8

BAB II
KAJIAN TEORI

A. MATRIKS

1. Pengertian Matriks

Menurut Howard Anton (1997: 22) matriks adalah susunan segi empat
siku-siku dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut
dinamakan entri dari matriks.
Matriks dilambangkan dengan huruf besar, sedangkan entri (elemen matriks)
dilambangkan dengan huruf kecil.
Dalam matriks dikenal ukuran matriks yang disebut ordo, yaitu banyaknya baris ×
banyaknya kolom.
Contoh 1
 a11 a12 
A   a21 a22 
 a31 a32 

Matriks berordo 3×2, dengan entri a11 , a12 , a21 , a22 , a31 , a32 .

Secara umum sebuah matriks dapat ditulis:

 b11 b12 b1n 
b b22 b2 n 
B   21
 
 
bm1 bm 2 bmn 

Penulisan yang lebih singkat: dengan i=1,2,…, m dan j=1,2,…, n.

Indeks pertama (i) menyatakan baris ke-i dan indeks kedua (j) menyatakan kolom
ke-j.
 9

Dua matriks dikatakan sama, jika ordonya sama dan entri-entri yang bersesuaian
dalam kedua matriks tersebut sama. Jika matriks seperti bentuk umum di atas
yaitu A   aij  dan B  bij  dengan i=1,2,…,m dan j=1,2,…,n, dan A  B , maka

berlaku aij  bij .

Contoh:
a 4 
Jika A    dan A  B , hanya dipenuhi oleh a  1, b  2, c  1 , dan d  1
 2 6d 

2. Matriks Bujursangkar.

Matriks dengan ordo disebut matriks bujur sangkar, yaitu matriks

yang memiliki jumlah baris sama dengan jumlah kolom. Dalam matriks
bujursangkar dikenal diagonal utama, yaitu entri-entri yang mempunyai
nomor
baris sama dengan nomor kolom.
Contoh 3

Diagonal utama

Matriks di atas mempunyai ordo , dan ditulis , sedangkan entri yang

terletak pada diagonal utama adalah .
 10

Matriks bujur sangkar yang diagonal utamanya berupa bilangan 1 dan yang
di luar diagonal utama berupa bilangan 0 disebut matriks identitas, dilambangkan
dengan I. Jika ukuran penting untuk ditekankan, maka ditulis
dengan untuk matriks ukuran .

3. Penjumlahan Matriks

Menurut Howard Anton (1997: 23), jika dan adalah sebarang dua
matriks yang ukurannya sama, maka jumlah adalah matriks yang diperoleh
dengan menambahkan bersama-sama entri yang bersesuaian dalam kedua matriks
tersebut. Matriks-matriks yang ukurannya berbeda tidak dapat dijumlahkan.
Contoh 4

maka

sedangkan , tidak terdefinisi, karena ordo tidak sama dengan ordo

dan ordo tidak sama dengan ordo .
4. Perkalian Matriks dengan Skalar

Menurut Howard Anton (1997: 24), jika adalah suatu matriks dan
 11

adalah skalar, maka hasil kali (product) adalah matriks yang diperoleh dengan
mengalikan masing-masing entri dari oleh .
 12

Contoh 5

Jika terdapat matriks

maka

Jika adalah sebarang matriks, maka – akan menyatakan hasil kali .

Jika adalah matriks yang ordonya sama, maka didefinisikan

sebagai jumlah .

Contoh 6

Berdasarkan Contoh 4 sebelumnya, maka

 13

5. Perkalian Matriks

Menurut Howard Anton (1997: 25), jika adalah matriks dan

adalah matriks , maka hasil kali adalah matriks yang entri-

entrinya ditentukan sebagai berikut. Untuk mencari entri dalam baris dan kolom

dari , pilihlah baris i dari matriks dan kolom j dari matriks . Kalikanlah entri-
entri yang bersesuaian dari baris dan kolom tersebut bersama-sama dan kemudian
tambahkanlah hasil kali yang dihasilkan.
 14

Jika dan dengan , dan

. Perkalian matriks dan yang dinyatakan oleh, yang

memenuhi syarat: banyak kolom sama dengan banyak baris .

Aturan: (jumlah dari semua perkalian antara elemen pada baris

ke- dengan elemen pada kolom ke- )

Dengan aturan tersebut, dikaitkan dengan vektor kolom dan vektor baris, jika

vektor baris ke- dari matriks dan vektor kolom ke- dari matriks , maka
elemen-elemen matriks adalah: .
Contoh 7

Karena adalah matriks dan adalah matriks , maka hasil kali

adalah matriks . Berikut merupakan perhitungan-perhitungan untuk hasil kali

dengan mengalikan entri-entri yang bersesuaian bersama-sama dan
menambah hasil kali;

Entri pada baris ke-1 dan kolom ke-1

Entri pada baris ke-1 dan kolom ke-2

15
 16

Entri pada baris ke-2 dan kolom ke-1

Entri pada baris ke-2 dan kolom ke-2

Maka,

6. Transpose Matriks
Menurut Howard Anton (1997: 27), jika adalah sebarang matriks , maka
transpose dinyatakan oleh dan didefinisikan dengan matriks

yang kolom pertamanya adalah baris pertama dari , kolom keduanya adalah baris
kedua dari , demikian juga dengan kolom ketiga adalah baris ketiga dari , dan
seterusnya.
Sifat-sifat transpose matriks:

1.

2.
 17

3.

Contoh 8

Jika maka didapatkan transpose matriks

 18

7. Determinan Matriks

Menurut Howard Anton (1997: 63), misalkan adalah matriks kuadrat. Fungsi
determinan dinyatakan oleh , dan didefinisikan sebagai jumlah semua hasil
perkalian elementer bertanda dari .
Sebuah hasil perkalian elementer bertanda dari suatu matriks adalah sebuah
hasil perkalian elementer pada suatu kolom dengan atau .
a. Determinan matriks

Determinan dari didefinisikan sebagai

b. Determinan matriks

Determinan dari didefinisikan sebagai

c. Matriks Minor

Diberikan matriks . Minor dari , ditulis didefinisikan sebagai

determinan dari submatriks yang didapatkan dengan cara menghilangkan baris ke-i
dan kolom ke-j.
d. Matriks Kofaktor
 19
Diberikan matriks . Kofaktor dari dinyatakan dengan ,
didefinisikan sebagai .
 20

Matriks dinamakan matriks kofaktor.

e. Matriks Adjoint

Matriks adjoint dari , ditulis , didefinisikan sebagai transpose dari matriks

kofaktor dari .
Contoh 9

Misalkan,

Minor adalah

Kofaktor adalah
 21

f. Determinan matriks

Teorema 2.1: (Anton, 1997: 79)

Determinan matriks yang berukuran dapat dihitung dengan

mengalikan entri-entri dalam suatu baris (atau kolom) dengan kofaktor- kofakornya dan
menambahkan hasil-hasil kali yang dihasilkan; yakni, untuk
setiap dan , maka

(ekspansi kofaktor di

sepanjang baris ke-i), dan

(ekspansi kofaktor di

sepanjang kolom ke-j).

Contoh 10

Misalkan matriks dengan ordo

 22

Tentukan determinan dengan metode ekspansi kofaktor baris kedua

Jawab:
 23

Jadi,

8. Invers

Definisi 2.1: (Anton, 1997:34)

Jika matriks persegi dan jika terdapat suatu matriks dengan ukuran yang
sama sedemikian sehingga , maka invertible (dapat dibalik) dan
adalah invers dari .
Jika dapat dibalik, maka inversnya akan dinyatakan dengan simbol . Jadi

dan
 24

Teorema 2.2: (Anton, 1997: 35)

Jika dan adalah matriks-matriks yang invertible dan ukurannya sama, maka
1. invertible

2.
 25

Teorema 2.3: (Anton, 1997: 37)

Jika adalah matriks invertible, maka:

1.

2. untuk

3. Untuk setiap skalar yang taksama dengan nol, maka dan

9. Nilai Eigen dan Vektor Eigen

Definisi 2.2: (Anton, 1997: 277)

Jika adalah matriks , maka vektor taknol di dalam

dinamakan vektor eigen (eigenvector) dari jika adalah kelipatan skalar dari

; yaitu,

Untuk suatu skalar . Skalar dinamakan nilai eigen (eigenvalue) dari dan

dikatakan vektor eigen yang bersesuaian dengan .

 26

Untuk mencari nilai eigen matriks yang berukuran maka

dapat dituliskan sebagai

atau secara ekivalen

Persamaan di atas akan mempunyai penyelesaian tak nol jika

Persamaan (2.1) disebut persamaan karakteristik .

 27

Skalar yang memenuhi persamaan (2.1) adalah nilai eigen dari . Apabila
diperluas, maka adalah polinom yang disebut polinom
karakteristik dari .
Polinom karakteristik dari matriks mempunyai bentuk

Contoh 11

Diketahui matriks

Akan dicari nilai eigen dari matriks

dengan

maka polinom karakteristik dari adalah

persamaan karakteristik dari adalah

Jadi diperoleh nilai eigen dari adalah dan .

Akan dicari vektor eigen dari matriks

 28
Jika maka:

diubah ke dalam bentuk persamaan linear, menjadi

 29

Solusi non trivial sistem persamaan di atas adalah

Misalkan maka

Jadi vektor-vektor eigen dari yang bersesuaian dengan adalah vektor-vektor

tak nol yang berbentuk:

dengan adalah bilangan sebarang yang tidak nol

Untuk maka:

diubah ke dalam bentuk persamaan linear, menjadi

 30

Solusi non trivial sistem persamaan di atas adalah

Misalkan maka

Jadi vektor-vektor eigen dari yang bersesuaian dengan adalah vektor-vektor

tak nol yang berbentuk:

dengan adalah bilangan sebarang yang tidak nol

 31

B. Ruang Vektor Euclidean

1. Vektor pada Ruang Berdimensi n

Definisi 2.3: (Anton dan Rorres, 2000: 162)

Jika n sebuah bilangan bulat positif, maka ordered n-tupel adalah sebuah urutan
dari n bilangan real ( , ,..., ). Himpunan semua ordered n-tupel disebut ruang
berdimensi n dan dinyatakan dengan .
Definisi 2.4: (Anton dan Rorres, 2000: 162)
Vektor dan ) pada disebut sama jika

= , = ,..., = .
Penjumlahan didefinisikan

dan jika k suatu skalar sebarang, maka kelipatan skalar .

Teorema 2.4: (Anton dan Rorres, 2000: 163)

Jika , ), dan adalah

vektor-vektor pada dan k dan l adalah skalar, maka :
(a)

(b)

(c)

(d)
 32
(e)

(f)

(g)
 33

(h)

2. Ruang Euclidean Berdimensi-n

Definisi 2.5: (Anton dan Rorres, 2000: 163)

Jika dan ) adalah sebarang vektor dalam

, maka hasil kali dalam Euclidean didefinisikan sebagai:

dengan operasi penjumlahan, perkalian skalar dan hasil kali dalam Euclidean

disebut sebagai “ruang Euclidean berdimensi-n”.

Teorema 2.5: (Anton dan Rorres, 2000: 164)

Jika , , dan adalah vektor-vektor pada dan adalah sebarang skalar, maka:
(a)

(b) (c)

(d)

jika dan hanya jika

3. Kombinasi linear

Definisi 2.6: (Anton, 1997: 145)

Sebuah vektor dinamakan kombinasi linear dari vektor-vektor

 34

jika vektor tersebut dapat diungkapkan dalam bentuk

, dimana adalah skalar.

 35

C. Analisis Multivariat

1. Matriks Data Multivariat

Data yang diperoleh dengan mengukur lebih dari satu variabel kriteria pada
setiap individu anggota sampel, disebut data multivariat. Dalam data multivariat
digunakan notasi untuk menunjukkan nilai tertentu dari variabel
ke- yang diamati pada objek ke- . Secara umum, data multivariat dengan

objek dan variabel dapat diilustrasikan dalam bentuk berikut:

Variabel 1 Variabel 2 Variabel Variabel

Objek 1

Objek 2

Objek

Objek

atau dapat ditulis dalam bentuk matriks dengan baris dan kolom sebagai
berikut:
 36

2. Vektor Mean dan Matriks Kovariansi

2.1. Vektor Mean, Matriks Kovariansi dan Matriks Korelasi Data Sampel
Misalkan adalah pengukuran pada variabel pertama. Rata-
rata pengukuran disebut juga rata-rata (mean) sampel ditulis dengan

adalah

Secara umum mean sampel untuk variabel ke-i bila ada p variabel dan n

banyaknya data adalah:

Sehingga vektor mean sampel

 37
Variansi sampel untuk variabel ke-i adalah

Sedangkan kovariansi sampel untuk variabel ke-i dan ke-k adalah

dan matriks varians dan kovarians sampel

 38

Koefisien korelasi sampel merupakan ukuran hubungan linear antara 2

variabel. Koefisien korelasi sampel untuk variabel ke-i dan ke-k adalah:

sehingga diperoleh matriks korelasi sampel

2.2 Vektor Mean, Matriks Kovariansi dan Matriks Korelasi Data Populasi

Misalkan matriks random berorde untuk setiap

merupakan sebuah vektor random. Mean dari vektor random untuk

populasi adalah:
 39

Kovariansi dari vektor random adalah

 40

Oleh karena , untuk setiap dan dengan

maka berlaku:
 41
merupakan matriks simetris dengan dan berturut-turut adalah mean populasi dan
varians-kovarians populasi.
Ukuran hubungan linear antara variabel random dan disebut koefisien

korelasi. Koefisien korelasi populasi didefinisikan sebagai rasio kovariansi

dengan variansi dan sehingga

Matriks koefisien korelasi populasi merupakan matriks simetris , berorde

, dimana:
 42

D. Analisis Profil

Menurut Morisson dalam Mattjik dan Sumertajaya (2011: 101) analisis profil
merupakan suatu bagian dari pengujian hipotesis terhadap nilai tengah dari multivariat
dengan menggunakan prinsip grafik. Dengan demikian untuk mengetahui perkiraan
tentang kemiripan profil baik profil antar perlakuan maupun antar kelompok yang
dinyatakan dengan kesejajaran itu, dapat dilihat dari grafik plot antara nilai rataan tiap-
tiap perlakuan untuk setiap kelompok (populasi). Misalkan, terdapat rata-rata (mean)
populasi merupakan rata-rata respon untuk 4 perlakuan
(treatment) pada kelompok pertama, plot dari rata-rata ini dihubungkan oleh garis lurus,
dapat dilihat pada Gambar 2.1.
 43

Mean
response

Variables

1 2 3 4

Gambar 2.1. Grafik Profil

Profil dapat didefiniskan sebagai kumpulan skor subtes peserta tes pada tes yang
diberikan. Analisis profil mengacu pada penentuan kekuatan dan kelemahan kognitif
yang dapat digunakan untuk membantu dalam membuat keputusan mengenai diagnosis
dan intervensi.
Menurut Ding (2001), profil menyediakan tiga jenis informasi untuk setiap
kelompok, yaitu level, dispersi dan bentuk (shape). Level profil didefinisikan
sebagai rata-rata terbobot dari skor dalam profil, yaitu nilai rata-rata akhir dari variabel.
Dispersi profil didefinisikan sebagai ukuran penyebaran jumlah masing- masing skor
dalam profil terhadap mean. Ukuran dispersi adalah standar deviasi dari skor setiap
kelompok. Dispersi sulit dibuat interpretasi langsung, karena dispersi profil untuk
kelompok-kelompok pada umumnya bergantung pada korelasi diantara variabel dalam
profil. Menurut Nunnally yang dikutip oleh Ding (2001), cara yang masuk akal untuk
menerjemahkan dispersi dari skor adalah membandingkan dispersi dari skor untuk dua
kelompok. Bentuk (shape) profil didefinisikan sebagai “up” dan “down” dalam profil
dan dapat ditentukan oleh peringkat dari skor. Bentuk profil disebut juga skor ipsative.
Skor ipsative adalah
 44

perbedaan antara skor subtes dan level profil. Jika skor ipsative positif, itu merupakan
puncak profil yang menunjukkan subskor lebih tinggi dari rata-rata skor keseluruhan
tes ini. Jika skor ipsative negatif, itu merupakan lembah profil yang menunjukkan
subskor lebih rendah dari rata-rata skor keseluruhan tes ini. Titik-titik tinggi dan
rendah dalam profil menunjukkan karakteristik menonjol dari kelompok yang
menyerupai profil. Ukuran yang dapat memuat shape dan scatter secara bersamaan dari
profil adalah pola profil.

E. Multidimensional Scaling

1. Pengertian Multidimensional Scaling

Multidimensional scaling adalah salah satu metode dalam analisis multivariat

yang digunakan untuk mempresentasikan suatu proximities (kedekatan) atau
perbedaan antar objek ke dalam sebuah peta. Konsep dasar dari MDS adalah menentukan
koordinat posisi untuk setiap objek dalam suatu peta geometri, sehingga jarak antar
objek-objek tersebut akan sesuai dengan nilai kedekatan berdasarkan input datanya. Peta
geometri tersebut yang disebut spatial maping dan koordinat posisi untuk setiap objek
dalam peta spatial disebut nilai skala. Dalam spatial maping, objek-objek penelitian
direpresentasikan menjadi titik-titik. Titik-titik yang ditempatkan dalam sebuah peta
akan menghasilkan jarak diantara setiap pasang objek. Jarak antara titik satu satu
dengan yang lain menggambarkan kemiripan atau perbedaan objek satu dengan objek
lainnya. Dua buah objek yang mirip ditunjukkan oleh dua titik yang dekat satu sama
lain, serta
 45

dua objek yang relatif berbeda ditunjukkan oleh dua titik yang cenderung jauh satu
sama lain.
Penggambaran objek selanjutnya disebut dengan istilah stimulus (stimuli) dan
biasanya dinyatakan dalam peta berdimensi rendah seperti dimensi dua atau tiga,
sedangkan peta dimensi berjumlah empat atau lebih akan membuat interpretasi sulit
dilakukan sehingga MDS umumnya memakai dua atau tiga dimensi. Peta berdimensi
rendah menjadi alat untuk memaksimalkan ukuran kedekatan (proximity measure) di
setiap pasangan objek serta jarak antara suatu objek didalam sebuah peta.

2. Prosedur Analisis Data dengan Multidimensional Scaling

Pengolahan dan analisis data dilakukan melalui tahapan pembentukan

multidimensional scaling sebagai berikut:

Perumusan Masalah

Input Data

Pemilihan Prosedur MDS

Penentuan Jumlah Dimensi

Penamaan Dimensi
 46
Uji Kebaikan Model MDS

Gambar 2.2. Skema pembentukan multidimensional scaling

 47

2.1 Perumusan Masalah

Menurut Supranto (2004: 180) merumuskan masalah mengharuskan peneliti

menyebutkan secara khusus maksud untuk apa hasil analisis multidimensional scaling
akan digunakan dan memilih stimuli untuk dimasukkan ke dalam analisis. Tujuan
yang hendak dicapai dalam analisis multidimensional scaling adalah
pengidentifikasian dimensi yang tidak diketahui dan evaluasi objek dengan cara
membandingkan setiap pasangan stimuli.
2.2 Input Data

Dalam tahap ini, data yang dimasukkan pada multidimensional scaling ini
berupa nilai kemiripan atau ketidakmiripan antara setiap pasangan dari n objek,
sehingga data yang digunakan berdasarkan pada nilai proximities
(kedekatan).

Input Data

Persepsi Preferensi

Langsung Tidak Langsung Perankingan Perbandingan

(Similarity (Atribute Pasangan (Paired
Judgement) Ratings) Comparison)
 48

Gambar 2.3. Input data multidimensional scaling

 49

a. Data Persepsi

Jika data kemiripan yang harus dikumpulkan, peneliti harus menentukan item
yang paling mirip dan yang paling tidak mrip. Beberapa prosedur biasanya digunakan
untuk memperoleh persepsi responden di antara stimuli, data yang dihasilkan dapat
bersifat langsung (direct) jika merupakan data kemiripan dan tidak langsung (derived)
jika merupakan data rating atribut.
Direct approaches memiliki keunggulan, yaitu: peneliti tidak harus
mengidentifikasi serangkaian atribut. Responden menentukan tingkat kemiripan
berdasarkan kriterianya masing-masing. Kelemahannya adalah kriteria tersebut
dipengaruhi oleh stimuli yang diteliti. Sebagai contoh, jika berbagai merk motor diteliti
pada rentang harga yang sama, maka harga tidak akan dipandang sebagai faktor yang
penting.
Derived approaches memiliki keunggulan, yaitu: kemudahan dalam identifikasi
responden yang memiliki persepsi yang sama atau homogen. Responden dapat
mengelompokkan merk berdasar peringkat atribut produk, sehingga memudahkan
peneliti dalam memberikan label dimensi. Kelemahannya adalah peneliti harus
terlebih dahulu mengembangkan atribut- atribut relevan.
Direct approaches lebih banyak digunakan daripada derived approaches.
Direct approaches digunakan untuk menyusun spatial map, sedangkan derived
approaches digunakan sebagai dasar interpretasi dimensi pada peta persepsi.
 50

b. Data Preferensi

Data preferensi mengurutkan stimuli sesuai dengan preferensi responden dari

beberapa properti. Sebagai contoh, merk B lebih diminati daripada merk D. Dua
prosedur umum yang biasa digunakan untuk memperoleh data preferensi adalah
rangking langsung dan perbandingan pasangan stimuli berdasar atribut.
Prosedur perangkingan meminta setiap responden membuat peringkat merek dari
yang paling disukai sampai yang paling tidak disukai. Metode ini untuk mendapatkan
data kemiripan nonmetrik. Dalam prosedur perbandingan berpasangan, responden
diberikan selurh kemungkinan pasangan dan di minta untuk mengidentifikasi anggota
manakah dari setiap pasangan yang lebih disukai. Dengan cara ini, peneliti
memperoleh data eksplisit untuk setiap perbandingan, dan lebih detil daripada
perangkingan.
2.3 Pemilihan Prosedur MDS

Untuk memilih prosedur MDS tergantung pada pengukuran data persepsi dari
preferensi yang akan dilakukan. Dalam pemilihan prosedur yang akan digunakan untuk
analisis multidimensional scaling, maka perlu diketahui dua tipe multidimensional
scaling yaitu metric multidimensional scaling dan nonmetric multidimensional scaling.
Metric multidimensional scaling mengasumsikan bahwa input data adalah metrik dan
outputya juga berbentuk metrik, sedangkan nonmetric multidimensional scaling
mengasumsikan bahwa data input berskala nominal atau ordinal tetapi hasilnya
berbentuk metrik. Jarak yang digambarkan pada peta diasumsikan sebagai skala
interval. Menurut
 51

Maholtra (2010: 354), prosedur MDS dengan menggunakan data metrik maupun data
non metrik akan memberikan hasil yang sama.
2.4 Penentuan Jumlah Dimensi

Tujuan dari multidimensional scaling adalah membentuk suatu spatial map yang
terbaik (dapat menggambarkan keadaan sesungguhnya) dari suatu data input. Dalam
analisis multidimensional scaling (MDS) akan ditentukan lebih dahulu faktor-faktor
yang tetap digunakan untuk memperoleh gambaran posisi dalam spatial maping yang
terbaik, karena tidak semua faktor tetap digunakan dalam analisis. Untuk menentukan
jumlah faktor digunakan dasar analisis faktor dengan sub bahasanya adalah penurunan
faktor.
Sebuah perbedaan nilai eigen menunjukkan seberapa pentingnya faktor tersebut.
Oleh karena itu, akan diperlihatkan bahwa hanya akan tetap menggunakan faktor dengan
nilai eigen yang besar. Dalam menentukan sebuah nilai eigen yang cukup besar untuk
menggambarkan faktor yang berarti dapat digunakan sebuah teknik penyelesaian yang
dikemukakan oleh Catell dalam Andy Field (2005: 632) yaitu untuk menggambarkan
grafik masing-masing nilai eigen sebagai sumbu-Y dan faktor-faktor yang berhubungan
sebagai sumbu-X. Grafik ini disebut scree plot. Dalam menentukan banyaknya faktor
yang digunakan kemungkinan yang dapat terjadi yaitu faktor yang tetap digunakan
sejumlah variabel yang ada dan masing-masing berhubungan dengan nilai eigen. Dengan
scree plot, masing-masing faktor yang relatif penting menjadi jelas terlihat.
 52

Kekhususan scree plot ini adalah banyaknya faktor yang penting kurang dari
faktor yang tersedia jika terdapat nilai eigen yang relatif tinggi dan banyak faktor yang
memiliki nilai eigen yang relatif rendah, maka scree plot ini memiliki karakteristik
bentuk turunan tajam (curam) dan diikuti dengan bagian ekor yang landai. Penentuan
jumlah faktor yang penting dapat dilihat pada bagian grafik yang curam, nilai pada
sumbu-X yang diapit oleh dua titik yang membentuk grafik curam tersebut menunjukkan
banyaknya dimensi yang dapat digunakan dalam spatial mapping. Berikut contoh scree
plot dari hasil analisis
faktor:

0.14

0.12

0.1
Nilai Eigen

0.08

0.06 curam
0.04

0.02

1 2 3 4
5

Faktor

Gambar 2.4. Scree Plot

Dari grafik scree plot diatas terlihat bahwa bentuk yang curam tepat pada angka dua.
Kesimpulannya bahwa dimensi yang digunakan pada spatial mapping berjumlah dua
dimensi. Spatial map dapat di analisis dengan software SPSS. Berikut contoh spatial
map dengan jumlah dua dimensi:
 53

Gambar 2.5. Spatial map dengan dua dimensi

2.5 Penamaan Dimensi

Setelah spatial map didapat kemudian dimensi harus diberi nama.

Pemberian nama pada dimensi memerlukan beberapa pedoman, yaitu:
1. Meskipun direct similariy judgement diperoleh, penilaian stimulus pada atribut
yang dimiliki peneliti masih pelu dikumpulkan. Dengan menggunakan metode
statistik seperti regresi, vektor atribut ini dibentuk dalam suatu spatial map. Sumbu-
sumbu koordinat kemudian diberi nama sesuai dengan atribut-atribut yang mempunyai
tingkat kedekatan yang tinggi.
2. Setelah responden memberikan direct similarity, responden diminta untuk
menunjukkan kriteria yang digunakan saat mereka membandingkan
 54

stimulus. Kriteria ini bisa digunakan untuk memberikan nama pada dimensi yang
terbentuk.
2.6 Uji Kebaikan Model Multidimensional Scaling

Untuk mendapatkan model multidimensional scaling yang baik, terdapat

beberapa kriteria atau pedoman agar hasil yang didapatkan layak dan dapat digunakan
untuk interpretasi selanjutnya, diantaranya pengujian index of fit (R2) dan nilai STRESS.
1. Pengujian index of fit (R2)

R2 dalam multidimensional scaling menunjukkan proporsi varians data input yang

dapat dijelaskan oleh model multidimensional scaling. Menurut Maholtra yang dikutip
oleh Bilson Simamora (2005: 268), R2 yang dapat diterima adalah nilai R2 yang lebih
dari 0,6 (semakin besar dianggap semakin layak).
2. Nilai STRESS

Nilai Stress menunjukkan proporsi varians perbedaan yang tidak dijelaskan oleh model.
Semakin kecil nilai Stress yang didapatkan, semakin baik model multidimensional
scaling yang didapatkan. Terdapat berbagai cara untuk menghitung nilai Stress, namun
yang paling sering digunakan adalah Kruskal’s STRESS. Untuk Kruskal’s STRESS
formula terdapat pedoman untuk mengindikasikan model yang baik bila dilihat dari nilai
STRESS dengan menggunakan standar kriteria sebagai berikut:
 55

Tabel 2.1. Kriteria nilai STRESS

Stress Goodness of fit

20% Poor

10% Fair Good

Excellent
5%
Perfect
2,5%
Sumber: Johnson & Wichern (2007: 708)
0%
Goodness of fit mengacu pada hubungan monotonic antara similarities dan jarak akhir
(Johnson dan Wichern, 2007: 708).

F. Distribusi Empiris

Sampel random berukuran dari distribusi probabilitas dinotasikan

sebagai (Efron dan Thibshirani, 1993: 31):

maka disebut ungsi distribusi empiris yang didefinisikan sebagai distribusi

diskrit dengan probabilitas untuk setiap . Jika suatu kejadian
muncul kali dalam n kali percobaan, maka mempunyai probabilitas empiris:

merupakan jumlah kemunculan di mana A dinyatakan sebagai

proporsi dari sampel .
 56

G. Prinsip Plug-in
Prinsip plug-in merupakan metode sederhana untuk mengestimasi
parameter berdasarkan sampel. Estimasi plug-in dari parameter

didefinisikan dengan (Efron dan Thibshirani, 1993: 35):

Dengan kata lain, fungsi dari distribusi diestimasi dengan mengganti

F dengan distribusi empiris yaitu .

H. Standar Error

Berikut akan dibahas mengenai standard error dan estimasi standar error:

1. Standar error untuk mean

Dalam statistika ketepatan suatu estimasi dapat diukur dengan standar error
(se). Jika adalah variabel random dengan fngsi probablitas kumulatif F,
ekspetasi dan variansinya dinyatakan dalam:

dapat juga dinotasikan dengan:

 57

Jika adalah sampel random berukuran n dari distribusi , mean

sampel mempunyai ekspektasi dan variansi , dinotasikan dengan
 58

Dengan kata lain, ekspektasi sama dengan ekspektasi , tetapi variansi adalah

kali dari variansi . Dapat disimpulkan bahwa semakin besar n, maka

akan semakin kecil, berarti semakin besar n semakin baik nilai ekspektasi .
Standar error dari mean , disimbolkan adalah akar dari variansi ,

2. Estimasi standar error

Dalam mengestimasi standar error dapat menggunakan metode plug-in, yaitu
dengan mengganti dengan pada . Estimasi plug-in untuk

adalah:

Karena dan , untuk sembarang fungsi g. Maka

etimasi standar error adalah sebagai berikut:

I. Regresi Linier Ganda

 59
Regresi linier ganda adalah hubungan antara suatu variabel tak bebas
dengan dua atau lebih variabel bebas (Sudjana, 2001).
Model regresi linier ganda, dinyatakan sebagai berikut:
 60

Jika:

adalah variabel tak bebas/dependen pada pengamatan ke-i

adalah parameter regresi

adalah variabel bebas/independen pada pengamatan ke-i

adalah peubah gangguan atau error yang bersifat acak dengan rataan

dan ragam ; dan tidak berkorelasi sehingga

peragam/kovariansi untuk semua dengan . Bila

persamaan (2.15) ditulis dalam bentuk matriks:

sehingga model umum regresi linear ganda dalam bentuk matriks dapat
dinotasikan sebagai berikut:

Model regresi linier ganda dinyatakan dengan persamaan (2.15). Dengan dugaan
model sebagai berikut:

didapatkan error sebagai berikut:

 61

Asumsi-asumsi yang mendasari model tersebut adalah:

1. Normalitas, error mengikuti distrbusi normal dengan rata-rata nol dan variansi ,
. Statistik uji yang paling sering digunakan untuk menguji asumsi
kenormalan error dengan menggunakan data residual
 62

adalah Kolmogorov-Smirnov normality test. Selain dengan statistik uji, pemeriksaan

kenormalan residual dapat pula dilakukan dengan QQ-Plot. Ciri-ciri dari data yang
menyebar normal bila diplotkan dengan QQ-Plot adalah bahwa titk-titk data tersebut
tersebar di sekitar garis lurus.
Tidak ada autokorelasi antar error, dan tidak berkorelasi sehingga

peragam/kovariansi untuk semua dengan

. Adanya autokorelasi pada error mengindikasikan bahwa ada satu atau
beberapa variabel penting yang mempengaruhi variabel tak bebas

yang tidak di masukkan ke dalam model regresi. Pengujian ada tidaknya autokorelasi
dapat dilakukan dengan uji Durbin-Watson (DW). Uji ini menghasilkan nilai DW
hitung dan nilai DW tabel ( dan ), = nilai
batas atas dan = nilai batas bawah pada tingkat signifikansi atau

. Rumus uji DW (Gujarati, 2004: 467):

dengan = residual pada periode dan = residual pada periode

Kriteria Durbin-Watson (Gujarati, 2004: 470):

Nilai Hipotesis Nol Keputusan

ada autokorelasi positif menolak
tidak ada autokorelasi positif tidak dapat
disimpulkan
ada korelasi negatif menolak
ada korelasi negatif tidak dapat
disimpulkan
 63
tidak ada autokorelasi, baik tidak menolak
positif atau negatif
 64

2. Homoskedastisitas, , memiliki ragam homogen atau disebut juga

dengan tidak adanya masalah heteroskedasitas. Model regresi yang baik adalah memiliki
sifat homoskedastisitas. Untuk melihat homoskedastisitas suatu data dalam analisis
regresi dapat digunakan diagram pencar (scatterplot). Dasar pengambilan kepuusan
menurut Singgih Santoso (2000: 258) adalah sebagai berikut:
(1) Jika terdapat suatu pola tertentu dalam diagram pencar di mana titik- titiknya teratur
mengikuti pola tertentu yang teratur (bergelombang, melebar kemudian menympit),
maka dapat disebut memiliki sifat heteroskedastisitas.
(2) Jika dalam diagram pencar titik-titik tersebut menyebar tidak teratur serta tidak berpola
maka disebut memiliki sifat homoskedastisitas.
3. Tidak ada multikolinearitas antar variabel bebas . Statistik uji yang tepat adalah
dengan Variance Inflation Factor (VIF). Nilai VIF yang lebih besar dari 10
mengindikasikan adanya multikolinearitas yang serius.
Dalam regresi liniar ganda menggunakan metode least square untuk estimasi
koefisien regresi linier . Metode least square bertujuan mendapatkan
penaksiran koefisien regresi, yaitu , dan , yang menjadikan

jumlah kuadrat error, yaitu sekecil mungkin. Prosedur metode kuadrat kecil
(least square) adalah sebagai berikut:
i. Membentuk sebagai fungsi , dan ,
 65

ii. Mendiferensialkan S terhadap , dan , kemudian hasil diferensialnya

disamakan dengan 0.
66
 67

Dan seterusnya hingga p,

Persamaan (2.18)-(2.20) disebut sebagai persamaan linier untuk

iii. Menghitung , dan berdasarkan persamaan linier yang terbentuk,

 68

Untuk mempermudah menghitung penaksiran koefisisen regresi maka persamaan linier

diubah kebentuk matriks,
 69

Pada satu matriks dan dua vekor diatas, masing-masing dinamai:

matriks (berukuran (p+1)×(p+1)), vektor (berukuran (p+1)×1), dan vektor (juga
berukuran (p+1)×1), sehingga persamaan menjadi:

didapatkan penaksir koefisien regresi, yaitu b :

dengan .