Penerapan Metode Multidimensional Scaling Dalam Positioning Tempat Makan di Jl. Dr. Mansyur Medan Berdasarkan Persepsi Mahasiswa Universitas Sumatera Utara

(1)

Lampiran 1. Kuesioner

KUESIONER PENELITIAN MAHASISWA

PENERAPAN METODE MULTIDIMENSIONAL SCALING DALAM POSITIONING TEMPAT MAKAN DI JL. DR. MANSYUR MEDAN BERDASARKAN

PERSEPSI MAHASISWAUNIVERITAS SUMATERA UTARA

Identitas Mahasiswa

Nama :

Fakultas :

Jurusan :

Stambuk :

Petunjuk Pengisian:

Berikan respon Anda terhadap penilaian tempat makan yang berada di Jl. Dr. Mansyur

Medan untuk setiap pernyataan yang ada pada kolom “Kriteria” dengan dengan cara

memberi skor pada setiap kolom A,B,C,D,E dan F.

Penilaian dilakukan harus berdasarkan 5 alternatif pilihan jawaban:

1. Sangat setuju

skor:

5

2. Setuju

skor:

4

3. Kurang Setuju

skor:

3

4. Tidak setuju

skor:

2

5. Sangat tidak setuju

skor:

1 Note:

A = Ayam Penyet Jakarta

B = Ayam Penyet Joko Solo

C = Ayam Penyet Surabaya

D = Ayam Penyet Ria

E = Texas Chicken

F = A&W

No

Kriteria

A

B

C

D

E

F

1 Harga yang ditawarkan terjangkau

2 Menu yang tersedia sesuai dengan selera

3 Penyajian makanan rapi dan bersih

4 Desain tempat yang nyaman

5 Lokasi parkir yang memadai

6 Pelayanan terhadap konsumen baik

7 Kebersihan restoran terjaga

Lampiran 2. Hasil Penilaian Responden

No

Responden

kl km kn

A B C D E F A B C D E F A B C D E F

1 5 4 4 4 4 4 5 5 5 5 5 4 4 4 4 5 5 4

2 4 4 4 4 4 4 3 3 4 3 4 2 3 3 4 3 4 3

3 4 3 4 2 3 2 3 5 3 4 3 3 3 4 3 5 4 4

(2)

(3)

66 2 2 2 2 2 3 3 3 2 3 2 3 2 2 3 2 2 4

67 5 5 5 4 3 3 5 5 5 5 4 4 5 5 5 5 5 5

68 4 3 4 2 3 3 5 4 4 3 3 3 3 3 3 4 4 4

69 4 3 3 3 3 3 4 3 3 3 3 4 4 3 2 3 4 4

70 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4

71 4 4 4 4 4 4 3 3 3 3 3 3 4 4 4 4 4 4

72 4 4 4 4 4 4 3 3 3 3 3 3 4 4 4 4 4 4

73 4 4 5 5 4 4 4 3 4 4 5 4 4 4 4 3 4 4

74 4 4 4 4 4 3 4 4 4 3 3 3 3 4 4 4 4 4

75 4 4 4 3 3 3 3 3 5 4 4 4 4 4 5 4 4 4

76 4 4 4 4 3 3 3 3 4 4 3 4 4 4 4 4 4 4

77 4 4 4 4 3 3 5 5 4 4 5 5 3 4 4 4 5 5

78 4 4 4 4 3 3 5 5 5 5 5 5 4 4 4 4 4 4

79 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4

80 4 3 5 2 3 2 2 1 3 5 3 1 4 5 1 2 3 3

81 4 4 4 2 2 2 5 5 5 5 5 5 3 3 3 5 5 5

82 4 4 3 2 2 3 5 4 4 5 4 2 4 4 4 4 4 5

83 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5

84 4 4 4 4 4 3 3 3 4 3 4 5 3 3 3 4 4 5

85 4 4 4 4 4 1 4 4 4 4 4 1 4 4 4 4 4 4

86 4 4 4 3 3 3 4 4 4 4 4 5 3 3 3 4 4 5

87 4 4 4 4 3 1 4 4 4 4 4 4 3 4 3 4 3 4

88 3 4 1 1 2 2 5 3 4 2 2 1 4 5 2 2 3 3

89 5 4 3 3 2 3 4 3 3 3 3 5 3 4 3 3 4 5

90 4 4 4 4 3 2 4 4 4 3 3 4 4 2 3 3 3 4

91 3 3 4 1 3 3 4 2 3 3 2 2 3 3 2 3 4 4

92 2 2 2 1 1 1 1 1 1 1 3 3 3 2 1 3 3 2

93 1 1 1 1 1 1 4 5 3 3 4 5 3 5 4 5 4 3

94 3 4 2 3 4 4 3 4 3 3 3 3 2 2 2 2 2 2

95 2 1 1 3 3 3 1 1 1 1 2 3 1 1 1 1 1 1

96 1 1 1 1 1 1 4 5 3 3 4 5 3 5 4 5 4 3

97 3 4 5 2 4 4 4 2 4 4 3 4 3 2 4 4 4 3

98 3 4 4 4 5 2 3 5 4 4 5 3 5 3 4 3 5 1

99 3 3 3 3 2 2 4 4 4 4 4 4 4 4 4 3 4 4

(4)

(5)

(6)

Lampiran 3. Perhitungan MDS dengan menggunakan MATLAB 7.10.0

Menentukan matriks P = matriks

proximity

(

Euclidean Distance

)

>> P = [0.000 0.414 0.783 1.152 1.337 1.252

0.414 0.000 0.480 0.862 1.036 1.066

0.783 0.480 0.000 0.694 0.822 1.017

1.152 0.862 0.694 0.000 0.337 0.509

1.337 1.036 0.822 0.337 0.000 0.521

1.252 1.066 1.017 0.509 0.521 0.000]

P =

0 0.4140 0.7830 1.1520 1.3370 1.2520

0.4140 0 0.4800 0.8620 1.0360 1.0660

0.7830 0.4800 0 0.6940 0.8220 1.0170

1.1520 0.8620 0.6940 0 0.3370 0.5090

1.3370 1.0360 0.8220 0.3370 0 0.5210

1.2520 1.0660 1.0170 0.5090 0.5210 0

Menentukan P2 =

Kuadrat dari entri-entri matriks P

>> P2 = [0.000 0.171 0.613 1.328 1.788 1.567

0.171 0.000 0.230 0.743 1.073 1.137

0.613 0.230 0.000 0.481 0.675 1.034

1.328 0.743 0.481 0.000 0.114 0.259

1.788 1.073 0.675 0.114 0.000 0.271

1.567 1.137 1.034 0.259 0.271 0.000]

P2 =

0 0.1710 0.6130 1.3280 1.7880 1.5670

0.1710 0 0.2300 0.7430 1.0730 1.1370

0.6130 0.2300 0 0.4810 0.6750 1.0340

1.3280 0.7430 0.4810 0 0.1140 0.2590

1.7880 1.0730 0.6750 0.1140 0 0.2710

1.5670 1.1370 1.0340 0.2590 0.2710 0

Menentukan Matriks Identitas 6x6 (I)

>> I = [1

0

1

0

1

0

1

0

1

0

0 1]

I =

(7)

Menentukan matriks J = I –

C

, dimana n adalah jumlah objek

>> J = I - (1/6)

J =

0.8333 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667

-0.1667 0.8333 -0.1667 -0.1667 -0.1667 -0.1667

-0.1667 -0.1667 0.8333 -0.1667 -0.1667 -0.1667

-0.1667 -0.1667 -0.1667 0.8333 -0.1667 -0.1667

-0.1667 -0.1667 -0.1667 -0.1667 0.8333 -0.1667

-0.1667 -0.1667 -0.1667 -0.1667 -0.1667 0.8333

Menentukan matriks B (hasil proses

double centering

). B = (

)( )(

2)( )

>> B = (-1/2)JP2*J

B =

0.5922 0.3306 0.0828 -0.2837 -0.4307 -0.2913

0.3306 0.2400 0.0982 -0.1672 -0.2493 -0.2523

0.0828 0.0983 0.1865 -0.0630 -0.0770 -0.2276

-0.2837 -0.1673 -0.0630 0.1685 0.1945 0.1509

-0.4307 -0.2493 -0.0770 0.1945 0.3345 0.2279

-0.2913 -0.2523 -0.2276 0.1509 0.2279 0.3923

Menentukan

eigenvalue

(nilai eigen) dari matriks B

>> eigs (B)

ans =

1.4954

0.3270

0.0446

0.0352

0.0118

0.0000

(eigs (B) =

eigenvalue

(nilai eigen) dari B)

Menentukan

eigenvector

(vektor eigen)

>> [V,D]=eigs(B)

V =

0.5983 -0.4007 0.0922 -0.1402 0.5354 -0.4082

0.3839 0.0419 -0.3149 0.5755 -0.5039 -0.4082

0.1797 0.6129 0.4284 -0.4294 -0.2396 -0.4082

-0.2978 0.1297 -0.7489 -0.3809 0.1477 -0.4082

-0.4479 0.2391 0.2588 0.5406 0.4651 -0.4082

-0.4161 -0.6229 0.2845 -0.1655 -0.4048 -0.4082

D =

(8)

Menentukan titik stimulus koordinat.

>> A = [0.5983 -0.4007;0.3839 0.0419;0.1797 0.6129;-0.2978 0.1297;-0.4479

0.2391;-0.4161 -0.6229]

A =

0.5983 -0.4007

0.3839 0.0419

0.1797 0.6129

-0.2978 0.1297

-0.4479 0.2391

-0.4161 -0.6229

>> C = [sqrt(1.495) 0;0 sqrt(0.3270)]

C =

1.2227 0

0 0.5718

>> X = A*C

X =

-0.7315 0.2291

-0.4694 -0.0240

-0.2197 -0.3505

0.3641 -0.0742

0.5476 -0.1367

0.5088 0.3562

(Jika menggunakan fungsi MDS langsung )

>> D =[0.000 0.414 0.783 1.152 1.337 1.252

0.414 0.000 0.480 0.862 1.036 1.066

0.783 0.480 0.000 0.694 0.822 1.017

1.152 0.862 0.694 0.000 0.337 0.509

1.337 1.036 0.822 0.337 0.000 0.521

1.252 1.066 1.017 0.509 0.521 0.000]

D =

0 0.4140 0.7830 1.1520 1.3370 1.2520

0.4140 0 0.4800 0.8620 1.0360 1.0660

0.7830 0.4800 0 0.6940 0.8220 1.0170

1.1520 0.8620 0.6940 0 0.3370 0.5090

1.3370 1.0360 0.8220 0.3370 0 0.5210

1.2520 1.0660 1.0170 0.5090 0.5210 0

>> Y = mdscale(D,2)

Y =

(9)

-0.2211 -0.3524

0.3659 -0.0743

0.5504 -0.1376

0.5114 0.3577

>> [Y,stress]= mdscale(D,2)

Y =

-0.7351 0.2300

-0.4716 -0.0235

-0.2211 -0.3524

0.3659 -0.0743

0.5504 -0.1376

0.5114 0.3577

stress =

1.1331e-016

>> [Y, stress, disparities]= mdscale(D,2)

Y =

-0.7351 0.2300

-0.4716 -0.0235

-0.2211 -0.3524

0.3659 -0.0743

0.5504 -0.1376

0.5114 0.3577

stress =

1.1331e-016

disparities =

(10)

Lampiran 4. Perhitungan Nilai RSQ

Y = Proximity Matrix (Euclidean Distance)

A

B

C

D

E

F

A

0.000

0.414

0.783

1.152

1.337

1.252 B

0.414

0.000

0.480

0.862

1.036

1.066 C

0.783

0.480

0.000

0.694

0.822

1.017 D

1.152

0.862

0.694

0.000

0.337

0.509 E

1.337

1.036

0.822

0.337

0.000

0.521 F

1.252

1.066

1.017

0.509

0.521

0.000

3

6 = 0,682

Y

5 _{= Disparities}

A

B

C

D

E

F

A

0 0.3657

0.3657

B

0.3657

0 0.4134

0.4134

C

0.7768

0.4134

0 0.6495

0.6495

D

1.1422

0.839 0.6495

0 0.1951

0.1951

E

1.337 1.0283

0.8008

0.1951

0 0.4968

F

1.253 1.0544

1.0202

0.4558

0.4968

0

(Y

3 6)

TSS (Total Sum of Square)

A

B

C

D

E

F

A

0.465

0.072

0.010

0.221

0.429

0.324 B

0.072

0.465

0.041

0.032

0.125

0.147 C

0.010

0.041

0.465

0.000

0.019

0.112 D

0.221

0.032

0.000

0.465

0.119

0.030 E

0.429

0.125

0.019

0.119

0.465

0.026 F

0.324

0.147

0.112

0.030

0.026

0.465

Σ

(Y

3 6)

= 6,212

(Y

5 36)

= ESS (Explained Sum of Square)

A

B

C

D

E

F

A

0.465

0.100

0.100 B

0.100

0.465

0.072

0.072 C

0.009

0.072

0.465

0.001

0.001 D

0.212

0.025

0.001

0.465

0.237

0.237 E

0.429

0.120

0.014

0.237

0.465

0.034 F

0.326

0.138

0.114

0.051

0.034

0.465

(11)

Sehingga diperoleh :

+

00 /00

Σ

(Y

5 36)

Σ

(Y

3 6)

5,878

6,212

= 0,9623