MDS Preferensi Berbasis Model Kompensatory

Last Updated on May 16, 2023 by Bilson Simamora

Apabila konsumen memiliki sejumlah pilihan merek, sebenarnya preferensi adalah sikap relatif. Artinya, merek yang memiliki skor sikap tertinggi memperoleh prioritas pertama atau most-preferred. Oleh karena itu, apabila kita memiliki data sikap konsumen pada sejumlah merek, MDS berbasis preferensi dapat diolah. Tentu saja, pada program harus diminta create similarity from yang kita miliki adalah data tidak langsung menyatakan preferensi.

Perceptual Map Merek

Prosedur

1. Download data dari link ini dan buka di SPSS.
2. Klik menu: Analyze>Scale>Multidimension Scaling (ASCALL)
3. Higlight semua merek kemudian geser ke space Variables.
4. Klik Measure>Interval>Euclidean distances
5. Biarkan Standardized: None
6. Di bawah Create Distance Matrix click Between Valiables
7. Klik Model, Level of Measurement=Interval, Conditionality=matrix, Scaling model=Euclidean Distance, Continue
8. Klik Options dan tandai Group Plot.
9. Eksekusi dengan menekan tombol OK

Hasil

Uji Kelayakan Model

Nilai Stress=0.00366 atau 0.366%. Angka ini berada pada selang 0 – 2.4% yang termasuk sebagai ‘near perfect’ menurut kategori Dugard et al. (2010), seperti dijelaskan di sini.

Nilai RSQ=0.99993, artinya model dapat menjelaskan 99.993% data yang diolah, yang berarti model sangat baik karena mampu menjelaskan hampir 100% data.

Koordinat perceptual map:

                           Dimension
Stimulus    Stimulus      1        2
 Number       Name
   1          BEN        1,1415    ,2487
   2          CAR       -1,9001   -,0149
   3          IDEA       1,9116   -,0485
   4          IM         -,1063   -,4421
   5          NN        -1,0467    ,2569

Perseptual Map

Tampak secara visual bahwa merek NN dan Car serta Idea dan Ben bersaing dekat, sedangkan IM memiliki posisi relatif jauh dari keempat saingannya.

Pemetaan Responden

MDS dapat digunakan untuk men-segmentasi responden berdasarkan preferensi mereka terhadap merek-merek yang tersedia. Prinsipnya, semakin mirip preferensi, posisi dalam perceptual map semakin dekat, demikian pula sebaliknya.

Prosedur

1. Buka data di SPSS.
2. Klik menu: Analyze>Scale>Multidimension Scaling (ASCALL)
3. Higlight semua merek kemudian geser ke space Variables.
4. Klik Measure>Interval>Euclidean distances
5. Biarkan Standardized: None
6. Di bawah Create Distance Matrix click Between Cases
7. Klik Model, Level of Measurement=Ordinal, Conditionality=matrix, Scaling model=Euclidean Distance, Continue
8. Klik Options dan tandai Group Plot.
9. Eksekusi dengan menekan tombol OK

Hasil

Uji Kelayakan Model

Nilai Stress=0.10641 atau 10.641%. Angka ini berada pada selang 10%-19.9% yang termasuk sebagai ‘fair’ menurut kategori Dugard et al. (2010), seperti dijelaskan pada link ini.

Nilai RSQ=0.93639, artinya model dapat menjelaskan 93.639% data yang diolah, yang berarti model cukup baik karena mampu menjelaskan data di atas 90%.

   Stimulus Coordinates
                        Dimension
Stimulus   Stimulus     1        2
 Number      Name
    1      VAR1        ,5422   -,2582
    2      VAR2       2,2826    ,5909
    3      VAR3       -,9463  -1,1731
    4      VAR4      -1,2178   1,2166
    5      VAR5        ,6298   1,1364
    6      VAR6       -,1881    ,1786
    7      VAR7        ,9790  -1,8450
    8      VAR8       -,5795    ,5599
    9      VAR9       -,6797    ,4519

Group Plot

Nilai Stress=0.10641 atau 10.641%. Angka ini berada pada selang 10%-19.9% yang termasuk sebagai ‘fair’ menurut kategori Dugard et al. (2010).

Nilai RSQ=0.93639, artinya model dapat menjelaskan 93.639% data yang diolah, yang berarti model cukup baik karena mampu menjelaskan data di atas 90%.

Tampak bahwa secara visual responden 8 dan responden 9 adalah yang paling dekat. Coba cek data sikap mereka apakah memang paling mirip.

Memetakan Merek dan Responden

Merek dan responden dapat dipetakan sekaligus. Informasi tambahan yang diperoleh adalah mengumpul pada merek mana para responden. Dengan kata lain, mana merek yang paling pavorit di antara para responden.

Prosedur:

1. Analyze>Scale>ALSCAL.
2. Pada Data are distance, pilih Shape>Rectangular.
3. Klik Model>Level of measurement>Ordinal. Keterangan: Data kita ordinal karena hanya dapat menjelaskan orde (tingkat) kesukaan atau favoritism.
4. Conditionality: Unconditional. Keterangan: Conditionality adalah perintah mana yang tidak yang bisa dibandingkan. Dipilih unconditional karena tidak ada batasan. Artinya, perbandingan dapat dilakukan antar merek (kolom) maupun antar responden (baris).
5. Scaling model: Euclidean distance.
6. Klik Option>Group plot
7. Klik OK

Hasil:

Model goodness of fit: S-Stress=0,039 pada iterasi ke-11 atau 3.9% (excellence). RSQ=0.9932 atau 99.32%. Kesimpulan, model MDS sangat baik.

Peta MDS

Terlihat bahwa para responden mengumpul di sekitar CAR. Artinya, CAR adalah merek favorit. Kesimpulan ini juga dapat dibuktikan berdasarkan rata-rata prefesensi setiap merek. Pada tabel di bawah ini, rata-rata persepsi PQ adalah 128 dan paling rendah. Perlu diingat, bahwa metoda pengukuran yang dipakai pada contoh ini menggunakan angka lebih rendah untuk menunjukkan preferensi lebih tinggi.