√ Multidimension Scaling: Mds Berbasis Ranking Pasangan Merek

PERSEPSI yaitu suatu proses, dengan mana seseorang menerima, menyeleksi dan menginterpretasi stimuli untuk membentuk citra yang menyeluruh dan berarti perihal dunia.  Proses persepsi itu berlangsung dalam benak konsumen. Kaprikornus sifatnya abstrak.  Sekali pun individu pemersepsi sanggup menunjukkan deskripsi, tetapi persepsi yang kita tangkap, tidaklah objektif, melainkan subjektif.

Walaupun persepsi sulit diukur secara niscaya lantaran sifatnya yang abstrak, para mahir tetap berusaha untuk memperoleh citra persepsi seseorang perihal suatu objek secara relatif dibanding dengan objek-objek lainnya. Objek bisa berupa produk, merek, toko, orang, partai politik, dan lain-lain.  Teknik yang digunakan dinamakan  multidimension scaling (MDS).

Sebagai salah satu teknik multivariat dalam golongan interdependenced technique, MDS yaitu salah satu posedur yang digunakan untuk memetakan persepsi dan preferensi para responden secara visual dalam peta geometri.

Peta geometri tersebut, yang disebut spatial map atau perceptual map, merupakan pembagian terstruktur mengenai aneka macam dimensi yang berhubungan.  Katakanlah kita menggunakan peta geometri berupa diagram kartesius. Peta ini dibuat dengan dua dimensi, satu pada sumbu horisontal (sumbu X), satunya lagi pada sumbu vertikal (sumbu Y).

Setiap dimensi, yaitu X dan Y, bekerjsama mewakili aneka macam atribut yang terlibat dalam pembentukan persepsi.  Bisa saja kita menilai sekumpulan merek menurut sepuluh atribut.  Dalam MDS, kesepuluh atribut ini akan dipadatkan menjadi dua, tiga, empat atau lebih dimensi, tergantung kebutuhan. Konsepnya demikian, tetapi kalau dimensi berjumlah empat atau lebih, interpretasi sulit dilakukan.  Karena itulah, dalam MDS, umumnya digunakan dua atau tiga dimensi.

Gambar 8.1 merupakan contoh perceptual map yang dihasilkan MDS.  Dalam gambar tersebut, setiap merek menempati posisi tertentu.  Merek-merek yang mempunyai kesamaan tinggi, menempati posisi berdekatan.  Merek-merek yang berbeda, menempati posisi berjauhan.  Jadi, dari peta persepsi itu, kita sanggup melihat mana merek-merek yang bersaing dekat, mana yang bersaing jauh.

Jangan dulu pertanyakan kebenarannya lantaran peta ini diperoleh hanya dari persepsi seorang responden. Namun, kalau mau diterjemahkan, dari peta tersebut terlihat bahwa Carens mempunyai posisi yang akrab dengan Trajet.  Posisi merek-merek lain juga terlihat.  Trajet tentu bukanlah tentangan Honda Jazz mengingat posisinya yang jauh.

Memang, dalam pemasaran, MDS umumnya digunakan dalam  me-metakan persepsi. Namun, informasi yang diberikan MDS digunakan dalam aneka macam aplikasi pemasaran lainnya, seperti:

1. Pengukuran imej (image measurement). Kita tahu bahwa imej yaitu persepsi yang bersifat publik. Kalau peta persepsi setiap individu kita ukur, kemudian kita lakukan perbandingan antar-individu, objek-objek yang menempati posisi yang relatif sama pada sebagian besar atau semua individu, tentu sudah mempunyai imej yang kuat.


2. Segmentasi pasar. Merek dan dan konsumen sanggup diposisikan dalam peta yang sama (in the same space),  kemudian kelompok-kelompok konsumen dengan persepsi yang relatif homogen sanggup diidentifikasi.


3. Pengembangan produk baru (new product development). Melalui ‘spatial map’ sanggup terlihat area-area yang masih kosong atau yang pemainnya belum ada.  MDS sanggup digunakan untuk mengevaluasi konsep-konsep produk gres dan merek-merek ketika ini untuk mengetahui bagaimana konsumen mempersepsikan konsep-konsep baru.  Proporsi preferensi untuk setiap produk gres yaitu sebuah indikator untuk mengetahui kesuksesannya.


4. Menilai keefektifan iklan. Kalau iklan ditujukan untuk membentuk “brand position”, MDS sanggup digunakan untuk mengukur apakah posisi yang diinginkan sudah tercapai, dengan kata lain, apakah iklan efektif dalam membentuk “brand position”.


5. Analisis harga. Buatlah ‘spatial map’ dengan dan ‘tanpa memasukkan’ faktor harga.  Lalu, bandingkan kedua spatial maps.  Beda antara keduanya, mencerminkan dampak harga terhadap persepsi konsumen.


6. Keputusan saluran (channel decision). Kalau kita melaksanakan judgement perihal kompatibilitas (compatibility) atas sejumlah merek dengan outlet yang berbeda-beda, maka informasi dari spatial maps yang terkait kanal distribusi tersebut, sanggup digunakan sebagai materi pertimbangan.  Misalnya begini.  Melalui MDS kita petakan sejumlah merek.  Ada sebuah merek, katakan merek A, menarik perhatian kita.  Lalu, kita ingin biar posisi merek kita sama dengan posisi merek A.  Lalu, kita selidiki praktek-praktek pemasaran yang dilakukan merek A, termasuk kanal distribusinya, kemudian dijadikan sebagai materi pola dalam mendesain kanal distribusi merek kita.


7. Konstruksi skala sikap. Teknik MDS sanggup digunakan untuk menyebarkan skala pengukuran sikap.[i]

TERMINOLOGI DAN STATISTIK

1. Analisis agregat (aggregate analysis), sebuah pendekatan dalam MDS, di mana perceptual map dibuat untuk penilaian sekelompok responden terhadap objek-objek. Perceptual map ini sanggup dibuat oleh komputer maupun peneliti sendiri.


2. Penilaian kesamaan (similarity judgement), merupakan peringkat seluruh pasangan merek yang mungkin atau stimulsi lain menurut kesamaan yang dinyatakan melalui skala pengukuran (measurement scale) berskala numerik atau semacamnya.


3. Peringkat preferensi (preference rankings), yaitu raking berupa urutan merek-merek mulai dari yang paling diinginkan hingga paling tidak diinginkan konsumen (atau responden).


4. Stress, yaitu skor yang menyatakan ketidaktepatan pengukuran (lack-of-fit measurement). Semakin tinggi ‘stress’, semakin  tinggi ketidaktepatan (fit).


5. R kuadrat (R square), yaitu indeks korelasi pangkat dua yang menyatakan proposi varians data orisinil yang sanggup dijelaskan oleh MDS.


6. Spatial map (disebut juga perceptual map), yaitu suatu peta geometris yang menyatakan korelasi atau perbandingan antar merek atau stimuli lain menurut dimensi-dimensi yang diukur.


7. Koordinat (coordinates), menyatakan posisi suatu merek atau stimulus lain dalam spatial maps.


8. Unfolding, representasi merek dan responden sebagai poin dalam space yang sama.

MDS Dibanding Teknik-teknik Multivariate Lainnya

Ada dua keunikan MDS dibanding teknik-teknik multivariate lainnya. Pertama, analisis MDS sanggup dilakukan pada level individu (disebut disaggregate analysis), selain level segmen maupun level agregat (disebut aggregate analysis).  Dalam disaggregate analysis, perceptual map diproduksi sebanyak objek atau subjek.

Teknik-teknik multivariat lain tidak ada yang menyerupai ini (mampu melaksanakan analisis disaggregat).

Kedua, kemampuan MDS untuk “menghasilkan” dimensi-dimensi tanpa keharusan mendeskripsikan atribut-atribut produk. Kata “menghasilkan” dibuat dalam tanda kutip bermakna bahwa MDS tidak menyatakan dimensi-dimensi itu secara eksplisit, akan tetapi melalui pertimbangan (judgement) peneliti.

ISU-ISU MDS

Sebelum melaksanakan MDS, ada beberapa gosip yang perlu diperhatikan  oleh peneliti, menyerupai berikut ini.

Identifikasi Objek Relevan.  Peneliti perlu mengusut objek-objek yang relevan.  Objek-objek yang tidak relevan akan meng-ganggu peta persepsi serta mempersulit interpretasi dimensi-dimensi perseptual di antara objek-objek yang diuji.  Sekiranya  ingin meneliti brand position Mitsubishi Kuda, tentu kita harus menyertakan merek-merek relevan, menyerupai Kijang, Panther, Taruna, Avanza, dan Xenia.

Batasan merek relevan bersifat subjektif. Untuk mempe-rolehnya, kita sanggup melaksanakan riset pendahuluan, bisa pula menurut data sekunder berupa data yang digunakan oleh pihak lain (misalnya majalah atau tabloid) sebelumnya.

Similarity Versus Preferensi.  Setelah objek ditentukan, perlu pula ditentukan, menurut apa persepsi terhadap objek-objek tersebut dipetakan, menurut kesamaan (similarity) ataukah preferensi (preference)?. Kedua jenis input data akan menghasilkan peta persepsi yang berbeda.

Dengan similarity, memang dimensi-dimensi objek sanggup digali, akan tetapi determinasi pilihan tidak terungkap.  Artinya, kita tidak mengetahui kecenderungan pilihan responden.

Dengan preferensi memang pilihan terefleksi, akan tetapi, sulit membandingkan kesamaan antara satu objek dengan objek lain, alasannya dimensi yang digunakan untuk membangun preferensi, bisa saja berbeda untuk objek yang berbeda. Misalnya, Roberto menempatkan kendaraan beroda empat Jazz sebagai pilihan pertama lantaran ekonomis materi bakar. Pilihan kedua yaitu Terrano lantaran desainnya yang gagah.  Sulit membandingkan kesamaan kedua merek tersebut dalam peta persepsi lantaran atribut dasar pembentukan preferensi berbeda.

Desain Riset.  Perlu ditentukan, apakah dalam MDS kita meng-gunakan desain decompositional (attribute-free) ataukah compositional (atrribute-based).  Desain  decompositional kita  hanya mengukur kesan umum (general impression).  Pada ketika membandingkan Kuda dan Kijang, kesamaan di antara keduanya, ataupun preferensi pada keduanya, oleh responden dihasilkan hanya menurut kesan umum.  Artinya, responden tak perlu menguraikan alasan atas persepsi atau pun prefensinya.

Dengan metoda compositional, kita mengukur kesan  atas sejumlah merek menurut sekumpulan atribut. Dengan menggunakan teknik pengukuran tertentu (biasanya skala numerik ataupun semantic differential scale), kita meminta responden menunjukkan peringkat (rating) setiap merek pada sejumlah atribut.

Kesamaan diukur dengan membandingkan data setiap objek, umumnya dengan cara melaksanakan korelasi antar-objek.  Kesa-maan turunan (derived similarity) kemudian diolah dengan menggunakan analisis faktor ataupun analisis diskriminan untuk mengidentifikasi dimensi-dimensi yang digunakan responden untuk membedakan objek-objek tersebut.

Berdasarkan isu-isu di atas, kita sanggup mengetengahkan aneka macam metoda dalam menciptakan peta persepsi.  Seperti terlihat pada Gambar 8.2, MDS hanya salah satu cara untuk menciptakan pemetaan persepsi (perceptual mapping).

BENTUK-BENTUK MATRIK

 Proksimiti (proximity), yang disebut juga jarak psikologis (psychological distance), merupakan ukuran empiris kedekatan atau kesa-maan pasangan-pasangan objek.   Tabel-tabel yang berisikan data proksimiti disebut matrik.  Ada tiga bentuk matrik yang umum dijumpai dalam MDS, menyerupai dijelaskan berikut ini.

Intact unconditional proximity matrix.  Disebut utuh (intact)  karena setiap sel (kecuali diagonal utama) berisikan data yang mengindikasikan tingkat kesamaan (similarity) ataupun ketidak-samaan (dissimilarity) suatu pasangan stimuli relatif terhadap pasangan-pasangan stimuli lain. Disebut unconditional  karena setiap sel sanggup dibandingkan dengan sel lain secara langsung. Tabel 8.1, Tabel 8.2 dan Tabel 8.9 termasuk kategori ini.

Karena jumlah baris dan kolom sama, sebagai matrik, tabel-tabel tersebut juga tergolong sebagai matrik simertis (symmetric).

Lihat Tabel 8.2.  Objek-objek (maskapai penerbangan) terletak pada kolom, sedangkan pada baris terdapat acuan (yaitu atribut).  Kesamaan setiap objek sanggup dievaluasi pada setiap baris.  Misalnya, untuk atribut aroma (di sini aroma sebagai referensi), kita membandingkan kesamaan setiap objek pada atribut tersebut.  Otomatis, angka-angka pada baris pertama, tidak bisa dibandingkan dengan angka-angka pada baris kedua dan lainnya.  Yang bisa dibandingkan hanya data antar kolom. Karena kesamaan hanya sanggup dinilai pada suatu kondisi (hanya antar  baris saja atau kolom), maka  matrik demikian disebut intact conditional proximity matrix.

Yang ketiga, objek-objek (disebut juga stimuli) ditempatkan pada kolom, sedangkan pada baris, ditempatkan responden (orang). Misalkan, kita ingin meminta responden untuk menunjukkan preferensi pada sejumlah objek (Tabel 8.9, halaman 194).  Dengan demikian kita memperoleh off-diagonal conditional proximity matrix. Sama menyerupai pada matrik sebelumnya, pada matrik ini kita tidak bisa membandingkan nilai antar baris, yang bisa hanya data antar kolom.

PENDEKATAN NON-ATRIBUT

Ada dua jenis data input pada pendekatan non-atribut, yaitu kesa-maan (similarity) dan preferensi (preference).

 Kesamaan (Similarity).   Menurut Maholtra, kesamaan sanggup diukur dengan dua cara, yaitu cara pribadi (direct measures) cara tidak pribadi (derived measures).  Berikut ini disajikan pendekatan langsung. Pendekatan pribadi disajikan pada pendekatan berbasis atribut.

Ada beberapa cara mengukur kesamaan, yaitu  meranking, menggunakan skala numerik atau semantic differential, mengelompokkan secara subjektif, anchoring clustering method, membandingkan pasangan dan mengukur sikap secara pribadi (direct behavior method).   Dua metoda pertama paling banyak dibahas dalam buku-buku riset pemasaran.

Berikut ini dilakukan pembahasan pada empat metoda pertama. Dua metoda terakhir tidak dibahas lantaran tidak mudah dalam penerapannya.

Meranking

Kita bisa meminta responden untuk meranking semua pa-sangan objek-objek yang mungkin (all possible pairs).  Misalkan kita meriset delapan merek: Sosro, Tekita, Es Tea, Fruit Tea, Lipton Ice Tea, dan Fresh Tea.  Jika dipasang-pasangkan akan ada 15 pasangan, yang ditampilkan dalam pertanyaan (yang disertai simulasi jawaban) sebagai berikut:

Berikan peringkat (ranking) tingkat kesamaan pasangan-pasangan merek teh botol berikut (peringkat 1 yaitu yang paling mirip):

Dengan   pertanyaan serta simulasi data  di atas, kita hasilkan data menyerupai pada Tabel 8.1. Lalu, dengan data ini, kita hasilkan perceptual map  Gambar 8.3.

Langkah-langkah analisis MDS dengan SPSS

1. Pada layar SPSS, isikan data Tabel 8.1. Merek-merek yang dilibatkan harus ditulis sesuai susunan abjad, kalau tidak, MDS sanggup menginterpretasikan adanya data yang hilang (missing value).  Tampak di layar menyerupai di bawah ini.

2. Pada hidangan utama SPSS, pilih analyze, kemudian Scale, sesudah itu klik multimension scaling (PROXSCALL). Dalam SPSS, ada dua pilihan MDS.  Selain PROXSCALL, satu lagi yaitu ASCALL. Untuk bentuk matrik menyerupai Tabel 8.1, keduanya menunjukkan hasil sama. Hanya saja, dengan PROXSCALL, koordinat merek-merek gampang di-copy.  Jadi, kita pilih jadwal ini.

3. Pada kotak obrolan yang muncul, pilih: The data are proximities, One matrix source, Proximities are in a matrix across column, lalu klik Define.

4. Pada kotak obrolan yang muncul, masukkan semua merek pada sel proximities. Lihat gambar di bawah. Kemudian klik OK.

5. Ada aneka macam hasil yang diperoleh, tetapi untuk keperluan kita, cukup ditampilkan perceptual map, menyerupai pada Gambar 8.3.

Gambar 8.3. Peta Perseptual Teh

Perlu diketahui  bahwa peringkat kesamaan, mulai dari yang paling mirip,  bisa dimulai dari 1 (angka paling kecil), bisa pula dari 15 (angka paling besar). Data ranking ini ordinal.

Dari perceptual map di atas (Gambar 8.3) terlihat bahwa Fresh Tea, Tekita dan Estea, mempunyai posisi yang berdekatan.  Berdasarkan posisi tersebut sanggup dikatakan bahwa ketiga merek ini bersaing satu sama lain.

Lipton dan Fruit Tea juga mempunyai posisi yang relatif berdekatan. Sedangkan Sosro mempunyai daerah tersendiri dan terkesan tidak mempunyai pesaing langsung.

Klik to Download or Print

Sumber https://www.bilsonsimamora.com

√ Mds Berbasis Skala Numerik Dan Semantic Differential

 

Kalau jumlah objek banyak, contohnya sepuluh merek, akan ada 10(10-1)/2=45 pasangan merek. Tentu, menciptakan peringkat kesamaan sedemikian banyak pasangan merupakan pekerjaan merepotkan.  Oleh lantaran itu, teknik dengan  memakai skala numerik  ataupun semantic differential, sanggup dipertimbangkan.

Berikan pendapat anda ihwal kemiripan pasangan-pasangan koran nasional berikut:

Metoda ini menguntungkan lantaran lebih mudah, alasannya ialah responden tidak perlu membandingkan peringkat satu pasangan dengan pasangan lain.  Masalahnya, dengan metoda ini, kita tidak mengetahui peringkat kemiripan pasangan, alasannya ialah terdapat kemungkinan adanya skor yang sama.

Tabel 8.2 berisikan data mentah yang diperoleh dari konsumen. Untuk pengolahan, data ini kita ubah menjadi data ranking, seperti  pada Tabel 8.2A.  Cara meranking tidak dijelaskan di sini.  Konsep tersebut sanggup didalami pada buku-buku statistika.

Tabel 8.2

Tabel 8.2A

Prosedur yang dipakai dalam analisis SPSS sama persis dengan mekanisme yang telah dijelaskan dalam analisis perceptual map untuk sekumpulan merek teh botol yang telah dibahas. Dua hasil ditampilkan, yaitu final coordinates dan perceptual map (Gambar 8.4).

Penampilan data pada layar:

Gambar 8.4

Klik to Download or Print

Sumber https://www.bilsonsimamora.com

√ Mds Dengan Anchor Point Clustering Method

Dengan anchor point clustering method, kita memakai  satu merek sebagai patokan.  Lalu, responden menilai kemiripan sejumlah merek yang paling menyerupai dengan merek referensi. Jawaban dapat berupa angka satu (untuk sekian banyak merek paling mirip) atau ranking.  Matrik yang kita peroleh  conditional lantaran kita tidak dapat membandingkan baris dengan baris.  Jadi, matrik tidak simetrik.

Pertanyaan:

Pilih lima merek  yang paling menyerupai dengan oli Top One:

Pen Zoil                       ____

Mesran Super             ____

Mesran Prima             ____

Mesran Prima XP       ____

Evalube                         ____

Repsol                          ____

Fastron                        ____

Synthium                     ____

Quatron                       ____

Agip                              ____

Dari 10 responden, diperoleh hasil menyerupai pada Tabel 8.4. Hasilnya yakni Gambar 8.6.

Tabel 8.4

Langkah-langkah analisis dengan SPSS

Buka layar SPSS kemudian ketikkan data Tabel 8.4. Kalau sudah diketik pada jadwal lain (yang under Windows),  Copy data pada jadwal itu, kemudian Paste pada layar SPSS. Tampak pada layar:

Pada hidangan utama, pilih Analyze, Scale, kemudian klik Multidimen-sionscaling (PROXSCALL). Pada kotak obrolan yang muncul, pada Data format, pilih Creates proximities from data. Kemudian, pada Number of source, pilih One matrix source. Lalu, klik define.

Pada kotak obrolan yang muncul setelah langkah ke-2, drag semua merek kemudian masukkan dalam area Variables.

Pada kotak obrolan di atas, klik Measure, kemudian pada kotak obrolan yang muncul sesudahnya,  klik Binari. Lalu, klik Continue untuk kembali ke kotak obrolan utama.

Pada kotak obrolan utama, klik OK. Hasilnya Gambar 8.6.

Gambar 8.6

 

Klik to Download or Print

Sumber https://www.bilsonsimamora.com

√ Mds Menurut Kesan Umum Secara Lengkap

Berikut ini disajikan pola analisis MDS dengan metoda kesan umum secara lengkap.  Ada pun metoda yang digunakan yakni peringkat kemiripan (Similarity ranking).

Data yang diperoleh bersifat ordinal, sehingga  tidak sanggup dirata-ratakan. Kalau pun ada sejumlah responden, peta harus dibentuk sendiri-sendiri. Data pada Tabel 8.5 yakni peringkat kemiripan maskapai-maskapai penerbangan nasional dari seorang responden.

Sebagai matrik, Tabel 8.5 tergolong intac unconditional proximity matrix.  Selain itu, juga sanggup digolongkan matrik symmmetric lantaran jumlah baris dan kolom sama.

Pada Tabel ini, urutan merek sengaja dibentuk berdasarkan huruf semoga kegiatan tidak menganggap ada data yang hilang (missing).

Tabel 8.5 memang berisikan kesamaan (similarity) lantaran dalam pengisian, responden diminta untuk memperlihatkan angka 1 pada pasangan paling mirip.  Namun, dalam mengolah data, peneliti perlu mempelajari bagaimana kegiatan memperlakukan data.  Program Proxscal pada SPSS, menilai kesamaan dengan prinsip: “Semakin tinggi skor semakin tinggi tingkat kesamaannya”.  Oleh lantaran itu, kita harus menyatakan  bahwa data kita berisikan “ketidaksamaan” semoga kegiatan menerjemahkan bahwa “semakin  tinggi skor semakin tinggi ketidaksamaan”.

Langkah-langkah Analisis dengan SPSS

Seperti biasa, masukkan data ke dalam SPSS. Ingat semoga merek disusun (dari kiri ke kanan) sesuai urutan abjad. Tampak di layar:

Dari sajian utama, pilih Analyze, kemudian Scale, kemudian klik Multidimension scaling. Kali ini kita mau menggunakan ASCALL. Sebenarnya, untuk kasus ini, dengan PROXSCALL pun akan diperoleh hasil yang sama. Bedanya, Perceptual map PROXSCALL ditampilkan menyerupai gambar dua dimensi, sekali pun bergotong-royong tiga dimensi. Dengan ASCALL, format perceptual map lebih bagus, namun Text output (seperti pada Tabel 18.6) terlalu panjang.

Pada kotak obrolan utama, pilih data are distance, kemudian shape: symmetric.  Data kita disebut simetris (symmetric) lantaran jumlah baris sama dengan jumlah kolom dan sama-sama berisikan objek.

Pada kotak obrolan utama, klik model. Lalu, pada kotak obrolan yang muncul, pada level of measurement, pilih ordinal (karena memang data kita yang berupa ranking yakni ordinal).  Pada conditionally, pilih unconditional.  Maksudnya, antara kesamaan antar-merek pada baris dan kolom Tabel 8.5 sanggup dibandingkan secara langsung.  Lalu, pada pilihan dimensions, putuskan minumum 1 dan maksimum 3. Kalau awal kita selalu dihadapkan pada perceptual map dua dimensi, kali ini kita ingin mem-peroleh perceptual map satu, dua dan tiga dimensi. Lalu,  nanti kita akan memutuskan solusi berapa dimensi yang terbaik. Terakhir klik Continue untuk kembali ke sajian utama.

Agar memperoleh perceptual map, pada sajian utama, klik Options, kemudian pada pilihan Display, pilih Group plots. Kalau perintah ini tidak diberikan, maka kegiatan tidak memperlihatkan perceptual map, hanya koordinat saja.

Pada sajian utama, klik OK. Program SPSS akan melaksanakan bagiannya. Hasilnya disajikan pada Tabel 8.6.

 

Analisis Agregat

Seperti telah dijelaskan, lantaran data ordinal, maka kita hanya sanggup mengolah data individu.  Persoalannya, bagaimana memperoleh perceptual map dari sekelompok responden? Yang terang tidak sanggup dengan mencari skor rata-rata setiap responden. Cara yang sanggup dilakukan yakni dengan merata-ratakan koordinat merek-merek yang diperoleh dari semua hasil analisis individu.

Untuk kasus kita ini, data yang diolah yakni data individu. Kalau ditanyakan, kenapa bukan data agregat yang diolah? Jawabannya, lantaran tujuan utama kita yakni menemukan solusi atas pertanyaan: “Perceptual map model berapa dimensi yang terbaik”?

Perceptual Map Tiga Dimensi

 Tidak ada batasan berapa jumlah dimensi perceptual map, sanggup satu, dua, tiga dan seterusnya, asal jangan ekstrim saja, contohnya 100 dimensi. Namun, semoga sanggup divisualisasikan, jumlah dimensi tentulah maksimal tiga.  Empat dimensi atau lebih tak sanggup lagi digambarkan. Keran itulah, untuk kasus ini, jumlah maksimal dimensi yang diminta pada kegiatan SPSS yakni tiga.

Pada Gambar 8.7 terlihat bahwa maskapai-maskapai pener-bangan mengelompok ke dalam empat grup. Lion, Batavia, Jatayu dan Adam Air satu kelompok.  Bouraq, Mandala dan Merpati satu kelompok.  Garuda dan Star Air, masing-masing kelompok sendiri.

Kalau perceptual map digunakan untuk menganalisis situasi persaingan, maka merek-merek yang berada dalam satu kelompok bersaing pribadi satu sama lain.  Semakin bersahabat jarak antar posisi atau koordinat, persaingan semakin dekat.  Persaingan paling bersahabat terjadi antara Merpati dan Mandala, lantaran koordinat keduanya berimpit.

Star air dan dan Garuda Indonesia tidak mempunyai pesaing langsung.  Kedua merek ini, sekalipun bersaing juga dengan merek-merek lain, tertapi persaingannya yakni persaingan tidak langsung.

Merek-merek menyerupai ini biasanya mempunyai diferensiasi yang terang dan unik (beda sendiri).  Memang, salah satu tujuan diferensiasi yakni mengurangi tingkat persaingan dengan merek-merek lain.

Interpretasi Dimensi-dimensi

Lihat Gambar 8.7.  Di dalamnya ada tiga dimensi.  Pertanyaannya, apa dimensi-dimensi ini?  Kita perlu melaksanakan interpretasi, menyerupai yang kita lakukan dalam analisis faktor.  Namun, seringkali justru kiprah ini yang paling sulit.

Menurut Hair, et. al.(2006), ada dua cara untuk menginterpretasi dimensi-dimensi perceptual map.  Pertama, interpretasi subjektif.  Interpretasi sanggup dilakukan oleh peneliti, responden sendiri maupun ahli.  Caranya, dengan memperlihatkan label pada dimensi-dimensi yang ada pada perceptual map. Tugas ini semakin gampang kalau jumlah dimensi semakin sedikit.  Setelah diinterpretasi Gambar 8.7 ditampilkan kembali menyerupai Gambar 8.8.

Kedua yakni mekanisme objektif. Cara ini dilakukan dengan mengumpulkan rating atribut setiap objek, kemudian dengan software PROFIT  (PROperty FITting), dicari korespondensi terbaik antara atribut-atribut dengan setiap objek.  Software SPSS tidak mempunyai kemudahan itu, jadi tidak sanggup diulas lebih jauh.

Perceptual Map Dua Dimensi

Dalam perceptual map dua dimensi (Gambar 8.9) terlihat  ada empat kelompok maskapai penerbangan, menyerupai juga disimpulkan melalui perceptual map tiga dimensi.  Bouraq dan Mandala (yang  keduanyasekelompok dengan Merpati), mempunyai posisi yang persis sama.  Adamair, Jatayu, Lion Air, dan Batavia Air mempunyai posisi-posisi yang berdekatan.  Garuda dan Star Air, masing-masing mempunyai posisi yang berbeda.

Secara subjektif, dimensi 1 sanggup didnamakan sebagai harga tiket dan dimensi 2 sebagai banyaknya rute.

Perceptual Map Satu Dimensi

Model perceptual map satu dimensi diperlihatkan dalam Gambar 8.10.  Terlihat pada gambar itu bahwa Mandala dan Bouraq mempunyai posisi yang tumpang-tindih, yang berdekatan dengan Stair dan Merpati.  Terlihat pula bahwa Lion Air, Jatayu, Batavia Air dan Adamair dalam satu gerombolan.  Bahkan, Batavia Air dan Adam Air berada pada posisi yang persis sama.

Secara subjektif, dimensi yang mendasari peta persepsi ini sanggup dianggap sebagai harga tiket.

Seberapa Baik Perceptual Map Anda?

Untuk menjawab perta-nyaan tersebut, tersedia banyak sekali kriteria, antara lain:

R-square (disingkat RSQ).

Tidak semua kegiatan memang memperlihatkan informasi ini.  Seperti dalam regresi, RSQ dalam MDS, mengindikasikan proporsi varians data input yang sanggup dijelaskan oleh model MDS.  Semakin tinggi RSQ, semakin baik model MDS.  Menurut Maholtra, model sanggup diterima bila RSQ > 0,6.   Bagaimana dengan model kita?  Pada Tabel 8.6 terlihat bahwa untuk tiga dimensi, RSQ=0,98875, untuk dua dimensi RSQ=0,98608 dan untuk satu dimensi RSQ=0,96415.  Terlihat bahwa semakin banyak dimensi, semakin baik model menjelaskan varian data input.

 Stress

Kriteria ini merupakan kebalikan RSQ.  Stress mengindikasikan proporsi varian perbedaan (disparity) yang tidak dijelaskan oleh model.  Cara menghitung stress bermacam-macam, namun yang paling banyak digunakan yakni stress Kruskal, yang rumusnya:

Rumus ini hanya untuk mengetahui dari mana data stress diperoleh.  Sebenarnya, pada umumnya software kegiatan MDS sudah menghitungnya.  Yang penting bagi kita yakni bagaimana menginterpretasikannya.

Untuk interpretasi berlaku prinsip: “Semakin rendah stress, semakin baik model MDS yang dihasilkan”.  Pertanyaannya, hingga nilai berapa stress masih mengindikasikan model yang baik?  Perta-nyaan ini sanggup dijawab dengan menggunakan standar yang diguna-kan oleh Kruskal, menyerupai dikutip Maholtra (2006):

Dengan menggunakan standar tersebut, dua model (tiga dan dua dimensi) yang dihasilkan mempunyai goodness of fit yang excellent, bahkan mendekati sempurna, satunya lagi sedikit di bawah fair.  Pada Tabel 8.6 terlihat bahwa stress model tiga dimensi = 0,04844  (antara good dan excellent, cenderung good), stress dua dimensi = 0,06171 (antara good dan fair,cenderung good)  dan stress model satu dimensi =0,11073 (antara fair dan poor, cenderung fair).

Membagi Data

Kalau responden banyak, maka data sanggup dibagi dua, tiga, empat dan seterusnya (sesuai banyaknya data) secara acak.  Lalu, lakukan analisis  MDS agregat untuk masing-masing pecahan data.  Bandingkan hasilnya. Kalau tidak berbeda signifikan, model MDS baik.

Mengeluarkan Stimuli

Lakukan percobaan dengan mengeluarkan stimuli secara selektif. Katakanlah awalnya kita mempunyai 10 stimuli. Lakukan MDS.  Buanglah satu di antaranya.  Lalu, lakukan analisis MDS. Kalau hasil kedua MDS menyerupai (tidak berubah banyak), atau bahkan sama, model kita baik.

Data Longitudinal

Coba ambil data pada waktu yang berbeda.  Pengambilan pertama, contohnya bulan Januari,  kedua bulan Juli.  Bandingkan hasilnya. Kalau menyerupai (tidak berubah banyak), atau bahkan sama, model kita baik.

Model Berapa Dimensi Paling Baik?

Memang, semakin banyak dimensi, semakin baik model menjelaskan varian data input.  Namun, masalahnya, semakin sulit mengin-terpretasi dimensi serta memahami posisi objek.  Program-program yang tersedia sanggup mengolah usul untuk jumlah dimensi empat atau lebih.  Namun, dimensi sejumlah itu jarang dipakai.

Katakanlah kita mempunyai model satu dimensi, dua dimensi dan tiga dimensi, yang semuanya memenuhi kriteria goodness of fit. Pertanyaan, kalau harus menentukan satu di antara ketiganya, model mana yang paling optimal?  Petunjuk berikut ini sanggup dijadikan pertimbangan untuk menjawab pertanyaan itu:

1. Teori dan penelitian sebelumnya. Apa kata teori ataupun penelitian sebelumnya (yang valid dan reliabel)?  Kalau peta persepsi kendaraan beroda empat menggunakan dua dimensi, anda sanggup menggunakan peta dua dimensi untuk kategeori objek yang sama.


2. Kemungkinan interpretasi perceptual map. Katakanlah kita mempunyai model satu, dua dan tiga dimensi.  Ternyata, pada dua model di antaranya, yaitu model dua dan tige dimensi, dimensi-dimensi model sulit diinterpretasi.  Sedangkan dalam model satu dimensi, interpretasi gampang dilakukan. Pakailah model satu dimensi.


3. Garis stress. Pada Tabel 8.6 terlihat data stress sebagai berikut: satu dimensi 0,11073, dua dimensi 0,06171 dan tiga dimensi 0,04844.  Kalau ketiganya dihubungkan dengan garis, jadinya yakni garis stress (Gambar 8.12).

Perhatikan garis stress.  Seandainya  lurus, sulit menggunakan garis stress untuk menginterpretasi model terbaik.  Untungnya garis garis stress pada Gambar 8.12 mempunyai siku (elbow), tepat pada angka dua.  Karena itu, dengan kriteria ini, kita simpulkan bahwa model terbaik yakni model dua dimensi.

Kepraktisan penggunaan.

Seperti disampaikan pada awal pecahan ini, hasil MDS sanggup digunakan untuk banyak sekali keperluan.  Renungkan, model mana (satu, dua ataukah tiga dimensi) yang paling mudah sesuai keperluan, itulah model paling optimal.

Kriteria Statistik

Bagi peneliti yang sudah advance, tersedia banyak sekali kriteria statistik, yang tidak dibahas pada buku ini.  Sekali pun rumit, kriteria statistik tidak otomatis paling baik, lantaran harus dipertimbangkan, penting mana kriteria statistik dibanding kriteria-kriteria lain.

Klik to Download or Print

Sumber https://www.bilsonsimamora.com