ARIADY ZULKARNAIN
NIM H1091141021
Mulai
Hitung disparities D yang merupakan
jarak Euclidean dari koordinat terbentuk
Dalam menyampaikan suatu data atau informasi, seringkali akan lebih mudah
dan menarik untuk menampilkannya dalam bentuk gambar. Termasuk dalam
menampilkan data-data (atribut) suatu objek. Posisi relatif objek-objek berdasarkan
data-data yang dimilikinya, dapat ditampilkan dalam sebuah grafik sehingga lebih
mudah dibaca oleh pengguna informasi tersebut. Multidimensional Scalling adalah
salah satu tehnik statistika yang dapat diterapkan dalam masalah ini.
Multidimensional Scaling (MDS) merupakan suatu tehnik eksplorasi yang
digunakan untuk memvisualisasikan proximities (kemiripan/ketakmiripan) dalam
ruang dimensi yang rendah. Dari sudut pandang nonteknis, tujuan MDS adalah untuk
menyajikan secara visual hubungan beberapa objek dalam sebuah grafik. Interpretasi
dari keluaran (output) yang dihasilkan MDS dapat mengarah pada pemahaman yang
mendasari kedekatan antar objek (entitas). Lebih jauh lagi, dapat dimungkinkan untuk
menggabungkan objek-objek yang mirip ke dalam satu kelompok yang sama. MDS
merupakan bagian dari analisis multivariat, karena suatu objek seringkali melibatkan
banyak variabel atau peubah yang menjadi atribut-atribut objek tersebut.
2.1 Multidimensional Scaling (MDS)
Definisi sederhana dari multidimensional scaling adalah pencarian ruang
dimensi yang kecil (pada umumnya menggunakan euklid) yang dapat menyajikan
objek-objek sedemikan sehingga jarak antar objek pada ruang dimensi tersebut sesuai
dengan jarak asli antar objek yang diamati. Jarak antar objek bukan hanya berarti
jarak secara harfiah tetapi dapat pula berarti kemiripan atau ketakmiripan antar objek.
Dari definisi tersebut, kegunaan multidimensional scaling adalah untuk menyajikan
objek-objek secara visual berdasarkan kemiripan yang dimiliki. Selain itu kegunaan
lain dari teknik ini adalah mengelompokkan objek-objek yang memiliki kemiripan
dilihat dari beberapa peubah yang dianggap mampu menggelompokkan objek-objek
tersebut.
Ukuran yang digunakan untuk mengukur hubungan antar objek adalah
proximity yang berarti kedekatan objek yang satu dengan objek lainnya. Proximity
dapat berupa kemiripan {Srt } ataupun ketakmiripan { rt } antar objek, dengan
Indeks r dan t melambangkan objek ke r dan objek ke t yang dibandingkan. Misalkan
suatu himpunan n objek yang memiliki ketakmiripan { rt } dengan r,t = 1, 2, , n.
Suatu konfigurasi dari n titik dalam ruang dimensi p mewakili objek-objek yang
diamati, denga jarak antar titik dilambangkan dengan {drt } . Masing-masing titik
mewakili satu objek dengan titik ke r mewakili objek ke r. Tujuan dari
multidimensional scaling adalah menemukan suatu konfigurasi sedemikian sehingga
jarak antar titik sesuai dengan ketakmiripan antar objek.
2.2 Jenis-jenis Penskalaan Berdimensi Ganda
Tipe data berdasarkan skala pengukuran dibagi menjadi 4 (empat) tipe, yaitu
skala nominal, ordinal, interval dan rasio. Berdasarkan tipe data tersebut, Penskalaan
Berdimensi Ganda dibagi menjadi 2 (dua) jenis, yaitu Penskalaan Berdimensi Ganda
metrik dan Penskalaan Berdimensi Ganda non-metrik
a. Penskalaan Berdimensi Ganda Metrik
Data jarak yang digunakan dalam Penskalaan Berdimensi Ganda metrik
adalah data rasio. Penskalaan Berdimensi Ganda metrik digunakan untuk menemukan
himpunan titik dalam ruang dimensi n dimana masing-masing titik mewakili satu
objek sehingga jarak antar titik adalah d rt f ( rt ) , dimana f adalah fungsi monotonic
parametric kontinu. Fungsi ini dapat berupa fungsi identitas maupun fungsi
transformasi ketakmiripan menjadi bentuk jarak.
Jenis Penskalaan Berdimensi Ganda metrik yang sering digunakan adalah
yang diperkenalkan oleh Young dan Householder pada Tahun 1938. Dalam
penskalaan klasik ketakmiripan { rt } diperlakukan sebagai jarak euklid. Misalkan
koordinat n titik dalam ruang euklid dimensi p adalah xr (r 1,..., n) , dimana
d rt2 ( xr xt )T ( xr xt ) .. (1)
[ B ] rt brt xrT xt
Dengan
x r 1
ri 0 (i 1,..., p )
1 n 2 1 n T
n r 1
d rt xr xr xtT xt ,
n r 1
1 n 2 1 n T
rt r r n
n t 1
d x T
x
t 1
xt xt ,
n n
1 2 n T
n2
drt2
r 1 t 1
xr xr .. (3)
n r 1
d rt2 xrT xr
1 1 n 1 n 1 n n
(d rt2 d rt2 d rt2 2 d 2
rt
2 n r 1 n s 1 n r 1 t 1
art ar ' a't a'' (4)
1
Dimana art d rt2 , dan
2
Matriks A didefinisikan sebagai [ A]rt art , dank arena hasil kali dalam matriks B
adalah
B HAH .. (5)
r(B) adalah
r ( B) r ( XX T ) r ( X ) p
Sekarang B adalah matriks yang simetrik, semi definit positif dan berpangkat p,
sehingga memiliki p akar ciri nonnegative dan n-p akar ciri 0.
Matriks B kemudian ditulis dalam bentuk dekomposisi spectral, B V V T , dimana
diag (1 , 2 ,..., n ) , yaitu matriks diagonal dari akar ciri {i } matriks B, dan
V [v1 , v2 ,..., vn ] , yaitu matriks vektor akar ciri yang dinormalkan menjadi viT vi 1.
memiliki n p akar ciri 0, maka matriks B dapat ditulis kembali sebagai B V11V1T
Dengan rt2 sama dengan jarak antara titik r ke t dalam ruang euklid.
Jika koefisien ketakmiripan menyebabkan matriks B tidak semi definit positif, suatu
konstanta dapat ditambahkan pada semua koefisien ketakmiripan (kecuali { rr } )
sehingga matriks B menjadi matriks semi definit positif. Bentuk koefisien
ketakmiripan yang baru menjadi rt rt c(1 rt ) , dimana c adalah suatu konstanta
dan rt adalah kronecker delta ( rt 1 jika r 1 dan 0 untuk lainnya, tidak ada
hubungan dengan rt ).
Permasalahan berikutnya adalah menentukan jumlah dimensi yang diperlukan untuk
menampilkan koefisien ketakmiripan { rt } . Jika B adalah matriks semi definit positif
maka jumlah akar ciri yang tak nol menujukkan jumlah dimensi yang diperlukan. Jika
B bukan matriks semi definit positif maka jumlah akar cirri yang positif menunjukkan
jumlah dimensi yang tepat. Jumlah dimensi tersebut merupakan jumlah dimensi
maksimal yang diperlukan, sedangkan untuk lebih praktisnya lebih baik memilih
dimensi yang lebih kecil.
Dari persamaan (3), jumlah kuadrat jarak antar titik dalam ruang adalah
n 1
1 n n 2 n
rt
2 r 1 s 1
d n
r 1
x T
r rx ntrB n
r 1
i
Suatu ukuran proporsi variasi yang dijelaskan dengan menggunakan hanya dimensi p
adalah
i 1
i
n 1
i 1
i
Jika B bukan matriks semi definit positif, ukuran tersebut dimodifikasi menjadi
i 1
i
Ukuran tersebut dapat digunakan untuk memilih jumlah dimensi (p) yang digunakan.
1
2. Mencari matriks A [ rt2 ]
2
3. Mencari matriks B [art ar ' a' s a'' ]
4. Mencari akar ciri 1 ,..., n 1 dan vektor ciri v1 ,..., vn 1 yang kemudian
/ (akar
i
i ciri positif ) .
6. Menentukan koordinat n titik pada ruang euklid dimensi p dengan xri vir
(r 1,..., n; i 1,..., p) .
(d drt rt )2
Stress r ,t
d r ,t
2
rt
dari x yang diminimumkan dengan cara iteratif. Metode penurunan tajam digunakan,
sehingga jika xm adalah vector koordinat setelah iterasi ke m
s
xsl
xm1 xm x
s
x
1
S d d d x x
S ( ru tu )[ rt * rt rt* ]x ri ti1
xui r ,t S T d rt
membagi rt menjadi blok-blok dimana drt konstan, dan sama dengan nilai
tengah dari d rt . Untuk menemukan partisi rt yang tepat, partisi terbaik
digunakan adalah yang memiliki N blok dengan masing-masing berisi suatu
i menggunakan notasi alternatif. Jika partisi ini memiliki d1 d2 ... d N ,
dan di di maka partisi ini merupakan partisi yang tepat. Jika tidak demikian
Tabel 3.1 Data Sarana Infrastruktur Setiap Kecamatan di Kabupaten Sanggau Tahun
2016
1 Toba 27 12 0 173
2 Meliau 69 36 114473 354
3 Kapuas 111 38 1272159 987
4 Mukok 29 14 74089 285
5 Jangkang 49 19 15044 235
6 Bonti 33 14 36235 230
7 Parindu 47 23 75685 613
8 Tayan Hilir 58 19 74271 344
9 Balai 39 16 59895 303
10 Tayan Hulu 43 19 85679 511
11 Kembayan 43 17 84624 513
12 Beduwai 19 9 24904 118
13 Noyan 23 10 0 192
14 Sekayam 46 16 141059 346
15 Entikong 25 7 84364 351
Sumber : Badan Pusat Statistik Kabupaten Sanggau
Data di atas merupakan banyaknya sarana beberapa infrastruktur setiap
kecamatan di Kabupaten Sanggau. Pada data jumlah sekolah, data tersebut
merupakan penjumlahan dari berbagai tingkat pendidikan seperti Sekolah Dasar
(SD/MI), Sekolah Menengah Pertama (SMP/MTs), Sekolah Menengah Atas
(SMA/MA) yang berada di bawah Kemendikbud maupun Kementrian Agama yang
terdapat di Kabupaten Sanggau. Sedangkan data jumlah sarana kesehatan di ambil
dari penjumlahan beberapa sarana kesehatan seperti Rumah Sakit (RS), Puskesmas,
Pustu, dan Polindes yang terdapat di Kabupaten Sanggau.
Pada data air bersih yang di salurkan meupakan data banyaknya kapasitas air
yang telah di salurkan PDAM di berbagai kecamatan di Kabupaten Sanggau, tetapi
tidak semua kecamatan tersalur air PDAM. Ada dua kecamatan yang tidak
menggunakan sumber air dari PDAM yaitu Kecamatan Toba dan Kecamatan Noyan.
Dan data banyaknya badan usaha di ambil dari penjumlahan usaha industri dan
perdagangan yang terdapat di Kabupaten Sanggau.
Dari hasil deskriptif di atas, kita dapat mengetahui bahwa jumlah seluruh
sekolah yang terdapat di Kabupaten Sanggau yaitu 661 sekolah dan rata-rata setiap
kecamatan memiliki 44 sekolah. Dengan jumlah sekolah terbanyak yaitu 111, dan
yang paling sedikit 19 sekolah. Sedangkan untuk sarana kesehatan, jumlah seluruh
sarana kesehatan yang terdapat di Kabupaten Sanggau yaitu 269 dengan rata-rata tiap
kecamatan memiliki 17,9 sarana kesehatan. Kecamatan yang memiliki sarana
kesehatan terbanyak yaitu sebesar 38 sarana kesehatan, sedangkan yang paling sedikit
sebesar tujuh. Untuk air bersih, jumlah kapasitas yang di alirkan PDAM yaitu sebesar
2.142.481 m3 dengan rata-rata sebesar 142.832 m3. Dimana pengaliran air bersih
terbesar yaitu ssbesar 1.272.159 m3, dan yang terkecil sebesar nol karena masih ada
kecamatan yang tidak di aliri air bersih oleh PDAM. Dan untuk badan usaha, jmlah
seluruh badan usaha yang terdapat di Kabupaten Sanggau yaitu sebanyak 5.555 badan
usaha dengan rata-rata tiap kecamatannya memiliki 370 badan usaha. Jumlah badan
usaha terbanyak di satu kecamatan yaitu sebanyak 987 badan usaha, dan yang terkecil
yaitu sebanyak 118 badan usaha.
4.3 Analisis Multidimensional Scaling (MDS)
Untuk menganalisis data digunakan software SPSS sehinggal di dapat beberapa
output yaitu:
1. Nilai Stress
Nilai stress digunakan guna melihat apakah data yang dimiliki sesuai
dan baik sehingga analisis dapat dilanjutkan. Berikut merupakan hasil dari
pengecekan nilai stress pada data.
Tabel 3.3 Nilai Stress Yang Diperoleh
For matrix
Stress = .00000 RSQ = 1.00000
Dari hasil yang telah diperoleh, kita mengetahui bahwa nilai stress
yang diproleh sebesar 0,00000 atau 0%. Sehingga dapat disimpulkan bahwa
data yang dimiliki memenuhi kriteria berdasarkan batas ketentuan nilai stress
yang telah dibahas dalam bab dua dan dapat dilanjutkan untuk analisis yang
lebih lanjut.
2. Perceptual Map
Berikut merupakan gambaran jarak yang diperoleh dari analisis
Multidimensional Scaling menggunakan SPSS:
Tabel 3.3 Koordinat Tiap Variabel
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
4.1 Kesimpulan
Adapun kesimpulan dari analisis yang telah dilakukan yaitu terlihatnya
ketidakmerataan infrastruktur antar kecamatan di Kabupaten Sanggau karena terlihat
terbentuknya kelompok-kelompok yang mengidentifikasikan ketidakmerataan
tersebut.
4.2 Saran
Mattjik, A.A., 2011, Sidik Peubah Ganda Dengan Menggunakan SAS, Ed ke-1, IPB
PRESS, Bogor.