Praktikum Metode Analisis Perencanaan

Multi Dimensional Scaling

Tim Asisten Dosen MK. Metode Analisis Perencanaan

Jurusan Perencanaan Wilayah dan Kota
FADP ITS
2019
 Teknik reduksi data melalui pemetaan objek berdasarkan kesamaan atau
kedekatan jarak antar objek.
what is

MDS Data
Pasangan Antar
Objek
Perceptual Map

PRINSIP MDS
• Data memiliki struktur
• 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
Memiliki prinsip yang sama dengan analisa cluster
(kemiripan karakteristik) bedanya pengelompokan
dapat dilihat pada sebuah perceptual map (peta
persepsi dimensi 2)
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
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
Let’s try!
Menganalisa kesenjangan wilayah di wilayah
Gerbangkertasusila.

Pengelompokan wilayah GKS tersebut dilakukan berdasarkan karakteristik:

•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)
 analysis 1. Dari menu SPSS pilih analyze  scale MDS (ALSCAL)
2. Kemudian masukkan semua data ke variable. Untuk distances, pilih create

STEPS
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.
 3. Klik measure  pada interval pilih squared euclidean distance untuk penyeragaman
analysis sehingga akan diperoleh jarak kuadrat dari masing-masing obyek  standardize
dengan zscore antar variabel, maksudnya yaitu yang distandarisasi (di zscore kan

STEPS
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.
 5. Pilih Options  untuk display
analysis 4. Pilih model  pada level of pilih group plots dan data matriks
measurement pilih ratio (karena sehingga outputnya dapat

STEPS
data yang digunakan adalah rasio). diperoleh scatterplot dan data
masing-masing obyek dalam
perceptual map continue  OK.
 Data ada 7, artinya
tidak ada yang miss ketika diproses
sehingga tingkat validitasnya 100%.

OUTPUT
 *Var = no.urut objek bukan variabel

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

OUTPUT 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.
Terlihat bahwa pada sumbu X, var. 5 (Surabaya) terletak paling
jauh dibanding objek lain, kita lihat kembali pada data terlihat Interpretasi
bahwa data konsumsi kota Surabaya paling besar dibandingkan
yang lain dan luas RTH kota Surabaya paling sedikit dibanding hasil
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.
 Interpretasi
hasil
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.
 Interpretasi
hasil

Scatterplot merupakan bentuk dari uji keselarasan, semakin selaras

pengisian data, semakin lurus diagonal yang terbentuk oleh kumpulan
koordinat isi kuesioner. Dengan demikian data yang digunakan
semakin valid. Dari scatterplot di atas menunjukkan bahwa ada
beberapa matrik-matrik yang bentuknya tidak beraturan, sehingga
dapat disimpulkan bahwa terdapat beberapa data yang tidak valid.
thank you