skala multidimensi s k r i p s i - core.ac.uk · berada pada skala ordinal, interval atau rasio....
TRANSCRIPT
SKALA MULTIDIMENSI
S k r i p s i
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains (S.Si)
Program Studi Matematika
Oleh:
Yuda Esdie Sutanto
NIM : 993114008
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2007
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
MULTIDIMENSIONAL SCALING
An undergraduate Thesis
Presented spartial fulfillment of the reqirements
For the degree of Sarjana sains
In mathematics programme
By:
Yuda Esdie Sutanto
Student Number: 993114008
MATHEMATICS PROGRAMME
DEPARTEMENT OF MATHEMATICS
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2007
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Semalam aku bermimpi berjalan menyisir pantai bersama Tuhan .
Aku melihat dua pasang jejak kaki , milikku dan milik Tuhan .
Aku menoleh kebelakang , kulihat saat-saat sedih dan mencekam ,
hanya ada sepasang jejak kakiku saja .
Aku sangat kecewa dan bertanya kepadaNya ,
“ Tuhan dimanakah Engkau ? Mengapa pada waktu aku membututuhkanMu ,
Justru Engkau meninggalkanku ? ”
Tuhan menjawab ; “ Anakku , engkau sangat Kukasihi , ketika
Engkau dalam bahaya , hanya terlihat sepasang jejak kaki ,
Karena waktu itu Aku menggendongmu “.
Karya ini ku persembahkan untuk
Tuhan Yesus & Bunda Maria
Papa & Mamaku
DIAN C . RUSLIADI , S.SI
Mas Roesdy & Mbak Ipah
Mbak Diniek & Dian
Dik Ferra & Ucok
Semua yang kukasihi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang telah saya tulis ini
tidak memuat karya atau bagian dari karya orang lain, kecuali yang telah
disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah
Yogyakarta , Juli 20007
Penulis
Yuda Esdie Sutanto
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Penskalaan Multidimensional adalah suatu metode analisis multivariatyang digunakan untuk menyederhanakan data mentah menjadi suatu tampilangrafis. Data masukan berupa persepsi obyek terhadap beberapa stimuli. Databerada pada skala ordinal, interval atau rasio. Bentuk dasar data masukan adalahnilai kedekatan. Nilai kedekatan mengacu pada ukuran nilai kesamaan atau nilaiketidaksamaan antar semua pasangan stimuli. Nilai kedekatan dapat diperolehsecara langsung, dengan meminta obyek menilai tingkat kesamaan setiappasangan stimuli, dan secara tidak langsung, dengan meminta obyek untukmemperngkatkan stimuli berdasar beberapa adjektif deskriptor. Cara lain untukmemperoleh nilai kedekatan adalah menyakan tingkat kesukaan atau preferensiterhadap semua stimuli.
Langkah pertama metode ini adalah menentukan serangkaian koordinatstimuli yang disebut konfigurasi awal. Jarak antara setiap koordinat stimulidihitung dan dievaluasi hubungannya dengan nilai kedekatan awal. Jika tingkatkesalahannya besar, koordinat dipindahkan dan nilai jarak yang dihitung ulang.Proses ini diulang sampai nilai jarak dianggap sesuai dengan data masukkandengan acuan nilai STRESS. Semakin rendah nilai STRESS, semakin besarkesesuaian konfigurasi dengan data masukan. Konfigurasi yang paling sesuaidisebut peta persepsi. Kemudian peta persepsi ini diinterpretasi sesuai dengantujuan analisis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Multidimensional Scaling is a multivariat analysis method used to reduceraw data into a visual representation. The input data is the perception of objects tosome stimuli. The datas range from ordinal, interval to ratio scale. The basic inputis proximities value. Proximities value refer to similarity or dissimilarity valuesbetween a pair of stimuli. Proximities value can be generated directly by askingobjects for similarity judgments among all pairs of stimuli adjectives or indirectlyby asking objects for rating the stimuli on some descriptor adjectives. Anotherway to generate proximities value is by asking objects’ preferences of stimuli.
The first step of the method is determining a set of coordinates calledinitial configuration. Distances between every pair of stimuli from thisconfiguration is calculated and then evaluated relative to the original proximitiesvalues. If the erros is large, the coordinates are moved and distances arerecomputed. This procces is repeated until the distance values adequately fit theinput data on the basic of STRESS. The smaller STRESS value, the fitterconfiguration is. The fittest configuration is called perceptual map. Then, theperceptual map is interpretated according to the aims of analysis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji syukur dan terimakasih kepada Tuhan Yang Maha Esa yang telah
melimpahkan kasih, berkat dan lindunganNya, sehingga penulis dapat
menyelesaikan skripsi yang berjudul ” SKALA MULTI DIMENSI” ini dengan
baik.
Penyusunan skripsi ini ditujukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Sain (S.Si) pada program studi Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Sanata Dharma.
Dalam penyusunan skripsi ini, penulis menyadari bahwa skripsi ini dapat
terselesaikan atas bantuan, bimbingan dan dorongan yang diberikan oleh berbagai
pihak. Maka dalam kesempatan ini penulis ingin mengucapkan rasa terimakasih
yang tulus kepada:
1. Tuhan Yesus Kristus dan Bunda Maria atas terkabulnya permohonanku
melalui doa Novena Tiga Salam Maria serta atas limpahan kasihNya yang tak
pernah berhenti.
2. Bapak Ir. Ig. Aris Dwiatmoko, M.Sc., selaku Dekan FMIPA serta dosen
pembimbing skripsi yang telah sabar dan penuh pengertian dalam
membimbing dan mengarahkan penulis sehingga dapat menyelesaikan skripsi
ini.
3. Bapak Y. G. Hartono, S.Si M.Si., selaku Kaprodi Matematika atas bimbingan
dan masukkan saran kepada penulis dalam menyelesaikan skripsi ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4. Semua staf dan pengajar FMIPA atas ilmu dan bimbingannya selama penulis
menjalani masa perkuliahan dan dalam penulisan skripsi ini.
5. Mas Tukijo dan staf skretariat FMIPA atas pelayanan yang diberikan selama
penulis menjalani masa perkuliahan dan dalam penulisan skripsi ini.
6. Mamaku (Sujilah HS) dan Papaku (Heru Sutanto) tercinta yang selalu
memberikan kebebasan, kesempatan dan pengertian serta doa demi
terselesainya skripsi ini.
7. Mas Roesdy, Mbak Diniek dan Dik Ferra atas kerja sama, motivasi dan
doanya.
8. Keluarga besar Kartodimejo dan Mangun Sukarto yang telah memberikan
bantuan moril maupun material.
9. Keluarga besar Lili Rusliadi( Papa dan Mama mertua tercinta) yang selalu
memberi motivasi.
10. Dian Christiana Rusliadi, S.Si. yang selalu setia menemaniku dan
mendampingiku. Terimakasih atas kasih sayang, perhatian dan pengorbanan
yang telah kau berikan untukku.
11. Adik-adikku Wawan,Lina ,Tacik, gek do lulus yo.
12. Mas No, Mbak Lilik, Dik Dea dan Diaon.
13. Teman – teman seperjuanganku Hartanto, Thomas, Naga, Wondo, Antok,
Andri, Nadi, Tius, Desi, Nia, Novi, Yoslin, Mike, Hebi, Kris,Fera,Lia,
Mayang dan semua angkatan “99.
14. Temen-temen kuliahku Angkatan “98, “00, “01.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15. Cah-Cah kuncinan Ebleh, Gatot, Fosil, Gawul, Anwar, Bobi, Bejo, Tobil,
Ateng, Asti, Tiara,Susi,Neno dan ketua GENG Pak Jasari trimakasih atas
kebersamaannya. “Hidup Kuncinan”
16. Cah-cah pasar Tole, Kiki, Ari dan semua Kru UD MAYAR
17. Dan semua orang yang telah memberikan bantuan dan belum dapat kusebut
satu persatu. Terima kasih banyak atas segala bantuannya.
Penulis menyadari bahwa masih banyak kekurangan dan kelemahan dalam skripsi
ini. Sehingga penulis dengan lapang dada menerima kritik dan saran serta
masukan yang membangun dari pembaca, agar skripsi ini menjadi lebih baik dan
berguna bagi semua orang.
Yogyakarta, 2007
Penulis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN JUDUL………………..……………………………………………...i
HALAMAN PERSETUJUAN PEMBIMBING…………………………………..ii
HALAMAN PENGESAHAN……………………………………………………iii
HALAMAN PERSEMBAHAN.............................................................................iv
PERNYATAAN KEASLIAN KARYA…………………………………………..v
ABSTRAK………………………………………………………………………..vi
ABSTRACT……………………………………………………………………...vii
KATA PENGANTAR…………………………………………………………..viii
DAFTAR ISI……………………………………………………………………...xi
BAB I PENDAHULUAN…………………………………………………………1
A. Latar Belakang Masalah…………………………………………………...1
B. Rumusan Masalah…………………………………………………………3
C. Batasan Masalah…....……………………………………………………...3
D. Tujuan Penulisan…………………………………………………………..4
E. Metode Penulisan……………………………………………………….....4
F. Manfaat Penulisan…………………………………………………………5
G. Sistematika Penulisan……………………………………………………...5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II DASAR-DASAR TEORI………………………………………………....7
A. Analisis Data Multivariat………………………………………………….7
B. Jenis-jenis Data Hasil Pengukuran………………………………………...8
C. Matriks…………………………………………………………………...12
D. Ruang-n Euclidian……………………………………………………….15
E. Eigennilai dan Eigenvektor……………………………………………....15
F. Korelasi Sederhana……………………………………………………….16
G. Korelasi Ganda…………………………………………………………...20
BAB III PENSKALAAN MULTIDIMENSI…………………………………….22
A. Proses Kerja Penskalaan Multidimensi…………………………………..24
B. Penyusunan Penskalaan Multidimensi…………………………………...28
1. Pemasukan Data…………………………………………………28
2. MDS Matrik……………………………………………………..34
3. Menguji Reliabilitas dan Validitas..……………………………..38
4. Penentuan Banyaknya Dimensi………………………………….39
5. Intepretasi Hasil dan Penamaan Dimensi………………………..42
BAB IV PENERAPAN PENSKALAAN MULTIDIMENSI……………………47
BABV KESIMPULAN…………………………………………………………..72
DAFTAR PUSTAKA .......………………………………………………………73
LAMPIRAN……………….…..………………………………………………...74
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Dalam kehidupan sehari-hari kita sering dihadapkan pada permasalahan
dalam mengintepretasikan hubungan antar variabel, terutama pada saat kita akan
menarik kesimpulan hubungan dari variabel tersebut. Apalagi ketika kita
berhadapan dengan variabel yang cukup banyak, kita akan mengalami lebih
banyak kesulitan dalam mengiterpretasikan hubungan antar variabel tersebut .
Dalam pemecahan masalah tersebut kita sangat membutuhkan suatu teknik
atau metode untuk mengolah atau menganalisis data, terutama metode yang
mudah dalam penggunaannya maupun intepretasi kesimpulannya. Kita telah
mengenal berbagai macam teknik atau metode dalam mengolah data yang cukup
banyak, baik yang telah diajarkan dalam perkuliahan maupun yang tidak diajarkan
dalam perkuliahan. Dalam skripsi ini penulis akan memperkenalkan salah satu
teknik atau metode dalam menganalisis data yaitu skala multidimensi atau sering
disebut dengan MDS (Multidimensional Scaling). Pada dasarnya MDS merupakan
salah satu teknik analisis multivariat yang dapat membantu kita dalam
menginterpretasikan atau menemukan hubungan antara beberapa variabel dengan
hanya melihat perkiraan jarak antar variabel tersebut atau dengan melihat peta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
spasial yang dihasilkan yang mewakili persepsi dan preferensi responden . Selain
itu MDS juga dapat membantu kita untuk mengenali (mengidentifikasi) dimensi
kunci yang mendasari evaluasi objek dari responden tanpa mendeskripsikan sifat
atau atribut-atribut terlebih dahulu. Salah satu kelebihan dari MDS adalah
fleksibilitasnya terhadap tipe data yang akan kita olah. Selain itu MDS juga
memiliki berbagai tipe penyelesaian, tipe tersebut dikelompokkan dalam dua
kelompok yaitu tipe metrik dan tipe non-metrik, dimana tipe non-metrik lebih
bersifat terbatas dari pada tipe matrik. Selain itu kelebihan MDS dibanding
dengan teknik-teknik mulivariat lainnya, MDS dapat dapat dilakukan pada tingkat
responden secara individu (disebut Disaggregate Analysis) tidak harus pada
tingkat agregat(disebut Aggregate Analysis)
Dengan menggunakan metode MDS solunsi yang dihasilkan lebih siap dan
mudah dimengerti sehingga MDS telah digunakan dalam berbagai bidang. Salah
satu bidang yang telah menggunakan prosedur MDS adalah bidang riset
pemasaran untuk membandingkan posisi relatif suatu objek dengan objek lainnya
berdasarkan persepsi konsumen, maka dengan menggunakan prosedur MDS kita
dapat mengetahui apakah produk tersebut relatif sama atau berbeda dengan
produk sejenis lainnya, atribut apa saja yang menjadi keunggulan dan kekurangan
produk tersebut dibandingkan dengan produk pesaingnya, sehingga kita dapat
menyimpulkan suatu strategi atau keputusan yang seharusnya dilakukan agar
dapat berkompetisi dengan produk lain. Selain telah digunakan dalam bidang
pemasaran MDS juga telah digunakan dalam bidang psikologi yaitu digunakan
dalam pendiskripsian sifat atau ciri-ciri seseorang dan masih banyak lagi
penerapan MDS dalam kehidupan sehari-hari.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Walaupun metode MDS bukan merupakan suatu prosedur yang terbaik
dalam menganalisis suatu data, tetapi metode MDS dapat menjadi salah satu
alternatif lain dari metode analisis. Dari uraian diatas metode MDS sangatlah
penting dalam membantu kita dalam menginterpretasikan dan menarik suatu
kesimpulan dari data yang kita miliki. Berdasarkan hal tersebut maka penulis
tertarik untuk membahas MDS secara lebih mendalam.
B. Rumusan Masalah
Skala multidimensi merupakan salah satu metode analisis multivariat yang
sangat mudah dalam penggunaannya dan dapat diterapkan dalam berbagai disiplin
ilmu. Maka penulis merumuskan masalah sebagai berikut:
1. Apa yang dimaksud dengan MDS ?
2. Bagaimana cara kerja dari metode MDS ?
3. Bagaimana mengintepretasikan suatu masalah dalam data dengan
menggunakan metode MDS ?
4. Menafsirkan parameter dalam dan penafsiran bermacam-macam model
MDS?
C. Batasan Masalah
Dalam penulisan yang akan dibahas adalah tipe dari MDS , maka penulis
membatasi pembahasan topik hanya sampai dengan :
1. Membahas bagaimana penyelesaian suatu masalah dengan menggunakan
metode MDS tipe metrik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2. Jenis-jenis permasalahan yang seperti apa yang dapat diselesaikan dengan
menggunakan metode ini.
3. Tidak membahas secara khusus tipe-tipe yang terdapat dalam metode
MDS.
4. Tidak membandingkan metode MDS dengan metode yang lainnya dalam
penyelesaian suatu masalah.
Adapun pembatasan ini bertujuan agar pembaca memahami betul tentang
metode MDS dan penerapannya dalam suatu permasalahan.
D. Tujuan Penulisan
Secara umum penulisan tugas akhir ini bertujuan untuk memperkenalkan suatu
teknik analisis data. Tujuan yang lebih spesifik dari penulisan ini adalah:
1. Memahami mengenai apa dan bagaimana MDS itu dapat membantu kita
dalam menginterpretasikan hubungan antar variabel.
2. Memahami langkah-langkah dalam MDS.
E. Metode Penulisan
Metode penulisan yang akan digunakan dalam menyusun tulisan ini
adalah dengan metode studi pustaka, yaitu dengan mempelajari buku-buku yang
berkaitan dengan judul dan segala permasalahan yang berhasil diselesaikan
dengan metode ini, serta melihat perkembangan penggunaan metode MDS
melalui internet.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
F. Manfaat Penulisan
Penulisan ini dapat digunakan sebagai sarana penerapan teori dalam
perkuliahan, serta penulisan ini dapat menjadi bahan informasi bagi pembaca dan
pihak lain yang membutuhkan. Hasil penulisan ini masih dapat dikembangkan
atau dapat digunakan sebagai acuan penulisan lainnya.
G. Sistematika Penulisan
Dalam penulisan skripsi ini penulis akan membagi atas beberapa bab,
yaitu:
BAB I. PENDAHULUAN
Dalam bab ini diuraikan latar belakang masalah, rumusan masalah, batasan
masalah, tujuan penulisan, manfaat serta sistematika penulisan.
BAB II. DASAR-DASAR TEORI
Dalam bab ini akan uraikan beberapa teori yang berhubungan langsung
dengan isi penulisan sehingga mempermudah kita dalam memahami isi tulisan ini
BAB III. PENSKALAAN MULTIDIMENSI
Dalam bab ini akan diuraikan tentang beberapa tipe dari MDS,tipe data
yang dapat digunakan dalam MDS serta langkah-langkah menggunakan MDS
Metrik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV. PENERAPAN PENSKALAAN MULTIDIMENSI
Dalam bab ini akan diuraikan salah satu penerapan MDS dalam kehidupan
sehar-hari. Sehingga kita lebih memahami kelebihan dan kekurangan dari MDS.
BAB V. KESIMPULAN
Dalam bab ini penulis mencoba menyimpulkan keseluruan dari hasil
penulisan ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
DASAR-DASAR TEORI
Sebelum membahas tentang skala multidimensi, terlebih dahulu akan
dibahas beberapa syarat sebagai landasan teori yang berhubungan dengan skala
multidimensi. Sehingga kita lebih mudah dalam memahami skala multidimensi .
A. Analisis Data Mutivariat
Multidimensional Scaling (MDS) adalah salah satu metode dari analisis
data multivariat. Analisis data multivariat secara sederhana dapat didefinisikan
sebagai aplikasi metode-metode yang berhubungan dengan sejumlah besar
pengukuran yang dibuat untuk setiap obyek dalam satu atau lebih sempel secara
simultan. Dengan kata lain, analisis data multivariat mengukur relasi simultan
antar variabel. Secara umum metode-metode dalam analisis data multivariat
digolongkan menjadi dua kelompok. Kelompok pertama adalah metode-metode
dependen. Metode-metode dependen terpusat pada mencari asosiasi dari dua
himpunan variabel di mana salah satu himpunan adalah realisasi dari suatu ukuran
dependen. Dengan kata lain metode-metode dependen berusaha mencari atau
memprediksi ukuran satu atau lebih kriteria berdasar himpunan variabel predictor.
Yang termasuk dalam kelompok ini adalah Multiple Regression, Analisis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Diskriminan, Analisis Logit, Multivariate Analysis-of-Variance (MANOVA) dan
Canonical Correlation Analysis. Kelompok kedua adalah metode-metode
interdependen. Metode-metode interdependen terpusat pada asosiasi mutual antar
semua variabel tanpa membedakan tipe-tipe variabel. Secara umum, metode-
metode ini tidak memberikan prediksi melainkan mencoba memberikan gambaran
mengenai struktur yang mendasari data dengan cara menyederhanakan
kompleksitas atau dengan mereduksi data. Yang termasuk dalam kelompok ini
adalah Principal Components Analysis, Analisis Faktor, MDS, Analisis Kluster,
Pemodelan Loglinear.
B. Jenis-jenis data hasil pengukuran
Dalam penerapan analisis data multivariat, harus sangat diperhatikan jenis-
jenis data pengukuran. Suatu metode kadang tidak dapat diaplikasikan untuk
semua jenis data. Penerapan metode secara tepat dapat terjadi hanya jika
pengukuran data berada pada skala yang tepat. Pada dasarnya, perbedaan skala
pengukuran data berpengaruh pada pengkategorian asumsi-asumsi dasar mengenai
hubungan angka-angka yang merepresentasikan sifat-sifat obyek dan pentingnya
operasi matematika terhadap angka-angka tersebut. Secara umum, jenis-jenis data
adalah:
1. Data Nominal
Suatu nilai hasil pengukuran disebut berskala nominal jika bilangan tersebut
berfungsi sebagai pengidentifikasi yaitu pembeda antara satu obyek dengan obyek
lain. Perbedaan bilangan menunjukkan adanya obyek yang terpisah dan tidak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
sama. Selain untuk identifikasi, bilangan dapat dikatakan berada pada skala
nominal apabila digunakan untuk klasifikasi atau kategorisasi. Contoh
penggunaan data nominal adalah kategorisasi jenis kelamin. Jika obyek berjenis
kelamin laki-laki, obyek diberi nilai 0. Jika obyek berjenis kelamin wanita, obyek
diberi nilai 1. Bilangan 0 untuk obyek laki-laki tidak menunjukkan nilai yang
lebih rendah dari bilangan 1 yang diberikan pada nilai subyek wanita. Karena
fungsi pengukuran dalam hal ini adalah sebagai alat identifikasi, perubahan atau
penggantian nilai nominal dapat dilakukan dengan bebas selama tidak
mengaburkan identifikasi atau kategorisasi semula. Contohnya seperti pada
contoh sebelumnya, obyek laki-laki bisa diberi nilai 9 dan atau obyek wanita
diberi nilai 2 atau 7. Perubahan nilai tanpa diikuti perubahan fungsi identifikasi
dan kategorisasi obyek semacam ini disebut transformasi isomorfik. Proses
statistik yang diperbolehkan untuk diterapkan pada data nominal adalah
menghitung banyaknya kasus, mencari modus dan korelasi kontingensi seperti
Chi-Square dan Fisher’s exact test.
2. Data Ordinal
Suatu hasil pengukuran disebut berada pada level ordinal jika nilai berfungsi
untuk menunjukkan perbedaan jenjang kualitatif. Perbedaan nilai antar obyek
tidak menunjukkan perbedaan kuantitatif tetapi hanya menunjukkan perbedaan
kualitatif. Bila terdapat jenjang kualitatif 1, 2 dan 3, dapat dikatakan 3>2 dan 2>1
serta 3>1. Akan tetapi, jarak antara 3 dan 2 dengan jarak antara 2 dan 1 tidak
dapat dikatakan sama. Jarak jenjang antara dua nilai yang berurutan tidak selalu
sama. Nilai 0 dalam skala ordinal tidak memiliki nilai mutlak. Contoh penerapan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
data ordinal adalah pemberian rangking misalnya untuk siswa-siswi dalam suatu
kelas. Jenjang kualitatif antara rangking pertama dengan rangking kedua belum
tentu sama dengan jenjang kualitatif antara rangking kedua dengan rangking
ketiga. Karena jarak antara dua nilai yang berurutan tidak selalu sama secara
kualitatif maka setiap nilai jenjang dapat diganti dengan nilai lain selama urutan
jenjang yang satu dengan jenjang yang lain tidak berubah. Penggantian ini disebut
transformasi monotonik. Transformasi monotonik mengubah nilai tetapi tidak
merubah urutan bilangan. Operasi statistik yang diijinkan untuk data ordinal
adalah median, persentil, korelasi rangking, Sign Test dan Run Test.
3. Data Interval
Suatu hasil pengukuran disebut berada pada level interval jika hasil pengukuran
tersebut adalah hasil pengukuran ordinal yang memiliki jarak antarjenjang yang
tetap atau selalu sama. Bila terdapat jenjang kualitatif 1, 2 dan 3, maka secara
kualitatif dan kuantitatif jarak antara 1 dan 2 adalah sama dengan jarak antara 2
dan 3. Seperti hasil pengukuran ordinal, data interval tidak memiliki harga 0
mutlak. Salah satu contoh hasil pengukuran interval adalah hasil pengukuran suhu
pada thermometer. Bilangan-bilangan pada thermometer memperlihatkan jenjang
dan kadar suhu yang berinterval sama. Dapat dikatakan bahwa 360 C adalah 60 C
lebih panas daripada 300 C. Sedangkan 120 C adalah 60 C lebih dingin daripada
180 C. Akan tetapi, tidak dapat dikatakan bahwa 360 C adalah tiga kali lebih panas
daripada 120 C. Bilangan 0 pada pengukuran suhu tidak bersifat mutlak. Artinya
suhu 00 C tidak berarti tidak memiliki panas sama sekali. Perbedaan bilangan pada
level interval memiliki arti perbedaan kualitatif dan kuantitatif. Data pada level
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
interval dapat diolah dengan operasi hitung penambahan dan pengurangan. Data
hasil pengukuran interval akan bersifat invariant jika dikenai transformasi linier
yaitu transformasi bilangan dengan persamaan garis lurus yang dirumuskan
sebagai y=a+bx. Operasi statistik yang dapat digunakan untuk data interval adalah
mean aritmatik, standar deviasi, deviasi rata-rata, korelasi product-moment, t-test
dan F-test.
4. Data Rasio
Skala pengukuran rasio pada dasarnya adalah skala pengukuran interval yang
memiliki nilai 0 mutlak dan bilangan-bilangannya dapat diperbandingkan secara
mutlak. Contoh data rasio adalah data hasil pengukuran berat, panjang, banyaknya
benda dan lain sebagainya. Jika kita nyatakan panjang benda adalah 0 cm, artinya
benda itu tidak memiliki panjang sama sekali. Nilai 0 pada skala ini memang
menunjukkan bahwa atribut yang diukur sama sekali tidak ada pada obyek yang
bersangkutan. Demikian pula, dapat dikatakan bahwa obyek dengan panjang 15
cm adalah lima kali lebih panjang dari pada obyek dengan panjang 3 cm. Data
berlevel rasio dapat dikenai keempat operasi hitung yaitu perkalian, pembagian,
penambahan dan pengurangan. Data rasio bersifat invarian ketika dikenai
transformasi dengan rumusan Y=cX dengan c adalah bilangan konstan. Operasi
statistik yang diperbolehkan untuk data rasio adalah koefisien variasi, mean
geometris dan mean harmonis.
C. Matriks
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Suatu matriks berukuran nm atau matriks nm adalah suatu jajaran
bilangan berbentuk persegi panjang yang terdiri dari m baris dan n kolom. Matriks
tersebut dinotasikan dalam bentuk:
A
mnmm
n
n
aaa
aaa
aaa
...
............
...
...
21
22221
11211
Setiap bilangan jka dalam matriks ini dinamakan elemen matriks. Indeks j dan
k berturut-turut menyatakan baris dan kolom dari unsur matriks tersebut.
1. Matriks Kuadrat (Square Matrix)
Suatu matriks A dapat dikalikan dengan dirinya sendiri membentuk matriks
kuadrat A jika dan hanya jika A adalah matriks bujursangkar. Hasil kali A.A
dalam kasus ini dinotasikan sebagai A2. Dengan cara yang sama didefinisikan
pangkat dari suatu matriks bujursangkar yaitu A3=A.A2, A4=A.A3 dan seterusnya
2. Matriks Tranpos (Tranpos Matrix)
Jika baris dan kolom matriks A ditukar, matriks baru yang dihasilkan disebut
transpos dari A dan dinyatakan sebagai AT. Dengan lambang ditulis jika A= (ajk)
maka AT= (akj). Untuk matriks transpos berlaku hukum:
(A+B)T=AT+BT
(AB)T=BT.AT
(AT)T=A
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Matriks Simetris (Symetric Matrix)
Suatu matriks bujursangkar dinamakan simetris atau disebut skew-simetris jika
AT=-A. Jika semua unsur jka dari suatu matriks diganti sekawannya jka , maka
matriks yang diperoleh dinamakan kompleks sekawan dari matriks A dan
dilambangkan dengan A . Suatu matriks bujursangkar A yang sama dengan
transpos kompleks sekawannya atau A= AT dinamakan matriks Hermite. Jika
A= -AT, A disebut matriks skew-Hermite.
4. Invers suatu Matriks
Jika untuk suatu matriks bujursangkar A terdapat suatu matriks B di mana AB=1
maka B disebut invers dari matriks A dan dinyatakan sebagai A 1 . Jika A adalah
matriks bujursangkar tak singular berukuran n maka terdapat tepat satu invers
A 1 sehingga A A 1 = A 1 A=I di mana
A 1 =)det(
)(
A
A Tjk
di mana jkA adalah matriks kofaktor dari A jk dan jkA = jkA T adalah
transposnya serta det(A) adalah determinan dari matriks A. Invers matriks
mempunyai sifat sebagai berikut:
(AB) 1 =B 1 A 1
(A 1 )=A
(A T ) 1 =(A 1 ) T
(kA) 1 =k
1A
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5. Determinan Suatu Matriks
Jika A adalah suatu matriks kuadrat berukuran n dan jka adalah elemen dari A,
suatu determinan berukuran n-1 yang diperoleh dengan menghilangkan semua
unsur pada baris ke j dan kolom ke k disebut minor jka dan dilambangkan dengan
M jk . Jika M jk dikalikan dengan kj )1( maka hasilnya disebut kofaktor dari jka
dan dilambangkan dengan A jk . Nilai Determinan suatu matriks didefinisikan
sebagai jumlah dari hasil kali unsur-unsur pada suatu baris atau kolom dengan
kofaktor-kofaktor yang bersesuaian. Dalam lambang ditulis:
det A=
n
kjkjka
1
A
6. Orthogonalitas
Suatu matriks riil A disebut matriks tegaklurus (orthogonal) jika transposnya sama
dengan inversnya yaitu jika A T =A 1 atau A T A=I. Suatu matriks kompleks A
dinamakan matriks uniter (unitary matrix) jika kompleks sekawan transposnya
sama dengan inversnya yaitu jika 1 AAT
atau IT
AA
Jika A danB adalah vektor kolom dengan
A=
3
2
1
a
a
a
, B=
3
2
1
b
b
b
maka A T B = a1 b1
+ a 2 b 2 + a 3 b 3 . A T B disebut produk skalar dari A danB. Jika
A T B=0, maka A dan B saling tegaklurus.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
D. Ruang-n Euclidean
Definisi 2.4.1 Jika n adalah suatu bilangan bulat positif, sebuah ordered-n-tupel
adalah sebuah urutan dari n bilangan riil yaitu (a1,a2,…,an). Himpunan dari semua
ordered-n-tupel disebut ruang-n Euclidean dan dinyatakan sebagai n .
Teorema 2.4.1 Jika u= (u 1 ,u 2 ,….,u n ) dan v = (adalah vektor-vektor yang berada
di n , maka:
a. Perkalian dalam Euclidean (Euclidean inner product) antar vektor u dan
vektor v dinyatakan sebagai
nn vuvuvuvu ...... 2211
b. Panjang Euclidean vektor u di dalam n dinyatakan sebagai
222
21
21
........).( nuuuuuu
E. Eigennilai dan Eigenvektor
Jika )( jkaA adalah suatu mariks bujursangkar berukuran nn dan X adalah
suatu vektor kolom, persamaan
XAX
di mana λ adalah suatu bilangan, dapat ditulis sebagai:
nnnnnn
n
n
x
x
x
x
x
x
aaa
aaa
aaa
......
...
............
...
...
2
1
2
1
21
22221
11211
(2.1)
atau
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0)(...
.............................................
0...)(
0...)(
21
2222121
1212111
nnnnnnn
nn
nn
xaxaxa
xaxaxa
xaxaxa
(2.2)
Persamaan tersebut akan mempunyai penyelesaian tak-trivial jika dan hanya jika
0
...
............
...
...
21
22221
11211
nnnn
n
n
aaa
aaa
aaa
(2.3)
yang dapat ditulis sebagai
IA det (2.4)
yang merupakan suatu persamaan suku banyak berderajat n dalam λ. Akar dari
persamaan suku banyak ini disebut eigennilai atau nilai karateristik dari matriks
A. Untuk setiap eigennilai akan ada penyelesaian X 0 yang merupakan suatu
penyelesaian tak-trivial yang dinamakan eigenvektor atau vektor karateristik dari
nilai eigennya.
F. Korelasi Sederhana
Didalam kehidupan sehari-hari, kejadian ekonomi dan kejadian lainnya
saling berhubungan atau mempengaruhi. Kejadian-kejadian tersebut bisa
dinyatakan sebagai perubahan variabel X dan varibel Y. Dimana variabel Y
adalah variabel tak bebas (dependent variable) dan X adalah variabel bebas
(Independent variable), artinya X berhubungan dengan Y . Apabila variabel X dan
Y mempunyai hubungan(korelasi), maka nilai variabel X dapat dipergunakan
untuk memperkirakan nilai Y.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
X dikatakan mempengaruhi Y, jika perubahan nilai X akan menyebabkan
perubahan nilai Y. Untuk mengetahui kuat tidaknya hubungan antara X dan Y,
kita harus menghitung koefisien korelasi atau r yaitu:
n
i
n
iii
n
iii
YYXX
YYXX
r
1 1
22
1 (2.5)
Dimana
n
X
X
n
ii
1 , perkiraan x
n
Y
Y
n
ii
1 , perkiraan y
Jika 0r , maka X dan Y tidak berkorelasi.
Jika 0 <r<0,5, maka hubungan X dan Y lemah positif.
-0,5<r<0, maka hubungan X dan Y lemah negatif.
Jika 0,5 r<0,75, maka hubungan X dan Y cukup kuat positif.
-0,75<r -0,5, maka hubungan X dan Y cukup kuat negatif.
Jika 0,75 r<0,9, maka hubungan X dan Y kuat positif.
-0,9<r -0,75, maka hubungan X dan Y kuat negatif.
Jika 0,90 r<1, maka hubungan X dan Y sangat kuat positif.
-1<r -0,90, maka hubungan X dan Y sangat kuat negatif.
Jika r 1 , maka hubungan X dan Y sempurna positif atau negatif.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Untuk mengetahui seberapa besar kontribusi dari X terhadap naik turunnya nilai Y
kita harus menghitung suatu koefisien yang disebut koefisien determinasi atau 2r
yaitu
n
i
n
iii
n
iii
YYXX
YYXX
r
1 1
22
12 (2.6)
2r merupakan sumbangan (share) dari X terhadap variasi (naik turunnya) Y,
tingkat variasi ditunjukkan oleh besarnya nilai varian Y.
Contoh 1
Dalam contoh ini kita ingin mengetahui seberapa besar hubungan lama tinggal
seseorang dikota ‘K’ dengan sikap orang tersebut terhadap kota “K”.
Misal:
X= lamanya tinggal di kota “ K”
Y= sikap terhadap kota”K” bernilai antara 1 sampai 11. Nilai 11= sangat senang
dan 1 = tidak senang.
n= 12
Data yang diperoleh sebagai berikut:
X 10 12 12 4 12 6 8 2 18 9 17 2
Y 6 9 8 3 10 4 5 8 2 11 10 2
Jawab:
12
217918286124121210
12
12
1
i
iX
X
9,333
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
210112854103896
12
12
1
i
iY
Y
6,583
12
1iii YYXX (10-9,33)(6-6,583)+(12-9,33)(9-6,583)+(12-9,33)(8-6,583)
+ (4-9,33)(3-6,583)+(12-9,33)(10-6,583)+(6-9,33)(4-6,583)
+ (8-9,33)(5-6,583)+(2-9,33)(2-6,583)+(18-9,33)(11-6,583)
+ (9-9,33)(9-6,583)+(17-9,33)(10-6,583)+(2-9,33)(2-6,583)
= 179,6668.
12
1
2
ii XX (10-9,33) 2 + (12-9,33) 2 + (12-9,33) 2 + (4-9,33) 2 + (12-9,33) 2
+ (6-9,33) 2 + (8-9,33) 2 + (2-9,33) 2 + (18-9,33) 2 + (9-9,33) 2
+ (17-9,33) 2 + (2-9,33) 2
= 304,6668.
12
1
2
ii YY (6-6,58) 2 + (9-6,58) 2 + (8-6,58) 2 + (3-6,58) 2 + (10-6,58) 2
+ (4-6,58) 2 + (5-6,58) 2 + (2-6,58) 2 + (11-6,58) 2 + (9-6,58) 2
+ (10-6,58) 2 + (2-6,58) 2
= 120,9168
Kemudian dicari nilai r dengan memasukkan ke dalam persamaan (2.5)
didapat nilai r = 0,9361
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
karena 0,9 r <1 maka hubungan antara X dan Y sangat kuat, artinya makin lama
seseorang tinggal dikota “K” maka orang tersebut cenderung sangat mencintai
kota tersebut.
Dan nilai 87628,09361,022 r artinya sikap seseorang terhadap kota “K”
87% dijelaskan oleh lamanya seseorang tinggal dikota tersebut.
G. Korelasi Ganda
Dalam pembahasaan sebelumnya kita telah membahas mengenai korelasi
yang mencakup dua variabel yaitu Y (variabel tak bebas) dan X (variabel bebas).
Manfaat dari analisis korelasi adalah untuk mengetahui besarnya pengaruh X
terhadap Y. Sebenarnya faktor penyebab perubahan nilai Y bukan hanya
dipengaruhi oleh X tetapi masih banyak faktor lain yang bisa mempengaruhi Y.
Untuk memperhitungkan pengaruh lebih dari satu variabel bebas X, kita dapat
menggunakan analisis korelasi ganda.
Prosedur yang digunakan dalam korelasi ganda sama dengan prosedur
yang digunakan dalam korelasi sederhana, bedanya hanya terletak pada
banyaknya variabel bebas X yaitu lebih dari satu.
Untuk mengetahui seberapa kuat hubungan antara Variabel Y dengan
beberapa variabel X ( nXXX ,.....,, 21 ) dapat diukur dengan 2R (koefisien
determinasi) atau sering disebut R-square yaitu:
n
ii
n
i
i
YY
YY
R
1
2
1
2^
2 (2.7)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Dimana
Y nilai Y berdasarkan persamaan regresi ganda
n
Y
Y
n
ii
1
Dalam konteks MDS nilai R Square mengindikasikan proporsi varian data yang
dapat dijelaskan oleh MDS, semakin besar nilai R Square (R Square mendekati 1)
yang kita dapat semakin baik pula model yang kita peroleh.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
PENSKALAAN MULTI DIMENSI
Penskalaan multidimensi (Multi Dimensional Scaling, MDS) adalah
metode analisis multivariat yang menggunakan representasi grafis untuk
mendapatkan informasi dari data. Secara garis besar MDS menampilkan
kedekatan (proximity) antar obyek secara spasial dalam bidang multi dimensi.
Yang dimaksud dengan kedekatan adalah semua himpunan bilangan yang
melambangkan tingkat kemiripan atau perbedaan antara sepasang obyek. Dengan
demikian, tujuan utama MDS adalah memetakan obyek-obyek dalam suatu bidang
multidimensi sehingga posisi relatif obyek-obyek dalam bidang tersebut
menggambarkan tingkat kedekatan antar obyek yang sebenarnya. Untuk data
besar, MDS memberikan gambaran data yang mudah dipahami dan lebih
informatif dibandingkan metode lain sebab hasil akhir MDS berupa gambaran
visual. Karena alasan ini, metode MDS banyak digunakan dalam riset pemasaran
untuk membandingkan posisi relatif obyek (produk, merk, perusahaan) dengan
obyek lainnya berdasar persepsi konsumen. Riset semacam ini menghasilkan peta
persepsi (perceptual map) yang menggambarkan pandangan konsumen terhadap
obyek-obyek yang diperbandingkan. Dalam peta ini dapat diketahui apakah
produk yang diteliti tersebut relatif sama atau beda dengan produk
pembandingnya, atribut apa saja yang menjadi keunggulan dan atribut apa saja
yang menjadi kekurangan suatu produk dibandingkan dengan produk pesaingnya.
Pada akhirnya, analisis ini menghasilkan suatu strategi atau keputusan yang
seharusnya dilakukan untuk memasarkan produk dalam kerangka persaingan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
dengan produk lain.
Peta persepsi disusun dengan menempatkan beberapa obyek pada bidang
multidimensi sedemikian rupa sehingga jarak antar obyek berkorelasi dengan nilai
kedekatan yang dipersepsikan konsumen. Dua obyek yang mirip (nilai kedekatan
besar) direpresentasikan sebagai dua titik yang berdekatan. Sedang dua obyek
yang relatif berbeda (nilai kedekatan kecil) direpresentasikan sebagai dua titik
yang berjauhan..
MDS telah banyak digunakan dalam berbagai macam penelitian. Beberapa
contoh penelitian yang memanfaatkan MDS adalah:
Contoh 1
Schiffman (1977) merancang penelitian untuk memperoleh persepsi
konsumen apakah 10 jenis minuman cola cukup berbeda berdasarkan kualitas rasa
minuman menggunakan MDS. Kesepuluh minuman ini adalah Diet Pepsi, RC
Cola, Yukon, Dr. Pepper, Shasta, Coca Cola, Diet Dr. Pepper, Tab, Pepsi dan Diet
Rite. Sepuluh subyek, lima pria dan lima wanita, berpartisipasi dalam eksperimen.
Mereka diminta memberikan nilai antara 0 (bila rasanya sama) sampai 100 (bila
rasanya sangat berbeda) untuk tiap-tiap pasangan minuman cola. Hasil penelitian
ini menunjukkan bahwa subyek cenderung membandingkan minuman ini berdasar
apakah minuman tersebut termasuk minuman diet atau non diet serta berdasar
apakah minuman tersebut mengandung rasa cherry atau rasanya regular.
Contoh 2
Wish, Deutsch dan Biener (1972) mengadakan penelitian mengenai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
persepsi orang mengenai kedekatan antara negara-negara. Obyek yang diambil
adalah 12 negara dari seluruh penjuru dunia yaitu: Brazil. Kongo, Kuba, Mesir,
Perancis, India, Israel, Jepang, Cina, Rusia, Amerika Serikat dan Yugoslavia.
Penelitian ini menghasilkan peta persepsi dua dimensi. Peneliti membuat garis
sumbu khayal vertikal dan horizontal pada peta persepsi yang membagi Negara-
negara tersebut dalam empat kuadran. Yang mengejutkan adalah bahwa pemetaan
ini menyimpulkan bahwa orang cenderung mempersepsikan kedekatan negara-
negara berdasarkan afiliasi politik mereka (pro Barat atau pro Komunis) dan
kemajuan ekonomi mereka (Negara maju atau Negara berkembang). Orang tidak
begitu memperhitungkan kedekatan geografis atau persamaan rasial antar Negara-
negara tersebut.
Dari dua contoh di atas, dapat disimpulkan bahwa tujuan analisis MDS
adalah menghasilkan peta persepsi yang menunjukkan posisi relatif keseluruhan
obyek yang diteliti sesuai dengan nilai kedekatan antar obyek tersebut.
Pada pembahasan selanjutnya, istilah obyek dapat diganti stimuli karena
makna keduanya hampir sama. Obyek adalah setiap benda atau kejadian
sedangkan stimuli menunjukkan bagian atau sifat dari obyek.
A. Proses Kerja Penskalaan Multi Dimensi
Konsep dasar MDS adalah proses menentukan koordinat posisi dari tiap
obyek dalam suatu peta multi dimensi sehingga jarak antar obyek pada bidang
pemetaan (derived distance) akan sesuai dengan nilai kedekatan dalam input
datanya. Ukuran kedekatan berupa nilai kemiripan (similarity) atau nilai
ketidakmiripan (dissimilarity) antar pasangan obyek. Jika yang dipakai sebagai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ukuran kedekatan adalah nilai kemiripan, semakin besar nilainya maka semakin
sama atau mirip dua objek tersebut. Jika yang dipakai adalah nilai ketidakmiripan,
semakin besar nilainya maka kedua obyek semakin tidak mirip.
Pada MDS, nilai kedekatan antara obyek i dan j dari input data (Sij),
diubah menjadi jarak ijd
pada bidang multi dimensi. Bidang multi dimensi di sini
dapat berupa bidang eukledian maupun non eukledian. Pada bidang eukledian
jarak antar obyek dihitung menggunakan ukuran jarak eukledian (eucledian
distance). Jika koordinat stimulus 1 pada bidang 2 dimensi adalah (X11, X12) dan
koordinat stimulus 2 adalah (X21, X22), jarak antara stimulus 1 dan stimulus 2 pada
bidang tersebut ditentukan menggunakan rumus:
21
2
2212
2
211112 XXXXd (3.1)
dengan d12 adalah jarak eukledian
Jika nilai kemiripan antar stimuli i dan j di mana i,j =1,2,3,4 adalah
S23>S12>S34>S13>S24>S14 maka jarak antar obyek akan sesuai dengan nilai
kedekatan jika jarak antar stimuli memenuhi sifat monoton sempurna (perfect
monotonicity) yaitu jika 142413341223 dddddd
Sifat ini terlihat jelas
dengan menggunakan diagram Sheppard.yaitu plot di mana nilai kemiripan berada
pada sumbu horizontal dan nilai jarak berada pada sumbu vertikal. Gambar
berikut menunjukkan diagram Sheppard untuk contoh kasus untuk n=4 stimuli
dan banyaknya pasangan stimuli adalah n(n-1)/2.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 3.1
Terlihat bahwa data keenam nilai di atas membentuk segmen garis yang
bergerak dari kiri ke kanan secara menurun yang berarti memenuhi sifat monoton
sempurna.
Dapat dilihat bahwa nilai kemiripan berbanding terbalik dengan nilai
jarak. Nilai kemiripan yang besar berkorespondensi dengan nilai jarak yang kecil.
Begitu pula sebaliknya, nilai kemiripan kecil berkorespondensi dengan nilai jarak
yang besar.
Jika untuk menentukan nilai jarak digunakan nilai ketidakmiripan, segmen
garis dalam diagram Sheppard monoton naik dari kiri ke kanan atau dengan kata
lain nilai ketidakmiripan berbanding lurus dengan nilai jarak.
Pada kasus tertentu dapat terjadi sifat monoton sempurna tidak terpenuhi.
Misalnya jika hubungan antar stimuli berbentuk 241413123423 dddddd
di mana hubungan antara 34d
dan 12d
serta antara 14d
dan 24d
tidak
berkorespondensi dengan nilai kedekatan sebenarnya dari tiap stimuli seperti
terlihat pada Sheppard Diagram berikut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 3.2
Terlihat bahwa plot nilai similarities dan jarak tidak memenuhi sifat
monoton sempurna. Dari kiri ke kanan, garis tidak selalu menurun. Untuk
mengatasi hal ini, dibuat jarak penyesuaian baru yang dilambangkan dengan (*)ijd
.
Jarak baru ini diambil dari rata-rata jarak yang tidak memenuhi aturan
monotonitas sempurna. Untuk kasus di atas jarak baru untuk 12d
dan 34d
adalah. 2/)( 3412(*)34
(*)12 dddd
Setelah ditentukan jarak penyesuaian yang
baru, prinsip monotonitas terpenuhi di mana (*)34
(*)24
(*)13
(*)34
(*)12
(*)23 dddddd
maka diagram Sheppard setelah dihitung jarak penyesuaian adalah:
Gambar 3.3
B. Penyusunan Penskalaan Multi Dimensi
Untuk menyusun suatu penskalaan multi dimensi dilakukan langkah-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
langkah seperti yang akan diuraikan dibawah ini. .
1. Pemasukan Data
Data yang dimasukkan untuk diolah oleh MDS berupa nilai proximities
yang berupa nilai-nilai kemiripan (similarity) atau ketidakmiripan (dissimilarity)
antara semua atau hampir semua pasangan antara setiap anggota himpunan obyek.
Menurut cara memperolehnya, data dibedakan menjadi:
a. Similaritas langsung
Data similaritas langsung diperoleh dengan meminta subyek untuk
memberikan penilaian mengenai kemiripaan antara pasangan-pasangan stimuli.
Subyek disodori sepasang stimuli dan diminta menaksir kemiripan dua stimuli itu.
Proses diulangi sampai semua pasangan yang ada telah dinilai. Ada banyak
metode untuk mengumpulan data similaritas langsung. Tiga metode yang paling
sering dipakai adalah:
1. Penandaan Garis (Line Marking). Subyek diberi sejumlah kertas sebanyak
jumlah pasangan yang ada. Penilaian dicatat dengan membuat tanda pada sebuah
garis yang pada kedua ujungnya telah diberi label. Biasanya ujung kiri ditandai
label ‘Persis Sama’ dan ujung sebelah kanan diberi label ‘Sangat berbeda’.
Semakin tanda diletakkan ke kanan semakin rendah nilai kemiripan pasangan.
Penilaian juga bisa dikodekan, misalnya dari angka 0 sampai 100, dengan skala
disesuaikan dengan panjang garis.
2. Penyortiran. Subyek dihadapkan pada semua anggota himpunan stimulus dan
diminta untuk menyortir stimulus menjadi kelompok-kelompok. Banyaknya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
kelompok dapat ditentukan oleh peneliti atau dapat juga dibiarkan bebas
ditentukan oleh subyek. Setelah penyortiran, peneliti mencatat banyaknya
stimulus untuk tiap-tiap subyek. Kemudian disusun sebuah matriks bujursangkar
untuk setiap subyek. Entri-entri matriks dikode 0 untuk pasangan yang disortir
menjadi satu kelompok dan dikode 1 jika pasangan berada pada kelompok yang
berbeda. Nilai kemiripan diperoleh dengan menjumlah matriks dari semua subyek.
3. Pemeringkatan terkondisi (Conditional Rank Orders). Pada metode ini,
masing-masing stimulus secara bergiliran dijadikan standar perbandingan. Subyek
diminta memperingkatkan stimulus-stimulus lain berdasarkan kemiripannya
dengan standar perbandingan tersebut. Kemudian, disusun suatu matriks di mana
masing-masing baris dari matriks tersebut menunjukkan nilai kemiripan atau
ketidakmiripan stimulus terhadap standar perbandingan. Metode Pemeringkatan
lainnya adalah dengan meminta subyek untuk mengurutkan semua kemungkinan
pasangan obyek dari yang paling mirip sampai yang paling tidak mirip.
Data ditampilkan dalam bentuk tabel atau matriks. Di bawah ini
ditampilkan tampilan data hasil dari beberapa metode dalam bentuk tabel.:
Contoh 3
Metode line marking. Semakin kecil nilai data, menunjukkan semakin kecilnya
nilai proximity antar obyek.
Stimulus A B C D E
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tabel 3.1
Contoh 4
Metode penyortiran. Nilai 0 menunjukkan bahwa obyek berada dalam satu
kelompok. Nilai 1 menunjukkan bahwa obyek berbeda kelompok. Data yang
diolah adalah penjumlahan matriks untuk semua subyek. Contoh tampilan untuk
satu subyek.
Stimulus A B C D E
A - 0 0 1 1
B 0 - 0 1 1
C 0 0 - 1 1
D 1 1 1 - 0
E 1 1 1 0 -
Tabel 3. 2
Contoh 5
Metode pemeringkatan, semakin kecil nilai data menunjukkan semakin besar nilai
A - 20 50 80 100
B 20 - 50 30 40
C 50 50 - 70 50
D 80 30 70 - 20
E 100 40 50 20 -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
proximity antar obyek
Stimulus A B C D E
A - 1 6 9 10
B 1 - 7 3 4
C 6 7 - 8 5
D 9 3 8 - 2
E 10 4 5 2 -
Tabel 3.3
Permasalahan yang sering muncul dari pengumpulan data similaritas langsung
adalah terlalu banyaknya data yang dikumpulkan. Untuk setiap n stimulus
diperlukan penilaian terhadap pasangan sebanyak:
(3.2)
di mana C = banyaknya pasangan stimuli
n = banyaknya stimuli
Untuk mengatasi permasalahan ini, dapat dilakukan pembatasan jumlah stimuli.
Akan tetapi, dalam praktek, sedapat mungkin diusahakan jumlah stimuli yang
besar. Jumlah stimuli yang sedikit dalam dimensi kecil akan menghasilkan
penyelesaian yang tidak stabil. Selain itu, semakin banyak stimuli berarti semakin
banyak pula dimensi yang bisa dieksplorasi. Jika stimuli sedikit, informasi-
2)1( nn
C
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
informasi yang diperoleh tidak akan didapat. Beberapa sumber menganjurkan
minimal ada 12 stimuli untuk penyelesaian dua dimensi dan 18 stimuli untuk
penyelesaian tiga dimensi.
Selain dengan meminimalisasi stimuli, permasalahan ini juga dapat diatasi dengan
menggunakan desain data tak lengkap. Pada desain ini, satu subyek tidak menilai
seluruh pasangan yang ada melainkan hanya beberapa pasangan saja. Sementara
pasangan-pasangan sisanya dinilai oleh subyek (atau subyek-subyek) yang lain.
Meski pengumpulan data menjadi lebih mudah, desain data tak lengkap
membutuhkan lebih banyak subyek.
b. Data Similaritas Turunan
Istilah lain untuk data similaritas turunan adalah data similaritas tak langsung.
Penyebutan ini didasarkan bahwa kemiripan tidak diukur dengan
memperbandingkan obyek dengan obyek melainkan dengan mengevaluasi obyek
berdasar deskriptor-deskriptor verbal. Formatnya adalah dengan meminta subyek
untuk menilai sejauh mana suatu deskriptor verbal, biasanya berupa kata sifat,
mampu menjelaskan atau mendeskripsikan obyek-obyek. Penilaian diukur
misalnya dengan memberikan bilangan antara 1 (jika deskriptor verbal mampu
menjelaskan obyek dengan baik) sampai 100 (jika deskriptor sama sekali tidak
menjelaskan stimulus). Nilai proximity berdasarkan hasil pengukuran jarak.
Model pengukuran jarak yang biasa digunakan pada kasus ini adalah model
metrik Minkowski yang dirumuskan sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
rp
k
r
jkikijXXd
/1
1
(3.3)
di mana ijd = jarak antara stimulus i dan stimulus j
ijX = nilai respon stimulus i terhadap deskriptor ke- k
jkX = nilai respon stimulus j terhadap deskriptor ke-k
p = banyaknya deskriptor verbal
Jarak Eukledian diperoleh dari model metrik Minkowski untuk r = 2.
Persamaannya
2/1
1
2
p
kjkikij
XXd(3.4)
Model lain adalah model city-block metrik yang diperoleh dari model Minkowski
untuk r =1.
Berdasar substansinya, data dibedakan menjadi:
a. Data persepsi. Yang diukur adalah persepsi atau evaluasi subyektif terhadap
obyek.
b. Data preferensi.Yang diukur adalah peringkat obyek yang lebih disukai
subyek.
2. MDS Metrik
Setelah diperoleh, semua data diolah menggunakan MDS. Ada beberapa
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
jenis prosedur yang bisa digunakan. Prosedur-prosedur ini berbeda satu sama lain
berdasarkan jenis data yang diolah.
MDS metrik mengasumsikan bahwa data yang dimasukkan ada pada skala
interval atau rasio. Prosedur MDS metrik secara langsung menghubungkan jarak
dan ukuran proximity secara linear. Jika matriks data kemiripan memiliki entri-
entri yang sebenarnya (jarak antar stimulus dalam skala rasio), maka penggunaan
MDS metrik akan memberikan penyelesaian berupa jarak dalam bidang turunan
memiliki rasio yang sama dengan jarak sebenarnya yang digunakan sebagai data.
Proximity metrik memiliki skala interval yang diperoleh dari skala kemiripan
bipolar di mana pasangan stimuli telah dinilai satu kali dalam satu kesempatan.
Inti dari MDS metrik adalah metode rekonstruksi aljabar untuk
menemukan suatu konfigurasi titik-titik dari data kemiripan skala interval yang
menunjukkan jarak Euclidean secara tepat atau secara penaksiran. Langkah-
langkah MDS Metrik :
a. Mentransformasikan nilai kedekatan kedalam bentuk matriks.
Data kemiripan skala interval diubah menjadi nilai jarak yang dinotasikan. ijd
Transformasi dari nilai kemiripan menjadi jarak didasarkan pada asumsi-asumsi
sebagai berikut.
a. Positivitas yaitu bahwa semua nilai jarak adalah non negatif 0ijd
b. Non-degeneracy yaitu bahwa jarak bernilai nol untuk stimuli yang bernilai
sama 0ijd , untuk semua i=j
c. Simetri dij = dji
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
d. Triangular inequality dij + djl dil
Karena MDS metrik mengasumsikan bahwa bidang pemetaan adalah bidang
Eukledian, jarak yang dimaksud adalah jarak Eukledian. Jarak-jarak ini disusun
menjadi matriks D berukuran nxn dengan n adalah banyaknya stimuli.
Contoh 6
Dalam sebuah penelitan tentang persepsi orang mengenai koran-koran yang
terkenal dikota Boston dan New York mendapatkan data sebagai berikut:
PASANGAN KORAN NILAI KEMIRIPAN
BOSTON HERALD-NEW YORK POST 2
BOSTON HERALD-NEW YORK TIMES 6
BOSTON HERALD-BOSTON GLOBE 5
NEW YORK POST-NEW YORK TIMES 5
NEW YORK POST-BOSTON GLOBE 4
NEW YORK TIMES-BOSTON GLOBE 3
Dari data diatas kita akan mentransformasikan data tersebut kedalam bentuk
matriks yaitu:
D=
0345
3056
4502
5620
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
b. Membuat matriks product skalar dengan proses double-centering.
Dengan Asumsi bahwa semua jarak adalah Eucledian, langkah berikutnya adalah
menentukan matriks product skalar B dengan cara mendekomposisikan matriks D
melalui proses double-centering. Matriks B mempunyai elemen-elemen:
2
..
2
.
2
.
22/1 ddddbjiijij
( 3.5)
dengan
j
iji dnd 2
'
2
. /1
i
ijj dnd 2
'
2
. /1
ji
ijdnd,
2
'
2
.. /1
Persamaan (3.1) bila ditulis dalam bentuk matriks menjadi
VIDVIB
nn
11
2
1 2(3.6)
dimana
I = matriks identitas dengan ukuran nn
V = matriks berukuran nn dengan entri 1ijV untuk
semua i,j
2D = matriks kuadrat jarak berukuran nn dengan
elemen 2ijd
Contoh 7
Dari contoh 4 kita mendapatkan matrik D dengan n=4, kita akan menentukan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
matriks product skalar B dengan memasukkan kepersamaan 3.6 sehingga matriks
B adalah:
1111
1111
1111
1111
4
1
1000
0100
0010
0001
091625
902536
162504
253640
1111
1111
1111
1111
4
1
1000
0100
0010
0001
2
1B
6875,43125,33125.33125,5
3125,33125,103125,53125,8
3125,33125,50625,45625,4
3125,53125,85625,40625,9
B
c. Setelah matriks B terbentuk, untuk menempatkan matriks koordinat dalam
bidang turunan digunakan analisis eigennilai-eigenvektor untuk matriks B.
Dengan asumsi, misalnya, penyelesaian bersifat dua dimensi, 1 dan 2 menjadi
dua eigennilai pertama B, dengan matriks eigenvektor dilambangkan dengan X=
(X(1),X(2)) dimana kolom matriks X adalah eigenvektor untuk eigennilai 1 dan 2.
Koordinat stimuli dalam bidang dua dimensi turunan adalah baris dari matriks X
yaitu
X’(1) = (X11, X21, ….,Xn1)
X’(2) = (X12, X22,…...,Xn2)
Dengan kata lain (X11,X12)adalah posisi titik P1 yang mewakili stimulus 1 pada
bidang turunan dua dimensi.
3. Menguji Reliabilitas dan Validitas
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Setelah koordinat stimuli pada bidang pemetaan bisa diperoleh, koordinat-
koordinat tersebut diuji validitasnya, apakah koordinat-koordinat itu benar-benar
merepresentasikan posisi obyek yang sebenarnya. Uji validitas MDS pada
hakikatnya adalah proses optimasi di mana validitas tidak hanya diuji tapi juga
dikoreksi melalui beberapa kali iterasi sampai nilai validitasnya relatif terpenuhi.
Ukuran yang menunjukkan validitas pengukuran disebut STRESS yang
dirumuskan sebagai:
n
jiij
n
jiijij
d
dd
S2
2^
(3.7)
dimana, dij adalah jarak antara stimuli i dan j dihitung dari koordinat stimulus
dalam bidang turunan dengan iterasi tertentu. Dan ijd
adalah dispariti yaitu
transformasi monoton data yang dibuat semirip mungkin dengan jarak (dalam
hal ini least squarenya) untuk setiap langkah. Semakin kacil nilai STRESS,
semakin penelitian dianggap valid. Dalam praktek, proses diawali dengan
konfigurasi awal titik-titik (koordinat stimulus), mungkin dilakukan secara acak,
untuk suatu dimensi tertentu. Konfigurasi ini dengan iterasi digerakkan
sedemikian rupa untuk meminimalkan nilai STRESS dengan tetap
mempertahankan monotonitas dispariti dengan proximity mula-mula. Proses
berakhir ketika nilai STRESS setelah suatu iterasi tidak lebih baik dari nilai
STRESS sebelumnya atau hanya berubah terlalu kecil dibanding nilai STRESS
sebelumnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4. Penentuan Banyaknya Dimensi
Keputusan untuk memilih banyaknya dimensi (dimensionalitas) yang akan
diambil dapat diatasi secara mudah dengan memilih dimensionalitas dengan nilai
STRESS terkecil. Meski begitu, sejumlah hal harus dipahami sebelum orang
memanfaatkan nilai STRESS sebagai indikator apakah dimensionalitas yang
diambil tepat.
Ada dua pendekatan dasar untuk memanfaatkan nilai STRESS untuk
menentukan jumlah dimensi yang digunakan. Pendekatan pertama disebut metode
obyektif karena berdasar pada argumen-argumen statistik. Pendekatan lain disebut
subyektif karena terutama mengandalkan intuisi dan pengalaman.Selain
menggunakan dua pendeketan diatas kita juga dapat menggunakan nilai R-sequare
atau sering disebut RSQ.
a. Metode Obyektif
Nilai STRESS dihasilkan dari penskalaan data pada penyelesaian dalam berbagai
dimensionalitas. Kemudian nilai STRESS diplotkan dengan dimensionalitas. Lalu,
data sintesis dibuat dengan komponen kesalahan acak tertentu dan dimensionalitas
yang diketahui. Data sintetis diolah menggunakan analisis MDS dan
penyelesaiannya dibandingkan dengan penyelesaian untuk data yang sebenarnya.
Proses berlanjut sampai ditemukan data sintetis yang memiliki plot STRESS
dengan dimensionalitas yang hampir sama dengan plot yang dihasilkan data yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
sebenarnya.
b. Metode subyekif
Pendekatan subyektif menggunakan kriteria scree-elbow. Dengan asumsi bahwa
dimensionalitas yang benar bukan satu dan bahwa komponen galat dalam data
tidak besar, plot STRESS dengan dimensionalitas, pada umumnya plot tersebut
akan mebentuk pola cembung. Titik dimana suatu siku atau bengkokkan tajam
terjadi, menunjukkan banyaknya dimensi yang tepat. Karena STRESS sangat
sensitif terhadap banyaknya stimuli dan dimensi, metode ini harus digunakan
dengan hati-hati.
Contoh 8
Dalam sebuah penelitian tentang persepsi orang mengenai koran yang terkenal di
kota Jakarta(Bilson Simamora.2005.Analisis Multivariat Pemasaran), data yang
diperoleh adalah
BISNISINDONESA KOMPAS
KORANTEMPO
LAMPUMERAH PEMBARUAN
POSKOTA
RAKYATMERDEKA REPUBLIKA
BISNISINDONESIA 0 6 6 1 4 1 1 4
KOMPAS 6 0 1 6 6 1 1 4
KORAN TEMPO 6 6 0 1 7 1 1 5
LAMPU MERAH 1 1 1 0 1 6 5 1
PEMBAHARUAN 4 6 7 1 0 1 3 2
POS KOTA 1 1 1 6 1 0 5 3RAKYAT
MERDEKA 1 1 1 5 3 5 0 1
REPUBLIKA 4 4 5 1 2 3 1 0
Setelah melakukuan beberapa interasi kita mendapatkan nilai STRESS sebagai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
berikut: untuk satu dimensi nilai STRESS= 0,50849 , untuk dua dimensi nilai
STRESS = 0,32138 dan untuk tiga dimensi nilai STRESS=0,20249 Model berapa
dimensi yang paling baik? Dengan menggunakan metode subyektif ketiga nilai
STRESS dibuat grafik dalam sistem koordinat sebagai berikut:
0
0.1
0.2
0.3
0.4
0.5
0.6
1 2 3
Jumlah Dimensi
Str
ess
Garis Stress
Gambar 3.4
Dari gambar 3.4 dapat kita lihat bahwa siku (elbow) dari garis STRESS bila
diproyeksikan kesumbu koordinat akan menghasilkan bilangan dua (dua dimensi).
Jadi dapat kita simpulkan bahwa model terbaik adalah model dua dimensi.
c. R-square (RSQ)
Dalam menentukan banyaknya dimensi kita juga dapat menggunakan nilai RSQ,
rumus dari RSQ dapat dilihat dalam BAB II. Dimana nilai RSQ dalam MDS
mengindikasikan proporsi varians data yang dapat dijelaskan oleh MDS, semakin
besar nilai RSQ yang kita dapat semakin baik pula model yang akan kita peroleh.
Contoh 9
Selain mendapatkan nilai STRESS pada saat interasi terakhir pada contoh 8 kita
juga akan mendapatkan nilai RSQ, nilai RSQ yang kita dapatkan pada interasi
terakhir adalah untuk satu dimensi RSQ= 0,8620 pada dua dimensi RSQ =
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0.12649 sedangkan untuk tiga dimensi RSQ = 0,31039. Dapat kita lihat bahwa
nilai RSQ terbesar adalah nilai RSQ satu dimensi yaitu sebesar 0.8620 ini artinya
model terbaik adalah model satu dimensi.
5. Intepretasi Hasil dan Penamaan Dimensi
Setelah dimensionalitas yang sesuai ditentukan, konfigurasi stimuli pada
bidang pemetaan harus diinterpretasikan. Interpretasi dapat dengan mudah
dilakukan dengan melihat posisi stimuli dalam bidang (pendekatan subyektif) atau
melakukan pendekatan yang lebih obyektif baik itu dengan memetakan apa yang
disebut vektor sifat ke dalam bidang pemetaan atau dengan menjalankan analisis
korelasi kanonik.
a. Pendekatan Subyektif
Pendekatan subyektif untuk menginterpretasikan bidang turunan hanya didasarkan
pada posisi obyek stimulus dalam bidang. Langkah pertama adalah melihat sifat-
sifat stimulus yang berada pada posisi ekstrem dalam bidang pemetaan Untuk
stimuli ini kita mencoba mengidentifikasi sifat atau atribut yang dapat
menjelaskan posisi relatif stimuli pada bidang pemetaan. Sifat-sifat atau atribut
stimuli inilah yang menjadi petunjuk untuk menentukan nama dimensi.
b. Property fitting
Tipe pendekatan obyektif ini didasarkan pada penalaran berikut. Diandaikan ada
suatu variabel yang mengukur suatu karakteristik stimuli yang diduga memiliki
hubungan sistematis dengan posisi stimuli pada bidang pemetaan. Kemudian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
dicari suatu arah melalui bidang stimulus yang berhubungan dengan naiknya
jumlah atribut terpilih. Garis semacam ini disebut vektor atribut. Jika atribut yang
dicari sangat dekat hubungannya dengan bidang pemetaan, nilai atribut yang
sebenarnya akan sangat dekat dengan proyeksi stimulus. Jika atribut yang dicari
tidak terlalu dekat hubungannya dengan bidang pemetaan, korelasi antara nilai
aktual atribut dengan proyeksi stimulus akan rendah. Prosedur untuk menemukan
arah vektor atribut menggunakan analisis regresi ganda. Prosesnya adalah seperti
berikut,
1. Menentukan rata-rata untuk tiap obyek pada karakteristik atribut yang dicari.
2. Meregresi vektor rata-rata peringkat atribut untuk atribut pada koordinat
bidang pemetaan dan memperlakukan koordinat sebagai variabel independen.
Andaikan ai melambangkan nilai spesifik stimulus i untuk atribut a, di mana i
= 1,2,…,n dan X1, X2,…,Xn merupakan koordinat i untuk masing-masing dari
r dimensi maka persamaan regresi ganda yang biasa adalah
irri XbXbbaa ......110
^
11
3. Nilai b1, b2,…, br disebut koefisien regresi dan bo disebut intersep. Nilai ai
adalah penduga terbaik untuk proyeksi stimulus i pada vektor atribut dari
koordinat stimulus Xit, t=1,2,…,r dan nilai atribut ai.
4. Koefisien korelasi ganda menunjukkan korelasi antara proyeksi stimulus
dengan nilai atribut. Jika nilai koefisien rendah, maka dengan aman dapat
disimpulkan bahwa subyek tidak menggunakan atribut dalam pertanyaan pada
waktu subyek mengadakan penilaian kemiripan.
5. Untuk membuat plot vektor atribut, pertama-tama dihitung koefisien regresi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
terstandar. Koefisien ini dinotasikan dengan r ,.....,, 21 .Selanjutnya dicari
titik pada bidang turunan stimulus yang koordinatnya i . Titik ini disebut * .
Terakhir, dengan asumsi bahwa rata-rata koordinat adalah nol untuk tiap
dimensi, tarik garis melalui titik pusat bidang turunan stimulus dan melalui
* dan dinamakan L. Biasanya panjang garis dibuat proporsional dengan
kuadrat koefisien dan diberi anak panah di ujungnya.
c. Analisis korelasi kanonik
Jika ada banyak himpunan data, bisa diaplikasikan vektor atribut yang
biasa dan model titik ideal untuk setiap atribut. Kedua analisis terpisah ini akan
menghasilkan satu vektor atribut untuk masing-masing atribut. Meski begitu,
pendekatan ini mengabaikan hubungan antar atribut itu sendiri. Dengan kata lain,
yang kita inginkan adalah suatu prosedur yang membuat kita bisa secara
bersamaan (simultan) banyak himpunan rating atribut dengan bidang turunan
stimulus hanya dengan satu analisis.
Prosedur semacam itu disebut analisis korelasi kanonik,jika kita memiliki
dua himpunan variabel, katakan Y=( pYYY ,....,, 21 ) dan X=( qXXX ,....., 21 ), atau
dapat disusun menjadi:
Y= ppYaYaYa ........2211
X= qq XbXbXb ........2211
Analisis korelasi kanonik berusaha menentukan asosiasi linear antara kedua
himpunan. Sasarannya adalah menentukan dua kombinasi linear, satu untuk
himpunan Y dan satu untuk himpunan X, sedemikian rupa sehingga korelasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
product-moment antara kedua kombinasi linear bernilai sebesar
mungkin.Pembahasan tentang analisis korelasi kanonik dapat dilihat pada
Yunida(2005). Langkah-langkahnya sebagai berikut:
1. Menentukan Vektor Random
q
p
xqp
X
X
X
Y
Y
Y
.
.
.
.
2
1
2
1
1 X
YX
2. Mencari Vektor rata-rata
2
1
1
X
Y
X
E
E
Exqp
3. Mencari matrik kovarians
'
1
XXE
qp
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
=
qxqqxp
pxqpxp
2221
1211
:
......:......
:
4. Mencari matrik 21
22121
11212
1
22
5. Mencari eigennilai dan eigenvektor dari 21
22121
11212
1
22
Dalam konteks analisis MDS, variabel-variabel Y mewakili peringkat
masing-masing stimulus untuk berbagai skala sifat dan variabel-variabel X
merupakan nilai-nilai tiap stimuli pada bidang pemetaan. Korelasinya adalah
jumlah koefisien dari atrbut-atribut dan proyeksi-proyeksi stimuli ke dalam vektor
atribut kanonik. Untuk tiap vektor atribut kanonik (bisa lebih dari satu) terdapat
satu koefisien untuk setiap atribut yang menunjukkan seberapa kuat atribut
berhubungan dengan vektor kanonik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV
PENERAPAN PENSKALAAN MULTIDIMENSI
Pada bab ini akan dibahas tentang beberapa penerapan MDS di bidang
ekonomi. Penyelesaian masalah ini akan dibahas secara bertahap dengan
menggunakan teori yang dibahas dalam bab 3 dan diselesaikan dengan
menggunakan program SPSS versi 11.
Aplikasi dari MDS berikut ini meneliti tentang persepsi seseorang
mengenai 11 merk mobil. Penelitian ini dilakukan terhadap 55 orang respoden
(diambil dari Green dan Tull, 1975). Responden diminta memberikan nilai
peringkat pada pasangan merk mobil, dimana angka 1 untuk pasangan yang paling
mirip dan 55 untuk pasangan yang paling tidak mirip. Di asumsikan bahwa
responden memberikan penilaian berdasarkan kemiripan yang menggunakan
konsep jarak berskala rasio. Dengan pengidentifikasian stimuli sebagai berikut:
1. Ford Mustang 6
2. Mercury Cougar V8
3. Lincoln Continental V8
4. Ford Thunderbird V8
5. Ford Falcon 6
6. Chrysler Imperial V8
7. Jaguar
8. AMC Javelin V8
9. Plymouth Barracuda V8
10. Buick Le Sabre V8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11. Chevrolet Covair
Dari penelitian tersebut diperoleh data hasil pemberian nilai peringkat sebagai
berikut:
Stimuli 1 2 3 4 5 6 7 8 9 10 11
1 - 8 50 31 12 48 36 2 5 39 10
2 8 - 38 9 33 37 22 6 4 14 32
3 50 38 - 11 55 1 23 46 41 17 52
4 31 9 11 - 44 13 16 19 25 18 42
5 12 33 55 44 - 54 53 30 28 45 7
6 48 37 1 13 54 - 26 47 40 24 51
7 36 22 23 16 53 26 - 29 35 34 49
8 2 6 46 19 30 47 29 - 3 27 15
9 5 4 41 25 28 40 35 3 - 20 21
10 39 14 17 18 45 24 34 27 20 - 43
11 10 32 52 42 7 51 49 15 21 43 -
Dari tabel diatas dapat dilihat bahwa pasangan paling mirip adalah stimuli 1 dan 6
dengan nilai peringkat 1, diikuti pasangan 1 dan 8 pada nilai peringkat 2. Selain
itu, pasangan yang paling tidak mirip adalah stimuli 3 dan 5 dengan nilai
peringkat 55.
Penyelesaian masalah dengan menggunakan program SPSS.
a. Pemasukkan data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Langkah pertama mengubah data tersebut kedalam bentuk matrik yaitu:
D=
04321154951742523210
430202734244518171439
212003354028254145
152730394730194662
493435390265316232236
51244047260541313748
74528305354044553312
42182519161344011931
52174146231551103850
32144622373393808
103952364812315080
Setelah kita melakukan interasi pertama, didapat koordinat stimuli yaitu:
1. Koordinat pada penyelesaian satu dimensi yaitu:
Stimuli 1 1,0758
Stimuli 2 0,1741
Stimuli 3 -1,4682
Stimuli 4 -0,7527
Stimuli 5 1,3109
Stimuli 6 -1,3752
Stimuli 7 -0,8312
Stimuli 8 0,6971
Stimuli 9 0,5513
Stimuli 10 -0,6419
Stimuli 11 1,2601
2. Koordinat pada penyelesaian dua dimensi yaitu:
Stimuli 1 ( 1,3254; 0,2251)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimuli 2 ( 0,2145; 0,9066)
Stimuli 3 (-1,8089;-0,7016)
Stimuli 4 (-0,9274; 0,2970)
Stimuli 5 ( 1,6152;-1,1139)
Stimuli 6 (-1,6944;-0,8013)
Stimuli 7 (-1,0241; 0,6870)
Stimuli 8 ( 0,8588; 0,7935)
Stimuli 9 ( 0,6792; 0,4435)
Stimuli 10 ( 0,7909;0,0775)
Stimuli 11 (1,5525; -0,8134)
3. Koordinat pada penyelesaian tiga dimensi yaitu:
Stimuli 1 ( 1,5069; 0,2560; 0,4011)
Stimuli 2 ( 0,2439; 1,0307;-0,2877)
Stimuli 3 (-2,0565;-0,7976; -0,0239)
Stimuli 4 (-1,0544; 0,3377; 0,1526)
Stimuli 5 ( 1,8363;-1,2664; 0,1368)
Stimuli 6 (-1,9263; -0,9110; 0,1482)
Stimuli 7 (-1,1643; 0,7810; 1,3265)
Stimuli 8 (0,9764; 0,9021; 0,0257)
Stimuli 9 (0,7722; 0,5043; -0,6414)
Stimuli 10 (-0.8992; 0,0881; -1,4306)
Stimuli 11 (1,7650; -0,9248; 0,1927)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Setelah mendapatkan koordinat, selanjutnya kita mencari jarak antar stimuli
dengan memasukkan kepersamaan 3.1 dan kita dapatkan jarak antar stimuli yaitu:
1. Jarak antar stimuli pada penyelesaian satu dimensi
2
12 1741,00758.1 d
212 9017,0d
9017,012 d
Dengan cara yang sama kita dapatkan jarak antar stimuli sebagai berikut;
1 2 3 4 5 6 7 8 9 10 11
1 - 0,9017 2,5440 1,8285 0,2351 2,4510 1,9070 0,3787 0,5245 0,7177 0,1843
2 0,9017 - 1,6423 0,9268 1,1368 1,5493 1,0053 0,5230 0,3772 0,8160 1,0860
3 2,5440 1,6423 - 0,7155 2,7791 0,0930 0,6370 2,1653 2,0195 0,8263 2,7283
4 1,8285 0,9268 0,7155 - 2,0636 0,6225 0,0785 1,4498 1,3040 0,1108 2,0128
5 0,2351 1,1368 2,7791 2,0636 - 2,6861 2,1421 0,6138 0,7496 1,9528 0,0508
6 2,4510 1,5493 0,0930 0,6225 2,6861 - 0,5440 2,0723 1,9265 0,7333 2,6353
7 1,9070 1,0053 0,6370 0,0785 2,1421 0,5440 - 1,5283 1,3825 1,1893 2,0913
8 0,3787 0,5230 2,1653 1,4498 0,6138 2,0723 1,5283 - 0,1458 1,3390 0,5630
9 0,5245 0,3772 2,0195 1,3040 0,7596 1,9265 1,3825 0,1458 - 1,1932 0,7088
10 1,7177 0,8160 0,8263 0,1108 1,9528 0,7333 0,1893 1,3390 1,1932 - 1,9020
11 0,1843 1,0860 2,7283 2,0128 0,0508 2,6353 2,9013 0,5630 0,7088 1,9020 -
2. Jarak antar stimuli pada penyelesaian dua dimensi
1 2 3 4 5 6 7 8 9 10 11
1 - 1,3033 3,2684 2,2539 1,3700 3,1895 2,3945 0,7354 0,6821 2,1214 1,0630
2 1,3033 - 2,5846 1,2944 2,4585 2,5614 1,2579 0,6541 0,6560 1,3032 2,1791
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3 3,2684 1,5846 - 1,3320 3,4488 0,1518 1,5950 3,0581 2,7389 1,2819 3,3632
4 2,2539 1,2944 1,3320 - 2,9078 1,396 0,4018 1,8539 1,6133 0,2585 2,7171
5 1,3700 2,4585 3,4488 2,9078 - 3,3243 3,1952 2,0519 1,8170 2,6849 0.3069
6 3,1895 2,5614 0,1518 1,3396 3,3243 - 1,6323 3,0104 26802 1,2604 3,2469
7 2,3945 1,2579 1,5950 0,4018 3,1952 1,6323 - 1,8859 1,7206 0,6526 2,9816
8 0,7354 0,6541 3,0581 1,8539 1,0519 3,0104 1,8859 - 0,3934 1,7984 1,7502
9 0,6821 0,6560 2,7389 1,6133 1,8170 2,6802 1,7206 0,3934 - 1,5149 1,5305
10 2,1214 1,3032 1,2819 0,2585 2,6849 1,2604 0,6526 1,7984 1,5149 - 2,5070
11 1,0630 2,1791 3,3632 2,7171 0,3069 3,2469 2,9816 1,7502 1,5305 2,5070 -
3. Jarak antar stimuli pada penyelesaian tiga dimensi
1 2 3 4 5 6 7 8 9 10 11
1 - 2,0347 3,6293 2,5746 1,5799 3,6349 2,8753 0,9164 1,2993 3,0386 1,2265
2 2,0347 - 2,5880 1,1537 3,1279 2,6059 1,8749 1,2664 1,1978 1,6199 2,8444
3 3,6293 2,5880 - 1,5246 3,9242 0,2438 2,2608 3,4720 3,1745 2,0255 3,8297
4 2,5746 1,1537 1,5246 - 3,3059 1,5229 0,7182 2,1116 1,9987 1,6102 3,0894
5 1,5799 3,1279 3,9242 3,3059 - 3,7794 3,8224 2,3354 2,2076 3,4314 0,3534
6 3,6349 2,6059 0,2438 1,5229 3,7794 - 2,1982 3,4246 3,1477 2,1321 3,6916
7 2,8753 1,8749 2,2608 0,7182 3,8224 2,1982 - 2,5078 2,7747 2,8552 3,5744
8 0,9164 1,2664 3,4720 2,1116 2,3354 3,4246 2,5078 - 0,8031 2,5102 1,9968
9 1,2993 1,1978 3,1745 1,9987 2,2076 3,1477 2,7747 0,8031 - 1,8946 1,9297
10 3,0286 1,6199 2,0255 1,6102 3,4314 2,1321 2,8552 2,5102 1,8946 - 3,2801
11 1,2265 2,8444 3,8297 3,0894 0,3534 3,6916 3,5744 1,9968 1,9297 3,2801 -
b. Menguji Reliabilitas dan Validitas
Setelah mendapatkan jarak baru selanjutnya kita menghitung nilai RSQ dan
STRESS dengan memasukkan kepersamaan 3.7, maka kita dapatkan:
d. Nilai STRESS dan RSQ pada penyelesaian satu dimensi adalah:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
STRESS = 0,24521 dan RSQ = 0,79695.
e. Nilai STRESS dan RSQ pada penyelesaian dua dimensi adalah:
STRESS = 0,17442 dan RSQ = 0,84793.
f. Nilai STRESS dan RSQ pada penyelesaian tiga dimensi adalah:
STRESS = 0,08190 dan RSQ = 0,95449.
Selanjutnya melakukan beberapa interasi lagi, pada interasi terakhir kita dapatkan
data sebagai berikut:
Pada penyelesaian satu dimensi
Koordinat terakhir stimuli
Stimuli 1 0,9754
Stimuli 2 0,1844
Stimuli 3 -1,3909
Stimuli 4 -0,6242
Stimuli 5 1,4562
Stimuli 6 -1,3494
Stimuli 7 -0,9969
Stimuli 8 0,6465
Stimuli 9 0,5133
Stimuli 10 -0,6824
Stimuli 11 1,2681
Dan nilai STRESS = 0,22241 serta nilai RSQ = 0,82943.
Pada penyelesaian dua dimensi
Koordinat terakhir stimuli
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimuli 1 ( 1,2682; 0,2965)
Stimuli 2 ( 0,2134; 0,6326)
Stimuli 3 (-1,8096;-0,5027)
Stimuli 4 (-0,8513; 0,2856)
Stimuli 5 ( 1,7508;-0,9199)
Stimuli 6 (-1,7334;-0,6479)
Stimuli 7 (-1,0498; 1,1667)
Stimuli 8 ( 0,8218; 0,6280)
Stimuli 9 ( 0,6978; 0,2066)
Stimuli 10 (-0,9246;-0,5508)
Stimuli 11 (1,6167;-0,5949)
Dan nilai STRESS = 0,13094 serta nilai RSQ = 0,92182.
Pada penyelesaian tiga dimensi
Koordinat terakhir stimuli
Stimuli 1 (1,4709; 0,2593; 0,3573)
Stimuli 2 (0,2479; 1,9606; -0,2512)
Stimuli 3 (-2,0494; -0,7338; -0.0381)
Stimuli 4 (-1,0727; 0,3759; 0,1599)
Stimuli 5 (1,8827: -1,2949; 0,1406)
Stimuli 6 (-1,9607; -0,9246; 0,1273)
Stimuli 7 (-1,1625; 0,8036; 1,3227)
Stimuli 8 (0,9646; 0,8732; 0,0369)
Stimuli 9 (0,7774; 0,5199; -0,7047)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimuli 10 (-0,8899; 0,0910; -1,3598)
Stimuli 11 (1,7916; -0,9302; 0,9092)
Dan nilai STRESS = 0,07575 serta nilai RSQ = 0,96109
c. Penentuan Banyaknya Dimensi
Dalam penentuan banyaknya dimensi pada kasus ini kita menggunakan metode
subyektif (menggunakan kriteria Scree-elbow). Ketiga nilai STRESS dibuat grafik
dalam sistem koordinat yaitu:
0
0.05
0.1
0.15
0.2
0.25
1 2 3
STRESS
Dari grafik diatas dapat kita lihat titik 2 (penyelesaian dua dimensi) merupakan
titik dimana bengkokan tajam terjadi, sehingga dapat disimpulkan penyelesaian
dua dimensi merupakan penyelesaian yang bagus.
Peta persepsi (perceptual map) yang didapat dalam penyelesaian dua dimensi
adalah:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Dimension 1
2.01.51.0.50.0-.5-1.0-1.5-2.0
Dim
ensio
n2
1.5
1.0
.5
0.0
-.5
-1.0
x11x10
x9
x8
x7
x6
x5
x4
x3
x2
x1
1X =Ford Mustang 6
2X =Mercury Cougar V8
3X =Lincoln Continental V8
4X =Ford Thunderbird V8
5X =Ford Falcon 6
6X =Chrysler Imperial V8
7X =Jaguar
8X =AMC Javelin V8
9X =Plymouth Barracuda V8
10X =Buick Le Sabre V8
11X =Chevrolet Covair
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
d. Interpretasi Hasil dan Pemberian Nama Dimensi
Untuk menginterpretasi dan memberi nama dimensi, kita menggunakan
pendekatan subyektif. Dalam peta persepsi diatas dapat kita lihat stimuli
7X (Jaguar) terletak pada posisi ektrim. Dengan melihat posisi itu, maka
pemberian nama dimensi bisa menggunakan sifat(atribut) dari Stimuli 7X (Jaguar)
tersebut, peneliti menggunakan dua sifat dari 7X yaitu Jaguar merupakan mobil
mewah dan sporty. Selanjutnya dari sifat tersebut, kita dapat memberi nama dua
dimensi dengan nama mewah yang artinya semakin keatas stimuli merupakan
kelompok mobil mewah dan untuk satu dimesi kita memberi nama sporty yang
artinya semakin kekiri stimuli-stimuli merupakan kelompok mobil sporty. Setelah
memberi nama dimensi, kita mendapat peta persepsi yang telah diberi nama
sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
MEWAH
SP
OR
TY
x11x10
x9
x8
x7
x6
x5
x4
x3
x2
x1
Selanjutnya kita menginterprestasikan peta persepsi diatas, dapat kita lihat
stimuli-stimuli terbagi menjadi empat kelompok, mobil Jaguar dan mobil Ford
Thunderbird V8 merupakan kelompok mobil mewah dan sporty. Selanjutnya
mobil Lincoln Continental V8, Chrysler Imperial V8 dan Buick Le Sabre V8
merupakan kelompok mobil sporty. Mobil Ford Mustang 6, Mercury Cougar V8,
AMC Javelin V8 dan Plymouth Barracuda V8 merupakan kelompok mobil
mewah. Kelompok terakhir adalah mobil Ford Falcon 6 dan Chevrolet Covair
tidak termasuk mobil mewah dan sporty.
Aplikasi Skala Multidimensi berikut ini meneliti tentang persepsi
seseorang mengenai 9 meskapai penerbanagan nasional (diambil dari Bilson
Simamora,2005). Di asumsikan bahwa responden memberikan penilaian
berdasarkan kemiripan yang menggunakan konsep jarak berskala rasio.
Responden diminta memberikan nilai peringkat pada pasangan meskapai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
penerbangan nasional, angka 1 untuk pasangan yang paling mirip dan angka 36
untuk pasangan yang sangat tidak mirip. Dengan n = 9, kita akan mendapatkan 36
pasangan meskapai penerbangan nasional. Dan pengidentifikasian stimuli sebagai
berikut:
1. Adam Air
2. Batavia
3. Bouraq
4. Garuda
5. Jatayu
6. Lion Air
7. Mandala
8. Merpati
9. Star Air
Selain memberikan nilai peringkat pasangan responden juga memberikan
penilaian terhadap pasangan atribut dengan stimuli, pengidentifikasian atribut
sebagai berikut:
A. Layanan bagasi
B. Ketepatan waktu
C. Harga tiket
D. Kenyamanan dalam pesawat
Dari penelitian tersebut diperoleh data hasil pemberian nilai peringkat pasangan
meskapi penerbangan nasional sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimuli 1 2 3 4 5 6 7 8 9
1 - 6 21 34 3 2 16 18 20
2 6 - 22 33 4 5 17 19 23
3 21 22 - 14 29 30 7 8 15
4 34 33 14 - 36 35 12 13 25
5 3 4 29 36 - 1 27 26 24
6 2 5 30 35 1 - 32 31 28
7 16 17 7 12 27 32 - 9 10
8 18 19 8 13 26 31 9 - 11
9 20 23 15 25 24 28 10 11 -
Dan penilaian responden terhadap atribut:
1 2 3 4 5 6 7 8 9
A 2 2 4 6 1 2 4 5 3
B 2 3 2 1 3 4 2 1 2
C 2 3 3 2 3 4 3 4 3
D 1 2 2 1 4 5 2 2 2
Penyelesaian masalah dengan menggunakan program SPSS.
a. Pemasukkan data
Langkah pertama mengubah data tersebut kedalam bentuk matrik yaitu:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
D=
01110282425152320
110931261381918
109032271271716
28313201353052
24262710362943
25131235360143334
158730291402221
23191754332206
20181623342160
Setelah kita melakukan interasi pertama, didapat koordinat stimuli yaitu:
1. Koordinat pada penyelesain tiga dimensi yaitu:
Stimuli 1( 1.2503;-0.3689; 0.3526)
Stimuli 2( 1.2370;-0.0228; 0.7178)
Stimuli 3(-1.2768; 0.0105; 0.4711)
Stimuli 4(-1.9752; 1.4909;-0.4202)
Stimuli 5( 1.8150; 0.1011;-0.3317)
Stimuli 6( 2.0193; 0.7660;-0.4301)
Stimuli 7(-1.2006;-0.3914; 0.5774)
Stimuli 8(-1.1610;-0.2758; 0.1257)
Stimuli 9(-0.7080;-1.3095;-1.0628)
2. Koordinat pada penyelesaian dua dimensi yaitu:
Stimuli 1( 1.0786; 0.3182)
Stimuli 2( 1.0671; 0.0197)
Stimuli 3(-1.1014;-0.0090)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimuli 4(-1.7039;-1.2861)
Stimuli 5( 1.5657;-0.0872)
Stimuli 6( 1.7420;-0.6608)
Stimuli 7(-1.0357; 0.3377)
Stimuli 8(-1.0015; 0.2379)
Stimuli 9(-0.6108; 1.1297)
3. Koordinat pada penyelesaian satu dimensi yaitu
Stimuli 1 0.8541
Stimuli 2 0.8450
Stimuli 3 -0.8722
Stimuli 4 -1.3492
Stimuli 5 1.2398
Stimuli 6 1.3794
Stimuli 7 -0.8202
Stimuli 8 -0.7931
Stimuli 9 -0.4836
Setelah mendapatkan koordinat, selanjutnya kita mencari jarak antar stimuli
dengan cara seperti pada contoh penerapan pertama. Dan kita dapatkan jarak antar
stimuli yaitu:
1. Jarak antar stimuli pada penyelesaian satu dimensi
STIMULI 1 2 3 4 5 6 7 8 9
1 0 0,0091 1,7263 2,2033 0,3857 0,5253 1,6743 1,6472 1,3377
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2 0,0091 0 1,7172 2,1942 0,3948 0,5344 1,6652 1,6381 1,3286
3 1,7263 1,7172 0 0,4770 2,1120 2,2516 0,0520 0,0791 0,3886
4 2,2033 2,1942 0,4770 0 2,5890 2,7286 0,5290 0,5561 0,8656
5 0,3857 0,3948 2,1120 2,5890 0 0,1396 2,0600 2,0329 1,7234
6 0,5253 0,5344 2,2516 2,7286 0,1396 0 2,1996 2,1725 1,8630
7 1,6743 1,6652 0,0520 0,5290 2,0600 2,1996 0 0,0271 0,366
8 1,6472 1,6381 0,0791 0,5561 2,0329 2,1725 0,0271 0 0,3095
9 1,3377 1,3286 0,3886 0,8685 1,7234 1,8630 0,3366 0,3095 0
2. Jarak antar stimuli pada penyelesaian dua dimensi
STIMULI 1 2 3 4 5 6 7 8 9
1 0 0,2987 2,1044 3,2119 0,6337 1,1826 2,1144 2,0816 1,8742
2 0,2987 0 2,1687 3,0633 0,5099 0,9584 2,1267 2,0801 2,0118
3 2,2044 2,1687 0 1,4121 2,6682 2,9172 0,3529 0,2663 1,2399
4 3,2119 3,0633 1,4121 0 3,4825 3,5022 1,7559 1,6781 2,6516
5 0,6337 0,5099 2,6682 3,4925 0 0,6001 2,6359 2,5877 2,4936
6 1,1826 0,9584 2,9172 3,5022 0,6001 0 2,9517 2,8869 2,9517
7 2,1144 2,1267 0,3529 1,7559 2,6359 2,9517 0 0,1055 0,8986
8 2,0816 2,0801 0,2663 1,6781 2,5877 2,8869 0,1055 0 0,9736
9 1,8742 2,0118 1,2399 2,6516 2,4936 2,9566 0,8986 0,9736 0
3. Jarak antar stimuli pada penyelesaian tiga dimensi
STIMULI 1 2 3 4 5 6 7 8 9
1 0 0,5033 2,5582 3,8029 1,0040 1,5786 2,4613 2,4237 2,5929
2 0,5033 0 2,5261 3,7289 1,2045 1,5975 2,4693 2,4829 2,9341
3 2,5582 2,5261 0 1,8639 3,1956 3,4996 0,4226 0,4633 2,1021
4 3,8026 3,7289 1,8638 0 4,0379 4,0598 2,2668 2,0204 3,1402
5 1,0040 1,2045 3,1956 4,0379 0 0,7025 3,1879 3,0344 2,9816
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6 1,5786 1,5975 3,4996 4,0598 0,7025 0 3,5668 3,3924 3,4851
7 2,4613 2,4693 0,4226 2,2668 3,1879 3,5668 0 0,4679 1,9431
8 2,4237 2,4829 0,4633 2,0204 3,0344 3,3924 0,4679 0 1,6389
9 2,5926 2,9341 2,1021 3,1402 2,9826 3,4851 1,9431 1,6389 0
b. Menguji Reliabilitas dan Validitas
Setelah mendapatkan jarak yang baru selanjutnya kita akan menghitung nilai
RSQ dan nilai STRESS dengan memasukan kepersamaan 3.7, maka kita
dapatkan:
Nilai STRESS dan RSQ pada penyelesaian satu dimensi adalah
STRESSS=0,23204 dan RSQ=0,83873
Nilai STRESS dan RSQ pada penyelesaian dua dimensi adalah
STRESS=0,15571 dan RSQ=0,89199
Nilai STRESS dan RSQ pada penyelesaian tiga dimensi adalah
STRESS=0,14227 dan RSQ=0,88246
Selanjutnya kita melakukan beberapa interasi lagi, sehingga pada interasi terakhir
kita dapatkan data sebagai berikut:
Pada penyelesaian tiga dimensi
Koordinat terakhir stimuli
Stimuli 1 ( 1.2719;-0.3425; 0.2401)
Stimuli 2 ( 1.3006;-0.0218; 0.5629)
Stimuli 3 (-1.2984; 0.0345; 0.8593)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimuli 4 (-2.0380; 1.3667;-0.3201)
Stimuli 5 ( 1.8434; 0.1761;-0.4180)
Stimuli 6 ( 1.9863; 0.8074;-0.3053)
Stimuli 7 (-1.1639;-0.4210; 0.5172)
Stimuli 8 (-1.2286;-0.3765;-0.1745)
Stimuli 9 (-0.6732;-1.2230;-0.9616)
Dan nilai STRESS=0,11359 nilai RSQ=92268
Pada penyelesaian dua dimensi
Koordinat terakhir stimuli
Stimuli 1 ( 1.0590; 0.2619)
Stimuli 2 ( 1.1195;-0.0317)
Stimuli 3 (-1.1788;-0.1454)
Stimuli 4 (-1.7561;-1.1229)
Stimuli 5 ( 1.5899;-0.0661)
Stimuli 6 ( 1.7279;-0.6170)
Stimuli 7 (-0.9980; 0.2800)
Stimuli 8 (-1.0008; 0.2355)
Stimuli 9 (-0.5625; 1.2058)
Dan nilai STRESS=0,14387 nilai RSQ=0,90876
Pada penyelesaian satu dimensi
Koordinat terakhir stimuli
Stimuli 1 0.8204
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimuli 2 0.8540
Stimuli 3 -0.8343
Stimuli 4 -1.5236
Stimuli 5 1.2087
Stimuli 6 1.3761
Stimuli 7 -0.6967
Stimuli 8 -0.6879
Stimuli 9 -0.5167
Dan nilai STRESS=0,20980 nilai RSQ=0,86306
c. Penentuan Banyaknya Dimensi
Dalam penentuan banyaknya dimensi pada kasus ini kita menggunakan metode
subyektif (menggunakan kriteria Scree-elbow). Ketiga nilai STRESS dibuat grafik
dalam sistem koordinat yaitu:
0
0.05
0.1
0.15
0.2
0.25
1 2 3
STRESS
Dari grafik diatas dapat kita lihat titik 2 (penyelesaian dua dimensi) merupakan
titik dimana bengkokan tajam terjadi, sehingga dapat disimpulkan penyelesaian
dua dimensi merupakan penyelesaian yang bagus.
.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Peta persepsi (perceptual map) yang didapat dalam penyelesaian dua dimensi
adalah:
2.01.51.0.50.0-.5-1.0-1.5-2.0
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
x9
x8x7
x6
x5
x4
x3x2
x1
d. Interpretasi Hasil dan Pemberian Nama Dimensi
Untuk menginterpretasi dan memberi nama dimensi, kita menggunakan metode
property fitting. Dalam metode ini selain membutuhkan nilai koordinat dari
penyelesaian yang terbaik ( dalam kasus ini penyelesaian dua dimensi) kita juga
mebutuhkan data penilaian tentang peringkat atribut( tabel 4.1). Misalkan ia nilai
stimulus i untuk atribut a, 1iX nilai koordinat stimuli i dari dimensi 1 dan 2iX
adalah nilai koordinat stimuli i dari dimensi 2, maka kita dapatkan data sebagai
berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1 2 3 4 5 6 7 8 9
iA 2 2 4 6 1 2 4 5 3
1iX 1,0590 1,1195 -1,1788 -1,7561 1,5899 1,7279 -0,9980 -1,0008 -0,5625
2iX 0,2619 -0,0317 -0,1454 -1,1229 -0,0661 -0,6170 0,2800 0,2355 1,2058
Dari tabel 4.2 kita akan mencari koefisien regresi dengan menggunaka metode
regresi, kita dapat kan persamaan regresi sebagai berikut:
iA =3,222-1.126 1iX -0,668 2iX 4.1
Dan nilai R Square 0,933, artinya 93,3% nilai koordinat pada penyelesaian dua
dimensi dijelaskan oleh harga tiket. Besar koefisien korelasi terstandar adalah
1 = -0,929 dan 2 = -0,262.
Dengan cara yang sama kita akan mendapatkan persamaan regresi untuk atribut B,
C, D yaitu
iB = 2,222+0,608 1iX -0,137 2iX 4.2
Dan nilai R Square 0,726, artinya 72,6% nilai koordinat pada penyelesaian dua
dimensi dijelaskan oleh ketepatan waktu. Besar koefisien korelasi terstandar
adalah 1 =0,848 dan 2 =-0,091
iC = 3+0,097 1iX +0,144 2iX 4.3
Dan nilai R Square 0,052 artinya 5,2% nilai koordinat pada penyelesaian dua
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
dimensi dijelaskan oleh ketepatan bagasi. Besar koefisien korelasi terstandar
adalah 1 =0,185 dan 2 =0,131.
iD = 2,33+0,618 1iX -0,341 2iX 4.4
Dan nilai R Square 0,427, artinya 42,7% nilai koordinat pada penyelesaian dua
dimensi dijelaskan oleh layanan dalm pesawat. Besar koefisien korelasi terstandar
adalah 1 = 0,633 dan 2 =-0,166.
Setelah mendapat nilai koefisien korelasi terstandar selanjutnya kita mencari nilai
dari Cos 1 dan Cos 2 dimana 1 sudut antara dimensi 1 dengan L dan 2 sudut
antara dimensi 2 dengan sudut antara dimensi 1 dengan L untuk menentukan
atribut mana yang digunakan dalam penamaan dimensi. Dan hasilnya:
a. Untuk atribut A Cos 1 =-0,2714 dan Cos 2 =-0,9625
b. Untuk atribut B Cos 1 =0,1067 dan Cos 2 =-0,9943
c. Untuk atribut C Cos 1 =0,5774 dan Cos 2 =-0,8154
d. Untuk atribut D Cos 1 =0,2536 dan Cos 2 =-0,9669
Untuk penamaan pada dimensi 1 kita dapat menggunakan atribut yang nilai Cos 1
yang mendekati 1 atau -1 sedangkan untuk penamaan pada dimensi 2
menggunakan atribut yang nilai Cos 2 yang mendekati 1 atau -1. Dalam kasus
ini dimensi 1 dapat diberi nama harga tiket dan dimensi 2 diberi nama ketepatan
waktu. Peta persepsi yang baru:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
5
8
3
4
9
1
2
Harga Tiket
Ke
tep
ata
nW
ak
tu
7
Dari gambar diatas dapat kita artikan bahwa semakain kebawah harga tiket
semakin mahal dan semakin ke atas harga tiket semakin murah. Semakin
kekanan ketepatan waktu sangat jelek dan semakin kekiri ketepatan waktu
sangat bagus.
Intepretasi hasil
Dari gambar diatas dapat kita lihat bahwa meskapai penerbangan nasional
terbagi dalam 4 kelompok, kelompok pertama meskapai penerbangan yang
harga tiket sangat mahal dan ketepatan waktu sangat baik yaitu Bauraq dan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Garuda. Meskapai penerbangan Mandala, Merpati dan Star Air merupakan
meskapai penerbangan yang ketepatan waktunya sangat baik dan harga
tiketnya sangat murah. Kelompok ketiga adalah kelompok meskapai
penerbangan yang harga tiketnya mahal tetapi ketepatan waktunya tidak baik
yaitu Batavia, Jatayu, Lion. Meskapai penerbangan Adam Air merupakan
satu-satunya meskapai penerbangan yang ketepatan waktunya tidak baik tetapi
harga tiket sangat murah. Dengan memproyeksikan stimuli ke vektor atribut
(Harga tiket dan Ketepatn waktu) kita dapat melihat urutan meskapai
penerbanga dari harga tiket paling mahal sampai harga tiket yang paling
murah yaitu Garuda, Bouraq, Lion, Merpati, Mandala, Batavia, Jatayu, Adam
Air dan paling murah Star Air. Dengan cara yang sama kita dapatkan urutan
meskapai penerbangan dari ketepatan waktu yang baik sampai ketepatan
waktu yang sangat buruk, yaitu Garuda, Batavia, Merpati, Mandala, Star Air,
Lion, Batavia, Adam Air, dan yang paling buruk adalah Jatayu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
KESIMPULAN
Skala multidimensi (MDS) dapat membantu kita mendapatkan sebuah peta
persepsi (Perceptual Map) yang mewakili persepsi dan preferensi konsumen
terhadap beberapa obyek. Hubungan antar obyek tersebut direpresentasikan
sebagai hubungan geometris antara titik-titik dalam suatu ruang multidimensi.
Data yang diperoleh dari konsumen dapat dihubungkan dengan persepsi atau
preferensi. Data tersebut berupa data similaritas langsung atau data similaritas
turunan.
Prosedur MDS Metrik mengasumsikan bahwa data ada pada skala interval
atau skala rasio. Langkah -langkah dari MDS Metrik adalah
1. Metransformasikan nilai kedekatan kedalam bentuk matrik
2. Membuat matrik pruduct skalar dengan proses Double-centering.
3. Mencari koordinat dengan menggunakan analisis eigennilai-
eigenvektor.
Penentuan mengenai banyaknya dimensi harus didasarkan pada teori,
interpretability, scree-elbow, atau R-square. Pemberian label atau nama pada
dimensi memerlukan pertimbangan subyekif.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
Dillon,W.R and Goldstein,M.(1984).Multivariate analysis method and
applications.Canada:John Wiley and sons.Inc.
Hair, J.F.Jr & Anderson, R.E & Tatham, R.L & Black, W.C.(1998).Multivariate
and analysis fifth edition.New Jersey: Prentice-Hall Inc.
Hair, J.F.Jr & Anderson, R.E & Tatham, R.L & Black, W.C.(1998).Multivariate
and analysis with readings fouth edition.New Jersey: Prentice-Hall Inc.
Kruskal, J.B and Wish,M.(1978).Multidimensional Scaling.NewYork: Bell
Telephone Laboratories,Inc.
Supranto,J.(2004).Analisis multivariat Arti dan Interpretasi.Jakarta: PT Rineka
Cipta.
Supranto,J.(1994).Statistik Teori dan Aplikasi edisi kelima. Jakarta:Erlangga.
Simamora,B.(2005). Analisis Multivariat Pemasaran.Jakarta:PT Gramedia
Pustaka Utama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Lampiran 1
Tabel 1.
Raw (unscaled) Data for Subject 1
1 2 3 4 5
1 .000
2 8.000 .000
3 50.000 38.000 .000
4 31.000 9.000 11.000 .000
5 12.000 33.000 55.000 44.000 .000
6 48.000 37.000 1.000 13.000 54.000
7 36.000 22.000 23.000 16.000 53.000
8 2.000 6.000 46.000 19.000 30.000
9 5.000 4.000 41.000 25.000 28.000
10 39.000 14.000 17.000 18.000 45.000
11 10.000 32.000 52.000 42.000 7.000
6 7 8 9 10
6 .000
7 26.000 .000
8 47.000 29.000 .000
9 40.000 35.000 3.000 .000
10 24.000 34.000 27.000 20.000 .000
11 51.000 49.000 15.000 21.000 43.000
11
11 .000
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*INTERASI PERTAMA*
Iteration history for the 3 dimensional solution
(in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .07549
Iterations stopped because
this is iteration 1
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled
data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .08190 RSQ = .95449
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*KOORDINAT STIMULI*
*PADA PENYELESAIAN TIGA DIMENSI*
Configuration derived in 3 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2 3
Number Name
1 X1 1.5069 .2560 .4011
2 X2 .2439 1.0307 -.2877
3 X3 -2.0565 -.7976 -.0239
4 X4 -1.0544 .3377 .1526
5 X5 1.8363 -1.2664 .1368
6 X6 -1.9263 -.9110 .1482
7 X7 -1.1643 .7810 1.3265
8 X8 .9764 .9021 .0257
9 X9 .7722 .5043 -.6414
10 X10 -.8992 .0881 -1.4306
11 X11 1.7650 -.9248 .1927
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Iteration history for the 2 dimensional solution
(in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .18167
Iterations stopped because
this is iteration 1
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled
data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .17442 RSQ = .84793
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*KOORDINAT STIMULI*
*PADA PENYELESAIAN DUA DIMENSI*
Configuration derived in 2 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
1 X1 1.3254 .2251
2 X2 .2145 .9066
3 X3 -1.8089 -.7016
4 X4 -.9274 .2970
5 X5 1.6152 -1.1139
6 X6 -1.6944 -.8013
7 X7 -1.0241 .6870
8 X8 .8588 .7935
9 X9 .6792 .4435
10 X10 -.7909 .0775
11 X11 1.5525 -.8134
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Iteration history for the 1 dimensional solution
(in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .25127
Iterations stopped because
this is iteration 1
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled
data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .24521 RSQ = .79695
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*KOORDINAT STIMULI*
*PADA PENYELESAIAN SATU DIMENSI*
Configuration derived in 1 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1
Number Name
1 X1 1.0758
2 X2 .1741
3 X3 -1.4682
4 X4 -.7527
5 X5 1.3109
6 X6 -1.3752
7 X7 -.8312
8 X8 .6971
9 X9 .5513
10 X10 -.6419
11 X11 1.2601
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*Interasi terakhir*
Iteration history for the 3 dimensional solution (in
squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .07549
2 .06914 .00635
3 .06866 .00048
Iterations stopped because
S-stress improvement is less than .001000
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled
data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .07575 RSQ = .96109
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*Koordinat Terakhir*
*Pada Penyelesaian Tiga Dimensi*
Configuration derived in 3 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2 3
Number Name
1 X1 1.4709 .2593 .3573
2 X2 .2479 .9606 -.2512
3 X3 -2.0494 -.7338 -.0381
4 X4 -1.0727 .3759 .1599
5 X5 1.8827 -1.2949 .1406
6 X6 -1.9607 -.9246 .1273
7 X7 -1.1625 .8036 1.3227
8 X8 .9646 .8732 .0369
9 X9 .7774 .5199 -.7047
10 X10 -.8899 .0910 -1.3598
11 X11 1.7916 -.9302 .2092
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Iteration history for the 2 dimensional solution
(in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .18167
2 .14591 .03576
3 .14106 .00484
4 .14015 .00091
Iterations stopped because
S-stress improvement is less than .001000
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled
data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .13094 RSQ = .92182
*Koordinat Terakhir*
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*Pada Penyelesaian Dua Dimesi*
Configuration derived in 2 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
1 X1 1.2682 .2965
2 X2 .2134 .6326
3 X3 -1.8096 -.5027
4 X4 -.8513 .2856
5 X5 1.7508 -.9199
6 X6 -1.7334 -.6479
7 X7 -1.0498 1.1667
8 X8 .8218 .6280
9 X9 .6978 .2066
10 X10 -.9246 -.5508
11 X11 1.6167 -.5949
Iteration history for the 1 dimensional solution
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
(in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .25127
2 .22385 .02742
3 .22246 .00139
4 .22238 .00008
Iterations stopped because
S-stress improvement is less than .001000
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled
data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .22241 RSQ = .82943
*Koordinat Terakhir*
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*Pada Penyelesaian Satu Dimensi*
Configuration derived in 1 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1
Number Name
1 X1 .9754
2 X2 .1844
3 X3 -1.3909
4 X4 -.6242
5 X5 1.4562
6 X6 -1.3494
7 X7 -.9969
8 X8 .6465
9 X9 .5133
10 X10 -.6824
11 X11 1.2681
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*Peta Persepsi Tiga Dimensi*
Derived Stimulus Configuration
Euclidean distance model
x5
x11
x1
Dimension 2
3 1.5
-1.0
x7
-.5
x8
2 1.0
0.0
.5
1.0
1 .5
1.5
x2
x6
x9x4
Dimension 3
x3
Dimension 10.00 -1 -.5
x10
-1.0-2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
*PetePersepsi Dua Dimensi*
Derived Stimulus Configuration
Euclidean distance model
Dimension 1
210-1-2
Dim
ensio
n2
1.5
1.0
.5
0.0
-.5
-1.0
x11x10
x9
x8
x7
x6
x5
x4
x3
x2
x1
*Pete Persepsi Satu Dimensi*
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Derived Stimulus Configuration
Euclidean distance model
One Dimensional Plot
.6.4.2-.0-.2-.4-.6
Dim
en
sio
n1
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
x11
x10
x9x8
x7
x6
x4
x3
x2
x1
Lampiran 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tabel 1.
Raw (unscaled) Data for Subject 1
1 2 3 4 5
1 .000
2 6.000 .000
3 21.000 22.000 .000
4 34.000 33.000 14.000 .000
5 3.000 4.000 29.000 36.000 .000
6 2.000 5.000 30.000 35.000 1.000
7 16.000 17.000 7.000 12.000 27.000
8 18.000 19.000 8.000 13.000 26.000
9 20.000 23.000 15.000 25.000 24.000
6 7 8 9
6 .000
7 32.000 .000
8 31.000 9.000 .000
9 28.000 10.000 11.000 .000
*INTERASI PERTAMA*
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Iteration history for the 3 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .11735
Iterations stopped because
this is iteration 1
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .14227 RSQ = .88246
*Koordinat Stimuli*
*Pada Penyelesaian Tiga Dimesi*
Configuration derived in 3 dimensions
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2 3
Number Name
1 X1 1.2503 -.3689 .3526
2 X2 1.2370 -.0228 .7178
3 X3 -1.2768 .0105 .4711
4 X4 -1.9752 1.4909 -.4202
5 X5 1.8150 .1011 -.3317
6 X6 2.0193 .7660 -.4301
7 X7 -1.2006 -.3914 .5774
8 X8 -1.1610 -.2758 .1257
9 X9 -.7080 -1.3095 -1.0628
Iteration history for the 2 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .13700
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Iterations stopped because
this is iteration 1
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .15571 RSQ = .89195
*Koordinat Stimuli*
*Pada Penyelesaian Dua Dimesi*
Configuration derived in 2 dimensions
Stimulus Coordinates
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Dimension
Stimulus Stimulus 1 2
Number Name
1 X1 1.0786 .3182
2 X2 1.0671 .0197
3 X3 -1.1014 -.0090
4 X4 -1.7039 -1.2861
5 X5 1.5657 -.0872
6 X6 1.7420 -.6608
7 X7 -1.0357 .3377
8 X8 -1.0015 .2379
9 X9 -.6108 1.1297
Iteration history for the 1 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .24453
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Iterations stopped because
this is iteration 1
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .23204 RSQ = .83873
*Koordinat Stimuli*
*Pada Penyelesaian Satu Dimesi*
Configuration derived in 1 dimensions
Stimulus Coordinates
Dimension
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stimulus Stimulus 1
Number Name
1 X1 .8541
2 X2 .8450
3 X3 -.8722
4 X4 -1.3492
5 X5 1.2398
6 X6 1.3794
7 X7 -.8202
8 X8 -.7931
9 X9 -.4836
*Interasi terakhir*
Iteration history for the 3 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .11735
2 .10327 .01408
3 .10196 .00131
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4 .10183 .00013
Iterations stopped because
S-stress improvement is less than .001000
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .11359 RSQ = .92268
*Koordinat Terakhir*
*Pada Penyelesaian Tiga Dimensi*
Configuration derived in 3 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2 3
Number Name
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1 X1 1.2719 -.3425 .2401
2 X2 1.3006 -.0218 .5629
3 X3 -1.2984 .0345 .8593
4 X4 -2.0380 1.3667 -.3201
5 X5 1.8434 .1761 -.4180
6 X6 1.9863 .8074 -.3053
7 X7 -1.1639 -.4210 .5172
8 X8 -1.2286 -.3765 -.1745
9 X9 -.6732 -1.2230 -.9616
Iteration history for the 2 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .13700
2 .12952 .00748
3 .12901 .00051
Iterations stopped because
S-stress improvement is less than .001000
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Stress and squared correlation (RSQ) in distances
RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .14387 RSQ = .90876
*Koordinat Terakhir*
*Pada Penyelesaian Dua Dimensi*
Configuration derived in 2 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
1 X1 1.0590 .2619
2 X2 1.1195 -.0317
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3 X3 -1.1788 -.1454
4 X4 -1.7561 -1.1229
5 X5 1.5899 -.0661
6 X6 1.7279 -.6170
7 X7 -.9980 .2800
8 X8 -1.0008 .2355
9 X9 -.5625 1.2058
Iteration history for the 1 dimensional solution (in squared distances)
Young's S-stress formula 1 is used.
Iteration S-stress Improvement
1 .24453
2 .22073 .02379
3 .21983 .00090
Iterations stopped because
S-stress improvement is less than .001000
Stress and squared correlation (RSQ) in distances
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
RSQ values are the proportion of variance of the scaled data (disparities)
in the partition (row, matrix, or entire data) which
is accounted for by their corresponding distances.
Stress values are Kruskal's stress formula 1.
For matrix
Stress = .20980 RSQ = .86306
*Koordinat Terakhir*
*Pada Penyelesaian Satu Dimensi*
Configuration derived in 1 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1
Number Name
1 X1 .8204
2 X2 .8540
3 X3 -.8343
4 X4 -1.5236
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5 X5 1.2087
6 X6 1.3761
7 X7 -.6967
8 X8 -.6879
9 X9 -.5167
* Pet Persepsi Tiga Dimensi*
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Derived Stimulus Configuration
Euclidean distance model
x2
x1Dimension 2x3
x5
x6
3 1.0
x7
-1.0
-.5
2
0.0
.5
.5
1.0
x8
1
1.5
0.0
x9
Dimension 3Dimension 10 -.5-1
x4
-1.0-2
*Peta Persepsi Dua Dimensi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Derived Stimulus Configuration
Euclidean distance model
Dimension 1
2.01.51.0.50.0-.5-1.0-1.5-2.0
Dim
en
sio
n2
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
x9
x8x7
x6
x5
x4
x3x2
x1
*Peta Persepsi Satu Dimensi*
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Derived Stimulus Configuration
Euclidean distance model
One Dimensional Plot
.6.4.2-.0-.2-.4-.6
Dim
en
sio
n1
1.5
1.0
.5
0.0
-.5
-1.0
-1.5
-2.0
x9x8x7
x6x5
x4
x3
x2x1
Lampiran 3
Tabel 1
Regression
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Descriptive Statistics
Mean Std. Deviation N
AI 3.22 1.641 9
XI1 .000011 1.3544210 9
XI2 .000011 .6446427 9
Model Summary
Model R
RSquare
AdjustedR Square
Std. Errorof the
Estimate
1 .966(a) .933 .911 .491
a Predictors: (Constant), XI2, XI1
ANOVA(b)
ModelSum of
Squares df Mean Square F Sig.
1 Regression 20.109 2 10.054 41.702 .000(a)
Residual 1.447 6 .241
Total 21.556 8
a Predictors: (Constant), XI2, XI1b Dependent Variable: AI
Coefficients(a)
ModelUnstandardized
CoefficientsStandardizedCoefficients t Sig.
B Std. Error Beta
1 (Constant) 3.222 .164 19.687 .000
XI1 -1.126 .128 -.929 -8.782 .000
XI2 -.668 .269 -.262 -2.481 .048
a Dependent Variable: AI
Tabel 2
Regression
Descriptive Statistics
Mean Std. Deviation N
AI 2.22 .972 9
XI1 .000011 1.3544210 9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
XI2 .000011 .6446427 9
Model Summary
Model R R SquareAdjusted R
SquareStd. Error ofthe Estimate
1 .852(a) .726 .635 .587
a Predictors: (Constant), XI2, XI1
ANOVA(b)
ModelSum of
Squares df Mean Square F Sig.
1 Regression 5.487 2 2.743 7.958 .021(a)
Residual 2.069 6 .345
Total 7.556 8
a Predictors: (Constant), XI2, XI1b Dependent Variable: AI
Coefficients(a)
ModelUnstandardized
CoefficientsStandardizedCoefficients t Sig.
B Std. Error Beta
1 (Constant) 2.222 .196 11.354 .000
XI1 .608 .153 .848 3.968 .007
XI2 -.137 .322 -.091 -.427 .684
a Dependent Variable: A
Tabel 3
Regression
Descriptive Statistics
Mean Std. Deviation N
AI 3.00 .707 9
XI1 .000011 1.3544210 9
XI2 .000011 .6446427 9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Model Summary
Model R R SquareAdjusted R
SquareStd. Error ofthe Estimate
1 .227(a) .052 -.264 .795
a Predictors: (Constant), XI2, XI1
ANOVA(b)
ModelSum of
Squares df Mean Square F Sig.
1 Regression .207 2 .103 .164 .853(a)
Residual 3.793 6 .632
Total 4.000 8
a Predictors: (Constant), XI2, XI1b Dependent Variable: AI
Coefficients(a)
ModelUnstandardized
CoefficientsStandardizedCoefficients t Sig.
B Std. Error Beta
1 (Constant) 3.000 .265 11.319 .000
XI1 .097 .208 .185 .467 .657
XI2 .144 .436 .131 .329 .753
a Dependent Variable: AI
Tabel 4
Regression
Descriptive Statistics
Mean Std. Deviation N
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
AI 2.33 1.323 9
XI1 .000011 1.3544210 9
XI2 .000011 .6446427 9
Model Summary
Model R R SquareAdjusted R
SquareStd. Error ofthe Estimate
1 .654(a) .427 .236 1.156
a Predictors: (Constant), XI2, XI1
ANOVA(b)
ModelSum of
Squares df Mean Square F Sig.
1 Regression 5.981 2 2.991 2.238 .188(a)
Residual 8.019 6 1.336
Total 14.000 8
a Predictors: (Constant), XI2, XI1b Dependent Variable: AI
Coefficients(a)
ModelUnstandardized
CoefficientsStandardizedCoefficients t Sig.
B Std. Error Beta
1 (Constant) 2.333 .385 6.055 .001
XI1 .618 .302 .633 2.047 .087
XI2 -.341 .634 -.166 -.538 .610
a Dependent Variable: AI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI