MULTIDIMENSIONAL SCALLING NON-METRIK

Oleh Kelompok 5

1. Wd. Arzeti Rahmayana Safrin

2. Moh. Furqan Zakaria
3. Moh. Fadly Izmail

UNIVERSITAS NEGERI GORONTALO

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

JURUSAN MATEMATIKA

PROGRAM STUDI STATISTIKA

TAHUN AJARAN 2019

 BAB I
PENDAHULUAN

1.1 Latar Belakang

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). 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; memahami
hubungan antar MDS.

1.2 Tujuan Analisis

Membuat peta/konfigurasi posisi objek dalam ruang berdimensi rendah (umumnya 2
dimensi) berdasarkan data jarak antar objek atau data multivariate yang sebelumnya diubah
dulu menjadi matriks jarak.
 BAB II

TINJAUAN PUSTAKA

2.1 Jarak Euclidean

Untuk melakukan perhitungan Multidimensional Scaling Metrik maupun Non Metrik
diperlukan matriks D yang merupakan matriks yang elemennya berisi dij berukuran n x n
yang menyatakan jarak antara pasangan objek yang mungkin terjadi.
𝑑11 𝑑12 … 𝑑1𝑗
𝑫=[ ⋮ ⋮ ⋱ ⋮ ]
𝑑𝑖1 𝑑𝑖2 ⋯ 𝑑𝑖𝑗

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

Multidimensional Scalling adalah suatu tekhnik staatistika multivariat yang bertujuan

untuk menganalisis kemiripan (similarity) dan ketakmiripan (dissimilariry) antar objek. Hasil
dari analisis multidimensional scalling adalah berupa gambar titik-titik yang mana jarak
antara titik menunjukan kemiripan atau ketakmiripan. Selain itu pengguana multidimensional
scalling juga dapat memberikan petunjuk untuk mengidentifikasi peubah yang tidak diketahui
atau faktor yang mempengaruhi munculnya kemiripan atau ketakmiripan.

MDS seringkali dipakai dalam analisis pemasaran untuk mengidentifikasi dimensi

pokok yang digunakan konsumen untuk mengevaluasi produk, jasa atau bahkan perusahaan
Juga dipakai untuk menganalisis perbandingan kualitas fisik (rasa makanan, aroma) dan
persepsi terhadap calon tokoh politik serta perkiraan perbedaan budaya antar kelompok.
Secara umum, MDS dapat membantu untuk menetukan :

1. Dimensi penting yang digunakan responden dalam mengevaluasi obyek.

2. Berapa banyak dimensi yang dipertimbangkan pada situasi tertentu.
3. Kepentingan relative setiap dimensi.
4. Bagaimana persepsi hubungan antar obyek.

Kegunaan MDS adalah untuk mentransformasi tanggapan konsumen melalui kemiripan

atau preferensinya (contoh, preferensi untuk took atau merk) ke dalam jarak yang
direpresentasikan pada ruang multidimensi. Jika obyek A dan B dipandang oleh konsumen
sebagai obyek yang mirip satu sama lain dibanding pasangan obyek-obyek lain, MDS akan
menempatkan A dan B pada jarak yang lebih dekat dibanding jarak pasangan obyek-obyek
lainnya dalam ruang multidimensi.

Beberapa statistic yang digunakan dalam analisis MDS :

 a. Similarity judgments. Merating seluruh kemungkinan pasangan merk atau stimulus
lain dalam batas kemiripannya menggunakan skala likert.
b. Preference ranking. Urutan rank merk atau stimuli lain mulai dari yang paling disuka
sampai yang paling tidak disuka. Urutan ini diperoleh dari responden.
c. Stress. Ini merupakan ukuran ketidaksesuaian model. Makin tinggi niali stress, makin
tidak sesuai model yang dihasilkan.
d. R-squared. Indeks korelasi kuadrat yang mengindikasikan proporsi varians
optimalitas data skala yang bisa diaplikasikan oleh MDS. Ini ukuran kesesuaian
model.
e. Spatiap map. Menjelaskan hubungan antar merk atau stimuli lain yang digambarkan
sebagai hubungan geometric antar titik pada ruang multidimensi.
f. Coordinate. Mengindikasi posisi merk atau sebuah stimuli dalam peta spasial.
g. Unfolding. Representasi dari merk dan responden dalam ruang yang sama.
Langkah-langkah opersional dalam Analisis Multidimentional Scaling (MDS) terdiri enam
tahapan:

Tahap-1 : Tujuan MDS.

Tahap-2 : Desain Penelitian MDS.
Tahap-3 : Asumsi MDS.
Tahap-4 : Solusi MDS dan Uji Kecocokan.
Tahap-5 : Interpretasi Hasil.
Tahap-6 : Validasi Fungsi MDS.
2.2.1 Multidimensional Scalling Non-Metrik
Dalam MDS nonmetrik mengasumsikan skala pengukuran nominal atau ordinal. Pada
kasus ini perhitungan kriteria adalah untuk menghubungkan nilai ketidaksamaan suatu jarak
ke nilai ketidaksamaan yang terdekat. Program MDS nonmetrik menggunakan transformasi
monoton 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 dirubah sedemikian rupa sehingga
akan tetap memenuhi urutan nilai ketidaksamaan tersebut dan mendekati jarak awalnya. 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 metoda MDS metrik dengan asumsi bahwa meskipun data bukan jarak informasi yang
sebenarnya tapi nilai urutan tersebut dipandang sebagai variabel interval.
Tahapan analisis Multidimensional Non Metrik adalah sebagai berikut.
1. Tentukanlah konfigurasi awal dari 𝑛 item dalam ruang berdimensi 𝑘 yaitu koordinat
(𝑥1 , 𝑥2 , … , 𝑥𝑘 ) bagi masing-masing item.
2. Kemudian menghitung jarak Euclidean antar objek dimana 𝑑𝑖𝑗 sebagai jarak
Euclidean antara objek ke-i dan objek ke-j.
3. Melakukan regresi monotik 𝑑𝑖𝑗 dengan 𝛿𝑖𝑗 menggunakan OLS. Model regresi yang
dihasilkan adalah sebagai berikut.
𝑑𝑖𝑗 = 𝑎 + 𝑏𝛿𝑖𝑗 + 𝑒
2.2.3 Tingkat Kesesuaian Model (Goodness of fit)
Tingkat kesesuaian model (Goodness of fit) menggunakan ukuran kriteria kesalahan
(lack of fit or error) STRESS. Program ALSCAL mengandung proses iterasi, setiap iterasi
terdiri dari dua langkah utama yakni mengubah data berupa jarak antar pasangan obyek
menjadi ukuran baru yang disebut disparities dan menduga koordinat setiap obyek
berdasarkan jarak dan disparities. Kruskal dalam Morrison (2005), mengusulkan untuk
menggunakan perhitungan STRESS:

∑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.

3.3 Metode Analisis

Metode analisis yang digunakan dalam penelitian ini akan melalui beberapa tahapan
sebagai berikut :
1. Mengumpulkan Data
2. Melakukan analisis Multidimensional scalling Non Metriks dengan bantuan software.
3. Membuat Scatter plot dari masing-masing tahapan.
4. Kesimpulan dan Saran
 BAB IV

ANALISIS DAN PEMBAHASAN

Analisis MDS

Langkah 1: Menentukan Data Masukan

1. Data Persepsi

Dalam penelitian ini menggunakan pendekatan langsung, dengan langkah-langkah

sebagai berikut:

a. Menghitung jumlah pasangan tiap objek.

Di mana 𝑏 adalah banyak merek smartphoneyaitu Asus, Oppo, Samsung, Sony
dan Xiaomi (𝑏 = 5) dan 𝑐 adalah banyaknya kombinasi, sehingga:

𝑎! 5!
𝐶𝑎,𝑏 = = = 10
𝑏! (𝑎 − 𝑏)! 2! (5 − 2)!

Didapatkan 10 pasangan merek smartphone

yaitu sebagai berikut:
1. Asus-Oppo 6. Oppo-Sony
2. Asus-Samsung 7. Oppo-Xiaomi
3. Asus-Sony 8. Samsung-Sony
4. Asus-Xiaomi 9. Samsung-Xiaomi
5. Oppo-Samsung 10. Sony-Xiaomi

b. Membuat kuesioner untuk data persepi dengan menggunakan skala ranking,

dimana angka 1 untuk pasangan yang paling mirip sampai dengan angka 10
untuk pasangan yang paling tidak mirip. Setelah didapatkan hasil ranking dari
seluruh responden, dilakukan skor total untuk masingmasing pasangan merek
smartphone, kemudian dilakukan pengurutan skor total dengan nilai yang paling
kecil diberi skor 1 sampai dengan nilai yang paling besar diberi skor 10. Setelah itu
dimasukan ke dalam Tabel 2.

Tabel 2. Data Persepsi Responden Terhadap Pasangan Merek Smartphone

Merek Asus Oppo Samsung Sony Xiomi
Asus 0 8 10 4 9
Oppo 8 0 5 6 1
Samsung 10 5 0 3 2
Sony 4 6 3 0 7
Xiomi 9 1 2 7 0
 Tabel 2. menunjukkan bahwa ranking 0 adalah untuk pasangan merek
smartphone terhadap dirinya sendiri, sedangkan ranking 1 adalah untuk pasangan merek
smartphone yang paling mirip. Berdasarkan hasil persepsi responden, ranking 1
ditempati oleh OppoXiaomi dilanjutkan ranking 2 sampai dengan 5 yaitu Samsung-
Xiaomi, Samsung-Sony, AsusSony dan Oppo-Samsung yang merupakan pasangan
merek smartphone yang masih mendekati tingkat kemiripan paling mirip, sedangkan
ranking 6-9 adalah Oppo-Sony, SonyXiaomi, Asus-Oppo, dan Asus-Xiaomi adalah
pasangan merek smartphone yang mendekati pasangan yang paling tidak mirip dimana
ranking 10 ditempati oleh Asus-Samsung yang merupakan pasangan merek smartphone
paling tidak mirip.

2. Data Preferensi

Kuesioner berdasarkan data preferensi pada penelitian ini ialah mengurutkan

ranking merek smartphone berdasarkan preferensi responden terhadap beberapa atribut
yang terdapat pada smartphone tersebut. Cara yang dilakukan ialah bahwa data
diperoleh melalui peringkat preferensi (preference ranking).Dimana langkahlangkahnya
adalah sebagai berikut:

a. Membuat kuesioner untuk data preferensi dengan menggunakan skala ranking

dimana responden diminta untuk mengurutkan atau memberi ranking dari
jenjang yang lebih tinggi ke jenjang yang lebih rendah.
b. Setelah diperoleh data preferensi dari seluruh responden, digunakan modus
rankingberbagai merek berdasarkan atribut yang digunakan.

Tabel 3 menunjukkan bahwa pada atribut merek, smartphone Samsung memperoleh

modus ranking 1 yang artinya bahwa merek Samsung paling terkenal dibandingkan
dengan keempat merek smartphone lainnya berdasarkan hasil preferensi responden.
Sedangkan Oppo memperoleh nilai modus ranking 2 yang artinya Oppo adalah merek
smartphone yang dikenal responden setelah Samsung. Pada merek smartphoneAsus dan
Xiaomi memperoleh nilai modus ranking 4 yang artinya kedua smartphone ini kurang
dikenal dibandingkan Samsung dan Oppo. Merek smartphone Sony memperoleh modus
bernilai 5 yang artinya sebagian besar dari responden beranggapan bahwa merek
smartphone Sony paling tidak dikenal dibandingkan dengan merek smartphone lainnya.

Tabel 3. Data Preferensi Responden Terhadap Atribut Produk Smartphone

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

Langkah 2: Memilih Prosedur MDS

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.

Langkah 3: Menentukan Banyaknya Dimensi

Dapat diputuskan bahwa data yang diperoleh menggunakan analisis MDS dengan
model dua dimensi.

Langkah 4: Memberikan Label Dimensi dan

Interpretasi Konfigurasi Berdasarkan hasil analisis MDS data persepsi responden

dengan menggunakan software Rstudio didapatkan perceptual map dua dimensi sebagai
berikut:

Gambar 1.Perceptual Map Dua Dimensi Data Persepsi

Dari Gambar 1.dapat dilihat jarak kedekatan masing-masing merek smartphone

secara visual. Secara visual dapat diinterpretasikan bahwa Oppo dan Xiaomi jaraknya
lebih berdekatan dibandingkan dengan jarak merek smartphone Asus, Sony, maupun
Samsung.Selain itu jarak antara Samsung dengan Sony lebih berdekatan dibandingkan
dengan Asus, Oppo dan Xiaomi.

Tabel 4.adalah koordinat masing-masing merek smartphone berdasarkan

perceptual map data persepsi:

Tabel 4. Koordinat Merek Smartphone Berdasarkan Perceptual Map

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

Berdasarkan Tabel 4. dapat dilihat bahwa Asus memiliki koordinat (10,494;2,525),

Oppo memiliki koordinat (-4,154;3,591), Samsung memiliki koordinat (-4,216;(-3,979)),
Sony memiliki koordinat (4,188;(-3,985)), dan Xiaomi memiliki koordinat (-6,312;1,848).

Perhitungan Jarak Euclid Perceptual MapDua Dimensi untuk Data Persepsi

Perhitungan Jarak Euclid untuk merek smartphone adalah sebagai berikut:

 Asus terhadap Oppo :

𝑖𝑚 = √(𝑥𝑖 − 𝑥𝑚 )2 + (𝑦𝑖 − 𝑦𝑚 )2
𝐴0 = √(𝑥2 − 𝑥1 )2 + (𝑦2 − 𝑦1 )2
𝐴𝑂 = √(−4,154 − 10,494)2 + (3,591 − 2,52)2
𝐴𝑂 = √(−14,648)2 + (1,066)2
𝐴𝑂 = √214,564 + 1,136
𝐴𝑂 = √215,700
𝐴𝑂 = 14,687

Sehingga didapatkan hasil perhitungan jarak euclid sebagai berikut:

Tabel 5.Jarak Euclid untuk Masing-Masing Merek Smartphone.

Merek Asus Oppo Samsung Sony Xiomi

Asus - 14,687 16,084 9,063 16,820
Oppo 14,687 - 7,570 11,269 2,774
Samsung 16,084 7,570 - 8,404 6,193
Sony 9,063 11,269 8,404 - 12,011
Xiomi 16,820 2,774 6,193 12,011 -

Setelah dilakukan perhitungan jarak euclid maka dilakukan peringkat kedekatan

merek smartphone.

Tabel 6. Peringkat Kedekatan Merek Smartphone Asus Berdasarkan Jarak Euclid

Merek Smartphone Jarak Euclid Peringkat Kedekatan dengan Asus

Oppo 14,687 2
Samsung 16,084 3
Sony 9,063 1
Xiomi 16,820 4
 Pada Tabel 6.peringkat kedekatan merek smartphone Asus berdasarkan jarak
euclid diperoleh hasil bahwa jarak terdekat pertama merek smartphoneAsus adalah Sony
dengan nilai 9,063. Jarak terdekat kedua adalah merek smartphone Oppo dengan nilai
14,687. Jarak terdekat ketiga adalah merek smartphoneSamsung dengan nilai 16,084
dan jarak terjauh dari merek smartphone Asus adalah merek smartphone Xiaomi dengan
nilai euclid sebesar 16,820.

Tabel 7. Peringkat Kedekatan Merek Smartphone Oppo Berdasarkan Jarak Euclid

Merek Smartphone Jarak Euclid Peringkat Kedekatan dengan Oppo

Asus 14,687 4
Samsung 7,570 2
Sony 11,269 3
Xiomi 2,774 1

Pada Tabel 7.peringkat kedekatan merek smartphone Oppo berdasarkan jarak

euclid diperoleh hasil bahwa jarak terdekat pertama merek smartphoneOppo adalah
Xiaomi dengan nilai 2,774. Jarak terdekat kedua adalah merek smartphone Samsung
dengan nilai 7,570. Jarak terdekat ketiga adalah merek smartphone Sony dengan nilai
11,269 dan jarak terjauh dari merek smartphone Oppo adalah merek smartphoneAsus
dengan nilai euclid sebesar 14,687.

Tabel 8. Peringkat Kedekatan Merek Smartphone Samsung Berdasarkan Jarak Euclid

Merek Smartphone Jarak Euclid Peringkat Kedekatan dengan Samsung

Asus 16,084 4
Oppo 7,570 2
Sony 8,404 3
Xiomi 6,193 1

Pada Tabel 8 peringkat kedekatan merek smartphone Samsung berdasarkan jarak

euclid diperoleh hasil bahwa jarak terdekat pertama merek smartphone Samsung adalah
Xiaomi dengan nilai 6,193. Jarak terdekat kedua adalah merek smartphone Oppo
dengan nilai 7,570. Jarak terdekat ketiga adalah merek smartphoneSony dengan nilai
8,404 dan jarak terjauh dari merek smartphone Samsung adalah merek smartphone
Asus dengan nilai euclid sebesar 16,084.

Tabel 9. Peringkat Kedekatan Merek Smartphone Sony Berdasarkan Jarak Euclid

Merek Smartphone Jarak Euclid Peringkat Kedekatan dengan Sony

Asus 9,063 2
Oppo 11,269 3
Samsung 8,404 1
Xiomi 12,011 4
 Pada Tabel 9.peringkat kedekatan merek smartphone Sony berdasarkan jarak
euclid diperoleh hasil bahwa jarak terdekat pertama merek smartphoneSony adalah
Samsung dengan nilai 8,404. Jarak terdekat kedua adalah merek smartphone Asus
dengan nilai 9,063. Jarak terdekat ketiga adalah merek smartphone Oppo dengan nilai
11,269 dan jarak terjauh dari merek smartphone Sony adalah merek smartphoneXiaomi
dengan nilai euclid sebesar 12,011.

Tabel 10. Peringkat Kedekatan Merek Smartphone Xiaomi Berdasarkan Jarak Euclid

Merek Smartphone Jarak Euclid Peringkat Kedekatan dengan Xiomi

Asus 16,820 4
Oppo 2,774 1
Samsung 6,193 2
Sony 12,011 3

Pada Tabel 10 Perhitungan Jarak Euclid untuk Merek Smartphone Xiaomi

diperoleh hasil bahwa jarak terdekat pertama merek smartphoneXiaomi adalah Oppo
dengan nilai 2,774.Jarak terdekat kedua adalah merek smartphoneSamsung dengan nilai
6,193. Jarak terdekat ketiga adalah merek smartphone Sony dengan nilai 12,011 dan jarak
terjauh dari merek smartphone Xiaomi adalah merek smartphone Asus dengan nilai euclid
sebesar 9,429.

Analisis MDS dengan Data Persepsi Konsumen untuk Menentukan Merek

Smartphone Terbaik

Untuk mendapatkan merek smartphone terbaik dari masing-masing merek

smartphone lainnya maka posisi merek smartphone diberi skor untuk posisinya dari
masing-masing merek smartphone lainnya dengan kriteria penilaian skor adalah untuk
jarak terdekat yaitu posisi 1 diberi skor 40, posisi 2 diberi skor 30, posisi 3 diberi
skor 20, dan posisi 4 diberi skor 10. Tujuan dari pemberian skor adalah untuk
mengetahui skor tertinggi merek smartphone yang satu dengan yang lainnya, dimana
skor tertinggi dari posisi merek smartphone lainnya maka merek smartphone tersebut
paling diminati, agar lebih jelas dapat dilihat pada Tabel 11 sampai 15.

Tabel 11. Posisi Merek Smartphone Asus Terhadap Merek Lainnya

Merek Smartphone Oppo Samsung Sony Xiomi

Asus 4 4 2 4
Skor 10 10 30 10
Total 60
Tabel 12. Posisi Merek Smartphone Oppo Terhadap Merek Lainnya

Merek Smartphone Asus Samsung Sony Xiomi

Oppo 2 2 3 1
Skor 30 30 20 40
Total 120
 Tabel 13. Posisi Merek Smartphone Samsung Terhadap Merek Lainnya

Merek Smartphone Asus Oppo Sony Xiomi

Samsung 3 2 1 2
Skor 20 30 40 30
Total 120

Tabel14. Posisi Merek Smartphone Sony Terhadap Merek Lainnya

Merek Smartphone Asus Oppo Samsung Xiomi

Sony 1 3 3 3
Skor 40 20 20 20
Total 100

Tabel 15. Posisi Merek Smartphone Xiaomi Terhadap Merek Lainnya

Merek Smartphone Asus Oppo Samsung Sony

Xiomi 4 1 1 4
Skor 10 40 40 10
Total 100

Dalam analisa mengenai persaingan yang terjadi pada beberapa merek

smartphone maka berdasarkan tabel 11 sampai dengan tabel 15merek smartphone yang
paling disukai dan diminati adalah merek smartphone Oppo dan Samsung dengan skor
120. Posisi kedua adalah merek smartphone Sony dan Xiaomi dengan skor 100.Posisi
terakhir ditempati oleh merek smartphone Asus dengan skor yang paling rendah yaitu 60.

Analisis MDS Mengenai Data Preferensi Konsumen Terhadap Merek

SmartphoneBerdasarkan Atribut Produk

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:

1. Pada kuadran I diartikan bahwa merek smartphone Asus mempunyai kelebihan

pada atribut harga yang terjangkau. Asus berada satu kuadran dengan atribut
harga dan kamera. Hal ini disebabkan kedekatan jarak antara Xiaomi dengan
atribut harga dan kamera tersebut, serta kesamaan penempatan di suatu kuadran.
Dengan demikian, merek smartphone Asus bisa mempertahankan harga produknya
dan kualitas kamera agar dapat menggaet pelanggan dari merek smartphonelainnya
dan juga meningkatkan keunggulan pada atribut yang lainnya.
2. Pada kuadran II diartikan bahwa merek smartphone Oppo dan Xiomi mempunyai
kedekatan dengan atribut processor, pemakaian, dan layar. Oppo dan Xiomi berada
satu kuadran dengan processor,pemakaian,dan layar. Dengan demikian, Oppo dan
 Xiomi mempunyai keunggulan atribut processor, pemakaian,dan layar yang
memiliki tampilan paling baik diantara merek smartphone lainnya.
3. Pada kuadran III diartikan bahwa merek smartphone Samsung mempunyai
kedekatan dengan atribut merek. Samsung berada satu kuadran dengan merek,
fitur, desain.Dengan demikian, Samsung mempunyai keunggulan pada atribut
merek yang lebih dikenal, fitur yang lengkap, desain yang lebih indah. Dengan
demikian, jika merek smartphone lainnya seperti Asus, Oppo, Sony maupun
Xiaomi ingin bersaing dengan merek smartphoneSamsung, maka merek-merek
tersebut harus meningkatkan atribut seperti merek, fitur, desain, agar dapat setara
dengan Samsung.
4. Pada kuadran IV diartikan bahwa merek smartphone Sony mempunyai kedekatan
atribut memori. Dengan demikian, merek smartphone kapasitas memori yang
besar. Dengan demikian, jika merek smartphone lainnya ingin berkompetisi dengan
merek Sony maka harus dilakukan peningkatan dalam segi memori pada smartphone
tersebut.

Gambar 2.Perceptual Map Atribut-Atribut Merek Smartphone

Evaluasi Validitas dan Reliabilitas MDS

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:

Tabel 16. Nilai STRESS dari analisis MDS

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:

1. Posisi kelima merek smartphone berdasarkan titik koordinat menurut persepsi

konsumen dengan menggunakan analisis MDS adalah Asus dengan koordinat
(10,494;2,525), Oppo dengan koordinat (-4,154;3,591), Samsung dengan
koordinat (-4,216;(-3,979)), Sony dengan koordinat (4,188;(-3,985)), dan
Xiaomi dengan koordinat (-6,312;1,848).
2. Keunggulan dari masing-masing mereksmartphone menurut persepsi konsumen
berdasarkan atribut produk adalah sebagai berikut: Xiaomi dan Oppo
mempunyai keunggulan pada atribut kinerja processor yang baik ,kemudahan
dalam pemakaian,dan layar. Samsung mempunyai keunggulan pada atribut
merek yang lebih dikenal, desain yang lebih indah, fitur yang lengkap. Asus
mempunyai keunggulan pada kamera yang bagus dan harga yang terjangkau.
Sedangkan Sony mempunyai keunggulan pada memori yang besar.
3. Berdasarkan data persepsi konsumen merek smartphone yang paling disukai
dan diminati adalah merek smartphone Oppo dan Samsung.
 LAMPRAN

> tugas=read.delim("clipboard")

> tugas

asus oppo samsung sony xiomi

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)

asus oppo samsung sony xiomi

Min. : 0.0 Min. :0 Min. : 0 Min. :0 Min. :0.0

1st Qu.: 4.0 1st Qu.:1 1st Qu.: 2 1st Qu.:3 1st Qu.:1.0

Median : 8.0 Median :5 Median : 3 Median :4 Median :2.0

Mean : 6.2 Mean :4 Mean : 4 Mean :4 Mean :3.8

3rd Qu.: 9.0 3rd Qu.:6 3rd Qu.: 5 3rd Qu.:6 3rd Qu.:7.0

Max. :10.0 Max. :8 Max. :10 Max. :7 Max. :9.0

> dist(tugas)

1 2 3 4

2 14.866069

3 16.093477 8.000000

4 9.433981 11.313708 8.944272

5 16.852300 3.605551 6.403124 12.206556

> D=as.matrix(dist(tugas))

>D

1 2 3 4 5

1 0.000000 14.866069 16.093477 9.433981 16.852300

2 14.866069 0.000000 8.000000 11.313708 3.605551

3 16.093477 8.000000 0.000000 8.944272 6.403124

4 9.433981 11.313708 8.944272 0.000000 12.206556

5 16.852300 3.605551 6.403124 12.206556 0.000000

> A=D^2

> I=diag(5)

>I

[,1] [,2] [,3] [,4] [,5]

[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)

Error: unexpected ',' in "J=matrix(rep,(1,"

> J=matrix(rep(1,5),nrow=5,ncol=5)

>J

[,1] [,2] [,3] [,4] [,5]

[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

[,1] [,2] [,3] [,4] [,5]

[1,] 0.8 -0.2 -0.2 -0.2 -0.2

[2,] -0.2 0.8 -0.2 -0.2 -0.2

[3,] -0.2 -0.2 0.8 -0.2 -0.2

[4,] -0.2 -0.2 -0.2 0.8 -0.2

[5,] -0.2 -0.2 -0.2 -0.2 0.8

> B=(-1/2)*V*A*V

>B

1 2 3 4 5

1 0.00 -4.42 -5.18 -1.78 -5.68

2 -4.42 0.00 -1.28 -2.56 -0.26

3 -5.18 -1.28 0.00 -1.60 -0.82

4 -1.78 -2.56 -1.60 0.00 -2.98

5 -5.68 -0.26 -0.82 -2.98 0.00

> eigen(B)

eigen() decomposition

$values

[1] 8.45951750 2.29843627 0.46032878 0.06364111 -11.28192366

$vectors

[,1] [,2] [,3] [,4] [,5]

[1,] 0.6869380 0.2908503 -0.2542298 -0.07181146 0.6113368

[2,] -0.3504559 0.4142216 0.5700747 -0.48883422 0.3763736

[3,] -0.3584052 -0.5332111 -0.4782953 -0.44022331 0.4057940

[4,] 0.2006425 -0.6322859 0.5931217 0.28585912 0.3555958

[5,] -0.4864003 0.2443912 -0.1726915 0.69308890 0.4398786

> c=array(eigen(B)$value,2)

>c
[1] 8.459518 2.298436

> a=eigen(B)$vectors

>a

[,1] [,2] [,3] [,4] [,5]

[1,] 0.6869380 0.2908503 -0.2542298 -0.07181146 0.6113368

[2,] -0.3504559 0.4142216 0.5700747 -0.48883422 0.3763736

[3,] -0.3584052 -0.5332111 -0.4782953 -0.44022331 0.4057940

[4,] 0.2006425 -0.6322859 0.5931217 0.28585912 0.3555958

[5,] -0.4864003 0.2443912 -0.1726915 0.69308890 0.4398786

> d=diag(c)

>d

[,1] [,2]

[1,] 8.459518 0.000000

[2,] 0.000000 2.298436

> b=matrix(a,nrow=5,ncol=5)

>b

[,1] [,2] [,3] [,4] [,5]

[1,] 0.6869380 0.2908503 -0.2542298 -0.07181146 0.6113368

[2,] -0.3504559 0.4142216 0.5700747 -0.48883422 0.3763736

[3,] -0.3584052 -0.5332111 -0.4782953 -0.44022331 0.4057940

[4,] 0.2006425 -0.6322859 0.5931217 0.28585912 0.3555958

[5,] -0.4864003 0.2443912 -0.1726915 0.69308890 0.4398786

> library(MASS)

> fit=isoMDS(D,k=2)

initial value 0.000000

final value 0.000000

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

asus oppo samsung sony xiomi

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

4 2.236068 1.414214 1.414214

5 5.567764 5.830952 5.099020 6.000000

6 1.000000 2.000000 2.000000 2.449490 5.099020

7 4.000000 3.605551 2.645751 2.645751 5.000000 3.872983

8 3.316625 2.000000 2.000000 1.414214 6.164414 3.464102 3.000000

9 3.872983 3.741657 3.162278 3.741657 3.741657 3.162278 3.000000 4.242641

10 3.316625 2.449490 2.449490 1.414214 6.782330 3.741657 3.000000 1.414214

3
4

10 4.898979

> DO=as.matrix(dist(data))

> DO

1 2 3 4 5 6 7 8

1 0.000000 1.732051 2.236068 2.236068 5.567764 1.000000 4.000000 3.316625

2 1.732051 0.000000 2.000000 1.414214 5.830952 2.000000 3.605551 2.000000

3 2.236068 2.000000 0.000000 1.414214 5.099020 2.000000 2.645751 2.000000

4 2.236068 1.414214 1.414214 0.000000 6.000000 2.449490 2.645751 1.414214

5 5.567764 5.830952 5.099020 6.000000 0.000000 5.099020 5.000000 6.164414

6 1.000000 2.000000 2.000000 2.449490 5.099020 0.000000 3.872983 3.464102

7 4.000000 3.605551 2.645751 2.645751 5.000000 3.872983 0.000000 3.000000

8 3.316625 2.000000 2.000000 1.414214 6.164414 3.464102 3.000000 0.000000

9 3.872983 3.741657 3.162278 3.741657 3.741657 3.162278 3.000000 4.242641

10 3.316625 2.449490 2.449490 1.414214 6.782330 3.741657 3.000000 1.414214

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)

initial value 0.000000

final value 0.000000

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)

initial value 4.735159

iter 5 value 1.882316

iter 10 value 1.737333

iter 15 value 1.673110

final value 1.660891

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])

> plot(x1,y1,pch=20,xlim=c(-7,12),ylim=c(-6,5),main="Join NMDS Configuration Plot",

xlab="Dimention 1",ylab="Dimention 2",cex=0.5,col="blue")

> plot(x1,y1,pch=20,xlim=c(-7,12),ylim=c(-5,5),main="Join NMDS Configuration Plot",

xlab="Dimention 1",ylab="Dimention 2",cex=0.5,col="blue")

>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

4 9.063187 11.268077 8.403337

5 16.819325 2.773571 6.192420 12.011032

> SA=sum((D-Dtopi)^2)

Warning message:

In D - Dtopi :

longer object length is not a multiple of shorter object length

> 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