ANALISIS MULTIDIMENSIONAL SCALING

Didapatkan data sebagai berikut:

RSP Toko A Toko B Toko C Toko D Toko E

Toko A 0
Toko B 3 0
1 Toko C 2 3 0
Toko D 3 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
2 Toko C 2 3 0
Toko D 4 2 4 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 4 0
3 Toko C 2 3 0
Toko D 4 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
4 Toko C 2 3 0
Toko D 4 3 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
5 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
6 Toko C 3 3 0
Toko D 3 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
7 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 3 2 5 4 0
 Toko A 0
Toko B 3 0
8 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 4 2 5 5 0
Toko A 0
Toko B 3 0
9 Toko C 2 3 0
Toko D 4 2 3 0
Toko E 4 2 5 4 0
Toko A 0
Toko B 3 0
10 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 4 2 4 4 0
Toko A 0
Toko B 3 0
11 Toko C 3 3 0
Toko D 4 2 3 0
Toko E 3 2 5 5 0
http://www.statistikolahdata.com/2011/04/multidimensional-scaling-mds.html

Tentukan analisis multidimensional scaling beserta interpretasinya!

Jawab:
Hasil output SPSS:
Iteration history for the 2 dimensional solution (in squared distances)

Young's S-stress formula 1 is used.

Iteration S-stress Improvement

0 .13527

1 .12893
2 .12531 .00362
3 .12463 .00068

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.

Averaged (rms) over matrices

Stress = .07425 RSQ = .93170

Configuration derived in 2 dimensions

Stimulus Coordinates

Dimension

Stimulus Stimulus 1 2
Number Name

1 TokoA -.9608 1.0203

2 TokoB .5798 -.0849
3 TokoC -1.3076 -.5831
4 TokoD .2941 -1.5084
5 TokoE 1.3944 1.1561

Subject weights measure the importance of each dimension to each subject.

Squared weights sum to RSQ.

A subject with weights proportional to the average weights has a weirdness

of zero, the minimum value.

A subject with one large weight and many low weights has a weirdness near
one.

A subject with exactly one positive weight has a weirdness of one,

the maximum value for nonnegative weights.

Subject Weights

Dimension

Subject Weird- 1 2
Number ness

1 .3243 .8875 .4056

2 .2674 .8579 .4333
3 .2469 .8509 .4451
4 .0484 .7727 .5577
5 .0478 .7887 .5698
6 .2507 .8074 .4197
7 .4128 .5318 .8334
8 .1731 .6764 .6937
9 .1398 .8443 .5270
10 .1376 .6740 .6527
11 .4434 .5096 .8492
Overall importance of
each dimension: .5714 .3603

Flattened Subject Weights

 Variable
Subject Plot 1
Number Symbol
1 1 1.1676
2 2 .9576
3 3 .8824
4 4 .1570
5 5 .1548
6 6 .8962
7 7 -1.6751
8 8 -.6776
9 9 .4914
10 A -.5401
11 B -1.8141

Keunggulan model MDS dapat dilihat dari nilai S-Stress dan RSQ. Kategori penilaian kelayakan
model berdasarkan S-Stress adalah :
Stress % Kesesuaian
20 Buruk
10 Cukup
5 Bagus
2,50 Istimewa Sempurna

Nilai S-Stress adalah 0,07425 atau 7,25% yang berarti bahwa model cukup memiliki tingkat
kelayakan yang baik (fit). Demikian nilai RSQ yang cukup tinggi, yaitu 0,93170 (93,17%). Nilai
RSQ sama halnya nilai R-Square dalam regresi linier.

Grafik Derived Stimulus Configuration di atas terdapat pengelompokan toko. Terlihat bahwa
toko B mempunyai kemiripan dengan toko D karena berada di kuadran yang sama. Sedangkan
toko C, toko A dan E tidak mempunyai kemiripan dengan yang lain.
Perhatikan analisis dari sudut dimensi 1 (sumbu X) dan dimensi 2 (sumbu Y) :
 - Dimensi 1: pada gambar terlihat bahwa semakin ke kanan, angka dimensi 1semakin
besar. Terlihat bahwa toko E terletak paling dekat dengan angka dimensi 1 terbesar,
namun toko ini tidak mempunyai kemiripan dengan toko lainnya. Perhatikan toko B
dan toko D, walaupun tidak berada di nilai terbesar dimensi 1 tetapi kedua toko
tersebut mempunyai kemiripan (dalam satu kuadran).

Misalnya. Dalam dimensi 1 mengandung atribut lokasi dan pelayanan kasir. Artinya
atribut tersebut pada toko B dan toko D yang paling membedakan dibandingkan
atribut pada toko lainnya.

- Dimensi 2: pada gambar terlihat bahwa semakin ke atas ,maka angka dimensi 2
semakin besar. Terlihat bahwa toko E terletak paling ujung dimensi 2 angka terbesar.
Sedangkan toko D terletak di paling ujung bawah dimensi ini. Toko D mempunyai jarak
terdekat dengan toko B dan keduanya dalam satu kuadran.
Misalnya. Dalam dimensi 2 mengandung atribut lokasi dan pelayanan kasir, maka
atribut tersebut yang paling membedakan dibandingkan toko lainnya.
Analisis dimensi 1 dan 2 di atas harus didukung fakta atau penelitian sebelumnya. Misalnya
dilakukan dengan analisis faktor yang berguna untuk pengelompokan variabel menjadi
beberapa dimensi (faktor).

Pada grafik di atas, terlihat posisi ke 11 responden, dapat dibentuk sebuah garis lurus ke kanan
bawah. Hal ini membuktikan bahwa responden memiliki konsistensi dalam menilai kemiripan
kelima toko tersebut. Grafik ini untuk menguji keselarasan responden dalam penilaian toko.
Pada grafik di atas berisi kumpulan koordinat, terlihat titik-titik tidak membentuk berbagai
kelompok koordinat sendiri. Titik- titik ini mengerombol di tengah, hal ini membuktikan
kesamaan sikap responden.