SCALING
Anggota Kelompok:
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.
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.
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.
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
Multidimensional scaling tidak dibatasi dengan asumsi dalam metodologi, tipe data atau
hubungan antar variabel, tapi MDS justru memerlukan peneliti menerima tiga test untuk
persepsi
Kemampuan ini memungkinkan teknik MDS tidak hanya membantu peneliti mengerti
individu yang terpisah tapi juga mengidentifikasi presepsi yang di share.
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
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.
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.
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.
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.
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).
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.
0 .46451
1 .46289
2 .42148 .04141
3 .41914 .00233
4 .41906 .00009
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.
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.
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
Subject Weights
Dimension
Subject Weird- 1 2
Number ness
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.