MULTIDIMENSIONAL SCALING (MDS)

Disusun untuk Memenuhi Tugas Mata Kuliah Riset Pemasaran

Dosen Pengampu: Raya Sulistyowati, S. Pd, M. Pd

Disusun oleh:

KELOMPOK 4/ PTN 2015/ B

YESSICA CAHYANI15080324053

ELSA PUSPITA A15080324063

PAQUITA ULFAMI15080324064

DESY AFIANI15080324065

ANISAH RISQI15080324069

PROGRAM STUDI S1 PENDIDIKAN TATA NIAGA

JURUSAN PENDIDIKAN EKONOMI

FAKULTAS EKONOMI

UNIVERSITAS NEGERI SURABAYA

APRIL 2018

KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas berkat dan karunia-Nya, sehingga kami dapat menyelesaikan makalah yang berjudul “Multidimensional Scaling (MDS)”. Makalah ini disusun dalam rangka memenuhi tugas mata kuliah Riset Pemasaran.

Keberhasilan penulisan makalah ini tidak terlepas dari bantuan dan dukungan dari berbagai pihak, maka pada kesempatan ini penulis mengucapkan terima kasih kepada semua pihak yang telah membantu dalam pembuatan makalah ini.

Penulis menyadari bahwa masih banyak kelemahan dan kekurangan pada makalah ini, untuk itu penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan makalah ini, sehingga makalah ini dapat memberikan manfaat bagi pembaca.

Surabaya, 08 April 2018

Penulis

DAFTAR ISI

HALAMAN JUDULi

KATA PENGANTAR ii

DAFTAR ISI iii

BAB I PENDAHULUAN

A. Latar Belakang1

B. Rumusan Masalah1

C. Tujuan Penulisan2

D. Manfaat Penulisan2

BAB II PEMBAHASAN

A. Pengertian Analisis Multidimensional Scalling3

B. Konsep dasar Analisis Multidimensional Scalling4

C. Istilah – istilah pada Multidimensional Scalling5

D. Jenis - jenis Multidimensional Scalling6

E. Asumsi dalam Multidimensional Scalling10

F. Langkah-langkah Multidimensional Scalling11

G. Contoh penerapan Analisis Multidimensional Scalling

pada riset Pemasaran12

BAB III PENUTUP

A. Kesimpulan19

B. Saran20

DAFTAR PUSTAKA 21

ii

5

BAB I

PENDAHULUAN

A. Latar Belakang

Dalam kehidupan sehari-hari, kita biasanya dihadapkan pada suatu masalah yang sama. Salah satu masalahnya adalah tentang mengintepretasikan hubungan antar variabel satu dan lainnya ke dalam sebuah kesimpulan.

Dalam memecahkan masalah diatas, kita dapat menggunakan suatu teknik atau metode untuk memudahkan kita dalam mengelola data tersebut. Salah satu teknik atau metode yang mungkin dapat kami informasikan dalam makalah ini adalah multidimensional scaling (MDS).

Multidimensional scaling (MDS) adalah salah satu teknik analisis multivariat yang dapat membantu kita dalam mengintepretasikan atau menemukan hubungan antara beberapa variabel dengan hanya melihat perkiraan jarak antar variabel tersebut atau dengan melihat peta spasial yang dihasilkan yang mewakili persepsi dan preferensi responden. MDS dapat pula membantu kita mengidentifikasi atau mengenali dimensi kunci yang mendasari evaluasi objek dari responden tanpa mendeskripsikan sifat atau atribut-atribut terlebih dahulu.

Solusi yang dihasilkan oleh metode MDS mudah untuk dimengerti dan lebih tepat untuk digunakan, sehingga metode MDS dapat digunakan di berbagai bidang. Salah satu bidang yang telah menggunakan metode MDS adalah bidang riset pemasaran. Bidang riset pemasaran menggunakannya untuk membandingkan posisi relatif suatu objek dengan objek lainnya berdasarkan persepsi konsumen, sehingga dapat diketahui apakah produk tersebut relatif sama atau berbeda dengan produk sejenis lainnya, atribut apa saja yang menjadi keunggulan dan kekurangan produk tersebut dibandingkan produk pesaingnya, dan dapat menyimpulkan strategi atau keputusan yang seharusnya dilakukan agar dapat berkompetisi dengan produk lain. Pembahasan untuk metode MDS akan dibahas secara rinci dalam bab selanjutnya.

B. Rumusan Masalah

1. Apa yang dimaksud dengan multidimensional scaling ?

2. Apa konsep dasar analisis multidimensional scaling ?

3. Apa sajakah istilah-istilah yang ada pada multidimensional scaling ?

4. Apa sajakah jenis-jenis dari multidimensional scaling ?

5. Apa asumsi dalam multidimensional scaling ?

6. Bagaimana Langkah-langkah analisis multidimensional scaling ?

7. Bagaimana penerapan multidimensional scaling dalam bidang riset pemasaran?

C. Tujuan

1. Untuk mengetahui dan memahami pengertian dari multidimensional scaling.

2. Untuk mengetahui dan memahami konsep dasar analisis multidimensional scaling.

3. Untuk mengetahui dan memahami istilah-istilah yang ada pada multidimensional scaling.

4. Untuk mengetahui dan memahami jenis-jenis dari multidimensional scaling.

5. Untuk mengetahui dan memahami tentang asumsi dalam multidimensional scaling.

6. Untuk mengetahui dan memahami tentang langkah-langkah analisis multidimensional scaling.

7. Untuk mengetahui dan memahami tentang penerapan multidimensional scaling dalam bidang riset pemasaran.

D. Manfaat

Untuk memberikan informasi kepada pembaca tentang semua hal terkait multidimensional scaling dan cara mengimplementasikan dalam bidang riset pemasaran, sehingga melalui makalah ini pembaca dapat mempraktekkannya sendiri. Semua bertujuan agar nantinya baik pembaca maupun penulis ketika melakukan sebuah riset khususnya riset pemasaran dapat menggunakan metode ini dan menghasilkan keputusan atau strategi yang efektif dan efisien. Adanya makalah ini juga untuk melatih penulis agar lebih memahami dan mengerti lebih dalam tentang materi multidimensional scaling.

BAB II

PEMBAHASAN

A. Pengertian Analisis Multidimensional Scalling

Analisis Multidimensional Scalling (MDS) merupakan salah satu teknik peubah ganda yang dapat digunakan untuk menentukan posisi suatu obyek lainnya berdasarkan penilaian kemiripannya. MDS disebut juga Perceptual Map. MDS berhubungan dengan pembuatan map untuk menggambarkan posisi sebuah obyek dengan obyek lainnya berdasarkan kemiripan obyek-obyek tersebut. MDS juga merupakan teknik yang bisa membantu peneliti untuk mengenali (mengidentifikasi) dimensi kunci yang mendasari evaluasi objek dari responden (pelanggan).

Multidimensional Scaling (MDS) merupakan suatu analisis multivariat yang menunjukkan hubungan antar sejumlah objek dalam ruangan multidimensional didasarkan pada penilaian responden mengenai kemiripan / kedekatan (similarity) objek-objek tersebut. Kedekatan antar objek diperoleh menggunakan jarak Euclid antara objek ke-I dengan objek ke-j :       d_ij=√(∑_(h=1)^p▒〖(x_ih-x_jh)〗^2 )

Di mana : dij = jarak antar objek ke-i dan objek ke-j ; Xih = hasil pengukuran objek ke-i pada variabel h ; Xjh = hasil pengukuran objek ke-j pada variabel h

MDS digunakan untuk mengetahui hubungan interdepensi atau saling ketergantungan antar variabel atau data. Hubungan ini diketahui melalui perbandingan variabel yang ada pada setiap objek yang bersangkutan menggunakan perceptual map / configuration map (pemetaan).

Analisis MDS bermanfaat untuk melakukan evaluasi penempatan (positioning) merek, pengukuran citra perusahaan, segmentasi pasar, keefektifan iklan, analisis harga, keputusan jaringan kerjasama, dan pengembangan produk baru. Perceptual map dalam MDS menunjukkan adanya peluang untuk penempatan produk baru. Selain itu, juga untuk mengevaluasi konsep produk baru dan merek yang sudah ada dengan dasar untuk menentukan bagaimana pelanggan mempersepsikan/ memahami konsep baru.

Data yang digunakan pada Multidimensional Scaling (MDS) dapat berupa skala metric (skala interval atau rasio), juga bisa berskala nonmetric (skala nominal dan ordinal). Dasar penggunaan data yang berskala metric adalah mengubah input jarak atau metric ke dalam bentuk geometric sebagai outputnya. Sementara data yang berskala non metric menggunakan transformasi monoton (sama) ke data yang sebenarnya sehingga dapat dilakukan operasi aritmatika terhadap nilai ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan ketidaksamaanya. Transformasi monoton akan memelihara urutan nilai ketidaksamaannya sehingga jarak antara objek yang tidak sesuai dengan urutan nilai ketidaksamaan diubah sedemikian rupa sehingga akan tetap memenuhi urutan nilai ketidaksamaan tersebut dan mendekati jarak awalnya.

B. Konsep dasar Analisis Multidimensional Scalling

Konsep dan ruang lingkup penskalaan multidimensional (multidimensional scaling=MDS) dalam riset pemasaran dan menguraikan berbagai aplikasinya; menguraikan langkah-langkah yang harus dilalui di dalam penskalaan multidimensional tentang data persepsi, meliputi perumusan masalah, mendapatkan data input, memilih prosedur MDS, memutuskan banyaknya dimensi, memberikan interpretasi kepada konfigurasi (configuration) dan memberikan penilaian (to asses) keandalan dan kesahihan (reability and validity), menjelaskan penskalaan data preferensi; menjelaskan analisis korespondensi dan kebaikan serta kelemahannya; memahami hubungan antar MDS, analisis diskriminan, dan analisis faktor.

MDS dapat menentukan:

1. Dimensi apa yang dipergunakan oleh responden ketika mengevaluasi objek.

2. Berapa dimensi yang akan dipergunakan untuk masalah yang dihadapi (sedang diteliti).

3. Kepentingan relatif dari setiap dimensi.

4. Bagaimana objek dikaitkan atau dihubungkan secara perseptual?

Dua teknik yang terkait untuk menganalisis persepsi dan preferensi pelanggan ialah analisis penskalaan multidimensional dan analisis konjoin (multidimensional scaling and conjoint analysis). Namun di dalam makalah ini akan ditunjukkan langkah-langkah yang diperlukan untuk melakukan analisis penskalaan dimensional.

MDS digunakan untuk mengetahui hubungan interdepensi atau saling ketergantungan antar variabel atau data. Hubungan ini tidak diketahui melalui reduksi ataupun pengelompokan variabel, melainkan dengan membandingkan variabel yang ada pada setiap obyek yang bersangkutan dengan menggunakan perceptual map. Konsep dasar MDS adalah pemetaan.

Analisis penskalaan multidimensional ialah suatu kelas prosedur untuk menyajikan persepsi dan preferensi pelanggan secara spasial dengan menggunakan tayangan yang bisa dilihat ( a visual display). Persepsi atau hubungan antara stimulus secar psikologis ditunjukkan sebagai hubungan geografis antara titik-titik di dalam suatu ruang multidimensional. Sumbu dari peta spasial diasumsikan menunjukkan dasar psikologis (phychological basis) atau dimensi yang mendasari (underlying dimensions) yang dipergunakan oleh pelanggan/ responded untuk membentuk persepsi dan preferensi untuk stimulus.

C. Istilah- istilah pada Multidimensional Scaling (MDS)

1. STRESS

STRESS merupakan ukuran ketidakcocokan (a lack of fit measurement) antara data dengan pengukuran MDS. Semakin kecil nilai STRESS menunjukan bahwa hubungan monoton yang terbentuk antara ketidaksamaan dengan disparities semakin baik dan kriteria peta konfigurasi yang terbentuk semakin sempurna.

di mana:

dik    = jarak antara obyek ke-i dan ke-k

ikh     = disparities antara obyek ke-i dan ke-k pada variabel ke-h (Young, 1999).

Pedoman kriteria nilai STRESS untuk mendeteksi kelayakan model yaitu:

2. R Square (R2)

Rsquare merupakan kuadrat dari koefisien korelasi yang menunjukkan proporsi varian dari optimalisasi penskalaan data yang disumbangkan oleh prosedur penskalaan multidimensional merupakan ukuran kecocokan/ ketepatan (goodness of fit measure). Artinya seberapa besar prosedur penskalaan multidimensional dalam menjelaskan varians data yang akan dilakukan penskalaan multidimensional.

3. Peta Konfigurasi

Peta konfigurasi merupakan hubungan antara objek, dinyatakan sebagai hubungan geometris antara titik-titik di dalam ruang yang multidimensional koordinat, menunjukkan posisi (letak) suatu objek dalam suatu peta.

Statistik dan beberapa istilah (terminologi) yang penting dalam analisis MDS, antara lain sebagai berikut:

a. Analisis agregat (aggregate analysis), sebuah pendekatan dalam MDS, dimana perceptual map dibuat untuk evaluasi sekelompok responden terhadap objek-objek. Perceptual map dapat dibuat dengan komputer maupun peneliti sendiri.

b. Penilaian kesamaan (similarity judgement), merupakan perangkat seluruh pasangan merek yang mungkin atau stimuli lain berdasarkan kesamaan yang dinyatakan melalui skala pengukuran (measurement scale) berskala nonmetrik atau semacamnya.

c. Peringkat preferensi (preference rankings), adalah ranking berupa urutan merek-merek mulai dari yang paling diinginkan sampai paling tidak diinginkan konsumen atau responden.

d. Stress, adalah skor yang menyatakan ketidaktepatan pengukuran (lack offit measurement). Semakin tinggi stress , semakin tinggi ketidaktepatan.

e. R kuadrat (R square), adalah indeks korelasi pangkat dua yang menyatakan proporsi varians data asli yang dapat dijelaskan MDS.

f. Peta spasial (disebut juga perceptual map) , adalah suatu peta geometris yang menyatakan hubungan atau perbandingan antarmerek atau stimuli lain berdasarkan dimensi-dimensi yang diukur.

g. Koordinat (coordinates), menyatakan posisi suatu merak atau stimulus lain dalam peta spasial.

h. Unfolding, representasi merek dan responden sebagai pola dalam ruang yang sama

D. Jenis-jenis Multidimensional scaling (MDS)

Tipe data berdasarkan skala pengukuran dibagi menjadi 4 tipe, yaitu skala nominal, ordinal, interval dan rasio. Berdasarkan tipe data tersebut, multidimensional scaling dibagi menjadi 2 jenis, yaitu penskalaan berdimensi ganda metrik dan penskalaan berdimensi ganda non-metrik.

a. Multidimensional scaling (MDS) metrik

Data jarak yang digunakan dalam multidimensional scaling metrik adalah data rasio atau interval. MDS metrik (classical scaling) digunakan untuk menemukan himpunan titik dalam ruang dimensi n dimana masing-masing titik mewakili satu objek. Dalam classical scaling, dissimilarities ( ) diperlakukan sama dengan jarak (), yaitu = . Tujuan dari multidimensional scaling adalah untuk mencari koordinat titik-titik dalam ruang euclid dari matriks jarak yang tersedia.

Misalkan koordinat n titik dalam ruang euclid dimensi p adalah (i = 1,2, … , n) dengan = ( , , … , ) dan = (, , … , ).

Jarak euclid antara titik ke- i dan ke- j adalah:

= ()………………………............ (1)

Langkah berikutnya adalah menentukan matriks hasil kali dalam B, dengan cara mendekomposisikan matriks D melalui proses double centering. Matriks B memiliki elemen-elemen:

= - ( - ) …….........……………… (2)

Dengan,

Bila ditulis dalam bentuk matriks menjadi

Matriks hasil kali dalam B dapat juga diekspresikan sebagai B= XX dimana X= [x1, …, xn]adalah matriks koordinat yang berukuran (n x p). Rank dari matriks B,r(B) adalah

r(B) = r(XX) = r(X) = p. …………..…………(4)

Sekarang B adalah matriks yang simetrik, semi definit positif dan berpangkat (rank) p, sehingga memiliki p eigen values non-negatif dan n – p eigen values sama dengan 0.

Matriks B kemudian ditulis dalam bentuk dekomposisi spektral:

B = VΛV ……………….………...............(5)

Permasalahan berikutnya adalah menentukan jumlah dimensi yang diperlukan untuk menampilkan koefisien ketakmiripan . Jika B adalah matriks semi definit positif maka jumlah akar ciri yang tak nol menujukkan jumlah dimensi yang diperlukan. Jika B bukan matriks semi definit positif maka jumlah akar ciri yang positif menunjukkan jumlah dimensi yang tepat. Jumlah dimensi tersebut merupakan jumlah dimensi maksimal yang diperlukan, sedangkan untuk lebih praktisnya lebih baik memilih dimensi yang lebih kecil.

Secara singkat algoritma classical scaling sebagai berikut:

1) Menentukan koefisien ketakmiripan

2) Mencari matriks A =

3) Mencari matriks B =

4) Mencari eigenvalues λ1 , … , λn-1 dan eigenvector v1, … ,vn-1 yangkemudian dinormalkan sehingga i i T i v v λi . Jika B tidak semidefinit positif ( beberapa eigen values bernilai negative), maka terdapat 2 pilihan, pilihan 1 adalah membuang eigen values yang bernilai negatif dan melanjutkan proses. Pilihan ke 2 adalah menambahkan suatu konstanta c pada koefisien ketakmiripan sebagai berikut (1 ) ij ij ij dan kembali ke langkah 2.

5) Memilih jumlah dimensi yang tepat. Dapat menggunakan

6) Menentukan koordinat n titik pada ruang euclid dimensi p dengan

b. Multidimensional Scaling (MDS) Nonmetrik

Multidimesional scaling nonmetrik mengasumsikan bahwa datanya adalah kualitatif (nominal dan ordinal). Program MDS nonmetrik menggunakan transformasi monoton (sama) ke data yang sebenarnya sehingga dapat dilakukan operasi aritmatika terhadap nilai ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan ketidaksamaanya. Hasil perubahan ini disebut disparities. Disparities ini digunakan untuk mengukur tingkat ketidaktepatan konfigurasi objek-objek dalam peta berdimensi tertentu dengan input data ketidaksamaannya. Pendekatan yang sering digunakan saat ini untuk mencapai hasil yang optimal dari skala non metrik digunakan Kruskal’s Least-Square Monotomic Transformation dimana disparities merupakan nilai rata-rata dari jarak-jarak yang tidak sesuai dengan urutan ketidaksamaanya. Informasi ordinal kemudian dapat diolah dengan MDS nonmetrik sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat pada dimensi tertentu dan kemudian agar jarak antara objek sedekat mungkin dengan input nilai ketidaksamaan atau kesamaannya. Koordinat awal dari setiap subjek dapat diperoleh melalui cara yang sama seperti metode MDS metrik dengan asumsi bahwa meskipun data bukan jarak informasi yang sebenarnya tapi nilai urutan tersebut dipandang sebagai variabel interval.

Prosedur Analisis Penskalaan Multidimensional

Peneliti juga harus menentukan bentuk yang tepat dimana data harus diperoleh dan memilih suatu prosedur penskalaan multidimensional untuk menganalisis data. Suatu aspek yang penting mengenai pemecahan, mencakup penentuan banyaknya dimensi untuk peta spasial. Sumbu dari peta juga harus diberi label (nama) dan konfigurasi yang dihasilkan harus diinterpretasi. Akhirnya, peneliti harus menilai mulai dari hasil analisis yang diperoleh.

E. Asumsi Dalam Multidimensional Scaling

Multidimensional Scaling tidak mempunyai asumsi yang baku dalam metodologinya, tipe data atau hubungan antar variabel-variabelnya. Dalam MDS hanya mensyaratkan bahwa peneliti menerima beberapa prinsipmengenai persepsi yang meliputi:

a. Pembatasan multidimensionalscaling

Diasumsikan bahwa kemiripan stimulus A dan B sama dengan stimulus B ke A. Namun, ada beberapa kasus yang asumsi ini tidakberlaku.

b. Variasi dimensi

Tiap-tiap responden tidak akan menilai suatu stimulus di dalam dimensi yang sama. Misalnya, seseorang mungkin akan menilaisebuah mobil dari tenaga dan modelnya, sedangkan yang lain tidakmemperhatikan faktor yang sama, menilai sebuah mobil dari harga dankenyamanannya.

c. Variasi kepentingan

Responden tidak menilai kepentingan dimensi pada tingkat yang sama, walaupun seluruh responden menilai dimensi tersebut.Misalnya, dua orang responden menilai suatu minuman ringan daritingkat karbonasinya. Seorang responden lainnya mungkin akan menilai bahwafaktor ini tidaklah penting, sedangkan yang lainnya menilai bahwafaktor ini penting.

d. Variasi waktu

Pernyataan yang didapat dari stimulus-stimulus tidak dapat digunakan dalam jangka waktu yang panjang. Dengan kata lain, peneliti tidak dapat mengharapkan persepsi yang stabil dari waktu ke waktu.

F. Langkah-Langkah Analisis Multidimensional Scaling

Konsep dasar dalam analisis multidimensional scaling adalah menentukan letak koordinat dari setiap objek dalam peta dimensi. Oleh karena itu dibutuhkan langkah-langkah selanjutnya, antara lain:

1. Input Data

Menurut Dillon dan Gholstein (1984) tipe data terdiri dari empat jenis, yaitu:

a. Nominal: tipe data ini membagi objek menjadi ke beberapa kelas atau golongan.

b. Ordinal: tipe data ini memberikan suatu urutan atau membandingkan dengan perbedaan jarak yang tidak diketahui.

c. Interval: tipe data ini hampir sama dengan tipe data ordinal tetapi terdapat perbedaan yang terletak pada jaraknya yang dapat ditentukan dengan suatu satuan skala.

d. Rasio: tipe data ini mempunyai titik nol tetap.

2. Menghitung Jarak Euclid

Jarak Euclid dapat dihitung menggunakan bantuan software Statistical Product and Service Solution (SPSS) karena terlalu rumit apabila menggunakan perhitungan secara manual.

3. Menghitung Nilai Stress

Nilai STRESS dapat pula dihitung melalui software Statistical Product and Service Solution (SPSS).

Langkah-langkah analisis multidimensional scaling dapat pula dijabarkan, antara lain:

1. Perumusan masalah, dalam perumusan masalah dibutuhkan suatu kejelasan tujuan untukdapat menggunakan hasil MDS secara optimal,

2. Memperoleh data input, datainput dari analisis MDS adalah nilai kesamaan dan ketidaksamaan antara setiapatau sebagian besar pasangan dari n objek,

3. Pemilihan prosedur MDS, prosedurMDS dapat berupa metrik dan nonmetrik,

4. Penentuan dimensi, pedoman yangdisarankan untuk menentukan banyak dimensi, yaitu penelitian sebelumnya,penginterpretasian peta dimensi, kriteria plot, dan kemudahan dalam penggunaan,

5. Penamaan dimensi dan penamaan konfigurasi,

6. Uji reliabilitas dan validitas,dua macam nilai yang dipakai untuk pengujian reliabilitas dan validitas, yaitu nilaistress dan R-square.

Contoh penerapan multidimensional scaling pada risetpemasaran adalah studi kasus tentang analisis posisi relatif produk operator seluler GSM (Global System for Mobile) prabayar yang meliputi Merek A, B, C, D, E danF dengan populasi mahasiswa dari berbagai perguruan tinggi di Yogyakartasebagai pengguna produk tersebut. Dari hasil penerapan tersebut didapatkan petapersepsi konsumen tentang kinerja masing-masing produk, posisi masing-masingproduk menurut persepsi konsumen, serta keunggulan dan kekurangan masingmasingproduk. Bagi pihak perusahaan produk tersebut diketahui produk manasaja yang dianggap menjadi pesaing dan strategi apa saja yang seharusnyadilakukan oleh perusahaan dalam berkompetisi dengan perusahaan pesaing.

G. Contoh Penerapan Analisis Multidimensional Scaling pada Riset Pemasaran

Analisis penskalaan multidimensional dipergunakan didalam pemasaran untuk mengenali (mengidentifikasi), hal-hal berikut.

1. Banyaknya dimensi dan sifat/ cirinya yang dipergunakan untuk mempersepsikan merek yang berbeda di pasar.

2. Penempatan (positioning) merek yang diteliti dalam dimensi ini.

3. Penempatan merek ideal dari pelanggan dalam dimensi ini.

Informasi sebagai hasil analisis penskalaan multidimensional telah dipergunakan untuk berbagai aplikasi pemasaran, antara lain sebagai berikut.

1. Ukuran citra (image measurement). Membandingkan persepsi pelanggan dan bukan pelanggan dari perusahaan dengan persepsi perusahaan sendiri.

2. Segmentasi pasar (market segmentation).

3. Pengembangan produk baru (new product development). Melihat adanya celah (gap) dalam peta spasial, yang menunjukkan adanya peluang untuk penempatan produk baru. Juga untuk mengevaluasi konsep produk baru dan merek yang sudah ada on a test basis untuk menentukan bagaimana pelanggan mempersepsikan/ memahami konsep baru. Proporsi preferensi untuk setiap produk baru merupakan satu indikator keberhasilannya (maksudnya satu jenis produk tertentu banyak yang menyenanginya/ menggemarinya daripada produk lainnya).

4. Menilai keefektifan iklan (assesing advertising effectiveness). Peta spasial bisa dipergunakan untuk menentukan apakah iklan/ advertensi telah berhasil didalam mencapai penempatan merek yang diinginkan (misalnya dari posisi nomor 3 ke nomor 2 atau dari nomor 2 ke nomor 1).

5. Analisis harga (pricing analysis) Peta spasial dikembangkan dengan dan tanpa informasi harga dapat dibandingkan untuk menentukan dampak yang ditimbulkan harga.

6. Keputusan saluran (channel decisions). Pertimbangan pada kecocokan (compatibility) dari merk toko dengan eceran yang berbeda dapat mengarah ke peta spasial yang berguna untuk keputusan saluran.

7. Pembentukan skala sikap (attitude scale construction). Teknik penskalaan multidimensional dapat dipergunakan untuk mengembangkan the appropriate dimensionality and configuration of the attitude space.

Contoh Aplikasi Analisis Multidimensional Scaling

Produsen pasta gigi merencanakan akan memproduksi jenis pasta gigi baru yang diharapkan dapat menembus pasar cukup baik, disela-sela persaingan antar produsen pasta gigi yang sudah banyak ragam macamnya dan sudah beredar di masyarakat.

Tahap awal dilakukan riset mengenai pasta gigi yang sudah beredar, yaitu yang berkaitan dengan persamaan dan perbedaan di antara jenis-jenis tersebut. Terdapat 10 jenis pasta gigi : Aqua-fresh, Crest, Colgate, Aim, Gleem, Macleans, Ultra Brite, Close Up, Pepsodent, dan Dentagard.

Kemiripan diukur dengan jarak (distance), makin dekat makin mirip semakin jauh semakin tidak mirip. Pendekatan turunan ialah mengumpulkan data presepsi dengan pendekatan berbasis pada atribut, menghendaki responden memberikan nilai merk atau stimulus pada atribut yang teridentifikasi dengan menggunakan skala semantic defferential atau skala Likert. Skala semantic defferential sering disebut skala biporal, dari kutub positif ke kutub negatife.

Proximities antar jenis tersebut diperoleh dengan mengajukan pertanyaan terhadap responden, dengan bentuk pertanyaan sebagai berikut :

Riset dengan responden sebanyak 500 orang, dan hasilnya (DATA) berupa modus signifikan sebagai berikut :

Berdasarkan dapat proximities tersebut pasta gigi yang berkarakteristik bagaimana yang masih belum diproduksi produsen lain dan belum beredar di masyarakat? Sehingga apabila diproduksi kemungkinan dapat mengisi celah pasar yang masih kosong.

Salah satu metode kualintatif yang dapat di gunakan adalah Multidimensional scalling (MDS).

Penyelesaian menggunakan SPSS (MDS DENGAN DUA DIMENSI)

a. Masukkan data

b. Menu Analyze -> Scale -> Multidimensional Scaling

Tampak di layar :

Pengisian :

a. VARIABLE, atau variable yang akn diproses.Sesuai kasus,masukkan Aqua-fresh, Crest, Colgate, Aim, Gleem, Macleans, Ultra Brite, Close Up, Pepsodent, dan Dentagard (sesuai dengan urutan)

b. Buka ikon MODEL, tampak di layar :

Pengisian:

a. Bagian LEVEL OF MEASUREMENT. Karena data yang diisikan adalah rasio{lihat penjelasan di awal kasus},maka klik mouse pada ratio.

b. Bagian SCALING MODEL,atau model untuk membuat peta MDS.Untuk keseragaman,pilih Individual Difference Euclidean Distance ,dan biarkan bagian yang lain.

c. Bagian DIMENSION,atai dimensi yang akan ditampakkan pada peta.Pada umumnya,sebagian besar peta MDS mempunyai dua dimensi{sumbu x dan sumbu y},atau bisa tiga dimensi. Lebih dari itu,memang dimungkinkan,namun akan sulit dan kompleks dalam pembahasannya.Di sini akan dibuat grafik dua dimensi{sumbu} sehingga biarkan saja dimensi pada angka 2.

d. Abaikan bagian lain dan tekan CONTINUE untuk kembali ke kotak dialog utama.

e. Buka ikon OPTIONS.Tampak di layar:

Pengisian:

Bagian ini menampilkan grafik apa saja yang akan dibuat.Untuk keseragaman,pilih hanya Group Plots.

a. Abaikan bagian lain,dan tekan CONTINUE untuk kembali ke kotak dialog utama.

b. Abaikan bagian lain,dan tekan OK untuk proses data.

Output dengan nama MDS 2 DIMENSI OUTPUT dan analisisnya.

Dalam bentuk peta:

Analisis:

Ini adalah peta hasil proses ALSCAL untuk menampilkan map MDS dari kasus di atas.Terlihat bahwa pasta gigi COLGATE ternyata mempunyai kemiripan dengan pasta gigi CREST,karena letak paling berdekatan dan berada pada kuadran yang sama.Sedangkan paste MACLEANS dan PEPSODENT boleh pula dianggap berada pada satu kuadran yang sama pula,sehingga keduanya juga bisa dikatakan mirip. AQUA FRESH terletak jauh dari keempat toko yang lain,karena itu bisa dikatakan pasta gigi AQUA FRESH paling berbeda jika dibandingkan dengan dua kelompok pasta gigi yang lain.

Perhatikan analisis dari sudut dimensi 1 {sumbu x} dan dimensi 2 {sumbu y}:

a. DIMENSI 1.Dari gambar terlihat bahwa semakin ke kanan maka angka dimensi 1 semakin besar.Juga terlihat bahwa pasta gigi COLGATE dan CREST berada paling dekat dengan angka dimensi 1 yang terbesar{di ujung kanan garis horizontal}.Hal ini berarti pasta gigi COLGATE dan CREST mempunyai faktor-faktor pada dimensi 1 yang sangat membedakan dibanding pasta gigi yang lainnya.

b. DIMENSI 2. Dari gambar terlihat bahwa semakin ke atas,maka angka dimensi 2 semakin besar.Juga terlihat bahwa pasta gigi ULRTA BRITE dan DENTAGARD berada pada paling dekat dengan angka dimensi 2 yang terbesar{di ujung atas garis vertikal}.Hal ini berarti pasta gigi ULTRA BRITE dan DENTAGRAD mempinyai faktor-faktor pada dimensi 2 yang paling membedakan dibanding toko lainnya.

Dengan mengetahui fakta tersebut, bisa dikembangkan beberapa alternatif strategi bagi pasta gigi CREST :

1. Sebaiknya tidak perlu bersaing dengan pasta gigi COLGATE, karena di mata responden, kedua pasta gigi mempunyai banyak kemiripan. Apabila jika kedua pasta gigi menempati lokasi yang berjauhan, sehingga kompetisi tidak relevan lagi.

2. Dengan pasta gigi AQUA FRESH, karena mempunyai variabel yang paling membedakan adalah memutihkan gigi dan mencegah noda, dan pasta gigi CREST bisa memutihkan gigi lebih cepat atau membersihkan noda yang sangat cepat, hingga responden mungkin setelah beberapa saat akan mengubah presepsinya.

BAB III

PENUTUP

A. Kesimpulan

Analisis Multidimensional Scalling (MDS) merupakan salah satu teknik peubah ganda yang dapat digunakan untuk menentukan posisi suatu obyek lainnya berdasarkan penilaian kemiripannya. MDS disebut juga Perceptual Map.

Multidimensional Scaling (MDS) merupakan suatu analisis multivariat yang menunjukkan hubungan antar sejumlah objek dalam ruangan multidimensional didasarkan pada penilaian responden mengenai kemiripan / kedekatan (similarity) objek-objek tersebut.

Statistik dan beberapa istilah (terminologi) yang penting dalam analisis MDS, antara lain sebagai berikut:

a. Analisis agregat (aggregate analysis),

b. Penilaian kesamaan (similarity judgement),

c. Peringkat preferensi (preference rankings),

d. Stress,

e. R kuadrat (R square)

f. Peta spasial (disebut juga perceptual map)

g. Koordinat (coordinates)

h. Unfolding,

Jenis-jenis Multidimensional scaling (MDS) ada dua yaitu, Multidimensional scaling (MDS) metrik dan Multidimensional scaling (MDS) nonmetrik

· Dalam MDS hanya mensyaratkan bahwa peneliti menerima beberapa prinsip mengenai persepsi yang meliputi:

a. Pembatasan multidimensional scaling,

b. Variasi dimensi,

c. Variasi kepentingan,

d. Variasi waktu.

· Konsep dasar dalam analisis multidimensional scaling adalah menentukan letak koordinat dari setiap objek dalam peta dimensi. Oleh karena itu dibutuhkan langkah-langkah selanjutnya, antara lain:

a. Input Data,

b. Menghitung Jarak Euclid,

c. Menghitung Nilai Stress.

· Langkah-langkah analisis multidimensional scaling dapat pula dijabarkan, antara lain:

a. Perumusan masalah,

b. Memperoleh data input,

c. Pemilihan prosedur MDS,

d. Penentuan dimensi,

e. Penamaan dimensi dan penamaan konfigurasi,

f. Uji reliabilitas dan validitas.

B. Saran

Dalam melakukan riset pemasaran, metode multidimensional scaling ini adalah metode yang tepat untuk digunakan selain dapat memuat banyak variabel, perhitungannya juga sangatlah mudah menggunakan aplikasi yang telah tersedia. Sehingga, nantinya para pemasar dan pengusaha dapat menciptakan strategi khusus untuk meraih mangsa pasar yang banyak dan cepat sesuai yang diharapkan, sebagai bonusnya dapat pula unggul diantara para pesaingnya.

DAFTAR PUSTAKA

Damayanti, Julia.2010. Analisis Korespondensi Melalui Pendekatan Penskalaan Dimensi Ganda Metrik, Skripsi ((Bogor: Fakultas Pascasarjana Institut Pertanian Bogor,)

Gloria A Walundungo,dkk. 2014. Penggunaan Analisis Multidimensional Scaling UntuK Mengetahui Kemiripan Rumah Makan Di Manado Town Square Berdasarkan Kerakteristik Pelanggan, jurnal JdC, Vol . 3, No. 1, (2014)

Puspasari, Ana Anggraeni. 2009. Analisis Metode Multidimensional Scaling (MDS). Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Negeri Yogyakarta.

Putri, Aldila Sakinah,dkk. 2011. Multidimensional Scaling. Makalah (Malang : Universitas Malang Fakultas Matematika Dan Ilmu Pengetahuan Alam,)

Santoso, Singgih. 2010. Statistik Multivariat : Konsep dan Aplikasi dengan SPSS. Jakarta: Elex Media Komputindo.

Simamora, Bilson. Analisis Multivariat Pemasaran. Jakarta: PT Gramedia Pustaka Utama, 2005

4