PEMBAHASAN
Principal Coordinates Analysis (PCoA) merupakan suatu teknik statistik yang mengukur
obyek-obyek dalam ruangan multidimensional yang didasarkan pada penilaian responden
mengenai kemiripan (similarity) obyek-obyek tersebut. Perbedaan persepsi diantara semua obyek
direfleksikan ke dalam jarak relative diantara obyek-obyek tersebut dalam suatu ruangan
multidimensional. PCoA sering dikatkan dengan PCA. Faktanya jika menghitung PCoA dengan
jarak euclidean, maka hasilnya akan sama dengan PCA. PCoA lebih dikenal dengan istilah
Multidimensional Scaling (MDS).
Tujuan dari PCoA adalah untuk memberikan gambaran visual dari pola kedekatan yang berupa
kesamaan atau jarak diantara sekumpulan objek-objek. Penerapan PCoA dapat dijumpai pada
visualisasi ilmiah dan data mining dalam ilmu kognitif, informasi, pemasaran maupun ekologi.
1. Syarat Teknis
Untuk menggunakan teknik analisis ini persyaratan yang harus dipenuhi diantaranya
ialah:
Data dapat menggunakan berbagai skala pengukuran, misalnya interval, rasio, ordinal
dan nominal. Semua itu tergantung pada teknik yang dipergunakan.
Jika data dalam bentuk keterbedaan, maka data tersebut harus kuantitatif dan diukur
dengan skala pengukuran metrik yang sama, misalnya skala pengukuran interval. Jika
data merupakan data multivariat, maka variable-variabel dapat berupa kuantitatif, biner
atau data hitungan. Jika data mempunyai perbedaan dalam skala, misalnya ada rupiah,
tahun, meter, dstnya; maka data tersebut harus di standarisasi terlebih dahulu dengan
menggunakan prosedur yang sudah ada di dalam teknik ini.
Asumsi menggunakan teknik multidimensional scaling procedure relative bebas dari
asumsi distribusional. Sekalipun demikian kita harus memilih skala pengukuran yang
tepat, misalnya ordinal, interval, atau ratio dalam SPSS pilihan ini ada di perintah
Options.
Jika file data mewakili jarak antara seperangkat obyek atau jarak antara dua perangkat
obyek, maka kita harus melakukan spesifikasi bentuk matriks data untuk memperoleh
hasil yang benar. Pilihlah alternative sebagai berikut: Square symmetric, Square
asymmetric, atau Rectangular.
Multidimensional scaling menggunakan data yang berbeda untuk membuat solusi
penggunaan skala. Jika data merupakan data multivariat, maka kita harus menciptakan
data yang berbeda untuk menghitung solusi multidimensional scaling. Kita dapat
membuat spesifikasi detil-detil data tersebut dengan cara menciptakan pengukuran
keterbedaan dari data yang kita miliki.
2. Pengukuran Data
Pengukuran akan memungkinkan kita membuat spesifikasi pengukuran keterbedaan
dalam analisis yang kita lakukan. Caranya ialah dengan memilih satu alternatif dari Measure
group yang berhubungan dengan tipe data yang dipunyai, dan kemudian pilih salah satu
pengukuran dari daftar yang ada yang berhubungan dengan tipe pengukuran yang ada dalam
SPSS, diantaranya:
Display. Memungkinkan kita memilih berbagai tipe keluaran, misalnya. Group plots,
Individual subject plots, Data matrix, serta Model dan options summary.
Criteria. Memungkinkan kita menentukan kapan iterasi harus berhenti. Untuk mengubah
default, masukkan nilai-nilai untuk S-stress convergence, Minimum Sstress value, dan
Maximum iterations.
Treat distances less than as missing. Jarak (distance) kurang dari nilai yang dikeluarkan
dari analisis.