IST AKPRIND Yogyakarta

Seminar PKPI

PEMETAAN SARANA KESEHATAN DI KOTA

YOGYAKARTA DENGAN METODE
MULTIDIMENSIONAL SCALING

Dosen Pembimbing
Drs. Yudi Setyawan M.S.,M.Sc

Oleh:
Margaritha Tefa (161.061.052)

Jurusan Statistika
Fakultas Sains
Terapan
 LATAR BELAKANG
Kesehatan pada dasarnya adalah keadaan sehat, baik secara fisik, mental spiritual maupun sosial yang
memungkinkan setiap orang untuk hidup produktif secara sosial dan ekonomis (Undang-undang No.36 tahun 2009 tentang
kesehatan).
Sampai dengan tahun 2018 jumlah fasilitas kesehatan di Kota Yogyakarta terdiri dari 21 rumah sakit umum,
18 puskesmas dan 8 puskesmas pembantu. Jika diasumsikan setiap penduduk memiliki akses yang sama terhadap fasilitas
tersebut, maka setiap unit puskesmas memiliki beban untuk melayani 23.485 jiwa penduduk dan setiap pustu melayani
52.481 jiwa penduduk. Sehingga rata-rata sebuah fasilitas kesehatan baik rumah sakit, puskesmas maupun pustu di Kota
Yogyakarta memiliki beban untuk melayani 16.259 penduduk. Angka ini lebih tinggi dari rekomendasi PBB yang
menyatakan setiap fasilitas puskesmas dan pustu kesehatan yang tersedia maksimal melayani 10.000 penduduk.
Upaya kesehatan dapat diwujudkan dalam suatu wadah pelayanan kesehatan atau sarana kesehatan. Untuk
meningkatkan kualitas kesehatan penduduk, pemerintah berupaya meyediakan sarana dan prasarana kesehatan disertai
tenaga kesehatan yang memadai baik kualitas maupun kuantitas. Upaya ini dilakukan agar tempat pelayanan kesehatan
mudah dikunjungi.
Pemetaan sarana kesehatan dilakukan guna mencari keefektifan kinerja pemetaan secara grafik. Sehingga
dapat dilihat kelompok-kelompok yang memiliki kemiripan atau ketidakmiripan antar kecamatan serta menampilkan sarana
kesehatan yang dapat membantu pemerintah dalam pengambilan keputusan pemetaan sarana kesehatan di Kota Yogyakarta.
Multidimensional Scaling berhubungan dengan pembuatan peta untuk menggambarkan posisi sebuah obyek dengan obyek
lainnya berdasarkan kemiripan obyek-obyek tersebut. Berdasarkan permasalahan yang telah diuraikan, maka peneliti
bermaksud mengangkat menjadi materi penelitian mengenai Pemetaan Sarana Kesehatan Di Kota Yogyakarta Dengan
Metode Multidimensional Scaling .
 RUMUSAN MASALAH
Berdasarkan latar belakang masalah, dapat dirumuskan permasalahan sebagai
berikut:
1. Bagaimana gambaran umum sarana kesehatan di Kota Yogyakarta ?
2. Bagaimana penerapan Multidimensional Scaling untuk pemetaan kecamatan-kecamatan
di Kota Yogyakarta berdasarkan sarana kesehatan?
3. Apakah pemetaan kecamatan-kecamatan di Kota Yogyakarta berdasarkan sarana
kesehatan menggunakan metode Multidimensional Scaling sudah valid ?

BATASAN MASALAH
Berdasarkan rumusan masalah di atas maka dapat ditentukan batasan masalah
yaitu, peneliti memfokuskan pada data yang digunakan adalah data sarana kesehatan di kota
Yogyakarta tahun 2018 yang meliputi rumah sakit khusus, rumah sakit umum, puskesmas, rumah
sakit bersalin, puskesmas pembantu, Poliklinik, klinik/balai kesehatan,Apotek, Toko Obat dan
dilakukan pengujian dalam analisis Multidimensional Scaling menggunakan software R.
 TINJAUAN PUSTAKA
Berikut adalah penelitian sebelumnya mengenai analisis dengan metode
Multidimensional Scaling yang pernah dilakukan oleh peneliti sebelumnya :
1. Penelitian yang dilakukan oleh Basuki Raharjo dan Nadya K.Moeliono (2015), dengan
judul Analisis Perceptual Mapping Minimarket Menurut Persepsi Konsumen
Menggunakan Model Multidimensional Scaling (Mds), Studi Pada Konsumen
Minimarket Kecamatan Buah Batu Kota Bandung.
2. Penelitian yang dilakukan oleh Setiawan (2019), dengan judul Penerapan Analisis
Multidimensional Scaling Pada Pemetaan Karakteristik Kemiskinan Di Provinsi Banten.
3. Penelitian yang dilakukan oleh Martha (2019), dengan judul Pemetaan Pembangunan
Sekolah Di Kapuas Hulu Menggunakan Metode Multidimensional Scaling .
4. Penelitian yang dilakukan oleh Ferry Kondo Lembang (2016), dengan judul Analisis
Peta Positioning Untuk Restoran Berdasarkan Persepsi Pelanggan Dengan
Menggunakan Metode Multidimensional Scaling (Studi Kasus: Restoran Ambon City
Center Passo).

1. Statistik Deskriptif
Analisis deskriptif adalah metode analisis
statistik sederhana bertujuan untuk
mempermudah penafsiran dan penjelasan
dengan menggunakan tabel, grafik atau
diagram. Fungsi analisis deskriptif untuk
memberikan gambaran umum tentang data
yang telah diperoleh.
LANDASAN TEORI
2. Analisis multivariat
Analisis multivariat merupakan suatu
metode statistik yang berhubungan dengan
lebih dari dua variabel atau terdapat banyak
variabel yang diamati dimana antar variabel
saling berpengaruh. Analisis ini
berhubungan dengan semua teknik statistik
yang secara simultan menganalisis sejumlah
pengukuran pada individu atau objek.
Teknik analisis multivariat secara dasar
diklasifikasikan menjadi dua, yaitu analisis
dependensi dan analisis interdependensi.
3. Multidimensional Scaling
Menurut Gudono (2017), Perancangan Skala Multidimensi
(Multidimensional Scaling /MDS) adalah teknik algoritma yang berguna untuk
mengidentifikasi dimensi yang mendasari evaluasi atas objek atau menentukan fitur
dasar objek yang diamati.
MDS adalah metode analisis multivariat yang digunakan untuk
menampilkan objek dan variabel secara simultan (sekaligus) dalam ruang multidimensi
dan membandingan antara objek dengan objek lainnya berdasarkan kemiripan dan
ketidakmiripan pada peta geometri/grafik yang memberi informasi yang lebih mudah
untuk dipahami.

Jenis-jenis Multidimensional Scaling

Berdasarkan tipe data tersebut, multidimensional scaling dibagi menjadi 2 jenis, yaitu
a. MDS Metrik
Menurut Gudono(2017), Skala yang digunakan dalam Multidimensional Scaling
Metrik adalah skala data interval atau rasio.
b. MDS Non Metrik
Skala yang digunakan dalam Multidimensional Scaling Nonmetrik adalah skala data
nominal atau ordinal.
4. Kemiripan
Ukuran kemiripan ditentukan berdasarkan jarak (distance) antar titik.
Ukuran jarak dalam bidang dua dimensi dapat ditentukan dengan menggunakan Jarak
Euclid (Euclidean Distance) adalah perhitungan jarak dari dua buah titik dalam
Euclidean Space. Diketahui n adalah jumlah data dan p adalah dimensi ruang Euclidean,
maka ukuran jarak Euclidean antar dua objek (𝑥𝑖1 , 𝑥𝑖2 , ⋯ , 𝑥𝑖𝑝 ) dan (𝑥𝑗1 , 𝑥𝑗2 , ⋯ , 𝑥𝑗𝑝 )
dengan nilai 𝑖, 𝑗 = 1,2, ⋯ , 𝑛 dirumuskan sebagai berikut:
2
𝐷 = 𝑑𝑖𝑗 = σ𝑝𝑘=1 𝑥𝑖𝑘 − 𝑥𝑗𝑘

5. Matriks Product Slakar dengan Proses Double-Centering

Multidimensional scaling mengasumsikan bahwa semua jarak adalah
Euclidean. Jarak- jarak ini disusun menjadi matriks D berukuran 𝑛𝑥𝑛 dengan 𝑛 adalah
banyaknya objek. Langkah berikutnya adalah menentukan matriks product scalar (B)
melalui proses double-centering. Double centering matrix adalah suatu proses, dimana
matriks jarak dapat dikomposisikan menjadi matriks product scalar (Rapista, 2017).
Rumus Double centering matrix sebagai berikut :
1 1 1
𝐵 = − (𝐼 − 𝑣)𝐷 2 (𝐼 − 𝑣)
2 𝑛 𝑛
 NILAI EIGEN DAN VEKTOR EIGEN

Algoritma MDS fokus pada fakta bahwa koordinat matriks X dapat diperoleh dengan dekomposisi eigen value
dengan rumus :
𝑋 = (𝑄ʌ1/2 )

Keterangan:
ʌ= (𝜆1 , ⋯ , 𝜆𝑝 ) merupakan matriks diagonal dari nilai eigen matriks 𝐵
𝑄 = (𝛾1 , ⋯ , 𝛾𝑝 ) merupakan vektor eigen yang bersesuaian 𝐵
7. Penentuan Jumlah dimensi
Jika B adalah matriks semi definit positif maka jumlah eigen
value tak nol menunjukkan jumlah dimensi yang diperlukan. Jika B
bukan matriks semi definit positif maka jumlah eigen value yang positif
menunjukkan jumlah dimensi yang tepat. Jumlah dimensi tersebut
merupakan jumlah dimensi maksimal yang diperlukan, sedangkan untuk
lebih praktisnya lebih baik memilih dimensi yang lebih kecil.

9. Perceptual Map
Perceptual map juga sering disebut peta spasial (spatial map).
Peta spasial (spatial map) ialah hubungan antara merek atau stimulus
lain yang dipersepsikan, dinyatakan sebagai hubungan geometris antara
titik-titik di alam ruang yang multidimensional koordinat (coordinates),
menunjukkan posisi (letak) suatu merek atau suatu stimulus dalam suatu
peta spasial (Supranto, 2010).
 MENGUJI VALIDITAS MODEL MDS

a. Nilai STRESS (Standarized Residual sum of square Kriteria Model Multidimensional

) Stress(%)
STRESS ialah ukuran ketidakcocokan (a lack of fit Scaling
measure), makin tinggi nilai STRESS semakin tidak >20% Jelek
cocok.
10%-20% Cukup
2
σ𝑛 ෠
𝑖,𝑗 𝑑𝑖𝑗 −𝑑𝑖𝑗 5%-10% Baik
𝑆= 2
σ𝑛 ത
𝑖,𝑗 𝑑𝑖𝑗 −𝑑𝑖𝑗 2.5%-5% Sangat baik
b. R-Square(R2) <2.5% Sempurna

R square) ialah kuadrat dari koefisien korelasi yang 𝑅2 dapat dicari dengan menggunakan
menunjukkan proporsi varian dari skala optimal data,
yang disumbangkan oleh prosedur penskalaan rumus sebagai berikut:
multidimensional ukuran kecocokan/ketepatan 2
σ𝑛 ෠
𝑖,𝑗 𝑑𝑖𝑗 −𝑑𝑖𝑗
(goodness of fit measure). Apabila nilai 𝑅2 ≥ 0.60 𝑅2 = 1 −
maka model dapat diterima atau valid. σ𝑛 𝑑𝑖𝑗 −𝑑ത𝑖𝑗 2
𝑖,𝑗
 METODOLOGI PENELITIAN

Objek Penelitian Sumber Data Variabel Penelitian Waktu dan Tempat Penelitian

Sumber data yang Variabel atau atribut yang

Objek penelitian yang
digunakan adalah data digunakan dalam penelitian
digunakan adalah
sekunder yang diperoleh ini adalah jumlah Rumah
kecamatan-kecamatan
dari buku Kota sakit umum (X1), jumlah
di Kota Yogyakarta .
Yogyakarta Dalam Rumah sakit khusus (X2), Penelitian ini dilakukan
Angka 2019 jumlah Rumah sakit bersalin pada tanggal 2 Sept – 2
(https://jogjakota.bps.g (X3), jumlah Puskesmas Nov 2019 bertempat di
o.id/) (X4), jumlah Puskesmas Kantor Badan Pusat
pembantu (X5), jumlah Statistik (BPS) Kota
Poliklinik (X6), jumlah Yogyakarta .
Klinik/balai kesehatan((X7),
jumlah Apotek((X8), jumlah
Toko Obat (X9) yang ada di
setiap kecamatan di Kota
Yogyakarta.
Flowchart MDS
Flowchart Tahapan Penelitian
 ANALISIS DAN PEMBAHASAN

Data sarana kesehatan menurut kecamatan di kota Yogyakarta pada tahun 2018.
Kecamatan Rumah sakit khusus Rumah sakit umum Rumah sakit bersalin Puskesmas Puskesmas Pembantu Poliklinik Klinik/balai kesehatan Apotek Toko obat
Mantrijeron 0 0 2 1 1 2 9 19 1
Kraton 0 0 0 1 0 2 1 5 0
Mergangsan 1 1 1 1 0 2 9 8 1
Umbulharjo 3 5 1 2 2 4 7 26 1
Kotagede 0 2 2 2 0 1 7 17 1
Gondokusuman 3 5 0 2 1 5 29 15 7
Danurejan 1 1 2 2 0 1 1 2 1
Pakualaman 1 1 0 1 0 1 3 5 0
Gondomanan 1 1 0 1 0 1 2 3 5
Ngampilan 0 1 1 1 1 1 1 5 2
Wirobrajan 2 3 1 1 1 0 3 9 0
Gedongtengen 0 0 0 1 0 1 6 5 3
Jetis 0 0 1 1 0 0 10 8 0
Tegalrejo 1 1 1 1 2 3 4 6 0
 ANALISIS DAN PEMBAHASAN

Statistik Deskriptif
Tabel Statistik Deskriptif

Standar
Variabel/atribut N Minimum Maksimum Mean
deviasi
Rumah sakit khusus 14 0 3 0,9286 1,072
Rumah sakit umum 14 0 5 1,50 1,698
Rumah sakit bersalin 14 0 2 0,8571 0,770
Puskesmas 14 1 2 1,286 0,469
Puskesmas pembantu 14 0 2 0,5714 0,756
Poliklinik 14 0 5 1,714 1,437
Klinik 14 1 29 6,571 7,197
Apotek 14 2 26 9,5 7,047
Toko obat 14 0 7 1,571 2,101
Multidimensional Scaling
1. Menentukan nilai kemiripan (similiarity) antar objek ke dalam bentuk matriks jarak
(D).
0 17,192 11,785 10,220 4,082 ⋯ 4,907
17,192 0 9,249 24,083 14,578 ⋯ 4,472
11,785 9,249 0 19,916 10 ⋯ 6,236
𝐷14𝑥14 = 10,220 24,083 19,916 0 11,205 ⋯ 21,909
⋯
4,082 14,578 10 11,205 0 12,605
⋱
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⋯
14,907 4,472 6,236 21,909 12,605 0
2. Menentukan matriks product scalar B dengan proses double-centering.
0 −0,7534 −0,354 −0,266 −0,042 ⋯ −0,567
−0,754 0 −0,218 −1,480 −0,541 ⋯ −0,051
−0,354 −0,218 0 −1,012 −0,255 ⋯ −0,099
𝐵14𝑥14 = −0,266 −1,480 −1,012 0 −0,320 ⋯ −1,224
⋯
−0,042 −0,541 −0,255 −0,320 0 −0,405
⋮ ⋱
⋮ ⋮ ⋮ ⋮ ⋮
⋯
−0,567 −0,051 −0,099 −1,224 −0,405 0
3. Menentukan jumlah dimensi dan titik koordinat dengan mencari eigen value dan eigen vector dari
matriks B.
Nilai Eigen :

Vektor Eigen :
0,077 −0,388 −0,318 0,271 −0,428 ⋯ −0,216
−0,277 0,014 0,148 −0,127 −0,491 ⋯ −0,237
−0,114 −0,024 0,434 −0,120 0,184 ⋯ −0,154
𝑉14𝑥14 = 0,260 −0,621 0,387 −0,106 0,090 ⋯ −0,376
⋯
−0,0002 −0,367 −0,263 0,227 0,132 −0,190
⋱
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⋯
−0,218 0,004 −0,072 −0,374 −0,121 −0,192
Hasil koordinat objek 2 dimensi Hasil koordinat variabel 2 dimensi
Nomor Nama Dimensi
Objek objek/Kecamatan 1 2
1 Mantrijeron 8.20037 5.77377
Dimensi
Variabel/ Atribut
2 Kraton -7.7941 0.60486 Dimensi 1 Dimensi 2
3 Mergangsan 0.65093 -2.7062 Rumah Sakit Khusus -8,363 0,68
4 Umbulharjo 12.8374 12.5363 Rumah Sakit Umum -5,31 0,98
5 Kotagede 5.45024 5.65506 Rumah Sakit -9,36 2,63
6 Gondokusuman 22.3748 -12.416 Bersalin
7 Danurejan -9.6545 -1.7122 Puskesmas -7,81 1,42
8 Pakualaman -6.1997 -0.7132 Puskesmas Pembantu -9,88 1,95
9 Gondomanan -7.8151 -2.7459 Poliklinik -5,01 0,20
10 Ngampilan -7.5145 0.30896 Klinik/Balai 20,41 -16,03
11 Wirobrajan -3.1155 2.5351 Kesehatan
12 Gedongtengen -3.8352 -3.4956 Aptek 31,52 11,79
13 Jetis 0.83742 -3.1258 Toko Obat -6,18 -3,63
14 Tegalrejo -4.4225 -0.4988
5. Menghitung Disparaties

0 16,809 11,353 8,199 2,752 ⋯ 14,905

16,809 0 9,071 23,833 14,174 ⋯ 3,547
11,353 9,071 0 19,515 9,641 ⋯ 5,533
𝐷෡ = 8,199 23,833 19,515 0 10,096 ⋯ 21,629
⋯
2,752 14,174 9,641 10,096 0 11,633
⋮ ⋱
⋮ ⋮ ⋮ ⋮ ⋮
⋯
14,095 3,547 5,533 21,629 11,633 5,789
6. Menguji validitas stimulus koordinat dengan menghitung nilai STRESS dan nilai R2.
a. Nilai STRESS
Nilai STRESS yang diperoleh sebesar 0,084 atau 8,4 %. Hal ini
menunjukkan bahwa model penskalaan atau peta spatial MDS yang diperoleh termasuk
kriteria baik.
b. Nilai R-Square (R2)
Dalam multidimensional scaling (MDS), 𝑅2 menunjukkan berapa tepatnya
model penskalaan untuk mewakili data input. Semakin tinggi nilai 𝑅2 maka peta spatial
yang dihasilkan semakin baik. Peta spatial dapat diterima jika 𝑅2 ≥ 0,6. Nilai R2 yang
diperoleh sebesar 0,992 > 0,6 . Hal ini menunjukkan bahwa peta spasial yang diperoleh
dapat diterima.
Hasil Perceptual Map
Hasil penskalaan 2 dimensi untuk setiap kecamatan (objek)
Gambar 5. 2 Hasil penskalaan 2 dimensi untuk setiap kecamatan(objek) beserta sarana
kesehatan (variabel/atribut) dalam satu space
1: Mantrijeron RSU : Rumah Sakit
Umum
2: Kraton RSK: Rumah Sakit
Khusus
3: Mergangsan RSB: Rumah sakit
Bersalin
4: Umbulharjo P : Puskesmas
5: Kotagede Pustu : puskesmas
pembantu
6: Gondokusuman PL: Poliklinik
7: Danurejan KL: Klinik balai
Kesehatan
8: Pakualaman AP: Apotek
9: Gondomanan TO:Toko OBat
10: Ngampilan
11: Wirobrajan
12: Gedongtengen
13: Jetis
 KESIMPULAN
Berdasarkan hasil analisis menggunakan metode Multidimensional Scaling dapat disimpulkan bahwa :

1. Gambaran umum sarana kesehatan di Kota Yogyakarta pada tahun 2018 yaitu total sarana kesehatan berdasarkan
14 kecamatan di Kota Yogyakarta pada tahun 2018 sebanyak 343. Terdapat 9 sarana kesehatan di Kota Yogyakarta
dengan memiliki 133 Apotek merupakan sarana kesehatan terbanyak dan 22 puskesmas pembantu sebagai sarana
kesehatan paling sedikit di tahun 2018.
2. Dengan menggunakan software R, Diperoleh 4 kelompok yang terbentuk. Kelompok 1 beranggotakan Kecamatan
Mantrijeron, Kecamatan Umbulharjo dan Kecamatan Kotagede. Ketiga kecamatan tersebut memiliki kemiripan
dengan karakteristik jumlah Apotek di Kota Yogyakarta. Kelompok 2 beranggotakan Kecamatan Kraton,
Kecamatan Npampilan dan Kecamatan Wirobrajan memiliki kemiripan dengan karakteristik jumlah Rumah Sakit
Umum, Rumah Sakit Khusus, Rumah Sakit Bersalin, Puskesmas Pembantu, Poliklinik, Puskesmas di Kota
Yogyakarta. Kelompok 3 beranggotakan Kecamatan Danurejan, Kecamatan Pakualaman, Kecamatan Gondomanan,
Kecamatan Tegalrejo dan Kecamatan Gedongtengen memiliki kemiripan dengan karakteristik jumlah Toko obat
di Kota Yogyakarta. Kelompok 4 beranggotakan Kecamatan Mergangsan, Kecamatan Gondokusuman dan
Kecamatan Jetis. Ketiga kecamatan tersebut kemiripan dari karakteristik dalam jumlah Klinik /balai kesehatan di
Kota Yogyakarta.
3. Nilai STRESS yang diperoleh sebesar 0,084 atau 8,4 % dan R2 sebesar 0,997. Hal ini menunjukkan bahwa mode.
penskalaan atau peta spatial MDS yang diperoleh termasuk kriteria baik dan model dapat diterima atau dapat
dikatakan bahwa model MDS yang digunakan valid.
 SARAN

1. Adapun untuk penelitian selanjutnya mengenai analisis sarana kesehatan dapat dilakukan dengan jangkauan
wilayah yang lebih luas.
2. Dapat menggunakan metode multidimensional scaling maupun dengan metode analisis multivariat yang
lainnya seperti analisis biplot , .
3. Hasil penelitian ini dapat menjadi bahan pertimbangan bagi pemerintah Kota Yogyakarta untuk
menambahkan sarana kesehatan pada kota tersebut.
 DAFTAR PUSTAKA
Anton, & Howard. (1987). Aljabar Linear Elementer. Jakarta: Erlangga.
Bps. (2019). Kota Yogyakarta Dalam Angka 2018. Yogyakarta: Bps Kota Yogyakarta.
Dosen, T., & Asisten, T. (2019). Modul Praktikum Komputasi Statistik. Yogyakarta: Akprind
Press.
Ginanjar, I. (2008). Aplikasi Multidimensional Scaling (Mds) Untuk Peningkatan Pelayanan
Proses Belajar. Bandung: Staf Pengajar Jurusan Statistika Fmipa Unpad.
Gudono. (2017). Analisis Multivariat. Yogyakarta: Bpfe-Yogyakarta.
Hair, J. F. (2014). Multivariate Data Analysis. America: United States Of America.
Harinaldi. (2005). Prinsip-Prinsip Statistik Untuk Teknik Dan Sains. Jakarta: Erlangga.
Lembang, F. K., Leunupun, A. C., & Talakua, M. W. (2016). Jurnal Ilmu Matematika Dan
Terapan. Analisis Peta Positioning Untuk Restoran Berdasarkan Persepsi Pelanggan
Dengan Menggunakan Metode Multidimensional Scaling (Studi Kasus: Restoran Ambon
City Center Passo), 47.
Martha, & Shantika. (2019). Jurnal Matematika Dan Pendidikan Matematika. Pemetaan Pembangunan Sekolah
Di Kapuas Hulu Menggunakan Metode Multidimensional Scalling, 92.
Nafisah S, S. T. (2019). Penerapan Analisis Multidimensional Scaling Pada Pemetaan Karakteristik Kemiskinan
Di Provinsi Banten. Statmat (Jurnal Statistika Dan Matematika), 49.
Raharjo, B., & Moeliono, N. K. (2015). E-Proceeding Of Management. Analisis Perceptual Mapping
Minimarket Menurut Persepsi Konsumen Menggunakan Model Multidimensional Scaling (Mds) (Studi Pada
Konsumen Minimarket Kecamatan Buah Batu Kota Bandung), 3764.
Rapista, W. (2017). Jurnal Matematika Fmipa Universitas Bengkulu. Analysis Multidimensional Scaling ((Studi
Kasus : Persepsi Dan Preferensi Mahasiswa Terhadap Mata Kuliah Pada Jurusan Matematika Fakultas
Matematika Dan Ilmu Pengetahuan Alam Universitas Bengkulu), 8-9.
Supranto. (2004). Analisis Multivariat Arti Dan Interpretasi. Jakarta: Pt Rineka Cipta.
Suryowati, K., & Harmastuti. (2013). Aljabar Linear. Yogyakarta: Akprind Press.
Tabah, H., Setiawan, & Solikhatun, N. (2019). Statmat (Jurnal Statistika Dan Matematika). Penerapan Analisis
Multidimensional Scaling Pada Pemetaan Karakteristik Kemiskinan Di Provinsi Banten, 46-47.
TERIMA KASIH