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
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.
===DEUS PROVIDEBIT===