Program Studi Bisnis Digital • FEB

Desain UI & UX

Pertemuan 4 — Riset Pengguna Bagian 2: Analisis Data Kualitatif, User Persona, Empathy Map & Journey Map

Mengubah transkrip wawancara dan catatan observasi mentah menjadi insight (pemahaman inti), Persona, Empathy Map, dan Customer Journey Map.

RPS MINGGU 4 • 2×50 MENIT

Selamat datang kembali. Minggu lalu Anda pulang dengan tugas menyusun lima pertanyaan wawancara semi-terstruktur, dan sebagian dari Anda mungkin sudah mencoba mewawancarai teman atau keluarga tentang aplikasi seperti Gojek atau Shopee. Pertanyaannya sekarang: setelah Anda punya rekaman wawancara, catatan survei, dan hasil observasi, apa yang harus dilakukan dengan tumpukan data mentah itu? Data mentah tidak bisa langsung dipakai untuk mendesain — ia harus diolah dulu menjadi insight yang tajam. Hari ini kita akan belajar tiga hal besar yang saling berurutan: pertama, cara menganalisis data kualitatif secara sistematis; kedua, cara merangkumnya menjadi User Persona; dan ketiga, cara memvisualisasikannya lewat Empathy Map dan Customer Journey Map. Ini adalah jembatan penting antara riset dan desain — tanpa langkah ini, tim produk gampang mendesain berdasarkan tebakan, bukan bukti.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menganalisis data riset pengguna secara kualitatif dan menyusun representasi pengguna berbasis data (Sub-CPMK 4). Secara rinci:

CAPAIAN 1

ANALISIS

Mengolah transkrip wawancara mentah menjadi tema lewat koding dan affinity diagram.

CAPAIAN 2

PERSONA

Menyusun User Persona berbasis data nyata, bukan asumsi pribadi tim.

CAPAIAN 3

EMPATHY MAP

Memetakan apa yang pengguna katakan, pikirkan, lakukan, dan rasakan.

CAPAIAN 4

JOURNEY MAP

Memetakan pengalaman pengguna sepanjang tahapan interaksi dengan produk.

Tumpukan Data Mentah — Sekarang Apa?

Bayangkan Anda baru selesai mewawancarai 8 pedagang UMKM tentang aplikasi kasir digital. Anda punya 8 rekaman, ratusan catatan, dan puluhan kutipan yang berserakan.

MASALAH 1

TERLALU BANYAK

Tidak mungkin dibaca ulang satu-satu setiap kali tim mau ambil keputusan desain.

MASALAH 2

TIDAK SELARAS

Tiap anggota tim punya kesan berbeda soal "siapa sebenarnya pengguna kita".

MASALAH 3

SULIT DIINGAT

Detail emosi dan konteks pengguna gampang terlupakan saat mendesain.

Solusinya: ubah data mentah menjadi artefak visual ringkas yang bisa ditempel di dinding studio dan diingat seluruh tim — itulah fungsi Persona, Empathy Map, dan Journey Map.

Bagian 1 dari 3

Analisis Data Kualitatif

Dari transkrip wawancara mentah menuju tema dan insight yang bisa ditindaklanjuti, lewat koding dan affinity diagram.

Dari Transkrip Mentah Menuju Insight

Analisis data kualitatif adalah proses membaca ulang data mentah (transkrip, catatan observasi) secara sistematis untuk menemukan pola dan tema yang berulang.

TIGA TINGKAT DATA

Data mentah: kutipan langsung dari transkrip wawancara/observasi — belum diolah.
Tema (theme): kelompok kutipan yang punya makna serupa, hasil pengelompokan.
Insight: kesimpulan tajam dan bisa ditindaklanjuti tim desain, ditarik dari beberapa tema.

Contoh: kutipan "saya takut salah pencet, nanti uangnya hilang" (data mentah) → masuk tema "Takut Ribet/Teknologi" → menjadi insight "Kepercayaan diri teknis, bukan harga, adalah penghambat utama adopsi".

Affinity Diagram: Mengelompokkan Kutipan Sejenis

Affinity diagram adalah teknik mengelompokkan catatan/kutipan (biasanya di sticky notes) berdasarkan kemiripan makna — tanpa kategori yang ditentukan di awal.

Kunci affinity diagram: kelompokkan dulu, beri nama tema belakangan — jangan memaksa data masuk kategori yang sudah dipikirkan sebelum membaca data.

Koding Kualitatif: Memberi Label pada Kutipan

Koding (coding) adalah memberi label singkat pada tiap kutipan data. Prosesnya dua tahap:

TAHAP 1 — OPEN CODING

LABEL BEBAS

Beri label singkat apa adanya pada tiap kutipan, tanpa kategori baku. Contoh: kutipan "saya takut salah pencet" → label "kecemasan-teknis".

TAHAP 2 — AXIAL CODING

HUBUNGKAN LABEL

Kelompokkan label-label open coding yang berkaitan menjadi tema payung. Contoh: "kecemasan-teknis" + "takut rugi" → tema "Takut Ribet/Teknologi".

Koding cocok untuk data dalam jumlah besar (puluhan transkrip); affinity diagram lebih cepat untuk tim kecil dengan data terbatas. Keduanya bisa dipakai bergantian.

Hitung dari Nol: Persentase Tema Dominan

Tim UX mengumpulkan 40 kutipan dari 8 wawancara pedagang UMKM, lalu mengelompokkannya lewat koding. Tema "Takut Ribet/Teknologi" muncul di 14 kutipan.

% tema = (jumlah kutipan tema ÷ total kutipan) × 100%

Langkah	Perhitungan	Nilai
1. Total kutipan dikumpulkan	Dari 8 transkrip wawancara	40 kutipan
2. Kutipan bertema "Takut Ribet"	Hasil pengelompokan koding	14 kutipan
3. Rasio tema terhadap total	14 ÷ 40	0,35
4. Ubah ke persen	0,35 × 100	35%
5. Bandingkan ambang "dominan" (≥30%)	35% vs 30%	Tema dominan

TEMA DOMINAN

35%

"Takut Ribet/Teknologi" — prioritas insight #1

Bagian 2 dari 3

User Persona

Merangkum tema dan insight menjadi tokoh fiktif berbasis data yang mewakili pola nyata pengguna.

Apa itu User Persona?

Persona adalah tokoh fiktif yang mewakili sekelompok pengguna nyata dengan tujuan, kebutuhan, dan perilaku serupa — disusun dari data riset, bukan imajinasi bebas.

KOMPONEN WAJIB

Nama & foto/ilustrasi representatif
Data demografis singkat (usia, pekerjaan)
Goals: tujuan yang ingin dicapai
Pain points: hambatan yang dialami
Kutipan (quote) khas dari data wawancara

Persona bukan satu orang nyata — ia gabungan pola dari beberapa responden dengan kebutuhan serupa. Jangan pakai nama/data satu partisipan asli demi menjaga privasi (etika riset, Pertemuan 3).

Contoh: Persona Pengguna Aplikasi Kasir Digital UMKM

PERSONA — "BU SITI", 42 TAHUN, PEDAGANG SEMBAKO

Goals: catatan penjualan rapi tanpa buku manual, transaksi cepat saat ramai pembeli
Pain points: takut salah pencet dan kehilangan uang, sinyal internet sering putus di kios

QUOTE

"Saya mau simpel saja, yang penting saya tidak takut salah pencet dan uang saya aman."

Bu Siti mewakili 35% pengguna dari tema "Takut Ribet/Teknologi" (slide 8) — bukan tokoh acak, tapi ringkasan pola data terbesar.

Langkah Membangun Persona dari Data

Persona yang baik dibangun bertahap dari hasil analisis kualitatif, bukan langsung dikarang:

LANGKAH 1

KELOMPOKKAN TEMA SERUPA

Dari affinity diagram/koding, cari kelompok responden dengan goals & pain points mirip.

LANGKAH 2

PILIH POLA TERBESAR

Prioritaskan kelompok dengan proporsi kutipan/responden terbanyak (biasanya 1–3 persona per proyek).

LANGKAH 3

TULIS GOALS & PAIN POINTS

Rangkum tema jadi kalimat goals dan pain points yang konkret, ambil dari kutipan asli.

LANGKAH 4

BERI NAMA & KONTEKS

Beri nama fiktif, konteks singkat, dan satu quote representatif agar mudah diingat tim.

Kesalahan Umum: Proto-Persona vs Persona Berbasis Data

PROTO-PERSONA (BERISIKO)

TEBAKAN TIM

Dibuat dari asumsi/pengalaman pribadi tim, tanpa data riset. Cepat dibuat, tapi berisiko bias — hanya cocok untuk brainstorming awal, bukan keputusan desain final.

PERSONA BERBASIS DATA (DISARANKAN)

BUKTI RISET

Setiap goals, pain point, dan quote bisa ditelusuri kembali ke kutipan wawancara/observasi nyata dari Pertemuan 3.

Jebakan umum: menyusun persona berdasarkan siapa yang disukai tim (mis. "pengguna ideal yang selalu update aplikasi"), bukan siapa mayoritas pengguna nyata menurut data.

Bagian 3 dari 3

Empathy Map & Customer Journey Map

Dua alat visual untuk memperdalam pemahaman emosi pengguna, dan memetakan pengalamannya sepanjang waktu.

Empathy Map: Empat Kuadran

Empathy Map memetakan pengalaman pengguna ke empat kuadran untuk menangkap sisi yang terucap maupun tersembunyi.

Empat kuadran ini dirancang agar tim tidak hanya menangkap apa yang pengguna katakan secara lugas, tapi juga sisi yang lebih tersembunyi. Kuadran "Says" berisi kalimat yang benar-benar diucapkan pengguna, persis seperti kutipan data mentah kita. Kuadran "Thinks" berisi pikiran yang mungkin tidak pernah diucapkan langsung, tapi bisa Anda simpulkan dari konteks, misalnya kekhawatiran soal kerugian finansial. Kuadran "Does" berisi tindakan nyata yang teramati, seperti kebiasaan mengecek dua kali sebelum menekan tombol konfirmasi — ini biasanya datang dari data observasi, bukan wawancara. Kuadran terakhir, "Feels", menangkap emosi di balik semuanya, seperti rasa cemas atau kurang percaya diri. Empat kuadran ini saling melengkapi: kalau Anda hanya mengandalkan "Says", Anda akan kehilangan banyak nuansa penting yang justru paling berguna untuk desain.

Empathy Map Terisi: Kasus Bu Siti

SAYS & THINKS

Says: "saya mau simpel saja", "takut salah pencet"
Thinks: "jangan sampai uang saya hilang gara-gara aplikasi"

DOES & FEELS

Does: mengecek layar dua kali sebelum tekan "bayar"
Feels: cemas di awal transaksi, lega setelah struk muncul

Insight desain: tombol konfirmasi butuh penegasan visual yang jelas (mis. animasi/notifikasi sukses) untuk meredakan kecemasan di kuadran Feels.

Sekarang mari kita isi keempat kuadran itu dengan data Bu Siti yang sudah kita kenal. Says dan Thinks-nya konsisten dengan kutipan dan insight yang sudah kita bahas sebelumnya, jadi tidak ada yang benar-benar baru di sini — ini menunjukkan konsistensi data yang bagus. Yang menarik adalah kuadran Does dan Feels: dari observasi, kita tahu Bu Siti mengecek layar dua kali sebelum menekan tombol bayar, sebuah perilaku yang mungkin tidak pernah dia sebutkan sendiri saat wawancara. Perasaannya juga berubah sepanjang transaksi, dari cemas di awal menjadi lega setelah struk muncul. Perhatikan bagaimana insight desain di bagian bawah muncul langsung dari pola di kuadran Feels — karena kita tahu titik kecemasannya ada di momen konfirmasi, kita bisa merancang penegasan visual yang jelas tepat di titik itu.

Customer Journey Map: Anatomi

Customer Journey Map memetakan pengalaman pengguna sepanjang tahapan interaksi dengan produk, termasuk touchpoint (titik sentuh) dan perubahan emosinya.

Kalau Empathy Map memotret satu momen secara mendalam, Customer Journey Map merentangkan pengalaman itu sepanjang waktu, dari awal pengguna sadar akan produk sampai dia rutin memakainya. Setiap tahapan punya touchpoint, yaitu titik sentuh nyata antara pengguna dan produk atau brand — misalnya tahap "Sadar" touchpoint-nya iklan media sosial, sementara tahap "Daftar" touchpoint-nya form registrasi di aplikasi. Garis putus-putus di bagian bawah menggambarkan kurva emosi: naik berarti pengguna makin puas, turun berarti makin frustrasi. Perhatikan pada contoh ini kurvanya turun cukup tajam di tahap "Daftar" — ini adalah sinyal penting bagi tim desain bahwa proses registrasi kemungkinan besar menjadi titik paling menyakitkan dalam perjalanan pengguna, dan layak diprioritaskan untuk diperbaiki.

Hitung dari Nol: Skor Kepuasan Rata-Rata Journey Map

Dari observasi 5 pengguna, tiap tahapan journey diberi skor kepuasan 1 (sangat frustrasi) sampai 5 (sangat puas): Sadar=4, Cari Info=3, Daftar=2, Pakai Fitur=4, Dukungan=2.

Rata-rata = jumlah skor tahapan ÷ jumlah tahapan

Langkah	Perhitungan	Nilai
1. Skor tahap Sadar	Rata-rata observasi	4
2. Skor tahap Cari Info	Rata-rata observasi	3
3. Skor tahap Daftar	Rata-rata observasi	2
4. Skor tahap Pakai Fitur	Rata-rata observasi	4
5. Skor tahap Dukungan	Rata-rata observasi	2
6. Jumlah total skor	4+3+2+4+2	15
7. Rata-rata (5 tahapan)	15 ÷ 5	3,0

RATA-RATA KEPUASAN

3,0 / 5

titik terlemah: "Daftar" & "Dukungan" (skor 2)

Coba Sendiri: Hitung Skor Kepuasan Journey Map Anda

Ubah-ubah skor tiap tahap journey, lalu amati bagaimana rata-rata keseluruhan bisa menutupi titik terlemah.

Latihan Kelas: Bangun Mini-Persona & Empathy Map

Kerjakan berkelompok (10 menit), memakai hasil wawancara tugas Pertemuan 3 kelompok Anda sendiri.

LANGKAH A

KELOMPOKKAN 3–5 KUTIPAN

Pilih kutipan paling sering muncul dari transkrip Anda, kelompokkan jadi 1 tema utama (affinity diagram sederhana).

LANGKAH B

ISI EMPATHY MAP

Isi 4 kuadran (Says, Thinks, Does, Feels) untuk satu persona mini berdasarkan tema tersebut.

Dua kelompok akan diminta menunjukkan hasilnya ke depan kelas dan menjelaskan sumber datanya (kutipan mana yang mendasari tiap kuadran).

Rangkuman & Persiapan Pertemuan Berikutnya

CHEAT SHEET HARI INI

Koding & Affinity Diagram: data mentah → tema → insight
Persona: tokoh fiktif berbasis data, bukan tebakan tim
Empathy Map: Says, Thinks, Does, Feels
Journey Map: tahapan + touchpoint + kurva emosi

TUGAS SEBELUM PERTEMUAN 5

SELESAIKAN PERSONA & EMPATHY MAP

Rapikan hasil latihan kelas kelompok Anda menjadi satu Persona dan satu Empathy Map utuh, bawa ke kelas berikutnya.

Pertemuan 5: Mendefinisikan Masalah & Ideasi — Persona dan Empathy Map Anda akan menjadi dasar merumuskan Point of View dan pertanyaan How Might We.

Sebelum kita tutup, mari rangkum empat alat inti hari ini: koding dan affinity diagram untuk mengolah data mentah menjadi tema dan insight, persona untuk merangkumnya jadi tokoh berbasis data, empathy map untuk memahami sisi kata, pikiran, tindakan, dan perasaan pengguna, serta journey map untuk melihat pengalaman itu sepanjang waktu lengkap dengan titik-titik krisisnya. Tugas Anda sebelum pertemuan berikutnya adalah merapikan hasil latihan kelompok hari ini menjadi satu Persona dan satu Empathy Map yang utuh dan rapi. Di pertemuan kelima nanti, kita akan memakai persona dan empathy map ini secara langsung sebagai bahan baku untuk merumuskan Point of View dan pertanyaan How Might We, sebelum akhirnya masuk ke sesi ideasi Crazy 8's. Jadi pastikan tugas ini benar-benar selesai, karena akan langsung terpakai minggu depan. Sampai jumpa di pertemuan berikutnya.