Oleh Kelompok 5
JURUSAN MATEMATIKA
TINJAUAN PUSTAKA
Jarak Euclidean Adalah jarak antara dua objek yang dibandingkan. Jika terdapat 2
observai yaitu yi dan yj, maka jarak Euclidean-nya adalah:
d(i, j) =√(𝑦𝑖 − 𝑦𝑗 )′ (𝑦𝑖 − 𝑦𝑗 )
TINJAUAN PUSTAKA
2.2 Multidimensional Scalling
∑𝑛𝑖<𝑗(𝑑𝑖𝑗 − 𝑑̂𝑖𝑗 )2
𝑆𝑇𝑅𝐸𝑆𝑆 = √
∑𝑛𝑖<𝑗 𝑑𝑖𝑗
2
di mana d ij = jarak antar obyek ke-i dan obyek ke-j dan 𝑑̂ ij = disparities antara obyek ke-i
dan obyek ke-j. Semakin kecil nilai STRESS menunjukkan bahwa hubungan monoton yang
terbentuk antara ketidaksamaan dengan disparities semakin baik (didapat kesesuaian) dan
kriteria peta persepsi yang terbentuk semakin sempurna.
Nilai STRESS juga dapat digunakan untuk menilai kebaikan model untuk metode
MDS: nilai stres kecil menunjukkan bahwa hasil model yang baik/pas, sedangkan nilai yang
tinggi menghasilkan model yang buruk. Kruskal (1964) memberikan beberapa panduan untuk
menafsirkan nilai stres sehubungan dengan hasil dari goodness of fit adalah sebagai berikut:
Tabel 2.1 Kriteria Nilai Stress
Stress Goodness Of Fit
> 0,20 Poor
0,1 Fair
0,05 Good
0,025 Excellent
0 Perfect
BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data
Data yang digunakan adalah data sekunder yang diambil dari jurnal Eksponensial
Volume 9, Nomor1, Mei 2018. Analisis Positioning dengan Menggunakan Multidimensional
Scaling Nonmetrik (Studi Kasus :Data Persepsi dan Preferensi Konsumen Berdasarkan
Merek Smartphone di Samarinda, Kalimantan Timur).
3.2 Variabel Penelitian
Untuk metode Multidimensional Scaling Non Metrik menggunakan hasil pemisahan
kategori berdasarkan tampilan yang dilihat oleh objek.
Analisis MDS
1. Data Persepsi
𝑎! 5!
𝐶𝑎,𝑏 = = = 10
𝑏! (𝑎 − 𝑏)! 2! (5 − 2)!
2. Data Preferensi
Smartphone
Faktor
Asus Oppo Samsung Sony Xiomi
Merek 4 2 1 5 4
Desain 5 3 1 4 4
Fitur 4 2 1 3 3
Layar 5 2 1 3 4
Harga 2 3 5 4 1
Kemudahan 4 2 1 5 3
Kamera 5 1 3 2 3
Processor 5 3 1 2 4
Memori 5 2 3 4 1
Pemakaian 5 2 1 2 5
Tipe prosedur yang digunakan adalah nonmetrik karena data input di atas
menggunakan data ranking (ordinal). Pasangan objek terdekat (terkecil) diasumsikan
sebagai pesaing utama dan pasangan terjauh (terbesar) diasumsikan sebagai pesaing
terjauh.
Dapat diputuskan bahwa data yang diperoleh menggunakan analisis MDS dengan
model dua dimensi.
Merek
No. Koordinat X Koordinat Y
Smartphone
1 Asus 10,494 2,525
2 Oppo -4,154 3,591
3 Samsung -4,126 -3,979
4 Sony 4,188 -3,985
5 Xiomi -6,312 1,848
Tabel 10. Peringkat Kedekatan Merek Smartphone Xiaomi Berdasarkan Jarak Euclid
Persepsi konsumen didasarkan pada atribut merek smartphone yang dapat dilihat
pada konfigurasi perceptual map.Perceptual map yang diperoleh pada Gambar 2. Pada
Gambar 2.terlihat bahwa perceptual map dua dimensi terdiri dari empat kuadran. Hasil
perceptual mapdi atas diperoleh pembagian kuadran adalah sebagai berikut:
Validitas dan reliabilitas dalam analisis MDS digunakan untuk menguji valid dan
reliabel perceptual map pada MDS. Nilai yang digunakan adalah nilai STRESS yang
didapatkan dari masing-masing perceptual map dengan bantuan software Rstudio. Nilai
STRESS yang didapatkan adalah sebagai berikut:
Data STRESS
Persepsi 0,000
Preferensi 0,000
Dari analisis MDS diperoleh nilai STRESS yang menunjukkan kriteria goodness
of fit yang sangat bagus maka dapat diambil kesimpulan bahwa analisis MDS memiliki
keandalan dan kesahihan yang tepat dalam mendapatkan merek smartphone yang terbaik dari
yang lain.
Kesimpulan
Berdasarkan hasil analisis maka hasil penelitian ini dapat disimpulkan sebagai
berikut:
> tugas=read.delim("clipboard")
> tugas
1 0 8 10 4 9
2 8 0 5 6 1
3 10 5 0 3 2
4 4 6 3 0 7
5 9 1 2 7 0
> summary(tugas)
1st Qu.: 4.0 1st Qu.:1 1st Qu.: 2 1st Qu.:3 1st Qu.:1.0
3rd Qu.: 9.0 3rd Qu.:6 3rd Qu.: 5 3rd Qu.:6 3rd Qu.:7.0
> dist(tugas)
1 2 3 4
2 14.866069
3 16.093477 8.000000
> D=as.matrix(dist(tugas))
>D
1 2 3 4 5
> A=D^2
> I=diag(5)
>I
[1,] 1 0 0 0 0
[2,] 0 1 0 0 0
[3,] 0 0 1 0 0
[4,] 0 0 0 1 0
[5,] 0 0 0 0 1
> J=matrix(rep,(1,5),nrow=5,ncol=5)
> J=matrix(rep(1,5),nrow=5,ncol=5)
>J
[1,] 1 1 1 1 1
[2,] 1 1 1 1 1
[3,] 1 1 1 1 1
[4,] 1 1 1 1 1
[5,] 1 1 1 1 1
> V=I-(1/5)*J
>V
> B=(-1/2)*V*A*V
>B
1 2 3 4 5
> eigen(B)
eigen() decomposition
$values
$vectors
> c=array(eigen(B)$value,2)
>c
[1] 8.459518 2.298436
> a=eigen(B)$vectors
>a
> d=diag(c)
>d
[,1] [,2]
> b=matrix(a,nrow=5,ncol=5)
>b
> library(MASS)
> fit=isoMDS(D,k=2)
converged
> fit
$points
[,1] [,2]
1 10.493797 2.524802
2 -4.153984 3.590546
3 -4.215619 -3.978684
4 4.187716 -3.984783
5 -6.311910 1.848119
$stress
[1] 1.051374e-14
> x=fit$points[,1]
> y=fit$points[,2]
> plot(x,y,pch=20,xlim=c(-7,12),ylim=c(-6,5),main="NMDS",xlab="Dimension
1",ylab="Dimension 2", col="blue")
> Hp=c("Asus","Oppo","Samsung","Sony","Xiomi")
> text(x,y,pos=4,labels=Hp,cex=0.9)
> abline(h=0,col="black")
> abline(v=0,col="black")
> data=read.delim("clipboard")
> data
1 4 2 1 5 4
2 5 3 1 4 4
3 4 2 1 3 3
4 5 2 1 3 4
5 2 3 5 4 1
6 4 2 1 5 3
7 5 1 3 2 3
8 5 3 1 2 4
9 5 2 3 4 1
10 5 2 1 2 5
> dist(data)
1 2 3 4 5 6 7 8
2 1.732051
3 2.236068 2.000000
3
4
10 4.898979
> DO=as.matrix(dist(data))
> DO
1 2 3 4 5 6 7 8
9 10
1 3.872983 3.316625
2 3.741657 2.449490
3 3.162278 2.449490
4 3.741657 1.414214
5 3.741657 6.782330
6 3.162278 3.741657
7 3.000000 3.000000
8 4.242641 1.414214
9 0.000000 4.898979
10 4.898979 0.000000
> fit1=isoMDS(D,k=2)
converged
> fit1
$points
[,1] [,2]
1 10.493797 2.524802
2 -4.153984 3.590546
3 -4.215619 -3.978684
4 4.187716 -3.984783
5 -6.311910 1.848119
$stress
[1] 1.051374e-14
> fit2=isoMDS(DO,k=2)
converged
> fit2
$points
[,1] [,2]
1 -0.86730191 -1.52891398
2 -1.13253769 -0.64376106
3 -0.44838397 -0.14137777
4 -1.19263627 0.16963954
5 5.07259890 0.50916499
6 -0.06300389 -1.54683489
7 0.22858819 1.71278244
8 -1.43373004 0.87281564
9 1.98233195 -0.08017416
10 -2.14592525 0.67665924
$stress
[1] 1.660891
> x1=c(fit1$points[,1],fit2$points[,1])
> y1=c(fit1$points[,2],fit2$points[,2])
>Faktor=c("Asus","Oppo","Samsung","Sony","Xiomi","Merek","Desain","Fitur","Layar","H
arga","Kemudahan","Kamera","Processor","Memori","Pemakaian")
> text(x1,y1,pos=4,labels=Faktor,cex=0.5)
> abline(h=0,col="black")
> abline(v=0,col="black")
> OBJ1=as.matrix(fit1$points)
> OBJ1
[,1] [,2]
1 10.493797 2.524802
2 -4.153984 3.590546
3 -4.215619 -3.978684
4 4.187716 -3.984783
5 -6.311910 1.848119
> Dtopi=dist(OBJ1)
> Dtopi
1 2 3 4
2 14.686501
3 16.082980 7.569481
Warning message:
In D - Dtopi :
> SB=sum((D-(sum(D)/5))^2)
> SA
[1] 1098.828
> SB
[1] 30504.14
> STR=sqrt(SA/SB)
> STR
[1] 0.1897953
> RSQ=1-(SA/SB)
> RSQ
[1] 0.9639777