PENGEMBANGAN MODEL KEPUTUSAN PEMBELIAN LAPTOP REUSE, REMANUFACTURE, DAN SECONDHAND UNTUK MAHASISWA TI ITS 1
Rosa Amalia dan 2 Dr. Maria Anityasari, S.T., M.E. Mahasiswa Jurusan Teknik Industri, Fakultas Teknologi Industri 2 Dosen Jurusan Teknik Industri, Fakultas Teknologi Industri
[email protected];
[email protected]
1
Abstrak Pembelian merupakan suatu proses yang kompleks bagi para konsumen, hal ini dikarenakan begitu banyak faktor yang mempengaruhi seorang konsumen dalam melakukan pembelian. Setiap konsumen memiliki tingkat kepentingan yang berbeda dalam menilai faktor keputusan pembelian produk. Karena hubungan keputusan yang tidak linear inilah kemudian dikembangkan sebuah model keputusan pembelian non linear dengan menggunakan metode multinomial logistic regression. Keputusan yang dihasilkan dari model nonlinear dalam penelitian ini akan berupa probabilitas untuk konsumen mengambil keputusan dalam pembelian. Jenis keputusan yang dimodelkan dibagi menjadi empat: menunda, membeli produk reuse, remanufacture, atau secondhand. Kata kunci: multinomial logistic regression, pengambilan keputusan, pembelian Abstract Purchasing decisions is a complex decision for the consumer, every single consumer was influenced by the factor purchases which its interest rate isnβt equivalent for every consumer. Because of that, each consumer has a different level of importance in assessing the product purchase decision factor. Because of its non linear relationship, it can develop to be a non-linear model of purchasing decisions by using multinomial logistic regression method. The results of decision from the non-linear model in this study will be the probability of respondentβs purchasing decision. Type of decision being modeled is divided into four: delaying, purchasing reuse, remanufacture, or secondhand product. Keywords: multinomial logistic regression, decision making, purchase process
1. Pendahuluan Setiap konsumen memiliki cara tersendiri dalam melakukan pengambilan keputusan pembelian, cara konsumen dalam mengambil keputusan pembelian ini kemudian dipelajari melalui studi perilaku konsumen. Engel et al. (1995) mendefinisikan perilaku konsumen sebagai cara konsumen membuat keputusan dalam mengalokasikan sumber dayanya akan barang konsumsi meliputi hal-hal berikut: apa yang dibeli konsumen, mengapa konsumen membelinya, kapan mereka membelinya, dimana mereka membelinya, seberapa sering mereka membelinya, dan seberapa sering mereka menggunakannya. Berdasarkan studi perilaku konsumen, pembelian tidak serta merta terjadi, namun didahului dengan adanya pengenalan tingkat
kebutuhan konsumen untuk memiliki jenis produk tertentu (Engel et al., 1995). Sebagian konsumen menginginkan produk tertentu karena adanya kebutuhan yang tidak bisa digantikan dengan barang yang ia miliki saat ini. Sedangkan sebagian lainnya, menginginkan produk tertentu karena adanya keinginan yang kuat untuk memiliki produk tersebut. Perbedaan ini terjadi karena adanya perbedan faktor yang mendorong konsumen dalam melakukan pembelian. Sementara itu, masyarakat Indonesia kini telah menempatkan laptop (notebook) sebagai bagian dari fasilitas pendidikan ataupun pekerjaan. Lebih dari itu, kepemilikan produk laptop kini tidak hanya menjadi kebutuhan, namun juga menjadi bagian dari gaya hidup konsumen. Hal ini terlihat dari respon
masyarakat akan laptop yang meningkat dari tahun ke tahun.
semakin
Data Penjualan Laptop 3500000 3000000 2500000 2000000 1500000 1000000 500000 0 2006
2007
2008
2009
2010
Gambar 1 Jumlah Penjualan Laptop 2007-2011 Sumber: (IDC, 2011)
Sayangnya, harga produk yang ditawarkan oleh retail untuk produk baru dengan fitur dan teknologi baru tidak terjangkau untuk setiap orang. Untuk menanggulangi harga laptop yang tinggi, konsumen kemudian diberikan alternatif untuk membeli produk laptop bekas. Aktivitas jual beli produk laptop bekas juga tersedia dalam berbagai format, seperti: personal, retail, online, dan outlet resmi. Pangsa pasar produk bekas di Indonesia saat ini sudah cukup luas, khususnya di berbagai kota besar seperti Jakarta, Surabaya, Bandung, dll. Berdasarkan kondisi produk, produk bekas dibagi menjadi tiga jenis: secondhand, remanufacture, dan reused . Secondhand adalah produk bekas yang dibeli oleh penjual dan langsung dijual kembali tanpa adanya proses rekondisi atau perbaikan. Sedangkan produk remanufacture adalah produk bekas yang telah direkondisi sehingga produk memiliki performansi dan tampilan sebagus produk baru. Sedangkan produk reused hampir sama dengan produk secondhand, namun produk reused memiliki jaminan bahwa produk memiliki performansi produk sebagus produk baru (Watson, 2008). Namun, penduduk Indonesia tidak terlalu memahami perbedaan antara ketiga jenis produk bekas di atas, sehingga dalam penelitian ini, produk bekas dibagi menjadi dua: produk bekas yang tanpa adanya proses perbaikan, dan produk bekas yang telah direkondisi sehingga sebaik produk baru.
Berdasarkan pendapat konsumen di beberapa situs online, konsumen akan lebih termotivasi untuk membeli produk reuse, remanufacture, dan secondhand jika harga produk dengan kondisi baru sangat tinggi, misalnya produk-produk elektronik seperti handphone, kamera, laptop, household appliances, dan sebagainya. Konsumen menjadi tertarik untuk membeli produk reuse, remanufacture, dan secondhand ketika harga produk yang jauh lebih murah sedangkan kualitas produk masih bagus. Sebagian penjual produk reuse, remanufacture, dan secondhand juga menyediakan fasilitas garansi bagi produknya, sehingga konsumen merasa tidak dirugikan dalam melakukan pembelian. Perilaku konsumen dalam melakukan pembelian produk reuse dan remanufacture berbeda dengan pembelian produk baru. Konsumen membeli produk reuse dan remanufacture karena beberapa hal tertentu, misalnya harga yang lebih murah, kualitas yang tidak berbeda jauh, dan lain sebagainya. Berdasarkan studi perilaku konsumen di situs online, Gasyari (2010) mengungkapkan bahwa konsumen membeli produk reuse dan remanufacture karena tiga faktor: harga yang jauh lebih rendah dibanding harga produk baru, produk yang dijual merupakan produk merek terkenal, termotivasi untuk ikut serta dalam program daur ulang, dan nilai manfaat dari barang tidak berkurang. Sedangkan sumber lain menyatakan konsumen terdorong untuk membeli produk reuse dan remanufacture karena manfaat dari pembelian, misalnya: mendapatkan produk bermerek dengan harga murah, kualitas produk yang masih bagus, usage time produk masih rendah, serta adanya after sales service yang ditawarkan oleh penjual. Dalam penelitian ini, produk yang akan dijadikan objek penelitian adalah produk elektonik berjenis laptop (notebook). Produk laptop dipilih sebagai objek amatan karena produk memiliki berbagai generasi, dengan adanya perbaikan performansi produk di setiap generasi barunya. Generasi dari laptop ditunjukkan melalui processor yang di-install di dalam laptop dan menentukan kecepatan laptop
jenis tersebut memproses perintah yang diinputkan oleh user. Pembelian produk laptop juga dipengaruhi oleh adanya kebutuhan konsumen akan fungsi produk serta keinginan konsumen untuk memiliki produk yang berkualitas dan sesuai dengan tingkat sosial masing-masing individu. Konsumsi Material untuk Manufaktur Laptop
PCB Zinc Copper Iron Silica
0
10
20
30
Gambar 2 Konsumsi Virgin Material pada Produksi Laptop
Sehingga, dengan berbagai pertimbangan di atas akan dikembangkan model probabilitas keputusan pembelian konsumen terhadap produk laptop reuse, remanufacture, dan secondhand dengan mempertimbangkan generasi produk sebagai alternatif pilihan pembelian konsumen. 2. Asumsi Ada tiga asumsi yang digunakan dalam penelitian ini. Asumsi tersebut digunakan untuk membatasi cakupan penelitian disesuaikan dengan kondisi nyata. Pertama, responden yang terlibat dalam penelitian ini hanya dibatasi untuk mahasiswa aktif TI ITS. Responden penelitian dibatasi karena pertimbangan homogenitas latar belakang mahasiswa sebagai objek penelitian. Mahasiswa TI ITS dipilih karena proporsi laki laki dan perempuaan dalam kampus TI ITS cukup merata, latar belakang ekonomi mahasiswa di kampus TI ITS juga tersebar merata. Oleh karena itu, penelitian dibatasi di dalam lingkup TI ITS saja. Kedua, penelitian ini merupakan pengembangan model keputusan pembelian dengan memperhatikan generasi produk sebagai alternatif pilihan pembelian konsumen. Objek penelitian yang dipilih adalah laptop, dengan
menggunakan processor sebagai bentuk dari generasi laptop, disadari bahwa performansi laptop tidak hanya dipengaruhi oleh jenis processor dari laptop. Mengingat bahwa laptop memiliki banyak fitur yang ter-install didalamnya, seperti fasilitas Wi-Fi, DVD rom, Bluetooth, LCD Proyektor, hingga resolusi gambar dan visual look, dimana masing-masing fitur dari laptop selalu mengalami perkembangan di tiap generasinya. Namun, di dalam penelitian ini, peneliti menggunakan asumsi bahwa preferensi pilihan konsumen terhadap performansi laptop hanya dipengaruhi oleh processor untuk menyederhanakan proses pemahaman kepada responden dan pengembangan model nantinya. Ketiga, performansi processor untuk setiap tipe diasumsikan memiliki performansi yang sama. Disadari bahwa perkembangan teknologi sangatlah cepat sehingga tiap generasi processor memiliki banyak subgenerasi. Namun karena keterbatasan responden dalam mengingat subgenerasi detail dari processor laptop miliknya, maka digunakan asumsi bahwa nilai performansi laptop sama untuk tiap generasi. Data performansi laptop didapatkan dari CPUBenchmark, suatu perusahaan distributor processor. 3. Desain Kuesioner Pengembangan model keputusan dibutuhkan data keputusan konsumen atas pembelian laptopnya. Karena alternatif reuse, remanufacture dan secondhand masih sedikit sekali ditawarkan dalam satu toko di Indonesia. Oleh karena itu, peneliti menggunakan data primer yang didapatkan dari jawaban responden dalam kuesioner. Kuesioner didesain berdasarkan referensi dari N. Kim et al. (2001), dengan detail terdapat empat bagian kuesioner. Empat bagian dalam kuesioner yang digunakan dalam penelitian diuraikan dalam Tabel 1.
Transformasi logit akan menghasilkan dua fungsi logit sebagai berikut, dengan menetapkan bahwa π₯0 = 1.
Tabel 1 Bagian Dalam Kuesioner Bagian Output Kuesioner ο· Usia ο· Angkatan ο· Jenis Kelamin Demografi ο· Pendidikan Orang Tua Responden ο· Pendapatan ο· Uang Saku ο· Pengeluaran per Bulan ο· Pendapatan Individu
Histori Pembelian Konsumen
Personal Attitude Keputusan Pembelian Responden
ο· ο· ο· ο· ο· ο· ο·
π1 π₯ = ππ
π2 π₯ = ππ
Alasan Pembelian Tahun Terakhir Membeli Pengaruh Generasi Pemberi Pengaruh Terbesar Komposisi Pendanaan Kondisi Produk Lokasi Pembelian
Selisih Harga Selisih Tingkat Performansi Lama Waktu Pakai Selang Waktu Pembelian
π½ 0 +π½ 1 π₯ 1 +π½ 2 π₯ 2 +β―+π½ π π₯ π exp β‘ π½ 0 +π½ 1 π₯ 1 +π½ 2 π₯ 2 +β―+π½ π π₯ π 1+exp β‘
β¦β¦β¦
π π=2 π₯
(1)
π3 π₯ = ππ
(3) (4) (5)
π π=0 π₯
= π½20 + π½21 π₯1 + π½22 π₯2 + β― + π½2π π₯π = π₯ π π½2
Selanjutnya, untuk mengetahui histori pembelian konsumen, setiap perntanyaan diberikan cross section dari tahun ke tahun, mulai dari tahun 2005 hingga 2010. 4. Regresi Multinomial Logistik Regresi logistik multinomial merupakan perluasan dari regresi logistik dengan respon biner yang dapat menangani variabel respon dengan kategori lebih dari dua. Hosmer dan Lemeshow (2000) menjelaskan, untuk model regresi dengan variabel respon berskala nominal tiga kategori digunakan kategori variabel hasil Y yang dikode 0, 1, dan 2. Variabel Y terparameterisasi menjadi dua fungsi logit. Sebelumnya perlu ditentukan kategori respon yang digunakan sebagai kategori pembanding terlebih dahulu. Pada umumnya digunakan Y = 0 sebagai pembanding. Untuk membentuk fungsi logit, akan dibandingkan Y = 1 dan Y = 2 terhadap Y = 0. Bentuk model regresi logistik yang berupa fungsi peluang dengan p variabel prediktor seperti pada persamaan berikut ini: π π₯ =
(2)
π π=0 π₯
= π½10 + π½11 π₯1 + π½12 π₯2 + β― + π½1π π₯π = π₯ π π½1
ο· Price Sensitivity ο· Technology Sensitivity ο· Information Insensitivity ο· ο· ο· ο·
π π=1 π₯
π π=3 π₯
(6) (7) (8)
π π=0 π₯
= π½30 + π½31 π₯1 + π½32 π₯2 + β― + π½3π π₯π = π₯ π π½3
(9) (10)
Berdasarkan ketiga fungsi logit tersebut maka didapatkan probabilitas respon atau model regresi logistik multinomial dengan variabel respon berskala nominal tiga kategori sebagai berikut (Hosmer dan Lemeshow, 2000). π π = 0 π₯ = π0 π₯ = 1+π π 1 π₯
1 +π 2 π₯ +π 3 π₯
π π1 π₯
π π = 1 π₯ = π1 π₯ = 1+π π 1 π₯
+π 2 π₯ +π 3 π₯
π π2 π₯
π π = 2 π₯ = π1 π₯ = 1+π π 1 π₯
+π 2 π₯ +π 3 π₯ π π3 π₯
π π = 3 π₯ = π1 π₯ = 1+π π 1 π₯
+π 2 π₯ +π 3 π₯
(11) (12) (13) (14)
5. Pengembangan Model Keputusan pembelian konsumen dalam model ini dibagi menjadi empat kategori, yaitu: menunda pembelian, membeli produk secondhand (berarti responden menolak untuk membeli produk dengan kondisi tidak baru), membeli produk reuse, atau membeli produk remanufacture. Pemodelan keputusan konsumen ini dimodelkan dengan metode regresi multinomial logistik. Keempat keputusan yang telah disebutkan merupakan empat variabel respon, dengan tujuh variabel prediktor yang telah didapatkan dari hasil uji independensi hasil tabulasi silang di Tabel 4.4. Keputusan yang dimodelkan sebagai variabel respon dalam model hanya dipengaruhi oleh satu variabel prediktor saja. Sehingga, dalam bab ini akan dilakukan perhitungan probabilitas keputusan pembelian responden jika dipengaruhi oleh setiap satu variabel prediktor dengan tiap kategorinya. Langkah berikutnya adalah melakukan uji independensi antara variabel prediktor dengan variabel respon untuk mengetahui adanya
hubungan antara variabel-variabel tersebut. Uji independensi ini diawali dengan melakukan tabulasi silang antara variabel respon dengan variabel predictor. Proses tabulasi silang dilakukan dengan menggunakan software SPSS 16, tabulasi silang dilakukan dengan dua kali iterasi. Hasil dari perhitungan tabulasi silang putaran pertama ditampilkan pada Tabel 2. Tabel 2 Tabel Tabulasi Silang antara Variabel Respon dengan Variabel Prediktor Putaran Pertama Variabel
Keputusan Pembelian (%) 0 1 2 3
Usia Konsumen (X1) Di bawah 20 tahun 25.63 14.38 12.50 5.00 Di atas 20 tahun 17.50 10.00 8.13 6.88 Tahun Masuk Institut (X2) 2008 17.50 9.38 11.25 8.13 2009 19.38 8.75 5.00 2.50 2010 3.75 5.63 3.13 1.25 2011 2.50 0.63 1.25 0.00 Jenis Kelamin Konsumen (X3) Perempuan 24.38 13.75 11.25 6.25 Laki-laki 18.75 10.63 9.38 5.63 Tingkat Pendidikan Orang Tua (X 4) SMA 10.63 5.63 4.38 4.38 Diploma 1.88 0.00 3.75 0.00 Sarjana 30.63 18.75 12.50 7.50 Alasan Melakukan Pembelian (X5) Belum memiliki 27.50 13.75 14.38 10.00 Kerusakan pada 8.13 3.13 2.50 1.25 produk lama Butuh lebih dari 1 1.88 2.50 0.63 0.63 produk Adanya fitur/ model 5.63 5.00 3.13 0.00 baru Tahun Pembelian Laptop Terakhir (X6) 2010-2011 17.50 10.00 6.25 3.13 2008-2009 22.50 12.50 12.50 6.25 2006-2007 3.13 1.25 1.88 2.50 2004-2005 0.00 0.63 0.00 0.00 Pengaruh Generasi Produk terhadap Pembelian (X8) Berpengaruh 40.63 20.63 19.38 11.25 Tidak Berpengaruh 2.50 3.75 1.25 0.63 Pemberi Pengaruh Terbesar dalam Pembelian (X 9) Teman Seangkatan 11.88 4.38 5.00 3.75 Teman Lintas 2.50 1.88 1.88 0.63 Angkatan Orang Tua 22.50 15.00 13.13 4.38 Sales promotion girl/ 6.25 3.13 0.63 3.13 man Komposisi Pendanaan dalam Pembelian (X10) 100 uang orang tua 32.50 18.13 15.63 9.38 Uang OT + uang 3.75 1.88 1.25 0.63 tabungan Uang OT + hasil kerja 6.88 3.75 3.13 1.88 individu Uang OT + uang tabungan + uang hasil 0.00 0.63 0.63 0.00 keja individu
Keputusan Pembelian (%) 0 1 2 3 Kondisi Produk pada Pembelian Terakhir (X 11) Baru 40.00 18.75 18.75 11.25 Secondhand 2.50 5.00 1.25 0.00 Reuse 0.00 0.00 0.00 0.00 Remanufacture 0.63 0.63 0.63 0.63 Sensitifitas Konsumen terhadap Teknologi (X 12) Sangat Tidak Sensitif 0.00 0.00 0.00 0.00 Tidak Sensitif 5.63 9.38 0.00 2.50 Kurang Sensitif 25.63 4.38 11.88 4.38 Sensitif 11.88 10.63 8.75 5.00 Sangat Sensitif 0.00 0.00 0.00 0.00 Insensitifitas Konsumen terhadap Informasi (X 13) Sangat Tidak Sensitif 0.00 0.00 0.00 0.00 Tidak Sensitif 0.00 0.00 0.00 0.00 Kurang Sensitif 13.75 9.38 8.13 5.00 Sensitif 22.50 13.13 8.13 5.00 Sangat Sensitif 6.88 1.88 4.38 1.88 Sensitifitas Konsumen terhadap Harga (X14) Sangat Tidak Sensitif 0.00 0.00 0.00 0.00 Tidak Sensitif 0.00 0.00 0.00 0.00 Kurang Sensitif 11.88 5.00 3.13 3.75 Sensitif 18.75 16.25 17.50 3.13 Sangat Sensitif 12.50 3.13 0.00 5.00 Pendapatan Bulanan Orang Tua (X15) Di bawah 1.500.000 6.25 5.63 6.25 1.88 1.500.000 - 3.000.000 11.88 2.50 3.75 2.50 3.000.000 - 5.000.000 12.50 6.25 3.13 3.75 Di atas 5.000.000 12.50 10.00 7.50 3.75 Uang Saku Bulanan (X16) Di bawah 500.000 21.25 10.00 9.38 5.63 500.000 - 1.000.000 18.75 9.38 8.75 5.63 1.000.000 - 2.000.000 3.13 4.38 2.50 0.00 Di atas 2.000.000 0.00 0.63 0.00 0.63 Pengeluaran Individu per Bulan (X17) Di bawah 500.000 23.75 10.63 8.75 6.25 500.000 - 1.000.000 17.50 10.00 9.38 5.63 1.000.000 - 2.000.000 1.88 3.13 2.50 0.00 Di atas 2.000.000 0.00 0.63 0.00 0.00 Pendapatan Individu per Bulan (X18) Tidak Berpenghasilan 34.38 20.63 15.63 10.00 Di bawah 300.000 6.25 2.50 1.25 1.25 300.000 - 500.000 1.25 0.00 2.50 0.00 Di atas 500.000 0.63 1.25 1.25 0.63 Lokasi Pembelian (X19) Surabaya 31.88 18.75 14.38 11.25 Luar Surabaya 11.25 5.63 6.25 0.63 Penawaran Selisih Harga Produk Bekas dengan Baru (X20) 0 β 25 18.13 7.50 6.25 5.63 25 - 50 21.88 10.63 13.13 5.63 Di atas 50 3.13 6.25 1.25 0.63 Selisih Tingkat Performansi Produk antara Generasi yang Akan Dibeli dengan Generasi pada Pembelian Terakhir (X21) Pembelian Pertama 25.00 14.38 16.25 8.75 Sama atau Kurang dari 5.00 5.63 0.00 0.63 Nol 0 - 1500 4.38 1.25 3.13 0.00 Di atas 1500 8.75 3.13 1.25 2.50 Lama Waktu Pakai Produk (X22) Di bawah 10 bulan 22.50 7.50 4.38 6.25 10 - 20 bulan 11.88 10.00 8.13 2.50 Variabel
Keputusan Pembelian (%) 0 1 2 3 Di atas 20 bulan 8.75 6.88 8.13 3.13 Selang Waktu dengan Pembelian Terakhir (X 23) Pembelian Pertama 25.00 14.38 16.25 8.75 1 tahun 5.63 2.50 0.63 1.25 2 tahun 4.38 5.63 3.13 0.00 Di atas 2 tahun 8.13 1.88 0.63 1.88 Variabel
Variabel respon pada Tabel 2 diwujudkan dalam kode angka 0 hingga 3, kode 0 berarti menunda pembelian, 1 berarti membeli produk secondhand, 2 berarti membeli produk reuse, dan 3 berarti membeli produk secondhand. Pada Tabel 4.1, hasil dari tabulasi silang antara variabel prediktor dengan variabel respon putaran pertama menunjukkan terdapat beberapa kategori dalam variabel prediktor yang memiliki jumlah kurang dari lima dan mendekati 0%. Agar hasil dari tabulasi silang yang dilakukan tidak bias, maka kategori dengan jumlah yang kurang dari lima tersebut digabung dengan kategori lain yang jumlahnya juga sedikit. Karena ada penggabungan kategori, maka kategori dalam variabel prediktor harus dikode ulang, sehingga ada beberapa kategori yang mengalami perubahan kode. Meskipun terdapat perubahan kategori dalam beberapa variabel prediktor akibat dari penggabungan kategori yang memiliki jumlah kecil, namun hasil akhir dari uji signifikansi tidak mengalami perubahan dari hasil uji tabulasi silang di putaran pertama. Hasil dari uji tabulasi silang putaran kedua ditampilkan pada Tabel 2. Tabel 3 Tabel Tabulasi Silang antara Variabel Respon dengan Variabel Prediktor Putaran Kedua Variabel
Keputusan Pembelian (%) 0 1 2 3
Usia Konsumen (X1) Di bawah 20 tahun 26 14 Di atas 20 tahun 18 10 Tahun Masuk Institut (X2) 2008 18 9 2009 19 9 Jenis Kelamin Konsumen (X3) Perempuan 24 14 Laki-laki 19 11 Tingkat Pendidikan Orang Tua (X4) SMA dan Diploma 13 6 Sarjana 31 19 Alasan Melakukan Pembelian (X5) Belum memiliki 28 14
13 8
5 7
11 5
8 3
11 9
6 6
8 13
4 8
14
10
Variabel
Keputusan Pembelian (%) 0 1 2 3
Kerusakan pada produk lama + Butuh lebih dari 1 10 6 3 2 produk Adanya fitur/ model baru 6 5 3 0 Tahun Pembelian Laptop Terakhir (X6) 2010-2011 9 4 6 4 2008-2009 13 6 8 2 2006-2007 21 14 7 6 Pengaruh Generasi Produk terhadap Pembelian (X8) Berpengaruh 41 21 19 11 Tidak Berpengaruh 3 4 1 1 Pemberi Pengaruh Terbesar dalam Pembelian (X 9) Teman Seangkatan 12 4 5 4 Teman Lintas Angkatan + 9 5 3 4 SPG Orang Tua 23 15 13 4 Komposisi Pendanaan dalam Pembelian (X10) 100 uang OT 33 18 16 9 Uang OT + uang pribadi 11 6 5 3 Kondisi Produk pada Pembelian Terakhir (X 11) Baru 40 19 19 11 Bekas 3 6 2 1 Sensitifitas Konsumen terhadap Teknologi (X12) Sangat Tidak Sensitif 0 0 0 0 Tidak Sensitif 0 0 0 0 Kurang Sensitif 6 9 0 3 Sensitif 26 4 12 4 Sangat Sensitif 12 11 9 5 Insensitifitas Konsumen terhadap Informasi (X 13) Sangat Tidak Sensitif 0 0 0 0 Tidak Sensitif 0 0 0 0 Kurang Sensitif 14 9 8 5 Sensitif 23 13 8 5 Sangat Sensitif 7 2 4 2 Sensitifitas Konsumen terhadap Harga (X14) Sangat Tidak Sensitif 0 0 0 0 Tidak Sensitif 0 0 0 0 Kurang Sensitif 12 5 3 4 Sensitif 19 16 18 3 Sangat Sensitif 13 3 0 5 Pendapatan Bulanan Orang Tua (X15) Di bawah 1.500.000 6 6 6 2 1.500.000 - 3.000.000 12 3 4 3 3.000.000 - 5.000.000 13 6 3 4 Di atas 5.000.000 13 10 8 4 Uang Saku Bulanan (X16) Di bawah 500.000 21 10 9 6 Di atas 500.000 22 14 11 6 Pengeluaran Individu per Bulan (X17) Di bawah 500.000 24 11 9 6 Di atas 500.000 19 14 12 6 Pendapatan Individu per Bulan (X18) Tidak Berpenghasilan 34 21 16 10 Berpenghasilan 8 4 5 2 Lokasi Pembelian (X19) Surabaya 32 19 14 11 Luar Surabaya 11 6 6 1 Penawaran Selisih Harga Produk Bekas dengan Baru (X20) 0 - 25 18 8 6 6
Keputusan Pembelian (%) 0 1 2 3 25 - 50 22 11 13 6 Di atas 50 3 6 1 1 Selisih Tingkat Performansi Produk antara Generasi yang Akan Dibeli dengan Generasi pada Pembelian Terakhir (X21) Pembelian Pertama 25 14 16 9 Sama atau Kurang dari Nol 5 6 0 1 0 - 1500 4 1 3 0 Di atas 1500 9 3 1 3 Lama Waktu Pakai Produk (X22) Di bawah 10 bulan 23 8 4 6 10 - 20 bulan 12 10 8 3 Di atas 20 bulan 9 7 8 3 Selang Waktu dengan Pembelian Terakhir (X 23) Pembelian Pertama 25 14 16 9 1 tahun 6 3 1 1 2 tahun 4 6 3 0 Di atas 2 tahun 8 2 1 2 Variabel
Setelah dilakukan penggabungan pada variabel yang memiliki jumlah kurang dari lima, ternyata tidak seluruh variabel mampu menghasilkan persentase tabulasi silang yang besar, namun diusahakan agar kategori yang berjumlah kurang dari lima tidak lebih dari 20% jumlah kategori dalam uji tabulasi silang. Setelah dilakukan uji tabulasi silang, tahap selanjutnya dalam uji independensi adalah membangun hipotesa hubungan antara variabel prediktor dengan variabel respon, hipotesa yang dibangun adalah sebagai berikut: H0: tidak ada hubungan antara variabel prediktor dengan variabel respon H1: ada hubungan antara variabel prediktor dengan variabel respon Untuk mengui hipotesa awal di atas, digunakan uji statistik. Statistik uji yang digunakan adalah statistik uji Chi-square, dan hasil pengujian ditampilkan pada Tabel 4. Tabel 4 Uji Independensi Variabel Penelitian Nilai PKeputu Variabel ChiValue san Square Terima Usia Konsumen (X1) 2.112 0.550 Ho Terima Tahun Masuk Institut (X2) 10.008 0.124 Ho Jenis Kelamin Konsumen Terima 0.117 0.990 (X3) Ho Tingkat Pendidikan Orang Terima 2.038 0.565 Tua (X4) Ho Alasan Melakukan Terima 4.725 0.193 Pembelian (X5) Ho
Variabel Tahun Pembelian Laptop Terakhir (X6) Pengaruh Generasi Produk terhadap Pembelian (X8) Pemberi Pengaruh Terbesar dalam Pembelian (X9) Komposisi Pendanaan dalam Pembelian (X10) Kondisi Produk pada Pembelian Terakhir (X11) Sensitifitas Konsumen terhadap Teknologi (X12) Insensitifitas Konsumen terhadap Informasi (X13) Sensitifitas Konsumen terhadap Harga (X14) Pendapatan Bulanan Orang Tua (X15) Uang Saku Bulanan (X16) Pengeluaran Individu per Bulan (X17) Pendapatan Individu per Bulan (X18) Lokasi Pembelian (X19) Penawaran Selisih Harga Produk Bekas dengan Baru (X20) Selisih Tingkat Performansi Produk antara Generasi yang Akan Dibeli dengan Generasi pada Pembelian Terakhir (X21) Lama Waktu Pakai Produk (X22) Selang Waktu dengan Pembelian Terakhir (X23)
Nilai ChiSquare
PValue
7.878
0.247
3.651
0.302
5.586
0.471
0.151
0.985
7.408
0.060
29.659
0.000
4.110
0.662
27.339
0.000
4.261
0.641
0.700
0.873
2.137
0.545
1.091
0.779
4.586
0.205
12.850
0.450
Terima Ho
18.505
0.030
Tolak Ho
12.643
0.049
15.666
0.074
Keputu san Terima Ho Terima Ho Terima Ho Terima Ho Tolak Ho Tolak Ho Terima Ho Tolak Ho Terima Ho Terima Ho Terima Ho Terima Ho Terima Ho
Tolak Ho Tolak Ho
Berdasarkan Tabel 3 di atas, diketahui bahwa variabel prediktor yang memiliki hubungan antara variabel respon adalah kondisi produk pada pembelian terakhir (X 11), sensitifitas terhadap teknologi (X12), sensitifitas terhadap harga (X14), selisih tingkat performansi produk antara generasi yang akan dibeli dengan generasi pada pembelian terakhir (X21), lama waktu pakai produk (X22), selang waktu dengan pembelian terakhir (X23). Ketujuh variabel di atas dianggap signifikan karena memiliki nilai P-value yang lebih kecil dari 10%, sedangkan lima belas variabel lainnya memiliki nilai P-value yang lebih dari 10%, sehingga diputuskan untuk menerima H 0 dan
menganggap tidak ada hubungan antara variabel prediktor dengan variabel respon. Hasil dari variabel prediktor yang terbukti signifikan terhadap variabel respon selanjutnya diuji independensi variabel prediktor, hasil dari uji independensi ditampilkan pada Tabel 5. Tabel 5 Uji Independensi Variabel Prediktor dengan Variabel Respon Nilai PKeputu Variabel ChiValue san Square Kondisi Produk pada Tolak Pembelian Terakhir 7.408 0.060 Ho (X11) Sensitifitas Konsumen Tolak terhadap Teknologi 29.659 0.000 Ho (X12) Sensitifitas Konsumen Tolak 27.339 0.000 terhadap Harga (X14) Ho Selisih Tingkat Performansi Produk antara Generasi yang Tolak Akan Dibeli dengan 18.505 0.030 Ho Generasi pada Pembelian Terakhir (X21) Lama Waktu Pakai Tolak 12.643 0.049 Produk (X22) Ho Selang Waktu dengan Tolak Pembelian Terakhir 15.666 0.074 Ho (X23)
a. Pengujian Parameter Secara Individu Model regresi logistik multinomial diawali dengan melakukan pengujian secara individu pada saat estimasi parameter. Pengujian secara individu ini dilakukan untuk mengetahui signifikansi parameter melalui Uji Wald. Jika variabel prediktor signifikan terhadap variabel respon maka variabel tersebut berpengaruh terhadap variabel respon. Pada uji parameter ini juga digunakan uji hipotesa dengan hipotesa awala berikut: H0: ο’k = 0 H1: ο’k οΉ 0 Uji statistik yang digunakan untuk uji parameter secara individu adalah Uji Wald. Kategori pembanding yang digunakan dalam uji Wald adalah kategori Menunda Pembelian. Hasil uji Wald dari enam variabel prediktor ditampilkan pada Tabel 6. Tabel 6 Pengujian Individu Variabel Prediktor
Kategori Variabel PWald Keputusan Prediktor Value Kondisi Produk pada Pembelian Terakhir (X 10) Konstanta 1.11 0.29 1 X11(0) = Baru 5.03 0.02 Tolak Ho X11(1) = Bekas Pembanding Konstanta 0.49 0.48 2 X11(0) = Baru 0.10 0.75 Terima Ho X11(1) = Bekas Pembanding Konstanta 2.16 0.14 3 X11(0) = Baru 0.09 0.76 Terima Ho X11(1) = Bekas Pembanding Sensitifitas Konsumen terhadap Teknologi (X 12) Konstanta 0.11 0.74 X12(0) = Kurang Sensitif 1.34 0.25 Terima Ho 1 X12(1) = Sensitif 9.84 0.00 Tolak Ho X12(2) = Sangat Sensitif Pembanding Konstanta 0.75 0.39 X12(0) = Kurang Sensitif . . Terima Ho 2 X12(1) = Sensitif 1.07 0.30 Terima Ho X12(2) = Sangat Sensitif Pembanding Konstanta 4.21 0.04 X12(0) = Kurang Sensitif 0.01 0.94 Terima Ho 3 X12(1) = Sensitif 2.36 0.12 Terima Ho X12(2) = Sangat Sensitif Pembanding Sensitifitas Konsumen terhadap Harga (X12) Konstanta 7.69 0.01 X13(0) = Kurang Sensitif 0.64 0.43 Terima Ho 1 X13(1) = Sensitif 4.80 0.03 Tolak Ho X13(2) = Sangat Sensitif Pembanding 5409.2 0.00 Konstanta X13(0) = Kurang Sensitif 1006.2 0.00 Tolak Ho 2 X13(1) = Sensitif . . Terima Ho X13(2) = Sangat Sensitif Pembanding Konstanta 4.80 0.03 X13(0) = Kurang Sensitif 0.14 0.71 Terima Ho 3 X13(1) = Sensitif 1.88 0.17 Terima Ho X13(2) = Sangat Sensitif Pembanding Penawaran Selisih Harga Produk Bekas dengan Baru (X19) Konstanta 1.60 0.21 X20(0) = 0 - 25% 5.94 0.01 Tolak Ho 1 X20(1) = 25 - 50% 5.17 0.02 Tolak Ho X20(2) > 50% Pembanding Konstanta 1.20 0.27 X20(0) = 0 - 25% 0.03 0.87 Terima Ho 2 X20(1) = 25 - 50% 0.21 0.65 Terima Ho X20(2) > 50% Pembanding Konstanta 2.16 0.14 X20(0) = 0 - 25% 0.14 0.70 Terima Ho 3 X20(1) = 25 - 50% 0.05 0.83 Terima Ho X20(2) > 50% Pembanding Selisih Tingkat Performansi Produk antara Generasi yang Akan Dibeli dengan Generasi pada Pembelian Terakhir (X20) Konstanta 3.91 0.05 X21(0 = 1st Purchase 0.67 0.41 Terima Ho 1 X21(1) = ο£ο 0 2.59 0.11 Terima Ho X21(2) = 0-1500 0.05 0.82 Terima Ho X21(3) > 1500 Pembanding Konstanta 6.63 0.01 2 X21(0)= 1st Purchase 3.62 0.06 Tolak Ho Logit
Kategori Variabel PWald Keputusan Prediktor Value X21(1) = ο£ο 0 0.00 1.00 Terima Ho X21(2) = 0-1500 2.83 0.09 Tolak Ho X21(3) > 1500 Pembanding Konstanta 4.88 0.03 X21(0) = 1st Purchase 0.10 0.75 Terima Ho 3 X21(1) = ο£ο 0 0.47 0.49 Terima Ho X21(2) = 0-1500 . . Terima Ho X21(3) > 1500 Pembanding Lama Waktu Pakai Produk (X21) Konstanta 0.36 0.55 X22(0) < 10 bulan 2.69 0.10 Terima Ho 1 X22(1) = 10 - 20 bulan 0.02 0.90 Terima Ho X22(2) > 20 bulan Pembanding Konstanta 0.04 0.85 X22(0) < 10 bulan 7.66 0.01 Tolak Ho 2 X22(1) = 10 - 20 bulan 0.34 0.56 Terima Ho X22(2) > 20 bulan Pembanding Konstanta 3.91 0.05 X22(0) < 10 bulan 0.16 0.69 Terima Ho 3 X22(1) = 10 - 20 bulan 0.49 0.49 Terima Ho X22(2) > 20 bulan Pembanding Penawaran Selisih Harga Produk Bekas vs. Baru (X22) Konstanta 5.24 0.02 X23(0) = 1st Purchase 1.74 0.19 Terima Ho 1 X23(1) = 1 tahun 0.56 0.46 Terima Ho X23(2) = 2 tahun 4.44 0.04 Tolak Ho X23(3) > 2 tahun Pembanding Konstanta 6.11 0.01 X23(0)= 1st Purchase 3.99 0.05 Tolak Ho 2 X23(1) = 1 tahun 0.06 0.80 Terima Ho X23(2) = 2 tahun 3.50 0.06 Tolak Ho X23(3) > 2 tahun Pembanding Konstanta 5.24 0.02 X23(0)= 1st Purchase 0.34 0.56 Terima Ho 3 X23(1) = 1 tahun 0.00 0.97 Terima Ho X23(2) = 2 tahun . . Terima Ho X23(3) > 2 tahun Pembanding
Logit
Tabel 6 menunjukkan bahwa ketujuh variabel prediktor yang digunakan dalam pengujian regresi logistik multinomial secara individual berpengaruh secara signifikan terhadap variabel respon, yakni keputusan pembelian oleh konsumen. Variabel prediktor dinyatakan signifikan jika setidaknya memiliki satu hasil uji yang menyatakan tolak H 0 di setiap pengujian variabel prediktor. Hipotesa awal akan ditolak jika didapatkan nilai P-Value kurang dari ο‘. Nilai ο‘ yang digunakan dalam pengujian ini adalah 10%, sehingga batas nilai P-Value yang diijinkan untuk memenuhi syarat uji Wald adalah 0,10. b. Pengujian Parameter Secara Serentak Pengujian secara serentak dilakukan untuk mendapatkan variabel prediktor yang secara
serentak mempengaruhi variabel respon. Pengujian serentak dilakukan dengan menggunakan metode uji Likelihood, hipotesa yang digunakan dalam melakukan uji serentak adalah sebagai berikut: H0: ο’1 = ο’2 = β¦. = ο’p = 0 H1: paling sedikit terdapat satu ο’k οΉ 0, dengan k = 1, 2, β¦., p Dengan menggunakan uji rasio Likelihood, didapatkan nilai Chi Square dan Significancy dari tiap-tiap variabel prediktor secara serentak terhadap variabel respon, hasil lengkap dari pengujian ditampilkan pada Tabel 7. Tabel 7 Pengujian Serentak Variabel Prediktor Putaran 1 Likelihood Ratio Tests Effect ChiSig. Square Konstanta 0 . Kondisi Produk Terakhir 9.26 0.026 Technology sensitivity 26.28 0.000 Price sensitivity 33.84 0.000 Selisih Harga Baru vs. 6.13 0.409 Bekas Selang Waktu Pembelian 14.53 0.024 Masa Pakai Produk Bekas 17.99 0.006 Selisih Performansi 19.18 0.004
Dari hasil uji rasio Likelihood, semua variabel memiliki pengaruh secara serentak terhadap variabel respon, kecuali variabel prediktor selisih harga. Hal ini terlihat dari nilai Significancy variabel prediktor selisih harga yang melebihi nilai 0,10. Agar variabel model serentak yang dihasilkan benar-benar memiliki pengaruh terhadap variabel respon, maka variabel selisih harga tidak diikutsertakan dalam model serentak. Selanjutnya, dilakukan uji rasio Likelihood terhadap enam variabel lainnya, dan hasilnya ditampilkan pada Tabel 8.
Tabel 8 Pengujian Serentak Variabel Prediktor Putaran 2 Likelihood Ratio Tests Effect Chi-Square Sig. Konstanta 0 . Kondisi Produk Terakhir 8.04 0.045 Technology sensitivity 34.21 0.000 Price sensitivity 34.78 0.000 Selang Waktu Pembelian 14.26 0.027 Masa Pakai Produk Bekas 18.18 0.006 Selisih Performansi 17.65 0.007
Dari hasil uji serentak variabel prediktor kedua yang ditampilkan pada tabel 4.21, tanpa mengikutsertakan variabel prediktor selisih harga, semua variabel prediktor yang diuji menunjukkan hasil bahwa semua variabel prediktor berpengaruh secara serentak terhadap variabel respon. 6. Running dan Interpretasi Model Individu Besar pengaruh variabel prediktor terhadap variabel respon ditunjukkan melalui odds ratio masing-masing kategori dalam variabel prediktor. Nilai odds ratio dari variabel prediktor kondisi produk pada pembelian terakhir ditampilkan pada Tabel 9. Tabel 9 Estimasi Parameter Variabel Prediktor Kondisi Produk pada Pembelian Terakhir Logit Prediktor B Konstanta 0.59 1 X11(0) = Baru -1.35 X11(1) = Bekas Pembanding Konstanta -0.51 2 X11(0) = Baru -0.25 X11(1) = Bekas Pembanding Konstanta -1.61 3 X11(0) = Baru 0.34 X11(1) = Bekas Pembanding
Nilai estimasi parameter yang ditampilkan pada Tabel 9 selanjutnya digunakan untuk menentukan fungsi probabilitas respon, fungsi probabilitas ini disebut juga model regresi logistik multinomial beserta nilai peluang terjadinya respon tersebut. Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor kondisi produk pada pembelian terakhir (X10) adalah sebagai berikut: π 0 π₯ 10 =
1 1+π π 1 π₯ 1 +π 2 π₯ 1 +π 3 π₯ 1
(15)
Dengan fungsi logistik berikut: π 1 π₯ = 0,59 β 1,35 π₯ 1 (0)
(16)
π 2 π₯ = β 0,51 β 0,25 π₯ 1 (0)
(17)
π 1 π₯ = β1,61 + 0,34 π₯ 1 (0)
(18)
Selanjutnya, dilakukan perhitungan probabilitas respon untuk variabel prediktor technology sensitivity. Pada Tabel 10 akan ditampilkan hasil dari estimasi parameter untuk variabel respon dengan variabel prediktor technology sensitivity. Tabel 10 Estimasi Parameter Variabel Prediktor Technology Sensitivity Logit Prediktor B Konstanta -0.11 X12(0) = Tidak Sensitif 0.62 1 X12(1) = Kurang Sensitif -1.66 X12(2) = Sensitif Pembanding Konstanta -0.31 X12(0) = Tidak Sensitif -20.50 2 X12(1) = Kurang Sensitif -0.46 X12(2) = Sensitif Pembanding Konstanta -0.86 X12(0) = Tidak Sensitif 0.05 3 X12(1) = Kurang Sensitif -0.90 X12(2) = Sensitif Pembanding
Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor technology sensitivity (X12) adalah sebagai berikut: π 0 π₯ 12 =
1 1+π π 1 π₯ 1 +π 2 π₯ 1 +π 3 π₯ 1
(19)
Dengan fungsi logistik berikut: π 1 π₯ = β0,11 + 0,62π₯ 1 (0) β 1,66 π₯ 1 (1)
(20)
π 2 π₯ = β 0,31 β 20,5 π₯ 1 (0) β 0,46 π₯ 1 (1)
(21)
π 3 π₯ = β0,86 + 0,05 π₯ 1 (0) β 0,9 π₯ 1 (1)
(22)
Selanjutnya, dilakukan perhitungan probabilitas respon untuk variabel prediktor price sensitivity. Pada Tabel 11 akan ditampilkan hasil dari estimasi parameter untuk variabel respon dengan variabel prediktor price sensitivity. Tabel 11 Estimasi Parameter Variabel Prediktor Price Sensitivity Logit Prediktor B Konstanta -1.39 1 X14(0) = Kurang Sensitif 0.52 X14(1) = Sensitif 1.24
Logit
2
3
Prediktor X14(2) = Sangat Sensitif Konstanta X14(0) = Kurang Sensitif X14(1) = Sensitif X14(2) = Sangat Sensitif Konstanta X14(0) = Kurang Sensitif X14(1) = Sensitif X14(2) = Sangat Sensitif
B Pembanding -19.33 17.99 19.26 Pembanding -0.92 -0.24 -0.88 Pembanding
Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor price sensitivity (X14) adalah sebagai berikut: 1 π 0 π₯ 14 = (23) π 1 π₯ 1 +π 2 π₯ 1 +π 3 π₯ 1 1+π
Dengan fungsi logistik berikut: π 1 π₯ = β1,39 + 0,52π₯ 1 0 + 1,24 π₯ 1 (1)
(24)
π 2 π₯ = β 19,33 + 17,99π₯ 1 0 + 19,26π₯ 1 (1) (25) π 3 π₯ = β0,92 β 0,24 π₯ 1 (0) β 0,88 π₯ 1 (1)
(26)
Selanjutnya, dilakukan perhitungan probabilitas respon untuk variabel prediktor selisih harga. Pada Tabel 12 akan ditampilkan hasil dari estimasi parameter untuk variabel respon dengan variabel prediktor selisih harga antara baru dengan bekas. Tabel 12 Estimasi Parameter Variabel Prediktor Selisih Harga Logit Prediktor B Konstanta 0.69 X20(0) = 0 - 25% -1.58 1 X20(1) = 25 - 50% -1.42 X20(2) = Di atas 50% Pembanding Konstanta -0.92 X20(0) = 0 - 25% -0.15 2 X20(1) = 25 - 50% 0.41 X20(2) = Di atas 50% Pembanding Konstanta -1.61 X20(0) = 0 - 25% 0.44 3 X20(1) = 25 - 50% 0.25 X20(2) = Di atas 50% Pembanding
Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor selisih harga produk baru dengan produk bekas (X20) adalah sebagai berikut: 1 π 0 π₯ 20 = (27) π 1 π₯ 1 +π 2 π₯ 1 +π 3 π₯ 1 1+π
Dengan fungsi logistik berikut: π 1 π₯ = 0,69 β 1,58π₯ 1 0 β 1,42 π₯ 1 (1)
(28)
π 2 π₯ = β 0,92 β 0,15π₯ 1 0 + 0,41π₯ 1 (1)
(29)
π 3 π₯ = β1,61 + 0,44 π₯ 1 0 + 0,25 π₯ 1 (1)
(30)
Selanjutnya, dilakukan perhitungan probabilitas respon untuk variabel prediktor selisih harga. Pada Tabel 13 akan ditampilkan hasil dari estimasi parameter untuk variabel respon dengan variabel prediktor selisih harga antara baru dengan bekas. Tabel 13 Estimasi Parameter Variabel Prediktor Selisih Performansi Logit Prediktor B Konstanta -1.03 Pembelian Pertama 0.48 1 Sama atau Kurang dari Nol 1.15 0 β 1500 -0.22 Di atas 1500 Pembanding Konstanta -1.95 Pembelian Pertama 1.52 2 Sama atau Kurang dari Nol -18.13 0 β 1500 1.61 Di atas 1500 Pembanding Konstanta -1.25 Pembelian Pertama 0.20 3 Sama atau Kurang dari Nol -0.83 0 β 1500 -19.34 Di atas 1500 Pembanding
Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor selisih harga produk baru dengan produk bekas (X21) adalah sebagai berikut: 1 π 0 π₯ 21 = (31) π 1 π₯ 1 +π 2 π₯ 1 +π 3 π₯ 1 1+π
Dengan fungsi logistik berikut: π 1 π₯ = β1,03 + 0,48π₯ 1 0 + 1,15 π₯ 1 1 β 0,22π₯ 1 2
(32)
π 2 π₯ = β 1,95 + 1,52π₯ 1 0 β 18,13π₯ 1 1 + 1,61π₯ 1 2
(33)
π 3 π₯ = β1,25 + 0,20 π₯ 1 0 β 0,83 π₯ 1 1 + 1,61π₯ 1 2
(34)
Selanjutnya, dilakukan perhitungan probabilitas respon untuk variabel prediktor lama masa pakai. Pada Tabel 14 akan ditampilkan hasil dari estimasi parameter untuk variabel respon dengan variabel prediktor lama masa pakai laptop bekas. Tabel 14 Estimasi Parameter Variabel Prediktor Lama Masa Pakai Logit Prediktor B Konstanta -0.24 Di bawah 10 bulan -0.86 1 10 - 20 bulan 0.07 Di atas 20 bulan Pembanding 2 Konstanta -0.07
Logit
3
Prediktor Di bawah 10 bulan 10 - 20 bulan Di atas 20 bulan Konstanta Di bawah 10 bulan 10 - 20 bulan Di atas 20 bulan
B -1.56 -0.31 Pembanding -1.03 -0.25 -0.53 Pembanding
Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor lama masa pakai produk bekas (X 22) adalah sebagai berikut: 1 π 0 π₯ 22 = (35) π 1 π₯ 1 +π 2 π₯ 1 +π 3 π₯ 1 1+π
Dengan fungsi logistik berikut: π 1 π₯ = β0,24 β 0,86π₯ 1 0 + 0,07 π₯ 1 (1)
(36)
π 2 π₯ = β0,07 β 1,56π₯ 1 0 β 0,31π₯ 1 (1)
(37)
π 3 π₯ = β1,03 β 0,25 π₯ 1 0 β 0,53 π₯ 1 (1)
(38)
Selanjutnya, dilakukan perhitungan probabilitas respon untuk variabel prediktor selisih harga. Pada Tabel 15 akan ditampilkan hasil dari estimasi parameter untuk variabel respon dengan variabel prediktor rentang waktu pembelian. Tabel 15 Estimasi Parameter Variabel Prediktor Rentang Waktu Pembelian Logit Prediktor B Konstanta -1.47 Pembelian Pertama 0.91 1 1 tahun 0.66 2 tahun 1.72 Di atas 2 tahun Pembanding Konstanta -2.56 Pembelian Pertama 2.13 2 1 tahun 0.37 2 tahun 2.23 Di atas 2 tahun Pembanding Konstanta -1.47 Pembelian Pertama 0.42 3 1 tahun -0.04 2 tahun -19.73 Di atas 2 tahun Pembanding
Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor selisih harga produk baru dengan produk bekas (X21) adalah sebagai berikut:
π 0 π₯ 23 =
1 1+π π 1 π₯ 1 +π 2 π₯ 1 +π 3 π₯ 1
(39)
Dengan fungsi logistik berikut: π 1 π₯ = β1,47 + 0,91π₯ 1 0 + 0,66 π₯ 1 1 β 1,72π₯ 1 2
(40)
π 2 π₯ = β 2,56 + 2,13π₯ 1 0 + 0,37π₯ 1 1 + 2,23π₯ 1 2
(41)
π 3 π₯ = β1,47 + 0,42 π₯ 1 0 β 0,04 π₯ 1 1 β 19,73π₯ 1 2
(42)
7. Running dan Interpretasi Model Serentak Setelah dibuktikan bahwa semua variabel prediktor memiliki pengaruh terhadap variabel respon, maka selanjutnya dilakukan uji parameter model serentak untuk mencari nilai odds ratio dari model serentak. Tabel 16 menunjukkan hasil uji parameter yang telah dilakukan terhadap variabel prediktor. Tabel 16 Uji Parameter Model Serentak Logit Prediktor B Konstanta 0.399 X11(0) = Baru -0.919 X11(1) = Bekas Pembanding X12(0) = Kurang Sensitif 0.000 X12(1) = Sensitif 1.344 X12(2) = Sangat Sensitif Pembanding X13(0) = Kurang Sensitif -0.029 X13(1) = Sensitif 0.957 X13(2) = Sangat Sensitif Pembanding Pembelian Pertama 0.277 1 1 tahun -1.034 2 tahun 17.305 > 2 tahun Pembanding < 10 bulan 0.148 10 - 20 bulan 1.134 > 20 bulan Pembanding Pembelian Pertama 0.000 Sama atau Kurang dari 1.885 Nol 0 β 1500 18.993 > 1500 Pembanding Konstanta -0.019 X11(0) = Baru -2.706 X11(1) = Bekas Pembanding X12(0) = Kurang Sensitif 0.759 X12(1) = Sensitif 0.027 X12(2) = Sangat Sensitif Pembanding 2 X13(0) = Kurang Sensitif -0.494 X13(1) = Sensitif 2.103 X13(2) = Sangat Sensitif Pembanding Pembelian Pertama 1.788 1 tahun 0.131 2 tahun 19.846 > 2 tahun Pembanding
Logit
3
Prediktor < 10 bulan 10 - 20 bulan > 20 bulan Pembelian Pertama Sama atau Kurang dari Nol 0 β 1500 > 1500 Konstanta X11(0) = Baru X11(1) = Bekas X12(0) = Kurang Sensitif X12(1) = Sensitif X12(2) = Sangat Sensitif X13(0) = Kurang Sensitif X13(1) = Sensitif X13(2) = Sangat Sensitif Pembelian Pertama 1 tahun 2 tahun > 2 tahun < 10 bulan 10 - 20 bulan > 20 bulan Pembelian Pertama Sama atau Kurang dari Nol 0 β 1500 > 1500
B -0.650 1.165 Pembanding 0.000 2.304 18.223 Pembanding -18.509 -2.214 Pembanding -18.801 1.047 Pembanding 17.734 20.138 Pembanding 2.828 -1.616 19.307 Pembanding -2.198 0.844 Pembanding 0.000 -15.208 21.360 Pembanding
Berdasarkan Tabel 16 diketahui bahwa seluruh parameter signifikan, karena di setiap variabel minimum terdapat 1 kategori yang memiliki nilai significancy < 0,10. Hal ini menunjukkan bahwa variabel kondisi produk terakhir, sensitifitas terhadap teknologi, sensitifitas terhadap harga, selisih performansi, selang waktu pembelian dan lama masa pakai produk berpengaruh secara serentak terhadap keputusan pembelian konsumen. Fungsi dari probabilitas respon atau model regresi logistik multinomial untuk variabel respon menunda pembelian dengan variabel prediktor serentak adalah sebagai berikut: π1 π₯ = β0,399 β 0,919π₯11 0 + 0,000π₯12 0 + 1,344 β 0,029π₯14 0 + 0,957π₯14 1 + 0,277π₯23 0 β 1,034π₯23 1 + 17,305π₯23 2 + 0,148π₯22 0 + 1,134π₯22 1 + 0,000π₯21 0 + 1,885π₯21 1 + 18,993π₯21 2
(43)
π2 π₯ = β0,019 β 2,706π₯11 0 + 0,759π₯12 0 + 0,027π₯12 1 β 0,494π₯14 0 + 2,103π₯14 1 + 1,788π₯23 0 + 0,131π₯23 1 + 19,846π₯23 2 β 0,650π₯22 0 + 1,165π₯22 1 + 0,000π₯21 0 + 2,304π₯21 1 + 18,223π₯21 2 (44)
π3 π₯ = β18,509 β 2,214π₯11 0 β 18,801π₯12 0 + 1,047π₯12 1 + 17,734π₯14 0 + 20,138π₯14 1 + 2,828π₯23 0 β 1,616π₯23 1 + 19,307π₯23 2 β 2,198π₯22 0 + 0,844π₯22 1 + 0,000π₯21 0 β 15,208π₯21 1 + 21,360π₯21 2 (45)
Sehingga, probabilitas keputusan konsumen dapat dihitung dengan persamaan berikut: π0 π₯ = π1 π₯ = π2 π₯ = π3 π₯ =
1 ππ1 π₯ +π2 π₯ +π3 π₯ ππ1 π₯ ππ1 π₯ +π2 π₯ +π3 π₯ ππ2 π₯ ππ1 π₯ +π2 π₯ +π3 π₯ ππ3 π₯ ππ1 π₯ +π2 π₯ +π3 π₯
(46) (47) (48) (49)
8. Hasil dan Diskusi Dalam subbab ini akan dibahas mengenai hubungan antara hasil uji dari model yang dikembangkan oleh peneliti dengan implikasi penerapan strategi penjualana produk reuse, remanufacture, dan secondhand. Dari hasil pengembangan model, baik secara model serentak maupun model individu, diketahui bahwa keputusan untuk menunda pembelian mendominasi jawaban dari responden secara keseluruhan. Jika responden berminat untuk membeli produk bekas, alternatif pilihan produk dengan kondisi secondhand menjadi mayoritas pilihan konsumen. Probabilitas responden untuk memilih produk reuse dan remanufacture masih cukup rendah jika dibandingkan dengan produk secondhand atau dengan opsi menunda untuk membeli produk baru. Jika responden bersedia untuk membeli produk reuse atau secondhand, biasanya terdapt beberapa kasus khusus yang diharapkan konsumen untuk terpenuhi jika melakukan pembelian produk reuse, misalnya: selisih harga di atas 25% dari produk baru, lama masa pakai diantara 10 β 20 bulan. Hal ini pun tidak berlaku bagi semua responden. Umumnya, responden yang memiliki sensitifitas yang tinggi pada harga dan tidak terlalu sensitif terhadap teknologi yang rela untuk membeli produkproduk reuse dan remanufacture. Meskipun, pada awal bab III telah dijelaskan bahwa penggunaan produk reuse dan remanufacture memiliki benefit yang lebih tinggi dibanding biaya yang harus dikeluarkan.
Dari 18 responden yang pernah membeli produk bekas, hanya dua responden yang menyatakan bahwa laptopnya mengalami kerusakan dalam waktu cepat. Sehingga, probabilitas responden mengalami kerusakan laptop dalam waktu cepat masih cukup rendah. Dengan adanya alternatif reuse dan remanufacture untuk menghadirkan alternatif produk teknologi dengan harga murah dan [performa yang sebaik produk baru, diharapkan konsumen dapat menerima inovasi tersebut. namun, pada kenyataannya benefit dari pembelian produk laptop non-baru ini masih belum menjangkau masyarakat secara luas. Sebagian besar responden mengungkapkan keraguannya dalam membeli produk bekas, sebagian besar dari respnonden merasa enggan untuk membeli karena takut produk cepat aus, harga yang terlalu mahal, serta adanya alternatif laptop low price dari berbagai macam merek sehingga masyarakat menjadi mengindari pembelian laptop bekas. Oleh karena itu, dapat disimpulkan bahwa strategi reuse, remanufacture, dan secondhand belum disambut secara baik oleh konsumen. Perlu adanya edukasi konsumen secara lebih lanjut untuk memberikan pemahaman bahwa pembelian produk dengan kondisi reuse, remanufacture, dan secondhand tidak memiliki resiko yang sangat besar, selama responden membeli produk di tempat yang terpercaya. Adanya jaminan bahwa produk reuse dan secondhand mampu bekerja sebaik produk baru juga perlu ditekankan lagi, sehingga responden dapat memikirkan berbagai benefit dalam pembelian produk bekas. Dengan demkian maka responden dapat menerima adanya inovasi alternatif pilihan produk laptop, reuse, remanufacture, dan secondhand. 9. Kesimpulan 1. Berdasarkan dengan data hasil penyebaran kuesioner, disimpulkan bahwa dalam model pertama, yaitu model keputusan dengan variabel individu, keputusan reponden dipengaruhi oleh kondisi produk yang terakhir kali dibeli, sensitifitas terhadap harga, sensitifitas terhadap teknologi, lama masa pakai, selisih harga dengan produk
baru, selisih performansi antar pembelian, dan selang waktu pembelian. Sedangkan pada model kedua, model keputusan dengan variabel serentak, keputusan responden dipengaruhi oleh enam variabel prediktor. Variabel prediktor tersebut antara lain: kondisi produk yang terakhir kali dibeli, sensitifitas terhadap harga, sensitifitas terhadap teknologi, lama masa pakai, selisih performansi antar pembelian, dan selang waktu pembelian. 2. Berdasarkan hasil kesimpulan pada poin 1, dimana sensitifitas terhadap teknologi dan selisih performansi antar generasi produk yang dibeli berpengaruh signifikan terhadap variabel respon responden, berupa keputusan pembelian. Model probabilitas untuk keputusan pembelian konsumen yang dikembangkan berbentuk probabilitas konsumen, dimana terdapat empat variabel respon: menunda pembelian, membeli produk secondhand, produk reuse, atau produk remanufacture. Dari hasil model keputusan yang telah dibuat disimpulkan bahwa responden lebih cenderung untuk membeli produk secondhand atau menunda pembelian produk jika keputusan yang diambil adalah keputusan untuk pembelian pertama. Jika pembelian tersebut merupakan pembelian penggantian, maka sebagian besar responden lebih cenderung membeli produk reuse atau remanufacture.
