WIXLIB

Jurnal Teknik Informatika dan Sistem InformasiVolume 3 Nomor 1 April 2017e-ISSN : 2443-2229d. Finalisasi Spesimen valid (dilakukan pada tahapankelima)5) Mengklasifikasikan item/kategoriDua langkah dilakukan dalam tahapan ini, mengacu pada2. Mengumpulkan Kansei Word7. Analisis Mengunakan metodeanalisis statistik multivariatPreparation of Specimen, yakni klasifikasi elemen desaindan finalisasi spesimen valid.6) Evaluasi Penelitian3. Menyusun Struktur SD Scale8. Menginterpretasi data yanguntuk Kansei WorddianalisisLangkah berikutnya yakni evaluasi penelitian, padatahapan ini partisipan terlibat mengisi Skala SD denganKansei Word yang sudah disusun sebelumnya.4. Mengumpulkan Sampel9. Interpretasi data kepadaProdukdesainer produkSebanyak 20 atau 30 partisipan cukup untuk terlibatdalam penelitian Kansei [10]. Skala SD diberikan kepada 20atau 30 partisipan tersebut. Satu lembar Skala SD Kansei5. Mengklasifikasikan item /10. Menggabungkan sketsakategoridesainer dengan proposal KEWord digunakan untuk satu sampel produk, misalnya dalamhal penelitian parfum, ada 10 jenis sampel parfum yangGambar 2 Tahapan Kansei Engineering Type Iberbeda, maka kita memerlukan 10 lembar SD Scale KanseiWord untuk seorang partisipan.1) Menentukan Strategi7) Analisis Menggunakan Metode Statistik MultivariatMerupakan tahapan awal dalam KEPack, penguasaanDalam Kansei Engineering, analisis dapat dilakukanteoritis dan konsep Kansei Engingeering dilakukan pada denganstatistikmultivariat,dimanadapattahapan ini.“Menentukan Strategi” juga berarti menentukan mempertimbangkansekianbanyakfaktoruntukberapa jumlah Kansei Word (KW) maupun spesimen yang menjelaskan hubungan yang terjadi dalam sebuah fenomenadibutuhkan, berapa jumlah partisipan yang dilibatkan dan yang kompleks [11]. Dengan menggabungkan beberapametode Kansei yang dilakukan.analisis perhitungan, umumnya Kansei Engineering2) Menentukan Kansei Wordmenggunakan metode perhitungan statistika sebagai berikutKansei Word (KW) yang berupa kata kunci berhubungan [7]:denganemosionalatauafektifmanusia.KWa. Analysis of Variance. Metode statistik untukmerepresentasikan aspek psikologis manusia terhadappengujian variasi dan cara. Melalui metode ini, kitapenilaian sesuatu hal [8]. Menentukan KW sangatdapat melihat bahwa data terdiri dari klastermempengaruhi kesuksesan dari penelitian Kansei. Akan adaberkualitas yang berbeda.perbedaan lingkup KW, misalnya dalam meneliti produkb. Correlation Coefficient Analysis. Rasio koefisienolahan makanan akan berbeda dengan melakukan penelitiankorelasi yang melihat bahwa kesamaan diakuiterhadap bahan pakaian. Karena aspek psikologis yangdiantara grup data yang berbeda dari sudut pandangdirepresentasikan ke dalam KW tentu berbeda pula.realibilitas statistic.Salah satu langkah yang digunakan dalam menentukanc. Principal Component Analysis (PCA). MerupakanKW dapat kita temukan misalnya, di majalah atau bukuanalisis yang sangat penting, menggunakanyang berhubungan dengan produk diteliti seperti majalahpendekatankelayakan(feasible)yangfesyen digunakan dalam mencari KW produk bahan pakaian,memungkinkan untuk mengurangi dimensi. Misalnya,ataupun dengan mendengar percakapan penjualan antaradengan melibatkan 25 Kansei Word, lingkup Kanseipembeli dan penjual. Kita pun dapat mengkompilasikan KWakan meliputi 25 dimensi. PCA dapat menghilangkanberdasar pendapat ahli maupun studi teoritis [9].dimensi tersebut ke dalam 2 atau 5 atau lebih dari3) Menyusun Struktur Skala Semantic Differential (SD)komponen prinsip dan menunjukkan positioninguntuk Kansei Wordsampel.Setelah dilakukan investigasi Kansei melalui pemilihand. Factor Analysis. Hampir sama dengan analisis PCA,KW yang berkaitan dengan penelitian yang diteliti, langkahmereduksi jumlah dimensi Kansei ke dalam jumlahberikutnya yakni menyusun KW tersebut menjadi strukturaxis yang lebih sedikit dan menunjukan faktor-faktorskala Semantic Differential (SD). Skala SD digunakan untukpsikologis utama.mempermudah partisipan dalam pengisian kuisioner.e. Quantification Theory Type I (QTI). Ini adalah4) Mengumpulkan Sampel Produk/Spesimenmetode khusus yang menggunakan analisis regresiMengumpulkan sampel produk/spesimen atau yangganda yang dapat menganalisis data kategori sepertiselanjutnya disebut dengan Preparation of Specimen.Ada 4Kansei.tahapan dalam Preparation of Specimen [9] yaitu:8) Interpretasi Analisis Dataa. Identifikasi Spesimen AwalDalam menganalisis persyaratan desain, Partial Leastb. Investigasi Elemen DesainSquare (PLS) dilakukan untuk mengidentifikasi hubunganc. Klasifikasi Elemen Desain (dilakukan pada tahapan dari emosi dan elemen desain.Lalu, Cluster Analysis (CA)kelima)dilakukan untuk menginvestigasi klaster dari faktor1. Menentukan Strategi1066. Evaluasi Penelitian

e-ISSN : 2443-2229psikologis (emosi/KW) website [9], yang selanjutnyadijadikan acuan dalam mengembangkan desain web.9) Interpretasi Data pada DesainerSerangkaian analisis sudah dilakukan pada tahapansebelumnya, langkah berikutnya adalah menerjemahkandata tersebut ke dalam matriks yang mudah dipahami olehseorang desainer web [9].10) Menggabungkan sketsa desainer dengan proposalKansei Engineering.Ini merupakan tahap implementasi dari penelitian KanseiEngineering, namun dalam penelitian ini hanya dilakukansampai pada tahap 9. Tahapan ini sejumlah ahli dan webdesainer dilibatkan, ide dalam penelitian KanseiEngineering dituangkan ke dalam perancangan web danmenghasilkan desain final yang dinamakan “Super Design”[7].E. Analisis Statistik MultivariatAnalisis statistik multivariat digunakan untuk beberapavariabel yang memiliki hubungan antar variabel salingberkorelasi. Terdapat 4 analisis statistik yang digunakandalam analisis ini yaitu:1) Coefficient Correlation AnalysisCoefficient Correlation Analysis atau yang seringdisebut dengan analisis korelasi Pearson ditemukan pertamakali oleh Karl Pearson.Korelasi Pearson berguna untukmengetahui hubungan beberapa variabel. Ada tiga asumsidasar yang digunakan apabila dilakukan analisis korelasiPearson [12]:a. Distribusi nilai variabel berdistribusi normal ataumendekati normal.b. Dua variabel yang akan dicari korelasinya adalahvariabel kontinyu yang bersifat rasional atau minimalbersifat interval.c. Hubungan kedua variabel yang akan dikorelasikanadalah linier.2) Principal Component Analysis (PCA)PCA secara aljabar merupakan kombinasi linear khususuntuk p variable random X1, ,Xp. Secara geometri,kombinasi linear menyatakan pemilihan sistem koordinatbaru yang diperoleh dari merotasi sistem mula-mulaX1, Xp sebagai sumbu-sumbu koordinat [13]. Sumbukoordinat yang baru sangat tergantung dari matrikskovariansi (atau matriks korelasi).Dalam penelitian ini PCA dilakukan untuk mereduksi 20axis dari emosi (KW), ke dalam dua atau tiga axis denganlangkah awal menentukan nilai eigenvalue, seperti dalamkutipan [9]:“PCA is to enable the research to understand thestructure of emotion clearly and the description ofsubject respond is much constructive. PCA is also usedto help identify space in overlapping positive values ineach component, which can be used to strategise newtarget concept of website design from the perspective ofemotion”Jurnal Teknik Informatika dan Sistem InformasiVolume 3 Nomor 1 April 2017PCA membantu untuk memahami struktur emosi(Kansei Word) secara jelas dan deskripsi dari responpartisipan lebih konstruktif. Lebih jauh lagi, dikatakanbahwa ada tiga jenis PCA yang digunakan untuk mengukurPrincipal Componen (PC), yakni:a. PC Loading, yang digunakan untuk menganalisaruang semantik dari emosi untuk menunjukkanseberapa banyak evaluasi dari emosi mempengaruhivariabel.b. PC Score, yang digunakan untuk menentukanhubungan antara emosi dengan spesimen website.c. PC Vector, yang digunakan untuk memvisualisasiarah dan kekuatan emosi atas struktur emosi, danbagaimana menentukan konsep baru website.3) Factor Analysis (FA)Tujuan dari analisis faktor adalah menggambarkanhubungan-hubungan kovarian antara beberapa variabel yangmendasari tetapi tidak teramati, kualitas random yangdisebut factor. Vektor random teramati X dengan pkomponen, memiliki rata-rata μ dan matrik kovarian.4) Analisis Partial Least Square (PLS)Dijelaskan bahwa PLS merupakan metode analisis yangpowerful karena dapat diterapkan pada semua skala data,tidak membutuhkan banyak asumsi dan ukuran sampel tidakharus besar.PLS selain dapat digunakan sebagai konfirmasiteori juga dapat digunakan untuk membangun hubunganyang belum ada landasan teorinya atau untuk pengujianproposisi. PLS juga dapat digunakan untuk pemodelanstruktural dengan indikator bersifat reflektif maupunformatif [14].II. METODE PENELITIANMetode penelitian ditunjukkan pada gambar 3 di bawahini :InisiasiPenelitianPengambilanData KuisionerMenentukanKansei WordAnalisisMultivariatKansei Wordke SD ScaleElemenDesainSpesimenE-LearningMatriks KanseiEngineeringKlasifikasiElemen DesainGambar 3. Metode Penelitian107

Jurnal Teknik Informatika dan Sistem InformasiVolume 3 Nomor 1 April 2017A. Inisiasi PenelitianMerupakan tahapan awal dalam proses ini, dimanabahan dan objek penelitian ditentukan serta penentuanteknik Kansei yang dilakukan. Dalam penelitian ini hal yangditeliti adalah e-learning berbasis web dimana sebagai objekpenelitiannya adalah SMK Negeri 1 Sukabumi. Dalampenelitian ini akan menggunakan 20 Kansei Word dan 10spesimen, serta langkah-langkah yang digunakan mengacupada KEPack.B. Mengumpulkan dan Menentukan Kansei WordKansei Word (KW) yang selanjutnya digunakan untukkuisioner bagi partisipan berupa kata sifat (adjective) ataukata benda (noun).Penentuan KW menjadi dasar bagitahapan berikutnya. KW diperoleh dengan melalui beberapareferensi seperti kamus, majalah, literatur terkait, pendapatahli maupun komentar dari khalayak umum atau komunitaskemudian dikaitkan dengan objek yang diteliti.Dalampenelitian ini KW didapatkan dari buku / majalah / jurnalyang berkaitan dengan web e-learning, pemikiran subjektif,pendapat ahli desain web dan para pengajar.C. Menerjemahkan Kansei Word ke dalam Struktur SkalaSDDalam menyusun skala Semantic Differential (SD)umumnya menggunakan 2 kata yang berbeda seperti“Tampilan Menarik .Tampilan Membosankan” denganskala antara 5, 7, 9 dan 11. Namun dalam KE ada sedikitperbedaan, dengan penambahan kata “tidak” untuk maknakata pembedanya, seperti “Tampilan Menarik Tampilan Tidak Menarik” dan skala yang digunakanmenggunakan 5 skala agar mempermudah partisipan dalammengisi kuisioner.e-ISSN : 2443-2229Tahap ini masih berkaitan dengan tahapan sebelumnya,perhitungan analisis statistik Partial Least Square Analysis(PLS) dan Cluster Analysis (CA) digunakan untukmenginterpretasi data statistik ke dalam elemen desain.I. Membuat Matriks Hasil Analisis Kansei EngineeringSebagai tahap akhir setelah dilakukan analisis statistikadalah membuat matriks berdasarkan hasil analisis tersebut,yang berisi kriteria usulan desain (selanjutnya disebutMatrik Pedoman Desain).III. HASIL DAN PEMBAHASANKansei Engineering Type I (KEPack) digunakan dalamanalisis penelitian ini dengan melibatkan 10 spesimen, 20Kansei Word yang distrukturkan ke dalam skala SD dan30 partisipan. 20 Kansei Word dapat dilihat pada Tabel I.TABEL IKANSEI WORD DALAM PENELITIAN1DINAMIS6KanseiWordTAJAM11 NYAMAN16 CHILDISH2FUTURISTIK7TERANG12 KAKU17 COLORFUL3INFORMATIF8FEMINIM13 RUMIT18 FORMAL4LEMBUT9ALAMI14 UNIK19 MANIS5SEDERHANA10 SERASI15 BERGAIRAH20 MEWAHNoF. Proses Pengambilan Data Kuisioner dari PartisipanSebanyak 20 – 30 orang cukup untuk dijadikan subyekdalam penelitian Kansei [7], sehingga penelitian inimelibatkan 30 siswa SMK Negeri 1 Sukabumi.G. Analisis Statistik MultivariatData rata-rata yang sudah dihasilkan pada tahapansebelumnya kemudian dikonversi ke dalam format .txt agardapat diolah dengan metode statistik multivariat.H. Menerjemahkan Data Statistik ke dalam Elemen Desain108NoNoKansei WordNo Kansei kan karakteristik dari website, kemudiandistrukturkan kedalam skala SD dengan menggunakan5 skor penilaian, nilai tertinggi 5 menunjukkan “positif” dannilai terendah 1 menunjukkan “negatif", seperti Tabel II dibawah ini.D. Mengumpulkan dan Menentukan Spesimen E-LearningSebanyak 10 spesimen valid yang dihasilkan dari hasilpenyeleksian digunakan dalam penelitian ini.E. Mengklasifikasikan item E-LearningLangkah selanjutnya yakni mengklasifikasikan 10spesimen tersebut berdasarkan kategori elemen desain,seperti yang sudah diuraikan pada Bab 2. Ada 6 kategoriutama dalam elemen desain, sesuai dengan layout lamanweb yakni Header, Top Menu, Left Menu, Main Menu,Right Menu dan Footer.Kansei WordTABEL IIIKANSEI WORD KE DALAM SKALA SDNoKansei WordDinamis(Tidak Membosankan)Futuristik2 (Memberikan KesanModern dan Canggih)Tajam3 (Memberikan KesanTegas) .5Skor Penilaian43211Kansei WordTidak DinamisTidak FuturistikTidak Tajam.A. Spesimen E-LearningDari beberapa E-Learning yang direkomendasikan,maka ditentukan sebanyak 10 spesimen tampilanE-Learning yang memiliki karakteristik berbeda-bedaberdasarkan tema tampilan, pewarnaan dan strukturpenempatan menu. Tabel III dan Tabel IV menunjukkandaftar E-Learning serta screenshot dari E-Learning tersebutyang dilibatkan dalam penelitian ini.

e-ISSN : 2443-2229Jurnal Teknik Informatika dan Sistem InformasiVolume 3 Nomor 1 April 2017TABEL IIIIIDATA 10 SPESIMEN E-LEARNINGNoNama InstansiAlamat Web1Universitas ps://www.edmodo.com3Training Coursehttps://www.coursetraining.com4Getting Smartwww.gettingsmart.com5Jaringan Informasi BersamaAntar Sekolah (JIBAS)www.demo.jibas.net6Universitas Guna Darmahttps://vclass.gunadarma.ac.id7Belajar Online Anak Sekolahwww.eboas.com8STIKOM Dinamika Bangsa– Jambihttp://msilearning.coolpage.biz9SMA Negeri 1 as Padjadjaranhttps://elearning.unpad.ac.idUntuk memudahkan pengelompokan, 10 spesimentersebut diubah kedalam elemen desain untuk diuraikanhingga bagian terkecil, dimulai dengan kategori utama yaknibody, main menu, header, top menu, left menu, right menudan footer. Sehingga bila disimpulkan didapatkan:1) 7 kategori utama elemen desain : Body, Header, TopMenu, Main Menu, Right Menu, Left Menu, Footer.2) 26 sub elemen desain yang merupakan penjabaran dari 7kategori utama tersebut.3) 76 kategori elemen desain yang merupakan rincian dari26 sub elemen desain.Klasifikasi elemen desain seperti ditunjukan oleh Tabel V dibawah ini.TABEL VKLASIFIKASI ELEMEN DESAINBODYBackground StyleBackground ColorBlue White Gray Green Maroon SolidPictureID 1TABEL IVVSCREENSHOT 10 SPESIMEN E-LEARNINGNoScreenshot E-LearningNoScreenshot E-Learning 2 3 4 5 1627B. Pengambilan Data KuisionerSkala SD yang dibuat sebelumnya kemudian disebarkepada 30 partisipan. Hasil rekapitulasi kuisioner terdapatpada Tabel VI.TABEL VIRATA-RATA HASIL REKAPITULASI PARTISIPANWEBSITE LEMBUT2.253.052.503.403.555 SEDERHANA3.603.253.353.253.65Kansei Word3849510 Keseluruhan data dirata-ratakan secara manual denganMicrosoft Excel. Selanjutnya data rata-rata tersebutdigunakan untuk analisis statistik multivariat dalam langkahberikutnya.C. Hasil Analisis MultivariatUntuk memberikan gambaran konsep emotion ke dalamstruktur specimen E-Learning, dimana terdapat beberaparelasi antar variabel maka analisis statistik multivariatdilakukan dengan melibatkan Coefficient CorrelationAnalysis (CCA), Principal Component Analysis (PCA) dan109

Jurnal Teknik Informatika dan Sistem InformasiVolume 3 Nomor 1 April 2017e-ISSN : 2443-2229Factor Analysis (FA). Berikut ini hasil dari ketiga analisistersebut:1) Coefficient Correlation Analysis (CCA)Dalam mengetahui korelasi antar Kansei Word atau yangselanjutnya disebut dengan emotion, dilakukan CCA denganmetode korelasi Pearson, hasil analisis ditunjukkan olehtabel VII.TABEL VIIHASIL ANALISIS ut .7770.766118.403%. Pada baris cumulative menunjukkan akumulasihingga PC2 sebesar 82.040% dan artinya nilai PC1 dan PC2sudah mewakili dari analisis data atau berpengaruh terhadapemotion. Bila diamati pada PC3 hingga PC9, memiliki nilaieigenvalue rendah dan tidak terlalu signifikan pada nilaicumulative, karena sudah diwakili oleh nilai PC1 dan PC2dengan tingkat cumulative di atas 80% maka didapat duafaktor yakni PC1 dan PC2, yang selanjutnya disebut denganF1 dan F2.Tiga tahapan analisis PCA dikalkulasikan untukmenganalisis F1 dan F2 dalam memberikan gambaranhubungan emotion maupun spesimen, yakni:a. PC Loading, dimana dalam penelitian ini digunakanuntuk mengetahui sebaran emotion sehingga dapatdisimpulkan konsep emotion yang berpengaruh dalamspesimen. Beberapa emotion menunjukkan nilai tingkatankeberpengaruhan, seperti “Dinamis” dengan “Futuristik”yang memiliki keterikatan kuat sebesar 0.957 atau memilikipengaruh kuat, sama halnya antara “Futuristik” dengan“Informatif” yang memiliki pengaruh sebesar 0.933.Namun beberapa emotion menunjukkan tidak adanyakeberpengaruhan seperti halnya antara “Feminim” dengan“Rumit”. Dari analisis CCA dapat diketahui emotionmanakah yang tidak memiliki pengaruh untuk direduksi,namun dalam penelitian ini, mengacu pada seluruh emotiondigunakan dalam analisis berikutnya untuk mengeksplorasisubjektifitas penilaian pengguna E-Learning terhadapemotion [6].2) Principal Component Analysis (PCA)PCA dilakukan untuk mengetahui hubungan antaraspesimen dengan emotion dengan mereduksi faktor-faktoremotion yang tidak terlalu signifikan. Analisis PCAmenggunakan software XLStat 2010 dengan melibatkandata rekapitulasi rata-rata partisipan sebagai bahan analisisdata. Berdasarkan perhitungan analisis PCA dihasilkanbeberapa faktor atau disebut dengan Principal Component(PC) seperti ditunjukkan oleh tabel VIII.TABEL VIIINILAI PRINCIPAL COMPONENTPC2PC3PC4PC5PC6Eigenvalue12.727 3.681PC11.1950.9470.4360.322Variability (%)63.637 18.4035.9764.7342.1821.609Cumulative %63.637 82.040 88.016 92.750 94.932 96.541Terdapat nilai eigenvalue atau varians dan variabilityyang ditunjukkan pada tabel 4.8. Nilai eigenvalue PC1 danPC2 memiliki sebesar 12.727 dan 3.681 dengan tingkatvariability pada PC1 sebesar 63.637% dan PC2 sebesar110Gambar 4. Hasil PC Loading F1 dan F2Pada gambar 4 disimpulkan terdapat dua axis, yakniaxis x dan axis y. Pada axis x terdapat dua emotion yangberlawanan, yang bernilai positif dan negatif. Di sisi kiriterdapat dua emotion yakni “Rumit” dan “Kaku”,sebaliknya pada sisi kanan terdapat beberapa emotionyakni “Dinamis”, “Lembut”, “Terang”, “Colorful” dan“Mewah”, secara subjektif axis ini kemudian disebut“Attractiveness”. Bila diisimpulkan pada sisi kirimenunjukkan hal yang “tidak atraktif” sedangkan sisikanan menujukkan sesuatu “atraktif” seperti padagambar 5.

e-ISSN : 2443-2229Jurnal Teknik Informatika dan Sistem InformasiVolume 3 Nomor 1 April 2017b. PC Score, untuk mengetahui hubungan antaraemotion dan specimen E-Learning.Axis X,Keatraktifan /“Attractiveness”Gambar 5. Axis X, AttractivenessGambar 7. PC Score F1 dan F2Selanjutnya pada axis y dimana terdapat emotionberlawanan, bagian atas yang merupakan zona positifterdiri dari emotion “Feminim” dan “Childish”sedangkan bagian bawah nampak satu emotion yakni“Formal”. Secara subjektif, axis y yang ditunjukkan olehgambar 6 dinamakan axis “Cuteness”, dimana padazona positif / bagian atas menandakan “Cute”sedangkan zona negative / bagian bawah menandakan“Tidak Cute”.Gambar 6. Axis Y, CutenessPada gambar 7, spesimen 1 dan 3 berada di posisikiri bawah yang berarti spesimen tersebut berada padaaxis “Tidak Atraktif” untuk axis x atau“Attractiveness”, dan berada pada axis “Tidak Cute”untuk axis y atau “Cuteness”. Bila diamati, warna yangcenderung senada dan dominasi warna putih dengandominan teks menyebabkan spesimen tersebut beradapada kuadran negatif. Berbeda halnya dengan spesimennomor 4 yang berada pada kanan atas, yang berarti“Atraktif” dan “Cute”, secara layout memadukanbeberapa warna dan terlihat sedikit ruang kosong.Spesimen 6 memiliki nilai “Cute” yang kuat (yangditandai dengan posisi teratas pada axis y / “Cuteness”)dengan dominasi warna merah muda dan memilikiunsur “Atraktif”. Sama halnya dengan spesimen 8,dimana memiliki unsur “Cute” yang kuat, namunberada pada posisi kiri, yang berarti “Tidak Atraktif”.Spesimen 7 memiliki unsur “Atraktif” yang kuat (yangditandai dengan posisi di sebelah kanan) namunmemiliki nilai “Tidak Cute”.c. PC Vector, untuk mengetahui seberapa besarpengaruh emotion dengan spesimen E-Learning, jugamenentukan area Kansei dalam usulan perancangandesain E-Learning berbasis web. Gambar 8 di bawahini menunjukan dimana posisi area kansei mengacupada sebaran positif e-learning dan emotion.Axis Y,Keceriaan /“Cuteness”111

Jurnal Teknik Informatika dan Sistem InformasiVolume 3 Nomor 1 April 2017e-ISSN : 2443-2229AreaKanseidihilangkan karena memiliki tingkat keberpengaruhanrendah. Pada persentase kumulatif faktor 1 dan faktor 2sudah mewakili data sebanyak 78.50% dan ini sudahrepresentatif. Bila ketiga faktor di atas dianalisis untukmenentukan nilai emotion, maka akan didapat variasi nilaiyang berbeda pada tiap emotion. Seperti pada tabel X yangmenunjukkan besaran korelasi antara ketiga faktor denganem

Volume 3 Nomor 1 April 2017 104 Implementasi Kansei Engineering dalam Perancangan Desain Interface E-Learning Berbasis web (Studi Kasus: SMK Negeri 1 Sukabumi) Indra Griha Tofik Isa#1, Ana Hadiana*2 1Teknik Informatika, Universitas Muhammadiyah Sukabumi (UMMI) Jl. R. Syamsudin, SH, Kota Sukabumi igtiku@gmail.com