LEARNING AND CONSUMER INVOLVEMENT

DOSEN PENGAMPU:
Drs. YOGA MANURUNG, M.Si

DISUSUN OLEH:
1. BASTIAN RAHMAN (BBA 117 187)
2. ETRI CAHYATI (BBA 117 127)
3. 8MEGA LESTARI (BBA 117 068)
4. MERRY WAHYUNI (BBA 117 066)
5. MITA (BBA 117 179)
6. SITI AISYAH (BBA 117 096)

JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PALANGKA RAYA
2019
INTI SARI

DAFTAR ISI
i
1. KONSEP DASAR MENGENAI PENETAPAN SKALA MULTIDIMENSI (MDS)

Multidimensional Scaling (MDS) atau Penetapan skala multidimensi merupakan' sebuah

kclas prosedur untuk merepresentasikan persepsi dan preferensi responden mm spasial dengan
menggunakan sebuah tampilan visual. Hubungan yang dipersepsikan atau hubungan psikologis
antarstimuli diwakili oleh hubungan geometris antartitik dalam ruang multidimensi. Representasi
geometris ini sering disebut peta spasial. Sumbu-sumbu peta spasial diasumsikan mewakili basis
psikologi atau dimensi dasar yang dipakai responden untuk membentuk persepsi dan preferensi
terhadap stimuli .

MDS digunakan dalam pemasaran untuk mengidentiflkasi:

1. Jumlah dan sifat dimensi yang digunakan konsumen dalam mempersepsi merek.

2. Merek yang berbeda yang ada di pasaran.

3. Posisi merek saat ini pada dimensi-diménsi tersebut.

4. Posisi merek ideal menurut konsumen pada dimensi-dimensi tersebut.

lnformasi yang diberikan MDS digunakan untuk berbagai aplikasi pemasaran diantaranya:

1. Pengukuran citra. Membandingkan persepsi konsumen dan nonkonsumen terhadap

perusahaan dan persepsi perusahaan terhadap dirinya sendiri dan identiflkasi kesenjangan
persepsi.

2. Segmentasi pasar: Memposisikan merek dan konsumen dalam mang yang sama dan
mengidentiflkasikan kelompok konsumen dengan persepsi yang relatif homogen. '

3. Pengembangan produk baru. Untuk melihat kesenjangan dalam peta spasial, yang
mengindikasikan peluang potensial untuk memposisikan produk. Juga 'untuk
mengevaluasi konsep produk baru dan merek yang ada berdasarkan sebuah uji untuk
menentukan bagaimana konsumen mempersepsikan konsep baru tersebut. Proporsi
preferensi untuk setiap produk baru merupakan suatu indikator keberhasilan produk.

1
 4. Pengkajian efektifitas iklan. Peta spasial dapat digunakan untuk menentukan apakah iklan
yang digunakan telah berhasil mencapaj posisi yang diinginkan.

5. Analisis harga. Peta spasial yang dikembangkan dengan dan tanpa infomasi harga dapat
dibandingkan untuk mengetahui pengaruh penetapan harga.

6. Keputusan saluran distribusi. Penilaian atas kecocokan merek dengan gerai eceran yang
berbeda dapat menghasilkan peta spasial yang berguna dalam mengambil keputusan
mengenai saluran distribusi.

7. konstruksi skala sikap. Teknik-teknik MDS dapat digunakan untuk mengembangkan

dimensionalitas dan konflgurasi ruang-sikap.

2. STATISTIK DAN ISTILAH YANG TERKAIT DENGAN MDS

Berikut ini adalah statistik-statistik dan istilah penting yang terkajt dengan MDS :

1. Penilaian keserupaan. Penilaian keserupaan (similarity judgement) merupakan

pembuatan peringkat atas semua pasangan merek atau stimuli lain dalam ha] keserupaan
mereka dengan menggunakan sebuah.ska.la jenis LikeIt.

2. Pemeringkatan preferensi. Pemeringkatan preferensi adalah urutan peringkat merek

atau stimuli lain mulai dari merek yang paling diminati sampai dengan merek yang paling
sedikit diminati. Pemeringkatan-pemeringkatan ini biasanya diperoleh dari responden-
responden.

3. stress. Statistik ini merupakan sebuah ukuran ketidak cocokan (lack-of-fit): nilai stress
yang lebih tinggi mengindikasikan kecocokan yang lebah buruk.

2
 4. R-Kuadrat. R-kuadrat mempakan indeks korelasi yang mengindikasikan proporsi
varians dari data yang diskala secara optimal yang dapat dihitung oleh prosedur MDS.
Statistik ini merupakan ukuran goodnessd-of-fit.

5. Peta spasial. Persepsi kubungan antar merek atau stimuli lain dwakili oleh hubungan
geometris antara titik-titik dalam ruang multidimensi yang disebut peta spasial.

6. Koordinat. Koordinat mengindikasikan posisi sebuah merek atau stimulus dalam sebuah
peta spasial.

7. Unfolding. Representasi merek dan responden sebagai titik-titik dalam ruang yang sama
disebut dengan unfolding.

3. PENETAPKAN SKALA MULTIDIMENSI

Peneliti harus memformulasikan masalah MDS dengan hati-hati karena keragaman

sebuah data mungkin digunakan sebagai masukan bagi MDS. Peneliti juga harus menentukan
sebuah format yang sesuai di mana data harus diperoleh dan memilih sebuah prosedur MDS
untuk menganalisis data. Aspek penting dalam solusi tersebut adalah menentukan jumlah
dimensi untuk peta spasial. Selain itu, sumbu-sumbu peta harus diberi label dan konfigurasi hasil
derivasi hams ditafsirkan. Akhimya, peneliti hams mcngkaji kualitas hasil yang diperoleh.“ Kami
menjelaskan masing-masing langkah ini, dimulai dengan formulasi masalah.

Memformulasikan masalall Memformulasikan masalah mengharuskan peneliti

menetapkan secara spesifik maksud digunakannya hasil MDS dan memilih merek atau stimuli
lain untuk dimasukkan ke dalam analisis. Jumlah merek atau stimuli yang dipilih serta merek
tertentu yang akan dimasukkan akan menentukan sifat dimensi dan konfigurasi yang dihasilkan.
Paling tidak delapan merek atau stimuli harus dimasukkan untuk memperoleh sebuah peta
spasial yang didefmisikan dengan baik. Memasukkan 25 atau lebih merek tampaknya terlalu
berlebihan dan mungkin mengakibatkan kelelahan pada responden.
3
 Keputusan mengenai merek tertentu atau stimuli mana yang akan dimasukkan harus
dibuat dengan hati-hati. Andaikan seorang peneliti tertarik untuk memperoleh persepsi
konsumen terhadap mobil. Jika mobil mewah tidak diikutkan dalam himpunan stimulus,
dimensinya tidak bisa muhcul dalam hasil. Pilihan jumlah dan merek atau stimuli tertentu yang
akan dimasukkan hams didasarkan pada pemyataan masalah riset pemasaran, teori, dan
pertimbangan pribadi peneliti.

Penetapan skala multidimensi akan diilustrasikan dalam konteks memperoleh sebuah peta
spasial untuk 10 merek pasta gigi. Merek-merek tersebut adalah: AquaFresh, Crest, Colgate,
Aim, Gleem, Macleans, Ultra Brite, Close-Up, Pepsodent, dan Dentagard. Setelah mempunyai
daftar merek tenentu tersebut, pertanyaan berikutnya adalah: Bagaimana kita memperoleh data
kesepuluh merek ini?

3.1. Memperoleh data masukan

Data masukan yang mungkin berhubungan dengan presepsi dan preferensi diperoleh dari
responden. Data persepsi tersebut, bisa berupa data langsung atau basil derivasi, akan dibahas
terlebih dahulu.

Data Persepsi: Pendekatan Langsung. Dalam pendekatan langsung untuk mempcroleh

data persepsi, responden diminta untuk menilai sejauh mana berbagai merek atau stimuli serupa
atau tidak serupa dengan menggunakan kriteria mereka sendiri'. Responden sering kali diminta
untuk memeringkat seluruh pasangan yang ada dari merek atau stimuli dalam hal keserupaan
pada sebuah skala Likert. Data-data ini dikenal sebagai penilaian kesamaan.

Data Persepsi: Pendekatan Turunan. Pendekatan tumnan dalam mengunpulkan data

persepsi adalah pendekatan yang didasarkan pada atribut yang mensyaratkan responden untuk
memeringkat merek atau stimuli atas atribut-atribut yang telah diidentifikasi menggunakan skala
diferensial semantik atau skala Likert.

Pendekatan Langsung vs Pendekatan Turunan. Pendekatan langsung mempunyai

keuntungan bahwa peneliti tidak harus mengidentikaasi suatu himpunan atribut yang penting;
Responden memberikan penilaian keserupaan menggunakan kriteria mereka sendiri, seperti
halnya yang akan mereka lakukan dalam kondisi normal. Kerugiannya adalah bahwa kriteria

4
dipengaruhi oleh merek-merek atau stimuli yang sedang dievaluasi. Jika bennacam-macam
merek mobil yang sedang dievaluasi berada pada kisaran harga yang sama, maka harga tidak
akan muncul sebagaj sebuah faktor yang penting. Menentukan sebelum analisis bila dan
bagaimana sctiap penilaian responden harus dikombinasikan merupakan hal yang sulit
dilakukan. Lebih jauh, memben' label pada dimensi peta spasial juga Sulit dilakukan.
Keuntungan dari pendekatan berbasis atribut adalah mudah untuk mengidentifikasi responden
dengan persepsi homogen. Responden dapat dikelompokkan

Berdasarkan peringkat atribut. Memberikan lebel dimensi juga lebih mudah dilakukan.
Kelemahan pendekatan ini adalah bahwa peneliti harus mengidentiflkasi seluruh atribut yang
panting, sebuah tugas yang sulit. Peta spasial yang diperoleh tergantung pada atribut-atribut yang
diidentiflkasi.

Pendekatan langsung lebih sering digunakan daripada pendekatan berbasis atribut.

Namun demikian, akan lebih baik bila menggunakan kedua pendekatan untuk saling melengkapi.
Penilaian keserupaan langsung bisa digunakan untuk memperoleh peta spasial, dan peringkat
atribut bisa digunakan sebagai bantuan untuk menafsirkan dimensi peta perseptual. Prosedur
serupa juga digunakan untuk data preferensi.

Berdasarkan peringkat atribut. Memberikan lebel dimensi juga lebih mudah dilakukan.
Kelemahan pendekatan ini adalah bahwa peneliti harus mengidentiflkasi seluruh atribut yang
panting, sebuah tugas yang sulit. Peta spasial yang diperoleh tergantung pada atribut-atribut yang
diidentiflkasi.

Pendekatan langsung lebih sering digunakan daripada pendekatan berbasis atribut.

Namun demikian, akan lebih baik bila menggunakan kedua pendekatan untuk saling melengkapi.
Penilaian keserupaan langsung bisa digunakan untuk memperoleh peta spasial, dan peringkat
atribut bisa digunakan sebagai bantuan untuk menafsirkan dimensi peta perseptual. Prosedur
serupa juga digunakan untuk data preferensi.

Data Preferensi. Data preferensi mengurutkan merek atau stimuli Ihenurut preferensi
responden untuk beberapa sifat. Cara yang lazim untuk memperoleh data semacam itu adalah
dengna peringkat preferensi. Responden diharuskan meranking merek dari yang paling diminati
sampai yang paling sedikit diminati. Alternatif lain, responden bisa disyaratkan untuk membuat
5
perbandingan berpasangan dan menentukan merek pasangan mana yang lebih mereka minati.
Jika peta spasial didasarkan pada data preferensi, jarak menyiratkan perbedaan preferensi.
Konflgurasi yang diturunkan dari data preferensi bisa sangat berbeda dari konflgurasi yang
diperoleh dari data keserupaan. Dua merek bisa dipersepsikan sebagai berbeda dalam sebuah
peta keserupaan namun dipersepsikan serupa serupa dalam peta preferensi, dan sebaliknya.
Misalnya, Crest dan Pepsodent bisa dipersepsi oleh sekelompok responden sebagai sangat
berbeda dan karena itu muncul jauh terpisah pada sebuah peta persepsi. Namun demikian,
mungkin kedua merek ini bisa sama disukai dan muncul dekat pada peta preferensi. Kita akan
melanjutkan penggunaan data persepsi yang diperoleh dalam contoh pasta gigi untuk
mengilustrasikan prosedur MDS dan kemudian membicarakan penetapan skala data preferensi.

3.2. Memilih Sebuah Prosedur MDS .

Memilihan sebuah prosedur MDS yang spesifik tergantung pada apakah data persepsi
dan preferensi diskalakan, atau apakah analisis membutuhkan kedua jenis data. Sifat data
masukan juga merupakan sebuah faktor penentu. Prosedur MDS nonmetrik mengasumsikan
bahwa data input bersifat ordinal, namun menghasilkan output yang bersifat metrik. Jarak pada
peta spasial yang dihasilkan bisa diasumsikan menggunakan skala interval. Dalam suatu
dimensionalitas tertentu, prosedur-prosedur ini menghasilkan suatu peta spasial yang memiliki
urutan jarak hasil estimasi antar merek-merek atau stimuli yang terbaik dalam memelihara atau
mereproduksi urutan masukaii. Sebaliknya, metode MDS metrik mengasumsikan bahwa data
input bersifat metrik. Karena output juga bersifat metrik, hubungan yang lebih kuat antara data
output dan data input tetap dipertahankan, dan kualitas metrik (interval atau rasio) data input
tetap terpelihara. Metode metrik dan nonmetrik memproduksi hasil yang serupa.6 Sebuah faktor
lain yang mempengamhi pemilihan sebuah prosedur adalah apakah analisis MDS akan dilakukan
pada tingkat responden individual atau pada sebuah tingkatan agregat. Dalam tingkatan analisis
individual, data dianalisis secara terpisah untuk setiap responden, menghasilkan sebuah peta
spasial untuk setiap responden. Walaupun analisis pada tingkat individual berguna dari sebuah
sudut pandang riset, analisis ini tidak diinginkan dari sudut pandang manajerial. Strategi
pemasaran biasanya diformulasikan pada tingkatan segmen atau agregat, ketimbang pada
tingkatan individual. J ika analisis pada tingkatan agregat dilakukan, beberapa agumsi harus
dibuat dalam mengagregasikan data individual. Umumnya, diasumsikan bahwa semua responden

6
menggunakan dimensi yang sama untuk mengevaluasi merek atau stimuli, namun bahwa
responden yang berbeda memboboti dimensi umum ini secara berbeda.

3.3. Menentukan Jumlah Dimensi

Tujuan dalam MDS adalah untuk memperoleh sebuah peta spasial yang paling sesuai
dengan data input dalam jumlah dimensi yang paling sedikit. Namun demikjan peta spasial
dihitung sedemikian rupa sehingga kesesuaian meningkat dengan benambahnyajumlah dimensi.
Karena itu, sebuah kompromi hams dibuat. Kesesuaian solusi MDS biasanya dikaji dengan
ukurém stress. Stress adalah suatu ' ukuran ketidaksesuaian (lack-of-flt measure); semakin tinggi
nilai stress mengindikasikan kesesuaian yang rendah. Panduan berikut ini disarankan untuk_

menentukan banyaknya dimensi.

1. Suatu Pengetahuan priori. Tcori atau riset yang terdahulu bisa memberi informasi
mengenai jumlah dimensi.

2. Kemampuan peta spasial untuk ditafsirkan Secara umum, sulit bagi kita untuk
menafsixkan konfigurasi atau peta yang ditunmkan dalam lebih dari tiga dimensi. diuji.
Titik-titik dalam plot ini biasanya membentuk pola cembung. Seperti ditunjukkan dalam
Gambar 21.3. Titik d1 Tnana muncul suatu Slku atau Patahan tajam mengindikasikan
jumlah dimen31 yang .cocok. Penambahan ijlah dimensi di atas titik ini biasanya tidak
sebandmg dengan perbaikan dalam kecocokan.

3. Kemudahan penggunaan. Biasanya lebih mudah menggunakan peta atau konflgurasi dua
dimensi daripada peta atau konfigurasi dengan lebih banyak dimensi.

4. Pendekatan statistik. Bagi pengguna yang telah canggih, pendekatan statistik juga
tersedia untuk me'nentukan dimensionalitas.

Memberikan label Dimensi dan Mengartikan Konfigurasi jika sebuah peta spasial telah
dibuat, dimensi harus diberi label dan konfigurasinya harus diartikan. Pemberian label dimensi

7
memerlukan penilaian subjektif peneliti. Berikut ini adalah petunjuk yang dapat membantu
dalam tugas ini:

1. Bahkan jika penilaian pribadi mengenai keserupaan diperolch, peringkat merek atas
atribut yang dipasok oleh peneliti masih bisa dikumpulkan. Dengan menggunakan
metode statistik seperti regresi, vektor-vektor atribut ini mungkin sesuai dengan peta
spasial (lihat Gambar 21.5). Sumbu-sumbu tersebut kemudian bisa diben' label untuk
atn'but-atribut dengan mana sumbu tersebut  berhubungan lebih erat.

2. Setelah memberikan data keserupaan langsung atau data preferensi langsung, responden
bisa diminta untuk menyatakan kriteria yan g mereka gunakan dalam membuat evaluasi
Kriteriakriteria ini kemudian bisa dihubungkan secara subjektif dengan peta spasial untuk
memberi label pada dimensi.

3. Jika mungkin, responden dapat ditunj uki peta spasial mereka dan diminta untuk
memberikan label kepada dimensi-dimensi tersebut dengan memeriksa konfigurasi.

4. Jika krakteristik tujuan merek tersedia (misalnya., tenaga kuda atau mil per jam untuk
mobil), karakteristikkarakteristik ini dapat digunakan sebagai bantuan dalam menafsirkan
dimensi subjektif peta spasial.

Sering kali dimensi merepresentasikan lebih dari satu atribut. Koniigurasi atau peta
spasiaidapat ditafsirkan dengan menguji koordinat-koordinat dan posisi relatif merek-merek.
Misalnya, merek-merek yang saling berdekatan bersaing lebih keras. Sebuah merek yang
terisolir mempunyai citra yang unik. Merck yang beijarak lebih jauh ke arah deskriptor lebih
kuat dalam karakteristik tersebut. Maka kekuatan dan kelemahan setiap produk dapat dipahami.
Kesenjangan dalam peta spasial bisa mengindikasikan peluang potensial untuk memperkenalkan
produk-produk baru.

3.4. Mengkaji Kendala dan Validitas

8
 Data masukan, dengan demikian berarti solusi MDS, mengalami variabilitas acak yang
cukup besar. Maka, kita perlu membuat pengkajian atas keandalan dan Validitas solusi
MDS.Berikut1ni adalah petunjuk yang disarankan.

1. Indeks kesesuaian, atau R kuadrat, harus diuji. Indeks ini mempakan sebuah indeks
korelasi kuadrat yang mengindikasikan proporsi varians dari skala hasil.optimasi yang
dapat dipengaruhi oleh prosedur MDS. Maka, indeks ini mengindikasikan sebaik apa
model MDS sesuai dengan data masukan. Walaupun nilai-nilai yang lebih tinggi dari R-
kuadrat diinginkan, nilai 0,60 atau lebih baik dianggap dapat diterima.

2. Nilai stress juga merupakan indikasi kualitas solusi MDS. Kalau R-kuadrat adalah sebuah
ukuran goodness offit, maka stress mengukur badness of fit, atau proporsi varians dari data
yang diberi skala optimal yang tidak dihitung oleh model MDS. Nilai stress berbeda
bergantung pada prosedur MDS dan data yang sedang dianalisis.

3. Jika analisis tingkat agregat telah dilakukan, data asli harus di pisah menjadi dua bagian
atau lebih. Analisis MDS harus dilakukan secara terplsah pada setiap bagian dan hasil yang
diperoleh dibandingkan.

4. Stimuli dapat dihilangkan secara selektif dari data input dan solusi ditentukan untuk stimuli
yang tersisa.

5. Suatu kesalahan acak (error term) dapat ditambahkan pada data masukan. Data , yang
dihasilkan perlu dianalisis dengan MDS dan solusinya dibandingkan.

6. Data input dapat dikumpulkan di dua titik yang berbeda dalam waktu dan uji yang dipakai
untuk menguji ulang keandalan ditentukan.

4. ASUMSI DAN KETERBATASAN MDS

Kita perlu membicarakan beberapa asumsi dan keterbatasan MDS. Asumsi dalam MDS
adalah bahwa keserupaan stimulus A dcngan B adalah sama dengan keserupaan B dengan A.
Ada beberapa kcadaan di mana asumsi ini dilanggar‘ Misalnya, Meksiko dipersepsi sebagai lebih
serupa dcngan Amerika Serikat daripada Amerika Serikat dengan Meksiko. MDS
9
mengasumsikan bahwa jarak (kescrupaan) antara dua stimulus adalah beberapa fungsi dan'
keserupaan parsialnya pada masing-masing dimensi dari beberapa dimensi perseptual. Tidak
banyak riset yang telah dilakukan untuk menguji asumsi ini. Jika suatu peta spasial telah
didapatkan, kita mengasumsikan bahwa jarak antar titik-titik menggunakan skala rasio dan
bahwa sumbu peta menggunakan skala interval multidimensi. Salah satu keterbatasan MDS
adalah bahwa penafsiran dimensi yang terkait dengan perubahan

5. MENETAPKAN SKALA DATA PREFERENSI

Analisis data preferensi dapat berupa preferensi internal maupun preferensl W. Dalam
analisis preferensi internal, suatu peta spasial mewaklh balk mentk atau stimuli maupun titik-titik
responden atau vektor, dan diturunkan scmatamam hanya dari data preferensi. Maka, dengan
mengumpulkan data preferensi, pmk merek maupun responden dapat direpresentasikan dalam
peta spasial yang 5mm Dalam analisis preferensi eksternal. titik-titik data atau vektor didasarkan
pada data preferensi yang sesuai dalam sebuah peta spasial yang djturunkan dari data persepsi
(misalnya keserupaan). Untuk menjalankan analisis ekstemal, data persepsi dan data preferensi
hams diperoleh. Reprentasi merek dan responden sebagai titilHitik dalam ruang yang sama,
dengan menggunakan analisis internal atau ekstemal, disebut sebagai unfolding. Analisis
ekstemal lebih dipilih dalam kebanyakan situasi. Dalam analisis internal, perbedaan persepsi
tercampur dengan perbedaan preferensi. Sifat alami dan tingkat penting relatif dimensi mungkin
bervariasi antara ruang persepsi dan mang preferensi. Dua merek bisa dipersepsi serupa (lokasi
saling berdekatan dalam 'mang persepsi) namun, salah satu merek jelas-jelas lebih disukaj dari
merek yang lainnya (yajtu merek-merek mungkin terpisah dalam ruang preferensi). Situasisituasi
ini tidak dapat diketahui dalam analisis internal. Selain itu, prosedur analisis internal dipersulit
oleh kesulitan komputasi.lo Kita mengilustrasikan analisis ekstemal dengan menetapkan skala
preferensi responden kita ke dalam peta spasial mereka. Responden memeringkat mcrekmerek
mengikuti urutan preferensi (yang paling diminati didahulukan): Colgate, Crest, Aim, Aqua-
Fresh, Gleem, Pepsodent, Ultra Bn'te, Macleans, Close-Up, dan Dentagard. Pen'ngkat preferensi
ini, bersama-sama dengan koordinat peta spasial (Gambar 21.5), digunakan sebagai masukan
untuk suatu program penetapan skala preferensi untuk menghasilkan Gambar 21.7. Perhatikan
lokasi titik ideal. Tltik ini dekat dengan Colgate, Crest, Aim, dan Aqua-Fresh, empat merek yang
paling

10
6. MENETAPKAN SKALA DATA PREFERENSI

Anahsis data preferensi dapat berupa preferensi internal maupun preferensl W. Dalam analisis
preferensi internal, suatu peta spasial mewaklh balk mentk atau stimuli maupun titik-titik
responden atau vektor, dan diturunkan scmatamam hanya dari data preferensi. Maka, dengan
mengumpulkan data preferensi, pmk merek maupun responden dapat direpresentasikan dalam
peta spasial yang 5mm Dalam analisis preferensi eksternal. titik-titik data atau vektor didasarkan
pada data preferensi yang sesuai dalam sebuah peta spasial yang djturunkan dari data persepsi
(misalnya keserupaan). Untuk menjalankan analisis ekstemal, data persepsi dan data preferensi
hams diperoleh. Reprentasi merek dan responden sebagai titilHitik dalam ruang yang sama,
dengan menggunakan analisis internal atau ekstemal, disebut sebagai unfolding. Analisis
ekstemal lebih dipilih dalam kebanyakan situasi. Dalam analisis internal, perbedaan persepsi
tercampur dengan perbedaan preferensi. Sifat alami dan tingkat penting relatif dimensi mungkin
bervariasi antara ruang persepsi dan mang preferensi. Dua merek bisa dipersepsi serupa (lokasi
saling berdekatan dalam 'mang persepsi) namun, salah satu merek jelas-jelas lebih disukaj dari
merek yang lainnya (yajtu merek-merek mungkin terpisah dalam ruang preferensi). Situasisituasi
ini tidak dapat diketahui dalam analisis internal. Selain itu, prosedur analisis internal dipersulit
oleh kesulitan komputasi.lo Kita mengilustrasikan analisis ekstemal dengan menetapkan skala
preferensi responden kita ke dalam peta spasial mereka. Responden memeringkat mcrekmerek
mengikuti urutan preferensi (yang paling diminati didahulukan): Colgate, Crest, Aim, Aqua-
Fresh, Gleem, Pepsodent, Ultra Bn'te, Macleans, Close-Up, dan Dentagard. Pen'ngkat preferensi
ini, bersama-sama dengan koordinat peta spasial (Gambar 21.5), digunakan sebagai masukan
untuk suatu program penetapan skala preferensi untuk menghasilkan Gambar 21.7. Perhatikan
lokasi titik ideal. Tltik ini dekat dengan Colgate, Crest, Aim, dan Aqua-Fresh, empat merek yang
paling

11
12