Tahapan MDS

Tahap 4: Deriving Solusi MDS dan Menilai Overall Fit

1.      Bagaimanakah MDS menentukan posisi optimal dari objek dalam ruang persepsi?

-          Sebagian besar program MDS mengikuti langkah prosedur yang melibatkan pemilihan perbandingan, konfigurasi agar sesuai dengan ukuran, dan pengurangan dimensi.

-   Kriteria utama untuk menentukan posisi yang optimal adalah menjaga hubungan yang diinginkan antara peringkat asli data dan jarak antara titik yang diturunkan.

-          Degenerate Solution : Peneliti harus berhati-hati terhadap degenerate solution yang merupakan peta persepsi yang tidak akurat. Degenerate solution dapat diidentifikasi dengan pola melingkar objek atau pola clustered objek di dua ujung dimensi tunggal.

2.      Bagaimana jumlah dimensi dimasukkan dalam menentukan pemetaan persepsi?

-          Trade-off yang paling cocok dengan jumlah dimensi terkecil yang dimungkinkan dalam menentukan pemetaan persepsi. Interpretasi lebih dari tiga dimensi sangatlah sulit.

-          Tiga pendekatan untuk menentukan jumlah dimensi:

Ø      Evaluasi Subyektif : Peneliti mengevaluasi mapsand spasial untuk menentukan apakah konfigurasi yang dihasilkan terlihat wajar.

Ø      Pengukuran Stress pengukuran: mengukur proporsi varians dalam data yang tidak diperhitungkan oleh model. Ini adalah kebalikan dari fit index tersebut.

Ø      Indeks stres rendah yang diinginkan, karena stres diminimalkan ketika obyek ditempatkan dalam konfigurasi sedemikian rupa sehingga jarak antara objek paling cocok dengan jarak asli.

-          Scree plot dari stres indeks: Ukuran stres untuk model dengan berbagai jumlah dimensi dapat diplot untuk membentuk screeplot seperti pada analisis faktor. Interpretasi plot ini adalah sama, di mana analis akan mencari lengkungan pada plot line.

-          Overall Fit Index : indeks korelasi kuadrat yang menunjukkan jumlah perbedaan dalam  data yang dapat dijelaskan oleh model. Ini merupakan ukuran seberapa baik model tersebut cocok dengan data. Tingkat yang diinginkan dari fit indeks mirip dengan yang diinginkan ketika menggunakan regresi R².

3.      Dengan data preferensi, tiga isu yang ditambahkan adalah:

1)      Estimasi titik yang ideal secara eksplisit maupun implisit,

2)      Penggunaan analisis internal atau eksternal,

3)      Penggambaran titik ideal.

Parsimony:

Parsimony harus dicari dalam memilih jumlah dimensi. Pengukuran stres dan indeks fit secara keseluruhan bereaksi sama seperti R² pada regresi. Ketika menambahkan dimensi, indeks fit selalu meningkat dan stres selalu menurun. Dengan demikian, analis harus membuat trade-off antara fit dari solusi dan kesulitan penafsiran didasarkan pada jumlah dimensi.

• Estimasi titik ideal: titik yang ideal (lebih disukai kombinasi dari disukai sifat persepsi) dapat ditentukan dengan prosedur estimasi eksplisit atau implisit.

-          Estimasi Eksplisit : responden diminta untuk mengidentifikasi atau kombinasi yang ideal dari tingkat atribut hipotesis.

-          Estimasi Implisit : kombinasi ideal dari atribut secara empiris ditentukan dari tanggapan responden terhadap  ukuran preferensi pertanyaan.

• Analisis internal versus analisis eksternal

-          Analisis internal, mengembangkan peta spasial hanya dari data preferensi.

-          Analisis eksternal, titik fit yang ideal didasarkan pada data preferensi untuk ruang stimulus yang dikembangkan dari persamaan data.

Rekomendasi :

Analisis eksternal dilakukan karena adanya kesulitan komputasi dengan analisis internal dan fakta bahwa ruang persepsi (preferensi) dan ruang evaluatif (persamaan) mungkin tidak mengandung dimensi yang sama dengan arti-penting yang sama.

Ø      Vektor atau titik representasi titik ideal àtitik yang ideal adalah kombinasi dari dimensi yang paling disukai.

Ø      Representasi titik adalah lokasi yang paling disukai dari kombinasi dimensi dari sudut pandang konsumen.

Ø      Vektor adalah garis diperpanjang dari asal usul grafik terhadap thepoint yang merupakan kombinasi dari dimensi ditentukan asideal.

Ø      Perbedaan dalam representasi : dengan representasi titik, penyimpangan dalam setiap arah mengarah ke objek yang tidak disukai, sedangkan dengan vektor, obyek yang paling tidak disukai adalah yang terletak di arah yang berlawanan dari vektor yang ditunjuk.

Tahap 5 : Interpretasi Hasil MDS

1. Untuk metode decomposisional, analis harus mengidentifikasi dan menjelaskan persepsi dimensi. Prosedur untuk identifikasi dimensi bisa jadi objektif atau subjektif.
   • Prosedur Subyektif: peneliti atau responden secara visual menginspeksi peta persepsi dan mengidentifikasi dimensi yang mendasarinya.  Ini merupakan pendekatan yang terbaik ketika dimensi sangat tidak berwujud atau afektif / emosional.
2. Prosedur  Obyektif : metode formal, seperti LABA, digunakan untuk mendapatkan dimensi empiris yang mendasari dari peringkat atribut.

Tahap 6 : Memvalidasi Hasil MDS

Ø      Validasi akan membantu memastikan generalisasi melewati obyek dan populasi.

Ø      Membagi sampel atau multi sampel dapat digunakan untuk membandingkan hasil MDS.

Ø      Hanya posisi relatif dari obyek benda yang dapat dibandingkan melalui analisis MDS,   dimensi yang mendasari seluruh analisis tidak dapat dibandingkan.

Ø      Basis perbandingan dari analisis: visual atau berdasarkan korelasi sederhana dari koordinat.

Ø      Metode pendekatan multi: menerapkan kedua metode baik dekomposisional dan   komposisional untuk sampel yang sama dan mencari konvergensi

ANALISIS KORESPONDENSI

Analisis korespondensi (CA) adalah bentuk lain dari peta persepsi yang melibatkan penggunaan data kontingensi atau cross-tabulasi. Penerapannya menjadi luas dalam banyak bidang, baik praktisi dan akademis.

Tahap 1 : Tujuan dari Analisis Korespondensi

Analisis korespondensi akan mengakomodasi kedua hubungan, baik data nonmetrik dan nonlinear.

-          Tabel kontingensi digunakan untuk mengubah data dari bentuk nonmetrik ke bentuk metrik.

-     Pengurangan dimensi dilakukan dengan cara yang mirip dengan analisis faktor.

-     Melakukan pemetaan persepsi dimana kategori bisa ditampilkan dalam dalam ruang multidimensi.

Tahap 2: Desain Penelitian dari Analisis Korespondensi

Ø      Analisis korespondensi hanya membutuhkan data matrik rectangular dari data non negatif.

Ø      Baris dan kolom tidak memiliki makna standar, namun merupakan tanggapan terhadap variabel kategori.

Ø      Kategori-kategori untuk baris atau kolom dapat menjadi variabel tunggal atau satu set variabel.

Tahap 3: Asumsi Analisis Korespondensi

Tidak seperti teknik multivariat lainnya, analisis korespondensi tidak memiliki satu set ketat asumsi. Peneliti hanya perlu peduli terhadap semua atribut yang relevan.

Tahap 4: Deriving Hasil CA dan menilai Overall Fit

1.      Analisis korespondensi berasal representasi tunggal dari kategori (baik baris dan kolom) dalam ruang multidimensi yang sama.

2.      Peneliti harus mengidentifikasi jumlah dan pentingnya dimensi.

3.      Nilai Eigen disediakan untuk membantu peneliti dalam menentukan jumlah dimensi yang           sesuai untuk memilih dan dalam mengevaluasi kepentingan relatif dari setiap dimensi.

Tahap 5: Interpretasi Hasil

Ø      Tingkat derajat kesamaan di antara kategori berbanding lurus dengan kedekatan kategori di ruang persepsi.

Ø      Meskipun perdebatan terhadap masalah ini, proximities hanya harus dibandingkan dalam baris atau kolom dalam

Tahap 6: Validasi Hasil

1.      Generalisasi hasil dapat dibuktikan dengan analisis split-sampel atau multi-sampel.

2.      Peneliti juga harus menilai sensitivitas analisis untuk penambahan atau penghapusan objek tertentu dan / atau atribut.

ü      CA tidak hanya hubungan antara baruis dan kolom, tapi juga hubungan antar kategori diantara baris dan kolom.

ü      CA menyediakan sebuah display gabungan dari kategori baris dan kolom dalam dimensi yang sama. Modifikasi program yang tetap memungkinkan perbandingan interpoin dari yang relatig dekat yang langsung terkait dengan asosiasi diantara poin yang terpisah.

Kelemahan CA diantaranya :

û       Teknik deskriptif dan tidak semua tes hipotesis cocok. Apabila hubungan kuantitatif kategori diinginkan, metode seperti log-linear models disarankan.

û       CA seperti dalam kasus dengan banyak metode pengurangan dimensionalitas, tidak memiliki metode kesimpulan yang menentukan dimensi mana yang tepat.

û       Teknik sangat sensitif untuk outliers, baik dalam kolom maupun baris. Untuk tujuan gereralisasi, problem menghilangkan obyek atau atribut sangatlah penting.

Diskusi akan memproses empat sesi :

1.      Pengujian tiga langkah inisial dari proses pembetukan model (Obyek riset, desain riset, dan asumsu) yang sama diantara kedua metode.

2.      Diskusi dari dua langkah (Estimasi Model dan Interpretasi) untuk model metode dekomposisi MDS

3.      Diskusi dua langkah yang sama untuk metode komposisional (analisis koresponden) diterapkan pada sampel responden yang sama

4.      Pengamatan pada enam langkah dari proses pembentukan model (validasi) trough perbandingan hasil dari metode kedua tipe.

Stage 1 : Objective of Perceptual Mapping

Tujuan yang sama dari deal riset dengan perceptual mapping adalah untuk mengeksplor image perusahaan dan kompetisi.

Identifikasi obyektif untuk inclusion

Berbasis analisa pada data similarity atau preference

Pemilihan antara data similarity atau preference tergantung pada analisa obyek dasar. Similarity data menyediakan perbandingan obyek langsung berbasis atribut mereka. Hal itu memungkinkan trough penggunaan teknik berganda untuk mengkombinasi dua tipe data apabila dikumpulkan.

Penggunaan analisis agregat dan Disagregat

Keputusan final melibatkan apakah untuk menggunakan agregat dan disagregat analisa individual atau dalam common. Analissa agregat menyediakan persepektif keseluruhan pada sample keseluruhan dalam analisa tunggal, dengan pemetaan perceptual yang merepresentasikan persepsi komposisi semua responden. Analisa agregat memungkinkan sebuah analisa individual dimana semua respinden dapat dianalisa secara terpisahdan meski digambar dengan pemetaan perceptual mereka sendiri. Dimungkinkan juga mengkombinasikan dua tipe analisa seperti hasil untuk individu yang ditampilkan dalam konjungsi dengan hasil agregat.

Stage 2 : Desain riset untuk Studi Pemetaan Perceptual

Memilih Metode Dekomposisi atau Komposisional

Pilihan antara metode dekomposisional (bebas atribut) atau komposisional (berbasis-atribut) berpusat diantara level spesifikasi harapan peneliti. Dalam pendekatan dekoposisional, responden menyediakan hanya keseluruhan persepsi atau evaluasi dalam rangka menyediakan pengukuran similar secara langsung.

Memilih Perusahaan untuk Analisa

Dalam memilih perusahaan untuk dianalisa, peneliti harus memperhatikan dua hal :

1. Apakah semua perusahaan komparabel dan relevan dengan obyek studi,
2. Banyaknya perusahaan terkait yang cukup digambarkan dengan dimensi yang diharapkan

Metode Nonmetrik vs Metrik

Pemilihan antara metode nonmetrik dan metrik berbasis gabungan pada tipe analisa yang diperformakan. Seperti program aktual yang digunakan.

Mengumpulkan data untuk MDS

Hubungan utama untuk membangun pemetaan perseptual apakah menggunakan similiarity atau preferences.

Similiarity Data

Sebuah starting poin untuk pengumpulan data analisa MDS didapat persepsi dari responden memperhatikan similarity dan dissimilaritu dari HBAT dan sembilan perusahaan kompetitor dalam pasar.

Attribute Rating

Dalam penambahan similaritas penilaian, rating tiap perusahaan dalam seri atribut yang didapatkan untuk penyediaan beberapa obyektif yang berarti menjelaskan dimensi identifikasi dalam pemetaan perceptual.

Evaluasi Preferensi

Merupakan tipe data yang diamati preferensi di tiap responden dalam pemilihan konteks spesifik. Data ini digunakan dalam konjungsi dengan pemetaan perseptual yang berasal  dalam multidimensional scaling untuk menyediakan wawasan dalam korespondensi penilaian similarity dan preference terus diantara susunan analisa suplemen.

Mengumpulkan data untuk Analisis Korespondensi

Analisis korespondensi melakukan tipe diferensiasi data dari teknik lain. Perhitungan frekuensi di tiap baris mewakili derajat asosiasi antara kategori baris dan kolom. Satu keuntungan dari CA adalah bahwa CA sangatlah fleksibel dimana dapat mewakilkan baris dan kolom.

Untuk CA tingkat nonmetrik dikumpulkan menggunakan delapan atribut yang sama yang telah didiskusikan sebelumnya dalam pengumpulan data MDS. Dalam tugas ini, tiap responden dapat dimina untuk mengindikasi persepsi perusahaan dengan menjawab YES untuk karakter perusahaan terbaik di tiap atribut.

Stage 3 : Asumsi dalam Perceptual Mapping

MDS : Stage 4 dan 5

Dengan menspesifikasi 10 perusahaan dikaitkan dengan studi, manajemen HBAT menentukan bahwa keduanya, pendekatan MDS dan CA digunakan dalam membangun pemetaan perceptual.

Stage 4 : Asal Hasil MDS dan Mengamati Kecocokan Keseluruhan

Estimasi pemetaan perceptual dimulai dengan tipe input data dan model estimasi (agregat dan disagregat) yang dipilih. Metode seperti pendekatan INDSCAL fleksibel bahwa dapat menghasilkan agreagat tapi juga menyediakan informasi pada responden individual yang terkait konsistensi diantara responden.

Metode INDSCAL MDS dalam SPSS digunakan untuk mengembangkan kedua komposisi, atau agregat pemetaan perseotual seperti pengukuran perbedaan antara responden dalam persepsi mereka.

Membangun Dimensional yang Tepat

Dalam analisa pertamahasil MDS adalah untuk menentukan dimensional yang tepat dan menggabarkan pemetaan perceptual. Peneliti harus menganggap kedua ketepata indikasi tiap dimensi dan kemampuan peneliti untuk menginterpretasi solusi. Seperti dalam table, substansi pengembangan dalam penekanan pengukuran terjadi saat perpindahan antara dua atau tiga dimensi setelah semua pengembangan menurun yang agak dan tetap konsisten seperti peningkatan dlam angka dimensi. Menyeimbangkan pengembangan dalam kecocokan melawan kesulitan dalam interpretasi.

Semua perbedaandirefleksikan dengan posisi relative dalam pemetaan perceptual dan perbandngan similar yang dapat dibuat diantara semua susunan perusahaan. Untuk memahami sumber perbedaan ini, bagaimanapun peneliti harus menginterpretasi dimensi.

Menilai Outliers Potensial

Dalam proses untuk memilih kecocokan dimensional dan keseluruhan hasil untuk perbandingan individu. Tiap poin mewakili penilaian similar tunggal antara dua obyek dengan dengan kecocokan lemah dan digambarkan sebagai outlying poin dalam gambar. Outlier adalah sebuah susunan penilaian yang mirip yang merefleksikan kelemaham kecocokan dari sebuah obyek atau responden individual. Dalam sebuah konsistensi susunan obyek atau individu diidentifikasi merekan dapat dipertimbangkan uhntuk dihapus.

Pengukuran kecocokan model dapat dikembangkan untuk tiap individu yang mana peneliti memiliki perpepektidf kuantitas pada tiap responden. Nilai yang lebih rendah dari penekanan mengindikasikan kecocokan yang lebih baik, seperti R yang lebih tinggi. Meskipun tidak ada standar absolute dalam pengamatan pengukuran dengan model lemah yang relatif, kecocokan dapat diidentifikasi dan berpotensi dieliminasi dari analisis.

Menguji Asumsi Homogenitas dari Responden

Dalam tambahan mengembangkan komposisi pemetaan perceptual INDSCAL juga mengembangkan arti untuk menilai satu dari asumsi yang mengindikasi korespondensi persepsi responden. Bobot dihitung untuk tiap responden yang mengindikasi korespondensi dari perceptual space diri responden, dan agregat pemetaan perceptual. Bobot ini mengembangkan pengukuran perbandingan diantara responden karena responden memiliki bobot yang mirip dengan pemetaan perseptual individual. Kombinasi dengan diskusi dari penekanan nilaii R tidak ada individu terjadi seperti definisi kandidat untuk eliminasi atau kelemahan kecocokan dalam solusi dua dimensi.

Supplementary Analysis : Menggabungkan preferensi pemetaan perceptual

Kita telah berurusan hanya dengan penilaian dari perusahaan yang berbasis kesamaan, namun banyak hal kita mungkin berharap untuk memperpanjang analisa untuk proses pengambilan keputusan dan untuk memahami preferensi responden dari obyek.

Stage 5 : Interpretasi Hasil

Ketika pemetaan perceptual dibangun, kita dapat memulai proses interpretasi. Rating untuk tiap perusahaan telah dirata-rata diantara responden untuk pengukuran tunggal dalam menjelaskan tiap perusahaan.

Pendekatan Subyektif untuk Interpretasi

Peneliti dapat melakukan beberapa pendekatan subyektif untuk interpretasi ;

Perusahaan dapat diprofilkan dalam atribut mereka dengan membedakan indentifikasi atribut tiap perusahaan. Dalam cara ini, tiap perusahaan dikarakteristikkan dalam sebuah susunan atributdengan peneliti kemudian menghubungkan atribut pada asosiasi diantara perusahaan apabila mungkin. Interpretasi dimensi ini lebih kompleks dimana peneliti harus menghubungkan posisi perusahaan pada dimensi dalam karakteristiknya.

Suplementary Analysis : Pendekatan Obyektif untuk Interpretasi

Untuk mengembangkan sebuah onyektif untuk interpretasi, tambahan program dapat digunakan untuk mencocokkan rating pada posisi perusahaan dalam pemetaan perceptual dengan atribut rating bagi tiap obyek. Obyektif itu untuk mengidentifikasi atribut determinan dalam penilaian similaritas yang dibuat oleh ondividu untuk menentukan tiap atribut terbaik yang menjelaskan posisi perceptual perusahaan dan dimensi.

Sekilas Mengenai Hasil Dekomposisional

Metode dekomposisional menggunakan citra studi yang diilustrasikan melekat pada trade-off dan hasil keunggulan dan kelemahan atribut bebas teknik MDS ;

Keunggulan	Kelemahan
Penggunaan penilaian similaritas secara keseluruhan menyediakan pemetaan perceptual berbasis tidak hanya pada criteria yang relevan yang dipilih oleh tiap responden. Responden juga dapat menggunakan penilaian berbasis susunan criteria yang dianggap relevan dalam sebuah pengukuran tunggal dari keseluruhan similaritas.	Penggunaan atribut teknik bebas memberikan peningkatan, bagaimanapun kesulitas interpretasi dari pemetaan perceptual dalam atribut spesifik. Peneliti membutuhkan sebuah basis kesimpulan untuk membandingkan disbanding obyek lain tanpa konfirmasi langsung dari responden.

Yang perlu diingat, bagaimana peneliti tidak menjamin pemahaman bagaimana atribut digunakan secara aktual hanya dari atribut ini yang mungkin mendeskripsikan obyek.

Corespondence Analysis : Stages 4 dan 5

Sebuah aternatif untuk atribut bebas dari pemetaan perceptual adalah analisis korespondensi (CA) sebuah metode komposisional berbasis pada pengukuran nonmetrik penghitungan frekuensi antara obyek dan atribut.

Stage 4 : Mengestimasi CA

Persiapan data dan prosedur estimasi untuk analisis korespondensi mirp dalam beberapa hal dalam proses MDS yang didiskusikan sebelumnya, dengan bebrapa pengecualian.

Pengumpulan data dan Persiapan

Sebuah karakteristik yang unik dari CA adalah digunakannya data untuk menggambarkan hubungan antar kategori (obyek atau atribut). Sebuah pendekatan pada presentasi data dalam penggunaakn matriks tabulasi silang terkait atribut (yang direpresentasikan pada baris) pada rating obyek atau perusahaan (kolom). Nilai yang diwakili oleh angka dari waktu tiap perusahaan dinilai sebagai karakteristik oleh atributnya. Frekuensi yang lebih tinggi mengindikasi asosiasi yang lebih kuat diantara obyek dalam pertanyaan.

Menghitung Pengukuran Similaritas

CA berbeasis transformasi nilai chi-square dalam pengukuran metric jarak, dimana aksi sebagai pengukuran similaritas. Nilai chi-square dihitung sebagai frekuensi actual yang terjadi minus dari frekuensi harapan. Negatif value mengindikasi perusahaan dinilai kurang sering daripada yang diharapkan.

Menjelaskan Dimensionalitas Solusi

CA mencoba memuaskan semua hubungan simultan dengan menghasilkan dimensional yang diwakili oleh chi-square distance. Untuk menjelaskan dimensionalitas solusi, peneliti menguji persentase kumulatif dari penjelasan variasi, sebanyak dalam faktor analisis, dan menentukan dimensionalitas yang tepat.

Stage 5 : Menginterpretasi Hasil CA

Dengan banyaknya dimendi dijelaskan periset harus memproses dengan sebuah interpretasi asal pemetaan perceptual. Setidaknya tiga permasalahan harus diselesaikan ;

1. Positioning Relatif Kategori

Sebuah tugas untuk permasalahan penilaian posisi relative dari kategori baris dan kolom. Peneliti dapat mengakses asosiasi antara kategori demi pendekatan dalam pemetaan perceptual.

Pemetaan perceptual menampilkan kedekatan antara kedua perusahaan dan atributnya. Apabila kita berfokus pada perusahaan kita dapat melihat pola grup perusahaan ini mirip seperti yang ditemukan dalam hasil MDS.

2. Menginterpretasi Dimensi

Sangat bermanfaat untuk menginterpretasi dimensi apabila baris dan kolom normalisasi digunakan. Untuk tujuan ini, inertia (variasi penjelasan) dari tiap dimensi dapat diatribusi diantara kategori untuk baris dan kolom.

Meskipun perbandingan dalam contoh adalah antara kedua susunan kategori dan tidak terbatas pada susunan kategori tunggal (baik kolom maupun baris), pengukuran dari kontribusi ini menunjukkan kemampuan menginterpretasi dimensi saat diharapkan.

3. Menilai Kecocokan untuk Kategori

Overview CA

Perbandingan ini dan lainnya menyoroti perbedaaan antara metode MDS dan CA beserta hasilnya. Hasil CA menyediakan arti yang secara langsung membandingkan similarity dan dissimilarity perusahaan dan asosiasi atribut, yang mana MDS mengizinkan hanya untuk perbandingan perusahaan. Bagaimanapun solusi CA dikondisikan pada susunan atribut terkait. Itu diasumsikan bahwa semua atribut cocok untuk semua perusahan dan dengan dimensional yang sama di tiap perusahaan.

CA adalah teknik yang sangat fleksibel yang diterapkan untuk range yang luas dari permasalahan dan situasi. Keuntungan dari joint plot atribut dan obyek harus selalu dibobotkan lagi yang melekat dengan interdependen yang ada dan bias potensial yang berefek pada ketidakcocokan atribut tunggal perusahaan atau mungkin lebih penting atribut dihilangkan dari perusahaan.

Stage 6 : Validasi Hasil

Mungkin validasi terkuat internal dari analisa ini adalah untuk mengamati konvergensi antara hasil dari teknik komposisi dan dekomposisi terpisah. Tiap teknik menggunakan tipe yang berbeda dari respon konsumen namun menghasilkan pemetaan perceptual yang merepresentasikan kesamaan perseptal dan harus disesuaikan. Namun bila kesesuaian tinggi, peneliti harus memperhatikanhasil yang ditunnjukkan problem sebagai gambaran. Peneliti harus mengingat bahwa tipe konvergensi ini tidak mengarah pada hasil pada obyek lain atau sample populasi.

Untuk membuat  perbandingan CA, kita harus kembali berorientasi pada arah. Seperti yang terlihat, dimensi membaik diantara dua analisa. Pengelompokan perusahaan tetap memiliki kesamaan, namun mereka berbeda posisi dalam pemetaan perceptual. Dalam CA, dimensi merefleksikan elemen yang sama, dengan loading yang tertinggi (X18) pada dimensi X12. Perbandingan ini lebih dipilih dengan hasil dekomposisional kecuali atribut lain yang lebih tersebar dalam dimensi.

Peneliti memiliki dua komplementer dalam memahami persepsi konsumen. Metode dekomposisional menentukan posisi berbasis penetapan penilaian keseluruhan, dengan atribut yang hanya diterapkan dalam usaha untuk menjelaskan posisi. Metode komposisional posisi perusahaan tiap atribut dibobot dengan nilai yang sama, dan distorsi potensial pemetaan dengan atribut yang tidak relevan. Perbedaan ini tidak menjadikan pendekatan yang berbeda dengan atribut yang tidak relevan. Perbedaan ini tidak membuat pendekatan yang lebih baik atau optimal namun sebaliknya, harus dipahami oleh peneliti untuk menjami seleksi metode yang palong cocok untuk riset obyektif.

Overview Manajerial dari Hasil MDS

Pemetaan perseptual adalah teknik yang unik yang menyediakan perbandingan yang mungkin tidak disipakan dengan metode multivariat lain. Result menampilkan range yang luas pada persepektif penggunaan manajerial. Palikasi yang paling umum dari pemetaan perseptual untuk penilaian citra suatu kumpulan perusahaan. Seperti varialbel strategik, citra akan menjadi sangat penting seperti indikator dari kehadiran pasar atau posisi.

Meskipun teknik MDS dapat menambah penjelasan dalam pemetaan perseptual, harus ditampilkan supleme dan harapan untuk menampilkan inkonsistensi yang lebih besar yang apabila proses menyeluruh. Tambahan riset mungkin membantu untuk menjelaskan hasil relatif.

Demikian, hasil CA menjanjikan penkdekatan yang mencoba untuk menggambarkan pemetaan perseptual dari persepektif komposisional. Perbandingan hasil CA dari solusi MDS klasik membuktikan banyaknya konsistensi namun juga beserta perbedaan.

_____________________________________________________________________

Ringkasan

Multidimensional scalling adalah sebuah susunan prosedur yang digunakan untuk menampilkan hubungan yang diamati dari data yang mewakili similarity dan preferensi. MDS sangat berguna digunakan untuk ;

1.      untuk ilustrasi pasar segmen yang berbasis penilaian preferensi

2.      untuk menjelaskan produk mana yang lebih kompetitif diantara lainnya

3.      untuk menyimpulkan kriteria apa yang digunakan masyarakat saat mengamati obyek.

Ø      Menjelaskan serta menjabarkan MDS dan performanya

MDS juga dikenal dengan istilah pemetaan perseptual, yang merupakan sebuah prosedur yang mengaktifkan peneliti untuk menentukan citra relatif yang dirasakan dari susunan obyek. Untuk melakukan analisa MDS, ada tiga langkah:

1.      Mengumpulkan pengukuran similaritas dan preferensi diantara keseluruhan susunan obyek yang akan dianalisa

2.      Menggunakan teknik MDS untuk mengestimasi posisi relatif dari tiap obyek dalam multidimensional space,

3.      Mengidentifikasi dan menginterpretasi kecenderungan space dalam istilah perseptual dan atau atribut obyek.

Ø      Memahami perbedaan antara similary data dan preferensi data

Similarity Data	Preference Data
§         Responden tidak dapat menerapkan baik-buruknya aspek dari evaluasi perbandingan,	§         Aspek pengamatan evaluasi dari baik buruknya data selesai. §         Berasumsi  bahwa pembedaan kombinasi dari atribut yang dirasakan bernilai lebih dibanding kombinasi lain.
§         Similiarity berbasis perseptual mapping mewakili atribut dimensi similaritas dan perceptual dari perbandingan tetapi tidak merefleksikan wawasan langsung untuk menentukan pilihan	§         Preferensi berbasis perceptual mapping merefleksikan pilihan yang diambil namun tidak sesuai dalam cara basis posisi similar, karena responden mungkin mendasari pilihan mereka untuk perbedaan dimensi sepenuhnya atau kriteria dari dimana mereka dibandingkan.

Ø      Memilih antara pendekatan dekomposisional dan komposisional

Satu atau dua tipe berbasis alami dari respon didapat dari pengamatan obyek :

1.      Metode dekomposisional mengukur hanya keseluruhan kesan atau evaluasi dari sebuah obyek dan kemudian mengupayakan asal posisi spasial dalam multidimensional space yang merefleksikan persepsi ini.

2.      Metode komposisional dimana menggunalan beberapa teknik multivariat yang telah didiskusikan dan digunakan dalam pembentukan kesan atau evaluasi berbasis kombinasi atribut tertentu.

Ø      Menjelaskan perbandingan dan banyaknya obyek

Perlu dipertanyakan jaminan komparabilitas obyek seperti memilij banyaknya obyek yang akan dievaluasi;

1.      Apakah obyek benar-benar komparabel?

Pemetaan perseptual adalah bahwa common karakteristik baik obyektif maupun yang dirasakan menggunakan responden dari evaluasi.

2.      Perhatikan banyaknya obyek untuk dievaluasi

Tiga langkah dilibatkan dalam menciptakan pemataan perseptual berbasis posisi obyek optimal;

1.      Memilih konfigurasi inisial dari stimuli yang diharapkan dari dimensi inisial

2.      menghitung jarak antara poin stimuli dan membandingkan hubungan (obeservasi dibanding asal), dengan pengukuran kecocokan

3.      apabila dibutuhkan, bila pengukuran kecocokan tidak bertemu dengan nilai predefined stopping yahng dipilih

Ø      Menjelaskan analisis koresponden sebagai metode dari pemetaan perseptual

CA adalah teknik interdependen yang menjadi populer untuk reukdi dimensional dan pemetaan perseptual. CA memiliki tiga karakteristik :

1.      Merupakan teknik komposisional, bukan pendekatan dekomposisional, karena pemetaan perseptual itu berbasis asosiasi antara obyek dan sebuah susunan karakteristik deskriptif atau atribut yang dispesifikkan oleh peneliti

2.      Merupakan apikasi langsung yang menggambarkan korespondensi kategori dari variabel, terutama dari pengukuran berskala nominal, dimana kemudian digunakan basis untuk pengembangan pemetaan perseptual.

3.      Manfaat unik dari CA dalam kemampuannya untuk mewakili baris dan kolom, misalnya merek dan atribut dalam joint space. CA juga menyediakan teknik komposisi komplementer bagi peneliti pada MDS yang merujuk pada isu dimana perbandingan langsung dari obyek dan atribut sangat layak dipilih.