Regresi berganda (skripsi dan tesis)

Adalah metode yang tepat dipergunakan untuk masalah penelitian yang melibatkan satu variable tak bebas Y yang datanya berbentuk skala interval/rasio (kuantitatif) yang mempengaruhi atau terkait dengan lebih dari satu variable bebas X yang skala pengukurannya nominal/ordinal (kualitatif) maupun interval/rasio (kuantitatif). Tujuannya untuk memperkirakan/meramalkan nilai Y, jika semua variable bebas diketahui nilainya. Persamaan regresi linear berganda dibentuk dengan menggunakan metode kuadrat terkecil (least square method). Selain itu juga untuk mengetahui besarnya pengaruh dari setiap variable bebas yang terdapat dalam persamaan.

Analisis Kovarian (Analysis of covariance/Ancova ) (skripsi dan tesis)

 Bertujuan untuk mengetahui perbedaan tentang nilai rata-rata dari variable tak bebas terkait dengan pengaruh dari variable bebas terkontrol. Variabel bebas yang kategori (nonmetrik: nominal dan ordinal) disebut faktor sedangkan variable bebas yang metric (interval atau rasio) disebut kovariat. Penggunaan kovariat untuk menyingkirkan (to remove) variasi yang tidak ada hubungannya (extraneous variation) dengan variable tak bebas oleh karena pengaruh (efek) dari faktor yang dianggap lebih penting. Variasi pada variable takbebas disebabkan oleh adanya kovariat disingkirkan melalui suatu penyesuaian (adjustment) terhadap nilai rata-rata variable tak bebas di dalam setiap kondisi treatment atau perlakuan (kategori/level). Signifikansi efek baik gabungan dari kovariat maupun efek dari setiap kovariat sebagai individu, diuji dengan criteria F yang tepat. Koefisien untuk kovariat memberikan pendalaman (provide insights) tentang efek atau pengaruh yang kovariat digunakan (exert) pada variable tak bebas Y. Analisis kovarian merupakan analisis yang paling tepat untuk faktor / variable bebasnya berbentuk kategori atau data nonmetrik, yaitu data beskala nominal atau ordina.

Jenis Multidimensional Scalling (skripsi dan tesis)

Berdasarkan skala pengukuran dari data kemiripan, MDS dibedakan atas:

a. MDS berskala metrik 

Multidimensional scaling (MDS) metrik mengasumsikan bahwa data adalah kuantitatif (interval dan ratio). Dalam prosedur MDS metrik tidak dipermasalahkan apakah data input ini merupakan jarak yang sebenarnya atau tidak, prosedur ini hanya menyusun bentuk geometri dari titik-titik objek yang diupayakan sedekat mungkin dengan input jarak yang diberikan. Sehingga pada dasarnya adalah mengubah input jarak atau metrik kedalam bentuk geometrik sebagai outputnya.

 b. MDS bersakala nonmetrik 

Multidimesional scaling nonmetrik mengasumsikan bahwa datanya adalah kualitatif (nominal dan ordinal). Pada kasus ini perhitungan kriteria adalah untuk menghubungkan nilai ketidaksamaan suatu jarak ke nilai ketidaksamaan yang terdekat. 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. Transformasi monoton akan memelihara urutan nilai ketidaksamaannya sehingga jarak antara objek yang tidak sesuai dengan urutan nilai ketidaksamaan dirubah sedemikian rupa sehingga akan tetap memenuhi urutan nilai ketidaksamaan tersebut dan mendekati jarak awalnya. 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 metoda MDS metrik dengan asumsi bahwa meskipun data bukan jarak informasi yang sebenarnya tapi nilai urutan tersebut dipandang sebagai variabel interval.

Prinsip Dasar dan Tujuan Analisis (skripsi dan tesis)

 Analisis Multidimensional Scalling (MDS) merupakan salah satu teknik peubah ganda yang dapat digunakan untuk menentukan posisi suatu obyek lainnya berdasarkan penilaian kemiripannya. MDS disebut juga Perceptual Map. MDS berhubungan dengan pembuatan map untuk menggambarkan posisi sebuah obyek dengan obyek lainnya berdasarkan kemiripan obyek-obyek tersebut. MDS juga merupakan teknik yang bisa membantu peneliti untuk mengenali (mengidentifikasi) dimensi kunci yang mendasari evaluasi objek dari responden (pelanggan). Konsep dan ruang lingkup penskalaan multidimensional (multidimensional scaling=MDS) dalam riset pemasaran dan menguraikan berbagai aplikasinya; menguraikan langkah-langkah yang harus dilalui di dalam penskalaan multidimensional tentang data persepsi, meliputi perumusan masalah, mendapatkan data input, memilih prosedur MDS, memutuskan banyaknya dimensi, memberikan interpretasi kepada konfigurasi (configuration) dan memberikan penilaian (to asses) keandalan dan kesahihan (reability and validity), menjelaskan penskalaan data preferensi; menjelaskan analisis korespondensi dan kebaikan serta kelemahannya; memahami hubungan antar MDS, analisis diskriminan, dan analisis faktor. MDS dapat menentukan: 1. Dimensi apa yang dipergunakan oleh responden ketika mengevaluasi objek. 2. Berapa dimensi yang akan dipergunakan untuk masalah yang dihadapi (sedang diteliti). 3. Kepentingan relatif dari setiap dimensi. 4. Bagaimana objek dikaitkan atau dihubungkan secara perseptual? Dua teknik yang terkait untuk menganalisis persepsi dan preferensi pelanggan ialah analisis penskalaan multidimensional dan analisis konjoin (multidimensional scaling and conjoint analysis). Namun di dalam makalah ini akan ditunjukkan langkah-langkah yang diperlukan untuk melakukan analisis penskalaan dimensional. MDS digunakan untuk mengetahui hubungan interdepensi atau saling ketergantungan antar variabel atau data. Hubungan ini tidak diketahui melalui reduksi ataupun pengelompokan variabel, melainkan dengan membandingkan variabel yang ada pada setiap obyek yang bersangkutan dengan menggunakan perceptual map. Konsep dasar MDS adalah pemetaan. Analisis penskalaan multidimensional ialah suatu kelas prosedur untuk menyajikan persepsi dan preferensi pelanggan secara spasial dengan menggunakan tayangan yang bisa dilihat ( a visual display). Persepsi atau hubungan antara stimulus secar psikologis ditunjukkan sebagai hubungan geografis antara titik-titik di dalam suatu ruang multidimensional. Sumbu dari peta spasial diasumsikan menunjukkan dasar psikologis (phychological basis) atau dimensi yang mendasari (underlying dimensions) yang dipergunakan oleh pelanggan/ responded untuk membentuk persepsi dan preferensi untuk stimulus. Analisis penskalaan multidimensional dipergunakan didalam pemasaran untuk mengenali (mengidentifikasi), hal-hal berikut.

1. Banyaknya dimensi dan sifat/ cirinya yang dipergunakan untuk mempersepsikan merek yang berbeda di pasar. 

2. Penempatan (positioning) merek yang diteliti dalam dimensi ini. 

3. Penempatan merek ideal dari pelanggan dalam dimensi ini.

 Informasi sebagai hasil analisis penskalaan multidimensional telah dipergunakan untuk berbagai aplikasi pemasaran, antara lain sebagai berikut. 

1. Ukuran citra (image measurement). Membandingkan persepsi pelanggan dan bukan pelanggan dari perusahaan dengan persepsi perusahaan sendiri.

 2. Segmentasi pasar (market segmentation).

 3. Pengembangan produk baru (new product development). Melihat adanya celah (gap) dalam peta spasial, yang menunjukkan adanya peluang untuk penempatan produk baru. Juga untuk mengevaluasi konsep produk baru dan merek yang sudah ada on a test basis untuk menentukan bagaimana pelanggan mempersepsikan/ memahami konsep baru. Proporsi preferensi untuk setiap produk baru merupakan satu indikator keberhasilannya (maksudnya satu jenis produk tertentu banyak yang menyenanginya/ menggemarinya daripada produk lainnya). 

4. Menilai keefektifan iklan (assesing advertising effectiveness). Peta spasial bisa dipergunakan untuk menentukan apakah iklan/ advertensi telah berhasil di dalam mencapai penempatan merek yang diinginkan (misalnya dari posisi nomor 3 ke nomor 2 atau dari nomor 2 ke nomor 1).

 5. Analisis harga (pricing analysis) Peta spasial dikembangkan dengan dan tanpa informasi harga dapat dibandingkan untuk menentukan dampak yang ditimbulkan harga

. 6. Keputusan saluran (channel decisions). Pertimbangan pada kecocokan (compatibility) dari merk toko dengan eceran yang berbeda dapat mengarah ke peta spasial yang berguna untuk keputusan saluran. 

7. Pembentukan skala sikap (attitude scale construction). Teknik penskalaan multidimensional dapat dipergunakan untuk mengembangkan the appropriate dimensionality and configuration of the attitude space

Teknik dalam MDS (skripsi dan tesis)

Menurut (Gudono, 2014), ada beberapa jenis algoritma MDS dan oleh karena itu jenis MDS dapat diklasifikasikan ke dalam beberapa kategori. Berikut adalah MDS berdasarkan skala pengukuran yang terbagi menjadi dua yaitu:

1. MDS Metrik

Data yang digunakan dalam MDS metrikadalah data rasio. Tujuan MDS metric adalah untuk mendapat konfigurasi titik-titik data dalam ruang multidimensi yang kedekatan (proximity) jaraknya menunjukkan kesamaan dengan data observasi.

2. MDS Nonmetrik

Tujuan MDS nonmetrik adalah untuk menetapkan hubungan nonmonotonik antara jarak antar titik dengan kesamaan yang diobservasi. Keunggulan MDS nonmetric adalah bahwa teknik ini tidak membutuhkan asumsi mengenai fungsi transformasi yang mendasarinya. Satu-satunya asumsi yang diperlukan hanyalah bahwa data yang diolah merupakan data ranking (atau ordinal).

Syarat-Syarat MDS (skripsi dan tesis)

Untuk menggunakan MDS, persyaratan yang harus dipenuhi adalah sebagai berikut:

1. Model telah dispesifikasi dengan tepat.

2. Telah menggunakan level pengukuran yang tepat. Misalnya untuk MDS metrik sebaiknya menggunakan skala rasio atau interval.

3. Jumlah objek paling tidak sebanyak dimensi. Jika jumlah objek kurang dari jumlah dimensi maka MDS akan tidak stabil, jika jumlah objek sedikit lebih banyak jumlah dimensi maka R2 akan terinflasi. Jumlah objek paling tidak empat kali jumlah dimensi ditambah 1.

4. Skala yang digunakan setara dan jika tidak setara maka ukuran yang digunakan sebaiknya adalah ukuran yang distandarisasi (standardized value).

5. Komparabilitas: objek yang diperbandingkan seharusnya memiliki kesamaan tertentu yang cukup berarti sehingga pantas diperbandingkan

6. Ukuran sampel yang banyak memang tidak dipersyaratkan tetapi ukuran objek (variabel) minimum adalah 4.

Analisis Multidimensional Scaling (MDS)

Menurut Gudono (2014), multidimensional scaling (MDS) merupakan teknik algoritma yang berguna untuk mengidentifikasi dimensi mendasari evaluasi atas objek atau untuk menentukan fitur dasar objek yang diamati. Sedangkan menurut Sarwono (2013), MDS atau disebut juga perceptual mapping adalah suatu prosedur yang memungkinkan seorang peneliti menentukan citra relatif yang dilihat pada seperangkat objek, misalnya produk, perusahaan, atau hal lain yang berhubungan dengan persepsi.

Perbedaan persepsi di antara semua objek direfleksikan di dalam jarak relatif di antara objek-objek tersebut di dalam suatu ruangan multidimensi