BAB 2 TINJAUAN PUSTAKA
|
|
- Budi Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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:
2 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. yaitu: Berdasarkan tipe datanya, Multidimensional Scaling dibagi menjadi dua,
3 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: d AB = 2d BC. 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: d AB > d BC, 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 merupakan nilai rata-rata dari jarak-jarak yang tidak sesuai dengan urutan
4 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) Prosedur Analisis Multidimensional Scaling Berikut adalah gambar prosedur analisis multidimensional scaling:
5 Merumuskan Masalah Memperoleh Input Data Memilih Prosedur Penskalaan Multidimensional Memberikan Label Nama Dimensi dan Interpretasi Konfigurasi Menentukan Banyaknya Dimensi Evaluasi Keandalan dan Kesahihan Gambar 2.1 Prosedur Analisis Multidimensional Scaling 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: =
6 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 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 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 & & %.
7 4. Sebuah konfigurasi ruang m-dimensi (stimulus koordinat) atas n objek diperoleh dari koordinat matriks ' = % Λ ) %, dimana % adalah matriks dari m eigenvector dan eigenvalue matriks B. Λ % adalah matriks diagonal dari masing-masing m 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= ( ) u. (3 36) + - (3 36) 7&89:&h + = ( ) (3 36) = 00 /00 Semakin besar nilai +, semakin dekat antara estimasi garis regresi dengan data sampelnya. Dua sifat yang terdapat dalam koefisien determinasi adalah (Sarwoko, 2007):
8 1. Nilainya tidak pernah negatif (non negative quantity) 2. Memiliki nilai limit 0 < + < 1. Apabila + = 1 berarti kecocokan yang sempurna, sehingga 35 4 =3, 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, 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: (>() ) 0/+00 =?
9 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 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, yang berarti data pada baris ke i dan kolom j. Jumlah kolom dan baris merupakan dimensi matriks, sehingga matriks
10 A 3x4 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 R nxm 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 @ C %C Setiap E dalam matriks ini dinamakan elemen matriks. Indeks j dak k berturut-turut menyatakan baris dan kolom dari unsur matriks tersebut 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:
11 1. Pilih baris atau kolom yang akan diekspansi dan kemudian tentukan nilai minor M ij matriks B dengan cara menghitung determinan submatriks yang tersisa setelah baris i dan kolom j dihilangkan. 2. Hitung matriks kofaktor (B c ) sesuai dengan nilai minor terkait dengan menggunakan rumus B ij = (-1) i+j M ij. 3. Hitung det = C EJ I E E B (baris yang diekspansi). dimana I E adalah nilai elemen baris (1) matriks 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 elemenelemen 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 @ @ C DB D=λB CC C C (@ K) +@ + +@ C C +(@ K) + +@ C C =0 C C +@ C C + +(@ CC K) C =0 Penyelesaian tersebut akan mempunyai persamaan tak trivial jika dan hanya jika K C C O= CC K
12 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 -1 b. 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 X λ aadalah proyeksi orthogonal pada V λ 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
13 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
14 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. 4. Skala Rasio
15 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 2 LANDASAN TEORI. 2.1 Multidimensional Scaling
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan konsep-konsep yang berhubungan dengan penelitian yang menggunakan metode multidimensional scaling yaitu: klasifikasi multidimensional scaling, prosedur
Lebih terperinciBAB II KAJIAN TEORI. Bab ini berisi teori-teori pendukung Analisis Profil dengan
BAB II KAJIAN TEORI Bab ini berisi teori-teori pendukung Analisis Profil dengan Multidimensional Scaling (PAMS) dan aplikasinya yang akan dibahas dalam bab selanjutnya. Yang akan dibahas dalam bab ini
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Konseptual Dalam memahami pelajaran di sekolah siswa mungkin saja mengalami kesulitan dalam memahaminya. Hal ini dapat dikarenakan metode pembelajaran
Lebih terperinciMULTI DIMENSIONAL SCALING (MDS) Irlandia Ginanjar Statistika FMIPA ITS
MULTI DIMENSIONAL SCALING (MDS) Irlandia Ginanjar Statistika FMIPA ITS TUJUAN ANALISIS Membuat peta/konfigurasi posisi objek dalam ruang berdimensi rendah (umumnya 2 dimensi) berdasarkan data jarak antar
Lebih terperinciBab 2 LANDASAN TEORI
17 Bab 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciBAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA. Analisis komponen utama adalah metode statistika multivariat yang
BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA Analisis komponen utama adalah metode statistika multivariat yang bertujuan untuk mereduksi dimensi data dengan membentuk kombinasi linear
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciPenerapan Metode Multidimensional Scaling dalam Pemetaan Sarana Kesehatan di Jawa Barat
Jurnal Matematika Integratif ISSN 141-6184 Volume 1 No 1, April 016, pp 43 50 Penerapan Metode Multidimensional Scaling dalam Pemetaan Sarana Kesehatan di Jawa Barat Julita Nahar Program Studi Matematika,
Lebih terperinciPERSEPSI KONSUMEN TERHADAP PRODUK SEPATU OLAHRAGA DI SPORT STATION MEGAMALL DENGAN MENGGUNAKAN ANALISIS MULTIDIMENSIONAL SCALING
PERSEPSI KONSUMEN TERHADAP PRODUK SEPATU OLAHRAGA DI SPORT STATION MEGAMALL DENGAN MENGGUNAKAN ANALISIS MULTIDIMENSIONAL SCALING Triana J. Masuku 1), Marline S. Paendong 1), Yohanes A.R. Langi 1) 1) Program
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2 Analisis Korelasi Analisis korelasi adalah alat statistik yang dapat digunakan untuk mengetahui deraat hubungan linear antara satu variabel dengan variabel lain (Algifari, 997)
Lebih terperinciBAB I PENDAHULUAN. Pertumbuhan bisnis seluler GSM (Global System for Mobile. akan telepon seluler (ponsel) mengakibatkan permintaan simcard yang cukup
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pertumbuhan bisnis seluler GSM (Global System for Mobile Communication) berkembang sangat pesat. Meningkatnya minat dan kebutuhan akan telepon seluler (ponsel) mengakibatkan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1 Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemenelemen yang disusun secara teratur menurut baris dan kolom berbentuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciANALISIS PROCRUSTES PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA (IPM) DI KABUPATEN/KOTA PROVINSI JAWA TENGAH (STUDI KASUS IPM TAHUN 2008 DAN 2013)
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 755-764 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PROCRUSTES PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA (IPM)
Lebih terperinciTINJAUAN PUSTAKA Analisis Biplot Biasa
TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Tanpa memperhatikan bidang penelitian yang dikaji, mengumpulkan data
BAB I PENDAHULUAN 1.1 Latar Belakang Tanpa memperhatikan bidang penelitian yang dikaji, mengumpulkan data yang informatif pada situasi yang kompleks kadang-kadang merupakan suatu pekerjaan yang sulit dilakukan.
Lebih terperinciANALISIS PERSEPSI MAHASISWA UNIVERSITAS MATARAM TERHADAP KUALITAS MEREK SEPEDA MOTOR DENGAN METODE MULTIDIMENSIONAL SCALING (MDS)
ANALISIS PERSEPSI MAHASISWA UNIVERSITAS MATARAM TERHADAP KUALITAS MEREK SEPEDA MOTOR DENGAN METODE MULTIDIMENSIONAL SCALING (MDS) Qomaria Sinta Sari, Mustika Hadijati, Mamika Ujianita Romdhini (Fakultas
Lebih terperinciMULT L IV I ARIA I T METODE RISET BISNIS
1 ANALISA MULTIVARIAT METODE RISET BISNIS Obyek Pengamatan Variabel X4 Variabel X1 Variabel X2 Variabel X3 Variabel Xn Multi-Variabel Metode analisis yang berkenaan dengan sejumlah besar variabel yang
Lebih terperinciJurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal
Jurnal Ilmu Matematika dan Terapan Maret 016 Volume 10 Nomor 1 Hal. 47 54 ANALISIS PETA POSITIONING UNTUK RESTORAN BERDASARKAN PERSEPSI PELANGGAN DENGAN MENGGUNAKAN METODE MULTIDIMENSIONAL SCALING (STUDI
Lebih terperinciANALISIS PROCRUSTES PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA (IPM) DI KABUPATEN/KOTA PROVINSI JAWA TENGAH (STUDI KASUS IPM TAHUN 2008 DAN 2013)
ANALISIS PROCRUSTES PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA (IPM) DI KABUPATEN/KOTA PROVINSI JAWA TENGAH (STUDI KASUS IPM TAHUN 2008 DAN 2013) SKRIPSI Disusun Oleh : BUNGA MAHARANI 24010211120008 JURUSAN
Lebih terperinciMETODELOGI PENELITIAN
17 III. METODELOGI PENELITIAN 3.1. Kerangka Pemikiran Perusahaan memiliki strategi tertentu untuk memenangkan persaingan dalam pasar HP yang mereka hadapi. Persaingan yang ketat membuat perusahaan HP harus
Lebih terperinciBAB III ANALISIS KONJOIN. Dalam upaya untuk memprediksi preferensi warga mengenai sistem
BAB III ANALISIS KONJOIN Dalam upaya untuk memprediksi preferensi warga mengenai sistem pengelolaan air yang paling diminati, penelitian secara langsung penulisan ini telah mengarah kepada studi kasus
Lebih terperinciTrihastuti Agustinah
TE 467 Teknik Numerik Sistem Linear Trihastuti Agustinah Bidang Studi Teknik Sistem Pengaturan Jurusan Teknik Elektro - FTI Institut Teknologi Sepuluh Nopember O U T L I N E OBJEKTIF 2 3 CONTOH 4 SIMPULAN
Lebih terperinciBAB II TINJAUAN PUSTAKA. digunakan untuk menganalisis data dengan lebih dari satu peubah bebas
BAB II TINJAUAN PUSTAKA 2.1. Analisis Peubah Ganda Analisis peubah ganda merupakan salah satu jenis analisis statistika yang digunakan untuk menganalisis data dengan lebih dari satu peubah bebas (independen
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI A. Matriks 1. Pengertian Matriks Definisi II. A. 1 Matriks didefinisikan sebagai susunan segi empat siku- siku dari bilangan- bilangan yang diatur dalam baris dan kolom (Anton, 1987:22).
Lebih terperinciBAB II KAJIAN TEORI. linier, varian dan simpangan baku, standarisasi data, koefisien korelasi, matriks
BAB II KAJIAN TEORI Pada bab II akan dibahas tentang materi-materi dasar yang digunakan untuk mendukung pembahasan pada bab selanjutnya, yaitu matriks, kombinasi linier, varian dan simpangan baku, standarisasi
Lebih terperinciPenskalaan Dimensi Ganda (Multidimensional Scaling) Data Non Metrik
Jurnal Jurnal Matematika, Matematika, Statistika Statistika, & Komputasi Komputasi Vol. Vol. 3 No 3 No. Juli Januari 006 07 Vol 3, No, 8-35 3-30, Januari 07 8 Penskalaan Dimensi Ganda (Multidimensional
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Statistika Multivariat Analisis statistika multivariat adalah teknik-teknik analisis statistik yang memperlakukan sekelompok variabel terikat yang saling berkorelasi sebagai
Lebih terperinciBAB IV METODE PENELITIAN. Jenis penelitian yang dilakukan adalah penelitian deskriptif dengan
BAB IV METODE PENELITIAN 4.1. Jenis dan Ruang Lingkup Penelitian 4.1.1 Jenis penelitian Jenis penelitian yang dilakukan adalah penelitian deskriptif dengan pendekatan kuantitatif, yaitu penelitian melalui
Lebih terperinciBab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Dalam upaya meningkatkan Sumber Daya Manusia (SDM) yang bermutu, bidang pendidikan memegang peranan penting. Dengan pendidikan diharapkan kemampuan mutu pendidikan
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari
BAB 2 LANDASAN TEORI 21 Analisis Komponen Utama 211 Pengantar Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari tulisan Karl Pearson pada tahun 1901 untuk peubah non-stokastik Analisis
Lebih terperinciANALISIS ATRIBUT-ATRIBUT DAN POSISI OPERATOR GSM (GLOBAL SYSTEM FOR MOBILE COMMUNICATIONS) BERDASARKAN PREFERENSI PELANGGAN
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 78 85 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ATRIBUT-ATRIBUT DAN POSISI OPERATOR GSM (GLOBAL SYSTEM FOR MOBILE COMMUNICATIONS) BERDASARKAN
Lebih terperinciMatriks - Definisi. Sebuah matriks yang memiliki m baris dan n kolom disebut matriks m n. Sebagai contoh: Adalah sebuah matriks 2 3.
MATRIKS Pokok Bahasan Matriks definisi Notasi matriks Matriks yang sama Panambahan dan pengurangan matriks Perkalian matriks Transpos suatu matriks Matriks khusus Determinan suatu matriks bujursangkar
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Teh merupakan minuman yang digemari oleh semua orang dari berbagai tingkatan umur serta dari berbagai kalangan. Kegemaran masayrakat Indonesia meminum teh
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Seperti yang kita ketahui, bahwa akhir-akhir ini nilai standar kelulusan Ujian Nasional (UN) di Indonesia terkhususnya pendidikan di tingkat SMA semakin tinggi. Oleh
Lebih terperinciMATRIKS. Notasi yang digunakan NOTASI MATRIKS
MATRIKS Beberapa pengertian tentang matriks : 1. Matriks adalah himpunan skalar (bilangan riil atau kompleks) yang disusun atau dijajarkan secara empat persegi panjang menurut baris-baris dan kolom-kolom.
Lebih terperinciBab 4 ANALISIS FAKTOR TEORITIS DAN APLIKATIF
Bab 4 ANALISIS FAKTOR TEORITIS DAN APLIKATIF Analisis Multivariat untuk analisis identifikasi, prediksi, eksplorasi, deskripsi: 1. Principle Component Analysis (PCA) 2. Factor Analysis 3. Cluster Analysis
Lebih terperinciTujuan. Mhs dapat mendemonstrasikan operasi matriks: penjumlahan, perkalian, dsb. serta menentukan matriks inverse
Matriks Tujuan Mhs dapat mendemonstrasikan operasi matriks: penjumlahan, perkalian, dsb. serta menentukan matriks inverse Pengertian Matriks Adalah kumpulan bilangan yang disajikan secara teratur dalam
Lebih terperinciMULTIDIMENSIONAL SCALING. Makalah Untuk memenuhi tugas Analisis Multivariat yang dibina oleh Ibu Trianingsih
MULTIDIMENSIONAL SCALING Makalah Untuk memenuhi tugas Analisis Multivariat yang dibina oleh Ibu Trianingsih Oleh Aldila Sakinah Putri 408312408014 Dwi Rahmawati Utami 408312409131 Rachmadania Akbarita
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA A Matriks 1 Pengertian Matriks Definisi 21 Matriks adalah kumpulan bilangan bilangan yang disusun secara khusus dalam bentuk baris kolom sehingga membentuk empat persegi panjang
Lebih terperinciBAB IV METODE PENELITIAN. UMB (perceptual positioning map). Sedangkan deskritif kualitatif digunakan
38 BAB IV METODE PENELITIAN 4.1. Desain Penelitian Menggunakan metode deskritif kuantitatif untuk menganalisa persepsi calon mahasiswa dalam memposisikan UMB terhadap kompetitornya yang nantinya akan digambarkan
Lebih terperinciAnalisis Tingkat Kepuasan Mahasiswa Terhadap Kualitas Pelayanan Akademik Menggunakan Analisis Faktor
Prosiding Semirata FMIPA Universitas Lampung, 2013 Analisis Tingkat Kepuasan Mahasiswa Terhadap Kualitas Novi Rustiana Dewi Jurusan Matematika FMIPA Universitas Sriwijaya E-mail: nrdewimath09@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 21 Kemiskinan Definisi tentang kemiskinan telah mengalami perluasan, seiring dengan semakin kompleksnya faktor penyebab, indikator, maupun permasalahan lain yang melingkupinya Kemiskinan
Lebih terperinciBanyaknya baris dan kolom suatu matriks menentukan ukuran dari matriks tersebut, disebut ordo matriks
MATRIKS DEFINISI Matriks adalah susunan bilangan real atau bilangan kompleks (atau elemen-elemen) yang disusun dalam baris dan kolom sehinggga membentuk jajaran persegi panjang. Matriks memiliki m baris
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian ini menggunakan penelitian survey. Metode survey menurut
BAB III METODE PENELITIAN 3. Metode Yang Digunakan Metode penelitian ini menggunakan penelitian survey. Metode survey menurut Sugiyono (008 : ), yaitu : Metode survey digunakan untuk mendapatkan data dari
Lebih terperinciBAB I PENDAHULUAN. 3) Untuk mengetahui apa yang dimaksud dengan invers matriks. 4) Untuk mengetahui apa yang dimaksud dengan determinan matriks
1.1 LATAR BELAKANG BAB I PENDAHULUAN Teori matriks merupakan salah satu cabang ilmu aljabar linier yang menjadi pembahasan penting dalam ilmu matematika. Sejalan dengan perkembangan ilmu pengetahuan, aplikasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI A. Matriks 1. Pengertian Matriks Definisi II.A.1 Matriks didefinisikan sebagai susunan persegi panjang dari bilangan-bilangan yang diatur dalam baris dan kolom. Contoh II.A.1: 9 5
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
10 BAB I PENDAHULUAN 1.1 Latar Belakang Dalam upaya meningkatkan Sumber Daya Manusia (SDM) yang bermutu, bidang pendidikan memegang peranan penting. Dengan pendidikan diharapkan kemampuan mutu pendidikan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Definisi dan Konsep Bimbingan Belajar Masalah belajar merupakan inti dari masalah pendidikan, karena belajar merupakan kegiatan utama dalam pendidikan dan pengajaran. Perkembangan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi
BAB II TINJAUAN PUSTAKA Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi linear, metode kuadrat terkecil, restriksi linear, multikolinearitas, regresi ridge, uang primer, dan koefisien
Lebih terperinciBAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat
BAB II LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian
Lebih terperinciTINJAUAN PUSTAKA. dianalisis dan hasilnya ditransformasi menjadi matriks berukuran??
TINJAUAN PUSTAKA Data Disagregat dan Agregat Berdasarkan cara pengumpulannya, data dapat dibedakan atas data internal dan data eksternal. Data internal berasal dari lingkungan sendiri sedangkan data eksternal
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Aljabar Linear Definisi 2.1.1 Matriks Matriks A adalah susunan persegi panjang yang terdiri dari skalar-skalar yang biasanya dinyatakan dalam bentuk berikut: [ ] Definisi 2.1.2
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, pada bab ini akan diuraikan beberapa teori penunjang yang dapat membantu dalam penulisan skripsi
Lebih terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Analisis Regresi Tidak jarang dihadapkan dengan persoalaan yang melibatkan dua atau lebih peubah atau variabel yang ada atau diduga ada dalam suatu hubungan tertentu. Misalnya
Lebih terperinciAnalisis Multivariat Analisis multivariat adalah suatu studi tentang bb beberapa variabel random dependent d secara simultan. Analisis ini merupakan a
Multivariate Analysis Irlandia Ginanjar Jurusan Statistika Unpad Analisis Multivariat Analisis multivariat adalah suatu studi tentang bb beberapa variabel random dependent d secara simultan. Analisis ini
Lebih terperinciIII. METODE PENELITIAN. yang diteliti. Dalam penelitian ini, metode pengumpulan data yang digunakan
9 III. METODE PENELITIAN A. Teknik Pengumpulan Data Riset atau penelitian merupakan aktivitas ilmiah yang sistematis, terarah, dan bertujuan. Maka data atau informasi yang dikumpulkan relevan dengan persoalan
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciPenggunaan Analisis Multidimensional Scaling Untuk Mengetahui Kemiripan Rumah Makan Di Manado Town Square Berdasarkan Kerakteristik Pelanggan
Penggunaan Analisis Multidimensional Scaling Untuk Mengetahui Kemiripan Rumah Makan Di Manado Town Square Berdasarkan Kerakteristik Pelanggan 1 Gloria A Walundungo, 2 Marline Paendong, 3 Tohap Manurung
Lebih terperinciIII. METODOLOGI A. Kerangka Pemikiran
III. METODOLOGI A. Kerangka Pemikiran Persaingan dunia usaha semakin ketat dewasa ini, hal itu disebabkan semakin banyaknya pelaku usaha baru yang bermunculan dengan berbagai macam inovasi. Hal itu tentunya
Lebih terperinciPemetaan Pulau-pulau di Indonesia terhadap Atribut Indikator Kesejahteraan Rakyat dengan Multidimensional Scaling
Pemetaan Pulau-pulau di Indonesia terhadap Atribut Indikator Kesejahteraan Rakyat dengan Multidimensional Scaling Nadia Dwi Andriani 1, Atika Nurani Ambarwati 2 1,2 Statistika, Akademi Statistika Muhammadiyah
Lebih terperinciBAB III METODE PENELITIAN. Variabel dalam penelitian ini terdiri dari : 1. Variabel dependen, yaitu loyalitas konsumen
BAB III METODE PENELITIAN 3.1 Variabel Penelitian dan Definisi Operasional 3.1.1 Variabel Penelitian Variabel dalam penelitian ini terdiri dari : 1. Variabel dependen, yaitu loyalitas konsumen. Variabel
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Sistem Persamaan Diferensial Definisi 2.1.1 Persamaan Diferensial Persamaan diferensial adalah persamaan yang memuat variabel bebas, variabel tak bebas dan derivative-derivatif
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Bank adalah lembaga keuangan yang merupakan penggerak utama dalam pertumbuhan perekonomian masyarakat Indonesia. Sebagai lembaga Intermediasi, bank memiliki
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada Dinas Pendapatan Pengelola Keuangan dan Aset/DPPKA karena dinas inilah yang bertugas merumuskan kebijakan teknis,
Lebih terperinciBAB I PENDAHULUAN. Analisis statistik multivariat adalah metode statistik di mana masalah yang
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Analisis statistik multivariat adalah metode statistik di mana masalah yang diteliti bersifat multidimensional dengan menggunakan tiga atau lebih variabel
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 PEMASARAN Pemasaran adalah suatu proses dan manajerial yang membuat individu atau kelompok mendapatkan apa yang mereka butuhkan dan inginkan dengan menciptakan, menawarkan dan
Lebih terperincia 2 e. 7 p 7 q 7 r 7 3. a. 8p 3 c. (2 14 m 3 n 2 ) e. a 10 b c a. Uji Kompetensi a. a c. x 3. a. 29 c. 2
Kunci Jawaban Uji Kompetensi 1.1 1. a. {, 1,0,1,,3,4} BAB I Bilangan Riil Uji Kompetensi 1. 1. a. asosiatif b. memiliki elemen penting 3. 10 Uji Kompetensi 1.3 1. a. 1 4 e. 1 35 15 c. 1 8 1 1 c. 1 4 5.
Lebih terperinciBAB III METODE PENELITIAN. penelitian ini adalah asosiatif. Pendekatan kuantitatif menurut Sugiyono (2010:8)
BAB III METODE PENELITIAN 3.1. Tipe Penelitian Penelitian ini menggunakan metode kuantitatif, sedangkan tipe atau jenis penelitian ini adalah asosiatif. Pendekatan kuantitatif menurut Sugiyono (2010:8)
Lebih terperinciBAB III METODOLOGI PENELITIAN
33 BAB III METODOLOGI PENELITIAN 3.1 Objek Penelitian Penelitian ini menganalisis bagaimana pengaruh produk, persepsi harga dan citra merek terhadap keputusan pembelian makanan cepat saji d Besto. Objek
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini akan diberikan beberapa materi yang akan diperlukan di dalam pembahasan, seperti: matriks secara umum; matriks yang dipartisi; matriks tereduksi dan taktereduksi; matriks
Lebih terperinciKelebihan MDS. 1. Analisis dapat dilakukan di level individu (disaggregate analysis)
Pendahuluan 0 MDS memetakan persepsi dan preferensi responden secara visual pada peta geometri (spatial map/perceptual map) 0 Perbedaan MDS dengan analisis multivariat lain adalah pembandingan dilakukan
Lebih terperinciBAB ΙΙ LANDASAN TEORI
7 BAB ΙΙ LANDASAN TEORI Berubahnya nilai suatu variabel tidak selalu terjadi dengan sendirinya, bisa saja berubahnya nilai suatu variabel disebabkan oleh adanya perubahan nilai pada variabel lain yang
Lebih terperinciBagian 2 Matriks dan Determinan
Bagian Matriks dan Determinan Materi mengenai fungsi, limit, dan kontinuitas akan kita pelajari dalam Bagian Fungsi dan Limit. Pada bagian Fungsi akan mempelajari tentang jenis-jenis fungsi dalam matematika
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis Penelitian Penelitian adalah suatu proses penyelidikan secara sistematis yang ditujukan pada penyediaan informasi untuk menyelesaikan masalah-masalah Cooper dan Emory
Lebih terperinciagar penelitian yang dilakukan benar-benar mendapatkan data sesuai yang dan menjadi objek inferensi, Statistika inferensi mendasarkan diri pada dua
68 3.3 Populasi dan Sampel Jenuh (Sampel Sensus) Populasi dan sampel dalam suatu penelitian perlu ditetapkan dengan tujuan agar penelitian yang dilakukan benar-benar mendapatkan data sesuai yang diharapkan.
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Konseptual English First Bogor adalah lembaga kursus bahasa Inggris yang menggunakan tenaga pengajar penutur asli bahasa Inggris, memiliki jadwal kursus
Lebih terperinciPENERAPAN METODE MULTIDIMENSIONAL SCALING
PENERAPAN METODE MULTIDIMENSIONAL SCALING DALAM POSITIONING TEMPAT MAKAN DI Jl. DR. MANSYUR MEDAN BERDASARKAN PERSEPSI MAHASISWA SKRIPSI NURUL HANANI LUBIS 120803010 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciMATRIKS A = ; B = ; C = ; D = ( 5 )
MATRIKS A. DEFINISI MATRIKS Matriks adalah suatu susunan bilangan berbentuk segi empat dari suatu unsur-unsur pada beberapa sistem aljabar. Unsur-unsur tersebut bisa berupa bilangan dan juga suatu peubah.
Lebih terperinciKOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK. Iqbal Kharisudin. Jurusan Matematika FMIPA Universitas Negeri Semarang
KOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK S-33 Iqbal Kharisudin Jurusan Matematika FMIPA Universitas Negeri Semarang Email: iqbal_kh@staff.unnes.ac.id Abstrak: Dalam analisis
Lebih terperinciALJABAR LINIER MAYDA WARUNI K, ST, MT ALJABAR LINIER (I)
ALJABAR LINIER MAYDA WARUNI K, ST, MT ALJABAR LINIER (I) 1 MATERI ALJABAR LINIER VEKTOR DALAM R1, R2 DAN R3 ALJABAR VEKTOR SISTEM PERSAMAAN LINIER MATRIKS, DETERMINAN DAN ALJABAR MATRIKS, INVERS MATRIKS
Lebih terperinciPertemuan 1 Sistem Persamaan Linier dan Matriks
Matriks & Ruang Vektor Pertemuan Sistem Persamaan Linier dan Matriks Start Matriks & Ruang Vektor Outline Materi Pengenalan Sistem Persamaan Linier (SPL) SPL & Matriks Matriks & Ruang Vektor Persamaan
Lebih terperinciIII. METODOLOGI PENELITIAN
27 III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Maraknya persaingan industri sampo di Indonesia, membuat perusahaan berlomba-lomba untuk mempromosikan produknya dengan melakukan berbagai kegiatan
Lebih terperinci(2.1) keterangan: i = Banyaknya faktor yang terbentuk; (i=1,2,3,...,k)
BAB 2 LANDASAN TEORI 2.1 Analisis Faktor Menurut J. Supranto (2004), analisis faktor merupakan teknik statistika yang utamanya dipergunakan untuk mereduksi atau meringkas data dari variabel yang banyak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini, diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. Landasan teori yang dibahas adalah matriks, matriks data multivariat, analisis komponen
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Noise Pada saat melakukan pengambilan gambar, setiap gangguan pada gambar dinamakan dengan noise. Noise dipakai untuk proses training corrupt image, gambarnya diberi noise dan
Lebih terperinciBab 2 LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat
Bab 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian
Lebih terperinci4. SISTEM PERSAMAAN DAN PERTIDAKSAMAAN
4. SISTEM PERSAMAAN DAN PERTIDAKSAMAAN 4.1 Persamaan Garis a. Bentuk umum persamaan garis Garis lurus yang biasa disebut garis merupakan kurva yang paling sederhana dari semua kurva. Misalnya titik A(2,1)
Lebih terperinciMK. PERENCANAAN LINGKUNGAN ANALISIS PEUBAH GANDA MULTIVARIATE ANALYSIS
MK. PERENCANAAN LINGKUNGAN ANALISIS PEUBAH GANDA MULTIVARIATE ANALYSIS Oleh: Prof.Dr.Ir.Soemarno,M.S Obyek Pengamatan Variabel X4 Variabel X1 Variabel X2 Variabel X3 Variabel Xn Multi-Variabel Metode analisis
Lebih terperinciII. TINJAUAN PUSTAKA. nyata (fenomena-fenomena alam) ke dalam bagian-bagian matematika yang. disebut dunia matematika (mathematical world).
5 II. TINJAUAN PUSTAKA 2.1. Pemodelan Matematika Definisi pemodelan matematika : Pemodelan matematika adalah suatu deskripsi dari beberapa perilaku dunia nyata (fenomena-fenomena alam) ke dalam bagian-bagian
Lebih terperinciBAB II KAJIAN TEORI. Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan.
BAB II KAJIAN TEORI A. Matriks 1. Definisi Matriks Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut dinamakan entri dalam matriks (Howard
Lebih terperinciBAB II TINJAUAN PUSTAKA. tegak, perlu diketahui tentang materi-materi sebagai berikut.
BAB II TINJAUAN PUSTAKA Sebelum pembahasan mengenai irisan bidang datar dengan tabung lingkaran tegak, perlu diketahui tentang materi-materi sebagai berikut. A. Matriks Matriks adalah himpunan skalar (bilangan
Lebih terperinciANALISIS MULTIDIMENSIONAL SCALING ( MDS )
ANALISIS MULTIDIMENSIONAL SCALING ( MDS ) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk memenuhi sebagian persyaratan guna memperoleh gelar Sarjana
Lebih terperinciMATRIKS Matematika Industri I
MATRIKS TIP FTP UB Mas ud Effendi Pokok Bahasan Matriks definisi Notasi matriks Matriks yang sama Panambahan dan pengurangan matriks Perkalian matriks Transpos suatu matriks Matriks khusus Determinan suatu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Analisis Konjoin 2.1.1 Pengertian Analisis Konjoin Kata conjoint menurut para praktisi riset diambil dari kata CONsidered JOINTly. Dalam kenyataannya kata sifat conjoint diturunkan
Lebih terperinciMenurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut:
BAB 2 LANDASAN TEORI Bab ini akan menjelaskan berbagai landasan teori yang digunakan oleh penulis dalam penelitian ini dan menguraikan hasil studi literatur yang telah dilakukan penulis. Bab ini terbagi
Lebih terperinciTINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan
4 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Matriks 2.1.1 Matriks Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan dalam susunan itu disebut anggota dalam matriks tersebut. Suatu
Lebih terperinciMatriks. Baris ke 2 Baris ke 3
Matriks A. Matriks Matriks adalah susunan bilangan yang diatur menurut aturan baris dan kolom dalam suatu jajaran berbentuk persegi atau persegi panjang. Susunan bilangan itu diletakkan di dalam kurung
Lebih terperinci