Analisa Data Multivariate Pengantar

RANGKUMAN Yosua Wirawan Budi Raharjo

Universitas Atma Jaya Yogyakarta 180324043 / 07
Tahun Akademik 2019 – 2020

MULTIDIMENSIONAL SCALING (MDS)

 Multidimensional Scaling ( MDS ) adalah sebuah teknik statistika yang bertujuan dalam
mengukur objek pada skala multidimensi yang berdasarkan pada keputusan dari responden
terhadap kesamaan objek.
 MDS dapat pula membantu kita mengidentifikasi atau mengenali dimensi kunci yang mendasari
evaluasi objek dari responden tanpa mendeskripsikan sifat atau atribut-atribut terlebih dahulu.
 Solusi yang dihasilkan oleh metode MDS mudah untuk dimengerti dan lebih tepat untuk
digunakan, sehingga metode MDS dapat digunakan di berbagai bidang. Salah satu bidang yang
telah menggunakan metode MDS adalah bidang riset pemasaran. Bidang riset pemasaran
menggunakannya untuk membandingkan posisi relatif suatu objek dengan objek lainnya
berdasarkan persepsi konsumen, sehingga dapat diketahui apakah produk tersebut relatif sama
atau berbeda dengan produk sejenis lainnya, atribut apa saja yang menjadi keunggulan dan
kekurangan produk tersebut dibandingkan produk pesaingnya, dan dapat menyimpulkan strategi
atau keputusan yang seharusnya dilakukan agar dapat berkompetisi dengan produk lain.
 Analisis Multidimensional Scalling (MDS) merupakan salah satu teknik peubah ganda yang dapat
digunakan untuk menentukan posisi suatu obyek lainnya berdasarkan penilaian kemiripannya.
MDS disebut juga Perceptual Map. MDS berhubungan dengan pembuatan map untuk
menggambarkan posisi sebuah obyek dengan obyek lainnya berdasarkan kemiripan obyek-obyek
tersebut. MDS juga merupakan teknik yang bisa membantu peneliti untuk mengenali
(mengidentifikasi) dimensi kunci yang mendasari evaluasi objek dari responden (pelanggan).
 Multidimensional Scaling (MDS) merupakan suatu analisis multivariat yang menunjukkan
hubungan antar sejumlah objek dalam ruangan multidimensional didasarkan pada penilaian
responden mengenai kemiripan / kedekatan (similarity) objek-objek tersebut. Kedekatan antar
objek diperoleh menggunakan jarak Euclid antara objek ke-I dengan objek ke-j :

d_ij=√(∑_(h=1)^p▒〖(x_ih-x_jh)〗^2 )

Di mana : dij = jarak antar objek ke-i dan objek ke-j ; Xih = hasil pengukuran objek ke-i pada
variabel h ; Xjh = hasil pengukuran objek ke-j pada variabel h

1 Multidimensional Scaling (MDS) ‘19/20:

 MDS digunakan untuk mengetahui hubungan interdepensi atau saling ketergantungan antar
variabel atau data. Hubungan ini diketahui melalui perbandingan variabel yang ada pada setiap
objek yang bersangkutan menggunakan perceptual map / configuration map (pemetaan).
 Analisis MDS bermanfaat untuk melakukan evaluasi penempatan (positioning) merek,
pengukuran citra perusahaan, segmentasi pasar, keefektifan iklan, analisis harga, keputusan
jaringan kerjasama, dan pengembangan produk baru. Perceptual map dalam MDS menunjukkan
adanya peluang untuk penempatan produk baru. Selain itu, juga untuk mengevaluasi konsep
produk baru dan merek yang sudah ada dengan dasar untuk menentukan bagaimana pelanggan
mempersepsikan/ memahami konsep baru.
 Data yang digunakan pada Multidimensional Scaling (MDS) dapat berupa skala metric (skala
interval atau rasio), juga bisa berskala nonmetric (skala nominal dan ordinal). Dasar penggunaan
data yang berskala metric adalah mengubah input jarak atau metric ke dalam bentuk geometric
sebagai outputnya. Sementara data yang berskala non metric menggunakan transformasi
monoton (sama) ke data yang sebenarnya sehingga dapat dilakukan operasi aritmatika terhadap
nilai ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan ketidaksamaanya.
Transformasi monoton akan memelihara urutan nilai ketidaksamaannya sehingga jarak antara
objek yang tidak sesuai dengan urutan nilai ketidaksamaan diubah sedemikian rupa sehingga akan
tetap memenuhi urutan nilai ketidaksamaan tersebut dan mendekati jarak awalnya.
 Konsep dan ruang lingkup penskalaan multidimensional (multidimensional scaling=MDS) dalam
riset pemasaran dan menguraikan berbagai aplikasinya; menguraikan langkah-langkah yang harus
dilalui di dalam penskalaan multidimensional tentang data persepsi, meliputi perumusan masalah,
mendapatkan data input, memilih prosedur MDS, memutuskan banyaknya dimensi, memberikan
interpretasi kepada konfigurasi (configuration) dan memberikan penilaian (to asses) keandalan
dan kesahihan (reability and validity), menjelaskan penskalaan data preferensi; menjelaskan
analisis korespondensi dan kebaikan serta kelemahannya; memahami hubungan antar MDS,
analisis diskriminan, dan analisis faktor.
 MDS dapat menentukan:
1. Dimensi apa yang dipergunakan oleh responden ketika mengevaluasi objek.
2. Berapa dimensi yang akan dipergunakan untuk masalah yang dihadapi (sedang diteliti).
3. Kepentingan relatif dari setiap dimensi.
4. Bagaimana objek dikaitkan atau dihubungkan secara perseptual?
Dua teknik yang terkait untuk menganalisis persepsi dan preferensi pelanggan ialah
analisis penskalaan multidimensional dan analisis konjoin (multidimensional scaling and

2 Multidimensional Scaling (MDS) ‘19/20:

 conjoint analysis). Namun di dalam makalah ini akan ditunjukkan langkah-langkah yang
diperlukan untuk melakukan analisis penskalaan dimensional.
 MDS digunakan untuk mengetahui hubungan interdepensi atau saling ketergantungan antar
variabel atau data. Hubungan ini tidak diketahui melalui reduksi ataupun pengelompokan
variabel, melainkan dengan membandingkan variabel yang ada pada setiap obyek yang
bersangkutan dengan menggunakan perceptual map. Konsep dasar MDS adalah pemetaan.
 Analisis penskalaan multidimensional ialah suatu kelas prosedur untuk menyajikan persepsi dan
preferensi pelanggan secara spasial dengan menggunakan tayangan yang bisa dilihat ( a visual
display). Persepsi atau hubungan antara stimulus secar psikologis ditunjukkan sebagai hubungan
geografis antara titik-titik di dalam suatu ruang multidimensional. Sumbu dari peta spasial
diasumsikan menunjukkan dasar psikologis (phychological basis) atau dimensi yang mendasari
(underlying dimensions) yang dipergunakan oleh pelanggan/ responded untuk membentuk
persepsi dan preferensi untuk stimulus.
 Istilah- istilah pada Multidimensional Scaling (MDS)
1. STRESS
STRESS merupakan ukuran ketidakcocokan (a lack of fit measurement) antara data
dengan pengukuran MDS. Semakin kecil nilai STRESS menunjukan bahwa hubungan
monoton yang terbentuk antara ketidaksamaan dengan disparities semakin baik dan
kriteria peta konfigurasi yang terbentuk semakin sempurna.
di mana:
dik = jarak antara obyek ke-i dan ke-k
ikh = disparities antara obyek ke-i dan ke-k pada variabel ke-h (Young, 1999).
Pedoman kriteria nilai STRESS untuk mendeteksi kelayakan model yaitu:

3 Multidimensional Scaling (MDS) ‘19/20:

 2. R Square (R2)

Rsquare merupakan kuadrat dari koefisien korelasi yang menunjukkan proporsi

varian dari optimalisasi penskalaan data yang disumbangkan oleh prosedur penskalaan
multidimensional merupakan ukuran kecocokan/ ketepatan (goodness of fit measure).
Artinya seberapa besar prosedur penskalaan multidimensional dalam menjelaskan
varians data yang akan dilakukan penskalaan multidimensional.
3. Peta Konfigurasi
Peta konfigurasi merupakan hubungan antara objek, dinyatakan sebagai hubungan
geometris antara titik-titik di dalam ruang yang multidimensional koordinat,
menunjukkan posisi (letak) suatu objek dalam suatu peta.
Statistik dan beberapa istilah (terminologi) yang penting dalam analisis MDS, antara lain
sebagai berikut:
a. Analisis agregat (aggregate analysis), sebuah pendekatan dalam MDS, dimana perceptual
map dibuat untuk evaluasi sekelompok responden terhadap objek-objek. Perceptual map
dapat dibuat dengan komputer maupun peneliti sendiri.
b. Penilaian kesamaan (similarity judgement), merupakan perangkat seluruh pasangan
merek yang mungkin atau stimuli lain berdasarkan kesamaan yang dinyatakan melalui
skala pengukuran (measurement scale) berskala nonmetrik atau semacamnya.
c. Peringkat preferensi (preference rankings), adalah ranking berupa urutan merek-merek
mulai dari yang paling diinginkan sampai paling tidak diinginkan konsumen atau
responden.
d. Stress, adalah skor yang menyatakan ketidaktepatan pengukuran (lack offit
measurement). Semakin tinggi stress , semakin tinggi ketidaktepatan.
e. R kuadrat (R square), adalah indeks korelasi pangkat dua yang menyatakan proporsi
varians data asli yang dapat dijelaskan MDS.
f. Peta spasial (disebut juga perceptual map) , adalah suatu peta geometris yang
menyatakan hubungan atau perbandingan antarmerek atau stimuli lain berdasarkan
dimensi-dimensi yang diukur.
g. Koordinat (coordinates), menyatakan posisi suatu merak atau stimulus lain dalam peta
spasial.
h. Unfolding, representasi merek dan responden sebagai pola dalam ruang yang sama

4 Multidimensional Scaling (MDS) ‘19/20:

 Jenis-jenis Multidimensional scaling (MDS)
a. Multidimensional scaling (MDS) metrik
Data jarak yang digunakan dalam multidimensional scaling metrik adalah data rasio
atau interval. MDS metrik (classical scaling) digunakan untuk menemukan himpunan titik
dalam ruang dimensi n dimana masing-masing titik mewakili satu objek. Dalam classical
scaling, dissimilarities (𝛿𝑖𝑗 ) diperlakukan sama dengan jarak (𝑑𝑖𝑗 ), yaitu 𝛿𝑖𝑗 = 𝑑𝑖𝑗 . Tujuan
dari multidimensional scaling adalah untuk mencari koordinat titik-titik dalam ruang
euclid dari matriks jarak yang tersedia.
Misalkan koordinat n titik dalam ruang euclid dimensi p adalah 𝒙𝒊 (i = 1,2, … , n) dengan

𝒙𝒊 = (𝒙𝒊𝟏 , 𝒙𝒊𝟐 , … , 𝒙𝒊𝒌 ) dan 𝒙𝒋 = (𝒙𝒋𝟏 , 𝒙𝒋𝟐 , … , 𝒙𝒋𝒌 ).

Jarak euclid antara titik ke- i dan ke- j adalah: 22
2 𝑝
𝑑𝑖𝑗 = ∑𝑘=1 (𝒙𝒊𝒌 − 𝒙𝒋𝒌 ) 2 ………………………............ (1)
Langkah berikutnya adalah menentukan matriks hasil kali dalam B, dengan cara
mendekomposisikan matriks D melalui proses double centering. Matriks B memiliki
elemen-elemen:
𝟏
𝒃𝒊𝒋 = - (𝒅𝟐𝒊𝒋 − 𝒅𝟐𝒊. − 𝒅𝟐.𝒋 - 𝒅𝟐.. ) …….........……………… (2)
𝟐
Dengan,

Bila ditulis dalam bentuk matriks menjadi

5 Multidimensional Scaling (MDS) ‘19/20:

 Matriks hasil kali dalam B dapat juga diekspresikan sebagai B= XX 𝑻 dimana X= [x1, …,
xn] 𝑇 adalah matriks koordinat yang berukuran (n x p). Rank dari matriks B,r(B) adalah
r(B) = r(XX 𝑻 ) = r(X) = p. …………..…………(4)
Sekarang B adalah matriks yang simetrik, semi definit positif dan berpangkat (rank) p,
sehingga memiliki p eigen values non-negatif dan n – p eigen values sama dengan 0.

Matriks B kemudian ditulis dalam bentuk dekomposisi spektral:

B = VΛV 𝑻 ……………….………...............(5)

Permasalahan berikutnya adalah menentukan jumlah dimensi yang diperlukan

untuk menampilkan koefisien ketakmiripan (𝛿𝑖𝑗 ). Jika B adalah matriks semi definit
positif maka jumlah akar ciri yang tak nol menujukkan jumlah dimensi yang diperlukan.
Jika B bukan matriks semi definit positif maka jumlah akar ciri yang positif menunjukkan
jumlah dimensi yang tepat. Jumlah dimensi tersebut merupakan jumlah dimensi
maksimal yang diperlukan, sedangkan untuk lebih praktisnya lebih baik memilih dimensi
yang lebih kecil.
Secara singkat algoritma classical scaling sebagai berikut:
1) Menentukan koefisien ketakmiripan (𝛿𝑛 )

2) Mencari matriks A =

3) Mencari matriks B =
4) Mencari eigenvalues λ1 , … , λn-1 dan eigenvector v1, … ,vn-1 yangkemudian
dinormalkan sehingga i i T i v v λi . Jika B tidak semidefinit positif ( beberapa eigen
values bernilai negative), maka terdapat 2 pilihan, pilihan 1 adalah membuang
eigen values yang bernilai negatif dan melanjutkan proses. Pilihan ke 2 adalah
menambahkan suatu konstanta c pada koefisien ketakmiripan sebagai berikut (1 )
ij ij ij dan kembali ke langkah 2.

6 Multidimensional Scaling (MDS) ‘19/20:

 5) Memilih jumlah dimensi yang tepat. Dapat menggunakan

6) Menentukan koordinat n titik pada ruang euclid dimensi p dengan

b. Multidimensional Scaling (MDS) Nonmetrik

Multidimesional scaling nonmetrik mengasumsikan bahwa datanya adalah
kualitatif (nominal dan ordinal). Program MDS nonmetrik menggunakan transformasi
monoton (sama) ke data yang sebenarnya sehingga dapat dilakukan operasi aritmatika
terhadap nilai ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan
ketidaksamaanya. Hasil perubahan ini disebut disparities. Disparities ini digunakan untuk
mengukur tingkat ketidaktepatan konfigurasi objek-objek dalam peta berdimensi
tertentu dengan input data ketidaksamaannya. Pendekatan yang sering digunakan saat
ini untuk mencapai hasil yang optimal dari skala non metrik digunakan Kruskal’s Least-
Square Monotomic Transformation dimana disparities merupakan nilai rata-rata dari
jarak-jarak yang tidak sesuai dengan urutan ketidaksamaanya. Informasi ordinal
kemudian dapat diolah dengan MDS nonmetrik sehingga menghasilkan konfigurasi dari
objek-objek yang yang terdapat pada dimensi tertentu dan kemudian agar jarak antara
objek sedekat mungkin dengan input nilai ketidaksamaan atau kesamaannya. Koordinat
awal dari setiap subjek dapat diperoleh melalui cara yang sama seperti metode MDS
metrik dengan asumsi bahwa meskipun data bukan jarak informasi yang sebenarnya tapi
nilai urutan tersebut dipandang sebagai variabel interval.

Prosedur Analisis Penskalaan Multidimensional

7 Multidimensional Scaling (MDS) ‘19/20:

 Peneliti juga harus menentukan bentuk yang tepat dimana data harus diperoleh
dan memilih suatu prosedur penskalaan multidimensional untuk menganalisis data.
Suatu aspek yang penting mengenai pemecahan, mencakup penentuan banyaknya
dimensi untuk peta spasial. Sumbu dari peta juga harus diberi label (nama) dan
konfigurasi yang dihasilkan harus diinterpretasi. Akhirnya, peneliti harus menilai mulai
dari hasil analisis yang diperoleh.
 Asumsi Dalam Multidimensional Scaling
a. Pembatasan multidimensionalscaling
Diasumsikan bahwa kemiripan stimulus A dan B sama dengan stimulus B ke A. Namun, ada
beberapa kasus yang asumsi ini tidakberlaku.
b. Variasi dimensi
Tiap-tiap responden tidak akan menilai suatu stimulus di dalam dimensi yang sama. Misalnya,
seseorang mungkin akan menilaisebuah mobil dari tenaga dan modelnya, sedangkan yang lain
tidakmemperhatikan faktor yang sama, menilai sebuah mobil dari harga dankenyamanannya.
c. Variasi kepentingan
Responden tidak menilai kepentingan dimensi pada tingkat yang sama, walaupun seluruh
responden menilai dimensi tersebut.Misalnya, dua orang responden menilai suatu minuman
ringan daritingkat karbonasinya. Seorang responden lainnya mungkin akan menilai
bahwafaktor ini tidaklah penting, sedangkan yang lainnya menilai bahwafaktor ini penting.
d. Variasi waktu
Pernyataan yang didapat dari stimulus-stimulus tidak dapat digunakan dalam jangka waktu
yang panjang. Dengan kata lain, peneliti tidak dapat mengharapkan persepsi yang stabil dari
waktu ke waktu.
 Langkah-Langkah Analisis Multidimensional Scaling
1. Input Data
Menurut Dillon dan Gholstein (1984) tipe data terdiri dari empat jenis, yaitu:
a. Nominal: tipe data ini membagi objek menjadi ke beberapa kelas atau golongan.
b. Ordinal: tipe data ini memberikan suatu urutan atau membandingkan dengan
perbedaan jarak yang tidak diketahui.
c. Interval: tipe data ini hampir sama dengan tipe data ordinal tetapi terdapat
perbedaan yang terletak pada jaraknya yang dapat ditentukan dengan suatu
satuan skala.
d. Rasio: tipe data ini mempunyai titik nol tetap.

8 Multidimensional Scaling (MDS) ‘19/20:

 2. Menghitung Jarak Euclid
Jarak Euclid dapat dihitung menggunakan bantuan software Statistical Product and
Service Solution (SPSS) karena terlalu rumit apabila menggunakan perhitungan secara
manual.
3. Menghitung Nilai Stress
Nilai STRESS dapat pula dihitung melalui software Statistical Product and Service Solution
(SPSS).
Langkah-langkah analisis multidimensional scaling dapat pula dijabarkan, antara lain:
1. Perumusan masalah, dalam perumusan masalah dibutuhkan suatu kejelasan tujuan
untukdapat menggunakan hasil MDS secara optimal,
2. Memperoleh data input, datainput dari analisis MDS adalah nilai kesamaan dan
ketidaksamaan antara setiapatau sebagian besar pasangan dari n objek,
3. Pemilihan prosedur MDS, prosedurMDS dapat berupa metrik dan nonmetrik,
4. Penentuan dimensi, pedoman yangdisarankan untuk menentukan banyak dimensi, yaitu
penelitian sebelumnya,penginterpretasian peta dimensi, kriteria plot, dan kemudahan
dalam penggunaan,
5. Penamaan dimensi dan penamaan konfigurasi,
6. Uji reliabilitas dan validitas,dua macam nilai yang dipakai untuk pengujian reliabilitas dan
validitas, yaitu nilaistress dan R-square.
Contoh penerapan multidimensional scaling pada risetpemasaran adalah studi kasus
tentang analisis posisi relatif produk operator seluler GSM (Global System for Mobile) prabayar
yang meliputi Merek A, B, C, D, E danF dengan populasi mahasiswa dari berbagai perguruan
tinggi di Yogyakartasebagai pengguna produk tersebut. Dari hasil penerapan tersebut
didapatkan petapersepsi konsumen tentang kinerja masing-masing produk, posisi masing-
masingproduk menurut persepsi konsumen, serta keunggulan dan kekurangan
masingmasingproduk. Bagi pihak perusahaan produk tersebut diketahui produk manasaja yang
dianggap menjadi pesaing dan strategi apa saja yang seharusnyadilakukan oleh perusahaan
dalam berkompetisi dengan perusahaan pesaing.

===DEUS PROVIDEBIT===

9 Multidimensional Scaling (MDS) ‘19/20: