FUNGSI & PEMAHAMAN APLIKASINYA

MDS | Multi Dimensional Scaling (RAPFISH)

MICMAC | Matrix of Cross Impact Multiplications Applied to a Classification
Oleh: Dr. Tatan Sukwika, M.Si
MDS Tools Evaluasi :
Berbagai displin ilmu dan sektoral (1/2)
• Multidimensional Scaling (MDS) adalah teknik statistik multivariat
yang pertama kali digunakan dalam geografi.
• MDS sering digunakan dalam berbagai bidang seperti studi sikap
dalam psikologi, sosiologi, agricutural (pertanian arti luas), konservasi
energi, tambang, HSE, pengelolaan limbah, atau riset pasar dsb.
• MDS dijadikan sebagai alat pengevaluasi proses aktifitas hingga
kebijakan. Endingnya: pengambilan keputusan (opsi intervensi
kebijakan).
• Memungkinkan disusun scenario-skenario (Pesimis/Eksisting;
Moderat; Optimis) dengan pendekatan penanganan jangka menengah
& jangka panjang.
Tujuan utama MDS adalah untuk memplot poin data multivariat dalam dua dimensi atau lebih, sehingga
mengungkapkan struktur dataset dengan memvisualisasikan jarak relatif dari pengamatan.
MDS Tools Evaluasi :
Berbasis Execution atau Add-ins (2/2)
• Aplikasi MDS ada berbasis execution (*exe/msi) (SPSS, R-Statistik,
dll) dan add-ins to excel (MSD-Rapfish), atau tersedia juga integrasi
keduanya (MDS-Rapfish in R-Statisitc).

R-Statistik SPSS Rapfish Rapfish in R-Statistik

 RAP-FISH: Rapid Appraisal - for Fisheries
• Hasil MDS setiap bidang yang dievaluasi dapat
ditampilkan bersama dalam diagram layang-
layang.
• Dalam diagram layang bidang keberlanjutan
standarnya ditampilkan 5-6 sumbu dengan
analisis Code of Conduct. Kotak yang
menunjukkan atribut skor di setiap bidang
ditambahkan ke diagram ini.
• Diagram layang disamping ini menunjukkan
contoh hasil RAPKepatuhan dengan Kode Etik
PBB di 6 bidang yang dievaluasi.
• Negara Terburuk, Negara Terbaik dan the
average for 63 countries. Green zone covers
'good' scores, yellow zone 'pass' scores and
red zone 'fail' scores.
 Tampilan Software Pengolah
MDS & Diagram blok
menunjukkan arsitektur
perangkat lunak Rap-fish Excel.

Analisis Leverage dilakukan untuk memperhitungkan sensitivitas

setiap atribut dlm menentukan ordinasi status keberlanjutan,
shg dpt diketahui atribut mana yg sangat berpengaruh pd nilai
Langkah-langkah berurutan dalam analisis keberlanjutan
indeks keberlanjutan
CODE of CONDUCT

http://www.rapfish.org/evaluation-fields-
attributes/time-tracker
SCORE 0-10 : Bad – Good
CONTOH KASUS #1
 Subjek variabel ordinasi “SAMPAH”:
1. TPA “X”
2. TPA “Y”
FISHERIES: Lokasi, Komoditi, atau Subjek lainnya

3. TPA “Z”

Aspek Dimensi (Atribut):

1. Ekologi
Sub-Subjek Fisheris: 2. Ekonomi
1. Sampah Organik 3. Sosial
2. Sampah Anorganik 4. Teknologi
3. Sampah B3 5. Infrastruktur (Sapras)
6. Kelembagaan
Sampah:
1. TPAX-Organik
2. TPAX-Anorganik
3. TPAX-B3
4. TPAY-OrganiK
5. TPAY-Anorganik
6. TPAY-B3
7. TPAZ-OrganiK
8. TPAZ-Anorganik
9. TPAZ-B3
10

Default
KASUS #2
 Hasil Ordinasi Kab/Kota Ke-n MDS RapPEL
Prosedur ini dilakukan utk setiap aspek/
dimensi PEL (Pengembangan Ekonomi
Lokal) lainnya, shg seluruh aspek PEL akan
diketahui indeks status dan faktor
pengungkitnya dari masing2 aspek PEL.
Hasil analisis Rapfish thdp seluruh aspek
PEL sbb:
1. Kelompok Sasaran = 62,76
2. Faktor Lokasi = 57,43
3. Kesinergian dan Fokus Kebijakan = 48,21
4. Pembangunan Berkelanjutan = 65,16
5. Tata Pemerintahan = 57,49
6. Proses Manajemen = 51,13
 Variabel Atribut Pengungkit : Nilai Ekstrem
• Meskipun dilihat dari hasil ordinasi
status keberlanjutan dimensi GG
masih tergolong pd cukup
berkelanjutan (57,49), namun dlm 3,1 A
pengembangan dan pengelolaannya
diperlukan suatu kebijakan GG yang 3,7 B
mengarah pada perbaikan A & B.
• Atribut sensitif dilihat berdasarkan
nilai Root mean Square (RMS). Atribut
yg berkategori sensitif yaitu atribut yg
memiliki nilai RMS ≥ 2,5% (Ekstrem).
HASIL SKENARIO MODERAT & OPTIMIS
 Contoh LoA: Nilai Ekstrem
Atribut keberlanjutan perikanan dimensi ekologi dan kriteria pemberian skor
(Abdullah et al., 2011)
 Prioritized attributes to be improved (Nadiarti et al., 2012)
Prioritas Perbaikan Melalui
Intervensi Kebijakan
Attributes of Institutional Dimension

Sustainability Status after Intervention

Nilai indeks dan status keberlanjutan hasil pengembangan kebijakan
skenario I (pesimis), skenario II (moderat), dan skenario III (optimis)
pengembagan hutan rakyat (Sukwika et al., 2018)
MDS RAPFISH in R Statistics:
TPST Bantargebang (Sukwika & Noviana, 2020)
PENENTUAN IDENTIFIKASI VARIABLE KUNCI
PENERAPAN APLIKASI
Analisis Keberlanjutan: MICMAC (1/4)
PENDAHULUAN
Analisis variabel dgn MICMAC (matrice d’Impacts
croises-multiplication / the Impact Matrix Cross-
Reference Multiplication Applied to a Classification )
merupakan langkah awal yg penting dlm menganalisis
keberlanjutan.
Hasil analisis MICMAC ini dpt menjadi titik tolak bagi
analisis yg lebih dlm tentang faktor "apa" (what) yg
menentukan suatu sistem berada dlm keberlanjutan
atau tidak.
Analisis Keberlanjutan: MICMAC (2/4)
CAPAIAN MANFAAT
Faktor2 yg diidentifikasi dgn MICMAC membantu para analis
untuk melihat variabel2 kunci dan variabel2 lain yg bisa
membuat sistem stabil atau tidak.
MICMAC dapat menyajikan scr terperinci prinsip, metode, dan
tahapan analisis variabel keberlanjutan. Terdapat contoh2
ilustrasi didalamnya shg pembahasannya tidak bersifat baku.
Hasil yg diharapkan dari webinar ini, Peserta bisa melakukan
analisis scr lebih terperinci pada kasus yg berbeda dgn hasil dan
pembahasan yg juga berbeda.
Analisis Keberlanjutan: MICMAC (3/4)

APA dan Untuk APA?

Analisis MICMAC untuk pemetaan variabel dan penentuan
variabel utama/kunci (Godet, 2002).
Analisis MICMAC didasarkan pada sifat perkalian
(multiplikasi) dari matriks (Sharma et al., 1995).
Teknik pemodelan ini sering dipakai utk membantu
perencanaan strategi kebijakan, terutama dlm
mengidentifikasi dan menyimpulkan berbagai hubungan
antar-faktor sebuah permasalahan atau isu tertentu (Sage,
1977; Warfield, 2005).
Analisis Keberlanjutan: MICMAC (4/4)

Pemodel Restra

Teknik MICMAC merupakan salah satu teknik memodel-

kan rencana strategis untuk menangani kebiasaan yg sulit
diubah dari perencana jangka panjang yg sering
menerapkan secara langsung teknik penelitian operasional
dan atau aplikasi statistik deskriptif.
MICMAC

• Analisis MICMAC : pengembangan grafik yang mengklasifikasi-

kan faktor berdasarkan daya penggerak (influences) dan
ketergantungan (dependence).
• Analisis MICMAC digunakan untuk mengklasifikasikan faktor-
faktor dan memvalidasi faktor model struktural interpretatif
dalam penelitian untuk mencapai hasil dan kesimpulan.
• MICMAC dapat dijadikan sebagai alat identifikasi variable kunci
untuk kebijakan pengembangan.
Pengaruh, Ketergantungan dan Hirarki (1/2)
Secara umum hubungan antar variabel dlm MICMAC dpt ditulis scr generik melalui cross-matrix.

Gambar ilustrasi jaringan variable yg langsung atau tidak berbentuk siklus (timbal balik) atau sirkuit.
Ketika system mengalami jaringan yg bersifat sirkuit, MICMAC akan melakukan perhitungan dgn
algoritma yg telah dirancang untuk melakukan perhitungan yg bersifat sirkuit.
Pengaruh, Ketergantungan dan Hirarki (2/2)
Pengisian matrik dilakukan dgn mengkuantifikasi hubungan antar variabel. Skala yg
digunakan yaitu sbb (Godet, 1994):

0 = tidak ada hubungan (non-existent)

1 = hubungan lemah
2 = rata-rata
3 = kuat
P = potential influence (tidak bisa ditentukan dgn kepakatan)
 Tahapan Penggunaan Metode MICMAC
Ada bbrp tahapan yg harus dikerjakan untuk menentukan variabel
kunci dan memetakannya. Stratigea (2013) merinci tahapan analisis
MICMAC berdasakan 2 Tahapan utama:
#1 Pemahaman thdp lingkup masalah dan sistem yg akan dikaji.
Tahap ini memerlukan keterlibatan stakeholder, pakar, spesialis,
maupun masyarakat yg biasa dilakukan melalui Focus Group
Discussion (FGD).
• Hasilnya 1st Round kemudian masuk ke dlm modul MICMAC
(software LIPSOR) untuk mengidentifikasi variabel kunci yg
merupakan tujuan utama dari MICMAC.
• Analisis pd blok ini juga diperkaya dgn informasi awal yg
dimiliki peneliti atau perencana.

#2 Hasil analisis MICMAC ini kemudian menjadi umpan balik pd

tahap ke-2 FGD utk mengonfirmasi hasil dari sistem yg dikaji.
Kedua iterasi tsb akan menghasilkan outcome dari MICMAC,
yaitu pengayaan informasi, pemahaman thdp sistem yg lebih
baik, dan teridentifikasinya key drivers yg mengubah sistem.
Kerangka Kerja MICMAC (dimodifikasi dr Stratigea, 2013)
Tahap Analisis Struktural & Ilustrasi Hasil

Tahap Analisis Struktural

 Contoh: Daftar Variabel dari literature review
(Rezaeian & Bagheri, 2017)

Flow chart of research methodology

 Variabel akses (supply side) Variabel Relay • Variabel dalam analisis MICMAC akan
diatur menjadi empat cluster sebagai,
independen, dependen, linkage dan driver
independen yang ditunjukkan pada Gambar.
Ini menunjukkan bahwa ada tiga variabel
independen (lingkungan organisasi faktor,
Influence

infrastruktur TI dan proses manajerial).

• Pada Gambar ditunjukkan bahwa variabel
independen ada di bagian bawah hirarki
2,3,6,7, memiliki kekuatan pendorong yang
kuat dan lemah ketergantungan. Variabel-
variabel ini dianggap memainkan peran
Variabel Autonomus Variabel Output
penting dalam robust implementasi jaringan
pengetahuan.
Dependence
PEMAHAMAN MICMAC
Tampilan software MICMAC
Untuk melakukan analisis keberlanjutan dgn MICMAC, silahkan unduh
& install perangkat lunak (software) MICMAC melalui situs web
Lal'rospective di http://www.laprpective.fr . Setelah software
terpasang, seperti ini tampilan pembukanya.
Contoh APLIKASI (1/3)
Software MICMAC merupakan aplikasi sederhana studi
keberlanjutan. Bbrp variabel dlm ilustrasi disini juga pernah
digunakan oleh para peneliti keberlanjutan spt Torres dan
Olaya (2010), Toumache dan Rouaski (2016), dan Delgado-
Serano et al. (2016).
Dalam contoh ini, variable2 dikelompokkan ke dlm 3
Kategori keberlanjutan (ekonomi, sosial, dan lingkungan)
serta disesuaikan dgn kondisi wilayah.
Misal ingin mengetahui variabel2 apa saja yg berpengaruh
penting dlm pembangunan berkelanjutan di suatu wilayah.
Variabel2 yg diduga berperan penting dlm mewujudkan
pembangunan berkelanjutan adalah:
PRAKTIK APLIKASI (2/3)
Contoh Variabel Pembangunan Berkelanjutan
Dimensi Variabel Sort Label
Ekonomi 1. Laju Pertumbuhan Ekonomi lpe
2. PDRB pdrb
3. Pendapatan per Kapita pdkap
4. Investasi invest

Sosial 5. Kemiskinan poverty

6. Koefisien Gini gini
7. Pengangguran unemploy
8. Indeks Pembangunan Manusia ipm
9. Kepadatan penduduk popdens

Lingkungan 10. IKLH iklh

11. Emisi emisi
12. Land-Use landuse
 Dimisalkan pula dari hasil FGD (seperti yg diterapkan oleh
Delgado-Serano et al., 2016) diperoleh matriks MDI sbb:
TABEL CONTOH PENGISIAN MATRIKS MDI

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12

V1 0 3 3 3 2 2 3 3 1 3 P P
V2 2 0 3 2 2 2 3 2 1 2 P 2
V3 1 1 0 3 3 3 3 3 1 1 0 2
0 = tidak ada hubungan (non-existent) V4 3 3 2 0 2 2 2 2 1 1 0 0
1 = hubungan lemah
2 = rata-rata V5 1 1 2 0 0 2 3 3 0 1 0 2
3 = kuat V6 0 0 1 0 2 0 3 3 0 0 0 0
P = potential influence V7 2 1 2 0 3 2 0 3 0 0 0 1
(tidak bisa ditentukan dgn kepakatan)
V8 0 1 1 0 2 2 2 0 0 0 0 1
V9 2 0 0 0 0 0 0 0 0 0 2 2
V10 1 0 0 0 0 0 0 0 3 0 2 0
V11 0 2 1 2 0 0 0 0 2 2 0 0
V12 1 1 2 0 3 3 2 1 1 1 3 0
Gambar 1 Peta Variabel Keberlanjutan Menurut Pengaruh dan Ketergantungan

Variabel akses (supply side) Variabel Relay

I II

IV III
Variabel Autonomus Variabel Output
Hasil Analisis Tabel MDI dgn software MICMAC
Hasil Pemetaan variabel sbb:
• Ada beberapa variable berada di Kuadran Akses variable
(driver variable) yaitu3 variabel ekonomi (LPE, PDRB, dan
investasi); dan 1 variabel lingkungan (kepadatan penduduk).
• Pada posisi relay: ada 2 variable ekonomi yaitu pendapatan
per kapita dan kemiskian.
• 3 variabel sosial seperti koefisien gini, pengangguran, dan
IPM berada dalam Kuadran Output variable.
• Sebagian variabel lingkungan berada dlm posisi autonomous
seperti landuse, IKLH, dan emisi
Dari Gambar 1 di atas dapat dijelaskan :
• 3 variabel ekonomi (LPE, PDRB, dan investasi) menjadi pemicu
pembangunan berkelanjutan (variabel akses (input/driver)).
• 3 variabel sosial (gini rasio, IPM, dan unemployment) menjadi
variabel terdampak (output/dependence) dari variabel lainnya.
• Kemiskinan dan pendapatan per kapita berada dlm relay
variable dimana variabel ini sangat sensitif dan sangat tidak
stabil dlm mencapai pembangunan berkelanjutan krn intervensi
apapun pada variabel ini akan berdampak pada sistem secara
keseluruhan.
• Dalam ilustrasi Gambar 1 ditemukan pula bhw variabel lingkung-
an spt: IKLH dan emisi merupakan variabel yang pengaruhnya
relatif kecil thdp sistem yang dievaluasi.
Gambar 2a “Hubungan Pengaruh Langsung dan Tidak Langsung Antarvariabel
Keberlanjutan” berikut ini menampilkan jaringan pengaruh langsung antar
variabel untuk ilustrasi data di atas.  SKALA 10%
Gambar 2b “Hubungan Pengaruh Langsung dan Tidak Langsung Antarvariabel
Keberlanjutan” berikut ini menampilkan jaringan pengaruh langsung antar
variabel untuk ilustrasi data di atas.  SKALA 100%
• Gambar 2a: bbrp variabel spt population density
(kepadatan penduduk), LPE, dan pedapatan perkapita
memiliki pengaruh yg kuat (garis tebal) pd variabel lainnya
(arah panah ke luar). Sementara variabel spt IPM dan
koefisien gini dipengaruhi sangat kuat oleh variabel lain
(arah panah menuju variabel tsb).
• Gambar 2b: pengaruh indirect yg sangat kuat terjadi pd
variabel LPE (laju pertumbuhan ekonomi) ke pengangguran
dan IPM (skor terbesar masing2: 618 dan 508). Hal ini
menunjukkan pengaruh LPE thdp variabel lain, scr indirect
berpengaruh besar pd pengangguran dan IPM.
• Gambar 2a : pengaruh indirect yg kuat didominasi oleh
variabel2 ekonomi dan sosial, sementara variabel
lingkungan menunjukkan pengaruh indirect yg relatif
lemah. Kasus ini hanya ilustrasi saja krn pd situasi yg
berbeda dgn hasil FGD yg berbeda akan memberikan
pengaruh yg berbeda.
• Gambar 2b : perubahan peringkat variabel berdasarkan
pengaruh (influence) dan ketergantungan (dependence).
Perubahan ini menggambarkan posisi peringkat variabel
pd kondisi awal (matriks MDI/Matrix Direct of Influence)
dan setelah dilakukan iterasi Boolean dgn MDII (Matrix
Direct and Indirect of Influence).
Gambar 3 Kelas Pengaruh dan Ketergantungan
• Gambar 3 : ada pergeseran urutan bbrp variabel. Misalnya,
variabel Koefisien gini pd matriks MDI berada pd urutan ke-8
sbg variabel yg berpengaruh, namun stlh dilakukan iterasi dgn
memperhitungkan faktor pengaruh indirect, variabel ini menjadi
urutan ke-10 (Turun). Sebaliknya, variabel lain seperti IPM yg
semula berada pd urutan ke-9 menjadi urutan ke-8 (Naik) .
• Jika dilihat dari aspek dependence (ketergantungan), 3 Variabel
utama yaitu pengangguran, IPM, dan koef. gini) konsisten
berada dlm 3 urutan besar sbg variabel dependence.
• Bbrp variabel mengalami penurunan urutan satu tingkat stlh
iterasi MDII, yaitu pdkap, emisi, investasi, dan IKLH, sementara
variabel kepadatan penduduk naik peringkat, dari urutan ke-10
menjadi urutan ke-6 stlh memperhitungkan pengaruh indirect.
Gambar 4 ini, garis terputus2
menunjukkan perubahan posisi
variabel dari posisi awal ke posisi akhir
setelah memperhitungkan pengaruh
indirect.
Pergeseran variabel2 tsb masih terjadi
dlm kuadran yg sama tapi berubah
besaran.
Sbg contoh, variabel IKLH yg semula
berada pd posisi influence dan
dependence yg positif, pd posisi akhir
berubah hanya dependence yg positif
dan pengaruhnya (influence) nol.
Demikian halnya dgn variabel
kepadatan penduduk yg bergeser
cukup tajam ke arah sumbu influence.
Displacement Map Antarvariabel dari Pengaruh Langsung ke
Tidak Langsung
TERIMA KASIH