MDS | Multi Dimensional Scaling (RAPFISH)
MICMAC | Matrix of Cross Impact Multiplications Applied to a Classification
FUNGSI & PEMAHAMAN APLIKASINYA
Oleh: Dr. Tatan Sukwika, M.Si
MDS Tools Evaluasi :
Berbagai displin ilmu dan sektoral (1/2)• Multidimensional Scaling (MDS) adalah teknik statistik multivariat
yang pertama kali digunakan dalam geografi.
• MDS sering digunakan dalam berbagai bidang seperti studi sikap dalam psikologi, sosiologi, agricutural (pertanian arti luas), konservasienergi, tambang, HSE, pengelolaan limbah, atau riset pasar dsb.
• MDS dijadikan sebagai alat pengevaluasi proses aktifitas hinggakebijakan. Endingnya: pengambilan keputusan (opsi intervensikebijakan).
• Memungkinkan disusun scenario-skenario (Pesimis/Eksisting; Moderat; Optimis) dengan pendekatan penanganan jangka menengah& jangka panjang.
Tujuan utama MDS adalah untuk memplot poin data multivariat dalam dua dimensi atau lebih, sehingga mengungkapkan struktur dataset dengan memvisualisasikan jarak relatif dari pengamatan.
MDS Tools Evaluasi :
Berbasis Execution atau Add-ins (2/2)• Aplikasi MDS ada berbasis execution (*exe/msi) (SPSS, R-Statistik,
dll) dan add-ins to excel (MSD-Rapfish), atau tersedia juga integrasikeduanya (MDS-Rapfish in R-Statisitc).
R-Statistik SPSS Rapfish in R-StatistikRapfish
RAP-FISH: Rapid Appraisal - for Fisheries
• Hasil MDS setiap bidang yang dievaluasi dapatditampilkan bersama dalam diagram layang-layang.
• Dalam diagram layang bidang keberlanjutanstandarnya ditampilkan 5-6 sumbu dengananalisis Code of Conduct. Kotak yang menunjukkan atribut skor di setiap bidangditambahkan ke diagram ini.
• Diagram layang disamping ini menunjukkancontoh hasil RAPKepatuhan dengan Kode EtikPBB di 6 bidang yang dievaluasi.
• Negara Terburuk, Negara Terbaik dan the average for 63 countries. Green zone covers 'good' scores, yellow zone 'pass' scores and red zone 'fail' scores.
Langkah-langkah berurutan dalam analisis keberlanjutan
Tampilan Software Pengolah
MDS & Diagram blok
menunjukkan arsitektur
perangkat lunak Rap-fish Excel.
Analisis Leverage dilakukan untuk memperhitungkan sensitivitas
setiap atribut dlm menentukan ordinasi status keberlanjutan,
shg dpt diketahui atribut mana yg sangat berpengaruh pd nilai
indeks keberlanjutan
CODE of CONDUCT
http://www.rapfish.org/evaluation-fields-
attributes/time-tracker
SCORE 0-10 : Bad – Good
CONTOH KASUS #1
FIS
HE
RIE
S: L
ok
asi, K
om
od
iti, a
tau
Su
bje
kla
inn
ya
Sub-Subjek Fisheris:
1. Sampah Organik
2. Sampah Anorganik
3. Sampah B3
Aspek Dimensi (Atribut):
1. Ekologi
2. Ekonomi
3. Sosial
4. Teknologi
5. Infrastruktur (Sapras)
6. Kelembagaan
Subjek variabel ordinasi “SAMPAH”:
1. TPA “X”
2. TPA “Y”
3. TPA “Z”
Sampah:
1. TPAX-Organik
2. TPAX-Anorganik
3. TPAX-B3
4. TPAY-OrganiK
5. TPAY-Anorganik
6. TPAY-B3
7. TPAZ-OrganiK
8. TPAZ-Anorganik
9. TPAZ-B3
10
Default
KASUS #2
Hasil Ordinasi Kab/Kota Ke-n MDS RapPELProsedur ini dilakukan utk setiap aspek/
dimensi PEL (Pengembangan Ekonomi
Lokal) lainnya, shg seluruh aspek PEL akan
diketahui indeks status dan faktor
pengungkitnya dari masing2 aspek PEL.
Hasil analisis Rapfish thdp seluruh aspek
PEL sbb:
1. Kelompok Sasaran = 62,76
2. Faktor Lokasi = 57,43
3. Kesinergian dan Fokus Kebijakan = 48,21
4. Pembangunan Berkelanjutan = 65,16
5.Tata Pemerintahan = 57,49
6. Proses Manajemen = 51,13
Variabel Atribut Pengungkit : Nilai Ekstrem
3,7
3,1
• Meskipun dilihat dari hasil ordinasi
status keberlanjutan dimensi GG
masih tergolong pd cukup
berkelanjutan (57,49), namun dlm
pengembangan dan pengelolaannya
diperlukan suatu kebijakan GG yang
mengarah pada perbaikan A & B.
• Atribut sensitif dilihat berdasarkan
nilai Root mean Square (RMS). Atribut
yg berkategori sensitif yaitu atribut yg
memiliki nilai RMS ≥ 2,5% (Ekstrem).
A
B
HASIL SKENARIO MODERAT & OPTIMIS
Contoh LoA: Nilai EkstremAtribut keberlanjutan perikanan dimensi ekologi dan kriteria pemberian skor
(Abdullah et al., 2011)
Prioritas Perbaikan MelaluiIntervensi Kebijakan
Prioritized attributes to be improved (Nadiarti et al., 2012)
Sustainability Status after Intervention
Attributes of Institutional Dimension
Nilai indeks dan status keberlanjutan hasil pengembangan kebijakan
skenario I (pesimis), skenario II (moderat), dan skenario III (optimis)
pengembagan hutan rakyat (Sukwika et al., 2018)
MDS RAPFISH in R Statistics: TPST Bantargebang (Sukwika & Noviana, 2020)
PENENTUAN IDENTIFIKASI VARIABLE KUNCI
PENERAPAN APLIKASI
Analisis Keberlanjutan: MICMAC (1/4)
PENDAHULUAN
Analisis variabel dgn MICMAC (matrice d’Impactscroises-multiplication / the Impact Matrix Cross-Reference Multiplication Applied to a Classification ) merupakan langkah awal yg penting dlm menganalisis keberlanjutan.
Hasil analisis MICMAC ini dpt menjadi titik tolak bagi analisis yg lebih dlm tentang faktor "apa" (what) yg menentukan suatu sistem berada dlm keberlanjutan atau tidak.
Analisis Keberlanjutan: MICMAC (2/4)
CAPAIAN MANFAAT
Faktor2 yg diidentifikasi dgn MICMAC membantu para analis untuk melihat variabel2 kunci dan variabel2 lain yg bisa membuat sistem stabil atau tidak.
MICMAC dapat menyajikan scr terperinci prinsip, metode, dan tahapan analisis variabel keberlanjutan. Terdapat contoh2
ilustrasi didalamnya shg pembahasannya tidak bersifat baku.
Hasil yg diharapkan dari webinar ini, Peserta bisa melakukan analisis scr lebih terperinci pada kasus yg berbeda dgn hasil dan pembahasan yg juga berbeda.
APA dan Untuk APA?
Analisis MICMAC untuk pemetaan variabel dan penentuan variabel utama/kunci (Godet, 2002).
Analisis MICMAC didasarkan pada sifat perkalian (multiplikasi) dari matriks (Sharma et al., 1995).
Teknik pemodelan ini sering dipakai utk membantu perencanaan strategi kebijakan, terutama dlm mengidentifikasi dan menyimpulkan berbagai hubungan antar-faktor sebuah permasalahan atau isu tertentu (Sage, 1977; Warfield, 2005).
Analisis Keberlanjutan: MICMAC (3/4)
Pemodel Restra
Teknik MICMAC merupakan salah satu teknik memodel-kan rencana strategis untuk menangani kebiasaan yg sulitdiubah dari perencana jangka panjang yg seringmenerapkan secara langsung teknik penelitian operasionaldan atau aplikasi statistik deskriptif.
Analisis Keberlanjutan: MICMAC (4/4)
• Analisis MICMAC : pengembangan grafik yang mengklasifikasi-kan faktor berdasarkan daya penggerak (influences) dan ketergantungan (dependence).
• Analisis MICMAC digunakan untuk mengklasifikasikan faktor-faktor dan memvalidasi faktor model struktural interpretatif dalam penelitian untuk mencapai hasil dan kesimpulan.
• MICMAC dapat dijadikan sebagai alat identifikasi variable kunciuntuk kebijakan pengembangan.
MICMAC
Pengaruh, Ketergantungan dan Hirarki (1/2)
Gambar ilustrasi jaringan variable yg langsung atau tidak berbentuk siklus (timbal balik) atau sirkuit.
Ketika system mengalami jaringan yg bersifat sirkuit, MICMAC akan melakukan perhitungan dgn
algoritma yg telah dirancang untuk melakukan perhitungan yg bersifat sirkuit.
Secara umum hubungan antar variabel dlm MICMAC dpt ditulis scr generik melalui cross-matrix.
Pengaruh, Ketergantungan dan Hirarki (2/2)
Pengisian matrik dilakukan dgn mengkuantifikasi hubungan antar variabel. Skala yg
digunakan yaitu sbb (Godet, 1994):
0 = tidak ada hubungan (non-existent)
1 = hubungan lemah
2 = rata-rata
3 = kuat
P = potential influence (tidak bisa ditentukan dgn kepakatan)
Tahapan Penggunaan Metode MICMACAda bbrp tahapan yg harus dikerjakan untuk menentukan variabel
kunci dan memetakannya. Stratigea (2013) merinci tahapan analisis
MICMAC berdasakan 2 Tahapan utama:
#1 Pemahaman thdp lingkup masalah dan sistem yg akan dikaji.
Tahap ini memerlukan keterlibatan stakeholder, pakar, spesialis,
maupun masyarakat yg biasa dilakukan melalui Focus Group
Discussion (FGD).
• Hasilnya 1st Round kemudian masuk ke dlm modul MICMAC
(software LIPSOR) untuk mengidentifikasi variabel kunci yg
merupakan tujuan utama dari MICMAC.
• Analisis pd blok ini juga diperkaya dgn informasi awal yg
dimiliki peneliti atau perencana.
#2 Hasil analisis MICMAC ini kemudian menjadi umpan balik pd
tahap ke-2 FGD utk mengonfirmasi hasil dari sistem yg dikaji.
Kedua iterasi tsb akan menghasilkan outcome dari MICMAC,
yaitu pengayaan informasi, pemahaman thdp sistem yg lebih
baik, dan teridentifikasinya key drivers yg mengubah sistem.
Kerangka Kerja MICMAC (dimodifikasi dr Stratigea, 2013)
Tahap Analisis Struktural & Ilustrasi Hasil
Tahap Analisis Struktural
Flow chart of research methodology
Contoh: Daftar Variabel dari literature review
(Rezaeian & Bagheri, 2017)
• Variabel dalam analisis MICMAC akan diatur menjadi empat cluster sebagai, independen, dependen, linkage dan driver independen yang ditunjukkan pada Gambar. Ini menunjukkan bahwa ada tiga variabel independen (lingkungan organisasi faktor, infrastruktur TI dan proses manajerial).
• Pada Gambar ditunjukkan bahwa variabel independen ada di bagian bawah hirarki 2,3,6,7, memiliki kekuatan pendorong yang kuat dan lemah ketergantungan. Variabel-variabel ini dianggap memainkan peran penting dalam robust implementasi jaringan pengetahuan.
Variabel akses (supply side) Variabel Relay
Variabel Autonomus Variabel Output
Dependence
Influence
PEMAHAMAN MICMAC
Tampilan software MICMAC
Untuk melakukan analisis keberlanjutan dgn MICMAC, silahkan unduh & install perangkat lunak (software) MICMAC melalui situs web Lal'rospective di http://www.laprpective.fr . Setelah software terpasang, seperti ini tampilan pembukanya.
Contoh APLIKASI (1/3)
Software MICMAC merupakan aplikasi sederhana studi keberlanjutan. Bbrp variabel dlm ilustrasi disini juga pernahdigunakan oleh para peneliti keberlanjutan spt Torres dan Olaya (2010), Toumache dan Rouaski (2016), dan Delgado-Serano et al. (2016).
Dalam contoh ini, variable2 dikelompokkan ke dlm 3Kategori keberlanjutan (ekonomi, sosial, dan lingkungan) serta disesuaikan dgn kondisi wilayah.
Misal ingin mengetahui variabel2 apa saja yg berpengaruh penting dlm pembangunan berkelanjutan di suatu wilayah. Variabel2 yg diduga berperan penting dlm mewujudkan pembangunan berkelanjutan adalah:
PRAKTIK APLIKASI (2/3)Contoh Variabel Pembangunan Berkelanjutan
Dimensi Variabel Sort Label
Ekonomi 1. Laju Pertumbuhan Ekonomi lpe
2. PDRB pdrb
3. Pendapatan per Kapita pdkap
4. Investasi invest
Sosial 5. Kemiskinan poverty
6. Koefisien Gini gini
7. Pengangguran unemploy
8. Indeks Pembangunan Manusia ipm
9. Kepadatan penduduk popdens
Lingkungan 10. IKLH iklh
11. Emisi emisi
12. Land-Use landuse
Dimisalkan pula dari hasil FGD (seperti yg diterapkan oleh
Delgado-Serano et al., 2016) diperoleh matriks MDI sbb:
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12
V1 0 3 3 3 2 2 3 3 1 3 P P
V2 2 0 3 2 2 2 3 2 1 2 P 2
V3 1 1 0 3 3 3 3 3 1 1 0 2
V4 3 3 2 0 2 2 2 2 1 1 0 0
V5 1 1 2 0 0 2 3 3 0 1 0 2
V6 0 0 1 0 2 0 3 3 0 0 0 0
V7 2 1 2 0 3 2 0 3 0 0 0 1
V8 0 1 1 0 2 2 2 0 0 0 0 1
V9 2 0 0 0 0 0 0 0 0 0 2 2
V10 1 0 0 0 0 0 0 0 3 0 2 0
V11 0 2 1 2 0 0 0 0 2 2 0 0
V12 1 1 2 0 3 3 2 1 1 1 3 0
TABEL CONTOH PENGISIAN MATRIKS MDI
0 = tidak ada hubungan (non-existent)
1 = hubungan lemah
2 = rata-rata
3 = kuat
P = potential influence
(tidak bisa ditentukan dgn kepakatan)
Gambar 1 Peta Variabel Keberlanjutan Menurut Pengaruh dan Ketergantungan
I II
IV III
Variabel akses (supply side) Variabel Relay
Variabel Autonomus Variabel Output
Hasil Analisis Tabel MDI dgn software MICMAC
Hasil Pemetaan variabel sbb:
• Ada beberapa variable berada di Kuadran Akses variable(driver variable) yaitu3 variabel ekonomi (LPE, PDRB, dan investasi); dan 1 variabel lingkungan (kepadatan penduduk).
• Pada posisi relay: ada 2 variable ekonomi yaitu pendapatanper kapita dan kemiskian.
• 3 variabel sosial seperti koefisien gini, pengangguran, dan IPM berada dalam Kuadran Output variable.
• Sebagian variabel lingkungan berada dlm posisi autonomousseperti landuse, IKLH, dan emisi
Dari Gambar 1 di atas dapat dijelaskan :
• 3 variabel ekonomi (LPE, PDRB, dan investasi) menjadi pemicu pembangunan berkelanjutan (variabel akses (input/driver)).
• 3 variabel sosial (gini rasio, IPM, dan unemployment) menjadi variabel terdampak (output/dependence) dari variabel lainnya.
• Kemiskinan dan pendapatan per kapita berada dlm relayvariable dimana variabel ini sangat sensitif dan sangat tidak stabil dlm mencapai pembangunan berkelanjutan krn intervensi apapun pada variabel ini akan berdampak pada sistem secarakeseluruhan.
• Dalam ilustrasi Gambar 1 ditemukan pula bhw variabel lingkung-an spt: IKLH dan emisi merupakan variabel yang pengaruhnya relatif kecil thdp sistem yang dievaluasi.
Gambar 2a “Hubungan Pengaruh Langsung dan Tidak Langsung Antarvariabel
Keberlanjutan” berikut ini menampilkan jaringan pengaruh langsung antar
variabel untuk ilustrasi data di atas. SKALA 10%
Gambar 2b “Hubungan Pengaruh Langsung dan Tidak Langsung Antarvariabel
Keberlanjutan” berikut ini menampilkan jaringan pengaruh langsung antar
variabel untuk ilustrasi data di atas. SKALA 100%
• Gambar 2a: bbrp variabel spt population density(kepadatan penduduk), LPE, dan pedapatan perkapitamemiliki pengaruh yg kuat (garis tebal) pd variabel lainnya (arah panah ke luar). Sementara variabel spt IPM dan koefisien gini dipengaruhi sangat kuat oleh variabel lain (arah panah menuju variabel tsb).
• Gambar 2b: pengaruh indirect yg sangat kuat terjadi pd variabel LPE (laju pertumbuhan ekonomi) ke pengangguran dan IPM (skor terbesar masing2: 618 dan 508). Hal ini menunjukkan pengaruh LPE thdp variabel lain, scr indirect berpengaruh besar pd pengangguran dan IPM.
• Gambar 2a : pengaruh indirect yg kuat didominasi oleh variabel2 ekonomi dan sosial, sementara variabel lingkungan menunjukkan pengaruh indirect yg relatif lemah. Kasus ini hanya ilustrasi saja krn pd situasi yg berbeda dgn hasil FGD yg berbeda akan memberikan pengaruh yg berbeda.
• Gambar 2b : perubahan peringkat variabel berdasarkan pengaruh (influence) dan ketergantungan (dependence). Perubahan ini menggambarkan posisi peringkat variabel pd kondisi awal (matriks MDI/Matrix Direct of Influence) dan setelah dilakukan iterasi Boolean dgn MDII (Matrix Direct and Indirect of Influence).
Gambar 3 Kelas Pengaruh dan Ketergantungan
• Gambar 3 : ada pergeseran urutan bbrp variabel. Misalnya, variabel Koefisien gini pd matriks MDI berada pd urutan ke-8sbg variabel yg berpengaruh, namun stlh dilakukan iterasi dgn memperhitungkan faktor pengaruh indirect, variabel ini menjadi urutan ke-10 (Turun). Sebaliknya, variabel lain seperti IPM yg semula berada pd urutan ke-9 menjadi urutan ke-8 (Naik) .
• Jika dilihat dari aspek dependence (ketergantungan), 3 Variabelutama yaitu pengangguran, IPM, dan koef. gini) konsisten berada dlm 3 urutan besar sbg variabel dependence.
• Bbrp variabel mengalami penurunan urutan satu tingkat stlh iterasi MDII, yaitu pdkap, emisi, investasi, dan IKLH, sementaravariabel kepadatan penduduk naik peringkat, dari urutan ke-10menjadi urutan ke-6 stlh memperhitungkan pengaruh indirect.
Displacement Map Antarvariabel dari Pengaruh Langsung ke
Tidak Langsung
Gambar 4 ini, garis terputus2
menunjukkan perubahan posisi variabel dari posisi awal ke posisi akhir setelah memperhitungkan pengaruh indirect.
Pergeseran variabel2 tsb masih terjadi dlm kuadran yg sama tapi berubah besaran.
Sbg contoh, variabel IKLH yg semula berada pd posisi influence dan dependence yg positif, pd posisi akhir berubah hanya dependence yg positif dan pengaruhnya (influence) nol. Demikian halnya dgn variabel kepadatan penduduk yg bergeser cukup tajam ke arah sumbu influence.
TERIMA KASIH