Bagaimana data diolah, dianalisis, dan ditampilkan.

Tentang dokumen ini

Dokumen ini menjelaskan apa yang ditampilkan di halaman laporan, dari mana data berasal, bagaimana setiap angka dihitung, dan untuk apa angka itu digunakan. Tujuannya agar siapa pun yang menggunakan aplikasi ini - pembimbing, kolega, atau Anda sendiri di masa depan - dapat memverifikasi hasil tanpa menebak.

Alur pengolahan data

Data mentah dari Google Forms (file .xlsx) diproses melalui tujuh tahap. Versi browser (impor langsung di halaman utama) mengikuti alur yang sama persis dengan versi Python (generate_data.py).

1. Pembacaan file Excel

   Sheet pertama dibaca. Header (baris 1) dipakai untuk identifikasi kolom. Baris kosong dibuang.

2. Identifikasi kolom berdasarkan urutan

   Aplikasi merujuk kolom Excel berdasarkan urutan dari kiri (1, 2, 3, …, 49) — bukan huruf kolom Excel (A, B, C, …). Pemetaan: kolom 1 (Excel A) = Timestamp · kolom 2 (Excel B) = Email · kolom 3 (Excel C) = Consent · kolom 4–6 (Excel D–F) = pertanyaan saringan · kolom 7–49 (Excel G–AW) = 43 item Likert.

   Catatan penamaan: "Kolom 7" di sini berarti kolom ketujuh dari kiri (= Excel G), bukan cell C7 di Excel. Excel menggunakan huruf untuk kolom (A, B, C, ...), sedangkan dokumen ini memakai nomor urut agar konsisten dengan kode program.
3. Penghitungan jumlah respons mentah

   Distribusi jawaban kolom 4 (Generasi Z), kolom 5 (≥ 18 tahun), kolom 6 (awareness alkohol impor) dihitung sebelum filter — untuk visualisasi screening di section 02 laporan utama.

4. Filter responden valid

   Hanya responden yang menjawab Ya pada kolom 4 dan kolom 5 dan kolom 6 yang dimasukkan ke analisis lanjutan. Pada data bawaan: 59 dari 71.

5. Konversi tipe numerik

   Skor Likert dipaksa menjadi float. Nilai yang tidak bisa dikonversi (mis. teks atau kosong) menjadi null dan dikeluarkan dari perhitungan per-item.

6. Komputasi statistik

   Per item: mean, SD, distribusi Likert 1–5. Per konstruk: skor responden, Cronbach's α, mean/SD agregat. Antar konstruk: matriks korelasi Pearson 9×9.

7. Render di UI

   Semua hasil dikemas dalam window.SURVEY_DATA dan diteruskan ke SURVEY_APP.render(). Chart.js + custom DOM menggambar visualisasi.

Sembilan konstruk penelitian

Penelitian ini mengadaptasi Theory of Planned Behavior (Ajzen, 1991) dengan menambahkan lima konstruk pendukung yang relevan dengan konteks produk impor & Generasi Z.

Item kuesioner lengkap

Total 43 item Likert (Excel kolom G–AW, urutan ke-7 sampai 49), dikelompokkan ke 9 konstruk. Tiap item dinilai pada skala 1–5: 1 Sangat Tidak Setuju, 2 Tidak Setuju, 3 Netral, 4 Setuju, 5 Sangat Setuju.

Selain itu, tiga pertanyaan saringan (Excel kolom D–F, urutan 4–6) berformat Ya/Tidak untuk memastikan kelayakan responden, dan satu pertanyaan persetujuan (Excel kolom C, urutan 3).

Statistik yang dihitung

5.1 Statistik deskriptif (mean, SD, median)

Untuk setiap konstruk, skor agregat per responden dihitung dahulu sebagai rata-rata aritmatik (composite mean) dari item-itemnya:

skor_konstruk_responden = mean(item_1, item_2, ..., item_k)

Kemudian dihitung mean, SD, dan median antar responden untuk konstruk tersebut.

5.2 Reliabilitas - Cronbach's α

Mengukur konsistensi internal antar-item dalam satu konstruk. Formulanya:

α = (k / (k − 1)) × (1 − Σ Var(item_i) / Var(total))

dengan k = jumlah item, Var(item_i) = variansi tiap item, dan Var(total) = variansi dari skor total tiap responden.

5.3 Korelasi Pearson antar konstruk

Mengukur kekuatan hubungan linear antar dua konstruk pada responden yang sama. Rumus:

r = Σ (xᵢ − x̄)(yᵢ − ȳ) / √(Σ (xᵢ − x̄)² × Σ (yᵢ − ȳ)²)

Hasilnya berada di rentang [−1, +1]. Tanda positif = kedua konstruk bergerak searah; negatif = berlawanan arah; nol = tidak ada hubungan linear.

Contoh dari data Anda

Tiga korelasi terkuat terhadap Purchase Intention (PI):

Dan dua korelasi terlemah:

Cara membaca heatmap

• Diagonal selalu 1.00 — sebuah konstruk pasti berkorelasi sempurna dengan dirinya sendiri.
• Matriks simetris — sel (i, j) sama dengan (j, i). Itu sebabnya biasanya hanya digambar segitiga bawah.
• Warna hijau pekat = korelasi positif kuat. Krem pucat = lemah. Merah = negatif (tidak ada di data Anda — semua positif).
• Bar chart pendamping mengurutkan semua korelasi terhadap PI — variabel paling atas = prediktor terkuat.

5.4 Distribusi Likert per item

Untuk setiap item, dihitung berapa persen responden memilih masing-masing skor 1, 2, 3, 4, 5. Ditampilkan sebagai stacked horizontal bar chart dengan kode warna:

• 1 - Sangat Tidak Setuju
• 2 - Tidak Setuju
• 3 - Netral
• 4 - Setuju
• 5 - Sangat Setuju

Tujuannya untuk melihat polarisasi jawaban: item dengan banyak skor ekstrem (1 dan 5) berarti membelah responden; item dengan distribusi terpusat di tengah berarti opini netral.

Cara impor data baru dari UI

Di bagian atas halaman laporan, terdapat bar dengan tombol Impor .xlsx. Anda juga dapat menyeret & melepas file di area drop zone.

1. Pastikan struktur kolom sesuai

   File harus memiliki minimal 49 kolom dalam urutan yang sama: Timestamp (1), Email (2), Consent (3), Generasi Z (4), Usia ≥ 18 (5), Awareness (6), lalu 43 item Likert (7–49). Pengunduhan ulang langsung dari Google Forms akan menghasilkan struktur yang benar.

2. Klik tombol impor atau drag file

   Parser SheetJS akan membaca sheet pertama. Notifikasi toast akan muncul dengan status (memproses, berhasil, atau error).

3. Visualisasi diperbarui otomatis

   Semua chart, tabel reliabilitas, distribusi Likert, dan heatmap di-render ulang dengan data baru. Tidak perlu reload halaman.

4. (Opsional) Unduh data.js untuk deployment

   Klik Unduh data.js untuk men-download file yang sudah berisi hasil komputasi. Letakkan di folder app/ dan re-deploy untuk membuat data baru menjadi default.

5. Klik Reset untuk kembali ke data bawaan

   Halaman akan dimuat ulang dan menggunakan data.js yang ada di server.

Cara deploy ke produksi

Web app ini adalah static site tanpa backend. Lihat README.md di root project untuk panduan lengkap. Ringkasan:

Lokal

cd app
python -m http.server 8765

Lalu buka http://localhost:8765

Vercel (rekomendasi)

1. Push ke Git - push folder app/ (atau seluruh repo) ke GitHub/GitLab/Bitbucket.
2. Import di Vercel - buka vercel.com/new, pilih repo, set Root Directory ke app, kosongkan Build Command.
3. Deploy - klik tombol, tunggu ~30 detik. Anda akan dapat URL *.vercel.app.

Update data setelah respons bertambah

Dua jalur:

• Cepat (browser only): impor file melalui UI di halaman utama. Perubahan hanya berlaku di sesi tersebut.
• Permanen: impor → klik Unduh data.js → replace file di folder app/ → push ke Git → Vercel akan re-deploy otomatis.

Referensi teoretis

Konstruk-konstruk pada penelitian ini diadaptasi dari literatur berikut. Untuk daftar artikel pendukung yang lebih lengkap, lihat section Literatur dan Tematik di laporan utama.

• Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211.
• Eastman, J. K., Goldsmith, R. E., & Flynn, L. R. (1999). Status consumption in consumer behavior: Scale development and validation. Journal of Marketing Theory and Practice, 7(3), 41–52.
• Roth, M. S., & Romeo, J. B. (1992). Matching product category and country image perceptions. Journal of International Business Studies, 23(3), 477–497.
• Gould, S. J. (1988). Consumer attitudes toward health and health care: A differential perspective. Journal of Consumer Affairs, 22(1), 96–118.
• Michaelidou, N., & Hassan, L. M. (2008). The role of health consciousness, food safety concern and ethical identity on attitudes and intentions towards organic food. International Journal of Consumer Studies, 32(2), 163–170.
• Keller, K. L. (1993). Conceptualizing, measuring, and managing customer-based brand equity. Journal of Marketing, 57(1), 1–22.
• Dodds, W. B., Monroe, K. B., & Grewal, D. (1991). Effects of price, brand, and store information on buyers' product evaluations. Journal of Marketing Research, 28(3), 307–319.
• Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157–178.
• Hirschman, E. C., & Holbrook, M. B. (1982). Hedonic consumption: Emerging concepts, methods and propositions. Journal of Marketing, 46(3), 92–101.
• Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334.