CATA dan RATA untuk Riset Konsumen: Desain, Analisis, Jebakan

Hasil skala hedonik memberi tahu seberapa suka konsumen terhadap sebuah produk, tetapi jarang menjelaskan mengapa. Panel deskriptif terlatih bisa menjawab pertanyaan itu, namun mahal dan butuh waktu berminggu-minggu. Di antara keduanya ada check-all-that-apply (CATA): konsumen cukup mencentang kata-kata yang menurut mereka menggambarkan sampel. Tugasnya sederhana, cepat, dan bisa dijalankan pada jumlah responden yang besar.

Artikel ini membahas cara merancang pertanyaan CATA, cara menganalisisnya dengan benar, varian berbasis rating (RATA), perluasan temporal (TCATA), serta jebakan yang paling sering muncul.

Apa itu CATA dan RATA

Pada CATA, responden melihat daftar istilah (misalnya manis, asam, berair, lembut, pahit) dan diminta mencentang semua yang sesuai untuk sampel yang sedang dicicipi. Datanya bersifat nominal: untuk setiap kombinasi responden, sampel, dan istilah, jawabannya hanya "dicentang" atau "tidak dicentang". Karena itu hasil CATA dilaporkan sebagai frekuensi centang, bukan sebagai rata-rata intensitas (Meilgaard et al., 2016, h. 59–61).

Rate-all-that-apply (RATA) adalah varian berbasis rating dari CATA (Ares et al., 2014). Responden tetap memilih istilah yang sesuai, lalu menilai intensitas istilah yang dipilih. Istilah yang tidak dipilih dapat diberi nilai nol sehingga data bisa dianalisis sebagai intensitas, misalnya dengan ANOVA. Basis pengetahuan kami belum merangkum aturan desain RATA secara rinci, jadi untuk keputusan desain RATA sebaiknya merujuk langsung ke artikel Ares et al. (2014).

Merancang ballot CATA

Kualitas data CATA ditentukan hampir sepenuhnya oleh daftar istilahnya. Beberapa prinsip yang didukung sumber:

• Daftar istilah harus memadai. Bila istilah yang relevan tidak tersedia, responden cenderung "membuang" (dumping) persepsinya ke istilah lain yang ada di daftar (Meilgaard et al., 2016, h. 59–61). Sediakan opsi "lainnya" dengan isian bebas untuk menangkap sensasi di luar daftar (Lawless & Heymann, 2010, h. 235).
• Jangan terlalu banyak. Atribut yang terlalu banyak dapat menurunkan kualitas rating (over-partitioning), jadi uji coba ballot sebelum studi utama (Lawless & Heymann, 2010, h. 218).
• Rotasi urutan istilah. Urutan istilah dirotasi antarresponden agar istilah di bagian atas daftar tidak selalu lebih sering dicentang (Stone et al., 2021, ch. 3, h. 111–113).
• Ukuran panel. Stone et al. menyebut 50–100 konsumen untuk CATA (Stone et al., 2021, ch. 3, h. 111–113).
• Tanyakan kesukaan lebih dulu. Overall liking ditanyakan pertama agar pertanyaan atribut tidak memengaruhi penilaian kesukaan (Stone et al., 2021, ch. 7, h. 336).

Urutan penyajian sampel juga perlu diseimbangkan, sama seperti pada uji hedonik. Desain Williams Latin square menyeimbangkan posisi dan efek carry-over orde pertama.

Analisis: Cochran's Q dan McNemar

Karena setiap responden menilai semua sampel, data CATA bersifat berpasangan (within-subject). Untuk setiap istilah, pertanyaannya adalah apakah proporsi centang berbeda antarsampel. Uji yang dianjurkan untuk ini adalah Cochran's Q (Stone et al., 2021, ch. 3, h. 111–113), yang merupakan perluasan uji proporsi berpasangan untuk lebih dari dua sampel.

Bila Cochran's Q signifikan untuk suatu istilah, langkah lanjutnya adalah perbandingan berpasangan antarsampel. Untuk dua sampel dengan data biner berpasangan, uji yang sesuai adalah McNemar. Statistiknya hanya memakai pasangan yang tidak sepakat: b (dicentang untuk sampel A tetapi tidak untuk B) dan c (sebaliknya), dengan T = (b − c)²/(b + c). Meilgaard et al. menganjurkan pendekatan χ² dengan satu derajat bebas bila b + c ≥ 20, dan uji binomial bila b + c < 20 (Meilgaard et al., 2016, h. 104–105).

Satu kesalahan yang sering terjadi adalah memakai uji χ² biasa pada tabel frekuensi CATA seolah-olah setiap sampel dinilai oleh orang yang berbeda. Lawless dan Heymann mengingatkan bahwa χ² biasa melanggar asumsi independensi pada data within-subject (Lawless & Heymann, 2010, h. 337, 494).

Peta produk dengan analisis korespondensi

Setelah uji per istilah, gambaran keseluruhan biasanya dibuat dari tabel kontingensi sampel × istilah yang berisi frekuensi centang. Analisis korespondensi (correspondence analysis, CA) memetakan sampel dan istilah dalam ruang yang sama, sehingga terlihat istilah mana yang paling dekat dengan sampel mana. Pada metode citation frequency untuk panel deskriptif, Lawless dan Heymann menyebut alur serupa: atribut dengan frekuensi sitasi rendah (di bawah 15%) dibuang, lalu data dianalisis dengan χ² dan CA (Lawless & Heymann, 2010, h. 247–253).

Ingat bahwa CA adalah alat visualisasi. Kedekatan pada peta perlu dibaca bersama hasil Cochran's Q agar tidak menafsirkan perbedaan yang sebenarnya tidak signifikan. Untuk tinjauan pendekatan analisis yang lebih lengkap, lihat Meyners et al. (2013).

Menghubungkan CATA dengan kesukaan

Daya tarik utama CATA dalam riset konsumen adalah kemampuannya menjelaskan kesukaan. Logikanya sama dengan penalty analysis pada skala JAR: untuk setiap istilah, bandingkan rata-rata kesukaan responden yang mencentang istilah itu dengan yang tidak mencentangnya. Selisih rata-rata ini (mean drop bila negatif, lift bila positif) diplot terhadap persentase responden yang mencentang istilah tersebut. Pada JAR, Lawless dan Heymann menjelaskan plot serupa: penurunan rata-rata hedonik terhadap persentase responden (Lawless & Heymann, 2010, h. 334–340).

Istilah yang dicentang banyak orang dan berkaitan dengan penurunan kesukaan yang besar adalah prioritas perbaikan. Istilah dengan lift besar adalah kekuatan yang perlu dipertahankan. Namun hasil ini bersifat korelasional. Lawless dan Heymann juga mengingatkan bahwa alasan yang dilaporkan sendiri oleh konsumen adalah dasar yang lemah untuk menentukan pendorong kesukaan, sehingga perlu dilengkapi pendekatan lain seperti regresi atau desain formulasi (Lawless & Heymann, 2010, h. 462–463). Pembahasan JAR lebih lengkap ada di artikel skala JAR dan penalty analysis.

TCATA: CATA yang mengikuti waktu

CATA biasa memberi penilaian terintegrasi atas seluruh pengalaman mencicipi. Temporal CATA (TCATA) memperluasnya ke dimensi waktu: panelis mencentang atribut saat atribut mulai terasa dan menghapus centangnya saat atribut berhenti terasa, dan beberapa atribut boleh terpilih bersamaan (Compusense, TCATA whitepaper, h. 1–2). Biasanya 4–12 atribut ditampilkan. Ada pula mode attribute fading, yaitu centang otomatis memudar secara bertahap (Compusense, Temporal Methods whitepaper, h. 4–5).

Hasilnya berupa kurva proporsi sitasi per atribut sepanjang waktu, misalnya selama 30 detik, dengan penanda periode ketika satu sampel berbeda signifikan dari yang lain (Castura et al., 2016). Dibanding TDS, TCATA tidak memaksa panelis memilih satu atribut dominan sehingga tidak mengalami efek persaingan antaratribut yang sama. Risikonya adalah beban kognitif bila terlalu banyak atribut harus dipilih dan dihapus (Compusense, TCATA whitepaper, h. 5).

Jebakan yang perlu dihindari

• Daftar istilah tidak lengkap, sehingga terjadi dumping.
• Urutan istilah tetap, sehingga istilah di atas lebih sering dicentang.
• Menghitung rata-rata data CATA seakan-akan intensitas. CATA adalah frekuensi.
• Uji χ² biasa pada data berpasangan, padahal yang tepat adalah Cochran's Q dan McNemar.
• Menyimpulkan sebab-akibat dari kaitan istilah dengan kesukaan.
• Efek halo: pertanyaan atribut yang ditanyakan sebelum kesukaan dapat menyeret penilaian (Lawless & Heymann, 2010, h. 216–217).

CATA bukan pengganti panel deskriptif, tetapi cara cepat dan murah untuk mendengar bahasa konsumen sendiri tentang produk Anda.

Coba di Nusensa

Nusensa mendukung pertanyaan CATA dengan urutan sampel Williams Latin square, serta menghitung Cochran's Q per atribut dan analisis korespondensi secara otomatis. Analisis RATA dan modul TCATA masih dalam peta jalan. Mulai gratis dan susun studi CATA pertama Anda.