QDA / Descriptive Profiling

1 Introduksi

1.1 Latar Belakang

QDA adalah metode sensori gold standard untuk membangun profil intensitas atribut produk menggunakan panel terlatih (Stone et al., 1974; Murray et al., 2001). Berbeda dengan CATA (biner) atau hedonic (penerimaan), QDA mengkuantifikasi intensitas per atribut pada skala garis 15-cm dengan panelis yang telah dikalibrasi (≥30 jam pelatihan). Output: spider plot multi-atribut + ANOVA panel × product × replicate. Validitas QDA mensyaratkan: (i) panel discrimination (product effect signifikan), (ii) panel agreement (significant panel×product interaction = problematik), dan (iii) panel reproducibility (replicate consistency; significant replicate effect = drift) (Næs, Brockhoff, & Tomic, 2010).

1.2 Tujuan Modul

Menerima rating intensitas: panelist × product × replicate × intensity.
Menjalankan mixed-model ANOVA: Product (fixed) + Panel (random) + Replicate (random) + interactions.
Mengevaluasi performa panel: discrimination, agreement, reproducibility per atribut.
Memvisualisasikan spider plot.
Memberikan product map melalui PCA.
Audiens: peneliti sensori dengan panel terlatih, R&D yang membangun product map untuk publikasi.

1.3 Posisi di Antara Alternatif

Pilih QDA / Descriptive Profiling untuk profil intensitas terlatih grade publikasi. Untuk rating konsumen tanpa pelatihan: Quick Sensory Check atau CATA + Cochran Q. Untuk diskriminasi biner: Triangle Test / Duo-Trio. Untuk preference mapping: lanjutkan ke Preference Mapping setelah QDA.

2 Metode

2.1 Dasar Teoretis

Skala QDA — skala garis tidak terstruktur 15-cm dengan anchor "none" (0) sampai "extreme" (15), atau numerik 0–10/0–15.

Panel performance ANOVA (Mixed model, Næs et al., 2010):

$$y_{ijk} = \mu + P_i + J_j + R_k + (P \times J)_{ij} + (P \times R)_{ik} + \varepsilon_{ijk}$$

dengan $P_i$ product (fixed, $i=1,...,p$), $J_j$ panelist (random, $j=1,...,n$), $R_k$ replicate (random, $k=1,...,r$).

Tiga F-test per atribut:

Product effect (discrimination): $F = \text{MS}_{\text{Product}} / \text{MS}_{P \times J}$ — tolak H₀: panelis membedakan produk.
Panel × Product interaction (agreement): $F = \text{MS}_{P \times J} / \text{MS}_E$ — signifikan = panelis tidak setuju.
Replicate effect (reproducibility): $F = \text{MS}_R / \text{MS}_E$ — signifikan = drift antar replikasi.

Panel performance summary metrics (Tomic, Berget, & Næs, 2015): Discrimination: p-value Product effect. Agreement: p-value Panel × Product (LOW p = bad). Reproducibility: p-value Replicate effect (LOW p = bad).

Profile spider plot: mean intensitas per atribut per produk, dinormalisasi 0–100% relatif terhadap maksimum yang diamati.

PCA product map (Pearson, 1901):

$$\text{PCA: } X_{p \times m} = T_{p \times k} P_{k \times m}^T + E$$

dengan $T$ scores (posisi produk di ruang PC1-PC2) dan $P$ loadings (atribut yang mendorong diferensiasi).

2.2 Persamaan Inti

Mixed-model ANOVA per atribut:

$$y_{ijk} = \mu + P_i + J_j + R_k + (P \times J)_{ij} + (P \times R)_{ik} + \varepsilon$$

Discrimination F: $\text{MS}_P / \text{MS}_{P \times J}$

Agreement F: $\text{MS}_{P \times J} / \text{MS}_E$ (low p = panelis tidak setuju)

PCA: $X = T P^T + E$

2.3 Asumsi & Batas Validitas

Asumsi	Konsekuensi jika dilanggar	Cara cek di SQalytics
Panel terlatih ($\geq 30$ jam)	Noise tinggi, agreement poor	Sertakan training log
Replikasi $\geq 2$ per panel × product	Reproducibility tidak teridentifikasi	Modul flag
Atribut lexicon agreed pre-test	Inconsistent rating	Pre-test session
Order randomization + balanced	Order bias	SOP randomization
Linear scale assumption	Ordinal bias	Bias kecil untuk panel terlatih
Panel × product interaction tidak signifikan	Conclusion product effect bias	Re-train atau drop discordant panelis

3 Cara Kerja

3.1 Step-by-Step di SQalytics

Buka QDA / Descriptive Profiling dari domain Sensori dan Riset Konsumen.
Muat tabel long-format: Panelist, Product, Replicate, Attribute, Intensity (0–15).
Pilih scale type: 15-cm line / 9-point / custom.
Pilih ANOVA model: 3-way (P, J, R) + interactions.
Klik Run Panel Performance.
Tinjau hasil: Tab Panel Performance Table, Tab Profile Spider Plot, Tab Product Map (PCA), Tab Bad Panelist Flagging.
Ekspor tabel + plot untuk publikasi.

Step 5 opsional — Publication Graph Studio (PGS). QDA / Descriptive Profiling sekarang menampilkan tombol 📰 Open in Publication Graph Studio. Anda dapat memilih Mean-score Heatmap, Profile Plot, atau Radar Profile; SQalytics akan mengirim figure terpilih, ChartSpec, dan tabel mean-profile bersih ke PGS.

3.2 Template Tabel Input + Contoh Data Sintetis

Contoh data sintetis (6 baris — QDA yogurt long-format):

Panelist	Product	Replicate	Attribute	Intensity
P01	Y-A	1	Sweetness	7.5
P01	Y-A	1	Sourness	4.2
P01	Y-A	1	Creaminess	8.5
P01	Y-A	1	Vanilla	6.0
P01	Y-A	1	Aftertaste	3.5
P01	Y-A	1	Thickness	7.2
… (format berlanjut untuk semua panelist × product × replicate)

SYNTHETIC QDA yogurt (n=10 panelis, 3 produk Y-A/Y-B/Y-C, 3 replikasi, 6 atribut). Long-format: satu baris per kombinasi panelist-product-replicate-attribute. CSV setara: docs/assets/example-data/id/sensory/template_sensory_qda.csv.

3.3 Contoh Luaran

Panel performance table:

Attribute	Discrimination $p$	Agreement $p$ (P×J)	Reproducibility $p$ (R)	Status
Sweetness	< 0.001	0.42	0.81	✓ Excellent
Sourness	0.003	0.18	0.65	✓ Good
Creaminess	< 0.001	0.35	0.72	✓ Excellent
Vanilla	0.12	0.05	0.91	✗ Poor
Aftertaste	0.024	0.28	0.55	⚠ Acceptable
Thickness	< 0.001	0.51	0.78	✓ Excellent

Spider plot means (intensitas rata-rata per produk per atribut):

Attribute	Y-A	Y-B	Y-C
Sweetness	7.5	5.2	6.8
Sourness	4.2	6.5	5.1
Creaminess	8.5	6.0	8.2
Vanilla	6.0	3.5	5.8
Aftertaste	3.5	5.0	4.2
Thickness	7.2	6.5	7.8

Spider plot QDA dan PCA product map untuk 3 produk yogurt — Gambar 1. **(a)** Spider plot QDA — Y-A profil creamy+sweet, Y-B profil sour+thin, Y-C mirip Y-A dengan intensitas sedikit lebih rendah. **(b)** PCA product map (87% variance): Y-A high PC1 (creaminess+thickness) + high PC2 (vanilla); Y-B negative PC1 + negative PC2; Y-D tidak diplot (hanya 3 produk di modul ini).

QDA panel terlatih (n=10, 3 replicate) mengukur 6 atribut pada 3 produk yogurt. 5/6 atribut discriminative ($p < 0.05$) dengan panel agreement good (P × J non-significant). Vanilla problematic — panelis tidak agree (P × J $p = 0.05$) dan tidak diskriminatif — perlu re-calibration session atau drop dari final lexicon. Product map (PCA, 87% variance): Y-A (creamy + sweet), Y-B (sour + less sweet), Y-C (creamy moderate). Lanjut ke Preference Mapping untuk hubungkan QDA profile dengan consumer liking.

4 Kesimpulan

4.1 Relevansi Real-World

R&D product map untuk publikasi — grade publikasi dengan panel terlatih & ANOVA lengkap.
Product matching dengan competitor profile — benchmark intensitas atribut vs kompetitor.
Reformulasi guidance — identifikasi atribut target untuk peningkatan formulasi.
Shelf life sensory monitoring — track perubahan profil intensitas selama penyimpanan.
Quality benchmarking — standarisasi profil sensori antar batch produksi.
Lexicon development — validasi set atribut deskriptif untuk panel baru.

4.2 Where to Go from Here

Preference Mapping — link QDA + hedonic consumer untuk menemukan driver of liking.
Compare Many Groups — Tukey HSD per atribut untuk perbandingan pair-wise produk.
PLSR Studio — predict liking dari QDA profile menggunakan Partial Least Squares Regression.
ASTM E1490, ISO 13299 — standar resmi untuk QDA.

⚙ Troubleshooting Cepat

Panel disagreement (P × J signifikan). Re-train panel; drop outlier panelis bila individual. Periksa apakah satu panelis secara konsisten membalik skala relatif terhadap panel lainnya.

Replicate effect signifikan. Drift atau order bias; re-randomize urutan penyajian. Periksa kondisi pengujian (suhu, waktu hari, kelelahan panelis) antar sesi replikasi.

Atribut tidak discriminative. Drop dari lexicon atau perbaiki anchor scale ke lebih ekstrem. Pertimbangkan apakah produk sebenarnya tidak berbeda pada atribut tersebut.

i Riwayat Revisi

Tanggal	Revisi	Penulis
2026-05-12	Draft v2 publikasi (KaTeX mixed-model QDA + panel performance + PCA + APA Stone/Murray/Næs)	Claude

4 Referensi

Stone, H., Sidel, J., Oliver, S., Woolsey, A., & Singleton, R. C. (1974). Sensory evaluation by quantitative descriptive analysis. Food Technology, 28(11), 24–34.
Murray, J. M., Delahunty, C. M., & Baxter, I. A. (2001). Descriptive sensory analysis. Food Research International, 34(6), 461–471. https://doi.org/10.1016/S0963-9969(01)00070-9
Næs, T., Brockhoff, P. B., & Tomic, O. (2010). Statistics for sensory and consumer science. John Wiley & Sons.
Tomic, O., Berget, I., & Næs, T. (2015). Panel performance metrics. Food Quality and Preference, 40, 36–40.
Lawless, H. T., & Heymann, H. (2010). Sensory evaluation of food (2nd ed.). Springer.
Meilgaard, M. C., Civille, G. V., & Carr, B. T. (2016). Sensory evaluation techniques (5th ed.). CRC Press.