Last Updated on June 28, 2022 by Bilson Simamora
Dengan anchor point clustering method, kita menggunakan satu merek sebagai patokan. Lalu, responden menilai kemiripan sejumlah merek yang paling mirip dengan merek referensi. Jawaban bisa berupa angka satu (untuk sekian banyak merek paling mirip) atau ranking. Matrik yang kita peroleh conditional sebab kita tidak bisa membandingkan baris dengan baris. Jadi, matrik tidak simetrik.
Pertanyaan:
Pilih lima merek yang paling mirip dengan oli Top One dengan memberi tanda ‘√’ pada tempat yang disediakan.
Pen Zoil ____
Mesran Super ____
Mesran Prima ____
Mesran Prima XP ____
Evalube ____
Repsol ____
Fastron ____
Synthium ____
Quatron ____
Agip ____
Shell ____
Dari 10 responden, diperoleh hasil seperti pada Tabel 8.4. Hasilnya adalah Gambar 8.6.
Tabel 8.4. Data Anchoring Clustering Method
| RESP. | A | B | C | D | E | F | G | H | I | J | K | L |
| 1 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 |
| 2 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 1 | 1 |
| 3 | 1 | 1 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 1 | 0 | 0 |
| 4 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 1 |
| 5 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 1 |
| 6 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 1 |
| 7 | 1 | 1 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
| 8 | 1 | 1 | 0 | 1 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
| 9 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 1 |
| 10 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 1 |
Keterangan: A: Top One, B=Penzoil, C=Mesran Super, D=Mesran Prima, E=Meran Prima XP, F=Evalube, G=Repsol, H=Fastron, I=Synthium, J=Quatro, K=Agip, K=Shell
Langkah-langkah analisis dengan SPSS
1. Buka layar SPSS lalu ketikkan data Tabel 8.4. Kalau sudah diketik pada program lain (yang under Windows), Copy data pada program itu, lalu Paste pada layar SPSS. Tampak pada layar:
2. Pada menu utama, pilih Analyze, Scale, lalu klik Multidimen-sionscaling (PROXSCALL). Pada kotak dialog yang muncul, pada Data format, pilih Creates proximities from data. Kemudian, pada Number of source, pilih One matrix source. Lalu, klik define.
3. Pada kotak dialog yang muncul setelah langkah ke-2, drag semua merek lalu masukkan dalam area Variables.
4. Pada kotak dialog di atas, klik Measure, lalu pada kotak dialog yang muncul sesudahnya, pada Measure, klik Binari. Pastikan sel Present berisikan angka 1 dan absent angka 0. Lalu, klik Continue untuk kembali ke kotak dialog utama. Catatan: Kita pilih binari karena data kita hanya 1 (dipilih paling mirip) dan 0 (tidak dipilih). Pastikan sel Present berisikan angka 1 dan absent angka 0.
5. Klik Plot dan tandai Common space.
6. Klik Output dan tandai Comonspace coordinates, Multiple stress measure, dan Distances.
7. Pada kotak dialog utama, klik OK.
Goodness-of-fit
Apakah model MDS kita baik? Karena hanya menggunakan seorang responden, kita dapat menggunakan Normalized Raw Stress dan Dispersion Accounted For (D.A.F.) dari tabel berikut.
| Stress and Fit Measures | |
| Normalized Raw Stress | .04272 |
| Stress-I | .20670a |
| Stress-II | .56907a |
| S-Stress | .08192b |
| Dispersion Accounted For (D.A.F.) | .95728 |
| Tucker’s Coefficient of Congruence | .97840 |
| PROXSCAL minimizes Normalized Raw Stress. | |
| a. Optimal scaling factor = 1.045. | |
| b. Optimal scaling factor = .952. | |
Stress mengindikasikan proporsi varian perbedaan (disparity) yang tidak dijelaskan oleh model. Semakin rendah stress, semakin baik model MDS yang dihasilkan”. Pertanyaannya, sampai nilai berapa stress masih mengindikasikan model yang baik? Untuk menjawab pertanyaan ini, Dugard et al. (2010) memberi ketentuan seperti di bawah ini.
| 100 x Stress (Percent) | Goodness of Fit |
| 20% or above | Poor |
| 10%-19.9% | Fair |
| 5%-9.9% | Good |
| 2.5%-4.9% | Excellent |
| 0%-2.4% | Near Perfect |
Pada output di atas, ada tiga nilai stress, yaitu Normalized Raw Stress, Stress I, Stress II, dan S-Stress. Yang menjadi perhatian kita adalah S-Stress dan Normalized Raw Stress. S-stress dihitung berdasarkan squared distance, sedangkan Normalized Raw Stress (NRStress) dihitung berdasarkan distances. Yang terbaik di antara keduanya adalah NRStress (Borg & Groenen, 1997). Pada kasus kita, nilai NR-Stress=.04272 adalah excellent.
Dispersion Accounted For (DAF) digunakan untuk mengevaluasi kesesuaian peta persepsi dengan data yang mendasarinya. DAF diperoleh dari NR-Stress dengan rumus: DAF = 1 – NRStress. Dengan demikian, DAF dapat berkisar dari 0 hingga 1 dan nilai yang lebih tinggi menunjukkan kecocokan yang lebih baik. Pada model kita, DAF=.95728 yang mengindikasikan model MDS kita sangat baik.
Perceptual Map
| Final Coordinates | ||
| Dimension | ||
| 1 | 2 | |
| Top_One | -.672 | -.018 |
| Penzoil | -.656 | .212 |
| Mesran_Super | .744 | -.080 |
| Mesran_Prima | .444 | .554 |
| Mesran_Prima_XP | .582 | .310 |
| Evalube | -.189 | .691 |
| Repsol | -.438 | .406 |
| Fastron | .142 | -.631 |
| Synthium | .463 | -.499 |
| Quatron | .461 | -.004 |
| Agip | -.323 | -.569 |
| Shell | -.558 | -.371 |
Pertanyaannya, mana yang paling dekat dengan Top One? Pernyataan ini dapat dijawab dengan menggunakan data Distances. Seperti terlihat pada tabel di bawah, yang paling dekat dengan Top One adalah Penzoil dengan distance sebesar 0.231.
| Distances | ||||||||||||
| Top One | Penzoil | Mesran Super | Mesran Prima | Mesran Prima XP | Evalube | Repsol | Fastron | Synthium | Quatron | Agip | Shell | |
| Top_One | .000 | |||||||||||
| Penzoil | .231 | .000 | ||||||||||
| Mesran_Super | 1.417 | 1.430 | .000 | |||||||||
| Mesran_Prima | 1.254 | 1.151 | .702 | .000 | ||||||||
| Mesran_Prima_XP | 1.296 | 1.241 | .423 | .280 | .000 | |||||||
| Evalube | .858 | .668 | 1.210 | .647 | .859 | .000 | ||||||
| Repsol | .484 | .291 | 1.278 | .894 | 1.024 | .378 | .000 | |||||
| Fastron | 1.019 | 1.161 | .815 | 1.222 | 1.038 | 1.362 | 1.188 | .000 | ||||
| Synthium | 1.232 | 1.325 | .504 | 1.053 | .818 | 1.356 | 1.277 | .346 | .000 | |||
| Quatron | 1.133 | 1.138 | .293 | .558 | .336 | .951 | .988 | .703 | .495 | .000 | ||
| Agip | .652 | .849 | 1.174 | 1.360 | 1.262 | 1.267 | .982 | .470 | .789 | .967 | .000 | |
| Shell | .371 | .592 | 1.334 | 1.363 | 1.328 | 1.124 | .786 | .747 | 1.029 | 1.083 | .307 | .000 |
- MDS Non-Atribut berbasis Ranking Similarity
- MDS Non-Atribut berbasis Skala Numerik
- MDS Similarity berbasis Atribut
- MDS with Comparative-based Preference
- MDS with Attitude-based Preference
REFERENSI
Borg, I., Groenen, P. (1997). MDS fit measures, their relations, and some algorithms. In: Modern Multidimensional Scaling. Springer Series in Statistics. Springer, New York, NY. https://doi.org/10.1007/978-1-4757-2711-1_11
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.