Analisis Multidimensional Scaling

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.
com
www.statistikolahdata.com
ANALISIS MULTIDIMENSIONAL SCALING
“In multidimensional scaling, the objective is to transform the consumer judgments of
similarity or preference (e.g. preference of store or brand) into distance represented in
multidimensional space. If object A and B are judged by respondents as being the most
similar compared with all other possible pair of object, MDS will position object A and B in
such a way that the distance between them in multidimensional space is similar that the
distance any other two pairs of object. ,” (Hair, Anderson, Tatham, Black, 1995).
[“Tujuan multidimensional scaling adalah untuk mentransformasi penilaian konsumen
tentang kemiripan atau preferensi (misal, preferensi tentang toko atau merk) ke dalam
beberapa distance yang ditampilkan dalam bentuk dimensional space. Jika objek A dan B
dinilai oleh responden adalah paling mirip dibandingkan dengan kemungkinan pasangan lain,
MDS akan memposisikan objek A dan B sedemikian sehingga jarak multidimensioanl antara
kedua objek sama/mirip dibandingkan dengan jarak pasangan objek lainnnya.,”(Hair,
Anderson, Tatham, Black, 1995).]
Sumber : Sofyan dan Heri, 2009
Seperti penjelasan di atas, MDS berguna untuk membandingkan beberapa objek apakah
mempunyai kemiripan (similarity) antara objek satu dengan yang lainnya. Perbandingan
kemiripan ini akan dipetakan yang menunjukan kedekatan jarak antara masing-masing objek.
Penilaian objek tentunya merujuk terhadap atribut apa yang akan dinilai/persepsikan.
Kemiripan ini banyak digunakan pada riset pemasaran untuk mengetahui positioning
suatu produk dibandingkan dengan produk kompetitor. MDS dapat menganalisis data
nonmetrik (nominal dan ordinal) maupun data metrik (interval -rasio).
1
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com
Contoh kasus
Seorang manajer riset toko A ingin mengetahui toko-toko lainnya yang menjadi pesaingnya.
Atribut yang menjadi penilaian adalah lokasi toko dan pelayanan kasir. Responden diminta
memberikan jawaban kuesioner dalam skala 1-5. Skala 1 menunjukan bahwa toko tersebut
saling bermiripan, sedangkan skala 5 sangat tidak bermiripan.
Ada perbedaan cara pengisian data kuesioner kedalam microsoft excel untuk analisis MDS
dibandingkan analisis lainnya, agar dapat dianalisis SPSS. Contohnya seperti ini.
Responden 1 Responden 2
Skor Penilaian Skor Penilaian

Toko A-Toko B 3 Toko A-Toko B 3
Toko A-Toko C 2 Toko A-Toko C 2
Toko A-Toko D 3 Toko A-Toko D 4
Toko A-Toko E 4 Toko A-Toko E 4
Toko B-Toko C 3 Toko B-Toko C 3
Toko B-Toko D 2 Toko B-Toko D 2
Toko B-Toko E 2 Toko B-Toko E 2
Toko C-Toko D 4 Toko C-Toko D 4
Toko C-Toko E 5 Toko C-Toko E 5
Toko D-Toko E 4 Toko D-Toko E 4
0 0
Responden Toko A Toko B Toko C Toko D Toko E

Toko A 0
Toko B 3 0
1 Toko C 2 3 0
Toko D 3 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
2 Toko C 2 3 0
Toko D 4 2 4 0
Toko E 4 2 5 4 0
Dua tabel paling atas adalah jawaban kuesioner responden 1 dan 2. Tabel di bawahnya
merupakan bentuk excel yang nantinya diproses SPSS. Perhatikan tabel excel, karena ada 5
toko yang akan dibandingkan maka ada 5 kolom yang masing-masing toko A sampai dengan
toko E. Sedangkan baris juga sama ada 5 baris untuk kelima toko tersebut. Untuk pengisian
2
1 responden memerlukan 5 baris. Cara pengisiannya :
1. Pada kolom Toko A dan baris Toko B diisi dengan angka 3 hasil skor penilaian
perbandingan toko A dan toko B. Demikian seterusnya untuk baris berikutnya.
2. Pada pertemuan antara kolom Toko A dan baris Toko A isikan angka 0. Karena
satu objek dibandingkan dengan objek itu sendiri, hasilnya 0. Demikian juga
untuk hasil yang lain
3. Pengisian angka 0 akan membentuk diagonal, di atas diagonal dikosongkan saja.
Langkah-langkah SPSS
1) Klik Analyze > Scale > Multidimensional Scaling (Alscal)
2) Masukkan variabel Toko A-TokoE ke kolom Variables
3
3) Klik tombol Model pilih Ordinal dan individual differences Euclidean Distance
4) Klik tombol Options, pilih Group plots, kemudian Continue
5) Klik OK.
Hasil Output SPSS
4
Iteration history for the 2 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
0 .13527
1 .12893
2 .12531 .00362
3 .12463 .00068
Iterations stopped because

S-stress improvement is less than .001000
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled data

(disparities)in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances
Stress values are Kruskal's stress formula 1.
Averaged (rms) over matrices

Stress = .07425 RSQ = .93170
Configuration derived in 2 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
1 TokoA -.9608 1.0203

2 TokoB .5798 -.0849
3 TokoC -1.3076 -.5831
4 TokoD .2941 -1.5084
5 TokoE 1.3944 1.1561
Subject weights measure the importance of each dimension to each subject.

Squared weights sum to RSQ.
A subject with weights proportional to the average weights has a weirdness

of
zero, the minimum value.
A subject with one large weight and many low weights has a weirdness near
one.
A subject with exactly one positive weight has a weirdness of one,
the maximum value for nonnegative weights.
Subject Weights
Dimension
5
Subject Weird- 1 2
Number ness
1 .3243 .8875 .4056

2 .2674 .8579 .4333
3 .2469 .8509 .4451
4 .0484 .7727 .5577
5 .0478 .7887 .5698
6 .2507 .8074 .4197
7 .4128 .5318 .8334
8 .1731 .6764 .6937
9 .1398 .8443 .5270
10 .1376 .6740 .6527
11 .4434 .5096 .8492
Overall importance of
each dimension: .5714 .3603
Flattened Subject Weights
Variable
Subject Plot 1
Number Symbol
1 1 1.1676
2 2 .9576
3 3 .8824
4 4 .1570
5 5 .1548
6 6 .8962
7 7 -1.6751
8 8 -.6776
9 9 .4914
10 A -.5401
11 B -1.8141
Penafsiran hasil output
Keunggulan model MDS dapat dilihat dari nilai S-Stress dan RSQ. Kategori penilaian
kelayakan model berdasarkan S-Stress adalah :
Stress % Kesesuaian
20 Buruk
10 Cukup
5 Bagus
2,5 Istimewa
0 Sempurna
Formula untuk S-Stress adalah :
6
 d ij −dij 
2
Stress = 2
d ij − d 
dimana d ij adalah rata-rata jarak ( ∑ d ij /n ) dan dij adalah taksiran jarak. Nilai stress
akan semakin kecil bila taksiran jarak mendekati nilai jarak data yang sesungguhnya.
Nilai S-Stress adalah 0,07425 atau 7,25% yang berarti bahwa model cukup memiliki tingkat
kelayakan yang baik (fit). Demikian nilai RSQ yang cukup tinggi, yaitu 0,93170 (93,17%).
Nilai RSQ sama halnya nilai R-Square dalam regresi linier.
Grafik Derived Stimulus Configuration di atas terdapat pengelompokan toko. Terlihat bahwa
toko B mempunyai kemiripan dengan toko D karena berada di kuadran yang sama.
Sedangkan toko C, toko A dan E tidak mempunyai kemiripan dengan yang lain.
Perhatikan analisis dari sudut dimensi 1 (sumbu X) dan dimensi 2 (sumbu Y) :
 DIMENSI 1 : pada gambar terlihat bahwa semakin ke kanan, angka dimensi 1
semakin besar. Terlihat bahwa toko E terletak paling dekat dengan angka dimensi 1
terbesar, namun toko ini tidak mempunyai kemiripan dengan toko lainnya. Perhatikan
toko B dan toko D, walaupun tidak berada di nilai terbesar dimensi 1 tetapi kedua
toko tersebut mempunyai kemiripan (dalam satu kuadran).
Misalnya. Dalam dimensi 1 mengandung atribut lokasi dan pelayanan kasir. Artinya
7
atribut tersebut pada toko B dan toko D yang paling membedakan dibandingkan
atribut pada toko lainnya.
 DIMENSI 2 : pada gambar terlihat bahwa semakin ke atas ,maka angka dimensi 2
semakin besar. Terlihat bahwa toko E terletak paling ujung dimensi 2 angka terbesar.
Sedangkan toko D terletak di paling ujung bawah dimensi ini. Toko D mempunyai
jarak terdekat dengan toko B dan keduanya dalam satu kuadran.
Misalnya. Dalam dimensi 2 mengandung atribut lokasi dan pelayanan kasir, maka
atribut tersebut yang paling membedakan dibandingkan toko lainnya.
Analisis dimensi 1 dan 2 di atas harus didukung fakta atau penelitian sebelumnya. Misalnya
dilakukan dengan analisis faktor yang berguna untuk pengelompokan variabel menjadi
beberapa dimensi (faktor).
Pada grafik di atas, terlihat posisi ke 11 responden, dapat dibentuk sebuah garis lurus ke
kanan bawah. Hal ini membuktikan bahwa responden memiliki konsistensi dalam menilai
kemiripan kelima toko tersebut. Grafik ini untuk menguji keselarasan responden dalam
penilaian toko.
8
Pada grafik di atas berisi kumpulan koordinat, terlihat titik-titik tidak membentuk berbagai
kelompok koordinat sendiri. Titik- titik ini mengerombol di tengah, hal ini membuktikan
kesamaan sikap responden.
Data responden :
RSP Toko A Toko B Toko C Toko D Toko E

Toko A 0
Toko B 3 0
1 Toko C 2 3 0
Toko D 3 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
2 Toko C 2 3 0
Toko D 4 2 4 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 4 0
3 Toko C 2 3 0
Toko D 4 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
4 Toko C 2 3 0
Toko D 4 3 3 0
Toko E 4 2 5 4 0
9
RSP Toko A Toko B Toko C Toko D Toko E

Toko A 0
Toko B 3 0
5 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
6 Toko C 3 3 0
Toko D 3 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
7 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 3 2 5 4 0
Toko A 0
Toko B 3 0
8 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 4 2 5 5 0
Toko A 0
Toko B 3 0
9 Toko C 2 3 0
Toko D 4 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
10 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 4 2 4 4 0
Toko A 0
Toko B 3 0
11 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 3 2 5 5 0
10
11

Analisis Multidimensional Scaling

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Multidimensional Scaling

Diunggah oleh

Hak Cipta:

Format Tersedia

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.

ANALISIS MULTIDIMENSIONAL SCALING

“In multidimensional scaling, the objective is to transform the consumer judgments of

similarity or preference (e.g. preference of store or brand) into distance represented in

[“Tujuan multidimensional scaling adalah untuk mentransformasi penilaian konsumen

kedua objek sama/mirip dibandingkan dengan jarak pasangan objek lainnnya.,”(Hair,

Anderson, Tatham, Black, 1995).]

Sumber : Sofyan dan Heri, 2009

nonmetrik (nominal dan ordinal) maupun data metrik (interval -rasio).

saling bermiripan, sedangkan skala 5 sangat tidak bermiripan.

Skor Penilaian Skor Penilaian

Responden Toko A Toko B Toko C Toko D Toko E

1 responden memerlukan 5 baris. Cara pengisiannya :

perbandingan toko A dan toko B. Demikian seterusnya untuk baris berikutnya.

untuk hasil yang lain

3. Pengisian angka 0 akan membentuk diagonal, di atas diagonal dikosongkan saja.

1) Klik Analyze > Scale > Multidimensional Scaling (Alscal)

2) Masukkan variabel Toko A-TokoE ke kolom Variables

4) Klik tombol Options, pilih Group plots, kemudian Continue

Hasil Output SPSS

Iteration history for the 2 dimensional solution (in squared distances)

Young's S-stress formula 1 is used.

Iteration S-stress Improvement

Iterations stopped because

Stress and squared correlation (RSQ) in distances

RSQ values are the proportion of variance of the scaled data

Averaged (rms) over matrices

Configuration derived in 2 dimensions

1 TokoA -.9608 1.0203

Subject weights measure the importance of each dimension to each subject.

A subject with weights proportional to the average weights has a weirdness

1 .3243 .8875 .4056

Flattened Subject Weights

Penafsiran hasil output

kelayakan model berdasarkan S-Stress adalah :

Nilai RSQ sama halnya nilai R-Square dalam regresi linier.

Perhatikan analisis dari sudut dimensi 1 (sumbu X) dan dimensi 2 (sumbu Y) :

 DIMENSI 1 : pada gambar terlihat bahwa semakin ke kanan, angka dimensi 1

toko tersebut mempunyai kemiripan (dalam satu kuadran).

atribut pada toko lainnya.

jarak terdekat dengan toko B dan keduanya dalam satu kuadran.

atribut tersebut yang paling membedakan dibandingkan toko lainnya.

beberapa dimensi (faktor).

kesamaan sikap responden.

RSP Toko A Toko B Toko C Toko D Toko E

RSP Toko A Toko B Toko C Toko D Toko E

Anda mungkin juga menyukai