengujian serentak dengan hipotesis: H0 : β1 = β2 = ... = βk = 0 H1 : setidaknya ada satu βp ≠ 0 untuk p = 1, 2, ... k c. Melakukan pengujian perbedaan hasil observasi dan hasil prediksi dengan statistik uji Deviance. d. Menganalisis keeratan hubungan variabel prediktor terhadap variabel respon melalui nilai pseudo-R2. e. Memilih variabel yang signifikan dengan melakukan uji parsial sebagai berikut: H0 : βp = 0 H1 : βp ≠ 0, untuk p = 1, 2, ... k f. Interpretasi model untuk mendapatkan faktor-faktor yang mempengaruhi ad rates di portal berita “W”.
6
Lay out yang paling jarang digunakan adalah advertorial dan Bottom Section dengan persentase 3 persen. ad rates kategori sangat murah paling banyak menggunakan lay out Middle Section. Top Section adalah lay out yang paling banyak pada tiga kategori lainnya yaitu murah, mahal, dan sangat mahal. Dimensi panjang yang paling tinggi ada pada ad rates mahal dengan rata-rata 454,9 pixel. Sedangkan rata-rata dimensi panjang terkecil berada di kategori sangat murah 297,33 pixel. Hal tersebut mungkin dikarenakan keterbatasan panjang space portal berita “W” sehingga penentuan dimensi panjang untuk ad rates yang tidak terlalu menguntungkan harus benar-benar diperhatikan. Kemungkinan yang sama terjadi pada variabel dimensi lebar. Ratarata dimensi lebar yang paling kecil ada pada kategori murah dengan 147,2 pixel. Rata-rata dimensi lebar tertinggi pada kategori mahal yaitu 207,5 pixel. Gejala ini mungkin saja terjadi mengingat scroll space sebuah situs umumnya tidak terbatas. Berbeda dengan dimensi lebar, rata-rata minimum frekuensi tayang justru pada kategori mahal dengan 61,5 kali dan rata-rata maksimumnya pada kategori sangat mahal yaitu 104,2 kali. Sementara itu rata-rata impressions terendah berada pada ad rates murah dengan 85.613.173 impresi dan rata-rata maksimum pada kategori sangat mahal yaitu 23.123.050 impresi. Variabel kontinu terakhir yang hendak diamati karakteristiknya adalah klik. Variabel ini memiliki rata-rata terendah 20.158 klik pada kategori sangat murah dan klik tertinggi 219.142 pada kategori sangat mahal. Karakteristik selanjutnya yang hendak dianalisis adalah ketepatan kategori ad rates dengan membandingkan kategori observasi dan prediksi. Ketepatan ini dituangkan dalam confusion matrix yang merupakan hasil tabulasi silang prediksi dan observasi variabel respon.
4.
HASIL DAN PEMBAHASAN Kategori ad rates terendah adalah ad rates sangat murah atau kurang dari Rp1.000.000. Frekuensi yang dimiliki kategori ini adalah 9 ads atau 14 persen. Kategori ad rates berikutnya yang lebih tinggi adalah Ads Rate sangat mahal dengan interval lebih dari Rp5.000.000. Pada kategori tersebut terdapat 23 persen atau 15 ads. Sementara itu ada 20 ads dengan rate Rp1.000.000 sampai Rp2.500.000 atau 31 persen pada kategori murah. Kategori ad rates mahal adalah kategori terbesar yaitu ad rates lebih dari Rp5.000.000. Pada kategori ini terdapat 32 persen atau 21 ads. Dari angkaangka tersebut dapat diketahui bahwa ad rates paling banyak berada pada interval Rp2.500.001 hingga Rp5.000.000 dengan 21 ads. Sedangkan ad rates kategori terkecil merupakan kategori ad rates dengan ads paling sedikit yaitu 13 persen atau 9 dari 65 ads. Variabel prediktor dari ad rates yang berupa kategori pada penelitian ini adalah tipe ads, kanal, dan lay out. ad rates juga diduga dipengaruhi oleh beberapa variabel prediktor kontinu. Variabel independen lain yang diduga mempengaruhi ad rates yaitu dimensi panjang, dimensi lebar ads, frekuensi kemunculan ads, jumlah berita yang diunggah, impression tiap ads, dan klik yang diperoleh masing-masing ads. Tipe ads terbanyak pada portal berita “W” adalah Right Ads yaitu sebesar 14 persen. Showcase Unrotated merupakan tipe ads paling sedikit. Persentase kategori tipe tersebut hanya 6 persen dengan total 4 ads. Di antara 65 ads yang terbagi menjadi 10 kategori tipe ads pada 4 interval ad rates, tipe Right Ads pada interval kurang dari Rp1.000.000 dan Leaderboards pada kategori murah adalah yang terbanyak. Pada kategori mahal, frekuensi ads terbesar adalah tipe ads Body Text Ads dan Bottom Frame. Untuk kategori ad rates sangat mahal didominasi tipe Center Ads. Kanal yang paling banyak diteliti pengaruhnya terhadap ad rates adalah kanal Berita yaitu 19 persen. Kanal paling sedikit pada penelitian ini adalah Gaya Hidup dengan persentase sebesar 5 persen. Kanal Keuangan merupakan kanal terbanyak untuk ad rates sangat murah dengan 5 ads. Untuk kategori ad rates murah paling banyak dari kanal Otomotif. Sementara itu, kanal Internet mendominasi kategori mahal dan kanal Berita mendominasi kategori sangat mahal dengan 8 ads. Lay out paling banyak digunakan ads portal berita “W” adalah Top Section yaitu 52 persen.
Confusion matrix adalah bentuk ringkas dari kemampuan prediktif dari model empiris. Dari matriks tersebut kemudian dapat diketahui 55,6 persen ad rates tepat dikategorikan sebagai sangat murah. Untuk kategori ad rates murah pada portal berita “W” diketahui mencapai ketepatan pengkategorian 61,9 persen dan kategori mahal 68 persen. Sementara itu kategori ad rates sangat mahal tepat terklasifikasi 70 persen. Langkah pertama dalam mengolah data ad rates dengan metode regresi logistik ordinal 7
adalah meregresikan seluruh variable prediktor yang diduga berpengaruh terhadap ad rates. Permodelan dalam penelitian ini menggunakan link Cauchit karena adanya variabel laten yang terdeteksi ekstrim pada boxplot. Boxplot yang dimaksud seperti pada Gambar 1.
value kurang dari 0,10. Jika H0 ditolak, maka ada satu atau lebih variabel predictor yang berpengaruh secara signifikan terhadap variable respon. Berdasarkan hasil keluaran SPSS pada diperoleh nilai chi-square 98,117 dan p-value yang dihasilkan pada pengujian serentak adalah 0,000 sehingga dapat dikatakan bahwa secara serentak model bisa diterima. Setelah dilakukan analisis regresi logistik ordinal secara serentak dengan variabel yang signifikan, perlu diuji kesesuaian modelnya. Uji kesesuaian model ini dilakukan dengan hipotesis sebagai berikut: H0: model sesuai (tidak ada perbedaan antara hasil observasi dan hasil prediksi) H1: model tidak sesuai (terdapat perbedaan antara hasil observasi dan prediksi) Statistik uji yang digunakan untuk pengujian ini adalah Deviance. Hipotesis awal akan ditolak bila p-value kurang dari α = 10%. Dari keluaran SPSS didapat statistik uji Deviance adalah 1,000 sedangkan Pearson 0,000 atau dengan kata lain bahwa model kumulatif Cauchit sudah sesuai. Namun, kedua nilai ini bisa dikatakan tidak biasa, yang berarti bahwa algoritma model terganggu selama perhitungan. Kemungkinan dari gangguan ini tinggi ketika terdapat banyak sel kosong pada tabulasi silang mode. Oleh karena itu pengukuran ini boleh diabaikan mengingat jumlah sel yang kosong tersebut dikarenakan adanya kombinasi variabel dependen yang kontinu. Hal ini diindikasikan peringatan pada output bahwa terdapat 195 sel (75%) dengan frekuensi nol. Terkait pengujian overall-model dengan hipotesis awal bahwa koefisien lokasi untuk semua variabel prediktor dalam model adalah nol, menghasilkan nilai signifikansi kurang dari 0,1. Oleh karena itu dapat dikatakan bahwa model dengan interceptonly tidak lebih baik daripada model dengan prediktor. Pengujian ini menjadi penting karena perubahan pada likelihood ratio tetap menghasilkan distribusi chi-square walaupun dengan sel observasi dan prediksi yang kecil (Norusis, 2004, dalam Minetos & Polyzos, 2010). Dalam model fitting information diperhatikan pula nilai pseudo-R2. Nilai ini
Gambar 2 Boxplot Klik terhadap Ad Rates
Hal serupa terjadi pada variabel impressions terhadap ad rates seperti pada Gambar 2.
Gambar 3 Boxplot Impressions terhadap Ad Rates
Selanjutnya untuk mengetahui faktor-faktor yang berpengaruh, dilakukan penguijian hipotesis terhadap variabel prediktor yang signifikan secara serentak. Hipotesis yang akan digunakan dalam uji ini adalah:
H0 : β1 = β2 = ... = β8 = 0 H1 : setidaknya ada satu βp ≠ 0 untuk p = 1, 2, ... 8 Adapun statistik uji yang digunakan adalah statistik uji G. Nilai dari statsitik uji G ini akan dibandingkan dengan nilai χ2(v,α) dan akan didapatkan kesimpulan tolak H0 jika nilai G > χ2(v,α) atau p-
mengadopsi nilai koefisien determinasi pada regresi berganda, yang menunjukkan seberapa besar kemampuan variabel bebas menjelaskan varians (Kriswanto, 2010). 8
Nilai pseudo R2 juga merupakan indikasi dari keeratan antara variabel respon dan variabel independen. Pada penelitian ini diperoleh tiga nilai pseudo R2 yaitu Cox and Snell 0,779, Nagelkerke 0,836, dan McFadden 0,563. Nilai terbesar adalah dari Nagelkerke yang menunjukkan bahwa faktor Tipe Ads, Kanal, Lay out, Dimensi Panjang, Dimensi Lebar, Frekuensi Tayang, Impression, dan Klik menjelaskan 83,6 persen ad rates sedangkan 16,4 persen dijelaskan oleh faktor lain. Setelah dilakukan pengujian serentak, selanjutnya adalah pengujian parsial untuk menelusuri variabel prediktor mana saja yang berpengaruh signifikan thd model, dengan hipotesis sebagai berikut: H0 : βk = 0 H1 : βk ≠ 0 untuk k = 1, 2, ..., 6 Hipotesis awal ditolak jika p-value kurang dari nilai α 0,10 (Nur, 2010). Hasil pengujian ditampilkan pada Tabel 1.
karena itu perlu dilakukan permodelan secara serentak dengan variabel yang telah berpengaruh secara signifikan. Untuk menghasilkan model, koefisien pada Tabel 4.6 disubstitusikan ke dalam persamaan (1) hingga diperoleh model sebagai berikut: ln(θ1) = 2837,639 – (-13,456 Dimensi Panjang + 108,888 Dimensi Lebar + 0,030 Frekuensi Tayang + 3,572E-8 Impressions – 1,85E-5 + Tipe Ads + Kanal + Lay out), ln(θ2) = 2854,359 – (-13,456 Dimensi Panjang + 108,888 Dimensi Lebar + 0,030 Frekuensi Tayang + 3,572E-8 Impressions – 1,85E-5 + Tipe Ads + Kanal + Lay out), dan ln(θ3) = 2868,669 – (-13,456 Dimensi Panjang + 108,888 Dimensi Lebar + 0,030 Frekuensi Tayang + 3,572E-8 Impressions – 1,85E-5 + Tipe Ads + Kanal + Lay out). Tanda negatif pada variabel dimensi panjang dan klik mengindikasikan bahwa semakin kecil dimensi panjang dan klik dari ad maka kategori ad rates-nya cenderung semakin besar atau semakin mahal. Untuk tiga variabel kontinu lainnya memiliki tanda positif yang mengindikasikan bahwa semakin besar dimensi lebar, frekuensi tayang, dan impressions maka kategori ad rates-nya cenderung semakin besar pula.
Tabel 1 Pengujian Signifikansi Parameter ad rates dengan Variabel Prediktor Penduga Konst 1 Konst 2 Konst 3 Dimensi panjang Dimensi Lebar Frek. Tayang Impressions Klik Tipe Ads (1) Tipe Ads (2) Tipe Ads (3) Tipe Ads (4) Tipe Ads (5) Tipe Ads (6) Tipe Ads (7) Tipe Ads (8) Tipe Ads (9) Tipe Ads (10) Kanal (1) Kanal (2) Kanal (3) Kanal (4) Kanal (5) Kanal (6) Kanal (7) Kanal (8) Lay out (1) Lay out (2) Lay out (3) Lay out (4) Lay out (5) Lay out (6)
Koefisien 2837,639 2854,359 2868,668 -13,456 108,888 0,030 3,572E-8 -1,858E-5 -37517,708 9601,199 -26623,639 3337,995 -3006,743 -17028,375 -6521,343 -19844,209 -20112,964 0a 0,373 -3,402 13,361 12,849 20,077 -0,574 14,332 0a -510,018 -512,978 0a -499,713 -501,443 0a
p-value 0,000 0,000 0,000 0,000 0,000 0,487 0,079 0,344 0,000 0,160 0,000 0,000 0,000 0,000 0,000 0,000 . . 0,986 0,873 0,546 0,569 0,387 0,978 0,527 . 0,000 0,000 . 0,000 0,000 .
Tabel 2 Pengujian Signifikansi Parameter ad rates Portal Berita “W” Penduga [Ord_har = 1] [Ord_har = 2] [Ord_har = 3] Panjang Lebar [Tipe=1] [Tipe=2] [Tipe=3] [Tipe=4] [Tipe=5] [Tipe=6] [Tipe=7] [Tipe=8] [Tipe=9] [Tipe=10] Statistik Uji G p-value
Koefisien 796,992 800,472 803,410 -3,287 26,433 -9114,613 2458,756 -6468,447 813,045 -731,219 -4133,623 -1587,469 -4823,491 -4885,067 0
p-value 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 , , 44,823 0
Berdasarkan Tabel 2 tampak bahwa variabel prediktor Dimensi Panjang berpengaruh signifikan terhadap ad rates karena menghasilkan p-value kurang dari α 0,10. Angka 796,992 pada ad rates kategori 1, 800,472 pada ad rates kategori 2, dan 803,41 pada ad rates kategori 3 adalah intersep untuk cauchit dari peluang kumulatif kategori tersebut. Tanda
Dari Tabel 1 dapat dilihat bahwa variabel Dimensi Panjang, Dimensi Lebar, Tipe Ads, dan Lay out saja yang berpengaruh terhadap model regresi logistik ad rates secara signifikan. Namun dalam eliminasi backward variabel Lay out tidak signifikan dan tereliminasi. Oleh 9
Top Section. Rata-rata dimensi panjang terbesar berkategori mahal sedangkan dimensi lebar berkategori murah. b. Faktor yang berpengaruh pada ad rates portal berita “W” adalah dimensi panjang, dimensi lebar, dan tipe ads dengan ketepatan klasifikasi model ad rates 65 persen. Dengan kata lain, ad rates portal berita “W” belum terpengaruh dengan kanal, lay out, frekuensi tayang, impressions, dan klik. Meskipun pencatatan data online di portal berita “W’ sudah baik dengan adanya web log analyzer, namun dalam penentuan ad rates belum sepenuhnya mengikuti data yang terekam. Oleh karena itu disarankan dalam evaluasi ratecard berikutnya perlu dipertimbangkan faktor di luar sumber daya space seperti kanal, lay out, frekuensi tayang, impressions, dan klik.
negatif pada koefisien mengindikasikan bahwa semakin kecil dimensi panjang cenderung berhubungan dengan nilai atau kategori ad rates yang lebih rendah. Sementara itu model yang dihasilkan dari Tabel 4.7 adalah sebagai berikut: ln(θ1) = 796,992 – (-3,287 Dimensi Panjang + 26,433 Dimensi Lebar + Tipe Ads), ln(θ1) = 800,472 – (-3,287 Dimensi Panjang + 26,433 Dimensi Lebar + Tipe Ads), ln(θ1) = 803,410 – (-3,287 Dimensi Panjang + 26,433 Dimensi Lebar + Tipe Ads). Variabel dimensi lebar juga menghasilkan p-value kurang dari α 0,10. Tanda positif pada koefisien dengan odds rasio di atas satu menunjukkan bahwa semakin besar dimensi lebar maka ia cenderung berhubungan dengan kategori ad rates yang lebih tinggi. Untuk kasus ad rates dimana variabel prediktor yang digunakan berupa kategorial dan kontinu, maka model yang digunakan untuk tiap kasus berbeda-beda. Misalkan pada kasus ads dengan tipe Leaderboards dengna panjang 607pixel dan lebar 75 pixel, maka predicted value nya di tiap threshold adalah -3,319, 0,161, dan 3,099. Kumulatif probabilitas pada masingmasing threshold dengan kumulatif link Cauchit adalah 0,093152, 0,550812, 0,900644, dan kumulatif ke empat tentu saja 1. Sedangkan secara individu probabilitas ads ini tergolong pada kategori 1 adalah 0,093152, kategori 2 adalah 0,45766, kategori 3 adalah 0,349832, dan kategori 4 adalah 0,099356. Dari masing-masing nilai probabilitas tersebut tampak bahwa ads dengan tipe Leaderboards, dimensi panjang 607 pixel dan lebar 75 pixel sesuai dikategorikan memiliki ad rates kategori 2 atau murah.. . 5. KESIMPULAN DAN SARAN Berdasarkan hasil dan pembahasan yang telah dilakukan pada bab sebelumnya, dapat disimpulkan bahwa: a. Kategori ad rates terbanyak adalah mahal, yaitu ad rates Rp2.500.001 hingga Rp5.000.000. Tipe Ads. Karakteristik ad rates sangat murah yang paling dominan bertipe Right Ads dengan kanal Keuangan di posisi Middle Section, sedangkan ad rates murah bertipe Leaderboards pada kanal Otomotif dengan lay out di Top Section. Karakter ad rates mahal yang paling banyak adalah tipe Body Text Ads dan Bottom Frame pada kanal Internet dan lay out Top Section. Karakter ad rates sangat mahal yang terbanyak adalah tipe Center Ads dari kanal Berita dan lay out
6. DAFTAR PUSTAKA Agresti, A. (2002). Categorical Data Analysis. Florida: John Wiley & Sons, Inc. detikcom. (2010). Company Profile. Jakarta: detikcom. Internet World Stats. (21 Januari 2010). Asia Marketing Research, Internet Usage, Population Statistics and Facebook Information. Internet World Stats: http://www.internetworldstats.com/stats 3.htm Kleinbaum, D. G., & Klein, M. (2010). Logistic Regression: A Self-Learning Text (3rd Edition ed.). Atlanta, USA: Springer. Kriswanto, J. ((22 Maret 2011). Simulasi Regresi Ordinal. Konsultan Statistik: http://konsultasistatistik.blogspot.com Minetos, D., & Polyzos, S. (2010). Deforestation processes in Greece: A spatial analysis by using an ordinal regression model. Forest Policy and Economics (12), 457472. Norusis, M. J. (2004). Ordinal Regression. Dalam M. J. Norusis, SPSS 13.00 Advanced statistical procedure companion (hal. 69-89). New Jersey: Prentice Hall. Nur, C. F. (2010). Pemodelan IPM provinsi Jawa Timur, Jawa Tengah, Jawa Barat dan Sumatera Utara dengan Metode Regresi Logistik Ordinal. Surabaya: Tugas Akhir, Jurusan Statistika Institut Teknologi Sepuluh Nopember.
10
PASW Statistics 18. (2009, Juli 30). General Model (ordinal regression algorithms). SPSS 18.0.0 Algorithms . Chicago, Illinois, United States. PASW Statistics 18. (2009, Juli 30). Parameter Estimation (ordinal regression algorithm). Chicago, Illinois, United States. Pratomo, I. A., & Hardianto, D. (2008). FaktorFaktor Sistem Interaksi yang Mempengaruhi Efektifitas Iklan Online. Jurnal Sistem Informasi MTI-UI, Volume 4 No.1 . Sheehan, B. (2010). Basic Marketing 02: Online Marketing. Lausanne: AVA Publishing SA. Stern, A. (15 Maret 2011). Direct Marketing. iMedia Connection: http://www.imediaconnection.com/conte nt/25781.asp
Wang, C., Zhang, P., Choi, R., & D'Eredita, M. (2002). Understanding Consumers Attitude Toward Advertising. Eighth Americas Conference on Information Systems, (hal. 1143). New York. WhatIs.Com. (3 Juni 2011). Advertising Terminology on Internet. WhatIs.Com: http://whatis.techtarget.com/definitions Alpha/0,289930,sid9_alpA,00.html Widyanto, U. (21 Januari 2011). Teknologi.Tempo | interaktif: http://www.tempointeraktif.com/hg/it/20 09/03/06/brk,20090306-163410,id.html Wikipedia. (9 Maret 2011). DetikCom. Wikipedia: http://id.wikipedia.org/wiki/Detik.com) Wikipedia. (11 Maret 2011). Online Advertising. Wikipedia The Free Encyclopedia: http://en.wikipedia.org/wiki/Online_adv ertising Young, A. (2010). Brand Media Strategy: Integrated Communications Planning in The Digital Era. New York: Palgrave Macmilan.
11
