ANALISIS CLUSTER

CLUSTER ANALYSIS
Cluster Analysis adalah suatu teknik penggerombolan obyek (responden) sehingga terbentuk beberapa kelompok, disebut cluster, dimana obyek di dalam suatu cluster lebih mirip dibandingkan antar cluster. Kemiripan ini sudah didasarkan pada sekumpulan variabel secara simultan. KEGUNAAN identifikasi banyaknya cluster dari sekumpulan obyek identifikasi karakteristik setiap cluster prediksi jumlah anggota masing-masing subpopulasi berdasarkan perhitungan anggota setiap cluster yang diperoleh dari data sampel

CLUSTER ANALYSIS
(1) Ukuran kemiripan Ukuran jarak yang sering digunakan adalah jarak euclidean (d)

d (P1, P2 ) ( X12 X11 )2 ( X 22 X 21 )2 d (y, x) (y1 x1)2 (y 2 x2 )2 ...... (y x)' (y x)

(2) Asumsi Analisis Gerombol Data antar pengamatan (case) independen Sampel diambil secara random Antar variabel saling bebas (tidak berkorelasi) Data untuk seluruh variabel minimal memiliki skala interval (terutama bila ukuran kemiripan yang digunakan adalah jarak)

CLUSTER ANALYSIS
Metode analisis : 1) Hirarki (berjenjang) : - Banyak kelompok belum diketahui - Output berupa dendogram - pemotongan : jarak lompatan terjauh

2) Tidak Berhirarki : - Banyak kelompok ditentukan terlebih dahulu (diketahui) - Output : anggota kelompok dan centroid

CLUSTER ANALYSIS
Hirarki (berjenjang) Metode yang sering digunakan untuk pengelompokan obyek pada Hierarchical clustering adalah metode penggumpalan (agglomeratif). Terdapat 3 metode yang sering dipergunakan untuk perhitungan jarak antar cluster dengan obyek atau dengan cluster lain di dalam penggerombolan berjenjang, yaitu single lingkage (pautan tunggal), complete linkage (pautan lengkap) dan evarage linkage (pautan rata-rata).

CLUSTER ANALYSIS
Hirarki (berjenjang) Output : berupa dendogram

Kalau sample size besar, misal 500, bagaimana?

CLUSTER ANALYSIS
APLIKASI Ilustrasi ini melanjutkan yang telah dibahas pada analisis faktor eksploratori. Suatu penelitian dilakukan dengan cara survey, bertujuan ingin mengetahui peta karakteristik anak jalanan. Bilamana mapping ini dapat dilakukan, diharapkan dapat dikembangkan model pembinaan yang efektif.

Variabel yang diamati adalah pendidikan, alasan dan keinginan seperti pada analisis faktor
Analisis dilakukan dengan program SPSS 10.01

CLUSTER ANALYSIS
HASIL ANALISIS

Koefisien agglomerasi menghasilkan lompatan (selisih) terbesar dari stage 98 ke 99, yaitu dari 8.814 ke 12.466. Dengan demikian dapat diketahui bahwa dari 100 anak jalanan tersebut membentuk 2 cluster.

CLUSTER ANALYSIS
HASIL ANALISIS Penempatan setiap obyek (case) ke dalam cluster dapat dilihat pada tabel di bawah ini.

CLUSTER ANALYSIS
HASIL ANALISIS Anak jalanan yang berjumlah 100 orang membentuk dua cluster dan untuk melakukan identifikasi karakteristik setiap cluster dilakukan analisis diskriptif.

Karakteristik cluster 1 adalah pendidikan orang tua cukup tinggi akan tetapi pendidikan anak tidak terurus, mereka menjadi anak jalanan bukan karena keadaan (ekonomi) dan sebenarnya mereka tidak ingin menjadi anak jalanan. Tampaknya anak jalanan di dalam kelompok ini lebih disebabkan karena sangat kurangnya perhatian orang tua.

CLUSTER ANALYSIS
HASIL ANALISIS Karakteristik cluster 2 adalah pendidikan orang tua rendah, untuk bisa bertahan hidup mereka harus menjadi anak jalanan sehingga ada keinginan yang tinggi untuk menjadi anak jalanan. Pada cluster ini, tampaknya mereka menjadi anak jalanan dilatarbelakangi kondisi ekonomi keluarga. Pembinaan anak jalanan pada cluster 1 seharusnya berbeda dengan pada cluster 2. Dengan kata lain, dari hasil pemetaan (mapping) ini selanjutnya dapat dirancang model dan program pembinaan anak jalanan yang efektif.

TERIMA KASIH