Multidimensional scaling (MDS) adalah salah satu teknik penyekalaan yang sering digunakan untuk memposisikan sekelompok obyek secara relatif di dalam sebuah peta preseptual (grafik dengan 2 sumbu X-Y atau lebih dengan dimensi sumbu yang saling berlawanan seperti tinggi-rendah, pahit-manis dan sebaginya). Secara umum MDS dapat membantu untuk menentukan (1) dimensi yang paling sering digunakan oleh responden dalam menilai suatu obyek, (2) berapa jumlah dimensi yang digunakan dalam penilaian tersebut, (3) hubungan relatif dari masing-masing dimensi, (4) hubungan obyek yang diamati secara preseptual.
Semua obyek yang diamati memiliki dimensi obyektif dan dimensi preseptual. Sebagai contoh produk motor Honda Kharisma memiliki dimensi warna merah dan hitam, rem cakram, serta mesin 125 CC, hal ini adalah dimensi obyektif. Sedangkan di sisi lain konsumen juga dapat beranggapan bahwa motor Honda Kharisma memiliki body kurang langsing dan kurang lincah, mahal namun irit. Hal-hal tersebut dapat juga dinamakan dimensi preseptual atau dimensi subyektif. Dua produk dapat memiliki ciri fisik yang sama namun dapat dipandang secara lain karena merek yang berbeda dianggap mencerminkan kualitas yang berbeda.
Dimensi 1
A
F
E
B
IPDimensi 2
C
D
Gambar 2.1. Gambar Ilustrasi Peta Preseptual pada MDS
Perbedaan MDS dengan metode interdependen lainnya seperti analisis faktor dan analisis cluster, adalah bahwa analisis faktor mengelompokkan faktor-faktor yang memiliki korelasi yang tinggi. Analisis cluster didasarkan pada pengamatan sekelompok variabel dan menentukan profil tiap kelompok. Sedangkan pada MDS responden bebas mengambil kesimpulan ataupun berangapan tentang suatu produk sehingga tidak dapat ditentukan nilai penyimpangannya. (Hair, 1998).
Pemetaan preseptual dalam metode MDS sangat sesuai digunakan untuk :
1. Mengeksplorasi dan mengidentifikasi dimensi-dimensi tak dikenal yang dapat mempengaruhi tingkah laku atau anggapan responden terhadap suatu obyek.
2. Membandingkan dua atau lebih obyek secara langsung sekalipun basis persamaan atau nilai pembanding obyek-obyek tersebut tidak dapat didefinisikan.
Berikut ini adalah diagram algoritma pengambilan keputusan dalam metode Multidimensional scaling sampai dengan tahap 3. (Hair, 1998)
Desain Penelitian
· Jumlah Obyek yang diamati
· Metrik atau nonmetrik
Desain Penelitian
· Jumlah Obyek yang diamati
· Metrik atau nonmetrik
Jenis Evaluasi
Mencari similaritas, preferensi obyek atau keduanya
Asumsi-Asumsi
Dimensi evaluasi dapat bervariasi pada tiap responden, begitu juga urutannya
Menentukan Metode Pendekatan pada Peta Preseptual
· Komposisional , ditentukan secara spesifik oleh peneliti
· Dekomposisional, menggunakan anggapan umum
Tujuan Penelitian
Menentukan obyek pengamatan yang relevan (similaritas atau preferensi, obyek secara umum atau khusus)
Rumusan Permasalahan
Mengidentifikasi dimensi-dimensi yang digunakan untuk mengevaluasi obyek
Tahap 4
Tahap 1
Tahap 2
Tahap 3
Metode Dekomposisional : Metode MDS tradisional dengan cara memecah atribut khusus dari anggapan umum obyek
Kombinasi : Kombinasi Similaritas dan preferensi
Preferensi : Meranking obyek secara langsung
Similaritas : Mencari kesamaan antar obyek
Metode Komposisional
Membuat presepsi secara umum dari atribut-atribut yang ditentukan oleh peneliti, seperti corespondence analysis, Factor analysis, dan discriminant analysis.
Langkah-Langkah Penentuan Tujuan Penelitian
Salah satu kesulitan paling umum dalam penentuan tujuan penelitian adalah pendefinisian spesifikasi standar untuk menilai atau mengevaluasi suatu obyek. Keutamaan peta preseptual adalah kemampuannya untuk menarik dimensi simpulan (obyektif maupun subyektif) tanpa harus mendefinisikan atribut obyek lebih dahulu. Oleh karena itu, perlu dilakukan tiga langkah dasar dalam penentuan tujuan penelitian, sebagai berikut :
a. Memilih obyek-obyek yang akan dievaluasi
Peneliti harus memastikan untuk mengikutsertakan segala hal yang relevan dalam evaluasi pembentukan presepsi responden, seperti produk atau layanan.
b. Menentukan basis penilaian obyek, similaritas atau preferensi
Langkah berikutnya setelah memilih obyek yang diamati, peneliti harus menentukan basis evaluasi, similaritas (kesamaan) atau preferensi (tingkatan). Kedua basis evaluasi tersebut dapat digunakan untuk membuat peta preseptual namun dengan intepretasi yang berbeda. Peta preseptual berbasis similaritas menampilkan atribut-atribut kesamaan obyek namun tidak secara langsung menampilkan urutan atau obyek yang menjadi pilihan utama responden. Sedangkan peta preseptual berbasis preferensi menampilkan urutan dan pilihan responden namun tidak menampilkan aspek-aspek kesamaan atribut obyek dikarenakan responden dapat mendasarkan penilaiannya pada dimensi yang benar-benar berbeda satu sama lain. Penggunaan basis similaritas atau preferensi harus diputuskan sejak awal, karena kedua hal tersebut secara mendasar mewakili hal yang berbeda.
c. Menentukan apakah analisis dilakukan pada suatu kelompok atau tingkat individu (agregate atau disagregate).
Peneliti dapat menentukan pembuatan peta preseptual mewakili masing masing individu secara terpisah pada metode disagrerat, sehingga dari peta presptual ini akan dapat dicari solusi untuk tiap-tiap orang. Melalui cara ini peneliti harus dapat mengidentifikasi elemen-elemen yang menjadi kesamaan pada tiap-tiap responden.
Sedangkan pada metode agregat, pendekatan paling sederhana adalah dengan mengambil nilai rata-rata dari keseluruhan skor obyek dan menghasilkan solusi tunggal pada seluruh obyek, untuk mengelompokkan responden dengan ciri sama, peneliti dapat menggunakan analisis kluster dan menggambarkan peta prespetual secara rata-rata.
d. Menentukan metode pendekatan yang akan digunakan, pendekatan berdasarkan penilaian obyek secara keseluruhan dan umum atau menggunakan pendekatan berdasarkan atribut dari masing-masing obyek yang diamati.
e. Menentukan siapa dan berapa responden yang akan dijadikan sasaran penelitian. Peneltitian hendaknya dilakukan pada responden yang setara dan bisa diperbandingkan atau memiliki satu karakter yang sama karena peta preseptual tidak dapat menggambarkan responden dengan karakteristik yang dipaksakan sama. Jumlah responden yang diamati minimal memenuhi level penerimaan terendah, terantung pada tingkat kepercayaan yang diunakan.
f. Metrik atau non metrik
Pada mulanya metode MDS menggunakan peta non metrik (secara ururtan) untuk menggambarkan peta preseptual, namun keterbatasan intreprestasi yang dapat digunakan menjadikan metode metrik (terukur) lebih banyak digunakan. Metode metrik dapat melakukan beberpa modoikasi dari data aslinya yaitu dengan menambahkan konstanta tertentu atau dengan melakukan rotasi.
g. Mencari kesamaan atau tingkat preferensi
Pengumpulan data harus ditentukan tujuannya, yaitu mencari kesamaan dan ketidak samaan atau mencari preferensi terhadap suatu obyek.
Basis preferensi memiliki dua pilihan prosedur yang dapat digunakan:
· Penentuan peringkat secara langsung
Setiap responden menentukan peringkat secara langsung pada obyek-obyek yang diamati, dengan cara ini masing-masing obyek harus diberikan penilaian yang unik (tidak boleh ada yang memiliki nilai sama).
· Perbandingan berpasangan
Setiap responden memberikan nilai terhadap pasngan obyek yang diamati sehingga dengan cara ini peneliti dapat menemukan informasi secara eksplisit dan lebih detail dari penentuan peringkat secara langsung. Namun tugas perhitungan akan menjadi berpuluh kali lipat lebih banyak, untuk 10 obyek yang diamati akan menjadi 90 pasang obyek.
h. Asumsi-asumsi yang digunakan.
asumsi yang digunakan di sini tidak pada metodologinya, namun lebih pada asumsi presepsi:
· Variasi dimensional
Setiap responden akan menerima memiliki dimensi presepsi suatu obyek yang berlainan sehingga jawaban akan beragam sekalipun ada keterbatasan jumlah dimensi yang diajukan peneliti.
· Variasi keutamaan
Responden memutuskan keutamaan dimensi suatu brand berdasarkan tingkatan kepentingan yang berbeda.
· Variasi batas waktu
Presepsi responden terhadap suatu obyek baik secara dimensional maupun tingkatan tidak akan selalu sama seiring berjalannya waktu, atau dapat berubah sewaktu-waktu.
Tahap Selanjutnya dari algortima pengambilan keputusan dengan metode multidimensional scaling adalah sebagai berikut : (Hair, 1998)
