MODUL PRAKTIKUM

ANALISA MDS (Multi Dimensional Scaling)

Pada praktikum sebelumnya telah dibahas mengenai teknik multivariat untuk

variabel yang bersifat interdependen, yaitu analisis faktor dan analisis cluster. Jika
pada factor analysis, dilakukan pengelompokkan variabel (reduksi sejumlah variabel
menjadi satu atau beberapa faktor), maka pada cluster analysis, pengelompokkan
dilakukan terhadap kasus/individu (sekian individu/responden dikelompokkan
menjadi beberapa cluster dengan ciri yang homogen untuk masing-masing cluster).
Dalam terminologi SPSS, factor analysis berhubungan dengan reduksi (pengurangan,
dalam artian meringakas) isi kolom SPSS yang menunjukkan variabel dan cluster
analysis berhubungan dengan pengelompokkan (peringkasan) isi baris SPSS yang
menunjukkan responden atau individu. Walaupun pada cluster analysis juga dijumpai
pengelompokkan variabel (isi kolom SPSS), namun hal tersebut lebih pada upaya
penggambaran isi atau ciri cluster yang terbentuk dan bukan tujuan utama analisis
tersebut.
Selain kedua alat tersebut, hubungan interdependen atau saling
ketergantungan antarvariabel atau data dapat dilakukan dengan multidimensional
scaling (MDS). Berbeda dengan analisa faktor dan analisa cluster, MDS lebih
berhubungan dengan objek dari suatu dari suatu penelitian, MDS akan memproses
isi baris dan kolom SPSS sekaligus.
Dalam planning ada 4 tahapan yang harus dikuasai dalam aplikasi MDS,
yaitu:
1. Langkah-langkah untuk memperoleh perceptual map yang diinginkan.
2. Menentukan variabel yang terkandung dalam masing-masing sumbu (x dan y).
3. Mengelompokkan objek berdasarkan kedekatan dalam perceptual map sesuai
kepentingan planning (sesuai kebutuhan).
4. Menentukan tindakan yang dapat diambil terhadap objek-objek yang telah
dikelompokkan sesuai dengan tujuan analisis.

Contoh kasus 1:
Manajer toko Laris ingin mengetahui bagaimana posisi toko Laris dibandingkan
dengan para pesaingnya saat ini, yaitu toko Baru, Jaya, Lestari dan Murah. Untuk itu,
manajer tersebut memberikan kuesioner kepada delapan orang yang selama ini
sudah sering berbelanja di kelima toko yang akan dibandingkan dan dianggap dapat
mencerminkan sikap konsumen selama ini. Kedelapan responden tersebut diminta

1
untuk memberikan penialaian tentang kemiripan (similiarity) antara satu toko dengan
toko yang lain, dengan skala 1 – 5, di mana:
 Skala 1, berarti kedua toko tertentu yang dibandingkan sangat mirip satu
dengan yang lain (mungkin lay out sama menariknya, harga sama murahnya,
dsb.).
 Skala 5, berarti dua toko tertentu yang dibandingkan sangat tidak mirip satu
dengan yang lain (mungkin lay out yang satu menarik dan yang satu
semrawut, harga sangat berbeda, dsb.)
 Responden dapat memberikan nilai antara 1 – 5. dengan demikian, walaupun
hasil yang diperoleh adalah bulat, namun jenis data yang diperoleh adalah
ratio dan bukan ordinal.
Hasil perbandingan kesamaan toko tersebut ditulis dalam bentuk matrik yang
menjadi input data analisis MDS:

Baris 1 – 5 dapat dibaca sebagai nama toko, sehingga merupakan matrik

persamaan untuk data MDS.
Langkah - langkah:
1. Dari data, buka analiyze  scale  MDS.
2. Masukkan semua variabel.
3. Buka icon Model, untuk level of measurement pilih ratio dan untuk scaling mode
pilih individual difference euclidean distance.

2
4. Klik Continue
5. Untuk icon Options, pilih group plots dan data matrix:

6. Klik continue  OK
7. Outputnya:
>Note # 14690
>You cannot use an ALSCAL individual difference scaling model (MODEL =
>INDSCAL or MODEL = GEMSCAL) with only one matrix. These models require at
>least two matrices. ALSCAL will continue the analysis using the Euclidean
>model (MODEL = EUCLID).

Raw (unscaled) Data for Subject 1

1 2 3 4 5

1 ,000
2 2,000 ,000
3 1,000 4,000 ,000
4 5,000 1,000 5,000 ,000
5 4,000 2,000 4,000 5,000 ,000
_

Iteration history for the 2 dimensional solution (in squared distances)

Young's S-stress formula 1 is used.

Iteration S-stress Improvement

1 ,18283
2 ,17954 ,00329
3 ,17920 ,00034

Iterations stopped because

S-stress improvement is less than ,001000

Stress and squared correlation (RSQ) in distances

RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.

3
 For matrix
Stress = ,17162 RSQ = ,85459
_

Configuration derived in 2 dimensions

Stimulus Coordinates

Dimension

Stimulus Stimulus 1 2
Number Name

1 baru 1,0508 ,4532

2 laris -,6799 -,1735
3 lestari 1,3284 ,5948
4 jaya -1,7728 ,6917
5 murah ,0734 -1,5662
_

Optimally scaled data (disparities) for subject 1

1 2 3 4 5

1 ,000
2 1,181 ,000
3 ,591 2,363 ,000
4 2,954 ,591 2,954 ,000
5 2,363 1,181 2,363 2,954 ,000

Derived Stimulus Configuration

Individual differences (weighted) Euclidean distance model

1.0
jaya
lestari
baru
0.5

0.0
Dimension 2

laris

-0.5

-1.0

-1.5 murah

-2.0

-2 -1 0 1
Dimension 1
4
 Scatterplot of Linear Fit

Individual differences (weighted) Euclidean distance model

3
Distances

0.5 1.0 1.5 2.0 2.5 3.0

Disparities

8. Interpretasi:
a. Output text:
Raw (unscaled) Data for Subject 1

1 2 3 4 5

1 ,000
2 2,000 ,000
3 1,000 4,000 ,000
4 5,000 1,000 5,000 ,000
5 4,000 2,000 4,000 5,000 ,000

Terjadi matriks 5 x 5 yang berarti data terdiri dari 5 objek.

Young's S-stress formula 1 is used.

Iteration S-stress Improvement

1 ,18283
2 ,17954 ,00329
3 ,17920 ,00034

Iterations stopped because

S-stress improvement is less than ,001000
Untuk mendapatkan perceptual map, mds melakukan 3 kali iterasi sehingga
peningkatan mencapai kurang dari 0,001.

5
b. Derived stimulus configuration (perceptual map):
Derived Stimulus Configuration

Individual differences (weighted) Euclidean distance model

1.0
jaya
lestari
baru
0.5

0.0
Dimension 2

laris

-0.5

-1.0

-1.5 murah

-2.0

-2 -1 0 1
Dimension 1
Terlihat bahwa pada sumbu x, toko baru dan toko lestari berdekatan pada
sebelah kanan, hal ini berarti toko baru dan toko lestari memiliki faktor yang
membedakan dengan toko-toko yang lain pada sumbu x, misalnya lampu dan
layout. Sedangkan toko jaya karena terletak paling kiri pada sumbu x berarti
variabel lampu dan layoutnya sangat memberdakan dengan toko baru dan
lestari.
Sedangkan pada sumbu y kita lihat pada toko murah, misalnya pada sumbu ini
terdapat variabel ac dan harga, berarti kedua variabel tersebut sangat
membedakan toko ini dengan toko-toko yang lain.
Sehingga tindakan yang dapat diambil adalah:
1) Toko lestari tidak perlu bersaing dengan toko baru, karena di mata
responden, kedua toko punya banyak kesamaan. Apalagi jika kedua toko
lokasinya berjauhan, sehingga kompetisitidak relevan lagi.
2) Toko laris dan jaya dapat menerapkan strategi bersaing yang relatif sama
karena posisi kedua toko di mata responden relatif sama.
3) Toko murah karena memiliki variabel yang paling membedakan adalah ac dan
harga, sehingga apabila toko lestari ingin menyejajarkan posisinya dengan
toko murah harus meningkatkan pelayanan khususnya untuk variabel harga
dan ac.

6
 c. Scatterplot of linier fit:

Scatterplot of Linear Fit

Individual differences (weighted) Euclidean distance model

3
Distances

0.5 1.0 1.5 2.0 2.5 3.0

Disparities

Merupakan uji keselarasan, semakin selaras pengisian data, semakin lurus

diagonal yang terbentuk oleh kumpulan koordinat isi kuesioner. Dengan demikian
berarti model semakin baik.

Contoh kasus 2:
Pengelompokkan wilayah dilakukan berdasarkan karakteristik:
 tingkat perkembangan ekonomi  kontribusi pada PDRB Gerbang kertasusila
 tingkat kesejahteraan penduduk  tingkat konsumsi penduduk perkapita
 kemajuan SDM  tingkat melek huruf
Data:

Langkah-langkah:
1. Dari menu SPSS pilih analyze  scale  MDS

7
2. Untuk distances  pilih create distance from data  karena input
analisa MDS adalah matriks persamaan atau matriks jarak sehingga
dengan pilihan ini, SPSS akan langsung membuat matriks jarak yang
diolah untuk membentuk perceptual map.

3. Klik measure  interval pilih squared euclidean distance untuk

penyeragaman sehingga akan diperoleh jarak kuadrat dari masing-
masing obyek  standardize dengan zscore antar variabel, maksudnya
bahwa yang distandarisasi (di zscore kan adalah angka variabel) 
untuk create diatance matrix  between cases maksudnya SPSS akan
membuat matriks jarak antar obyek, bukan antar variabel yang akan
dijadikan input untuk pengolahan perceptual map  continue.

8
4. Pilih model, level of measurement pilih ratio (karena data yang
digunakan adalah rasio)  untuk scaling model pilih individual
differences euclidean distance (maksudnya skala matriks jarak
berdasarkan euclidean distance masing-masing objek)  continue.

5. Pilih Options  untuk display pilih group plots dan data matriks
sehingga outputnya dapat diperoleh scatterplot dan data masing-
masing obyek dalam perceptual map  continue  OK.

9
 6. Output
a. Text Output:
>Note # 14690
>You cannot use an ALSCAL individual difference scaling model (MODEL =
>INDSCAL or MODEL = GEMSCAL) with only one matrix. These models
require at
>least two matrices. ALSCAL will continue the analysis using the
Euclidean
>model (MODEL = EUCLID).

Raw (unscaled) Data for Subject 1

1 2 3 4 5

1 ,000
2 6,863 ,000
3 ,555 5,206 ,000
4 ,868 10,456 1,534 ,000
5 6,902 22,314 11,011 8,536 ,000
6 ,810 12,317 2,164 ,563 4,981
7 2,373 1,445 1,193 4,721 15,309

6 7

6 ,000
7 5,881 ,000
_

Iteration history for the 2 dimensional solution (in squared distances)

Young's S-stress formula 1 is used.

Iteration S-stress Improvement

1 ,38311
2 ,23760 ,14551
3 ,22652 ,01108
4 ,22639 ,00013

Iterations stopped because

S-stress improvement is less than ,001000

Stress and squared correlation (RSQ) in distances

RSQ values are the proportion of variance of the scaled data

(disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.

For matrix
Stress = ,25080 RSQ = ,94395
_

Configuration derived in 2 dimensions

10
 Stimulus Coordinates

Dimension

Stimulus Stimulus 1 2
Number Name

1 VAR1 -,1145 ,0227

2 VAR2 2,2828 -,5676
3 VAR3 ,3271 -,0789
4 VAR4 -,2722 ,0691
5 VAR5 -2,5247 ,6305
6 VAR6 -,6729 ,1675
7 VAR7 ,9743 -,2433
_

Optimally scaled data (disparities) for subject 1

1 2 3 4 5

1 ,000
2 1,598 ,000
3 ,129 1,212 ,000
4 ,202 2,435 ,357 ,000
5 1,607 5,196 2,564 1,988 ,000
6 ,189 2,868 ,504 ,131 1,160
7 ,553 ,336 ,278 1,099 3,565

6 7

6 ,000
7 1,369 ,000

Interpretasi: telah dilakukan 4 kali iterasi dengan hasil akhir

berupa Optimally scaled data (disparities) for subject 1

Interpretasi: telah dilakukan 4 kali iterasi dengan hasil akhir berupa

matriks jarak 7 x7 dari 7 objek yang ada.

11
b. Perceptual map:

Derived Stimulus Configuration

Individual differences (weighted) Euclidean distance model

0.8

VAR00005
0.6

0.4
Dimension 2

0.2 VAR00006
VAR00004
0.0
VAR00001 VAR00003

-0.2 VAR00007

-0.4

VAR00002
-0.6

-3 -2 -1 0 1 2 3
Dimension 1

Terlihat bahwa pada sumbu x, var. 5 (Surabaya) terletak paling kanan, kita lihat
kembali pada data terlihat bahwa data konsumsi dan PDRB kota Surabaya paling
besar dibandingkan yang lain, alternatif pertama kita letakkan variabel PDRB dan
konsumsi pada sumbu x. Sedangkan untuk sumbu y kita lihatvariabel 2 terletak
paling bawah untuk sumbu y, kemabali pada data diperoleh bahwa tingkat
pendidikan var. 2 (bangkalan) paling rendah dibanding objek yang lain, oleh
karena itu, kita letakkan variabel pendidikan untuk sumbu y. Kemudian dilakukan
uji ulang untuk variabel-variabel yang lain, apabila diperoleh kesimpulan yang
sama atau mendekati sama untuk masing-masing objek berarti alternatif yang
dipilih telah benar. Sehingga dapat dilakukan pengelompokkan, misalnya
kelompok 1 (var. 5), kelompok 2 (var. 6,4,1,3) dan kelompok 3 (var. 7,2).
Sehingga tindakan yang dapat diambil adalah:
1) Tidak perlu dilakukan pemberian bantuan untuk objek dalam kelompok 1
karena secara umum tingkat ekonomi, konsumsi dan pendidikannya telah
baik.

12
2) Untuk kelompok 2 secara umum tingkat ekonomi, konsumsi dan
pendidikannya berada dalam kisaran rata-rata, sehingga apabila dilakukan
pemberian subsidi atau bantuan untuk keempat objek harus dilakukan
penelitian apakah sektor yang paling membutuhkan bantuan bila
dibandingkan dengan sektor lainnya sehingga tidak terjadi ketimpangan
perkembangan antar sektor.
3) Untuk kelompok tiga merupakan objek yang secara umum tingkat
pendidikan, ekonomi dan konsumsinya rendah sehingga harus mendapatkan
bantuan atau subsidi dari pemerintah pusat atau propinsi.

c. Scatterplot:
Scatterplot of Linear Fit

Individual differences (weighted) Euclidean distance model

4
Distances

0 1 2 3 4 5 6
Disparities
Merupakan uji keselarasan, semakin selaras pengisian data, semakin lurus
diagonal yang terbentuk oleh kumpulan koordinat isi kuesioner. Dengan demikian
berarti model semakin baik.

7. Harap diperhatikan:
a. Analisa MDS dapat digunakan untuk mempermudah analisa
perencanaan dengan diawali oleh analisa faktor dan analisa cluster.
Misalnya dala perencanaan diperoleh data dari 100 objek dengan

13
 50 variabel, kita dapat melakukan anfak untuk mereduksi 50
variabel dan cluster untuk mereduksi 100 objek sehingga
pengelompokkan selanjutnya dengan MDS tidak akan kerepotan
denga terlalu banyak objek dalam perceptual map dan terlalu
banyak variabel yang harus diletakkan pada sumbu x dan sumbu y.
b. Untuk penggunaan data cluster harus diperhatikan bahwa cluster
yang terbentuk (1,2,3,dst.) merupakan objek untuk analisa MDS,
sehingga apabila memasukkan variabel yang dimasukkan adalah
variabelnya (bukan zscore, karena MDS akan membuat zscore
sendiri untuk masing-maisng variabel) dan bukan qcl (cluster)
karena itu merupakan objek bagi analisa MDS.
c. Dalam melakukan analisa MDS, harus diawali dengan tujuan yang
jelas, sehingga dalam pengelompokkan objek harus berdasarkan
pada kepentingan penelitian tersebut untuk mengarah pada
tindakan apa yang harus diambil sesuai tujuan awal penelitian.
d. Bagi yang memakai SPSS 12 apabila data matriks tidak bisa keluar,
bisa diawali dengan menjadikan matriks jarak yang terbentuk oleh
SPSS sebagai data awal yang diolah dengan cara yang sama
dengan contoh kasus 1.

14