BAB II TINJAUAN PUSTAKA
E. Analisis Multidimensional Scaling
1. Definisi Analisis Multidimensional Scaling
Ada beberapa definisi penskalaan dimensi ganda (multidimensional
scaling) yang diungkapkan oleh beberapa ahli antara lain, penskalaan
multidimensional (PMD) atau multidimensional scaling (MDS) merupakan
suatu teknik yang bisa membantu peneliti untuk mengenali
(mengidentifikasi) dimensi kunci yang mendasari evaluasi objek dari
responden atau pelanggan.16 Analisis multidimensional scaling (MDS)
merupakan salah satu teknik peubah ganda yang dapat digunakan untuk
menentukan posisi suatu objek lainnya berdasarkan penilaian kemiripannya.
MDS berhubungan dengan pembuatan map untuk menggambarkan posisi
sebuah objek dengan objek lainnya berdasarkan kemiripan objek-objek
tersebut.17
Dari definisi tersebut, kegunaan multidimensional scaling adalah
untuk menyajikan objek-objek secara visual berdasarkan kemiripan yang
dimiliki. Selain itu kegunaan lain dari teknik ini adalah mengelompokkan
16J.supranto. Analisis Multivariat Arti dan Interpretasi (Jakarta : PT rineka cipta, 2004),h.173
17Gloria A Walundungo,dkk. Penggunaan Analisis Multidimensional Scaling untuk Mengetahui Kemiripan Rumah Makan di Manado Town Square Berdasarkan Kerakteristik Pelanggan, jurnal JdC, Vol . 3, No. 1, (2014):h.30
objek-objek yang memiliki kemiripan dilihat dari beberapa peubah atau
atribut yang dianggap mampu menggelompokkan objek-objek tersebut.18
Sehingga dapat disimpulkan bahwa, multidimensional scaling adalah:
a. Kumpulan teknik-teknik statistika untuk menganalisis kemiripan dan
ketakmiripan antar objek.
b. Memberikan hasil yang berupa plot titik-titik sehingga jarak antar
titik menggambarkan tingkat kemiripan atau ketakmiripan.
c. Memberikan petunjuk untuk mengidentifikasi atribut tak diketahui atau
faktor yang mempengaruhi munculnya kemiripan atau ketakmiripan.19
Statistik dan beberapa istilah (terminologi) yang penting dalam
analisis MDS, antara lain sebagai berikut:
a. Analisis agregat (aggregate analysis), sebuah pendekatan dalam MDS,
dimana perceptual map dibuat untuk evaluasi sekelompok responden
terhadap objek-objek. Perceptual map dapat dibuat dengan komputer
maupun peneliti sendiri.
b. Penilaian kesamaan (similarity judgement), merupakan perangkat seluruh
pasangan merek yang mungkin atau stimuli lain berdasarkan kesamaan
yang dinyatakan melalui skala pengukuran (measurement scale) berskala
nonmetrik atau semacamnya.
18 Triana J. Masuku, dkk. Persepsi Konsumen Terhadap Produk Sepatu Olahraga di Sport Station Megamall dengan Menggunakan Analisis Multidimensional Scaling, Jurnal Ilmiah Sains Vol. 14 No. 2 (2014): h.69
c. Peringkat preferensi (preference rankings), adalah ranking berupa urutan
merek-merek mulai dari yang paling diinginkan sampai paling tidak
diinginkan konsumen atau responden.
d. Stress, adalah skor yang menyatakan ketidaktepatan pengukuran (lack offit
measurement). Semakin tinggi stress , semakin tinggi ketidaktepatan.
e. R kuadrat (R square), adalah indeks korelasi pangkat dua yang
menyatakan proporsi varians data asli yang dapat dijelaskan MDS.
f. Peta spasial (disebut juga perceptual map) , adalah suatu peta geometris
yang menyatakan hubungan atau perbandingan antarmerek atau stimuli
lain berdasarkan dimensi-dimensi yang diukur.
g. Koordinat (coordinates), menyatakan posisi suatu merak atau stimulus
lain dalam peta spasial.
h. Unfolding, representasi merek dan responden sebagai pola dalam ruang
yang sama.20
Konsep dasar dari multidimensional scaling adalah jarak yang
dihasilkan dalam ruang harus sesuai dengan proximities yang sebenarnya.
Sehingga yang dilakukan oleh multidimensional scaling adalah mencari
posisi dalam ruang dan koordinat untuk setiap stimuli. Diharapkan jarak yang
dihasilkan akan mendekati nilai proximities. Proximity dibagi atas dua yaitu
pertama similarity (kemiripan) yaitu jika semakin kecil nilai jaraknya,
20 Bilson, Simamora. Analisis Multivariat Pemasaran.(Jakarta: PT Gramedia Pustaka Utama, 2005), h. 237
menunjukkan bahwa objeknya lebih mirip. Kedua, dissimilarity
(ketakmiripan) yaitu jika semakin besar nilai jaraknya, menunjukkan
bahwa objeknya semakin tak mirip. Keberhasilan dari proses ini ditentukan
oleh seberapa baik jarak yang dihasilkan (πΜππ) dalam ruang sesuai dengan
proximities yang sebenarnya (πΏππ).21
2. Jenis-jenis Multidimensional scaling (MDS)
Tipe data berdasarkan skala pengukuran dibagi menjadi 4 tipe, yaitu
skala nominal, ordinal, interval dan rasio. Berdasarkan tipe data tersebut,
multidimensional scaling dibagi menjadi 2 jenis, yaitu penskalaan berdimensi
ganda metrik dan penskalaan berdimensi ganda non-metrik.
a. Multidimensional scaling (MDS) metrik
Data jarak yang digunakan dalam multidimensional scaling
metrik adalah data rasio atau interval. MDS metrik (classical scaling)
digunakan untuk menemukan himpunan titik dalam ruang dimensi n
dimana masing-masing titik mewakili satu objek. Dalam classical
scaling, dissimilarities (πΏππ) diperlakukan sama dengan jarak (πππ), yaitu πΏππ = πππ.
Tujuan dari multidimensional scaling adalah untuk mencari
koordinat titik-titik dalam ruang euclid dari matriks jarak yang tersedia.
Misalkan koordinat n titik dalam ruang euclid dimensi p adalah ππ (i =
21Skripsi Analisis Posisi Produk Operator Seluler Berdasarkan Persepsi dan Preferensi Mahasiswa UNDIP dengan Metode Multidimensional Scaling
1,2, β¦ , n) dengan ππ = (π₯π1 , π₯π2, β¦ , π₯ππ ) dan ππ = (π₯π1, π₯π2, β¦ , π₯ππ ). Jarak euclid antara titik ke- i dan ke- j adalah:22
πππ2 = βπ (π₯ππ β π₯ππ )2
π=1 β¦β¦β¦... (1) Langkah berikutnya adalah menentukan matriks hasil kali dalam
B, dengan cara mendekomposisikan matriks D melalui proses double centering. Matriks B memiliki elemen-elemen:
πππ = β12(πππ2 β ππ.2β π.π2β π..2)β¦β¦β¦ (2) Dengan, ππ.2 = π1βπ πππ2 π=1 π.π2 = π1βπ πππ2 π=1 π..2 = π1βπ πππ2 π,π=1
Bila ditulis dalam bentuk matriks menjadi
π© = β 12(π° β1ππ½) π«π(π° β1ππ½)β¦β¦β¦ (3)
Dimana
π° : matriks identitas dengan ukuran nxn
π½ : matriks berukuran nxn dengan entriπ½ππ = 1 untuk semua i,j
π«π : matriks kuadrat jarak berukuran nxn dengan elemen πππ223
22
Ahmad Ansori Mattjik dan I Made Sumertajaya, Sidik Peubah Ganda dengan Menggunakan SAS(Bogor: IPB Press, 2011), h. 378
Matriks hasil kali dalam B dapat juga diekspresikan sebagai B= XXT dimana X= [x1, β¦, xn]Tadalah matriks koordinat yang berukuran
(n x p). Rank dari matriks B,r(B) adalah
r(B) = r(XXT) = r(X) = p. β¦β¦β¦β¦..β¦β¦β¦β¦(4) Sekarang B adalah matriks yang simetrik, semi definit positif dan berpangkat (rank) p, sehingga memiliki p eigen values non-negatif dan
n β p eigen values sama dengan 0.
Matriks B kemudian ditulis dalam bentuk dekomposisi spektral:
B = VΞVT β¦β¦β¦.β¦β¦β¦...(5) Dimana Ξ=diag(Ξ»1,Ξ»2, β¦ , Ξ»n), yaitu matriks diagonal dari eigen values
{Ξ»i} matriks B, dan V = [πΎ1, β¦ , πΎn], yaitu matriks dengan eigen vectors
yang dinormalkan. Sehingga koordinat matriks X berisi titik konfigurasi dalam Rpyang diberikan oleh:
π = ππ²1π β¦β¦β¦β¦.β¦β¦β¦....(6) Permasalahan berikutnya adalah menentukan jumlah dimensi yang
diperlukan untuk menampilkan koefisien ketakmiripan (πΏππ). Jika B
adalah matriks semi definit positif maka jumlah akar ciri yang tak nol
menujukkan jumlah dimensi yang diperlukan. Jika B bukan matriks semi definit positif maka jumlah akar ciri yang positif menunjukkan
jumlah dimensi yang tepat. Jumlah dimensi tersebut merupakan
23 Yuda Esdie Sutanto. Skala Multidimensi.Skripsi (Jurusan Matematika Universitas Sanata Dharma, Yogyakarta, 2007), h.50
jumlah dimensi maksimal yang diperlukan, sedangkan untuk lebih
praktisnya lebih baik memilih dimensi yang lebih kecil.
Secara singkat algoritma classical scaling sebagai berikut :24
1) Menentukan koefisien ketakmiripan (ο€rt)
2) Mencari matriks A = οͺο«ο©ο 2οΊο»οΉ 2 1 ij ο€ 3) Mencari matriks B =
ο
aij οaiοaj ο«aο
4) Mencari eigenvalues Ξ»1 , β¦ , Ξ»n-1 dan eigenvector v1, β¦ ,vn-1 yangkemudian dinormalkan sehingga viTvi ο½ο§iΞ»i . Jika B tidak semidefinit positif ( beberapa eigen values bernilai negative), maka
terdapat 2 pilihan, pilihan 1 adalah membuang eigen values yang
bernilai negatif dan melanjutkan proses. Pilihan ke 2 adalah
menambahkan suatu konstanta c pada koefisien ketakmiripan sebagai
berikut ο€ij ο½ο€ij ο«c(1οο€ij)dan kembali ke langkah 2. 5) Memilih jumlah dimensi yang tepat. Dapat menggunakan
ο₯
ο₯
ο½ ) ( 1 positif s eigenvalue p i i ο¬6) Menentukan koordinat n titik pada ruang euclid dimensi p dengan
ο¨
i n j pο©
v
xij ο½ ij ο½1,ο, ; ο½1,ο, .
24Ahmad Ansori Mattjik dan I Made Sumertajaya.Sidik Peubah Ganda dengan Menggunakan SAS (Bogor: IPB Press, 2011), h. 382
b. Multidimensional scaling(MDS) nonmetrik
Multidimesional scaling nonmetrik mengasumsikan bahwa
datanya adalah kualitatif (nominal dan ordinal). Program MDS nonmetrik
menggunakan transformasi monoton (sama) ke data yang sebenarnya
sehingga dapat dilakukan operasi aritmatika terhadap nilai
ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan
ketidaksamaanya. Hasil perubahan ini disebut disparities. Disparities ini
digunakan untuk mengukur tingkat ketidaktepatan konfigurasi objek-objek
dalam peta berdimensi tertentu dengan input data ketidaksamaannya.
Pendekatan yang sering digunakan saat ini untuk mencapai hasil yang
optimal dari skala non metrik digunakan Kruskalβs Least-Square Monotomic Transformation dimana disparities merupakan nilai rata-rata
dari jarak-jarak yang tidak sesuai dengan urutan ketidaksamaanya.
Informasi ordinal kemudian dapat diolah dengan MDS nonmetrik
sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat
pada dimensi tertentu dan kemudian agar jarak antara objek sedekat
mungkin dengan input nilai ketidaksamaan atau kesamaannya. Koordinat
awal dari setiap subjek dapat diperoleh melalui cara yang sama seperti
informasi yang sebenarnya tapi nilai urutan tersebut dipandang sebagai
variabel interval.25
3. Asumsi Dalam Multidimensional Scaling
Multidimensional Scaling tidak memiliki asumsi yang baku dalam
metodologinya, tipe data atau hubungan antar variabel-variabelnya. Dalam
MDS hanya mensyaratkan bahwa peneliti menerima beberapa prinsip
mengenai persepsi yang meliputi :
a. Pembatasan multidimensionalscaling
Diasumsikan bahwa kemiripan stimulus A dan B sama dengan
stimulus B ke A. Akan tetapi ada beberapa kasus yang asumsi ini tidak
berlaku.
b. Variasi dimensi
Tiap-tiap responden tidak akan menilai suatu stimulus di
dalam dimensi yang sama. Misalnya, seseorang mungkin akan menilai
sebuah mobil dari tenaga dan modelnya, sedangkan yang lain tidak
memperhatikan faktor ini melainkan sebuah mobil dari harga dan
kenyamanannya.
c. Variasi kepentingan
Responden tidak menilai kepentingan dimensi pada tingkat
yang sama, walaupun serluruh responden menilai dimensi tersebut.
25Aldila Sakinah Putri,dkk. Multidimensional Scaling. Makalah (Malang : Universitas Malang Fakultas Matematika Dan Ilmu Pengetahuan Alam, 2011)
Misalnya, dua orang responden menilai suatu minuman ringan dari
tingkat karbonasinya. Seorang responden mungkin akan menilai bahwa
faktor ini tidaklah penting, sedangkan yang lainnya menilai bahwa
faktor ini penting.
d. Variasi waktu
Pernyataan yang didapat dari stimulus-stimulus tidak bisa
digunakan dalam jangka waktu yang lama. Dengan kata lain, peneliti
tidak dapat mengharapkan persepsi yang stabil dari waktu ke waktu.26
4. Validitasi model MDS
Untuk mendapatkan model MDS yang cocok, terdapat beberapa
kriteria atau pedoman agar hasil yang didapatkan layak dan dapat
digunakan untuk interpretasi sesungguhnya yaitu :
a. Nilai Stress (Standardized Residual Sum of Square)
Stress ialah ukuran ketidakcocokan (a lack of fit measure),
makin tinggi nilai stres semakin tidak cocok, sehingga dapat
disimpulkan kalau data tidak cocok digunakan untuk proses anilisis
multidimensional scaling. Untuk menemukan tingkat ketidakcocokan
tersebut makan kita dapat mencari dengan menggunakan rumus
Stress. Stress dapat dicari dengan menggunakan rumus sebagai berikut:
26 Juniarti, Sinaga. Metode Multidimensional Scaling Pada Tingkat Kemiripan Produk (Studi Kasus: Persepsi Mahasiswa Terhadap Tingkat Kemiripan Smartphone Dengan Peta Spasial), Skripsi (Makassar : Fakultas Sains Dan Teknologi UIN alauddin, 2010)
ππ‘πππ π = ββ (ππππ β πΜππ)2 π,π
β (ππππ β πΜ )2 π,π
dimana,
πππ = jarak kemiripan sesungguhnya
πΜππ= jarak yang dihasilkan dari kemiripan data
πΜ = jarak rata-rata pada peta (β πππ,π ππ π )
Untuk Kruskal stress formula terdapat pedoman untuk
mengidentifikasi model yang baik bila dilihat dari nilai stress dengan
menggunakan standar kriteria sebagai berikut:27
Tabel 2.1 Kriteria nilai Stress
27
Raditya, Panca Wardhana. Analisis Posisi Produk Kartu Gsm Dengan Metode Multidimensional Scalling (Mds) Pada Mahasiswa Fmipa Universitas Negeri Surabaya . (Surabaya, Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Surabaya), h.3
Stress (%) Kriteria Model Multidimensional Scaling
>20 % Jelek
20-10 % Cukup
10-5 % Baik
5-2,5 % Sangat baik
b. Nilai R2
R2 = R kuadrat (R square) ialah kuadrat dari koefisien korelasi
yang menunjukkan proporsi varian dari skala optimal data, yang
disumbangkan oleh prosedur penskalaan multidimensional ukuran
kecocokan/ketepatan (goodness of fit measure).28Yang diinginkan ialah
nilai R2 yang tinggi (R2=1 atau 100% model mewakili dengan sempurna),
akan tetapi, π 2β₯ 0.60 (60% atau lebih) sudah bisa diterima, artinya bisa mewakili data input dengan cukup baik. π 2 dapat dicari dengan
menggunakan rumus sebagai berikut:29
π 2 = 1 ββ (ππ ππβ πΜππ)2 π,π
β (ππππ β πΜ )2 π,π