STAGE 2: RESEARCH DESIGN OF CA

Analisis korespondensi hanya membutuhkan matriks data persegi panjang (tabulasi silang)
dari entri nonnegatif. Jenis yang paling umum dari matriks masukan adalah tabel kontingensi
dengan kategori tertentu yang mendefinisikan baris dan kolom. Dalam membuat tabel, beberapa
masalah muncul, berkaitan dengan sifat variabel dan kategori yang terdiri dari baris dan kolom:
1. Baris dan kolom tidak memiliki arti yang telah ditentukan sebelumnya (yaitu, atribut
tidak selalu harus berupa baris, dan seterusnya), tetapi mewakili respons ke satu atau
lebih variabel kategori. Namun, kategori dalam baris dan kolom harus memiliki arti
khusus untuk tujuan interpretasi.
2. Kategori untuk baris atau kolom tidak harus berupa variabel tunggal tetapi dapat
mewakili kumpulan hubungan apa pun. Contoh utama adalah metode “pilih apa saja” [6,
7], di mana responden diberikan sekumpulan objek dan karakteristik. Aplikasi umum
adalah di mana sekumpulan objek (misalnya, produk) dinilai berdasarkan serangkaian
karakteristik (misalnya, atribut). Di sini baris dapat menjadi produk individual dan setiap
atribut merupakan kolom terpisah. Responden kemudian menunjukkan objek mana, jika
ada, yang dijelaskan oleh masing-masing karakteristik. Responden dapat memilih
sejumlah objek untuk setiap karakteristik dan tabel tabulasi silang adalah berapa kali
setiap objek dideskripsikan oleh masing-masing karakteristik.
3. Tabulasi silang dapat terjadi untuk lebih dari dua variabel dalam bentuk matriks multi
arah. Dalam kasus ini, analisis korespondensi ganda digunakan. Dalam prosedur yang
sangat mirip dengan analisis dua arah, variabel tambahan dipasang sehingga semua
kategori ditempatkan dalam ruang multidimensi yang sama.
Sifat umum dari jenis hubungan yang dapat digambarkan dalam tabel kontingensi membuat
CA dapat diterapkan secara luas. Penggunaannya yang meningkat dalam beberapa tahun terakhir
adalah akibat langsung dari pengembangan pendekatan yang berkelanjutan untuk menggunakan
format ini untuk menganalisis jenis hubungan baru.
STAGE 3: ASSUMPTIONS OF CA
Analisis korespondensi berbagi dengan teknik MDS yang lebih tradisional, kebebasan relatif
dari asumsi. Penggunaan data nonmetrik ketat dalam bentuknya yang paling sederhana (data
tabulasi silang) mewakili hubungan linier dan nonlinier dengan sama baiknya. Kurangnya
asumsi, bagaimanapun, tidak boleh menyebabkan peneliti mengabaikan upaya untuk memastikan
komparabilitas objek dan, karena ini adalah teknik komposisi, kelengkapan atribut yang
digunakan.
STAGE 4: DERIVING CA RESULTS AND ASSESSING OVERALL FIT
Dengan tabel tabulasi silang, frekuensi untuk kombinasi baris-kolom dari kategori terkait
dengan kombinasi lain berdasarkan frekuensi marginal. Seperti yang digambarkan dalam contoh
sederhana kami, analisis korespondensi menggunakan hubungan dasar ini dalam tiga langkah
untuk menciptakan peta persepsi:
1. Hitung ekspektasi bersyarat (jumlah sel yang diharapkan) yang mewakili kesamaan atau
asosiasi antara kategori baris dan kolom.
2. Setelah diperoleh, hitung perbedaan antara jumlah sel yang diharapkan dan yang
sebenarnya dan ubah menjadi ukuran standar (chi kuadrat). Menggunakan hasil ini
 sebagai metrik jarak membuatnya sebanding dengan matriks input yang digunakan dalam
pendekatan MDS yang dibahas sebelumnya.
3. Menggunakan teknik estimasi yang mirip dengan MDS untuk mengonversi ukuran
kemiripan antar kategori (yaitu, chi-square bertanda), serangkaian solusi dimensi (satu
dimensi, dua dimensi, dll.) Dibuat jika memungkinkan. Dimensi secara bersamaan
menghubungkan baris dan kolom dalam satu plot bersama. Hasilnya adalah representasi
kategori baris dan / atau kolom (misalnya merek dan atribut) dalam plot yang sama.
Determining Impact of Individual Cells
Perlu dicatat bahwa dua istilah khusus, yang dikembangkan dalam analisis
korespondensi, menggambarkan sifat nilai frekuensi dan kontribusi relatifnya terhadap
analisis:
 Suku pertama adalah massa, yang pertama kali didefinisikan untuk setiap entri
dalam tabel tabulasi silang sebagai persentase dari total yang diwakili oleh entri
tersebut. Ini dihitung sebagai nilai entri tunggal dibagi dengan N (total untuk
tabel, yang sama dengan jumlah baris atau kolom). Jadi, jumlah semua entri tabel
(sel) sama dengan 1,0. Kami juga dapat menghitung massa kategori baris atau
kolom dengan menjumlahkan semua entri. Hasil ini menunjukkan kontribusi
setiap kategori baris atau kolom terhadap total massa.
 Ukuran kedua adalah inersia, yang didefinisikan sebagai chi kuadrat total dibagi
dengan N (total jumlah frekuensi). Dengan cara ini, kita memiliki ukuran relatif
chi-kuadrat yang dapat dikaitkan dengan hitungan frekuensi apa pun.
Dengan kemiripan dengan MDS ini muncul serangkaian masalah yang serupa, yang
berfokus pada dua masalah utama dalam menilai kesesuaian secara keseluruhan: menilai
kepentingan relatif dari dimensi dan kemudian mengidentifikasi jumlah dimensi yang sesuai.
Masing-masing masalah ini dibahas di bagian berikut.
Assessing The Number Of Dimensions
Nilai eigen, juga dikenal sebagai nilai tunggal, diturunkan untuk setiap dimensi dan
menunjukkan kontribusi relatif dari setiap dimensi dalam menjelaskan varians dalam kategori.
Mirip dengan analisis faktor, kita dapat menentukan jumlah varians yang dijelaskan baik
untuk dimensi individu maupun solusi secara keseluruhan. Beberapa program, seperti
program SPSS, menghitung inersia untuk suatu dimensi, yang juga mengukur variasi yang
dijelaskan dan secara langsung berkaitan dengan nilai eigen.
Jumlah maksimum dimensi yang dapat diperkirakan kurang dari satu dari jumlah baris
atau kolom yang lebih kecil. Misalnya, dengan enam kolom dan delapan baris, jumlah
dimensi maksimum adalah lima, yaitu enam (jumlah kolom) dikurangi satu.
Peneliti memilih jumlah dimensi berdasarkan keseluruhan tingkat varians yang dijelaskan
yang diinginkan dan penjelasan tambahan yang diperoleh dengan menambahkan dimensi lain.
Dalam menilai dimensi, peneliti dihadapkan pada trade-off, seperti halnya solusi MDS
lainnya atau bahkan analisis faktor:
 Setiap dimensi yang ditambahkan ke solusi meningkatkan varian yang dijelaskan
dari solusi, tetapi pada jumlah yang menurun (yaitu, dimensi pertama menjelaskan
varian terbanyak, dimensi kedua terbesar kedua, dll.).
  Menambahkan dimensi meningkatkan kompleksitas proses interpretasi; peta
persepsi yang lebih besar dari tiga dimensi menjadi semakin kompleks untuk
dianalisis.
Peneliti harus menyeimbangkan keinginan untuk meningkatkan varians yang dijelaskan
versus solusi yang lebih kompleks yang dapat mempengaruhi interpretasi. Aturan praktisnya
adalah bahwa dimensi dengan inersia (nilai eigen) lebih besar dari 0,2 harus dimasukkan
dalam analisis.
Model Estimation
Sejumlah program komputer tersedia untuk melakukan analisis korespondensi. Di antara
program yang lebih populer adalah ANACOR dan HOMALS, tersedia dengan SPSS; PROC
CORRESP dalam SAS; CORRESP dari NewMDSX; CORRAN dan CORRESP dari PC-
MDS dan MAPWISE. Sejumlah besar aplikasi khusus telah muncul dalam disiplin ilmu
tertentu seperti ekologi, geologi, dan banyak ilmu sosial.
STAGE 5: INTERPRETATION OF THE RESULTS
Setelah dimensi ditetapkan, peneliti dihadapkan pada dua tugas: menafsirkan dimensi untuk
memahami dasar asosiasi antar kategori dan menilai tingkat asosiasi antar kategori, baik dalam
baris / kolom atau antara baris dan kolom. Dengan demikian, peneliti memperoleh pemahaman
tentang dimensi yang mendasari peta persepsi didasarkan bersama dengan asosiasi turunan dari
setiap set kategori tertentu.
Defining the Character of the Dimensions
Jika peneliti tertarik untuk mendefinisikan karakter dari satu atau lebih dimensi dalam
kategori baris atau kolom, ukuran deskriptif di setiap program perangkat lunak menunjukkan
keterkaitan setiap kategori dengan dimensi tertentu. Misalnya, dalam SPSS, ukuran inersia
(digunakan untuk menilai tingkat varians yang dijelaskan) diuraikan di seluruh dimensi.
Mirip dalam karakternya dengan pemuatan faktor, nilai-nilai ini mewakili tingkat asosiasi
untuk setiap kategori secara individual dengan setiap dimensi. Peneliti kemudian dapat
menamai setiap dimensi tujuan dalam istilah kategori yang paling terkait dengan dimensi itu.
Selain mewakili asosiasi setiap kategori dengan setiap dimensi, nilai inersia dapat
dijumlahkan di seluruh dimensi dalam ukuran kolektif. Dengan melakukan itu, kami
mendapatkan ukuran empiris sejauh mana setiap kategori diwakili di semua dimensi. Secara
konsep, ukuran ini mirip dengan ukuran komunalitas dari analisis faktor.
Assessing Association Among Categories
Tugas kedua dalam interpretasi adalah mengidentifikasi asosiasi kategori dengan kategori
lain, yang dapat dilakukan secara visual atau melalui pengukuran empiris. Tidak peduli
pendekatan mana yang digunakan, peneliti harus terlebih dahulu memilih jenis perbandingan
yang akan dibuat dan kemudian normalisasi yang sesuai untuk perbandingan yang dipilih.
Dua jenis perbandingan tersebut adalah:
1. Between categories of the same row or column: Di sini fokusnya hanya pada baris atau
kolom, seperti saat memeriksa kategori skala untuk melihat apakah mereka bisa
digabungkan. Jenis perbandingan ini dapat dibuat langsung dari analisis korespondensi
apa pun.
2. Between rows and columns: Upaya untuk menghubungkan asosiasi antara kategori baris
dan kategori kolom. Jenis perbandingan ini, yang paling umum, menghubungkan kategori
di seluruh dimensi (mis., Dalam contoh kami sebelumnya, penjualan produk paling
dikaitkan dengan kategori usia). Namun, saat ini, beberapa perdebatan berpusat pada
 kesesuaian perbandingan antara kategori baris dan kolom. Dalam arti sempit, jarak antara
titik yang mewakili kategori hanya dapat dibuat dalam satu baris atau kolom.
Membandingkan kategori baris dan kolom secara langsung dianggap tidak tepat. Sangat
tepat untuk membuat generalisasi tentang dimensi dan posisi setiap kategori pada dimensi
tersebut. Dengan demikian, posisi relatif dari kategori baris dan kolom dapat ditentukan
dalam dimensi tersebut, tetapi mereka tidak boleh dibandingkan secara langsung.
Beberapa program komputer menyediakan prosedur normalisasi untuk memungkinkan
perbandingan langsung ini. Jika hanya normalisasi baris atau kolom yang tersedia,
prosedur alternatif diusulkan untuk membuat semua kategori dapat dibandingkan [2, 9],
namun ketidaksepakatan masih tetap mengenai keberhasilannya [4]. Dalam kasus di
mana perbandingan langsung tidak memungkinkan, korespondensi umum masih berlaku
dan pola tertentu dapat dibedakan.
Tujuan penelitian dapat berfokus pada evaluasi dimensi atau perbandingan kategori, dan
peneliti didorong untuk membuat kedua interpretasi tersebut karena keduanya saling
memperkuat. Misalnya, membandingkan kategori baris versus kolom selalu dapat dilengkapi
dengan pemahaman tentang sifat dimensi untuk memberikan perspektif yang lebih komprehensif
tentang pemosisian kategori daripada hanya perbandingan tertentu. Demikian pula, mengevaluasi
perbandingan kategori tertentu dapat memberikan kekhususan pada interpretasi dimensi.
STAGE 6: VALIDATION OF THE RESULTS
Sifat komposisi analisis korespondensi memberikan lebih banyak kekhususan bagi peneliti
untuk memvalidasi hasil. Dalam melakukan itu, peneliti harus berusaha untuk menilai dua
pertanyaan kunci tentang kemampuan generalisasi dari dua elemen:
 Sample: seperti semua teknik MDS, penekanan harus dibuat untuk memastikan
kemampuan generalisasi melalui analisis split atau multisample.
 Objects: Generalisasi objek (direpresentasikan secara individual dan sebagai himpunan
oleh kategori) juga harus ditetapkan. Sensitivitas hasil terhadap penambahan atau
penghapusan kategori dapat dievaluasi. Tujuannya adalah untuk menilai apakah analisis
hanya bergantung pada beberapa objek dan / atau atribut.
Dalam contoh mana pun, peneliti harus memahami arti sebenarnya dari hasil dalam
kaitannya dengan kategori yang dianalisis. Sifat inferensial dari analisis korespondensi, seperti
metode MDS lainnya, membutuhkan kepercayaan yang ketat dalam keterwakilan dan
generalisasi sampel responden dan objek (kategori) yang dianalisis.