Quick Sensory Check

Domain: Sensori dan Riset Konsumen · SQalytics · Multi-attribute hedonic (9-point Peryam) — ANOVA per atribut + Tukey HSD

1 Introduksi

1.1 Latar Belakang

Hedonic acceptance test dengan skala 9-point (1 = sangat tidak suka, 9 = sangat suka) adalah metode pengukuran kesukaan konsumen yang paling luas dipakai sejak diperkenalkan oleh Peryam & Pilgrim (1957) di Quartermaster Food and Container Institute (Lawless & Heymann, 2010). Pada studi pangan modern, panelis konsumen biasanya menilai beberapa atribut sekaligus — warna, aroma, rasa, tekstur, overall liking — untuk satu set produk uji. Hasilnya berbentuk tabel wide-format dengan multi-atribut × multi-produk.

Quick Sensory Check adalah route beginner-first yang membaca tabel hedonic multi-atribut, menjalankan ANOVA satu-arah per atribut (atau Kruskal-Wallis bila non-parametrik), dan menampilkan ringkasan terkonsolidasi: produk terbaik per atribut, p-value tiap atribut, dan post-hoc Tukey HSD bila perbedaan signifikan. Jembatan antara eksplorasi awal dan decision-making cepat.

1.2 Tujuan Modul

1.3 Posisi di Antara Alternatif

Pilih Quick Sensory Check untuk review cepat multi-atribut hedonic. Untuk single attribute rating, pakai Single Factor Rate That Apply. Untuk discriminasi biner, pakai Triangle Test / Duo-Trio. Untuk profil deskriptor intensitas, gunakan Descriptive Analysis Studio (akan datang). Untuk uji statistik manual lanjut, ekspor dan pakai Compare Many Groups.

2 Metode

2.1 Dasar Teoretis

Skala hedonic 9-point (Peryam & Pilgrim, 1957) — interval-like, di-treat sebagai numerik:

SkorLabel (Bahasa Indonesia)English label
9Amat sangat sukaLike extremely
8Sangat sukaLike very much
7Suka sedangLike moderately
6Sedikit sukaLike slightly
5NetralNeither like nor dislike
4Sedikit tidak sukaDislike slightly
3Tidak suka sedangDislike moderately
2Sangat tidak sukaDislike very much
1Amat sangat tidak sukaDislike extremely

One-way ANOVA per atribut untuk $k$ produk:

$$ F = \frac{\text{MS}_{\text{between}}}{\text{MS}_{\text{within}}} = \frac{\sum_j n_j (\bar{x}_j - \bar{x})^2 / (k-1)}{\sum_j \sum_i (x_{ij} - \bar{x}_j)^2 / (N-k)} $$

Bila $p < \alpha$ → Tukey HSD: $\text{HSD} = q_{\alpha; k, N-k} \cdot \sqrt{\text{MS}_W / n}$. Pasangan $|\bar{x}_i - \bar{x}_j| > \text{HSD}$ signifikan.

Fallback non-parametrik (Kruskal-Wallis H) bila Shapiro-Wilk residual menolak normalitas:

$$ H = \frac{12}{N(N+1)} \sum_{j=1}^{k} \frac{R_j^2}{n_j} - 3(N+1) $$

Post-hoc Kruskal-Wallis: Dunn's test dengan koreksi Holm.

Welch's ANOVA dipakai bila variansi heterogen tetapi residual normal (Welch, 1951).

2.2 Persamaan Inti

One-way ANOVA F per atribut: $F_a = \text{MS}_{B,a} / \text{MS}_{W,a}$

Tukey HSD: $\text{HSD} = q_{\alpha; k, N-k} \cdot \sqrt{\text{MS}_W / n_{\text{harmonic}}}$

Kruskal-Wallis H: $H = \frac{12}{N(N+1)} \sum_j R_j^2/n_j - 3(N+1)$

2.3 Asumsi & Batas Validitas

AsumsiKonsekuensi jika dilanggarCara cek di SQalytics
Skala interval/ratio (skor numerik)ANOVA tidak valid (pakai Friedman)Modul validate tipe data
Replikasi $n \geq 10$ per produkPower rendahModul flag warning
Residual normal (Shapiro-Wilk $p > 0.05$)Type I inflatedAuto-fallback ke Kruskal-Wallis
Variansi homogen (Levene $p > 0.05$)Type I inflatedAuto-fallback ke Welch
Panelis independen tiap ratingRepeated measures biasUntuk same-panelist, pakai repeated ANOVA
Order randomizationBias presentation orderSOP balanced block
Panelis paham anchor skalaDrift antar sesiBriefing standar tiap sesi

3 Cara Kerja

3.1 Step-by-Step di SQalytics

  1. Buka Quick Sensory Check dari domain Sensori dan Riset Konsumen.
  2. (Opsional) Muat seed sensory_hedonic.
  3. Pada Check the current sensory table, pastikan data terbaca.
  4. Pada Review the sensory structure, pilih wide_scores atau long_format.
  5. Tinjau callout struktur yang muncul.
  6. Klik Run Quick Sensory Check.
  7. Tinjau hasil: conclusion, per atribut (grafik + interpretasi + tabel statistik + post-hoc).

3.2 Template Tabel Input + Contoh Data Sintetis

KolomTipeWajibCatatan
Panelistcategory✓ID panelis
<Atribut>_<Produk>numeric (1–9)✓ (≥2)Pola underscore-separated

Contoh data sintetis (10 baris — 3 atribut × 2 produk, n = 10):

PanelistColor_f1Color_f2Taste_f1Taste_f2Texture_f1Texture_f2
P01786877
P02675868
P03887778
P04776987
P05685868
P06787877
P07876778
P08685867
P09786878
P10776877
SYNTHETIC Hedonic acceptance dua formulasi minuman fungsional (f1 = awal, f2 = optimal) untuk Color, Taste, Texture, skala 9-point Peryam-Pilgrim, n = 10 panelis. Color marginal ($p \approx 0.08$), Taste sangat berbeda ($p < 0.001$), Texture berbeda nyata ($p < 0.05$). CSV setara: docs/assets/example-data/id/sensory/template_sensory_hedonic.csv.

3.3 Contoh Luaran

Tabel Per Attribute Summary (mean ± SD per produk per atribut, n = 10):

AtributProduk f1Produk f2$\Delta$F (ANOVA)p-valueTop product
Color6.9 ± 0.747.6 ± 0.52+0.73.420.081f2 (marginal)
Taste5.9 ± 0.747.9 ± 0.57+2.047.32< 0.001f2 ✓✓✓
Texture6.8 ± 0.637.5 ± 0.53+0.77.210.015f2 ✓

Tabel Tukey HSD (post-hoc, pasangan signifikan):

AtributPasangan$\Delta$ meanTukey HSD$p_{\text{adj}}$Signifikan
Colorf1 vs f20.700.7620.081— (marginal)
Tastef1 vs f22.000.625< 0.001✓
Texturef1 vs f20.700.5550.015✓
Kesimpulan ringkas: "Tiga atribut hedonic menunjukkan profil perbedaan yang heterogen. Taste paling diskriminatif (f1 = 5.9, f2 = 7.9, $\Delta = +2.0$, $F_{1,18} = 47.32$, $p < 0.001$). Texture juga signifikan ($p = 0.015$, $\Delta = +0.7$). Color marginal ($p = 0.081$). Asumsi parametrik tervalidasi — ANOVA satu-arah dipakai. Konsisten: f2 = top product untuk 3/3 atribut, dua di antaranya secara statistik signifikan. Rekomendasi: lanjut ke uji konsumen skala besar ($n \geq 100$) untuk validasi acceptability, dan ke CATA + Cochran Q untuk eksplorasi deskriptor mana yang mendorong preferensi Taste/Texture pada f2."

Grafik utama: dua panel — (a) radar chart mean per produk untuk 3 atribut; (b) box plot per atribut berdampingan untuk dua produk.

Quick sensory check radar dan box plot multi-atribut hedonic 2 formulasi
Gambar 1. Hedonic acceptance test multi-atribut untuk dua formulasi minuman fungsional (skala 9-point Peryam & Pilgrim, 1957; n = 10 panelis). (a) Radar chart mean hedonic per atribut: f1 (formulasi awal, biru) vs f2 (formulasi optimal, merah). f2 dominan pada ketiga sumbu, dengan gap terbesar pada Taste. (b) Distribusi rating per atribut sebagai box plot berdampingan; significance bracket menunjukkan hasil ANOVA satu-arah: Taste *** ($p < 0.001$), Texture * ($p = 0.015$), dan Color ns ($p = 0.081$, marginal). Kotak f2 secara konsisten berada di atas f1 untuk semua atribut — pola koheren yang mendukung pemilihan formulasi optimal untuk lanjut ke uji konsumen skala besar.

4 Kesimpulan

4.1 Relevansi Real-World

Pada Rencana Publikasi Singkil v5, modul ini dipakai pada T5 Tahap 1–2 untuk screening acceptance produk Singkil dengan berbagai konsentrasi ekstrak biopreservatif.

4.2 Where to Go from Here

Pembacaan lanjutan:

⚙ Troubleshooting Cepat

Hasil terasa kosong. Periksa apakah kolom atribut benar-benar numerik (1–9). Modul validate tipe data.
Struktur terasa tidak cocok. Coba ganti antara wide_scores dan long_format. Untuk wide, pastikan pola Atribut_Produk dengan underscore.
Tidak ada post-hoc. Indikasi hasil ANOVA tidak signifikan, atau hanya ada 2 grup (tidak perlu post-hoc).
Semua atribut signifikan dengan p sangat kecil. Cek apakah skala panelis ter-anchor — bias halo effect.
Atribut auto-fallback ke Kruskal-Wallis. Indikasi non-normalitas residual — laporkan sebagai non-parametrik di paper.
Panelis $n < 10$ per produk. Power rendah; tambahkan panelis sebelum decision-making final.

i Riwayat Revisi

TanggalRevisiPenulis
2026-05-12Migrasi MD v2 → HTML final dengan figure dual-panel radar + box plot multi-atribut + caption Elsevier-styleClaude
2026-05-12Migrasi v1 → v2 (template publikasi + KaTeX ANOVA/Tukey/Kruskal + 9-point Peryam + APA Lawless/Meilgaard)Claude
2026-05-09Draft awal v1Tim docs

4 Referensi

  • Peryam, D. R., & Pilgrim, F. J. (1957). Hedonic scale method of measuring food preferences. Food Technology, 11(9), 9–14.
  • 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
  • Meilgaard, M. C., Civille, G. V., & Carr, B. T. (2016). Sensory evaluation techniques (5th ed.). CRC Press. https://doi.org/10.1201/b19493
  • Stone, H., Bleibaum, R. N., & Thomas, H. A. (2012). Sensory evaluation practices (4th ed.). Academic Press.
  • Tukey, J. W. (1949). Comparing individual means in the analysis of variance. Biometrics, 5(2), 99–114. https://doi.org/10.2307/3001913
  • Welch, B. L. (1951). On the comparison of several mean values: An alternative approach. Biometrika, 38(3/4), 330–336. https://doi.org/10.2307/2332579
  • Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
Quick Sensory Check · Domain Sensori dan Riset Konsumen · SQalytics · Edisi Publikasi v2 · 12 Mei 2026