Penerapan Metode Multidimensional Scaling Dalam Positioning Tempat Makan di Jl. Dr. Mansyur Medan Berdasarkan Persepsi Mahasiswa Universitas Sumatera Utara

Lampiran 1. Kuesioner

KUESIONER PENELITIAN MAHASISWA

PENERAPAN METODE MULTIDIMENSIONAL SCALING DALAM POSITIONING TEMPAT MAKAN DI JL. DR. MANSYUR MEDAN BERDASARKAN

PERSEPSI MAHASISWAUNIVERITAS SUMATERA UTARA Identitas Mahasiswa

Nama : Fakultas : Jurusan : Stambuk :

Petunjuk Pengisian:

Berikan respon Anda terhadap penilaian tempat makan yang berada di Jl. Dr. Mansyur Medan untuk setiap pernyataan yang ada pada kolom “Kriteria” dengan dengan cara memberi skor pada setiap kolom A,B,C,D,E dan F.

Penilaian dilakukan harus berdasarkan 5 alternatif pilihan jawaban: 1. Sangat setuju skor: 5

2. Setuju skor: 4 3. Kurang Setuju skor: 3 4. Tidak setuju skor: 2 5. Sangat tidak setuju skor: 1 Note:

A = Ayam Penyet Jakarta B = Ayam Penyet Joko Solo C = Ayam Penyet Surabaya D = Ayam Penyet Ria E = Texas Chicken F = A&W

No Kriteria A B C D E F

1 Harga yang ditawarkan terjangkau 2 Menu yang tersedia sesuai dengan selera 3 Penyajian makanan rapi dan bersih 4 Desain tempat yang nyaman 5 Lokasi parkir yang memadai 6 Pelayanan terhadap konsumen baik 7 Kebersihan restoran terjaga

Lampiran 2. Hasil Penilaian Responden

No Responden

kl km kn

A B C D E F A B C D E F A B C D E F

1 5 4 4 4 4 4 5 5 5 5 5 4 4 4 4 5 5 4

2 4 4 4 4 4 4 3 3 4 3 4 2 3 3 4 3 4 3

3 4 3 4 2 3 2 3 5 3 4 3 3 3 4 3 5 4 4

5 4 3 5 2 2 1 3 3 5 4 4 4 3 3 4 4 5 4

6 5 4 4 3 4 4 3 4 5 5 4 4 4 4 4 5 4 5

7 2 2 2 2 1 1 3 2 2 2 2 1 2 2 2 2 2 2

8 3 3 3 3 2 2 4 4 5 4 3 3 4 3 4 4 5 5

9 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4

10 5 5 5 4 4 3 5 5 5 4 4 4 5 4 5 5 5 5 11 4 4 4 3 4 4 5 5 5 5 5 5 4 4 4 4 4 4 12 5 4 4 4 4 5 4 5 3 5 5 5 3 4 4 4 4 5 13 5 5 5 4 4 5 4 5 5 5 4 4 5 4 4 4 5 5 14 4 4 4 2 3 3 3 4 4 4 3 3 4 2 4 5 5 5 15 4 4 4 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 16 5 5 5 5 5 5 5 5 5 5 1 1 4 4 4 4 4 4 17 4 3 3 2 2 2 4 4 4 4 3 3 3 3 4 4 3 3 18 4 3 5 3 4 4 4 3 5 3 2 4 4 3 4 4 5 5 19 4 4 4 3 3 3 5 5 5 5 5 5 4 4 4 4 4 4 20 2 2 2 4 3 4 3 3 3 3 3 3 3 3 3 2 2 2 21 4 4 4 4 4 3 4 4 4 4 4 4 3 3 4 4 4 4 22 4 4 4 2 3 3 3 4 4 4 2 2 4 4 4 4 4 4 23 4 4 4 3 4 4 4 4 4 4 2 4 4 4 4 4 4 4 24 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 25 4 3 4 4 4 4 4 3 3 3 4 3 3 4 4 2 3 3 26 4 4 4 4 2 3 4 4 4 4 4 4 4 4 4 4 4 4 27 4 4 4 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 28 4 4 4 4 4 2 4 4 4 4 4 4 3 4 4 4 4 4 29 4 4 5 5 5 5 3 3 4 3 2 2 2 2 3 2 1 1 30 4 4 3 3 3 3 3 3 4 2 2 2 2 2 2 3 3 3 31 4 3 3 2 3 5 2 4 5 4 4 3 2 3 3 4 4 4 32 2 3 2 4 3 3 3 3 2 3 3 3 3 2 3 2 2 3 33 4 3 5 3 3 4 4 4 5 3 4 4 5 4 5 4 4 4 34 2 3 2 4 4 3 3 3 2 3 4 3 3 2 3 2 2 3 35 5 5 5 5 4 4 4 3 4 4 4 4 3 4 4 4 4 4 36 3 4 4 4 3 3 3 3 4 4 3 3 3 4 4 4 3 3 37 2 3 3 3 3 4 2 2 4 3 2 2 4 5 4 3 3 2 38 5 4 4 1 1 1 3 4 5 3 3 4 3 3 5 4 4 4 39 4 3 5 2 4 4 3 4 4 4 4 4 3 4 5 4 4 4 40 4 4 4 3 3 3 4 3 3 3 4 4 4 3 4 3 4 4 41 5 5 5 5 4 4 4 5 5 5 5 5 3 4 5 5 5 5 42 4 3 3 3 3 3 2 3 4 2 4 3 2 3 4 3 2 4 43 4 4 4 3 3 2 3 4 4 5 3 2 2 4 4 5 4 3 44 5 5 5 5 4 4 4 4 4 4 4 5 4 4 4 4 4 5 45 4 3 4 2 4 2 3 3 3 3 5 5 5 5 5 5 5 5 46 4 4 4 3 3 3 4 4 4 4 4 4 4 3 3 4 5 5 47 4 4 3 5 1 1 5 5 4 4 5 5 3 4 5 4 5 4 48 4 4 4 4 3 3 5 5 5 4 4 5 4 4 4 4 4 4 49 5 5 5 4 4 3 5 5 4 4 4 4 4 4 4 5 5 5 50 5 4 3 2 2 1 3 3 4 5 2 1 1 2 4 5 3 4 51 4 4 4 2 2 2 3 3 3 3 3 4 3 3 3 4 4 4 52 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 53 4 4 4 3 3 3 3 4 4 3 4 3 3 3 4 4 4 4 54 3 3 3 2 4 3 3 2 2 3 3 3 4 3 4 3 2 3 55 3 3 3 2 3 3 2 4 3 3 3 3 3 2 3 3 4 3 56 1 1 1 1 1 1 4 4 4 4 4 4 3 3 3 3 3 3 57 4 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 58 4 4 5 1 1 1 3 1 4 4 4 4 4 4 4 4 4 4 59 5 3 5 3 5 5 5 4 5 4 3 2 3 3 2 2 5 5 60 1 1 1 1 2 2 3 3 3 3 2 2 2 2 2 2 3 4 61 4 4 4 4 4 4 3 4 4 4 4 4 3 3 4 4 3 4 62 5 3 1 1 1 1 3 5 5 4 3 3 3 4 4 3 4 4 63 4 4 4 3 4 2 4 4 3 4 4 4 3 4 3 5 4 4 64 4 4 4 4 2 2 4 4 4 4 2 2 3 3 4 3 3 3 65 4 3 3 3 3 3 4 4 3 3 3 3 4 4 3 2 3 3

66 2 2 2 2 2 3 3 3 2 3 2 3 2 2 3 2 2 4 67 5 5 5 4 3 3 5 5 5 5 4 4 5 5 5 5 5 5 68 4 3 4 2 3 3 5 4 4 3 3 3 3 3 3 4 4 4 69 4 3 3 3 3 3 4 3 3 3 3 4 4 3 2 3 4 4 70 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 71 4 4 4 4 4 4 3 3 3 3 3 3 4 4 4 4 4 4 72 4 4 4 4 4 4 3 3 3 3 3 3 4 4 4 4 4 4 73 4 4 5 5 4 4 4 3 4 4 5 4 4 4 4 3 4 4 74 4 4 4 4 4 3 4 4 4 3 3 3 3 4 4 4 4 4 75 4 4 4 3 3 3 3 3 5 4 4 4 4 4 5 4 4 4 76 4 4 4 4 3 3 3 3 4 4 3 4 4 4 4 4 4 4 77 4 4 4 4 3 3 5 5 4 4 5 5 3 4 4 4 5 5 78 4 4 4 4 3 3 5 5 5 5 5 5 4 4 4 4 4 4 79 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 80 4 3 5 2 3 2 2 1 3 5 3 1 4 5 1 2 3 3 81 4 4 4 2 2 2 5 5 5 5 5 5 3 3 3 5 5 5 82 4 4 3 2 2 3 5 4 4 5 4 2 4 4 4 4 4 5 83 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 84 4 4 4 4 4 3 3 3 4 3 4 5 3 3 3 4 4 5 85 4 4 4 4 4 1 4 4 4 4 4 1 4 4 4 4 4 4 86 4 4 4 3 3 3 4 4 4 4 4 5 3 3 3 4 4 5 87 4 4 4 4 3 1 4 4 4 4 4 4 3 4 3 4 3 4 88 3 4 1 1 2 2 5 3 4 2 2 1 4 5 2 2 3 3 89 5 4 3 3 2 3 4 3 3 3 3 5 3 4 3 3 4 5 90 4 4 4 4 3 2 4 4 4 3 3 4 4 2 3 3 3 4 91 3 3 4 1 3 3 4 2 3 3 2 2 3 3 2 3 4 4 92 2 2 2 1 1 1 1 1 1 1 3 3 3 2 1 3 3 2 93 1 1 1 1 1 1 4 5 3 3 4 5 3 5 4 5 4 3 94 3 4 2 3 4 4 3 4 3 3 3 3 2 2 2 2 2 2 95 2 1 1 3 3 3 1 1 1 1 2 3 1 1 1 1 1 1 96 1 1 1 1 1 1 4 5 3 3 4 5 3 5 4 5 4 3 97 3 4 5 2 4 4 4 2 4 4 3 4 3 2 4 4 4 3 98 3 4 4 4 5 2 3 5 4 4 5 3 5 3 4 3 5 1 99 3 3 3 3 2 2 4 4 4 4 4 4 4 4 4 3 4 4 100 2 2 5 4 4 4 3 4 3 5 3 5 4 3 4 4 2 3

No Responde

n

ko kp kq kr

A B C D E F A B C D E F A B C D E F A B C D E F 1 3 4 4 5 5 5 4 4 4 4 4 3 4 4 4 4 4 4 3 4 4 5 5 4 2 3 3 3 4 4 3 3 3 4 3 4 3 3 3 3 3 3 3 3 3 3 4 4 3 3 4 3 3 5 4 4 3 4 2 5 4 5 3 4 3 4 3 4 4 4 4 4 4 4 4 2 2 2 4 5 4 3 3 4 3 5 2 3 4 3 5 4 5 2 3 2 4 4 3 5 3 2 3 5 4 4 1 2 2 5 5 2 3 1 2 3 4 3 3 2 3 4 4 4 6 4 4 5 5 5 5 3 3 5 5 5 3 4 4 4 4 4 4 4 4 4 5 5 5 7 3 2 2 2 2 2 3 2 2 2 2 1 2 2 2 2 2 3 2 2 2 2 2 2 8 4 4 4 4 5 5 3 3 3 3 5 4 4 4 4 4 4 4 3 3 4 3 5 5 9 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 10 4 4 4 4 5 5 5 5 5 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 11 3 4 3 4 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 12 5 4 4 3 4 5 2 2 4 4 5 5 4 2 4 2 5 5 4 1 2 4 5 5 13 4 4 4 4 4 4 4 4 4 4 4 4 5 4 5 4 4 5 4 4 4 4 5 4 14 3 2 3 4 5 5 2 2 2 5 4 3 4 1 4 4 4 4 4 2 4 4 4 4 15 3 3 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 16 4 4 4 4 4 4 3 5 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 17 4 3 4 4 3 3 3 5 5 5 3 4 3 4 4 3 3 3 3 3 4 4 4 4 18 4 3 5 5 3 2 2 3 5 3 4 2 1 2 5 4 3 3 4 3 5 5 4 3 19 3 3 4 4 4 4 3 3 3 3 3 3 1 3 4 4 4 4 3 3 4 4 5 5 20 2 2 2 2 2 2 1 1 1 1 1 1 3 3 3 3 3 3 2 2 2 2 2 2 21 3 3 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 22 3 4 4 3 3 3 3 3 4 4 4 3 3 4 4 4 4 4 4 4 4 4 4 4 23 3 3 4 4 4 4 2 2 5 4 4 3 3 3 3 4 3 4 3 3 3 4 4 2 24 2 2 2 2 2 2 2 2 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 25 4 2 4 4 4 4 4 4 4 2 4 3 3 3 4 4 3 3 3 4 4 3 3 4 26 4 4 4 4 4 4 3 3 4 4 4 3 3 3 4 4 4 4 3 3 4 4 4 4 27 3 3 4 4 4 4 2 2 4 4 4 3 4 4 4 4 4 4 3 3 4 4 4 4 28 3 4 4 5 4 4 3 3 4 4 4 4 3 4 4 4 4 4 3 4 4 4 4 4 29 1 3 2 1 2 3 5 4 1 4 3 2 3 3 2 1 4 4 4 2 3 2 5 5 30 3 1 2 3 2 2 2 2 3 2 2 3 3 3 2 3 3 4 2 3 3 2 2 2 31 2 2 3 4 4 4 1 4 4 4 4 1 1 2 2 4 3 4 2 4 4 4 4 4 32 4 3 4 2 3 4 4 4 4 2 3 4 3 2 3 2 2 2 3 3 3 2 2 2 33 4 3 5 4 4 4 2 3 5 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 34 4 3 4 2 3 4 4 4 4 2 3 4 3 2 3 2 2 2 3 3 3 2 2 2 35 3 3 4 4 4 4 3 4 4 3 4 4 4 4 4 4 4 4 3 3 3 4 4 4 36 4 3 4 4 3 4 2 2 4 3 4 2 4 4 4 3 3 3 4 3 3 4 4 3 37 2 2 2 2 3 3 3 2 3 3 2 4 2 3 3 4 3 2 4 5 4 3 2 2 38 2 4 4 5 5 3 1 4 3 5 5 5 1 3 4 3 3 4 2 5 4 3 4 4 39 3 3 4 5 4 3 2 2 4 4 4 2 3 4 4 4 4 4 2 4 4 5 4 3 40 3 3 3 4 4 4 2 3 2 4 4 2 3 4 4 4 4 4 2 3 3 4 4 4 41 3 3 3 4 5 5 4 4 5 5 5 4 3 3 4 4 5 5 2 4 4 4 4 4 42 2 3 2 2 3 4 4 4 3 2 3 2 3 3 3 3 3 3 2 3 3 3 4 4 43 2 4 4 5 3 3 3 5 5 4 4 2 3 5 5 4 4 4 2 4 4 5 3 4 44 3 4 3 4 4 5 3 4 4 4 4 4 4 4 4 4 2 5 4 4 4 4 5 5 45 4 4 4 5 5 4 1 1 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 46 3 3 4 5 5 5 3 3 4 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 47 4 4 4 3 4 5 3 3 3 3 4 3 4 5 5 4 5 4 2 3 4 4 4 4 48 3 3 3 3 4 4 4 3 4 4 4 4 4 4 4 4 5 5 4 4 4 4 4 4 49 3 3 3 5 4 4 3 3 4 4 4 4 4 4 4 4 4 4 3 4 4 5 5 5 50 1 1 4 5 3 2 1 1 3 4 2 2 4 4 4 5 3 3 3 3 3 5 4 4 51 3 3 3 4 4 4 3 3 4 3 3 3 3 3 3 3 3 3 3 3 3 4 4 3 52 3 3 4 5 4 4 3 4 4 4 4 3 5 4 5 5 4 4 3 4 4 4 3 3 53 3 3 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 4 4 3 4 4 4 4 54 3 4 3 4 2 3 3 3 2 3 3 3 2 3 2 3 3 3 3 2 3 2 2 3 55 4 2 2 4 3 3 3 3 4 3 2 3 2 4 3 3 3 3 3 3 3 2 4 3 56 4 4 2 1 1 1 3 3 4 3 4 3 3 4 3 3 4 3 3 3 3 3 3 3 57 3 4 4 3 2 3 3 3 4 3 3 3 4 3 3 3 3 2 3 4 3 2 3 3 58 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4

59 5 4 4 4 5 5 4 4 4 5 5 5 3 2 3 3 5 5 4 4 4 3 5 5 60 3 3 3 3 3 4 4 4 4 4 4 2 2 2 2 2 3 3 2 2 2 2 4 4 61 2 3 3 4 4 4 1 4 4 4 3 4 3 4 3 4 3 4 2 4 4 4 4 4 62 3 2 4 5 4 4 3 2 4 4 3 3 2 3 1 4 4 4 3 3 3 4 4 4 63 3 3 3 4 4 4 3 4 4 4 4 3 3 4 4 4 4 4 3 4 4 5 5 5 64 2 2 2 2 4 4 1 4 4 2 4 4 4 3 3 4 3 3 1 3 3 3 3 3 65 4 4 3 3 3 3 3 4 4 4 4 4 5 5 4 4 4 4 5 4 4 4 4 4 66 3 2 3 2 2 2 2 2 3 2 2 3 2 2 3 2 2 2 2 2 2 2 2 2 67 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 68 3 4 3 4 4 4 4 4 4 4 3 4 3 2 3 3 4 3 2 3 2 4 4 4 69 4 3 3 2 4 3 4 3 4 2 4 4 4 2 2 3 4 4 3 2 2 3 3 4 70 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 71 3 3 4 3 4 4 3 3 3 3 3 3 4 4 4 4 4 4 4 3 4 4 4 4 72 3 3 3 3 4 4 3 3 3 3 3 3 4 4 4 4 4 4 4 3 4 4 4 4 73 4 4 5 4 4 4 3 3 4 3 3 3 3 4 4 4 4 4 3 3 4 4 4 4 74 3 3 4 4 4 4 2 4 4 4 4 3 3 3 4 4 4 4 3 3 4 4 4 4 75 3 3 5 5 4 4 3 3 5 5 4 3 4 4 4 4 4 4 3 3 5 5 4 4 76 4 4 3 1 3 2 4 4 3 2 2 1 4 4 4 1 4 4 3 3 4 4 4 4 77 4 4 4 4 5 5 3 3 4 4 5 5 3 3 3 4 5 5 4 4 3 4 5 5 78 4 4 4 4 5 5 3 3 3 3 4 4 3 3 3 4 4 4 3 3 3 3 4 4 79 3 3 3 4 4 4 3 3 3 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 80 1 1 3 5 4 1 2 4 3 3 2 1 3 3 1 2 5 4 3 4 1 3 3 4 81 3 3 3 5 5 5 1 1 1 1 1 1 3 3 3 4 4 4 3 3 3 4 4 4 82 4 4 4 3 4 5 4 5 4 4 3 5 4 4 4 4 4 5 4 4 5 5 4 5 83 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 84 2 2 2 4 4 5 1 1 2 3 1 1 2 2 2 3 3 3 3 2 3 3 4 5 85 2 4 4 4 3 4 1 4 4 3 4 1 3 4 4 4 4 4 4 4 4 4 4 4 86 3 3 3 5 5 5 2 2 2 4 4 2 3 3 3 3 3 3 4 4 4 4 4 4 87 4 3 2 4 4 5 2 3 4 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 88 2 3 2 1 4 5 3 5 1 4 2 2 2 5 3 3 4 4 3 5 1 2 2 4 89 2 3 3 5 2 4 2 5 3 4 4 4 2 3 3 5 3 3 1 2 2 5 4 4 90 4 3 3 3 3 4 4 3 3 3 3 3 3 4 3 3 3 4 4 3 3 3 3 4 91 3 4 3 4 3 4 2 3 3 4 3 3 4 4 3 3 4 4 3 4 2 3 4 3 92 3 3 4 4 4 4 3 3 4 4 4 3 3 3 3 3 3 3 4 4 4 4 4 4 93 1 1 1 1 1 3 3 2 1 3 4 2 4 1 3 1 5 1 5 1 1 4 1 1 94 3 2 2 2 2 2 3 3 3 3 3 3 2 2 2 2 2 2 3 2 2 2 2 2 95 3 2 1 1 1 1 4 2 1 2 1 4 2 2 2 2 2 2 1 1 1 1 1 1 96 1 1 1 1 1 3 3 2 1 3 4 2 4 1 3 1 5 1 5 1 1 4 1 1 97 2 2 3 4 2 4 2 2 4 3 3 2 2 5 4 2 3 4 2 4 4 4 4 4 98 4 2 4 3 5 2 3 1 4 2 4 2 2 2 4 1 5 2 1 2 4 2 5 2 99 4 4 4 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 3 3 3 3 3 3 100 5 5 2 3 4 2 3 3 3 2 5 4 2 2 4 3 3 3 3 4 2 2 2 4

Lampiran 3. Perhitungan MDS dengan menggunakan MATLAB 7.10.0

Menentukan matriks P = matriks proximity (Euclidean Distance) >> P = [0.000 0.414 0.783 1.152 1.337 1.252

0.414 0.000 0.480 0.862 1.036 1.066 0.783 0.480 0.000 0.694 0.822 1.017 1.152 0.862 0.694 0.000 0.337 0.509 1.337 1.036 0.822 0.337 0.000 0.521 1.252 1.066 1.017 0.509 0.521 0.000] P =

0 0.4140 0.7830 1.1520 1.3370 1.2520 0.4140 0 0.4800 0.8620 1.0360 1.0660 0.7830 0.4800 0 0.6940 0.8220 1.0170 1.1520 0.8620 0.6940 0 0.3370 0.5090 1.3370 1.0360 0.8220 0.3370 0 0.5210 1.2520 1.0660 1.0170 0.5090 0.5210 0 Menentukan P2 =Kuadrat dari entri-entri matriks P >> P2 = [0.000 0.171 0.613 1.328 1.788 1.567 0.171 0.000 0.230 0.743 1.073 1.137

0.613 0.230 0.000 0.481 0.675 1.034 1.328 0.743 0.481 0.000 0.114 0.259 1.788 1.073 0.675 0.114 0.000 0.271 1.567 1.137 1.034 0.259 0.271 0.000] P2 =

0 0.1710 0.6130 1.3280 1.7880 1.5670 0.1710 0 0.2300 0.7430 1.0730 1.1370 0.6130 0.2300 0 0.4810 0.6750 1.0340 1.3280 0.7430 0.4810 0 0.1140 0.2590 1.7880 1.0730 0.6750 0.1140 0 0.2710 1.5670 1.1370 1.0340 0.2590 0.2710 0 Menentukan Matriks Identitas 6x6 (I)

>> I = [1 0 0 0 0 0

0 1 0 0 0 0

0 0 1 0 0 0

0 0 0 1 0 0

0 0 0 0 1 0

0 0 0 0 0 1]

I =

1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1

Menentukan matriks J = I –

C, dimana n adalah jumlah objek >> J = I - (1/6)

J =

0.8333 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 0.8333 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 0.8333 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 0.8333 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 0.8333 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 -0.1667 0.8333

Menentukan matriks B (hasil proses double centering). B = ( )( )( 2)( )

>> B = (-1/2)*J*P2*J B =

0.5922 0.3306 0.0828 -0.2837 -0.4307 -0.2913 0.3306 0.2400 0.0982 -0.1672 -0.2493 -0.2523 0.0828 0.0983 0.1865 -0.0630 -0.0770 -0.2276 -0.2837 -0.1673 -0.0630 0.1685 0.1945 0.1509 -0.4307 -0.2493 -0.0770 0.1945 0.3345 0.2279 -0.2913 -0.2523 -0.2276 0.1509 0.2279 0.3923 Menentukan eigenvalue (nilai eigen) dari matriks B >> eigs (B)

ans = 1.4954 0.3270 0.0446 0.0352 0.0118 0.0000

(eigs (B) = eigenvalue (nilai eigen) dari B) Menentukan eigenvector (vektor eigen) >> [V,D]=eigs(B)

V =

0.5983 -0.4007 0.0922 -0.1402 0.5354 -0.4082 0.3839 0.0419 -0.3149 0.5755 -0.5039 -0.4082 0.1797 0.6129 0.4284 -0.4294 -0.2396 -0.4082 -0.2978 0.1297 -0.7489 -0.3809 0.1477 -0.4082 -0.4479 0.2391 0.2588 0.5406 0.4651 -0.4082 -0.4161 -0.6229 0.2845 -0.1655 -0.4048 -0.4082 D =

1.4954 0 0 0 0 0 0 0.3270 0 0 0 0 0 0 0.0446 0 0 0 0 0 0 0.0352 0 0 0 0 0 0 0.0118 0 0 0 0 0 0 0.0000

Menentukan titik stimulus koordinat.

>> A = [0.5983 -0.4007;0.3839 0.0419;0.1797 0.6129;-0.2978 0.1297;-0.4479 0.2391;-0.4161 -0.6229]

A =

0.5983 -0.4007 0.3839 0.0419 0.1797 0.6129 -0.2978 0.1297 -0.4479 0.2391 -0.4161 -0.6229

>> C = [sqrt(1.495) 0;0 sqrt(0.3270)] C =

1.2227 0 0 0.5718 >> X = A*C X =

-0.7315 0.2291 -0.4694 -0.0240 -0.2197 -0.3505 0.3641 -0.0742 0.5476 -0.1367 0.5088 0.3562

(Jika menggunakan fungsi MDS langsung )

>> D =[0.000 0.414 0.783 1.152 1.337 1.252 0.414 0.000 0.480 0.862 1.036 1.066

0.783 0.480 0.000 0.694 0.822 1.017 1.152 0.862 0.694 0.000 0.337 0.509 1.337 1.036 0.822 0.337 0.000 0.521 1.252 1.066 1.017 0.509 0.521 0.000] D =

0 0.4140 0.7830 1.1520 1.3370 1.2520 0.4140 0 0.4800 0.8620 1.0360 1.0660 0.7830 0.4800 0 0.6940 0.8220 1.0170 1.1520 0.8620 0.6940 0 0.3370 0.5090 1.3370 1.0360 0.8220 0.3370 0 0.5210 1.2520 1.0660 1.0170 0.5090 0.5210 0 >> Y = mdscale(D,2)

Y =

-0.7351 0.2300 -0.4716 -0.0235

-0.2211 -0.3524 0.3659 -0.0743 0.5504 -0.1376 0.5114 0.3577

>> [Y,stress]= mdscale(D,2) Y =

-0.7351 0.2300 -0.4716 -0.0235 -0.2211 -0.3524 0.3659 -0.0743 0.5504 -0.1376 0.5114 0.3577 stress =

1.1331e-016

>> [Y, stress, disparities]= mdscale(D,2) Y =

-0.7351 0.2300 -0.4716 -0.0235 -0.2211 -0.3524 0.3659 -0.0743 0.5504 -0.1376 0.5114 0.3577 stress =

1.1331e-016 disparities =

0 0.3657 0.7768 1.1422 1.3370 1.2530 0.3657 0 0.4134 0.8390 1.0283 1.0544 0.7768 0.4134 0 0.6495 0.8008 1.0202 1.1422 0.8390 0.6495 0 0.1951 0.4558 1.3370 1.0283 0.8008 0.1951 0 0.4968 1.2530 1.0544 1.0202 0.4558 0.4968 0

Lampiran 4. Perhitungan Nilai RSQ

Y = Proximity Matrix (Euclidean Distance)

A B C D E F

A 0.000 0.414 0.783 1.152 1.337 1.252 B 0.414 0.000 0.480 0.862 1.036 1.066 C 0.783 0.480 0.000 0.694 0.822 1.017 D 1.152 0.862 0.694 0.000 0.337 0.509 E 1.337 1.036 0.822 0.337 0.000 0.521 F 1.252 1.066 1.017 0.509 0.521 0.000 36 = 0,682

Y

5 _{= Disparities}

A B C D E F

A 0 0.3657 0.3657 0.3657 0.3657 0.3657 B 0.3657 0 0.4134 0.4134 0.4134 0.4134 C 0.7768 0.4134 0 0.6495 0.6495 0.6495 D 1.1422 0.839 0.6495 0 0.1951 0.1951 E 1.337 1.0283 0.8008 0.1951 0 0.4968 F 1.253 1.0544 1.0202 0.4558 0.4968 0

(Y 36) TSS (Total Sum of Square)

A B C D E F

A 0.465 0.072 0.010 0.221 0.429 0.324 B 0.072 0.465 0.041 0.032 0.125 0.147 C 0.010 0.041 0.465 0.000 0.019 0.112 D 0.221 0.032 0.000 0.465 0.119 0.030 E 0.429 0.125 0.019 0.119 0.465 0.026 F 0.324 0.147 0.112 0.030 0.026 0.465

Σ(Y 36) = 6,212

(Y5 36) = ESS (Explained Sum of Square)

A B C D E F

A 0.465 0.100 0.100 0.100 0.100 0.100 B 0.100 0.465 0.072 0.072 0.072 0.072 C 0.009 0.072 0.465 0.001 0.001 0.001 D 0.212 0.025 0.001 0.465 0.237 0.237 E 0.429 0.120 0.014 0.237 0.465 0.034 F 0.326 0.138 0.114 0.051 0.034 0.465

Sehingga diperoleh :

+ 00

/00 Σ(Y5 36)

Σ(Y 36)

5,878

6,212= 0,9623 + = 96,23%

DAFTAR PUSTAKA

Borg, I., Groenen,P.J.F., 2005. Modern Multidimensional Scaling Theory and Aplication. Springer. New York.

Ginanjar, Irlandia. 2008. Aplikasi Multidimensional Scaling Untuk Peningkatan Pelayanan Proses Belajar Mengajar (PBM). Di dalam: Prosiding Seminar Nasional Matematika dan Pendidikan Matematika; FMIPA Universitas Negeri Yogyakarta, 8 November 2008,. Yogyakarta: 1-8.

Gudono. 2015. Analisis Data Multivariat. BPFE. Yogyakarta.

Hair, J., Black, W., Babin, B. and Anderson, R. 2009. Multivariate Data Analysis 7th Edition. Upper Saddle River. New Jersey. Prentice-Hall.

Jhonson, Richard A., Wichern, Dean W. 2007. Applied Multivariate Statistical Analysis 6th Edition. Upper Saddle River. New Jersey. Prentice-Hall. Kotler, Philip., 1988. Marketing Management Analysis, Planning, Implementation

and Control. Englewood. New Jersey. Prentice Hall.

Masuku, Triana J., Paendong, Marline S., Langi, Yohanes AR. 2014. Persepsi Konsumen Terhadap Produk Sepatu Olahraga Di Sport Station Megamall Dengan Menggunakan Analisis Multidimensional Scaling. 2:68-72.

Riduan., Sunarto. 2009. Pengantar Statistika untuk Penelitian, Sosial, Ekonomi, Komunikasi dan Bisnis. Alfabeta. Bandung.

Santoso, Singgih. 2015. Menguasai Statistik Multivariat Konsep Dasar dan Aplikasi Menggunakan SPSS. PT Elex Media Komputindo. Jakarta.

Sarwoko. 2007. Statistik Inferensi untuk Ekonomi dan Bisnis. Penerbit Andi. Yogyakarta.

Situmorang, Syafrizal Helmi., Lufti, Muslich., 2012. Analisis Data Untuk Riset Manajemen dan Bisnis. USU Press. Medan.

Sugiyono. 2008. Metode Penelitian Kuantitatif, Kualitatif dan R & D. Alfabeta. Bandung.

Supandi, Epha Diana., Wardati, Khurul., Kuswidi, Iwan. 2009. Aplikasi Multidimensional Scaling (Studi Kasus: Analisis Segmentasi dan Peta Posisi UIN Sunan Kalijaga Terhadap Perguruan Tinggi di Yogyakarta. Universitas Islam Negeri Sunan Kalijaga. Di dalam: Prosiding Seminar Matematika dan Pendidikan Matematika; FMIPA Univeristas Negeri Yogyakarta, 5 Desember 2009,. Yogyakarta: 599-622.

Supranto, J. 2010. Analisis Multivariat Arti dan Interpretasi. Rineka Cipta. Jakarta.

Wardhana, Aditya., Kartawinata, Budi Rustandi., Syahputra. 2014. Analisis

Positioning Top Brand Coffee Shop Berdasarkan Persepsi Pelanggan Di

Kota Bandung. Di dalam: Prosiding Seminar Nasional Peneltian dan PKM Sosial, Ekonomi dan Humaniora; LPPM Universitas Islam Bandung, 2014., Bandung: 303-310.

BAB 3

METODE PENELITIAN

3.1 Sumber Data

Untuk menerapkan metode multidimensional scaling pada positioning tempat makan di Jl. Dr. Mansyur Medan digunakan data persepsi mahasiswa Universitas Sumatera Utara. Data persepsi merupakan hasil penilaian mahasiswa Universitas Sumatera Utara terhadap tempat makan. Data persepsi mahasiswa tersebut diperoleh dari pengisian kuesioner.

3.2 Populasi dan Sampel

Populasi dalam penelitian ini bersifat homogen yaitu populasi yang unsurnya memiliki sifat atau keadaan yang sama, sehingga dalam pengambilan sampel tidak perlu mempersoalkan jumlahnya dengan jenis populasi tak terbatas yaitu populasi yang tidak diketahui dengan pasti jumlahnya, misalnya jumlah penduduk di suatu negara dikatakan tidak pasti jumlahnya karena setiap waktu terus berubah jumlahnya. Oleh karena itu, yang menjadi populasi dalam penelitian ini adalah seluruh mahasiswa Universitas Sumatera Utara yang pernah makan di keenam tempat makan yang menjadi objek dalam penelitian ini.

Pengambilan sampel dilakukan dengan teknik nonprobanility sampling yaitu purposive sampling. Nonprobability sampling adalah teknik pengambilan sampel yang tidak member peluang/kesempatan sama bagi setiap unsur atau anggota popilasi untuk dipilih menjadi sampel. Sedangkan Pusposive sampling adalah teknik penentuan sampel dengan pertimbangan tertentu (Sugiyono, 2008). Sampel yang dipilih dalam penelitian ini adalah mahasiswa yang pernah berkunjung ke semua tempat makan yang menjadi objek dalam penelitian ini.

Roscoe dalam buku Research Method for Bussiness (1982) menyatakan bahwa dalam analisis multivariat, jumlah sampel minimal adalah 10 kali dari jumlah variabel yang diteliti. Penelitian ini menggunakan 7 variabel yang

dijadikan sebagai indikator kemiripan tempat makan sehingga jumlah sampel minimal adalah 10 x 7 = 70. Oleh karena itu, sampel yang diambil dalam penelitian ini adalah sebanyak 100 orang mahasiswa Universitas Sumatera Utara yang pernah makan di keenam tempat makan tersebut.

3.3 Lokasi Penelitian

Penelitian ini dilakukan di lingkungan kampus Universitas Sumatera Utara, baik di beberapa fakultas seperti: Fakultas Matematika dan Ilmu Pengetahuan Alam, Fakultas Teknik, Fakultas Ilmu Sosial dan Ilmu Politik, Fakultas Ilmu Komputer dan Teknologi Informasi maupun di Perpustakaan Universitas Sumatera Utara.

3.4 Jenis dan Teknik Pengumpulan Data

Jenis data yang digunakan dalam penelitian ini adalah jenis data primer (menurut cara memperolehnya). Data primer adalah data yang dikumpulkan sendiri oleh perorangan/suatu organisasi secara langsung dari objek yang diteliti dan untuk kepentingan studi yang bersangkutan yang dapat berupa wawancara, observasi maupun pengsian kuesioner (angket). Pengumpulan data primer dilakukan dengan metode purposive sampling yaitu dengan menyebarkan kuesioner langsung kepada mahasiswa Universitas Sumatera Utara yang berasal dari berbagai fakultas dan jurusan yang menjadi responden pada penelitian ini yang berjumlah 100 orang.

Melalui kuesioner tersebut, responden memberikan penilaian mereka terhadap 6 tempat makan yaitu: Ayam Penyet Jakarta, Ayam Penyet Joko Solo, Ayam Penyet Surabaya, Ayam Penyet Ria, Texas Chicken dan A&W berdasarkan 7 variabel yang sudah ditentukan pada penelitian ini. Penilaian dilakukan dengan teknik penilaian skala likert yang terdiri atas 5 alternatif score yang dapat dipilih yaitu: skor 5 = Sangat Setuju, skor 4 = Setuju, skor 3 = Kurang Setuju, skor 2 = Tidak Setuju dan skor 1 = Sangat Tidak Setuju. Kuesioner penelitian dapat dilihat pada Lampiran 1. Penyebaran kuesioner dilakukan selama 3 minggu terhitung sejak tanggal 7 Maret 2016 sampai dengan 21 Maret 2016.

3.5 Variabel Penelitian

Variabel adalah sesuatu yang dapat membedakan atau mengubah variasi pada nilai. Variabel penelitian adalah segala sesuatu yang berbentuk apa saja yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik kesimpulannya.

Dalam penelitian ini, variabel yang digunakan adalah variabel

interdependensi. Variabel interdependensi yaitu variabel-variabel yang tidak saling bergantung satu dengan yang lain. Dalam penelitian ini, variabel yang digunakan adalah:

= Harga = Menu

= Penyajian Makanan = Desain Tempat = Lokasi Parkir = Pelayanan

= Kebersihan Tempat

Analisis multidimensional scaling merupakan analisis interdependensi.

Analisis interdependensi bertujuan untuk memberikan arti (meaning) kepada suatu set variabel (kelompok variabel) atau mengelompokkan suatu set variabel menjadi kelompok yang lebih sedikit jumlahnya dan masing-masing kelompok membentuk variabel baru yang disebut faktor (mereduksi jumlah variabel). Pada umumnya, di dalam riset pemasaran, analisis interdependensi digunakan untuk membentuk segmen pasar.

3.6 Skala Ukuran Penelitian

Pengumpulan data yang dilakukan dengan teknik pengisian kuesioner pada penelitian ini akan diperoleh jawaban dengan intensitas yang berbeda – beda sesuai dengan pertanyaan yang diajukan serta pilihan jawaban yang tersedia. Untuk dapat menempatkan intensitas data yang berbeda – beda secara tepat diberikan beberapa tingkatan atau jenjang yang dikenal dengan skala ukuran. Adapun skala ukuran pada variabel yang akan diteliti yaitu skala ordinal.

Penggunaan skala ordinal akan menghasilkan jenis data ordinal. Skala ordinal ini memungkinkan peneliti untuk mengurutkan objek dari tingkatan yang paling rendah ke tingkatan yang paling tinggi berdasarkan atribut tertentu. Pada penelitian ini, skala ordinal berada pada seluruh variabel yang berjumlah 7 variabel yaitu variabel harga, menu, penyajian makanan, desain tempat, lokasi parkir, pelayanan dan kebersihan tempat. Variabel-variabel tersebut memilki jenjang yang bersifat kualitatif.

3.7 Analisis Data

Metode analisis data yang digunakan dalam positioning tempat makan yang berada di Jl. Dr. Mansyur Medan berdasarkan persepsi mahasiswa Universitas Sumatera Utara ialah teknik analisis multidimensional scaling (MSD) dilakukan dengan bantuan beberapa aplikasi komputer (software) yaitu: Microsoft Excel

2007 dan MATLAB 7.10.0.

3.7.1 Langkah-Langkah Analisis Data

1. Mendefinisikan masalah dan menetukan tujuan yang diinginkan.

2. Penyusunan variabel atau atribut meliputi: Harga ( ), Menu ( ), Penyajian Makanan ( ), Desain Tempat ( ), Lokasi Parkir ( ), Pelayanan ( ) dan

Kebersihan Tempat ( ).

3. Mengumpulkan data dari mahasiswa Universitas Sumatera Utara yang menjadi

responden dalam penelitian ini atas penilaian mereka terhadap tempat makan yang diteliti dengan menggunakan kuesiner.

4. Menghitung rata-rata nilai yang diberikan 100 responden untuk setiap atribut atau variabel pada keenam tempat makan untuk dijadikan sebagai data untuk melakukan analisis data menggunakan metode multidimensional scaling..

5. Membentuk matriks jarak kemiripan (D) antar keenam tempat makan dengan

menggunakan Euclidean Distance dengan rumus:

6. Menghitung matriks P(2) yang merupakan kuadrat dari entri-entri matriks D dengan menggunakan bantuan Miceosoft Excel 2007.

7. Menentukan titik-titik koordinat stumulus keenam tempat makan yang

dijadikan dasar untuk memposisikan (positioning) tempat makan ke dalam peta persepsi 2 dimensi. Berikut algoritma untuk menentukan stimulus koordinat titik pada peta pesepsi:

5. Membentuk sebuah matriks P(2) = [ ].

6. Menghitung matriks B dengan menggunakan proses double centering :

= − ( ) _{yang menggunakan matriks = −} ! ₁₁# _{dimana n}

adalah jumlah objek.

7. Ambil m positif terbesar dari nilai eigen (eigenvalue) λ …λ_{% pada B serta}

m vektor eigen (eigenvector) yang sesuai & … &_%.

8. Sebuah konfigurasi ruang m-dimensi (stimulus koordinat) atas n objek

diperoleh dari koordinat matriks ' = _%Λ_%) , dimana _% adalah matriks

dari m eigenvector dan Λ_{% adalah matriks diagonal dari masing-masing m}

eigenvalue matriks B.

8. Membentuk peta persepsi atau peta posisi 2 dimensi berdasarkan titik-titik stimulus koordinat yang terbentuk.

9. Menghitung nilai STRESS (Standarized Residual Sum of Square).

10. Menghitung Nilai RSQ (R Square).

11. Mereduksi variabel yang berjumlah 7 variabel menjadi 2 kelompok

(faktor).

12. Membuat kesimpulan terhadap hasil positioning tempat makan berupa

gambaran persaingan yang terjadi pada sekelompok tempat makan yang diteliti.

BAB 4

HASIL DAN PEMBAHASAN

Pada Bab ini akan dilakukan pengolahan data terhadap hasil dari metode yang telah dikemukakan pada Bab 3. Sebagai dasar untuk pengolahan digunakan data yang terdapat pada Tabel 4.1

4.1Data

Data penilaian 100 responden atas persepsi mengenai beberapa tempat makan yang berada di Jl. Dr. Mansyur Medan dapat dilihat pada lampiran 1. Berikut adalah data nilai rata-rata persepsi 100 responden pada penelitian ini, yaitu:

Tabel 4.1 Data Nilai Rata-Rata Terhadap Persepsi Responden

No Nama Tempat Makan x1 x2 x3 x4 x5 x6 x7

1 Ayam Penyet Jakarta 3.75 3.57 3.67 3.10 3.11 2.97 3.75

2 Ayam Penyet Joko Solo 3.62 3.68 3.81 3.68 3.50 3.49 3.62

3 Ayam Penyet Surabaya 3.41 3.46 3.60 3.65 3.75 3.80 3.41

4 Ayam Penyet Ria 3.17 3.11 3.36 3.64 3.65 3.73 3.17

5 Taxas Chicken 2.88 3.20 3.51 3.49 3.61 3.12 2.88

6 A&W 3.26 3.37 3.50 3.48 3.70 3.67 3.26

Sumber: Kuesioner Penelitian

Keterangan:

x1 = Harga

x2 = Menu

x3 = Penyajian Makanan

x4 = Desain Tempat

x5 = Lokasi Parkir

x6 = Pelayanan

4.2Analisis Deskriptif

Berdasarkan data penilaian konsumen terhadap enam tempat makan yang berada di Jl. Dr. mansyur Medan pada Tabel 4.1, maka diperoleh hasil deskripsinya. Konsumen menilai bahwa Ayam Penyet Jakarta memiliki nilai rata-rata tertinggi dan A&W memiliki nilai rata-rata terendah untuk atribut Harga ( ). Ayam

Penyet Surabaya unggul pada atribut Menu ( ) dan yang terendah adalah A&W.

A&W memiliki rata-rata tertinggi untuk atribut Penyajian Makanan ( ) dan Ayam Penyet Jakarta memiliki rata-rata terendah. A&W juga unggul pada atribut

Desain Tempat ( ) dan yang terendah adalah Ayam Penyet Joko Solo.

Sedangkan Texas Chicken unggul di 3 atribut, yaitu Lokasi Parkir ( ), Pelayanan

( ) dan Kebersihan Tempat ( ) dan yang memiliki nilai rata-rata terendah dari

ketiga atribut tersebut adalah Ayam Penyet Jakarta.

4.3 Metode Multidimensional Scaling

Pada penelitian ini, metode yang digunakan adalah metode Multidimensional

Scaling non metrik karena data yang digunakan berupa data ordinal. Untuk

mengelompokkan beberapa tempat makan yang berada di Jl. Dr. Mansyur Medan yang mirip dalam satu kelompok, maka diperlukan beberapa ukuran untuk mengakses seberapa mirip atau berbeda objek-objek tersebut.

4.3.1 Kemiripan (Similarity)

Pendekatan yang paling biasa untuk mengukur proximity (kedekatan) kemiripan dinyatakan dalam distance (jarak) antara pasangan objek, Untuk mengukur jarak antara dua objek (kasus), ukuran kemiripan yang paling biasa digunakan adalah jarak Euclidean Distance (nilai kuadratnya). Oleh karena itu, dalam penelitian ini juga menggunakan rumus Euclidean Distance untuk menghitung jarak (ukuran kemiripan) antar tempat makan yang menjadi objek dalam penelitian ini.

Mengukur kemiripan (similarity) antara objek yang satu dengan objek yang lainnya, dengan acuan semakin kecil angka antara dua objek, maka kedua objek tersebut semakin mirip. Untuk melihat hasil pengukuran similarity dapat di lakukan dengan rumus perhitungan jarak kemiripan (similarity) Euclidean

= −

Misal i = Ayam Penyet Jakarta J = Ayam Penyet Joko Solo

= Q − + − + − + − +

− + − + −

= ?(3,75 − 3,57) + (3,62 − 3,68) + (3,41 − 3,46) + (3,17 − 3,11) +_{(2,88 − 3,20) + (3,26 − 3,37) + (3,20 − 3,32)}

= Z0,0324 + 0,0036 + 0,0025 + 0,0036 + 0,1024 + 0,0121 + 0,0144 = Z0,4135

= 0,414

Perhitungan dilanjutkan hingga diperoleh semua jarak kemiripan antar dua objek (tempat makan). Untuk perhitungan jarak kemiripan antar tempat makan lainnya dapat dilakukan dengan cara yang sama. Diperlihatkan pada Tabel 4.4, perhitungan dapat dilakukan dengan bantuan Microsoft Excel 2007 sebagai berikut:

Tabel 4.2 Jarak Kemiripan (Distance) dari 6 Tempat Makan

Ayam Penyet Jakarta

Ayam Penyet Joko Solo

Ayam Penyet Surabaya

Ayam Penyet

Ria

Texas

Chicken A&W

Ayam Penyet Jakrta 0,000 0,414 0,783 1,152 1,337 1,337

Ayam Penyet Joko Solo 0,414 0,000 0,480 0,862 1,036 1,066

Ayam Penyet Surabaya 0,783 0,480 0,000 0,694 0,822 1,017

Ayam Penyet Ria 1,152 0,862 0,694 0,000 0,337 0,509

Texas Chicken 1,337 1,036 0,822 0,337 0,000 0,521

4.3.2 Penentuan Posisi (Positioning)

Berikut langkah-langkah/algoritma untuk memperoleh estimasi posisi berdasarkan kemiripan antar tempat makan:

1. Membentuk sebuah matriks P(2) = [ ].

P(2) merupakan kuadrat dari entri-entri matriks proximity P yang diperooleh dengan menggunakan Euclidean Distance. Dimisalkan APJ = Ayam Penyet Jakarta, APJS = Ayam Penyet Joko Solo, APS = Ayam Penyet Surabaya, APR = Ayam Penyet Ria, TXC = Texas Chicken dan AW = A&W. Matriks

proximity P dapat diperlihatkan sebagai berikut:

APJ APJS APS APR TXC AW

APJ 0.000 0.414 0.783 1.152 1.337 1.252

APJS 0.414 0.000 0.480 0.862 1.036 1.066

APS 0.783 0.480 0.000 0.694 0.822 1.017

APR 1.152 0.862 0.694 0.000 0.337 0.509

TXC 1.337 1.036 0.822 0.337 0.000 0.521

AW 1.252 1.066 1.017 0.509 0.521 0.000

Sehingga diperoleh P(2) sebagai berikut :

= [ \ \ \ \

]_0,1713960 0,171396 0.613089_{0 0.2304}

0,613089 0,2304 0

1.327104 1,787569 1,567504 0,743044 1.073296 1.136356 0.481636 0.675684 1.034289 1.327104 0,743044 0.481636

1,787569 1,073296 0.675684 1,567504 1,136356 1.034289

0 0.113569 0.259081

0.113569 0 0.271441

0.259081 0.271441 0 `a a a a b

2. Menghitung matriks B dengan menggunakan proses double centering :

= − ( ) _{yang menggunakan matriks = −} ! ₁₁# _{dimana n adalah}

jumlah objek.

Karena n = 6 maka matriks J dapat diperoleh dengan cara berikut:

= [ \ \ \ \

]1 0 0_{0 1 0}

0 0 1

0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0

1 0 0 0 1 0

0 0 1`a

a a a b

−1_{6 ×}

[ \ \ \ \

]1 1 1_{1 1 1}

1 1 1

1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1

1 1 1 1 1 1

1 1 1`a

a a a b

= [ \ \ \ \

]_{−0.1667 0.8333 −0.1667}0.8333 −0.1667 −0.1667

−0.1667 −0.1667 0.8333

−0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667

−0.1667 −0.1667 −0.1667 −0.1667 −0.1667 −0.1667

0.8333 −0.1667 −0.1667 −0.1667 0.8333 −0.1667

−0.1667 −0.1667 0.8333 `a

a a a b

Dengan menggunakan J pada P(2) dapat dihasilkan matriks B. Dengan

menggunakan bantuan aplikasi MATLAB dalam perhitungan, diperoleh matriks B sebagai berikut:

= −1₂ ( )

= [ \ \ \ \

] 0.7310 0.3859 −0.2782_{0.3859 0.2123 0.1538}

−0.2782 0.1538 0.3257

−0.2278 −0.3749 −0.2360 −0.1951 −0.2771 −0.2797 −0.0077 −0.0216 −0.1720 −0.2278 −0.1951 −0.0077

−0.3749 −0.2771 −0.0216 −0.2360 0.2797 −0.1720

0.1406 1.1669 0.1231 0.1669 0.3068 0.2000

0.1231 0.2000 0.3646 `a

a a a b

3. Ambil m positif terbesar dari nilai eigen (eigenvalue) λ …λ_{% pada B serta m} vektor eigen (eigenvector) yang sesuai & … &_%.

Untuk sebuah representasi 2 dimensi pada keenam tempat makan, dua

eigenvalue terbesar yang diperoleh adalah sebagai berikut: K = 1,4954 , K = 0,3270

Dan eigenvector B yang dihasilkan adalah sebagai berikut:

& = c d d e −0.5983 −0.3839 −0.1797 0.2978 0.4479 0.4161 f g g h

, & =

c d d e 0.4007 −0.0419 −0.6129 −0.1297 −0.2391 0.6229 f g g h

4. Sebuah konfigurasi ruang m-dimensi atas n objek diperoleh dari koordinat matriks ' = _%Λ_%) , dimana _% adalah matriks dari m eigenvector dan Λ_% adalah matriks diagonal dari masing-masing m eigenvalue matriks B.

Titik-titik stimulus koordinat pada keenam tempat makan diperoleh dengan mengalikan eigenvalues dengan vektor-vektornya.

' = [ \ \ \ \

]−0.5983 0.4007_{0.3839 0.0419}

0.1797 0.6129

0.2978 0.1297

0.4479 0.2391

0.4161 0.6229 `a

a a a b

iZ1,4954 0

0 Z0,3270j

[ \ \ \ \

] 0.7316 0.2291_{0.4695 0.0240}

0.2197 0.3505

0.3642 0.0742

0.5477 0.1367

0.5088 0.3562 `a

a a a b

Dari hasil perhitungan, diperoleh titik-titik stimulus koordinat dalam peta persepsi 2 dimensi sebagai berikut:

Tabel 4.3 Stimulus Koordinat Pada Peta Persepsi Stimulus

Number

Stimulus Name

Dimension

1 2

1 Ayam Penyet Jakarta -0,7316 0,2291

2 Ayam Penyet Joko Solo -0,4695 -0,0240

3 Ayam Penyet Surabaya -0,2197 -0,3505

4 Ayam Penyet Ria 0,3642 -0,0742

5 Texas Chicken 0,5477 -0,1367

6 A & W 0,5088 0,3562

Sumber: MATLAB

Dari koordinat stimulus pada Tabel 4.4 di atas terbentuk peta posisi untuk keenam tempat makan tersebut:

Gambar 4.1 Peta Posisi atas 6 Tempat Makan Ayam Penyet Jakarta

Ayam Penyet Joko Solo

Ayam Penyet Surabaya

Ayam Penyet Ria A & W

Texas Chicken Dimensi 1 D im e n s i 2

4.4.3 Menghitung Nilai STRESS

Multidimensional Scaling (MDS) nonmetrik adalah jenis MDS yang data inputnya

berupa data nominal atau pun ordinal. Program MDS (multidimensional scaling) nonmetrik menggunakan transformasi monoton (sama) ke data yang sebenarnya.

Disparities atau optimally scaled data ini digunakan untuk mengukur

tingkat ketidaktepatan konfigurasi objek-objek dalam peta berdimensi tertentu dengan input data ketidaksamaannya. Untuk memperoleh disparities dari matriks

proximity yang terbentuk, pendekatan yang digunakan untuk mencapai hasil yang

maksimal dari skala nonmetrik adalah Kruskal’s Least Square Monotonic

Transformation dimana disparities merupakan nilai rata-rata dari jarak yang tidak

sesuai dengan urutan ketidaksamaannya. Koordinat awal dari setiap subjek dapat diperoleh dengan cara yang sama dengan metode MDS metrik dengan asumsi bahwa meskipun data bukan jarak informasi yang sebenarnya tapi nilai urutan tersebut dipandang sebagai variabel interval. Berikut disparities yang dihasilkan dengan bantuan aplikasi MATLAB 7.10.0 yaitu:

Tabel 4.4 Optimally Scaled Data (Disparities)

Ayam Penyet Jakarta

Ayam Penyet Joko Solo

Ayam Penyet Surabaya

Ayam Penyet Ria

Texas

Chicken A&W

Ayam Penyet Jakrta 0 0.3657 0.3657 0.3657 0.3657 0.3657

Ayam Penyet Joko Solo 0.3657 0 0.4134 0.4134 0.4134 0.4134

Ayam Penyet Surabaya 0.7768 0.4134 0 0.6495 0.6495 0.6495

Ayam Penyet Ria 1.1422 0.8390 0.6495 0 0.1951 0.1951

Texas Chicken 1.3370 1.0283 0.8008 0.1951 0 0.4968

A&W 1.2530 1.0544 1.0202 0.4558 0.4968 0

Sumber : MATLAB

Setelah memperoleh disparities, proses selanjutnya yang harus dilakukan adalah menghitung nilai STRESS. Nilai STRESS (a lack of fit measure) dipergunakan sebagai ukuran ketidaktepatan suatu model pemecahan penskalaan multidimensional. Nilai STRESS yang dihasilkan diperoleh dengan menggunakan

bantuan MATLAB 7.10.0, penelitian multidimensional scaling ini mengahasilkan

nilai STRESS sebesar 0,1331×10-16 = 0%. Berdasarkan rumus STRESS dari

Kruskal, nilai STRESS yang dihasilkan termasuk dalam kategori sempurna.

4.3.4 Menghitung Nilai RSQ (R Square)

Indeks ketepatan/kecocokan, yaitu R2/R Square (RSQ) merupakan kuadrat

(pangkat dua) dari koefisien korelasi (berganda) yang menunjukkan proporsi varian dari optimally scaled data atau disebut juga disparities yang bisa

disumbangkan oleh prosedur penskalaan multidimensional. RSQ (R2) juga disebut

koefisien determinasi yang merupakan ukuran paling sederhana yang digunakan untuk mengetahui sejauh mana kecocokan antara data dengan estimasi garis regresi. RSQ dapat diperoleh dengan rumus:

8 ∑(3_{∑(3 36)}5 36)4 _/0000

Berdasarkan rumus diatas, nilai RSQ yang dihasilkan dalam penelitian ini adalah R2 = 0,9623. Perhitungan dapat dilihat pada lampiran 4. Hal ini berarti peta spasial (model MDS) yang terbentuk 96,23% dapat mewakili input data dengan baik.

4.4 Reduksi Variabel

Dalam penelitian ini, akan dilakukan reduksi variabel yang berjumlah 7 variabel menjadi 2 kelompok (faktor). Pereduksian variabel dilakukan guna memudahkan dalam hal menganalisis persaingan antar tempat makan berdasarkan pada peta persepsi yang telah terbentuk.

Dengan demikian 7 variabel akan direduksi menjadi 2 kelompok faktor yang mempengaruhi penilaian mahasiswa Universitas Sumatera Utara dalam memilih tempat makan yang berada di Jl. Dr. Mansyur Medan, yaitu:

1. Faktor 1 (F1) terdiri atas variabel = Harga, = Menu, = Penyajian

Makanan, = Desain Tempat, = Pelayanan dan = Kebersihan Tempat.

Faktor ini diberi nama Fasilitas Internal.

2. Faktor 2 (F2) terdiri atas variabel = Lokasi Parkir.

Dari hasil analisis faktor tersebut, dapat disimpulkan bahwa variabel-variabel yang termasuk dalam Faktor 1 adalah variabel-variabel yang menjadi indikator persaingan pada Dimensi 1 dalam peta persepsi sedangkan variabel yang termasuk dalam Faktor 2 adalah variabel yang menjadi indikator persaingan pada Dimensi 2 dalam peta persepsi yang terbentuk.

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian tentang penerapan metode Multidimensinal Scaling dalam positioning tempat makan di Jl. Dr. Mansyur Medan yang telah dilakukan diperoleh beberapa kesimpulan sebagai berikut :

1. Tempat makan yang paling bersaing untuk faktor-faktor yang terdapat pada Faktor 1 atau Fasilitas Internal (Harga, Penyajian Makanan, Desain Tempat, Pelayanan, Kebersihan Tempat) adalah: Texas Chicken dengan A & W serta A&W dengan Ayam Penyet Ria dan Texas Chicken dengan Ayam Penyet Ria karena posisi tempat makan tersebut saling berdekatan pada dimensi 1 peta persepsi yang terbentuk. Berikut ini adalah tabel selisih jarak antar keenam tempat makan pada dimensi 1 peta persepsi yang terbentuk:

Tabel 5.1 Selisih Jarak antar Tempat Makan Pada Dimensi 1

dim 1 APJ APJS APS APR TXC AW

APJ 0 -0.2621 -0.5219 -1.0958 -1.2793 -1.2404

APJS 0.2621 0 -0.2598 -0.8337 -1.0172 -0.9783

APS 0.5219 0.2598 0 -0.5739 -0.7574 -0.7185

APR 1.0958 0.8337 0.5739 0 -0.1835 -0.1446

TXC 1.2793 1.0172 0.7574 0.1835 0 0.0389

AW 1.2404 0.9783 0.7185 0.1446 -0.0389 0

2. Tempat makan yang paling bersaing untuk faktor-faktor yang terdapat pada Faktor 2 atau Fasilitas Eksternal (Lokasi Parkir) adalah: Ayam Penyet Ria dengan Ayam Penyet Joko Solo, Texas Chicken dengan Ayam Penyet Ria serta Texas Chicken dengan Ayam Penyet Joko Solo karena posisi tempat makan tersebut saling berdekatan pada dimensi 2 peta persepsi yang terbentuk. Berikut ini adalah tabel selisih jarak antar keenam tempat makan pada dimensi 2 peta persepsi yang terbentuk:

Tabel 5.2Selisih Jarak antar Tempat Makan Pada Dimensi 2

Dim 2 APJ APJS APS APR TXC AW

APJ 0 0.2531 0.5796 0.3033 0.3658 -0.1271

APJS -0.2531 0 0.3265 0.0502 0.1127 -0.3802

APS -0.5796 -0.3265 0 -0.2763 -0.2138 -0.7067

APR -0.3033 -0.0502 0.2763 0 0.0625 -0.4304

TXC -0.3658 -0.1127 0.2138 -0.0625 0 -0.4929

AW 0.1271 0.3802 0.7067 0.4304 0.4929 0

5.2 Saran

1. Hasil penelitian ini dapat dijadikan sebagai bahan pertimbangan bagi

mahasiswa Universitas Sumatera Utara dalam hal memilih tempat makan.

2. Mengacu pada perhitungan dalam penelitian ini, dapat disarankan kepada

setiap tempat makan yang saling bersaing pada fasilitas internal maupun fasilitas eksternal agar dapat lebih meningkatkan kualitasnya.

3. Untuk penelitian selanjutnya, boleh ditambahkan variabel – variabel atau

faktor-faktor lain yang mempengaruhi orang khususnya mahasiswa dalam hal memilih tempat makan misal: variabel luas area tempat makan, ketersediaan fasilitas tambahan seperti wifi, mushola dan lain-lain.

BAB 2

TINJAUAN PUSTAKA

Pada bab ini akan diuraikan konsep-konsep yang berhubungan dengan penelitian yang menggunakan metode multidimensional scaling yaitu: klasifikasi

multidimensional scaling, prosedur analisis multidimensional scaling, Euclidean distance, Perceptual Map, RSQ (R Square), STRESS serta teori-teori pendukung

yang dibutuhkan dalam penelitian.

2.1 Multidimensional Scaling

Ada beberapa definisi penskalaan multidimensional (multidimensional scaling) yang diungkapkan oleh beberapa ahli antara lain, penskalaan multidimensional = PMD (Multidimensional Scaling) = MDS) merupakan suatu teknik yang bisa membantu peneliti untuk mengenali (mengidentifikasi) dimensi kunci yang mendasari evaluasi objek dari responden atau pelanggan (Supranto, 2010). Sebagai contoh, MDS sering dipergunakan di dalam pemasaran untuk mengenali dimensi kunci yang mendasari evaluasi objek atau produk (mobil, komputer, pasta gigi) dari responden. Penggunaan lain dari MDS meliputi perbandingan mutu fisik, persepsi kandidat politik atau isu dan bahkan penilaian mengenai perbedaan budaya (cultural) antara kelompok yang berbeda.

Analisis penskalaan multidimensional atau multidimensional scaling (MDS) 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 secara psikologis

ditunjukkan sebagai hubungan geografis antara titik-titik di dalam ruang multidimensional. Sumbu dari peta spasial diasumsikan menunjukkan dasar

psikologis atau dimensi yang mendasari yang dipergunakan oleh

pelanggan/responden untuk membentuk persepsi dan preferensi untuk stimulus. Analisis penskalaan multidimensional dipergunakan di dalam pemasaran untuk mengenali (mengidentifikasi), hal-hal berikut:

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

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

3. Penempatan merek ideal dari pelanggan dalam dimensi ini.

Sementara itu, Singgih (2015) menyatakan bahwa MDS berhubungan dengan pembuatan grafik (map) untuk menggambarkan posisi sebuah objek dengan objek yang lain, berdasarkan kemiripan (similarity) objek-objek tersebut. Di sisi lain, Hair dkk (2009) mengungkapkan bahwa MDS, atau yang juga diketahui sebagai perceptual mapping adalah suatu cara yang memugkinkan peneliti untuk menentukan gambar yang dirasa relatif terhadap suatu kumpulan objek (lembaga, produk atau hal lain yang berkaitan dengan persepsi secara umum). Perceptual mapping akan menghasilkan perceptual map (peta persepsi). Sedangkan Richard & Dean (2007) menyatakan bahwa Multidimensional Scaling adalah sebuah metode untuk mentransformasikan data multivariat ke dalam ruang dimensi yang lebih rendah.

Tujuan dari MDS adalah untuk mentransformasikan penilaian konsumen terhadap kesamaan (similarity) secara keseluruhan atau preferensi (misalnya preferensi terhadap toko atau merek) ke dalam jarak yang direpresentasikan pada ruang multidimensi.

Metode multidimensional scaling (MDS) banyak digunakan di berbagai disiplin ilmu. Beberapa aplikasi metode multidimensional scaling banyak ditemukan dibidang ekonomi khususnya manajemen pemasaran dan bisnis, teknik, psikologi dan lain-lain.

Sehingga dapat disimpulkan bahwa, multidimensional scaling adalah:

1. Kumpulan teknik-teknik statistika untuk menganalisis kemiripan dan

ketakmiripan antar objek.

2. Memberikan hasil yang berupa plot titik-titik sehingga jarak antar titik menggambarkan tingkat kemiripan atau ketakmiripan.

3. Memberikan petunjuk untuk mengidentifikasi atribut tak diketahui atau faktor

yang mempengaruhi munculnya kemiripan atau ketakmiripan.

Berdasarkan tipe datanya, Multidimensional Scaling dibagi menjadi dua, yaitu:

1. Multidimensional Scaling Metrik (Klasik)

Skala yang digunakan dalam Multidimensional Scaling Metrik adalah skala data interval atau rasio. Penskalaan Metrik dilakukan jika jarak dianggap bertipe rasio, missal: dAB = 2dBC. Multidimensional scaling (MDS) metrik

mengasumsikan bahwa data adalah kuantitatif (interval dan rasio). 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.

2. Multidimensional Scaling non metrik

Skala yang digunakan dalam Multidimensional Scaling Nonmetrik adalah skala data nominal atau ordinal. Penskalaan nonmetrik dilakukan jika jarak dianggap bertipe ordinal, missal: dAB > dBC, maka begitu juga jarak pada peta. Asalkan

urutannya benar, walaupun rasionya tidak sesuai maka masih diperbolehkan.

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 nonmetrik digunakan

Kruskal’s Least-Square Monotomic Transformation dimana disparities

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 informasi yang sebenarnya tapi nilai urutan tersebut dipandang sebagai variabel interval.

Analisis data Multidimensional Scaling digunakan nilai-nilai yang menggambarkan tingkat kemiripan atau tingkat ketidakmiripan antar objek yang sering disebut proximity (Ginanjar, 2008). Proximity dibagi atas dua yaitu:

1. Similarity (kemiripan)

Yaitu jika semakin kecil nilai jaraknya, maka menunjukkan bahwa objeknya semakin mirip.

2. Dissimilarity (ketidakmiripan)

Yaitu jika semakin besar nilai jaraknya, maka menunjukkan bahwa objek semakin tidak mirip (berbeda).

2.1.1 Prosedur Analisis Multidimensional Scaling

Gambar 2.1 Prosedur Analisis Multidimensional Scaling

2.1.2 Kemiripan (similarity)

Dalam beberapa metode yang berkaitan dengan kemiripan (similarity), jarak dimaksudkan sebagai ukuran kemiripan (similarity). Ukuran kemiripan (similarity) ditentukan berdasarkan jarak (distance) antar titik. Ukuran jarak dalam bidang dua dimensi dapat ditentukan dengan menggunakan Jarak Euclidean (Euclidean Distance) adalah perhitungan jarak dari dua buah titik dalam

Euclidean Space. Euclidean Space diperkenalkan oleh Euclid, seorang

matematikawan dari Yunani sekitar tahun 300 sebelum masehi untuk mempelajari hubungan sudut dan jarak. Euclidean ini berkaitan dengan Teorema Phytagoras.

Untuk menghitng nlai kedekatan jarak antar objek pada peta persepsi (perceptual map) dapat diperoleh dengan menggunakan jarak Euclidean Distance antara objek ke-i dengan objek ke-j:

= −

Merumuskan Masalah

Evaluasi Keandalan dan Kesahihan Memperoleh Input Data

Memilih Prosedur Penskalaan Multidimensional

Memberikan Label Nama Dimensi dan Interpretasi Konfigurasi

Dalam hal ini:

= Jarak antar objek ke-i dan objek ke-j

= Hasil pengukuran objek ke-i pada peubah/atribut h = Hasil pengukuran objek ke-j pada peubah/atribut h

2.1.3 Perceptual Map

Hair dkk (2009) mendefinisikan perceptual map (peta persepsi) adalah sebuah representasi visual dari persepsi seorang responden terhadap beberapa objek pada dua atau lebih dimensi. Tiap objek akan memiliki posisi spasial pada peta persepsi tersebut yang merefleksikan kesamaan (similarity) atau preferensi (preference) ke objek lain dengan melihat dimensi-dimensi pada peta persepsi.

Perceptual map juga sering disebut peta spasial (spatial map). Peta spasial

(spatial map) ialah hubungan antara merek atau stimulus lain yang dipersepsikan, dinyatakan sebagai hubungan geometris antara titik-titik di alam ruang yang multidimensional koordinat (coordinates), menunjukkan posisi (letak) suatu merek atau suatu stimulus dalam suatu peta spasial (Supranto, 2010).

Untuk memperoleh peta persepsi, maka harus diperoleh stimulus koordinat. Algoritma MDS fokus pada fakta bahwa koordinat matriks X dapat diperoleh dengan dekomposisi eigenvalue dari produk skalar matriks B = XX’. Masalah dalam mengkonstruksi D dari matriks proximity P diselesaikan dengan

mengalikan kuadrat dari matriks proximity dengan matriks J = I – n-111’. Prosedur

ini dinamakan double centering.

Adapaun langkah-langkah dalam menentukan posisi atau koordinat stimulus dari objek-objek yang diteliti dengan menggunakan algoritma

multidimensional scaling adalah sebagai berikut (Borg and Groenen, 2005):

1. Membentuk sebuah matriks P(2) = [ ].

2. Menghitung matriks B dengan menggunakan proses double centering :

= − ( ) _{yang menggunakan matriks = −} ! ₁₁# _{dimana n adalah}

jumlah objek.

3. Ambil m positif terbesar dari nilai eigen (eigenvalue) λ …λ_{% pada B serta m} vektor eigen (eigenvector) yang sesuai & … &_%.

4. Sebuah konfigurasi ruang m-dimensi (stimulus koordinat) atas n objek

diperoleh dari koordinat matriks ' = _%Λ_%) , dimana _% adalah matriks dari

m eigenvector dan Λ_{% adalah matriks diagonal dari masing-masing m}

eigenvalue matriks B.

2.1.4 RSQ (R Square)

R = √+ adalah koefisien korelasi berganda yang digunakan untuk mengukur

kuatnya hubungan beberapa variabel bebas X dan Y. + yaitu koefisien

determinasi berganda.

Koefisien determinasi (+ ) merupakan ukuran yang paling sederhana yang

digunakan untuk mengetahui sejauh mana kecocokan antara data dengan garis estimasi regresi. Apabila data hasil pengamatan terletak dalam garis regresi maka kita akan memperoleh kecocokan yang sempurna. Namun hal itu jarang terjadi. Umumnya hasil-hasil pengamatan itu menyebar di seputar garis estimasi regresi sehingga menghasilkan u._- positif jika pengamatan-pengamatan di atas garis estimasi regresi, atau sebaliknya u._- negatif jika pengamatan-pengamatan di bawah garis estimasi regresi. Total penyimpangan terdiri dari dua komponen yaitu: jumlah kuadrat yang dapat dijelaskan oleh model regresi (explained sum of

square, ESS) dan jumlah kuadrat penyimpangan residual (residual sumof square,

RSS), sehingga:

/00 = 00 + +00 1 = _{/00 +}00 +00_/00

1 = ∑(3_{∑(3 − 36) +}5 − 36)4 _{∑(3 − 36)} ∑ u. -7 &89:&ℎ ∶ + = ∑(3_{∑(3 − 36) =} 5 − 36)4 _/00 00

Semakin besar nilai + , semakin dekat antara estimasi garis regresi dengan

data sampelnya. Dua sifat yang terdapat dalam koefisien determinasi adalah (Sarwoko, 2007):

1. Nilainya tidak pernah negatif (non negative quantity)

2. Memiliki nilai limit 0 < + < 1. Apabila + = 1 berarti kecocokan yang sempurna, sehingga 35 = 3₄ , di lain pihak apabila + = 0 berarti tidak ada hubungan antara regressand dengan regressor.

Koefisien determinasi mengukur proporsi atau persen total variasi variabel Y yang dapat dijelaskan oleh model regresi. Dalam multidimensional

scaling¸koefisien determinasi dikenal dengan RSQ (R Square) atau R kuadrat

ialah kuadrat dari koefisien korelasi yang menunjukkan proporsi varian dari the

optimally scaled data, yang diasumsikan oleh prosedur penskalaan multidimensional yang merupakan ukuran kecocokan/ketepatan (goodness of fit

measure).

Dalam multidimensional scaling (MDS), RSQ mengindikasikan proporsi ragam input data yang dapat dijelaskan oleh model MDS. Semakin tinggi RSQ, semakin baik model MDS. Menurut Malhotra (2005), model RSQ dapat diterima bila RSQ > 0,6.

2.1.5 STRESS

Kesesuaian solusi MDS biasanya dikaji dengan ukuran STRESS. STRESS ialah ukuran ketidakcocokan (a lack of fit measure), makin tinggi nilai STRESS semakin tidak cocok. Pada multidimensional scaling nonmetrik, hanya informasi ordinal pada proximity yang digunakan untuk mengkonstruksi konfigurasi spasial. Sebuah transformasi monotonik dari proximity dihitung, yang menghasilkan

scaled proximities. Optimally scaled proximities disebut juga sebagai disparities ==>( ).

Untuk mengetahui ukuran tingkat ketidakcocokan (a lack of fit measure)

output dengan keadaan sebenarnya digunakan fungsi STRESS (Standarized Residual Sum of Square) sebagai berikut:

Dalam hal ini :

d = Matriks Proximity yang diperoleh dengan rumus Euclidean Distance. >( )= Disparities atau Optimally Scaled Data.

Perhitungan nilai STRESS juga dapat digunakan untuk menilai atau menentukan goodness of fit pada sebuah solusi MDS. Nilai STRESS yang kecil mengindikasikan sebuah kecocokan yang baik, sedangkan nilai STRESS yang tinggi mengindikasikan kecocokan yang buruk. Kruskal (1994) memberikan beberapa panduan dalam hal interpretasi nilai STRESS mengenai goodness of fit dari solusi yang ditunjukkan pada Tabel 2.1 berikut:

Tabel 2.1 Nilai Kesesuaian Fungsi STRESS

STRESS (%) Kesesuaian (Goodness of Fit)

>20 Buruk

10 – 20 Cukup

5,1 – 10 Baik

2,5 – 5 Sangat Baik

<2,5 Sempurna

Sumber: Masuku, Paendong, Langi (2014)

Semakin kecil nilai STRESS menunjukkan bahwa hubungan monoton yang terbentuk antara ketidaksamaan dengan disparities semakin baik (didapat kesesuaian) dan kriteria peta persepsi yang terbentuk semakin sempurna.

2.2 Matriks

Matriks (dilambangkan dengan huruf capital, misalnya A) adalah susunan data dalam baris horizontal dan kolom vertikal sehingga mirip bidang empat persegi (rectangular) data (Gudono, 2015). Biasanya data tersebut diletakkan di dalam kurung. Data di dalam kurung tersebut disebut elemen matriks dan diberi simbol huruf kecil dengan subscript, misalnya @ yang berarti data pada baris ke i dan kolom j. Jumlah kolom dan baris merupakan dimensi matriks, sehingga matriks

A3x4 adalah matriks A yang memiliki 3 baris dan 4 kolom atau disebut juga

matriks A berdimensi 3x4.

Elemen matriks bisa berisi rangkaian bilangan riil sehingga matriksnya disebut real-valued matricel. Notasi A∈Rnxm berarti A memilki elemen bilangan riil dan berdimensi n baris m kolom. Matriks bisa juga berisi campuran antara bilangan riil dan imajiner sehingga matriksnya disebur complex-value matrice. Matriks memilki jenis yang bermacam-macam. Salah satunya adalah matriks baris yaitu matriks yang terdiri dari satu baris data. Sebaliknya matriks kolom adalah matriks yang terdiri dari satu kolom data. Vektor adalah rangkaian data (angka) dalam satu baris atau kolom. Oleh sebab itu matriks baris dan matriks kolom otomatis merupakan vektor. Skalar adalah sebuah angka tunggal.

Suatu matriks berukuran m×n atau matriks m×n adalah suatu jajaran

bilangan berbentuk persegi panjang yang terdiri dari m baris dan n kolom. Matriks tersebut dinotasikan dalam bentuk:

@ = B

@ @

@_… @_… … @… @ CC

@% @%

… …

… @%C

D

Setiap bilangan @_E dalam matriks ini dinamakan elemen matriks. Indeks j

dak k berturut-turut menyatakan baris dan kolom dari unsur matriks tersebut.

2.2.1 Matriks Identitas dan Determinan Matriks

Matriks identitas adalah matriks diagonal dimana nilai elemen diagonal utamanya masing-masing adalah satu sedangkan nilai elemen off-diagonalnya adalah sama dengan nol. Matriks identitas memilki sifat seperti angka satu. Artinya, jika matriks identitas dikalikan dengan matriks lain (asal dimensinya terpenuhi) maka hasilnya akan tetap sama dengan nilai semua matriks tersebut.

Determinan matriks A (det A atau |A|) adalah skalar yang dihitung melalui proses reduksi dan ekspansi dengan menggunakan minor dan kofaktor. Berikut langkah-langkah yang dapat dilakukan untuk memperoleh determinan matriks:

1. Pilih baris atau kolom yang akan diekspansi dan kemudian tentukan nilai minor Mij matriks B dengan cara menghitung determinan submatriks yang tersisa

setelah baris i dan kolom j dihilangkan.

2. Hitung matriks kofaktor (Bc) sesuai dengan nilai minor terkait dengan

menggunakan rumus Bij = (-1)i+jMij.

3. Hitung det = ∑C_EJ I_{E E} dimana I_E adalah nilai elemen baris (1) matriks

B (baris yang diekspansi).

Selain teknik tersebut ada alternatif yang mungkin lebih sederhana untuk menghitung determinan, yaitu dengan menjumlahkan hasil kali elemen-elemen yang sejajar dengan diagonal utama dan menguranginya dengan hasil kali elemen-elemen yang berlawanan arah dengan diagonal utama.

2.3 Eigenvalue dan Eigenvector

Vektor kolom X merupakan eigenvector matriks A dan λ adalah eigenvalue atau

sering disebut juga characteristic value. Jika A adalah sebuah matriks

bujursangkar berukuran × dan X adalah suat vektor kolom, persamaan:

AX = λX

dimana λ adalah suatu bilangan, dapat ditulis sebagai:

B

@ @

@_… @_… … @… @ CC

@C @C

… …

… @CC

D B…

C

D = λB…

C

D

Atau

(@ − K) + @ + ⋯ + @ C C = 0

@ + (@ − K) + ⋯ + @ C C = 0

@C C+@… … … …_{C C}+ ⋯ + (@_CC− K) _C = 0

N

Penyelesaian tersebut akan mempunyai persamaan tak trivial jika dan hanya jika

O

@ − K @

@ _… @ − K_… … @… @ CC

@C @C

… …

… @CC− K

yang dapat ditulis sebagai

det ( − K )

yang merupakan suatu suku banyak berderajat n dalam λ. Akar dari persamaan suku banyak ini disebut eigenvalue (nilai eigen) dari atau nilai karakteristik dari matriks A. Untuk setiap eigenvalue (nilai eigen) akan ada penyelesaian X ≠ 0 yang merupakan suatu penyelesaian tak trivial yang dinamakan eigenvector (vektor eigen) atau vektor karakteristik dari nilai eigennya.

2.4 Dekomposisi Matriks

Dekomposisi (decomposition) adalah proses mengurai suatu materi menjadi hal yang lebih sederhana. Dalam konteks materi organik dekomposisi merupakan hal yang esensial untuk recycling. Makna seperti ini kurang lebih diadopsi dalam analisis numeris (numerical analysis) atau matemaika untuk mengurai sebuah bilangan atau matriks sesuai dengan fungsi yang membentuknya. Pada

multidimensional scaling, dekomposisi matriks ini digunakan dalam algoritma

untuk memperoleh matriks koordinat.

Ada beberapa macam dekomposisi, antara lain: LU decomposition dan

eigen decomposition (spectral decomposition). Misalnya matriks A dapat

dikomposisi menjadi A – LU, dimana L adalah lower triangulation dan U adalah

upper triangular, sehingga fungsi Ax = b dapat dikomposisi menjadi L(Ux) = b

dan Ux = L-1b. Setelah itu fungsi tersebut dapat dipecahkan dengan teknik penambahan dan pengalian yang lebih sederhana.

Dengan spectral decomposition matriks A dapat didekomposisi mejadi A

= VDV-1 dimana D adalah matriks diagonal yang dibentuk dari nilai eigen matriks

A dan V adalah eigenvector A. Mengenai eigenvalue dan eigenvector,telah

dikenal persamaan AV = VD. Sementara itu, jika Xλ aadalah proyeksi orthogonal

pada Vλ maka spectral decomposition dapat ditulis = K '_P + ⋯ + K_%'_P%.

2.5 Analisis Multivariat

Secara umum, Analisis Multivariat atau Metode Multivariat berhubungan dengan metode-metode statistik yang secara bersama-sama (simultan) melakukan analisis

terhadap lebih dari dua variabel dari setiap objek (Singgih, 2015). Jadi bisa dikatakan, analisis multivariat merupakan perluasan dari analisis univariat (seperti uji t) atau bivariat (seperti korelasi dan regresi sederhana).

Multidimensional Scaling adalah salah satu metode dari analisis data

multivariat. Analisis data multivariat secara sederhana dapat didefinisikan sebagai aplikasi metode-metode yang berhubungan dengan sejumlah besar pengukuran yang dibuat untuk setiap objek dalam satu atau lebih sampel secara simultan.Dengan kata lain, analisis data multivariat mengukur relasi simultan antar variabel. Secara umum, metode-metode dalam analisis data multivariat digolongkan menjadi dua kelompok. Kelompok pertama adalah metode-metode dependen. Metode-metode dependen terpusat pada mencari asosiasi dari dua himpunan variabel dimana salah satu himpunan adalah realisasi dari suatu ukuran dependen. Dengan kata lain, metode-metode dependen berusaha mencari atau memprediksi ukuran satu atau lebih kriteria berdasar himpunan variabel prediktor. Yang termasuk dalam kelompok ini adalah Multiple Regression, Analisis Diskriminan, Analisis Logit, Multivariate Analysis of Variance (MANOVA) dan

Canonical Correlation Analysis.

Kelompok kedua adalah metode-metode interdepeden. Metode-metode interdependen terpusat pada asosiasi mutual antar variabel tanpa membedakan tipe-tipe variabel. Secara umum, metode-metode ini tidak memberikan prediksi melainkan mencoba memberikan gambaran mengenai struktur yang mendasari data dengan cara menyederhanakan kompleksitas atau dengan mereduksi data. Yang termasuk dalam kelompok ini adalah Principal Component Analysis, Analisis Faktor, Multidimensional Scaling (MDS), Analisis Kluster, Pemodelan Loglinear.

2.6 Jenis Data Menurut Cara Memperolehnya

Menurut cara memperolehnya, data terbagi menjadi 2, yaitu (Syafrizal & Muslich,2012):

1. Data Primer

Data primer (primary data) yaitu data yang dikumpulkan sendiri oleh perorangan/suatu organisasi secara langsung dari objek yang diteliti dan untuk

kepentingan studi yang bersangkutan yang dapat berupa interview (wawancaa), kuesioner (angket) maupun observasi.

2. Data Sekunder (Seconndary Data)

Data sekunder (secondary data) yaitu data yang diperoleh atau dikumpulkan dan disatukan oleh studi-studi sebelumnya atau yang diterbitkan oleh berbagai instansi lain. Biasanya sumber tidak langsung berupa data dokumentasi dan arsip-arsip resmi.

2.7 Jenis Skala Pengukuran Data

Ada 4 jenis atau tipe skala pengukuran data, yaitu (Syafrizal & Muslich,2012):

1. Skala Nominal

Skala nominal merupakan tingkatan pengukuran yang paling sederhana. Dasar penggolongan ini agar kategori yang tidak tumpang tindih (mutually exclusive) dan tuntas (exhaustive). “Angka” yang ditunjuk untuk suatu kategori tidak merefleksikan bagaimana kedudukan kategori tersebut terhadap kategori lainnya, tetapi hanya sekedar label atau kode sehingga skala yang diterapkan pada data yang hanya bisa dibagi ke dalam kelompok-kelompok tertentu dan pengelompokan tersebut hanya dilakukan untuk tujuan identifikasi.

2. Skala Ordinal

Skala ordinal memungkinkan peneliti untuk mengurutkan respondennya dari tingkatan yang paling rendah ke tingkatan yang paling tinggi menurut atribut tertentu. Skala yang diterapkan pada data dapat dibagi dalam berbagai kelompok dan bisa dibuat peringkat di antara kelompok tersebut.

3. Skala Interval

Seperti halnya ukuran ordinal, ukuran interval adalah mengurutkan orang atau objek berdasarkan suatu atribut. Interval atau jarak yang sama pada skala interval dipandang sebagai mewakili interval atau jarak yang sama pula pada objek yang diukur. Skala yang diterapkan pada data dapat diranking dan peringkat tersebut bisa diketahui perbedaan diantara peringkat-peringkat tersebut dan bisa dihitung besarnya perbedaan itu. Namun harus diperhatikan bahwa dalam skala ini perbandingan rasio yang ada tidak diperhitungkan.

Suatu bentuk interval yang jaraknya (interval) tidak dinyatakan sebagai perbedaan nilai antar responden, tetapi antara seorang dengan nilai nol absolut, karena ada titik nol maka perbandingan rasio dapat ditentukan.

2.8 Positioning

Menurut Kotler (1988) positioning adalah suatu tindakan merancang nilai dan kesan yang ditawarkan perusahaan sehingga segmen pelanggan memahami dan mengapresiasi apa yang dilakukan perusahaan dalam kaitan dengan para pesaingnya.

Positioning didefinisikan sebagai seni dan ilmu pengetahuan dalam

mencocokkan produk atau jasa dengan satu atau lebih segmen pasar dalam rangka menetapkan bagian yang berarti dari produk atau jasa tersebut dari persaingan.

Positioning juga merupakan upaya untuk mendesain produk agar

menempati sebuah posisi yang unik di benak pelanggan. Positioning akan menjadi penting apabila persaingan sudah sangat sengit di segala bidang.

BAB 1 PENDAHULUAN

1.1Latar Belakang

Multidimensional Scaling adalah salah satu teknik analisis multivariat yang

bertujuan untuk membentuk pertimbangan atau penilaian pelanggan mengenai kemiripan (similarity) atau preferensi ke dalam jarak (distances) yang diwakili dalam ruang multidimensional. Metode multidimensional scaling adalah suatu metode yang banyak diterapkan di berbagai bidang, misal bidang ekonomi dan bisnis, teknik dan lain sebagainya.

Salah satu penerapan metode multidimensional scaling ialah di bidang pemasaran yaitu menentukan posisi suatu objek terhadap objek-objek lainnya. Metode ini mudah diterapkan dalam bidang ini sebagai contoh: dalam penentuan posisi suatu objek yang mempunyai banyak variabel. Dengan menggunakan metode multidimensional scaling ini, jumlah variabel yang banyak dapat direduksi menjadi lebih sedikit sehinggan posisi tersebut dapat disajikan dalam dimensi yang lebih kecil juga.

Selain digunakan di bidang bisnis dan teknik, metode multidimensional

scaling juga dapat diterapkan di bidang pendidikan. Dalam bidang pendidikan,

metode multidimensional scaling dapat digunakan untuk memposisikan beberapa perguruan tinggi swasta yang berada di satu wilayah berdasarkan atribut-atribut yang sering menjadi pertimbangan dalam memilih perguruan tinggi swasta. Data untuk penelitian seperti ini dapat diperoleh melalui kuesioner yang didistribusikan kepada responden, yakni siswa kelas XII SMA.

Jika dibandingkan dengan penerapannya pada bidang ilmu lain, metode

multidimensional scaling ini lebih sering digunakan dalam bidang ekonomi

khususnya pemasaran. Oleh karena itu, dalam penelitian ini metode

multidimensional scaling akan diterapkan untuk positioning beberapa tempat

makan yang berada di Jl. Dr. Mansyur Medan berdasarkan persepsi mahasiswa Universitas Sumatera Utara.

Tempat makan yang dapat berupa restoran, rumah makan ataupun kafe adalah suatu bentuk usaha penyediaan makanan yang mendatangkan keuntungan dengan basis utamanya adalah penjualan makanan dan minuman kepada pelanggan. Bisnis dibidang kuliner adalah termasuk bisnis yang rentan terhadap risiko. Bahan baku yang digunakan dalam bisnis bidang kuliner ini misalnya: sayuran, bumbu dapur, beras, buah-buhan, dan lain-lain adalah bahan-bahan yang tidak tahan lama atau dengan kata lain akan rusak dalam waktu yang cukup singkat. Jika bahan baku yang tersedia tidak langsung diolah, maka besar kemungkinan bahan baku tersebut akan rusak dan tidak dapat digunakan lagi dan akan mengalami kerugian.

Universitas Sumatera Utara (USU) adalah universitas terbesar yang ada di Sumatera Utara yang memiliki puluhan ribu mahasiswa yang berasal dari berbagai jenjang. USU terletak di Jl. Dr. Mansyur No.9 Medan, sehingga banyak pelaku bisnis yang memanfaatkan lokasi ini untuk dijadikan tempat berbisnis terutama bisnis dibidang kuliner. Jika diperhatikan, banyak sekali tempat makan yang berderet di sepanjang Jl. Dr. Mansyur Medan. Karena berada disekitar kampus USU, maka mahasiswa-mahasiswa USU merupakan pangsa pasar (sasaran) utama dari tempat makan yang berada di Jl. Dr. Mansyur Medan. Karena ketatnya persaingan, para pelaku bisnis harus mempunyai strategi yang tepat untuk mempertahankan eksistensi usahanya.

Untuk tingkat mahasiswa, fungsi tempat makan tidak lagi hanya sekedar sebagai tempat makan saja tetapi dapat juga memiliki fungsi yang lain seperti: tempat berdiskusi dengan teman, tempat reuni maupun tempat mengerjakan tugas-tugas kuliah. Untuk itu, setiap restoran harus mampu bersaing menawarkan suguhan terbaik sehingga banyak mahasiswa yang datang ke tempat makan tersebut.

Teknik multidimensional scaling menghasilkan sebuah peta perseptual (perceptual map) atau peta posisi yang menunjukkan posisi relatif dari objek. Metode Multidimensional Scaling ini bertujuan untuk mentransformasikan penilaian kemiripan atribut yang diberikan oleh para konsumen terhadap sesuatu. Dalam hal ini, konsumen diberi kebebasan untuk menilai, dimana penilaian dilakukan menggunakan skala likert.

PENERAPAN METODE MULTIDIMENSIONAL SCALING DALAM POSITIONING TEMPAT MAKAN DI JL. DR. MANSYUR

MEDAN BERDASARKAN PERSEPSI MAHASISWA UNIVERSITAS SUMATERA UTARA

Abstract

Many of food trade built along Jl. Dr. Mansyur Medan caused the competition in each trade are high so all traders which build their business on Jl. Dr. mansyur Medan have to have special strategy to catch customers so that they can defend their trade existence. To know the nearest competitor of each company can be executed by positioning (mapping). Positioning food place can executed by Multidimensional Scaling through perception map, which is it can describe the position each food place based on consumer’s perception. The purpose of this research is to positioning food place based on the similarity of attributes and describe consumer’s perception for some food place and knowing the similarity each food place. This research objects are Ayam Penyet Jakarta, Ayam Penyet Joko Solo, Ayam Penyet Surabaya, Ayam Penyet Ria, Texas Chicken and A&W. By using purposive sampling, the amount of respondents are 100 University of North Sumatera’s student which ever come to the six food place. The result shows that in MDS map, Texas Chicken and A & W are the most similar food place ini Price, Food Offered, Place Design, Services and Place Cleanliness.While Texas Chicken and Ayam Penyet Ria are the most similar in Park Location.

DAFTAR ISI

Halaman

Persetujuan i

Pernyataan ii

Penghargaan iii

Abstrak iv

Abstract v

Daftar Isi vi

Daftar Tabel viii

Daftar Gambar ix

Daftar Lampiran x

Bab 1. Pendahuluan

1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 4

Bab 2. Tinjauan Pustaka

2.1 Multidimensional Scaling 6

2.1.1 Prosedur Analisis Multidimensional

Scaling 9

2.1.2 Jarak Euclidean 10

2.1.3 Perceptual Map 11

2.1.4 RSQ (R Square) 12

2.1.5 STRESS 13

2.2 Matriks 14

2.2.1 Matriks Identitas dan Determinan

Matriks 15

2.3 Eigenvalue dan Eigenvector 16

2.4 Dekomposisi Matriks 17

2.5 Anlisis Multivariat 17

2.6 Jenis Data Menurut Cara Memeperolehnya 18

2.7 Jenis Skala Pengukuran Data 19

2.8 Positioning 19

Bab 3. Metode Penelitian

3.1 Sumber Data 21

3.2 Populasi dan Sampel 21

3.3 Lokasi Penelitian 22

3.4 Jenis dan Teknik Pengumpulan Data 22

3.5 Variabel Penelitian 23

3.6 Skala Ukuran Penelitian 23

3.7 Analisis Data 24

3.8.1 Langkah-Langkah Analisis Data 24 Bab 4. Hasil dan Pembahasan

4.1 Data 26

4.2 Analisis Deskripstif 27

4.3 Metode Multidimensional Scaling 27

4.3.1 Kemiripan (Similarity) 27

4.3.2 Penentuan Posisi (Positioning) 29

4.3.3 Menghitung Nilai STRESS 32

4.3.4 Menghitung Nilai RSQ (R Square) 33

4.4 Reduksi Variabel 33

Bab 5. Kesimpulan dan Saran

5.1 Kesimpulan 35

5.2 Saran 36

DAFTAR TABEL

No Judul Halaman

Tabel

2.1 Nilai Kesesuaian Fungsi STRESS 14

4.1 Nilai Rata-Rata Terhadap Persepsi Responden 26 4.2 Jarak Kemiripan (Distance) dari 6 Tempat Makan 28 4.3 Stimulus Koordinat Pada Peta Persepsi 31

4.4 Optimally Scaled Data (Disparities) 32

5.1 Selisih Jarak Antar Tempat Makan Pada Dimensi 1 36 5.2 Selisih Jarak Antar Tempat Makan Pada Dimensi 2 36

DAFTAR GAMBAR

No Judul Halaman

Gambar

2.1 Prosedur Analisis Multidimensional Scaling 10

DAFTAR LAMPIRAN

No Judul Halaman

Lamp

1. Kuesioner 40

2. Hasil Penilaian Responden 41

3. Perhitungan MDS dengan mneggunakan MATLAB

7.10.0 45

4. Perhitungan Nilai RSQ 49