3. Pengembangan produk baru (new product development). Melihat adanya celah (gap)
dalam peta spasial, yang menunjukkan adanya peluang untuk penempatan produk
baru. Juga untuk mengevaluasi konsep produk baru dan merek yang sudah ada on a
test basis untuk menentukan bagaimana pelanggan mempersepsikan/ memahami
konsep baru. Proporsi preferensi untuk setiap produk baru merupakan satu indikator
keberhasilannya (maksudnya satu jenis produk tertentu banyak yang menyenanginya/
menggemarinya daripada produk lainnya).
4. Menilai keefektifan iklan (assesing advertising effectiveness). Peta spasial bisa
dipergunakan untuk menentukan apakah iklan/ advertensi telah berhasil didalam
mencapai penempatan merek yang diinginkan (misalnya dari posisi nomor 3 ke nomor 2
atau dari nomor 2 ke nomor 1).
5. Analisis harga (pricing analysis) Peta spasial dikembangkan dengan dan tanpa informasi
harga dapat dibandingkan untuk menentukan dampak yang ditimbulkan harga.
6. Keputusan saluran (channel decisions). Pertimbangan pada kecocokan (compatibility)
dari merk toko dengan eceran yang berbeda dapat mengarah ke peta spasial yang
berguna untuk keputusan saluran.
7. Pembentukan skala sikap (attitude scale construction). Teknik penskalaan
multidimensional dapat dipergunakan untuk mengembangkan the appropriate
dimensionality and configuration of the attitude space.
1.2 Tujuan
Tujuan dari multidimensional scaling (MDS) adalah untuk memberikan gambaran
visual dari pola kedekatan yang berupa kesamaan atau jarak di antara sekumpulan objekobjek. Penerapan MDS dapat dijumpai pada visualisasi ilmiah dan data mining dalam ilmu
kognitif, informasi, pemasaran maupun ekologi.
Misalnya ketika konsumen diminta untuk membandingkan produk dan melakukan
penilaian mengenai kesamaan produk tersebut. MDS dapat menunjukkan dimensi penilaian
dari responden secara langsung ke dalam pola visualisasi kedekatan mengenai kesamaan
produk, berbeda dengan analisis faktor atau diskriminan yang melibatkan penilaian dari si
peneliti. Karena keunggulan inilah MDS merupakan suatu alat yang paling umum digunakan
dalam pemetaan perceptual (perceptual mapping).
MDS sangat popular dalam penelitian bidang pemasaran untuk perbandingan brand,
mengenali dimensi pokok yang mendasari evaluasi obyek atau produk (mobil, komputer,
pasta gigi, dll) dari responden dan pada psikologi ia digunakan untuk mempelajari dimensi
ciri-ciri pribadi. Penggunaan lain MDS adalah pada aplikasi yang menggunakan ranking,
rating, pembedaan persepsi, atau dalam pengambilan suara (voting).
1.3 Skala Pengukuran Analisis Multidimensional scalling (MDS)
Berdasarkan skala pengukuran dari data kemiripan, MDS dibedakan atas:
a. MDS metric jika skala datanya interval atau rasio
Dalam prosedur MDS metrik tidak dipermasalahkan apakah data input ini merupakan
jarak yang sebenarnya atau tidak, prosedur ini hanya menyusun bentuk geometri dari
titik-titik objek yang diupayakan sedekat mungkin dengan input jarak yang diberikan.
Sehingga pada dasarnya adalah mengubah input jarak atau metrik kedalam bentuk
geometrik sebagai outputnya.
b. MDS nonmetric jika skala datanya nominal atau ordinal
Multidimesional scaling nonmetrik mengasumsikan bahwa datanya adalah kualitatif
(nominal dan ordinal). Pada kasus ini perhitungan kriteria adalah untuk
menghubungkan nilai ketidaksamaan suatu jarak ke nilai ketidaksamaan yang
terdekat. Program MDS nonmetrik menggunakan transformasi monoton (sama) ke data
yang sebenarnya sehingga dapat dilakukan operasi aritmatika terhadap nilai
ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan ketidaksamaanya.
Transformasi monoton akan memelihara urutan nilai ketidaksamaannya sehingga jarak
antara objek yang tidak sesuai dengan urutan nilai ketidaksamaan dirubah sedemikian
rupa sehingga akan tetap memenuhi urutan nilai ketidaksamaan tersebut dan
2
mendekati jarak awalnya. Hasil perubahan ini disebut disparities. Disparities ini
digunakan untuk mengukur tingkat ketidaktepatan konfigurasi objek-objek dalam
peta berdimensi tertentu dengan input data ketidaksamaannya. Pendekatan yang
sering digunakan saat ini untuk mencapai hasil yang optimal dari skala non metrik
digunakan Kruskals Least-Square Monotomic Transformation dimana disparities
merupakan nilai rata-rata dari jarak-jarak yang tidak sesuai dengan urutan
ketidaksamaanya. Informasi ordinal kemudian dapat diolah dengan MDS nonmetrik
sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat pada dimensi
tertentu dan kemudian agar jarak antara objek sedekat mungkin dengan input nilai
ketidaksamaan atau kesamaannya. Koordinat awal dari setiap subjek dapat diperoleh
melalui cara yang sama seperti metoda MDS metrik dengan asumsi bahwa meskipun
data bukan jarak informasi yang sebenarnya tapi nilai urutan tersebut dipandang
sebagai variabel interval.
1.4 Statistik dan Beberapa Istilah yang Terkait dengan Penskalaan Multidimensional
Statistik dan beberapa istilah (terminology) yang penting, antara lain, sebagai
berikut.
1. Pertimbangan kemiripan (similarity judgements) ialah penilaian (ratings) pada semua
kemungkinan pasangan dari merek atau stimulus dinyatakan dalam kemiripan merekmerek tersebut dengan menggunakan skala tipe Likert, 5 butir atau 7 butir (5=sangat
mirip, 1=sangat tidak mirip atau 7 sangat mirip, 1= sangat tidak mirip).
2. Peringkat preferensi (preference rankings) ialah urutan peringkat dari merek atau
stimulus lainnya dari yang paling disenangi/ digemari (the most prefered) sampai yang
paling tidak disenangi (the least preferred). Data diperoleh dari responden
(pelanggan).
3. Stress ialah ukuran ketidakcocokan (a lack of fit measure), makin tinggi nilai stres
semakin tidak cocok.
4. Aggregat analysis, pendekatan dalam MDS dimana pemetaan persepsi dihasilkan untuk
penilaian objek dari sekelompok responden.
5. Ideal point titik dalam pemetaan persepsi yang menunjukkan kombinasi atribut yang
paling banyak dipilih (berdasarkan penilaian konsumen)
6. Index of fit ukuran kebaikan suatu model
7. Perceptual mapping hubungan antara merek-merek atau stimuli yang
direpresentasikan sebagai hubungan geometric diantara titik-titik dalam ruang
multidimensionalR2=R kuadrat (R square) ialah kuadrat dari koefisien korelasi yang
menunjukkan proporsi varian dari the optimally scaled data, yang disumbangkan oleh
prosedur penskalaan multidimensional merupakan ukuran kecocokan/ ketepatan
(goodness of fit measure).
8. Peta spasial (spatial map) ialah hubungan antara merek atau stimulus lain yang
dipersepsikan, dinyatakan sebagai hubungan geometris antara titik-titik di dalam
ruang yang multidimensional koordinat (coordinates), menunjukkan posisi (letak) suatu
merek atau suatu stimulus dalam suatu peta spasial.
9. Unfolding ialah representasi merek dan responden secara bersama-sama sebagai titik
dalam ruang yang sama.
10. Data yang digunakan dalam analisis ini dapat berupa data metrik dan nonmetrik. Data
yang dimasukkan dalam tabulasi adalah skor total data metrik atau nonmetrik pada
setiap variabelnya. Di dalam makalah ini akan diberikan contoh kasus data metric dan
non metric.
1.5 Model Matematis dan Algoritma Pokok Analisis
Langkah-langkah Analisis
1. Mencari jarak Euclidean/ menentukan matriks D, dimana
matriks D. Dengan :
ij
merupakan elemen pada
3
'
ij yi y j yi y j
Matriks Jarak
E
E
0
N
dNE
Da
dDaE
Du
dDuE
G
dGE
1/2
Da
Du
0
dDaN
dDuN
dGN
0
dDuDa
dGDa
0
dGDu
Jarak Euclidean
Adalah jarak antara dua objek yang dibandingkan.
1
aij 2ij
2
ai.
aij
j 1
, a. j
aij
i 1
, a..
ij
aij
n2
1 v1 , 2 v2
STRESS
d d
d
ij
i j
ij
i j
ij
Stress Kriteria:
20 % K
Kurang
10 % - 20 %
Cukup
5 - 10 %
Baik
2.5 % - 5 %
Sangat Baik
< 2.5 %
Sempurna
CONTOH KASUS
2.1Multi Dimensi Scalling Untuk Data Non Metrik Metrik
Manajer Sebuah toko ingin mengetahui bagaimana pendapat konsumen terhadap
produk teh, dimana terdapat enam produk teh yang akan dijual sehingga manajer perlu
mengetahui pendapat konsumen terhadap keenam produk teh tersebut. Faktor-faktor
yang menjadi penilaian adalah Rasa, Aroma, Warna, Harga, Manfaat, dan Kemasan.
Berikut data yang diperoleh:
Kriteria
Penilaian
rasa
aroma
warna
harga
manfaat
kemasan
Fress
o Teh
22.7
19.97
17.65
17.39
16.67
17.19
Jepang
Teh
24.11
20.43
19.6
19.22
18.54
19.16
2. Klik Analyze > scale > multidimensional scaling (ALSCAL) > . seperti gambar
berikut:
4. Klik model > pilih rasio > pilih Euclidean distance > continue
Output :
Hasil koordinat pada dimensi 1 dan dimensi 2 Stimulus koordinat adalah konfigurasi
awal untuk membuat peta kemiripan MDS.
Pada Output hasil STRESS dan R2, didapatkan nilai STRESS sebsar 0.0156 atau 1.5%
maka kebaikan model dikategorikan sempurna dan nilai R 2 sebsar 0,99986 atau
99.9%.
ij
merupakan elemen
1/ 2
11 0
21 (20.17 25.42) 2 (19.99 21.48) 2 ... (20.18 21.57) 2 5.760
31 (20.17 23.28) 2 (19.99 21.15) 2 ... (20.18 21.47) 2 3.979
M
M
61 (20.17 24.11) 2 (19.99 20.43) 2 ... (20.18 19.16) 2 5.900
22 0
32 (25.42 23.28) 2 (21.48 21.15) 2 ... (21.57 21.47) 2 2.545
M
M
62 (25.42 24.11)2 (21.48 20.43) 2 ... (21.57 19.16) 2 5.152
33 0
43 (23.28 4.99)2 (21.15 5.41) 2 ... (21.47 5.68) 2 38.954
M
M
63 (23.28 24.11)2 (21.15 20.43) 2 ... (21.47 19.16) 2 3.940
44 0
54 (4.99 22.7) 2 (5.41 19.97) 2 ... (5.68 17.19) 2 33.185
64 (4.99 24.11) 2 (5.41 20.43) 2 ... (5.68 19.16) 2 36.932
55 0
65 (22.7 24.11) 2 (19.97 20.43) 2 ... (17.19 19.16) 2 4.090
66 0
ij
Sehingga diperoleh elemen-elemen
sebagai berikut:
Tabel 2. Tabel Jarak Euclidean
Faktor
Sari Teh
Super Teh
Strong Teh
Dhorabisa Teh
Fresso Teh
Jepang Teh
Sari
Teh
0.000
5.760
3.979
37.814
8.145
5.900
Super
Teh
5.760
0.000
2.545
40.959
8.733
5.152
A
2.
Menentukan matriks
, dimana
Strong
Teh
3.979
2.545
0.000
38.954
7.151
3.940
Dhorabisa
teh
37.814
40.959
38.954
0.000
33.185
36.932
Fresso
Teh
8.145
8.733
7.151
33.185
0.000
4.090
Jepang
Teh
5.900
5.152
3.940
36.932
4.090
0.000
1
aij 2ij
2
10
0
1 (
1 (
1 (
1 (
1 (
5.7602 )
3.9792 )
37.814 2 )
8.1452 )
5.9002 )
1
2
2
2
2
2
( 5.760 ) 2
2
0
1
2 1
2 1
2 1
( 2.545 )
( 40.959 )
( 8.733 )
( 5.1522 )
1 (
1 (
2
2
2
3.9792 )
2.5452 ) 2
2
2
0
1 (
1
1
( 7.1512 )
( 3.9402 )
38.954 2 )
A= 1
2 1
2 1
2 2
2
2
( 37.814 ) ( 40.959 ) ( 38.954 )
2
2
2
0
1
( 33.1852 ) 1 ( 36.9322 )
1 (
1
2 1
2
2 1
2 2
2
( 8.733 )
( 7.151 )
( 33.185 )
8.145 )
2
2
2
2
0
1 (
4.090 2 )
1 (
1
1
2
2
2 1
2 1
2
( 5.152 )
( 3.940 )
( 36.932 )
( 4.090 ) 2
5.900 )
2
2
2
2
2
0
0
16.590 7.9170 714.94 33.169 17.405
16.590
0
3.238 838.823 38.137 13.270
7.9170
3.238
0
758.713 25.567 7.763
A=
714.94 838.823 758.713
0
550.633 681.982
33.169 38.137 25.567 550.633
0
8.364
17.405 13.270 7.763 681.982 8.364
0
a i.
j 1
aij
, a. j
aij
i 1
, a..
aij
ij
n2
Sari Teh
Super
Teh
Strong
Teh
Dhorabisa
teh
Fresso
Teh
Jepang
Teh
Ratarata
0.000
-16.590
-7.917
-714.948
-33.169
-17.405
-131.671
a1.
Super Teh
-16.590
0.000
-3.238
-838.823
-38.137
-13.270
-151.676
a 2.
Strong
Teh
-7.917
-3.238
0.000
-758.713
-25.567
-7.763
-133.866
a 3.
Dhorabisa
Teh
-714.948
-838.823
-758.713
0.000
550.633
-681.982
-590.850
a 4.
Fresso
Teh
-33.169
-38.137
-25.567
-550.633
0.000
-8.364
-109.312
a 5.
Jepang
Teh
-17.405
-13.270
-7.763
-681.982
-8.364
0.000
-121.464
a 6.
Sari Teh
11
Rata-rata
-131.671
-151.676
-133.866
a.1
a.2
a.3
-590.850
109.312
-121.464
-206.473
a.5
a.6
a..
a.4
60.285
96.879
75.831
-302.770
16.378
53.397
51.148
75.831
61.259
-240.470
11.138
41.094
-198.900
-302.770
-240.470
975.226
-56.944
-176.142
29.257
53.397
41.094
-176.142
15.938
36.455
det (B I )=0
dan
1.341
16.378
11.138
-56.944
12.150
15.938
( B I ) e=0
0.194987
0.314467
-0.419258
-0.042924
0.562346
-0.607649
0.408127
0.408182
0.408320
0.408304
0.407658
0.408898
-0.00
1 v1 , 2 v2
Dimana:
12
0.184709
0.279750
0.222364
v1
, v2
0.899685
0.051254
0.161608
1 1204.52 , 2 27.33
0.728153
0.015287
0.136457
0.078892
0.547531
0.380690
0.184709
0.279750
1204.52 0.222364 ,
0.899685
0.051254
0.161608
27.33
0.728153
0.015287
0.136457
0.078892
0.547531
0.380690
Dari hasil perhitungan manual diatas, diperoleh hasil yang identik dengan output
SPSS sebagaimana dalam scatter plot berikut:
5
3.814
3
2
-0.08
-15
-10
0.71
0.41
0
-5
-1
10
15
20
25
30
35
-1.99
-2
-2.86
-3
-4
dibandingkan dan dianggap bisa mencernminkan sikap konsumen selama ini. Lima
respondesn tersebut diminta untuk memberikan penilaian tentang kemiripan (similirity)
antara sebuah toko dengan toko yang lain dengan skala 1 (sangat mirip) sampai dengan 5
(sangat tidak mirip) (Santoso, Singgih. 2002).
a. Skala 1 berarti dua toko tertentu yang dibandingkan sangat mirip satu dengan yang
lain (mungkin layout sama menariknya, harga sam murahnya dan sebagainya)
b. Skala 5 berarti dua toko tertentu yang dibandingkan sangat tidak mirip (berbeda)
satu dengan yang lain (mungkin layout toko yang satu menarik, sedangkan toko yang
lain semrawut, harga sangat berbeda dan sebagainya)
Responden bisa memberikan nilai diantara skala 1 sampai dengan 5. Analisis MDS pada
penelitian ini digunakan dengan cara manual dan dengan bantuan Software, adalah
sebagai berikut.
a. Multi Dimensi Scalling (MDS) Secara Manual
Analisis Multi Dimensi Scalling secara manual adalah sebagai berikut
Tabel 4. Data Multi Dimensi Scalling Non Metrik
ArshaBaruCintaLestari- Suksesobservasi toko
Shop
Shop
Shop
Shop
Shop
arshashop
0
barushop
2
0
1
cinta
1
4
0
lestari
5
1
5
0
sukses
4
2
4
5
0
arshashop
0
barushop
3
0
2
cinta
2
4
0
lestari
5
4
5
0
sukses
4
2
1
5
0
arshashop
0
barushop
2
0
3
cinta
1
2
0
lestari
4
1
5
0
sukses
4
3
4
2
0
arshashop
0
barushop
2
0
4
cinta
2
4
0
lestari
5
3
5
0
sukses
4
2
3
5
0
arshashop
0
barushop
2
0
5
cinta
1
4
0
lestari
3
1
5
0
sukses
3
2
2
5
0
Keterangan :
1= sangat mirip
2= mirip
3= cukup mirip
4= tidak mirip
5= sangat tidak mirip
Interpretasi Tabel 4 jika dilihat Pada Observasi 1 :
1. Kemiripan antara toko Arsha Shop dengan toko baru Shop bisa dilihat pada baris
dua dan kolom satu, dengan nilai (skala 2). Hal ini berrati kedua toko mirip.
2. Kemiripan antara toko Arsha Shop dengan toko cinta shop bisa dilihat pada baris tiga
kolom satu, dengan nilai skala 1. Hal ini berarti kedua toko sangat mirip.
3. Kemiripan antara toko Cinta Shop dengan toko lestari shop bisa dilihat pada varis
empat kolom tiga, dengan nilai skala 5. Hal ini kedua toko sangat berbeda (sangat
tidak mirip) satu dengan yang lainnya.
14
4. Kemiripan antara toko Cinta Shop dengan toko baru shop bisa dilihat pada baris tiga
kolom dua dengan nilai skala 4. Hal ini kedua toko berbeda (tidak mirip) satu dengan
yang lainnya.
Interpretasi ini juga berlaku untuk observasi dua, tiga, empat atau lima.
Langkah-langkah perhitung analisis MDS secara manual adalah sebagai berikut.
1. Menyusun Matrik Data dinotasikan matrik (A), dicontohkan pada observasi satu
0
2 0
A5 x 5 1 4 0
5 1 5 0
4 2 4 5 0
ij
m n(n 1) / 2
2. Menyusun rank
r1s1 r 2 s2 ... rm sm
berikut
ij (n Xn ) 2 A
0
2
ij (5 X 5) 1, 414214 2,828427 0
2,828427 2
2,828427 3,162278 0
3. Menentukan konfigurasi awal dari n item
(X1, X2,...,Xk) bagi masing-masing item
1
1
B I J A I J
n
n
1
1
B I J A I J
5
5
1 0 0 0 0
1 1 1 1 1
0 1 0 0 0
1 1 1 1 1
B 0 0 1 0 0 1 1 1 1 1 1
0 0 0 1 0
1 1 1 1 1
0 0 0 0 1
1 1 1 1 1
5
1
5
0
4 2 4 5
0
2
1
5
2
0
4
1
1
4
0
5
1
0
0
0
0 0
4
2
4
5
1
0
5
0
0 0 0 1
0
1
0
0
0
0
1
0
0
0
0
1
1
1
1
1 1 1 1 1
1
1
1
1
1
1
1
1
1
1
1
1
15
1
1
1
1
0
B 0
0
0
0 0 0 0
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0 2
0,8
0, 2 0,8
0, 2 0, 2 0, 2 2 0
B 0, 2 0, 2 0,8
0, 2 0, 2 1 4
0, 2 5 1
0, 2 0, 2 0, 2 0,8
0, 2 0, 2 0, 2 0, 2 0,8 4 2
1
4
0
5
4
5
1
5
0
5
0 2 1 5
2 0 4 1
1 4 0 5
5 1 5 0
4 2 4 5
4 1
2 0
4 0
5 0
0 0
0 0 0 0
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0, 2 0, 2 0, 2 0, 2 0, 2
0,8
0, 2 0, 2 0, 2
0, 2
2 0, 2 0,8
0, 2 0, 2 0, 2
4 0, 2 0, 2 0,8
0, 2 0, 2
5
0
0, 2 0, 2 0, 2 0,8
0, 2
0, 2 0, 2 0, 2 0, 2 0,8
2,16 0, 44
0, 44 0,96
B 1,56
2, 04
1, 24
1,56 2, 04 1, 24
2, 04 1,36 0,16
2, 04 2,96
1, 64 0,84
1,36
1, 64 3, 76 1, 44
0,16 0,84
1, 44 3,36
7,36077
4, 63935
1,82788
0, 627998
1,12 E 16
1
Kemudian dihitung nilai eigenvektor yang ternormalisasi diambil dari eigenvalue
dan
maka
1, 0094
0,8972
v1 1,3674
1, 7244
0, 2448
dan
0, 7758
0, 0252
v2 0, 0805
0, 6612
1, 4923
konfigurasi(5 x 2)
0, 7758
1, 0094
0,8972 0, 0252
1,3674
0, 0805
1, 7244 0, 6612
0, 2448 1, 4923
16
dij
4. Menghitung jarak eulidean antar item dari konfigurasi tersebut, dimana
jarak eulidean antara objek ke-i dan objek ke-j
dij( 5 X 5)
X
r 1
X jr
ir
i1
sebagai
X j1 X i 2 X j 2
0
2, 068024
0
2, 736201 1, 074898 3, 036777
2,39351 1,859179 1,932338 2,918101
ij
dij
5. Melakukan regresi monotik
dihasilkan sebagai berikut.
dengan
d$ij a b ij e
2 X 1 ij (2X10)T ij (10X 2)
1
2X 2
ij (2 X 10)T dij(10 X 1)
2 X 1
2 X 1
2 X 1
24,8005
66 56, 6117
0,30052
0,97068
dimana
1
2
ij (2X10)T
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,41421
3,16228
2,82843
2,82843
1,41421
3,16228
2,82843
dijT 2,06802
0,782052
2,73620
1,85918
3,03678
2,39351
2,26707
1,07490
1,00000
3,16228
2,91810
1,93234
2 X 1 dij (2 X 1)
17
6. Menghitung nilai kesesuaian antara konfigurasi yang ada dengan ukuran kemiripan yang
diharapkan menggunakan nilai STRESS. Nilai STRESS dapat dihitung menggunakan
persamaan sebagai berikut
Tabel 5. Nilai STRESS
ij
ij
1,2
2,06802
4
0,78205
2
2,73620
1
2
1,41421
4
3,16227
8
2,82842
7
2,82842
7
1,41421
4
1,3
1,4
1,5
2,3
2,4
2,5
4,5
jumlah
ratarata
R
2
ij ij
i j
d
i j
STRESS
d d
d
ij
i j
i j
ij
2,76904
2,44497
8
2,44497
8
1,07222
9
2
ij
1,64084
2,76904
2,44497
8
2,76904
21,0681
9
nd
nd
dij 2
4,27672
5
0,61160
6
7,48679
6
5,72889
1
5,13958
6
1,15540
5
3,45654
6
9,22201
5
3,73393
1
8,51531
1
49,3268
1
ij
dij
0,182486
0,084202
0,001078
0,002649
0,031653
7,12E-06
0,047672
0,071683
0,262799
0,022219
0,70645
dij ij
4,13604
9
1,10598
9
8,65262
7
6,76986
9
6,41222
9
1,52013
5
3,71835
8
9,60313
2
5,46547
8
9,22784
4
56,6117
1
ij
1,07222
9
2,26706
5
1,07489
8
1,85917
9
3,03677
7
1,93233
8
2,91810
1
21,0681
5
2,10681
5
3,16227
8
2,82842
7
3,16227
8
24,8005
4
2,48005
4
3,5
1,64084
2,39351
3,4
dij
dij
56, 6117
0,11967
49,3268
18
eulidean model
0
1,0
Arsha Shop
lestari shop
dimensi 2
0,5
Cinta Shop
Baru Shop
0,0
-0,5
-1,0
sukses shop
-1,5
-2,0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
dimensi 1
konfigurasi(5 x 2)
0, 7758
1, 0094
0,8972 0, 0252
1,3674
0, 0805
1, 7244 0, 6612
0, 2448 1, 4923
Gambar 4, dapat dikertahui bahw toko ARSHA SHOP memiliki kemiripan dengan
CINTA SHOP, karena letak paling berdekatan dan berada pada kuadran yang sama.
TOKO LESTARI SHOP memiliki kemiripan dengan TOKO BARU SHOP, karena terletak
pada kuadran yang sama. Toko SUKSES terletak jauh dari keempat toko yang lain,
karena itu toko SUKSES bisa dikatakan toko SUKSES paling berbeda dengan jika
dibandingkan dengan dua kelompok toko yang lain. Posisi toko LESTARI sama mirip
dengan toko BARU SHOP sehingga bisa diartikan kalau toko BARU SHOP adalah
pesaing yang harus dihadapi oleh toko LESTARI SHOP.Posisi toko CINTA sama mirip
dengan toko ARSHA sehingga bisa diartikan kalau toko ARSHA adalah pesaing yang
harus dihadapi oleh toko CINTA SHOP.
b. Multi Dimensi Scalling (MDS) Software
Pembahasa pada analsisi MDS ini digunakan untuk membuat map (grafik) dua
dimensi dengan langkah-langkah sebagai berikut.
1. Membuka file mds.sav
19
Pengisian :
Variables atau variabel yang akan diproses, sesuai kasus yaitu arsha Shop, Baru
shop, cinta shop, lestari shop, sukses shop.
Perhatikan : Pemasukan nama variabel HARUS URUT! Jika tidak urut yang
disebabkan karena pengurutan memperhatikan urutan abjad, maka output akan
berbeda dan SPSS akan menampilkan adanya data yang missing
3. Buka Ikon Model. Tampak di layar:
20
Pengisisan :
a. Bagian LEVEL OF MEASUREMENT. Karena data yang diisikan adalah ordinal,
maka klik pada ordinal
b. Bagian SCALLING MODEL, atau model untuk membuat peta MDS. Untuk
keseragaman, pilih Eulidean Distance dan biarkan bagian yang lain.
c. Bagian DIMENSION atau dimensi yang akan ditampakkan pada peta. Pada
umumnya sebagian besar peta MDS mempunyai dua dimensi (Sumbu X dan
Sumbu Y) tapi memang dimungkinkan lebih dari dua dimensi namun akan sulit
dan komples dalam pembahasannya.
d. Abaikan bagian lain dan tekan CONTINUE untuk kembali ke kotak dialog utama.
4. Buka Ikon Option. Tampak di layar:
Pengisisan :
a. Bagian ini menampilkan grafik apa saja ynag akan dibuat. Untuk keseragaman,
pilih hanya GROUP PLOT.
b. Abaikan bagian lain, dan tekan CONTINUE untuk kembali ke kotak dialog
utama.
21
22
S-stress
Improvement
,21430
,20341
,20166
,20136
,01089
,00175
,00030
,001000
Stress
,073
,065
RSQ
,949
,959
Matrix
2
Stress
,201
RSQ
,614
Matrix
3
Stress
,143
RSQ
,806
Matrix
4
Stress
,170
RSQ
,724
Stimulus Coordinates
Dimension
Stimulus
Number
Stimulus
Name
1
2
3
4
5
Arshasho
barushop
cinta
lestari
sukses
1,0094
-,8972
1,3674
-1,7244
,2448
,7758
-,0252
,0805
,6612
-1,4923
Abbreviated
Name
Extended
Name
Arshasho
Arshashop
23
Dimension
Stimulus
Number
Stimulus
Name
1
2
3
4
5
Arshasho
barushop
cinta
lestari
sukses
1,0094
-,8972
1,3674
-1,7244
,2448
,7758
-,0252
,0805
,6612
-1,4923
Hasil koordinat pada dimensi 1 dan dimensi 2 Stimulus koordinat adalah konfigurasi awal
untuk membuat peta kemiripan MDS.
2. Hasil STRESS dan R2
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
Matrix
1
5
Stress
,073
,065
RSQ
,949
,959
Matrix
2
Stress
,201
RSQ
,614
Matrix
3
Stress
,143,806
RSQ
Matrix
4
Stress
,170
,724
Pada Output hasil STRESS dan R2, didapatkan nilai STRESS sebsar 0,143 maka kebaikan model
dikategorikan hampir jelek dan nilai R2 sebsar 0,806
RSQ
Gambar 4, dapat dikertahui bahw toko ARSHA SHOP memiliki kemiripan dengan CINTA
SHOP, karena letak paling berdekatan dan berada pada kuadran yang sama. TOKO LESTARI
SHOP memiliki kemiripan dengan TOKO BARU SHOP, karena terletak pada kuadran yang sama.
Toko SUKSES terletak jauh dari keempat toko yang lain, karena itu toko SUKSES bisa dikatakan
toko SUKSES paling berbeda dengan jika dibandingkan dengan dua kelompok toko yang lain.
Posisi toko LESTARI sama mirip dengan toko BARU SHOP sehingga bisa diartikan kalau toko
BARU SHOP adalah pesaing yang harus dihadapi oleh toko LESTARI SHOP.Posisi toko CINTA sama
mirip dengan toko ARSHA sehingga bisa diartikan kalau toko ARSHA adalah pesaing yang harus
dihadapi oleh toko CINTA SHOP.
Perhatikan analisis dari sudut dimensi 1 (sumbu X) dan dimensi 2 (Sumbu Y) :
a. DIMENSI 1 : Dari gambar terlihat bahwa semakin ke kanan, maka angka dimensi 1 semakin
besar. Juga terlihat bahwa toko ARSHA SHOP dan CINTA SHOP berada paling dekat dengan
angka dimensi 1 yang terbesar (diujung kanan horizontal). Hal ini berarti toko CINTA SHOP
danARSHA SHOP mempunyai faktor-faktor pada dimensi 1 yang sangat membedakan
dibandingkan toko yang lainnya. Misalkan saja dimensi 1 mengandung faktor harga, layout
dan image. Maka bisa dikatakan bahwa harga, layout barang dan image toko ARSHA SHOP
dna CINTA SHOP adalah hal-hal yang paling membedakan dibandingkan faktor-faktor yang
lainnya. Sedangkan Toko LESTARI dan BARU SHOP, karena terletak paling kiri maka dibenak
responden, faktor harga, layout dna image bukan faktor yang membedakannya dengan
toko yang lain.
b. Dimensi 2 : Dari gambar terlihat bahwa semakin keatas, maka angka dimensi 2 semakin
besar. Toko ARSHA SHOP dan CINTA SHOP berada plaing dekat dengan dimensi 2 yang
terbesar (di ujung garis vertikal). Hal ini berarti toko ARSHA SHOP dan CINTA SHOP
mempunyai faktor-faktor pada dimensi 2 yang paling membedakan dibanding toko yang
lainnya. Misalkan saja dimensi 2 mengandung faktor dominan seperti ac dan lampu, maka
fasilitas ac dan lampu di toko ARSHA SHOP dan CINTA SHOP adalah faktor yang paling
membdakan dibandingkan dengan ketiga toko yang lain (mungkin ac sangat nyaman atau
lampu sangat memadai). Sedangkan toko SUKSES karena terletak paling bawah dengan
angka paling kecil, maka dibenak responden, faktor Ac dan Lampu justru bukan sesuatu
yang membuat toko SUKSES berbeda dengan keempat toko yang lain.
Analisis dimensi 1 dan dimensi 2 diatas tentu harus didukung oleh fakta bahwa dimensi 1
mengandung sekian varaibel dominan, sedangkan dimesni 2 juga mengandung variabel
dominan yang lain. Pengelompokan variabel menjadi dua faktor (dimensi) atau lebih, bisa
dilihat pada pembahasan analisis faktor.
Dengan mengetahui fakta tersebut, bisa dikembangkan beberapa alternatif strategi bagi toko
CINTA SHOP:
1. Sebaiknya tidak perlu bersaing dengan toko ARSHA SHOP, karena dimata responden,
kedua toko mempunyai banyak kemiripan. Apalgi jika kedua toko menempati lokasi yang
berjauhan , sehingga kompetisi tidak relavan lagi.
2. Dengan toko SUKSES SHOP, karena mempunyai variabel yang paling membedakan adalah
ac dan lampu maka toko CINTA SHOP dapat menambah kenyamanan dan menambah
fasilitas penerangan di toko terseut, sehingga responden mungkin setelah beberapa
saat, akan mengubah persepsinya.
25
Gambar 5.
Plot Kemiripan
Respon
Terhadap
Penilaian
Gambar
kumpulan
koordinat dari
kuisioner
kemiripan
tersebut,
diketahui
titik-titik
koordinat tidak
membentuk
kelompok
koordinat
tersendiri,
relatif
menggerombol
dan
membentuk garis lurus sehingga ini membuktikan kesamaan sikap para responden
penilaian kelima toko tersebut.
Scatter
Sikap
5, berisi
5X5
isi
dapat
bahwa
berbagai
namun
ditengah
terhadap
26