Tipe data berdasarkan skala pengukuran dibagi menjadi 4 tipe, yaitu
skala nominal, ordinal, interval dan rasio. Berdasarkan tipe data tersebut,
multidimensional scaling dibagi menjadi 2 jenis, yaitu penskalaan berdimensi
ganda metrik dan penskalaan berdimensi ganda non-metrik.
a. Multidimensional scaling (MDS) metrik
Data jarak yang digunakan dalam multidimensional scaling
metrik adalah data rasio atau interval. MDS metrik (classical scaling)
digunakan untuk menemukan himpunan titik dalam ruang dimensi n
dimana masing-masing titik mewakili satu objek. Dalam classical
scaling, dissimilarities (πΏππ) diperlakukan sama dengan jarak (πππ),
yaitu πΏππ = πππ.
b. Multidimensional scaling(MDS) nonmetrik
Multidimesional scaling nonmetrik mengasumsikan bahwa
datanya adalah kualitatif (nominal dan ordinal). Program MDS nonmetrik
menggunakan transformasi monoton (sama) ke data yang sebenarnya
sehingga dapat dilakukan operasi aritmatika terhadap nilai
ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan
ketidaksamaanya. Hasil perubahan ini disebut disparities. Disparities ini
digunakan untuk mengukur tingkat ketidaktepatan konfigurasi objek-objek
dalam peta berdimensi tertentu dengan input data ketidaksamaannya.
Pendekatan yang sering digunakan saat ini untuk mencapai hasil yang
optimal dari skala non metrik digunakan Kruskal’s Least-Square
Monotomic Transformation dimana disparities merupakan nilai rata-rata
dari jarak-jarak yang tidak sesuai dengan urutan ketidaksamaanya.
Informasi ordinal kemudian dapat diolah dengan MDS nonmetrik
sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat
pada dimensi tertentu dan kemudian agar jarak antara objek sedekat
mungkin dengan input nilai ketidaksamaan atau kesamaannya. Koordinat
awal dari setiap subjek dapat diperoleh melalui cara yang sama seperti
metode MDS metrik dengan asumsi bahwa meskipun data bukan jarak
25
informasi yang sebenarnya tapi nilai urutan tersebut dipandang sebagai
variabel interval
Tidak ada komentar:
Posting Komentar