MDS

(Multi Dimensional Scaling)

“KNOWLEDGE IS A TREASURE, BUT PRACTICE IS THE KEY TO IT”
(LAO TZU)
 Apakah MDS itu?

Teknik reduksi data melalui pemetaan objek berdasarkan kesamaan atau kedekatan
jarak antar objek.

Prinsip
Pasangan Perceptual • Data memiliki struktur
Data Antar Objek Map • Objek dikelompokkan berdasarkan
kesamaan karakteristik
• Jarak antara objek dalam data
• Jarak antar objek dapat divisualkan
dalam format n-dimensi (perceptual map)
• Dilakukan setelah analisa cluster
 Tujuan dan Kegunaan Analisis MDS
■ Tujuan analisis MDS:
Membuat peta/konfigurasi posisi objek dalam ruang berdimensi
rendah (umumnya 2 dimensi) berdasarkan data jarak antar objek

■ Kegunaan analisis MDS:

 Mendapatkan posisi relatif suatu objek dibandingkan objek lain.
Dalam banyak kasus strategi bisnis, digunakan untuk
menentukan pesaing dan benchmarking.
 Melakukan pemetaan persepsi atau preferensi terhadap objek
tertentu
 Melakukan pengelompokan objek, salah satu alternatif untuk
cluster analysis
 Aplikasi Analisis MDS dalam PWK

■
“
Penggunaan analisis MDS sangat relevan dalam bidang ke-PWK-an dalam hal:
○ Pemetaan posisi relatif wilayah (kecamatan atau kota/kabupaten)
berdasarkan karakteristik fisik, sosial, ekonomi untuk mengembangkan
intervensi kebijakan yang relevan bagi pengembangan wilayah
○ Pemetaan posisi relatif wilayah/kota berdasarkan karakteristik penduduk dan
infrastruktur untuk menentukan pusat-pusat pengembangan wilayah
○ Pemetaan pola kesenjangan wilayah
○ Pemetaan persepsi, dsb
■ Pemetaan objek yang diamati harus disesuaikan dengan tujuan penelitian
Posisi objek akan lebih akurat digambarkan ke dalam
ruang yang berdimensi banyak  tetapi sulit untuk
di-imajinasikan atau di-interpretasi

MDS  mampu mengubah jarak benda dari ruang

berdimensi banyak ke dalam ruang berdimensi 2 
perceptual map

Note:
Untuk Planning, yang paling diperlukan adalah
membaca / menginterpretasi perceptual Map
Perceptual map berguna untuk mempermudah ilustrasi tetapi konversi
ruang ke dimensi yg lebih kecil berdampak pada mengurangi
akurasi
Ketidaktepatan akurasi (STRESS) diminimalkan dengan ITERASI (untuk
mengurangi stress supaya tetap valid)
MDS dapat digunakan untuk mempermudah analisa perencanaan
diawali oleh analisa faktor dan cluster  output MDS adalah
penajaman dari analisa cluster
MDS diawali dengan tujuan yang jelas
MDS memudahkan untuk memahami struktur data dari sekumpulan
objek
Coba coba yuk..
 “
Menganalisa kesenjangan wilayah di wilayah Gerbangkertasusila.

Pengelompokan wilayah GKS tersebut dilakukan berdasarkan karakteristik perkembangan ekonomi:

•Tingkat perkembangan ekonomi (kontribusi sektor industri pada PDRB GKS)
•Tingkat kesejahteraan penduduk (pengeluaran konsumsi rumah tangga per kapita)
•Tingkat kelestarian lingkungan (luas RTH sebagai variabel luas hutan yang digunakan oleh The World
Bank dalam mengukur kelestarianlingkungan di berbagai negara-negara dunia)
 Langkah 1

1. Dari menu SPSS pilih analyze 

scale MDS (ALSCAL)
2. Kemudian masukkan semua data
ke variable. Untuk distances, pilih
create distance from data karena
input analisa MDS adalah matriks
persamaan atau matriks jarak
sehingga dengan pilihan ini, SPSS
akan langsung membuat matriks
jarak yang diolah untuk
membentuk perceptual map.
Langkah-langkah MDS

3. Klik measure  pada interval pilih squared

euclidean distance untuk penyeragaman sehingga
akan diperoleh jarak kuadrat dari masing-masing
obyek  standardize dengan zscore antar variabel,
maksudnya yaitu yang distandarisasi (di zscore kan
adalah angka variabel)  untuk create distance
matrix pilih between cases maksudnya SPSS akan
membuat matriks jarak antar obyek, bukan antar
variabel yang akan dijadikan input untuk pengolahan
perceptual map  continue.
 Langkah-langkah MDS

5. Pilih Options  untuk display pilih

group plots dan data matriks
sehingga outputnya dapat diperoleh
4. Pilih model  pada level of
scatterplot dan data masing-masing
measurement pilih ratio (karena data
obyek dalam perceptual map
yang digunakan adalah rasio).
continue  OK
 OUTPUT

Data ada 7, artinya tidak ada yang miss ketika

diproses sehingga tingkat validitasnya 100%.
 Terlihat bahwa pada sumbu X, var. 5 (Surabaya) terletak paling jauh dibanding objek lain, kita lihat
kembali pada data terlihat bahwa data konsumsi kota Surabaya paling besar dibandingkan yang lain
dan luas RTH kota Surabaya paling sedikit dibanding yang lain, sehingga alternatif pertama kita
letakkan variabel konsumsi dan RTH pada sumbu X.
Sedangkan untuk sumbu Y kita lihat variabel 6 merupakan objek selain var 5 yang paling jauh dengan
objek lain. Kita lihat pada data, diperoleh bahwa kontribusi sektor industri PDRB GKS var 6 (Sidoarjo)
paling tinggi dibanding objek yang lain. Dengan demikian, untuk sumbu Y menggunakan variabel
industry.
 Industri (+)

Konsumsi (+)
RTH (-)
Keterangan :
Tanda minus (-) menunjukkan perbandingan terbalik, sehingga semakin ke kiri/ke bawah semakin
banyak kuantitasnya.
Tanda plus (+) menunjukkan perbandingan lurus, sehingga semakin ke ke kanan/ke atas semakin
banyak kuantitasnya.
Intrepetasi :
• Kelompok 1 terdiri dari Var 1 dan Var 6 (Gresik dan Sidoarjo) memiliki karakteristik yang mirip
yakni dengan nilai industri yang berdekatan
• Kelompok 2 terdiri dari Var 3 dan Var 4 (Kab. Mojokerto dan Kota Mojokerto) memiliki
karakteristik yang mirip yakni nilai RTH dan Konsumsi yang berdekatan
• Kelompok 3 terdiri dari Var 2 dan Var 7 (Bangkalan dan Lamongan)
• Kelompok 4 terdiri dari Var 5 (Surabaya)
 TERIMA KASIH

“BILA KAU TAK TAHAN LELAHNYA BELAJAR, MAKA KAU HARUS MENAHAN PERIHNYA KEBODOHAN”
(IMAM AS-SYAFI’I)