MDS berbasis Preferensi Komparatif

Last Updated on July 9, 2022 by Bilson Simamora

DS dapat menggunakan data preferensi untuk membentuk peta persepsi. Karena merupakan sikap relatif terhadap satu merek dibanding merek lain, maka dalam pengambilan preferensi, objek yang diambil adalah yang setara, yaitu yang masuk sebagai merek-merek pertimbangan para responden.
Preferensi dapat diperoleh dengan tiga cara, yaitu paired comparison, direct judgement dan compensotory model.

Paired Comparisons

Misalkan kita punya delapan stimuli (disebut juga objek), yaitu A, B, C, D, E, F, G, H. Kedelapan stimuli tersebut kita pasangkan. Hasilnya akan ada 8(9-1)/2=28 pasangan. Kita minta responden memberikan tanda 1 ataupun 0. Instrumen demikian dinamakan paired comparisons. Tujuan kita adalah untuk mengetahui preferensi responden terhadap merek-merek city car dengan metoda tidak langsung.
Data Tabel 1 diperoleh hanya dari seorang responden, yaitu responden 1.

Tabel 1. Memperoleh Peferensi dengan Paired Comparisons untuk Responden 1

Keterangan: Tanda  ‘’ menyatakan jangan diisi.

Dengan cara yang sama diperoleh ranking merek-merek yang dilibatkan dari sembilan responden lainnya. Akhirnya diperoleh data preferensi pada Tabel 2, yang berasal dari 10 responden. Merek-merek yang dilibatkan harus disusun berdasarkan abjad sesuai ketentuan SPSS.

Tabel 2.  Hasil Preferensi dengan Paired Comparisons

Langkah-langkah Analisis dengan SPSS:

1. Masukkan data Tabel 2 ke dalam SPSS. Ingat, merek harus disusun sesuai urutan abjad.
2. Dari menu utama, pilih Analyze, scale lalu klik Multidimension scaling, karena kita mau menggunakan ASCALL (Catatan: Program ini cocok untuk menganalisis MDS dengan data preferensi karena selain merek, posisi responden juga dipetakan).
3. Pada kotak dialog yang muncul, masukkan semua merek ke ruang Variables. Lalu, pada pilihan shape, pilih Rectangular (Catatan: Bentuk matrik kali ini adalah persegi empat, di mana baris menyatakan responden dan kolom menyatakan merek dan keduanya dipetakan).
4. Pada kotak dialog, klik Model. Lalu, pada kotak dialog model, untuk Level of measurement pilih Ordinal, karena memang jenis data kita adalah ordinal. Kemudian, pada Conditionality, pilih Row, karena kita tidak membandingkan responden, tetapi terhadap merek berdasarkan preferensi responden.
5. Jangan lupa meng-klik Option, lalu meminta Group plots pada kotak dialog, agar program memberikan perceptual map yang kita butuhkan.
6. Klik OK pada kotak dialog utama. Dariperoleh perceptual map seperti Gambar 1.  Gambar ini sudah diedit untuk memperbaiki penampilan.  Interpretasi Gambar 1 tidak diberikan. Pembaca dapat menyimak interpretasi Gambar 2.

Hasil dan Interpretasi

Program Ascal memberikan dua peta, yaitu peta merek dan peta responden. Kedua peta dibuat dengan model berbeda. Untuk peta merek, kualitas model dinyatakan oleh output Stress yang diperoleh melalui 12 kali iterasi atau penghalusan model, seperti di bawah ini.

Iteration     S-stress      Improvement
1           ,16289
2           ,15359         ,00930
3           ,14580         ,00779
4           ,13929         ,00652
5           ,13382         ,00546
6           ,12925         ,00457
7           ,12568         ,00357
8           ,12298         ,00270
9           ,12096         ,00202
10          ,11950         ,00146
11          ,11836         ,00114
12          ,11739         ,00097

Iterasi ke-12 menghasilkan Stress sebesar 0.11739. Berdasarkan Dugard et al. (2010) yang dijelaskan di sini, maka goodness-fit model termasuk fair (cukup baik).

Output berikut ini menjelaskan Stress untuk setiap responden (dinamakan Stimus). Terlihat bahwa Stress terendah dimiliki responden 8 senilai 0.013. Stress tertinggi sebesar 0.328 dimiliki oleh responden 4. Rata-rata Stress adalah 0.143 dan termasuk fair (cukup baik) menurut kriteria Dugard et al. (2010), yang dijelaskan pada link ini.

(Row Stimuli Only)

       Stimulus    Stress      RSQ   Stimulus    Stress      RSQ   Stimulus    Stress      RSQ   Stimulus    Stress      RSQ
           1         ,065     ,997       2         ,174     ,971       3         ,010    1,000       4         ,328     ,909
           5         ,056     ,998       6         ,161     ,974       7         ,066     ,996       8         ,013    1,000
           9         ,080     ,995      10         ,145     ,985
       Averaged (rms) over stimuli
    Stress  =   ,143      RSQ =  ,983

Perceptual Map

Koordinat setiap merek dan responden dinyatakan dalam output SPSS berikut.

Dimension

Stimulus   Stimulus      1        2
 Number      Name
 Column
    1      Atoz       1,4564   -,8872
    2      Avanza    -1,4372    ,3445
    3      Karimun    -,4356  -1,6378
    4      Picanto     ,9054    ,9182
    5      Spark      1,5327    ,1771
    6      Xenia     -1,4104    ,2753
  Row
    1                -1,2580    ,3521
    2                 1,4683    ,0548
    3                 1,5433   -,3047
    4                 -,3303   -,6586
    5                -1,1958    ,3185
    6                 1,6342   -,0813
    7                -1,0225   -,6733
    8                 -,4196   1,3881
    9                -1,0172   -,8207
   10                 -,0136   1,2350

Kemudian, berdasarkan titik-titik koordinat tersebut diberikan peta berikut. Untuk merek-merek peta tersebut dapat dinyatakan sebagai perceptual map. Semain dekat posisi merek, semakin tinggi kesamaan di antara mereka. Untuk responden, maka posisi yang ditempati menyatakan titik ideal ideal bagi mereka. Semakin dekat posisi responden dengan responden lain, semakin serupa selera mereka.

Logikanya, setiap responden memiliki harapan tentang produk ideal.  Semakin dekat sebuah merek terhadap harapan tersebut, maka preferensi konsumen terhadap merek tersebut semakin tinggi.  Masalahnya, bagaimana menilai kedekatan merek dengan titik ideal tersebut?

Caranya adalah menghitung jarak titik ideal responden dengan setiap merek. Rumus berikut dapat digunakan.

di mana, D=jarak geometri (jarak euclidean), x_i=nilai x ke-i dan y_i=nilai y ke-i.

Sebagai contoh, jarak geometri responden 1 dengan setiap merek adalah sebagai berikut:

Apabila dilihat dari tabel di atas, ranking preferensi berdasarkan perhitungan jarak titik ideal dengan setiap merek dan hasil observasi adalah berbeda sedikit, namun punya pola yang sama, seperti dipertegas oleh gambar berikut.

Sebenarnya, penghitungan jarak titik ideal dengan merek tidak dimaksudkan untuk memeriksa jarak sebuah merek dengan setiap individu. Yang paling penting adalah menginvestigasi konsumen terdekat dan potensial. Perhatikan peta di atas. Responden 8 dan 10 relatif jauh dari merek-merek yang tersedia. Artinya, bagi segmen tersebut belum memiliki merek ideal. Katakanlah kedua responden itu mewakili suatu segmen. Picanto yang relatif jauh dari responden-responden yang dilibatkan dapat menyesuaikan produknya dengan kebutuhan segmen tersebut. Segmen tersebut juga bisa ditarget produk baru.

Persaingan juga tergambar dari peta di atas. Avanza dan Xenia memiliki posisi berdekatan dan sama-sama dekat dengan responden 1 dan 5. Artinya, kedua merek bersaing memperebutkan segmen yang diisi responden 1 dan 5. Karimun, Avanza dan Xenia masih memiliki kesempatan yang sama untuk memperebutkan responden 4, 7 dan 9. Spark dan Atoz memperbutkan responden 2, 3 dan 6.

Sebagai catatan, sebenarnya kesimpulan dari peta persepsi dan konfigurasi responden lebih bermakna untuk sampel berukuran besar. Untuk sampel berukuran 10, seperti yang dipakai saat ini, tidak memberikan hasil bermakna tentang segmentasi pasar, namun setidaknya dapat memberikan gambaran tentang kemampuan MDS untuk memenuhi kebutuhan dimaksud.

MDS Preferensi Berbasis Sikap

Preferensi sebenarnya ranking merek berdasarkan pilihan responden. Banyak cara memperolehnya. Bisa secara langsung, yaitu  responden membuat ranking merek, bisa pula secara tidak langsung dengan pair-wise comparison maupun sikap. Dengan sikap berlaku premis bahwa, pertama, merek yang disikapi sama memiliki preferensi sama. Kedua, semakin tinggi sikap, semakin tinggi preferensi.

• MDS Non-Atribut berbasis Ranking Similarity
• MDS Non-Atribut berbasis Skala Numerik
• MDS dengan Anchor Point Clustering Method
• MDS Similarity berbasis Atribut
• MDS with Attitude-based Preference

REFERENSI

Dugard, P., Todman, J., & Staines, H. (2010). Approaching Multivariate Analysis. A Practical Introduction. Second Edition. Routledge: New York. This text has example analyses using SPSS.