Context Analysis — SQalytics

1 Introduksi

1.1 Latar Belakang

Efek konteks dalam riset konsumen sensori menunjukkan bahwa skor liking untuk produk yang sama dapat berbeda nyata menurut konteks evaluasi: bilik laboratorium yang terkendali, home use test (HUT) yang lebih mendekati situasi nyata, restoran, atau kondisi dengan/tanpa pasangan produk (misalnya wine + keju dibanding wine saja) (Köster, 2003; Meiselman, 2013). Studi klasik Cardello et al. (2000) menemukan skor liking makanan siap saji di Amerika Serikat dapat 30–40% lebih tinggi saat dikonsumsi di rumah dibanding di laboratorium; selisih sebesar ini dapat mengubah keputusan peluncuran produk. Context Analysis mengkuantifikasi efek konteks pada liking melalui ANOVA dua arah Product × Context dengan uji interaksi. Bila interaksi signifikan, peringkat produk berubah antar konteks; implikasinya, uji acceptance perlu direplikasi pada lingkungan target pasar.

1.2 Tujuan

Modul ini menerima data uji konsumen multi-konteks: Consumer × Product × Context × Liking. Analisis utama menjalankan ANOVA dua arah: Product + Context + Product × Context (interaksi), menguji signifikansi interaksi, menampilkan plot interaksi, dan menghitung penurunan rerata antara laboratorium dan situasi nyata. Audiens utamanya adalah peneliti uji konsumen, tim R&D, dan tim pemasaran yang membutuhkan dasar kuantitatif untuk strategi launch.

1.3 Posisi

Gunakan Context Analysis untuk menganalisis efek konteks terhadap skor liking. Untuk banyak produk dalam satu konteks, gunakan Single Factor Rate That Apply. Untuk hedonik multi-atribut, gunakan Quick Sensory Check. Untuk analisis yang digerakkan deskriptor, gunakan JAR + Penalty Analysis. Untuk dinamika flavor temporal, gunakan Temporal Dominance of Sensations.

2 Metode

2.1 Dasar Teoretis

Two-way mixed-model ANOVA for Context Analysis:

$$y_{ijk} = \mu + P_i + C_j + (P \times C)_{ij} + S_k + \varepsilon_{ijk}$$

dengan $P_i$ product (fixed), $C_j$ context (fixed), $(P \times C)_{ij}$ interaction (fixed), $S_k$ consumer (random), $\varepsilon$ error.

F-tests:

Product main effect: $F = \text{MS}_P / \text{MS}_{P \times S}$ — apakah liking berbeda antar produk overall.
Context main effect: $F = \text{MS}_C / \text{MS}_{C \times S}$ — apakah ada systematic context bias.
Product × Context interaction: $F = \text{MS}_{P \times C} / \text{MS}_{P \times C \times S}$ — apakah ranking produk berubah dengan konteks.

Interpretasi:

Interaction signifikan: ranking produk tidak stabil lintas konteks — pengujian harus dilakukan di setiap target context secara terpisah.
Interaction tidak signifikan: ranking produk konsisten — hasil lab dapat digeneralisasi ke setting lain dengan koreksi mean drop.
Context main effect only: semua produk naik/turun seragam dengan konteks — systematic bias, bukan crossover.

Mean drop lab vs real-life (Cardello et al., 2000):

$$\Delta_{\text{lab-real}} = \bar{Y}_{\text{lab}} - \bar{Y}_{\text{real}}$$

Tipikal negatif (−1 hingga −2 unit) untuk lab vs HUT — implikasi: multiply lab liking by ~1.15 untuk estimate real-life acceptance.

Effect size partial $\eta^2$:

$$\eta^2_{\text{partial}} = \frac{\text{SS}_{P \times C}}{\text{SS}_{P \times C} + \text{SS}_E}$$

Cohen (1988): 0.01 small, 0.06 medium, 0.14 large.

2.2 Persamaan Inti

Two-way ANOVA: $y = \mu + P + C + P \times C + S + \varepsilon$
Interaction F: $\text{MS}_{P \times C} / \text{MS}_{P \times C \times S}$
Mean drop: $\Delta = \bar{Y}_{\text{lab}} - \bar{Y}_{\text{real}}$
Effect size: $\eta^2_{\text{partial}} = \text{SS}_{\text{effect}} / (\text{SS}_{\text{effect}} + \text{SS}_E)$

2.3 Asumsi & Batas Validitas

Asumsi	Konsekuensi jika dilanggar	Cara cek di SQalytics
Same consumer test all products in all contexts	Repeated-measures bias	Cek panel coverage
$n \geq 30$ konsumen per kombinasi	Power rendah	Modul flag
Context realistik (HUT actually at home, dst.)	Bias context	SOP context
Order randomization within context	Order bias	Catat order
Residual normal	t/F invalid	QQ-plot
Liking scale interval	Friedman alternative non-parametric	Modul check

3 Cara Kerja

3.1 Step-by-Step di SQalytics

Buka Context Analysis dari domain Sensori dan Riset Konsumen.
Muat tabel: Consumer, Product, Context, Liking (9-point hedonic).
Verifikasi panel coverage: setiap konsumen × produk × konteks ada.
Pilih ANOVA design: 2-way (P × C), 3-way bila ada session variable.
Klik Run Context Analysis.
Tinjau hasil: Tab ANOVA Table, Tab Interaction Plot, Tab Mean Drop Table, Tab Decision Tree.

3.2 Template Tabel Input + Contoh Data Sintetis

Kolom	Tipe	Wajib	Catatan
`Consumer`	category	✓	ID konsumen
`Product`	category	✓	Nama produk
`Context`	category	✓	mis. "Lab", "HUT", "Restaurant"
`Liking`	numeric	✓	1–9 hedonic

SYNTHETIC Data sintetis berikut mensimulasikan consumer test 50 konsumen × 3 produk (Drink-A, Drink-B, Drink-C) × 2 konteks (Lab, HUT). Drink-B menunjukkan interaction terbesar (Lab 5.5 vs HUT 7.2), sedangkan Drink-C robust lintas konteks. CSV setara: docs/assets/example-data/id/sensory/template_sensory_context.csv.

Consumer	Product	Context	Liking
C01	Drink-A	Lab	6
C01	Drink-A	HUT	7
C01	Drink-B	Lab	5
C01	Drink-B	HUT	7
C01	Drink-C	Lab	7
C01	Drink-C	HUT	7
… (C02–C50, pola serupa dengan variasi individual)

3.3 Contoh Luaran + Figure

Tabel ANOVA (Two-way mixed-model, $\alpha = 0.05$):

Source	df	MS	F	$p$	$\eta^2_{\text{partial}}$
Product	2	25.4	18.5	< 0.001	0.27
Context	1	32.0	38.4	< 0.001	0.43
Product × Context	2	12.5	8.2	0.001	0.18
Consumer (random)	49	5.2	—	—	—
Error	245	1.4	—	—	—

Interaction plot — mean liking per produk per konteks:

Product	Lab mean	HUT mean	$\Delta$ (HUT−Lab)
Drink-A	6.2	7.1	+0.9
Drink-B	5.5	7.2	+1.7
Drink-C	7.0	7.1	+0.1

Interaction plot context analysis dan mean drop per produk Lab vs HUT — Gambar 1. **(a)** Interaction plot: *liking* Drink-B sangat context-dependent (Lab 5.5 vs HUT 7.2), sedangkan Drink-C robust (Δ = +0.1). **(b)** Mean drop (HUT − Lab) per produk: Drink-B menunjukkan gap terbesar (+1.7), mengindikasikan underestimation di lab setting; Drink-C konsisten lintas konteks.

Interaction Product × Context signifikan ($F_{2,245} = 8.2$, $p = 0.001$, $\eta^2 = 0.18$) — ranking produk berubah dengan konteks. Drink-B sangat context-dependent: di lab paling rendah (5.5), di HUT setara Drink-A (7.2). Drink-C robust ($\Delta = +0.1$) — performa konsisten. Recommendation: untuk launching, prioritize HUT testing terutama untuk Drink-B. Drink-C safe untuk lab-only validation. Average lab-vs-HUT mean drop: −1.0 unit. Lanjut ke JAR + Penalty Analysis per konteks untuk diagnose dissatisfaction driver.

4 Kesimpulan

4.1 Relevansi

Launching strategy — tentukan apakah uji lab cukup atau HUT wajib sebelum launching.
Product targeting — produk context-dependent cocok untuk specific occasion marketing.
Cross-cultural test — konteks konsumsi berbeda antar budaya; interaction test mengukur besarnya gap.
Meal occasion research — breakfast vs dinner vs snacking menghasilkan liking berbeda.
Pairing effect — produk yang diuji alone vs dengan pasangan makanan/minuman.

4.2 Where to Go from Here

JAR + Penalty Analysis per konteks — diagnose atribut penyebab drop liking.
Preference Mapping untuk segment + context — identifikasi cluster konsumen berdasarkan context sensitivity.
Compare Many Groups post-hoc Tukey dalam konteks — pairwise product comparison per setting.

⚙ Troubleshooting Cepat

Coverage tidak lengkap. Beberapa konsumen miss konteks; pakai mixed-effects model atau impute.

Interaction tidak signifikan. Generalize ranking OK; tetap report context effect bila ada.

Effect size $\eta^2 < 0.06$. Mungkin statistik signifikan tapi praktis tidak penting (large $n$).

i Riwayat Revisi

Tanggal	Revisi	Penulis
2026-05-12	Draft v2 publikasi (KaTeX two-way ANOVA + interaction + APA Köster/Meiselman/Cardello)	Claude

4 Referensi

Köster, E. P. (2003). The psychology of food choice: Some often encountered fallacies. Food Quality and Preference, 14(5–6), 359–373. https://doi.org/10.1016/S0950-3293(03)00017-X
Meiselman, H. L. (2013). The future in sensory/consumer research: Evolving to a better science. Food Quality and Preference, 27(2), 208–214. https://doi.org/10.1016/j.foodqual.2012.03.002
Cardello, A. V., Schutz, H., Snow, C., & Lesher, L. (2000). Predictors of food acceptance, consumption and satisfaction in specific eating situations. Food Quality and Preference, 11(3), 201–216. https://doi.org/10.1016/S0950-3293(99)00055-5
Edwards, J. S. A., Meiselman, H. L., Edwards, A., & Lesher, L. (2003). The influence of eating location on the acceptability of identically prepared foods. Food Quality and Preference, 14(8), 647–652. https://doi.org/10.1016/S0950-3293(02)00189-1
Lawless, H. T., & Heymann, H. (2010). Sensory evaluation of food: Principles and practices (2nd ed.). Springer. https://doi.org/10.1007/978-1-4419-6488-5