MULTIDIMENSIONAL

SCALING

Anggota Kelompok:

Valian Mahdi Syhabi Nur Hasyim 041624153015

Sudrajat Dharmawansyah 041624153011

Kudang Boro Suminar 041624153024

FAKULTAS EKONOMI DAN BISNIS

PROGRAM STUDI MAGISTER SAINS MANAJEMEN
UNIVERSITAS AIRLANGGA SURABAYA
Multidimensional Scaling
A. Perkenalan Multidimensional Scaling (MDS)

Multidimensional Scaling (MDS) atau yang disebut juga sebagai pemetaan persepsi, yaitu
metode yang menggambarkan atau memetakan kesan relatif yang dirasakan terhadap
sejumlah objek. Tujuan dari MDS adalah untuk mentransformasikan persamaan atau pilihan
penilaian yang dilakukan oleh konsumen kedalam jarak yang diwakili dalam ruang
mulidimensional.

1. Membedakan Objek
MDS berbeda dengan metode multivariat lainnya yang menggunakan hanya satu, pengukuran
secara keseluruhan atas kesamaan atau perbedaan. Untuk menunjukkan analisis MDS,
peneliti menerangkan 3 langkah dasar:
 Megumpulkan ukuran atas kesamaan atau perbedaan pada seluruh set objek yang akan
dianalisis
 Menggunakan teknik MDS untuk mengestimasi posisi relatif dalam masing-masing
objek dalam ruang multidimensional.
 Mengidentifikasi dan menginterpretasi sumbu ruang dimensional dalam hal persepsi
atau tujuan atribut.
Asumsikan bahwa Objek A dan B diduga oleh responden menjadi yang paling mirip
dibandingkan dengan semua kemungkinan pasangan objek (AC, BC, dan AD). Teknik MDS
akan memposisikan objek A dan B maka jarak antara A dan B dalam ruang multidimensional
lebih kecil dari jarak antara dua pasang objek yang lainnya. Hasil dari perceptual map juga
disebut sebagai spatial map, menunjukkan posisi relatif seluruh objek yang apat dilihat pada
Figur 1.
a. Dimensi : Dasar Perbandingan
Objek apapun dapat dianggap memiliki dimensi yang merepresentasikan persepsi individu
atas atribut atau kombinasi atribut. Dimensi – dimensi ini akan merepresentasikan atribut
/persepsi/ide tunggal atau dimensi tersebut menjadi komposit pada sejumlah atribut.
b. Dimensi Objektif vs Subjektif
Dalam mengkarakterisasi sebuah objek, hal penting untuk diingat bahwa individu mungkin
menggunakan tipe berbeda atas pengukuran dalam membuat dugaan – dugaan. Dalam kasus
ini, dimensi subjektif adalah sebuah interpretasi oleh individu yang mungkin atau tidak
berdasarkan atas dimensi objek.
Dua objek mungkin memiliki karakteristik fisik yang sama (dimensi objektif) namun
jika dilihat hal itu berbeda karena objek dianggap berbeda dalam hal kualitas (dimensi
subjektif) oleh beberapa konsumen. Dengan demikian, terdapat 2 perbedaaan penting antara
dimensi objektif dan dimensi persepsi:
1) Perbedaan Indvidu. Dimensi dianggap oleh konsumen mungkin tidak secara tepat dengan
dimensi objektif yang diasumsi oleh peneliti. Kami mengecualikan masing-masing
individu mungkin memiliki dimensi subjektif yang berbeda, namun peneliti harus juga
menerima bahwa dimensi objektif juga bervariasi secara substansi.
2) Interdependensi. Evaluasi atas dimensi mungkin tidak menjadi independen atau mungkin
tidak disetujui. Kedua dimensi mungkin berinteraksi antara satu dengan yang lainnya
untuk menciptakan evaluasi yang tidak diperkirakan.

2. Menghubungkan Dimensi Objektif dan Dimensi Subjektif

Dengan menggunakan ukuran keseluruhan (kesamaan atau preferensi) mensyaratkan peneliti
yang pertama memahami koresponden antara dimensi subjektif atau dimensi objektif dengan
sumbu perceptual map. Kemudian, analisis tambahan dapat mengidentifikasi atribut yang
memprediksi posisi masing-masing objek dalam ruang persepsi atau ruang objektif.
Sebuah catatan yang menjadi perhatian harus ditingkatkan yaitu mengenai interpretasi
dimensi. Karena proses ini seperti banyak seni sebagai sebuah ilmu, peneliti harus menahan
godaan untuk mengizinkan persepsi personal mempengaruhi dimensi kualitatif dalam
dimensi subjektif.

B. Cara MDS Bekerja

Untuk mempermudah pemahaman makan akan diberikan ilustrasi dengan 3 langkah :
1. Mengumpulkan Dugaan yang Memiliki Kesamaan
Para peneliti pasar tertarik dalam pemahaman persepsi konsumen tentang 6 bar permen yang
sekarang ini terdapat di pasaran. Peneliti mencoba untuk mengumpulkan informasi mengenai
persepsi secara keseluruhan atas kesamaan atau ketidaksamaan permen terlebih dahulu. Data
yang dikumpulkan atas responden memberikan respon umum yang sederhana seperti:
a. Rata rata kesamaan produk A dan B atas 10 poin skala
b. Produk A lebih memiliki kesamaan dengan B daripada dengan C
c. Saya suka produk A lebih baik dari produk B
2. Menciptakan Peta Persepsi (Perceptual Map)
Perceptual map digambarkan mengenai gambaran terbaik pola keseluruhan atas kesamaan
diantara 6 bar permen. Ilustrasikan proses penciptaan perceptual map dengan data dari
responden tunggal, meskipun proses ini juga dapat diaplikasikan untuk banyak responden
atau respon agregat atas kelompok konsumen.
Data dikumpulkan dengan yang pertama, membentuk sekumpulan atas 15 pasang
yang unik dari 6 bar permen (6x5:2 = 15 pasang). Setelah mencoba permen tersebut,
responden akan ditanyai urutan ranking 15 bar pasangan permen dimana urutan 1 dinilai
untuk pasangan yang memiliki paling banyak kesamaan sedangkan urutan 15 sebagai
pasangan yang paling sedikit memiliki kesamaan. Hasil akan ditampilkan pada Table 1.
Responden berpikir bahwa permen D dan E memiliki paling banyak kesamaan, selanjutnya
diikuti permen A dan B, dan terakhir permen E an F yang memiliki paling sedikit kesamaan.

Pertama, mencoba untuk menarik satu skala kesamaan dan kecocokan semua bar permen
tersebut. Didalam satu gambaran dimensional atas kesamaan, jarak mewakili kesamaan. Oleh
karena itu, objek yang lebih dekat bersama-sama dengan skala lebih memiliki kesamaan dari
pada objek dengan jarak paling jauh berarti memiliki paling sedikit kesamaan. Tujuan hal ini
adalah untuk memposisikan permen atas skala maka urutan peringkat merupakan representasi
terbaik.
Penempatan dua atau tiga bar permen merupakan hal yang cukup mudah. Test
pertama yang sesungguhnyaberasal dari 4 objek. Kita pilih bar permen A, B, C, dan D.
Tabbel 1 menunjukkan urutan peringkat AB<AD<BD<CD<BC<AC (masing-masing
pasangan dari huruf tersebut nerujuk pada jaak kesamaan diantara pasangan). Dari nilai
tersebut, kita harus menempatkan 4 bar permen atas skala tunggal maka kesamaan terbesar
AB adalah bagian terdekat dan kesamaan terkecil AC aalah bagian terjauh. Figure 2a yang
terdiri dari sau dimensi perceptual map yang sesuai dengan urutan peringkat pasangan.
Peneliti didorong untuk mencoba tugas ini dengan 6 objek. Ketika dimensi tunggal
digunakan untuk 6 objek, urutan yang sebenarnya bervariasi secara substansial dari urutan
peringkat yang asli para responden. Karena 1 skala dimensi tidak sesuai dengan data, maka
solusi dua dimensi akan digunakan dalam percobaan. Hal ini memperbolehkan skala lainnya
untuk digunakan dalam konfigurasi 6 bar permen.
Solusi dua dimensi dijalankan dengan program MDS yang ditunjukkan pada Figure 2.
Konfigurasi ini mencocokkan urutan peringkat pada table 1, mendukung gagasan bahwa
responden banyak kemungkinan menggunakan dua dimensi dalam mengevaluasi bar permen.
Dugaan bahwa setidaknya terdapat 2 atribut yang dipertimbangkan berdasarkan
ketidakmampuan untuk merepresentasikan persepsi responden dalam satu dimensi. Namun,
kita masih tidak menyadari atribut apa yang responden gunakan dalam evaluasi ini.

3. Menafsirkan Sumbu
Ketika kita melihat posisi bar permen dalam dimensi vertical, atribut lainnya mungkin
berkembang sebagai deskripsi dari dimensi dengan baik. Sebagai contoh, misalkan bar
permen A, B dan F merupakan bentuk kombinasi bar (cokelat dan lacing, cokelat dan selai
kacang) dan C, D, dan E adalah bar cokelat. Kemudian kita dapat mengambil kesimpulan
bahwa dmensi horizontal merepresentasikan tipe atas bar permen (cokelat vs kombinasi).
MDS memungkinkan peneliti untuk memahami kesamaan anatara objek dengan menanyai
hanya pada persepsi kesamaan secara keseluruhan. Prosedurnya mungkin juga akan
membantu dalam menentukan atribut mana yang secara aktual masuk dalam kesamaan
persepsi. Meskipun secara tidak langsung menggabungkan evaluasi atribut kedalam MDS
prosedur, kita dapat menggunakan mereka untuk analisis selanjutnya membatu dalam
menafsirkan dimensi dan dampak dari masinh-masing atribut yang memiliki posisi relatif
pada bar permen.
C. Membandingkan MDS dengan Teknik Interdependensi lainnya
Skala multidimensional dapat dibandingkan dengan teknik interdependensi lainnya seperti
untuk mendefinisikan struktur analisis faktor dan analisis cluster berdasarkan pendekatan
sebagai berikut:
 Factor Analysis: mendefinisikan struktur dengan kelompok variabel kedalam variat
yang mewakili hal yang yang mendasari set asli dari variabel. Variabel – variabel
berkorelasi tinggi dikelompokkan bersama-sama.
 Cluster Analysis: Mendefinisikan struktur oleh kelompok objek meurut profil mereka
dalam satu set variabel dimana objek objek tersebut yang dekat satu sama lain
dikelompokkan secara bersama-sama.
MDS berbeda antara FA dan CA dalam 2 aspek yaitu: (1) solusi dapat diperoleh untuk
masing-masing individu (2) tidak menggunakan variat.

1. Individu sebagai Unit Analisis

Struktur didefinisikan sebagai dimensi persepsi atas perbandingan untuk individu. Jika
dimensi persepsi didefinisikan, perbandingan relatif antara objek dapat dibuat. Responden
menyediakan evaluasi semua objek yang dipertimbangkan, maka solusi dapat diperoleh dari
masing-masing individu yang mungkin tidak ada dalam FA atau CA.

2. Kekurangan Variat
MDS memiliki keuntungan mengurangi dampak ats peneliti oleh sebab tidak mensyaratkan
spesifikasi variabel untuk digunakan dalam perbandingan objek, yang mana hal ini
disyaratkan pada CA. Kekurangan MDS yaitu peneliti tidak yakin dengan variabel apa yang
responden gunakan untuk melakukan perbandingan.

D. Keputusan Kerangka Kerja untuk Peta Persepsi

Perceptual maping meliputi cakupan luas atas metode, termasuk MDS, dan semua teknik
dapat dilihat pada 6 tahap proses bangunan model. Tahap-tahap ini mewakili keputusan
kerangka kerja, yang digambarkan pada Figure 3 (STAGE 1-3) dan Figure 5 (STAGE 4-6)
didalamnya terdapat teknik pemetaan persepsi yang dapat diaplikasikan dan dievaluasi
hasilnya.
Stage 1: Tujuan MDS

Pemetaan persepsi adalah cara paling sesuai dalam mencapai 2 tujuan:

 Teknik ekploratori untuk mengidentifikasi dimensi yang belum diakui yang

mempengaruhi perilaku.
 Pengertian atas evaluasi komparasi perolehan atas objek ketika dasar-dasar spesifik atas
perbandingan tidak diketahui atau tidak terdefinisi.
Fleksibilitas membuat MDS secara khusus sesuai pada gambar dan posisi studi dimana
dimensi atas evaluasi mungkin terlalu global atau terlalu emosional dan afektif untuk diukur
oleh skala konvensional. Metode MDS mengkombinasikan posisi objek dan subjek dalam
peta keseluruhan tunggal, menghasilkan posisi relative atas objek dan konsumen untuk
analisis segmentasi secara langsung.
a. Keputusan Kunci dalam Tujuan Pengaturan
Kekuatan pemetaan persepsi adalah sebagai kemampuan untuk menarik kesimpulan dimensi
tanpa butuh mendefinisikan atribut. Fleksibilitas dan alam inferensial atas penempatan MDS
lebih bertanggungjawab atas peneliti untuk mendefinisikan analisis secara tepat. Konseptual
sebaik praktik dalam pertimbangan penting untuk MDS untuk mencapai hasil terbaik yang
ditujukan dalam 3 kunci keputusan :
1) Menseleksi objek-objek yang akan dievaluasi
2) Menentukan kesamaan atau preferensi apa yang akan dianalisis
3) Memilih analisis apa yng akan ditampilkan pada level kelompok atau level individu
b. Mengidentifikasi Objek Relevan untuk Dievaluasi
Hal dasar yang perlu diketahui adalah pemetaan persepsi adalah definisi objek yang akan
dievaluasi. Peneliti harus yakin bahwa perusahaan, produk, layanan, atau objek lainnya yang
termasuk kedalamnya adalah relevan karena pemetaan persepsi merupakan teknik posisi
relatif.
Hasil perceptual maps dari beberapa metode dapat secara baik dipengaruhi oleh
kelalaian objek atau adanya orang-orang yang tidak pantas. Jika tidak relevan atau tidak
sebanding pada objeknya, peneliti memaksa teknik tidak hanya untuk menyimpulkan
dimensi-dimensi yang membedakan antara objek-objek tidak sebanding.
c. Data Kesaman VS Data Preferensi
Penilaian “good-bad” telah dilakukan namun dalam data preferensi yang mengasumsikan
perbedaan kombinasi atas atribut yang dirasakan lebih bernilai tinggi daripada kombinasi
lainnya. Kedua dasar dalam perbandingan dapat dilakukan untuk mengembangkan pemetaan
persepsi, tetapi dengan perbedaan interpretasi:
1) Kesamaan- berdasarkan pemetaan persepsi yang mewakili kesamaan atribut dan
dimensi persepsi atas perbandingan tetapi tidak merefleksikan pengertian langsung yang
dalam kedalam penentu pilihan.
2) Preferensi- berdasarkan pemetaan persepsi yang melakukan refleksi pada pilihan yang
lebih disukai tetapi mungkin tidak sesuai dengan cara posisi berdasarkan kesamaan
karena responden mendasari pilihan mereka pada dimensi yang sama sekali berbeda
atau kriteria dari orang-orang yang mendasarkan pada perbandingan.
d. Analisis Aggregate vs Disaggregate
Dalam mempertimbangkan data atas kesamaan atau preferensi berarti kita berbicara masalah
persepsi responden atas stimuli dan pemetaan persepsi pada stimulus kedekatan dalam ruang
t-dimensi (di mana jumlah dimensi t kurang dari jumlah stimuli). Masing-masing pendekatan
memiliki dan kelebihan dan kelemahan.
e. Analisis Disagregat
Analisis disagregat merupakan salah satu ciri khas teknik MDS adalah mengestimasi solusi
untuk setiap responden, disebut sebagai metode. Keuntungannya adalah representasi atas
elemen-elemen yang unik pada masing-masing responden. Kelemahan utama adalah bahwa
peneliti harus mengidentifikasi dimensi umum dari pemetaan persepsi di beberapa responden.
f. Analisis Agregat
Teknik MDS juga dapat mengkombinasikan para responden dan menciptakan sebuah
pemetaan persepsi (perceptual maps) tunggal atau disebut analisis agregat. Terdapat 3 dasar
pendekatan yaitu:
 1) Aggregating before The MDS Analysis. Pendekatan paling sederhana bagi peneliti
untuk menemukan evaluasi rata-rata untuk semua responden dan kemudian memperoleh
sebuah solusi tunggal untuk kelompok responden secara keseluruhan. Untuk
mengidentifikasi sub kelompok atas kesamaan responden dan keunikan pemetaan
persepsi, peneliti mungkin menganalisis cluster respon subjek untuk menemukan
beberapa rata-rata atau perwakilan subjek dan kemudian mengembangkan pemetaan
persepsi untuk cluster responden rata-rata.
2) Aggregate Individual Results. Peneliti apat mengembangkan pemetaan dari masing-
masing individu dan cluster pemetaan menurut koordinat stimuli pada peta. Pendekatan
sebelumnya menemukan evaluasi rata-rata daripada menemukan cluster pemetaan
persepsi individu karena rotasi minor pada dasarnya peta yang sama dapat
menyebabkan masalah dalam menghasilkan cluster yang wajar oleh pendekatan kedua.
3) INDSCAL : A Combination Approach. Bentuk khusus dalam agregat adalah adanya
INDSCAL dan variannya yang memiliki karakteristik kedua pendekatan sebelumnya
yaitu analisis agregat dan analisis disagregat. Analisis ini mengasumsikan bahwa
seluruh individu berbagi secara biasa atau ruang kelompok namun reponden mengukur
berat dimensi secara individu, termasuk pengukuran nol ketika secara keseluruhan
menolak sebuah dimensi.
g. Memilih Analisis Agregat vs Analisis Disagregat
Pilihan atas analisis agregat dan disagregat tergantung pada tujuan studi. Jika fokus terhadap
pemahaman evaluasi objek secara keseluruhan dan dimensi diikutkan dalam evaluasi maka
analisis agregat yang sesuai. Namun jika, tujuannya adalah pemahaman variasi antar
individu-individu, terutama sebagai awal untuk analisis segmentasi maka pendekatan
disagregat lebih membantu.

Stage 2 : Design Penelitian MDS

Meskipun MDS terlihat memiliki komputasi yang sederhana, hasilnya, seperti teknik
multivariate lainnya, sangat dipengaruhi oleh sejumlah isu kunci yang harus diselesaikan
sebelum penelitian dapat dilanjutkan. Pada langkah ini mencakup 4 isu utama, dimulai dari
diskusi design penelitian (memilih pendekatan dan objek atau stimuli untuk studi) untuk
menspesifikkan fokus metodelogi (metode metric vs non metric) dan metode pengumpulan
data.

1) Pemilihan Pendekatan Decompotional atau Pendekatan Compotional

Teknik pemetaan persepsi dapat diklasifikasikan kedalam satu atau dua tipe berdasarkan atas
dasar respon yang diperoleh dari individu memfokuskan pada objek:
a. The decompotional Method mengukur kesan atau evaluasi secara keseluruhan atas
sebuah objek dan kemudian dilakukan percobaan untuk memperoleh posisi spasial
dalam ruang multidimensi yang mencerminkan persepsi tersebut. Teknik ini tekait
dengan MDS.
b. The Compotional Method mengukur pendekatan alternative yang menggunakan
beberapa teknik multivariate dimana telah dijelaskan sebelumnya yang digunakan
dalam membentuk kesan dan evaluasi berdasarkan pada kombinasi atas atribut
spesifik.
2) Pendekatan Decompotional atau Atribut- Bebas
Pada dasarnya terkait dengan teknik MDS, Metode decompotional mengandalkan
pengukuran secara keseluruhan atas kesamaan dari pemetaan persepsi dan posisi relatif objek
yang dibentuk. Dikarenakan tugas sederhana yang relatif ditunjukkan pada responden,
metode decompotional memiliki 2 keuntungan:
a. Metode ini mensyaratkan responden memberikan persepsi keseluruhan terhadap
objek. Responden tidak harus merincikan atribut atau kepentingan masing-masing
atribut yang digunakan dalam evaluasi.
b. Karena masing-masing responden memberikan penilaian penuh atas kesamaan semua
objek, peta persepsi dapat dikembangkan untuk responden individu atau agregat untuk
membentuk peta komposit.
Kekurangan metode decompotional:
a. Peneliti tidak memiliki dasar tujuan yang disediakan oleh responden yang
mengidentifikasi penggunaan dimensi dasar untuk mengevaluasi objek. Dalam
banyak kasus, sangat berguna bagi manajer atas atribut-bebas mempelajari
ketidakmampuan untuk mengembangkan hubungan langsung antara tindakan oleh
perusahaan dan posisi pasar dari produk mereka.
b. Panduan sedikit, selain daripada generalisasi panduan atau keyakinan priori maka
tersedia untuk menentukan kedua dimensional atas pemetaan persepsidan
representatif solusi. Meskipun pengukuran kelayakan secara keseluruhan tersedia, hal
itu tidak statistical,dengan demikian keputusan solusi akhir melibatkan dugaan
peneliti secara substansial.
Karakteristik oleh generalisasi kategori teknik MDS, sebuah cakupan luas
kemungkinan teknik decompotional dilakukan. Pemilihan metode spesifik mensyaratkan
keputusan mengenai dasar input responden, tentang kesamaan atau preferensi apa yang
diperoleh, apakah secara indivisu atau pemetaan persepsi komposit. Beberapa program MDS
yang biasa digunakan : KYST, MDSCAL, PREFMAP, MDPREF, INDSCAL, ALSCAL,
MINISSA, POLYCON, dan MULTISCALE.

3) Pendekatan Compotional atau Atribut – Dasar

Metode compotional termasuk beberapa teknik multivariate yang lebih tradisional sebaik
metode di design secara spesifik untuk pemetaan persepsi, seperti: analisis koresponden.
Beberapa teknik yang yang termasuk dalam sekumpulan metode compotional dapat
dikelompokkan kedalam salah satu dari tiga kelompok dasar:
a. Graphical or post hoc approaches. Dalam tes ini dianalisis seperti semantic
differential plots atau importance-performance grid, yang mengandalkan dugaan
peneliti dan representasi univariat atau bivariat objek.
b. Conventional lmultivariate statistical technique. Teknik ini, khusus untuk Analisis
Faktor dan Analisis Diskriminan sangat berguna dalam pengembangan sebuah
struktur dimensi diantara atribut yang banyak dan mewakili objek dalam dimensi ini.
c. Specialized Perceptual Mapping Methods. Yang penting dalam metode ini adalah
Analisis Koresponden, dikembangkan secara khusus untuk menyediakan pemetaan
persepsi dengan hanya data skala kualitatif atau nominal sebagai input.
Terdapat dua kelebihan dalam pendekatan ini:
a. Deskripsi secara eksplisit atas dimensi pada ruang persepsi. Karena responden
menyediakan evaluasi yang rinci diberbagai atribut untuk masing-masing objek,
criteria evaluatif diwakilkan oleh dimensi atas solusi yang lebih mudah untuk
memastikan.
b. Metode ini memberikan cara langsung untuk melambangkan keduanya yaitu atribut
dan objek dalam peta tunggal, dengan beberapa metode menyajikan posisi tambahan
kelompok-kelompok responden. Informasi ini menawarkan wawasan manajerial yang
unik dalam pasar yang kompetitif.
Adapun 2 kekurangan pendekatan ini adalah :
a. Kesamaan anatara objek-objek terbatas hanya pada penilaian atribut oleh responden.
Pengabaian atribut yang menonjol mengurangi kesempatan responden untuk
menggabungkan mereka yang akan tersedia jika pengukuran keseluruhan tunggal
diberikan.
b. Peneliti harus mengasumsikan beberapa metode kombinasi atribut-atribut ini untuk
mewakili kesamaan secara keseluruhan dan memilih metode yang mungkin tidak
merepresentasikan pemikiran responden.
c. Upaya pengumpulan data adalah substansial, khusus untuk jumlah objek pilihan
meningkat.
d. Hasil tidak tersedia untuk responden individu.

4) MEMILIH TEKNIK : Compotional Technique vs Decompotional Technique

Pemetaan persepsi dapat ditunjukkan dengan keduanya namun masing-masing memiliki
kelebihan dan kekurangan yang harus dipertimbangkan peneliti diantaranya:
a. Jika pemetaan persepsi dilakukan dalam gairah atas salah satu dari dua tujuan dasar
yang dibahas sebelumnya, maka decompotional (atribut – bebas) merupakan yang
paling sesuai.
b. Namun, jika tujuan peneliti bergeser ke penggambaran di antara objek-objek yang
didefinisikan sebagai satu set atribut, maka compotional (atribut - dasar) menjadi
alternatif pilihan.
Metode compotional mengilustrasikan penggunaan metode dan aplikasi dengan
kekuatan dan kelemahan. Peneliti harus selalu mengingat alternatif yang tersedia dalam
peristiwa jika tujuan penelitian berubah. Oleh karena itu, kita memfokuskan pada teknik
compotional yang sangat sesuai dengan pemetaan persepsi.
a) Objek : Jumlah dan Seleksi
Sebelum melakukan studi pemetaan persepsi, peneliti harus menyebut dua pertanyaan kunci
yang berurusan dengan objek yang akan dievaluasi. Pertanyaan ini berhubungan dengan isu-
isu tentang tugas dasar sebaik kompleksitas jumlah analisis.
Pemilihan Objek. Kunci dalam memilih objek adalah apakah objek dapat
diperbandingkan. Asumsi implicit dalam pemetaan persepsi adalah karakteristik yang biasa,
juga tujuan dan anggapan, yang menunjukkan dan mungkin dapat digunakan oleh responden
untuk evaluasi. Oleh karena itu, hal itu penting bahwa objek yang diperbandingkan memiliki
beberapa set atas atribut yang mendasari bahwa karaktersitik masing-masing objek dan
bentuk dasar untuk perbandingan oleh responden. Jumlah Objek. Dalam menentukan berapa
banyak objek yang terdapat didalamnya, peneliti harus menyeimbangkan 2 pertimbangan :
sejumlah kecil objek untuk memudahkan upaya pada bagian dari responden versus
kebutuhan jumlah objek untuk mendapatkan solusi multidimensi. Masing-masing
pertimbangan tersebut memberi batasan pada analisis:
 Panduan saran untuk solusi yang stabil adalah memiliki empat kali lebih banyak dari
objek seperti pertimbangan dimensi. Dengan demikian, setidaknya 5 objek diperlukan
untuk satu pemetaan persepsi dimensil, 9 objek untuk dua pemetaan persepsi
dimensi,dst.
 Ketika menggunakan metode evaluasi pemasangan objek atas kesamaan, responden
harus membuat 36 perbandingan atas 9 objek tersebut – tugas substansial. Tiga solusi
dimensi menyarankan setidaknya 13 objek dievaluasi, mengharuskan evaluasi atas 78
pasangan objek.
Maka, hal ini harus dibuat antara muatan dimensi oleh objek dan upaya yang
diperlukan pada bagian responden. Jumlah objek juga mempengaruhi determinasi atas level
penerimaan yang layak (fit). Pada banyak estimasi kelayakan dikembangkan ketika sedikit
dari jumlah objek terdapat pada dimensi tertentu. Dengan demikian, kita harus berhati-hati
atas resiko asosiasi atas pelanggaran pedoman untuk jumlah objek setiap dimensi dan
mempengaruhi pada kedua pengukuran kelayakan dan validitas hasil pemetaan persepsi.

b) Metode Non Metrik vs Metrik

Asalnya, Program MDS merupakan non metric, baik secara input maupun output.
Namun, output yang non metric memiliki keterbatasa dalam hal menginterpretasi peta
persepsi. Oleh karena itu, seluruh Program MDS sekarang ini menggunakan program output
metrik. Posisi multidimensi metric dapat dirotasi, titik asal dapat diubah dengan menambah
konstan, sumbu dapat dibalik (direfleksi), atau seluruh solusi dapat diregangkan atau
dikompresi tanpa mengubah posisi relative objek.
 Metode non metrik, dibedakan oleh input non metrik biasanya dihasilkan oleh urutan
peringkat pasangan objek yang lebih fleksibel bahwa mereka tidak menganggap jenis
tertentu dari hubungan antara jarak terhitung dan pengukuran kesamaan.
Bagaimanapun, karena metode non metrik memuat sedikit informasi dalam penciptaan
pemetaan persepsi, metode ini lebih cenderung mengakibatkan degenerasi atau
suboptimal solusi. Masalah ini muncul ketika variasi yang luas terjadi pada peta
persepsi antara responden atau persepsi antara objek yang tidak dibedakan atau
terdefinisi.
 Metode metrik mengasumsikan bahwa input dan ouput adalah metrik. Asumsi ini
memungkinkan kita untuk memperkuat hubungan antara ouput akhir dimensional dan
data input. Daripada asumsi bahwa hanya hubungan perintah yang dipertahankan
dalam data input, kita dapat mengasumsikan bahwa output melayani kualitas interval
dan rasio atas data input. Meskipun asumsi yang berdarkan program metrik lebih sulit
untuk mendukung konsep diberbagai kasus, hasil dari prosedur non metrik dan metric
mengaplikasikan data yang sama.
Dengan demikian, tipe data input harus mempertimbangkan keduanya, situasi penelitian
(variasi ats persepsi diantara reponden dan perbedaan objek) dan mode pilihan atas
pengumpulan data.
c) Pengumpulan Data (Similarity or Preference)
Perbedaan utama dalam program MDS adalah tipe dalam data input (metrik atau nonmetrik)
dan apakah data yang digunaan berdasarkan kesamaan atau preferensi. Untuk metode
pengumpulan data, data metrik (rating) atau non metrik (ranking) dapat dikumpulkan, dalam
beberapa kasus, respon itu terbatas hanya pada satu tipe data.
d) Data atas Kesamaan
Ketika mengumpulkan data atas kesamaan, peneliti mencoba untuk menentukan item mana
yang paling memiliki kesamaan untuk masing-masing lainnya dan mana yang paling tidak
memiliki kesamaan. Istilah ketidaksamaan dan kesamaan sering digunakan dalam pertukaran
untuk mewakili pengukuran atas perbedaan antara objek-objek. Secara tersirat dalam
pengukuran kesamaan adalah kemampuan untuk membandingkan semua pasangan objek.
Sebagai contoh :
Semua pasangan objek dalam pengaturan yaitu : A, B, C (AB, AC, BC) diurutkan
peringkatnya, kemudan semua pasangan objek juga dapat diperbandingkan. Asumsikan
bahwa pasangan yang diperingkatkan AB=1, AC=2, BC=3 (Angka 1 menunjukkan paling
memiliki kesamaan). Secara jelas, pasangan AB lebih sama daripada pasangan AC dan BC,
dan pasangan AC lebih sama daripada pasangan BC.
Beberapa prosedurbiasa digunakan untuk memperoleh persepsi responden atas
kesamaan diantara stimuli. Maing-masing prosedur berdasarkan gagasan bahwa perbedaan
relatif antara beberapa pasang stimuli harus diukur sehingga peneliti dapat menentukan
pasangan mana yang paling sedikit memiliki kesamaan dengan pasangan lainnya. Terdapat 3
prosedur yang biasa digunakan untuk memperoleh persepsi respon atas kesamaan, yaitu:
e) Comparison of Paired Object
Stimuli A,B,C,D dan E, kita dapat mengurutkan peringkat atas pasangan AB, AC,
AD, AE, BC, BD, BE, CD, CE, DE dari yang paling banyak memiliki kesamaan hingga
paling sedikit memiliki kesamaan. Sebagai contoh, pasangan AB diberikan peringkat 1, maka
kita dapat mengasumsikan bahwa responden melihat pasangan yang memuat dua stimuli
yang paling memiliki kesamaan, dan kebalikannya dengan pasangan lainnya. Prosedur ini
dapat memberikan pengukuran nonmetrik atas kesamaan. Pengukuran metrik atas kesamaan
akan melibatkan urutan atas kesamaan
f) Confusion Data
Persamaan pengukuran dari pasangan stimulus I dengan stimulus J yang biasa disebut
confusion data atau subjective clustering yang merupakan tipe prosedur untuk kerumunan
data ketika jumlah dari objek yang besar
 Letak dari objek yang sama akan diukur pada kartu kecil, baik secara deskriptif maupun
dengan gambar
 Responden diminta untuk memilah kartu kedalam tumpukan , semua kartu dalam
tumpukan menggambarkan permen yang mirip. Beberapa peneliti mengatakan kepada
responden untuk memilih sampai pada jumlah yang tetap dari tumpukan tersebut, yang
lain mengatakan untuk memilih banyak tumpukan tergantung keinginan dari responden
  Data dari beberapa responden dikumpulkan menjadi persamaan matrix yang sama
dengan tabel cross tabulasi. Setiap baris menampilkan jumlah dari waktu tiap pasangan
objek termasuk dalam tumpukan yang sama. Data tersebut mengindikasi produk yang
paling sering muncul bersama, oleh karena itu dianggap paling mirip
Pengumpulan data dengan cara ini memungkinkan hanya untuk mengkalkulasikan dari
keseluruhan persamaan, karena respon dari semua individu dapat dikombinasikan untuk
mendapatkan persamaan matrix.

g) Derived measures
Derived measures adalah persamaan yang berasal dari skor yang diberi stimuli oleh
responden . Peneliti menjelaskan dimensi dan peneliti menilai setap objek dari setiap atribut.
Dari penilaian itu, persamaan dari setiap objek dihitung dari beberapa metode yang
berkorelasi antara objek atau beberapa bentuk indeks yang cocok. Contohnya, subjek diminta
untuk mengevaluasi tiga stimuli kedalam nomor atribut menggunakan perbedaan skala.
Respon akan di evaluasi untuk beberapa responden untuk membuat persamaan ukuran antara
objek. Tiga asumsi penting yang mendasari:
 Peneliti memilih dimensi ukuran yang sesuai
 Skala dapat di timbang (antara rata atau tidak rata) untuk mendapatkan persamaan data
ke subjek atau grup dari subjek
 Semua individu dapat timbangan yang sama

Dari tiga prosedur tersebut, pengukuran derived merupakan paling sedikit digunakan
dalam MDS, evaluasi dari objek dibuat dengan pengaruh yang kecil dari peneliti.

h) Data Pilihan

Preference atau pilihan diartikan bahwa stimuli harus dinilai dalam hubungan yang dominan,
maka stimuli di atur dalam pilihan untuk beberapa sifat / ciri. Hal tersebut dimungkinkan
peneliti untuk membuat direct statemen mana yang lebih disukai. Dua prosedur yang paling
umum untuk memperoleh data preference atau data pilihan yaitu diatur tingkat dan pasangan
perbandingannya.
 Direct rangking.
Metode pengumpulan persamaan data nonmetrik sangat populer karena sangat mudah
dilakukan dari yang terkecil sampe nomor objek yang sesuai. Hanya beberapa objek
yang diperoleh rank yang unik.
 Paired Comparisons.
Responden menampilkan semua kemungkinan pasangan dan diminta menunjukan
anggota dari setiap pasangan yang paling disukai. Lalu semua pilihan berdasarkan total
jumlah waktu di setiap objek yang telah disukai anggota dari perbedaan pasangan.
Peneliti mengumpulkan data explisit untuk setiap perbandingan.
i) Preference Data VS Similary Data
Kedua data tersebut memberikan dasar untuk membuat presepsi yang bisa menggambarkan
posisi yang relatif dari objek dapat diketahui. Pilihan diantara dua pendekatan terletak pada
objektivitas yang diterima
  Similary data berdasarkan presepsi yang paling sesuai untuk dimengerti dari atribut
yang mendeskripsikan objek dan relatif komposisi di objek lain
 Preference data memungkinkan peneliti untuk melihat lokasi objek dalam presepsi
dengan jarak yang berarti perbedaan dalam pilihan. Prosedur ini berguna karena
presepsi individu dari objek dalam konteks pilihan yang mungkin berbeda dari
persamaan pada hal tertentu dan mungkin dapat berguna dalam mendeskripsikan
persamaan antara dua objek tapi tidak menjadi konsekuensi menentukan pilihan
Dua objek dapat diketahui dari perbedaan persamaan yang berasal dari peta tapi
menjadi sama dalam pilihan berdasarkan spasial, yang menghasilkan dua perbedaan peta.
Contohnya merek permen yang berbeda bisa jauh terpisah dalam kesamaan dari peta tapi
pilihan equivalent diposisikan dekat dengan pilihan maps. Peneliti harus memilih peta yang
paling cocok pada objek analisis

Stage 3: Asumsi Dari Analisis MDS

Multidimensional scaling tidak dibatasi dengan asumsi dalam metodologi, tipe data atau
hubungan antar variabel, tapi MDS justru memerlukan peneliti menerima tiga test untuk
persepsi

1) Variation in dimensionality. Responden dapat bervariasi dalam dimensi yang digunakan

untuk membentuk presepsi mereka pada objek ( meskipun banyak orang menilai dengan
jumlah karakteristik yang terbatas)
2) Variation in importance. Responden tidak perlu menampilkan level dengan kepentingan
yang sama ke dimensi, bahkan jika semua responden merasakan dimensi ini
3) Variation over time. Penilaian stimulus dalam hal baik dimensi maupun level yang
penting seperti perubahan waktu. Di sisi lain responden tidak mengharapkan untuk
mendapat presepsi yang sama dalam periode waktu yang lama.

Kemampuan ini memungkinkan teknik MDS tidak hanya membantu peneliti mengerti
individu yang terpisah tapi juga mengidentifikasi presepsi yang di share.

Stage 4: Mendapatkan Solusi MDS dan Menilai Keseluruhan Fit

Program MDS dapat menghasilkan perbedaan tipe dari input data dan tipe dari gambaran
spasial, dan juga alternatif dari intepretasi yang berbeda beda.
1) Mendapatkan Posisi Objek dalam Preceptual Map
Teknik MDS menentukan lokasi yang optimal untuk beberapa objek yang spesifik solusi
untuk beberapa dimensi dibandingkan untuk memilih solusi akhir yang mendefinisikan
jumlah dari dimensi.
2) Creating The Perceptual Map
Proses langkah langkah untuk menentukan posisi optimal pada dimensi yang dipilih :
 Memilih bentuk awal dari stimuli (Sk) pada initial dimensionality (t) yang diinginkan.
Beberapa pilihan untuk memperoleh configurasi awal disediakan. Dua yang paling
banyak digunakan adalah konfigurasi yang diterapkan oleh peneliti berdasarkan data
sebelumnya atau dipilih dengan acak dari kurang lebih multivariat distribusi normal
  Perhitungan jarak antara stimuli dan dibandingkan hubungan dengan pengukuran of
fit. Salah satu konfigurasi ditemukan, jarak interpoin dengan stimuli (d ij) dimulai
dengan membandingkan konfigurasi dengan ukuran jarak ( ij) berasal dari penilaian
yang sama (Sij). Dua ukuran jarak dibandingkan dengan ukuran fit, tipikal pengukuran
stress.
 Jika pengukuran fit tidak memenuhi nilai yang telah ditetapkan. Temukan konfigurasi
baru pengukuran fit yang di minimalisir. Arah program ditentukan sampai perbaikan
dalam fit diperoleh dan dipindahkan kedalam poin konfigurasi dan diarahkan sedikit
demi sedikit

Ada 0 produk yang akan dievaluasi, setiap responden harus mengurutkan semua
kemungkinan 45 pasang objek dari yang paling mirip (1) sampai tidak mirip (45). Dengan
urutan ranking tersebut dilanjutkan untuk menentukan posisi setiap objek.

 Pertama, diasumsikan awal dengan dua solusi dimensi. Biasanya juga dapat
menentukan jumlah apa pun dalam dimensi, sangat mudah untuk menggambarkan
proses dari situasi dua dimensi yang sederhana
 Menempatkan 10 titik (memperlihatkan 10 produk) acak dalam sheet dari graph paper
( menampilkan dua dimensi ) lalu mengkuran jarak antara setiap titik pasang (45
jarak)
 Menghitung goodness of fit yang menjadi solusi dari pengukuran ranking yang cocok
antara Euclidean (strainght – line) jarak dari plot objek dan 45 ranking asli
 Jika jarak straight – line tidak cocok dengan original ranking, pindahkan 10 titik dan
coba kembali. Lanjutkan dengan memindahkan objek sampai didapatkan kepuasan fit
ditengah jarak antara semua objek dan ranking yang berindikasi sama
 Posisikan 10 objek dalam tiga dimensi space, dan ikuti langkah yang sama, jika fit
pada jarak yang sebenarnya dan mirip dengan ranking lebih baik daripada solusi tiga
dimensi yang mungkin lebih tepat

3) Avoiding Degenerate Solution

Beberapa objek menunjukan sejenis atau cluster, beberapa juga dalam bentuk grup dua atau
satu dimensi. Selecting the Dimensionality of the Perceptual Map. Objektivitas pada step
berikutnya mampu memilih peta presepsi dalam jumlah yang spesifik. Menentukan berapa
banyak dimensi yang terwakili oleh data yang didapat melalui satu dari tiga pendekatan yaitu
subjective evaluation, scree plots, overall inde of fit
4) Subjective Evaluation
Jumlah peta yang ada pada intepretasi tergantung pada jumlah dari dimensi. Solusi intepretasi
dihasilkan lebih dari tiga dimensi yang sangat susah dan biasanya tidak layak untuk
diperbaiki. Evaluasi ini sangat penting karena pada tahap berikutnya dimensi perlu
dijelaskan.

5) Stress Measures
Kruskal’s stress adalah yang paling umum diukur dengan model goodness of fit.

Nilai stress lebih kecil berasal ( ij) dari pendekatan asli dij. Stress diminimalisasi ketika objek
ditempatkan dalam konfigurasi sehingga jarak antar objek terkait jarak yang asli. Ditemukan
masalah ketika menggunakan stress, bagaimanapun juga analogi dari R 2 di multiple
regression strees yang selalu berubah dengan peningkatan dimensi. Trade off harus dibuat di
antaranya solusi fit dan jumlah dimensi. Seperti ekstraksi dari faktor dalam analisis faktor,
dapat di plot kan nilai stress terhadap jumlah dimensi yang menentukan jumlah terbaik dalam
analisis.
6) Index of Fit
Indeks korelasi kuadrat dapat mengintepretasi seperti indikasi proporsi varians dari disparities
account dari prosedur MDS. Atau pengukuran seberapa bagus data yang fit dalam model
MDS. R2 diukur dalam multidimensional scaling menampilkan arti pengukuran yang sama
dari varians seperti dalam hal teknik multivariate. Tentunya R 2 yang tinggi sangat baik / fit.
7) Incorporating Preferences into MDS
Perseptual maps dapat di turunkan dari preferensi. Objektivitas menentukan karakteristik
campuran yang disukai untuk mengatur stimuli yang memprediksi pilihan, konfigurasi objek
diatur (7, 8). Dalam hal tersebut ruang yang digabung pengembangan gambaran kedua objek
dan subjek Asumsi kritis merupakan homogenitas dari presepsi masing masing untuk
mengatur objek. Homogenitas memungkinkan semua perbedaan untuk menjadi pilihan yang
terkait, tidak hanya perbedaan presepsi saja
8) Ideal Points

Diasumsikan jika ditemukan titik yang menampilkan kombinasi yang paling disukai dari
atribut yang dirasakan. Dapat di identifikasi posisi objek yang ideal. Dapat di asumsikan juga
posisi dari titik ideal menjelaskan pilihan relatif sehingga produk yang jauh dari ideal harus
tidak disukai

Contoh pada Figure.7 terdapat 6 pilihan data, permen (A – F) yang didapatkan dari
responden, terdapat titik ideal pada posisi yang dapat meningkatkan jarak dari indikasi
penurunan preference. Berdasarkan peta presepsi, responden memilih urutan C,F,D,E,A,B.
Titik ideal secara sederhana dijelaskan dengan mengatur hubungan preferensi yang diatur
sebanyak 6 permen untuk responden. Biasanya titik poin tersebut tidak banyak menjelaskan
pengertian, cluster dapat digunakan untuk mengartikan.
9) Determining Ideal Points
Ada dua pendekatan untuk menentukan titik poin yaitu estimasi explisit dan implisit
 Estimasi Eksplisit. Proses direct respon dari subjek yang biasanya meminta subjek
untuk menilai hipotetis ideal yang sama dengan atribut dimana stimuli lain juga dinilai.
Alternatifnya responden diminta memasukkan stimuli yang digunakan untuk
mengumpulkan data yang sama. ( Contohnya brand, image ). Responden harus berpikir
dalam hal yang tidak sama namun harus preference, yang sering ditemukan objek yang
tidak diketahui
 Estimasi Implisit. Asumsi dasar yang mendasari yaitu berasal dari pengukuran titik
ideal spasial posisi yang maximal dan konsisten dengan responden individu

10) Kesimpulan
Titik ideal diestimasikan dapat menjadi pendekatan pada banyak cara dan tidak ada metode
tunggal yang di demonstrasikan pada setiap kasus. Pilihan tergantung pada skill penelitu dan
prosedur MDS yang dipilih.

11) Implicit Positioning of Ideal Point

Data dapat diselesaikan baik melalui internal atau eksternal analisis
 Analisis Internal merupakan preferensi data mengenai pengembangan spasial map
yang diberikan oleh kedua stimuli dan subjek poin hanya dari data pilihan
 Analisis Eksternal merupakan preferensi yang digunakan
a) Analisis internal.
Harus memastikan asumsi yang beasal dari kombinasi peta perseptual dari stimuli dan
titik ideal. Posisi objek dihitung dari data pilihan langsung untuk setiap individu. Hasilnya
merefleksikan dimensi perceptual yang membentang dan tertimbang untuk memprediksi
preferensi. Salah satu karakteristik metode estimasi internal berciri menghasilkan vektor pada
titik ideal, dimana model eksternal dapat diestimasi antara vektor versus titik yang
ditampilkan. Asumsi peneliti harus
 Tidak ada perbedaan antar responden
 Memisahkan konfigurasi di setiap respoden
 Konfigurasi tunggal dengan titik ideal individu
b) Analisis Eksternal.
Data preferensi yang mengacu pada titik ideal yang pas ke ruang stimulus yang
dikembangkan dari persamaan data yang diperoleh dari subjek yang sama. Jika prosedur ini
digunakan , peneliti harus mengumpulkan kedua preferensi dan persamaan data untuk
didapatkan analisis eksternal. PREFMAP menyediakan estimasi untuk jumlah perbedaan tipe
dari titik ideal, yang berdasarkan perbedaan asumsi dari dasar preferensi
c) Choosing Between Internal and External Analysis.
Kesimpulan berdasarkan komputasi yang sulit dengan prosedur analisis internal dan
mencampurkan perbedaan preferensi dengan perbedaan presepsi. Dalam kondisi ini ciri khas
yang dirasakan dimensi mungkin dapat merubah salah satu ruang presepsi (stimuli yang mirip
atau tidak) untuk mengevaluasi space.
 Contoh pada Figure.7 terdapat 6 pilihan data, permen (A – F) yang didapatkan dari
responden, terdapat titik ideal pada posisi yang dapat meningkatkan jarak dari indikasi
penurunan preference. Berdasarkan peta presepsi, responden memilih urutan C,F,D,E,A,B.
Titik ideal secara sederhana dijelaskan dengan mengatur hubungan preferensi yang diatur
sebanyak 6 permen untuk responden. Biasanya titik poin tersebut tidak banyak menjelaskan
pengertian, cluster dapat digunakan untuk mengartikan.

12) Determining Ideal Points

Ada dua pendekatan untuk menentukan titik poin yaitu estimasi explisit dan implisit.
Estimasi Eksplisit. Proses direct respon dari subjek yang biasanya meminta subjek untuk
menilai hipotetis ideal yang sama dengan atribut dimana stimuli lain juga dinilai.
Alternatifnya responden diminta memasukkan stimuli yang digunakan untuk mengumpulkan
data yang sama. ( Contohnya brand, image ). Responden harus berpikir dalam hal yang tidak
sama namun harus preference, yang sering ditemukan objek yang tidak diketahui. Estimasi
Implisit. Asumsi dasar yang mendasari yaitu berasal dari pengukuran titik ideal spasial posisi
yang maximal dan konsisten dengan responden individu.

13) Implicit Positioning of Ideal Point

Data dapat diselesaikan baik melalui internal atau eksternal analisis
 Analisis Internal merupakan preferensi data mengenai pengembangan spasial map
yang diberikan oleh kedua stimuli dan subjek poin hanya dari data pilihan.
 Analisis Eksternal merupakan preferensi yang digunakan.
a) Analisis internal. Harus memastikan asumsi yang beasal dari kombinasi peta perseptual
dari stimuli dan titik ideal. Posisi objek dihitung dari data pilihan langsung untuk setiap
individu. Hasilnya merefleksikan dimensi perceptual yang membentang dan tertimbang
untuk memprediksi preferensi. Asumsi peneliti harus:
 Tidak ada perbedaan antar responden
 Memisahkan konfigurasi di setiap respoden
 Konfigurasi tunggal dengan titik ideal individu

b) Analisis Eksternal. Data preferensi mengacu pada titik ideal yang pas ke ruang stimulus
yang dikembangkan dari persamaan data yang diperoleh dari subjek yang sama. Jika
prosedur ini digunakan , peneliti harus mengumpulkan kedua preferensi dan persamaan
data untuk didapatkan analisis eksternal. PREFMAP menyediakan estimasi untuk jumlah
perbedaan tipe dari titik ideal, yang berdasarkan perbedaan asumsi dari dasar preferensi.

c) Choosing Between Internal and External Analysis. Dalam kondisi ini ciri khas yang
dirasakan dimensi mungkin dapat merubah salah satu ruang presepsi (stimuli yang mirip
atau tidak) untuk mengevaluasi space.

14) Point Versus Vector Representations

Presepsi pemetaan dari preferensi mempertegas data dalam titik ideal yang menggambarkan
hubungan preferensi hubungan individu yang diatur dalam stimuli. Isu yang tersisa fokus
pada cara dimana objek lain dalam peta presepsi terhubung dengan titik ideal untuk
mencerminkan preferensi. Terdapat dua pendekatan yaitu, Point Representation. Metode
yang menggambarkan titik ideal yang digunakan pada straight line (Euclidean) pengukuran
jarak preferensi yang diminta dari titik ideal ke semua titik menampilkan objek, diasumsikan
arah jarak dari titik ideal tidak kritis, hanya berjarak relatif. Vector Representation. Titik
ideal dapat ditampilkan sebagai vektor. Untuk menghitung ini, garis tegak lurus (projection)
digambar dari objek ke vektor. Peningkatan preferensi dalam arah menunjuk vektor.
Preferensi dapat dibaca langsung dari projection. Pendekatan vektor tidak dapat
menampilkan titik ideal tunggal, tapi diasumsikan titik ideal berada pada jarak yang tidak
terbatas keluar dari vektor.

Stage 5: Identifikasi Hasil MDS

Salah satu peta presepsi diperoleh dua pendekatan yaitu compositional dan decompositional.
Perbedaan intepretasi berdasarkan jumlah informasi tersedia langsung dalam analisis ( contoh
atribut incorporated dalam komposisi analisis versus kekurangan dekomposional analisis) dan
hasil dari generalisasi pada proses pengambilan keputusan.
a. Metode compositional
Peta presepsi dapat di intepretasi langsung dengan atribut yang digabungkan dalam analisis.
Solusinya harus divalidasi kembali presepsi ukurn lain karena jumlah posisi menjelaskan dari
atribut yang spesifik oleh peneliti. Contoh hasil analisis diskriminan bisa di aplikasikan pada
set baru dari objek atau responden.
b. Metode decompositional
Evaluasi dari persamaan atau preferensi yang matang tanpa menganggap atribut, sehingga
terhindar dari spesifikasi isu eror. Bagaimanapun resiko presepsi dimensi tidak tepat untuk
diterjemahkan dalam evaluasi yang tidak bisa di gambarkan oleh atribut yang dipilih dari
intepretasi. Teknik deskripsi untuk menamakan dimensi serta memilih integrasi dengan
persamaan penilaian, yang didiskusikan nanti.
c. Identifying the Dimensions
Identifikasi pokok dimensi sering menjadi tugas yang sulit. Skala teknik multidimensional
dapat dibangun dengan prosedur untuk penamaan dimensi. Peneliti harus mengembangkan
peta dengan memilih dimensi yang dapat diambil dari berbagai prosedur, seperti subjek atu
objek lain
d. Subjective Procedur
Intepretasi harus selalu menyertakan beberapa elemen dari peneliti maupun penilaian
responden. Level penilaian harus memadai untuk pertanyaan, contoh sederhana namun
efektif, metode dinamakan dari peta presepsi oleh responden. Responden mungkin bertanya
untuk intepretasi dimensi subjektifitas dari peta yang diperiksa, atau mengatur ahli yang
mungkin di evaluasi dan identifikasi oleh dimensi. Biasanya tidak ada usaha untuk link
kuantitatif atribut dimensi. Pendekatan mungkin dapat dicapai jika dimensi dipercaya
menjadiberwujud tinggi, afektif, atau konten yang emosional jadi deskriptor yang memadai
tidak bisa dirancang.
Peneliti dapat mendeskripsikan dimensi dalam hal karakteristik. Dalam kasus ini,
koresponden membuat antara objektif dan presepsiyang diarahkan. Biasanya hubungan
tersebut bukan merupakan hasil dari reaksi responden tapi dari penilaian responden
e. Objective Procedures
Pelengkap dari prosedur subjektif , jumlah dari metode formal telah dikembangkan salah
satunya PROFIT (PROperty FITting). Mengumpulkan peringkat atribut untuk setiap objek
dan menemukan korespondensi yang baik dari setiap atribut untuk jarak asal presepsi.
Mencoba untuk identifikasi atribut determinan dengan penilaian yang sama yang dibuat
individu. Pengukuran fit diberikan untuk setiap atribut, juga koresponden dengan dimensi.
Peneliti dapat menentukan atribut mana yang terbaik menjelaskan posisi presepsi dan
mengilustrasikan dimensi. Koresponden antara atribut dan dimensi yang diinginkan
menggunakan output matrix karena dimensi dapat bebas dipindah tanpa merubah intepretasi
f. Selecting Between Subjective and Objective Procedures
Prosedur yang umum, data dikumpulkan dari beberapa atribut, menghubungkan keduanya
baik subjek atau empirik dengan dimensi yang dipakai, menentukan label untuk setiap
dimensi menggunakan multipel atribut. Kedua prosedur subjek dan objek mengilustrasikan
kesulitan untuk pelabelan / penamaan.karena sangat beresensi dan dimensi label diperlukan
untuk intepretasi lebih lanjut dann digunakan dala hasil. Peneliti harus memilih tipe prosedur
yang dapat digunakan dalam objektif penelitian dan ketersediaan informasi.

Stage 6: Validasi Hasil MDS

Validasi dalam MDS berupaya untuk mengaarahkan agar generalisasi hasil baik objek
maupun populasi. MDS menampilkan bagian masalah dari validasi, baik secara substantif
seperi metode perspektif.
a. Issues in Validation
 MDS output dapat digunakan sebagai tujuan komparasi melibatkan posisi relatif dari
objek. Biasanya posisi dibandingkan, dimensi pokok yang tidak memiliki dasar untuk
dibandingkan. Jika posisi berbeda , peneliti tidak dapat menjelaskan bagaimana
perbedaan objek, presepsi yang beda atau keduanya
 Metode sistematik dari perbandingan tidak dapat dikembangkan dan diintegrasi ke
program statistik. Peneliti harus meningkatkan prosedur yang mungkin konsen pada
alamat yang umum tapi tidak spesifik
b. Approaches to Validation
Pendekatan yang berupaya untuk menilai general (contoh persamaan sampel yang berbeda)
sambil mempertahankan komparabilitas untuk tujuan yang berbeda. Namun syarat yangsulit
untuk solusi MDS. Split Sampel Analysis. Pendekatan validasi langsung yaitu perbandingan
multisampel, diantara original sampel yang terbagi atau sampel yang dikumpulkan. Diantara
contoh, peneliti harus menemukan cara untuk membandingkan hasil. Paling sering
membandingkan hasil yang sudah di visualisasi atau korelasi simpel dari koordinat. Program
yang cocok seperti FMATCH
c. Comparison of Decompositional Versus Compositional Solution
Metode decompotional tidak dapat diaplikasikan pertama, selama intepretasi dari dimensi
untuk identifikasi atribut utama. Sedangkan metode compositional merupkan bagian dari
analisis korespondensi yang tidak dapat diterapkan untuk mengkonfirmasi hasil. Peneliti
harus menyadari validasi yang tidak benar dari hasil dalam hal generalisasi, tapi tidak
mengkonfirmasi intepretasi dari dimensi. Dalam poin ini upaya validasi dengan sampel lain
dan objek lain tidak dapat dilakukan untuk ditampilkan secara general pada sampel yang lain.
Atau karakteristik statistik dari variabel.

C. Penerapan MDS : Studi Kasus menggunakan Data HBAT

Peneliti harus mempertimbangkan (1) apakah semua perusahaan layak dibandingkan dan
relevan untuk tujuan penelitian dan (2) apakah jumlah perusahaan sudah memadai untuk
mewakili dimensionalitas yang diinginkan. HBAT dan 9 perusahaan besar lain dipilih pada
industri yang sama (paper product) dan berkontribusi pada 85% total penjualan. Peneliti
harus memahami tujuan penelitian yaitu (1) apakah fokus analisis bertujuan memahami
apakah obyek dibandingkan menurut kemiripan atas dasar atributnya atau (2) pada hasil
pilihan responden (preferensi). Pada HBAT, tujuan utama penelitian adalah untuk memahami
kesamaan pada atribut perusahaan.

Studi HBAT dilakukan melalui in-depth interviews dengan 18 orang manajer tingkat
menengah dari perusahaan-perusahaan yang berbeda sebagai responden. Mereka me-rating
melalui 9 poin skala dimana poin 1 adalah “tidak mirip sama sekali” dan poin 9 adalah
“sangat mirip”. Rating ini digunakan sebagai pelengkap analisis MDS untuk membantu
menginterpretasikan dimensi dari peta persepsi. Perusahaan di-rating pada rangkaian atribut
menggunakan 6-point scale. Atribut terdiri atas : X6 (product quality), X8 (technical support),
X10 (advertising), X12 (salesforce image), X13 (competitive pricing), X14 (warranty & claims),
X16 (ordering & billing), X18 (delivery speed).

1. Klik Analyze => Scale => Multidimensional Scaling (ALSCAL)

ALSCAL mengasumsikan bahwa input adalah matriks dissimilarity sedangkan
PROXSCAL memungkinkan pengukuran proximities adalah sama atau tidak sama.
2. Masukkan ke-10 perusahaan kedalam kolom Variables. Pada Distance pilih Data are
distances => Shape => Square symmetric

Euclidean distance. Akar kuadrat dari jumlah kuadrat perbedaan antara nilai-nilai untuk item.
Squared Euclidean distance. Jumlah dari kuadrat perbedaan antara nilai-nilai untuk item.
Chebychev. Perbedaan mutlak maksimum antara nilai-nilai untuk item. Block. Jumlah dari
perbedaan absolut antara nilai item. Juga dikenal sebagai jarak Manhattan. Minkowski. pth
root dari jumlah perbedaan mutlak untuk kekuatan pth antara nilai-nilai untuk item.
Customized. rth root dari jumlah perbedaan mutlak untuk kekuatan pth antara nilai-nilai
untuk item.

3. Klik kotak Model dan pilih :

a. Level of measurement => interval
b. Conditionality => matrix
c. Scaling model => individual differences Euclidean distance
4. Klik kota Option dan pilih :
a. Display => group plots
b. Criteria => (default)
 Iteration history for the 2 dimensional solution (in squared distances)

Young's S-stress formula 1 is used.

Iteration S-stress Improvement

0 .46451
1 .46289
2 .42148 .04141
3 .41914 .00233
4 .41906 .00009

Iterations stopped because

S-stress improvement is less than .001000

Rumus Young's S-Stress adalah ukuran kecocokan secara statistik yang berkisar dari
1 = worst possible fit dan 0 = perfect fit. Diperoleh angka stress = 0,29 artinya adalah good
fit. R Square = 0,38 artinya 38% varians pada model dapat dijelaskan melalui dua dimensi.
Hal ini dapat dilihat bahwa ada peningkatan atau penurunan Young S-Stress sebagai
iterations. Pengulangan akan berlanjut sampai tidak ada lagi peningkatan S-Stress atau
sampai jumlah tertentu ditentukannya pengulangan.

Averaged (rms) over matrices

Stress = .29093 RSQ = .38013

Sebuah nilai 0,10 atau kurang dianggap cocok untuk dua dimensi. Stres yang lebih
rendah (0,07 atau lebih) dianggap baik untuk solusi dua dimensi. Nilai RSQ adalah koefisien
korelasi kuadrat antara jarak dan data, dan itu adalah varians pendukung dalam solution. RSQ
dan indeks stres Kruskal digunakan sebagai ukuran goodness of fit dari solusi.

Configuration derived in 2 dimensions

Stimulus Coordinates

Dimension

Stimulus Stimulus 1 2
Number Name

1 HBAT -.5873 -1.2515

2 A -.3447 -1.3151
3 B .6914 -1.0034
4 C 1.1331 .9931
5 D 1.4751 .2412
6 E -.5252 1.3277
7 F -1.4436 .1738
8 G -.3765 1.5919
9 H 1.2331 -.2393
10 I -1.2555 -.5183
Stimulan koordinat pada table diatas merupakan bobot tiap variable pada setiap dimensinya.
Ada dua dimensi yang memisahkan variable ini. Contohnya pesaing F dan I terlihat kuat di
dimensi 1 sedangkan pesaing A dan HBAT terlihat kuat di dimensi 2.

Subject Weights
Dimension
Subject Weird- 1 2
Number ness

1 .0052 .3735 .3518

2 .0033 .4290 .4094
3 .0801 .4089 .4405
4 .0319 .5651 .5104
5 .0110 .3954 .3690
6 .0077 .4755 .4570
7 .0209 .5346 .4913
8 .0789 .4374 .3668
9 .0641 .3496 .3672
10 .0168 .5264 .5133
11 .0750 .3893 .4159
12 .0399 .4316 .3849
13 .0024 .4789 .4565
14 .0291 .4120 .3737
15 .0203 .4242 .4158
16 .0040 .4007 .3829
17 .0196 .4624 .4528
18 .0609 .4926 .4250
Overall importance of
each dimension: .2002 .1800

Flattened Subject Weights

Variable
Subject Plot 1
Number Symbol
1 1 .1451
2 2 -.0568
3 3 -1.9028
4 4 .7860
5 5 .2856
6 6 -.1629
7 7 .5214
8 8 1.9118
9 9 -1.5176
10 A -.3814
11 B -1.7799
12 C .9766
13 D -.0370
14 E .7189
15 F -.4649
16 G -.0742
17 H -.4481
18 I 1.4803
 Pada gambar diatas terlihat bahwa HBAT paling mirip dengan pesaing A dan I karena
letaknya berdekatan dan berada di kuadran yang sama. HBAT juga terlihat paling berbeda
dengan pesaing C dan G (perhatikan jarak antara HBAT dengan C dan G adalah yang paling
jauh). Selanjutnya pesaing B dan H juga mirip satu sama lain. Mengacu angka dimensi 1
(sumbu X) semakin ke kanan semakin besar sehingga dapat diartikan pesaing C, D dan H
mempunyai factor – factor pada dimensi 1 yang sangat membedakan dibanding pesaing
lainnya. Misalnya dimensi 1 mengandung factor product quality, technical support dan
advertising. Maka bisa dikatakan bahwa product quality, technical support, advertising
pesaing C, D dan H adalah hal – hal yang paling membedakan dibanding pesaing lainnya.
Sedangkan pesaing F karena nilainya paling kecil maka di benak responden factor product
quality, technical support, advertising bukan factor yang membedakannya dengan pesaing
lain.
Pada dimensi 2 (sumbu Y) terlihat bahwa semakin ke atas nilainya semakin besar.
Artinya pesaing E dan G mempunyai factor – factor pada dimensi 2 yang paling membedakan
dibanding pesaing lainnya. Misalnya dimensi 2 mengandung factor salesforce image dan
competitive pricing. Maka bisa dikatakan bahwa salesforce image dan competitive pricing
pesaing E dan G adalah hal – hal yang paling membedakan dibanding pesaing lainnya.
Sedangkan HBAT dan pesaing A karena nilainya paling kecil maka di benak responden
factor salesforce image dan competitive pricing bukan factor yang membedakannya dengan
pesaing lain.
 MDS juga memberikan fasilitas untuk menguji apakah para responden yang sudah
berpartisipasi dalam mengisi skala kemiripan antar perusahaan sudah konsisten atau tidak.
Konsisten artinya para responden mempunyai sikap yang sama (homogeneity) dalam menilai
kemiripan antar perusahaan.

Plot ini mengilustrasikan jarak dari linearitas yang diukur melalui Stress dan indeks
R-Squared. Diagram ini mewakili ketepatan jarak dengan data. Pengamatan dilakukan
dengan mengukur garis diagonal dari kiri bawah ke kanan atas untuk menilai ketepatan jarak
dengan data. Idealnya jika perfect fit maka disparities dan distances menunjukkan point
berupa garis lurus. Semakin point terpisah dari garis lurus maka semakin berkurangnya fit
atau ketidakakurasian pada peta. Ketika stress level semakin rendah maka point semakin
dekat dengan garis lurus. The scatterplot of linear fit menandai data yang ditransformasikan
(disparitas) secara horizontal terhadap jarak vertikalnya.