TINJAUAN PUSTAKA

1.1 Pengertian Analisis Multidimensional scalling (MDS)

Multidemensional Scalling (MDS) merupakan salah satu metode dalam analisis
multivariate, dengan menggunakan informasi berupa sekumpulan data yang dapat
direpresentasikan dalam sebuah peta. Metode ini banyak digunakan dalam riset
pemasaran untuk menunjukkan posisi relatif dari sejumlah objek (produk, merek,
perusahaan) berdasarkan preferensi atau persepsi konsumen yang ditunjukkan dalam
sebuah peta yang disebut sebagai perceptual mapping. Untuk membandingkan suatu
produk, dapat digunakan satu atau beberapa grafik MDS untuk menunjukkan apakah
produk tersebut relative sama atau berbeda dengan produk lain yang serupa, serta
atribut-atribut yang menjadi keunggulan produk tersebut menurut pandangan konsumen.
Oleh karena itu pihak manajemen dapat membandingkan posisi produknya dengan produkproduk lain yang serupa, sehingga dapat diperoleh pandangan tentang peluang pasar, serta
dapat menentukan strategi yang seharusnya dilakukan dalam bersaing dengan perusahaan
lain.
Konsep dan ruang lingkup penskalaan multidimensional (multidimensional
scaling=MDS) dalam riset pemasaran dan menguraikan berbagai aplikasinya; menguraikan
langkah-langkah yang harus dilalui di dalam penskalaan multidimensional tentang data
persepsi, meliputi perumusan masalah, mendapatkan data input, memilih prosedur MDS,
memutuskan banyaknya dimensi, memberikan interpretasi kepada konfigurasi
(configuration) dan memberikan penilaian (to asses) keandalan dan kesahihan (reability
and validity), menjelaskan penskalaan data preferensi; menjelaskan analisis
korespondensi dan kebaikan serta kelemahannya; memahami hubungan antar MDS, analisis
diskriminan, dan analisis faktor.
MDS dapat menentukan:
1. Dimensi apa yang dipergunakan oleh responden ketika mengevaluasi objek.
2. Berapa dimensi yang akan dipergunakan untuk masalah yang dihadapi (sedang diteliti).
3. Kepentingan relatif dari setiap dimensi.
4. Bagaimana objek dikaitkan atau dihubungkan secara perseptual.
MDS digunakan untuk mengetahui hubungan interdepensi atau saling ketergantungan
antar variabel atau data. Hubungan ini tidak diketahui melalui reduksi ataupun
pengelompokan variabel, melainkan dengan membandingkan variabel yang ada pada
setiap obyek yang bersangkutan dengan menggunakan perceptual map. Konsep dasar MDS
adalah pemetaan.
Analisis penskalaan multidimensional ialah suatu kelas prosedur untuk menyajikan
persepsi dan preferensi pelanggan secara spasial dengan menggunakan tayangan yang bisa
dilihat (a visual display). Persepsi atau hubungan antara stimulus secara psikologis
ditunjukkan sebagai hubungan geografis antara titik-titik di dalam suatu ruang
multidimensional. Sumbu dari peta spasial diasumsikan menunjukkan dasar psikologis
(phychological basis) atau dimensi yang mendasari (underlying dimensions) yang
dipergunakan oleh pelanggan/ responded untuk membentuk persepsi dan preferensi untuk
stimulus. Analisis penskalaan multidimensional dipergunakan didalam pemasaran untuk
mengenali (mengidentifikasi), hal-hal berikut.
1. Banyaknya dimensi dan sifat/ cirinya yang dipergunakan untuk mempersepsikan merek
yang berbeda di pasar.
2. Penempatan (positioning) merek yang diteliti dalam dimensi ini.
3. Penempatan merek ideal dari pelanggan dalam dimensi ini.
Informasi sebagai hasil analisis penskalaan multidimensional telah dipergunakan
untuk berbagai aplikasi pemasaran, antara lain sebagai berikut.
1. Ukuran citra (image measurement). Membandingkan persepsi pelanggan dan bukan
pelanggan dari perusahaan dengan persepsi perusahaan sendiri.
2. Segmentasi pasar (market segmentation).
1

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

2. Menghitung matriks A, dimana

bij aij a i. a . j a..,

3. Mencari matriks B, dimana elemen
n

ai.

aij

j 1

, a. j

aij

i 1

, a..
ij

aij

n2

4. Mencari Vektor Eigen dan Nilai Eigen(Lambda) dari matriks B

5. Mencari titik koordinat

1 v1 , 2 v2

6. Menghitung nilai Stress

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

Tabel 1 Tabel Penilaian Produk Teh

Super
Stron Dhorabisa
Sari Teh
Teh
g Teh
Teh
20.17
25.42
23.28
4.99
19.99
21.48
21.15
5.41
19.84
18.87
18.75
5.01
22.9
22.43
21.58
5.05
20.65
21.2
20.18
5.22
20.18
21.57
21.47
5.68

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

a. Perhitungan dengan Softwere

Pembahasan dengan SPSS:
Berikut akan diperlihatkan Langka-langkah pengolahan data dengan menggunakan SPSS
yang dilengkapi dengan gambar.
1. Input data seperti pada gambar berikut:

2. Klik Analyze > scale > multidimensional scaling (ALSCAL) > . seperti gambar
berikut:

3. Masukkan semua variable ke dalam kolom variable. Pilih create distances.

4. Klik model > pilih rasio > pilih Euclidean distance > continue

5. Klik Options > pilih semua di display > continue > ok

Output :

Output diatas merupakan matriks D (distance).

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%.

Gambar 1. Peta Kemiripan MDS Metric

Dari gambar diatas dapat dilihat bahwa Strong_Teh memiliki kemiripan dengan
Sari_Teh, karena letak paling berdekatan dan berada pada kuadran yang sama.
Fresso_Teh, Jepang_Teh dan Super_Teh ketiganya memiliki kemiripan karena
terletak pada kuadran yang sama, sedangkan Dhobarisa_Teh terletak jauh dari
kelima produk teh lainnya, karena itu produk Dhobarisa _Teh bisa dikatakan teh
paling berbeda jika dibandingkan dengan dua kelompok teh yang lain. Posisi
Strong_Teh sama mirip dengan Sari_Teh sehingga bisa diartikan kalau Strong_Teh
adalah pesaing yang harus dihadapi oleh produk Sari_Teh. Posisi Fresso_Teh sama
mirip dengan Jepang_Teh dan Super_Teh sehingga bisa diartikan kalau Jepang_Teh
dan Super_Teh adalah pesaing yang harus dihadapi oleh Fresso_Teh.
8

Gambar 2. Scatter Plot Kemiripan Sikap Konsumen Terhadap Penilaian

dapat diketahui bahwa titik-titik koordinat tidak membentuk
berbagai
kelompok
koordinat
tersendiri,
namun
relatif
menggerombol dan membentuk garis lurus sehingga ini
membuktikan kesamaan sikap para responden terhadap penilaian
keenam produk teh tersebut.
Gambar 2,

b. Perhitungan Secara Manual

1.

ij

Mencari jarak Euclidean/ menentukan matriks D, dimana

pada matriks D (berdasarkan tabel 1)
'
ij yi y j yi y j

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

bij aij ai . a. j a..,

3.

Mencari matriks B, dimana elemen

n

a i.
j 1

aij

, a. j

aij

i 1

, a..

aij

ij

n2

Matriks B diperoleh dari matriks A dengan menggunakan formula diatas. Berikut

matriks A dibuat dalam table.
Tabel 3. Tabel matriks A
Faktor

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

Diperoleh matriks B sebagai berikut:

b11 a11 a1. a.1 a.. 0 (131.671) (131.671) ( 206.473) 58.869

b12 a12 a1. a.2 a.. 16.59 (151.676) (131.671) (206.473) 60.285
M
M
b66 a66 a 6. a.6 a.. 0 (121.464) (121.464) ( 206.473) 36.455
56.869
60.285
B= 51.148
-198.900
1.341
29.257
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

Mencari Vektor Eigen dan Nilai Eigen(Lambda) dari matriks B

Dari matriks B diperoleh vector eigen dan nilai eigen(lambda) dengan rumus:

det (B I )=0

dan

Matriks Vektor Eigen

-0.184709 0.728153 0.473693 -0.081873
-0.279750 -0.015287 -0.650190 -0.482968
-0.222364 0.136457 -0.358333 0.678991
0.899685 0.078892 -0.113786 -0.053309
-0.051254 -0.547531 0.300093 0.353707
-0.161608 -0.380690 0.348515 -0.413594
Nilai Eigen (Lambda)
1204.52
27.33
5.58
0.80
0.59
5.

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

Mencari titik koordinat

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

Sehingga diperoleh titik koordinat sebagai berikut:

6.41055
3.806949

9.70907 0.079924

7.71742

0.713428
Z=
,

31.22468
0.412465
1.77883 2.862616

5.60881 1.990334

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

Gambar 3. Scatter Plot Secara Manual

2.2Multi Dimensi Scalling Untuk Data Non Metrik

Manajer toko Lestari Shop penjual baju ingin mengetahui bagaimana posisi toko CINTA
SHOP dibandingkan dengan para pesaingnya saat ini, yaitu toko Arsha Shop, Baru Shop,
Lestari Shop dan Sukses Shop. Untuk Itu Manajer tersebut memberikan kuisioner kepada
lima orang yang selama ini sudah sering berbelanja di kelima toko yang akan
13

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

jarak atau ketidakmiripan

, dengan urutan sebagai

r1s1 r 2 s2 ... rm sm

berikut

ij (n Xn ) 2 A

0
2

ij (5 X 5) 1, 414214 2,828427 0

3,162278 1, 414214 3,162278 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

dalam ruang berdimensi k yaitu koordinat

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

Kemudian dihitung nilai eigenvalue

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

Sehingga nilai konfigurasi awalnya adalah

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

dij( 5 X 5 ) 0, 782052 2, 267065

0

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

menggunakan OLS. Model regresi yang

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

10 24,8005 21, 0681

24,8005
66 56, 6117

1, 46885 0,55194 21, 0681

0,55194 0, 222553 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

sehingga persamaannya adalah

2 X 1 dij (2 X 1)

dij (2 X 1) 0, 30052 0,97068 ij

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

(56, 6117 10(2,10681 X 2, 48005))

0,88
49,3268 10(2,106812 )

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

(kesesuain model hampir jelek)

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

2. Menu Analyze _Scale_Multidimension Scalling (Tampak) :

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

Output MDS Non Metrik

Iteration history for the 2 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration
1
2
3
4

S-stress

Improvement

,21430
,20341
,20166
,20136

,01089
,00175
,00030

Iterations stopped because

S-stress improvement is less than

,001000

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

RSQ
,806

Matrix
4

Stress
,170

RSQ
,724

Averaged (rms) over matrices

Stress =
,14094
RSQ = ,81055
Configuration derived in 2 dimensions

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

Interpretasi MDS Non Metrik

1. Hasil Konfigurasi Awal
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

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

Averaged (rms) over matrices

Stress =
,14094
RSQ = ,81055

Gambar 4. Peta Kemiripan MDS

24

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