UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

PRAKTIKUM 3
ANALISA CLUSTER

Definisi Cluster
Analisa Cluster adalah pengorganisasian kumpulan pola ke dalam kelompok-kelompok (Cluster)
berdasar atas kesamaanya. Pola-pola dalam suatu Cluster akan memiliki kesamaan ciri/sifat
daripada pola-pola dalam Cluster yang lainnya. Metodologi Clustering lebih cocok digunakan
untuk eksplorasi hubungan antar data untuk membuat suatu penilaian terhadap strukturnya.

Tujuan Praktikum Cluster

1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam melakukan dan
menerapkan analisis Cluster
2. Mahasiswa dapat mengetahui dan memahami arti dan garis besar dari analisis Cluster
dalam data mining, mulai dari pengambilan data, pengolahan data sampai dengan tahap
pengelompokan, serta mengaplikasikannya dalam kasus yang dihadapi.

Konsep Cluster
Analisis Cluster merupakan salah satu teknik multivariat yang digunakan dalam data
mining yang bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai kemiripan
karakteristik tertentu yang dapat dipisahkan dengan kelompok obyek lainnya, sehingga obyek
yang berada dalam kelompok yang sama relatif lebih homogen (sama) daripada obyek yang
berada pada kelompok yang berbeda. Ada beberapa tahapan dalam malekukan Analisis Cluster,
diantaranya yaitu:
1.

Tujuan Analisis Cluster

2.

Desain Penelitian dalam Analisis Cluster

3.

Asumsi-asumsi dalam Analisis Cluster

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

4.

Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan (overall fit)

5.

Interpretasi terhadap Cluster.

6.

Proses Validasi dan Pembuatan Profil (profiling) Cluster

Penerapan analisis Cluster di dalam pemasaran adalah sebagai berikut :

1. Identifikasi obyek (Recognition) :
Dalam bidang image Processing , Computer Vision atau robot vision
2. Decission Support System dan data mining
Membuat segmen pasar (segmenting the market).
Memahami perilaku pembeli.
Mengenali peluang produk baru

Tahap-tahap dalam Analisis Cluster

Ada beberapa tahapan dalam malekukan Analisis Cluster, diantaranya yaitu:
Tahap Pertama : Tujuan Analisis Cluster
Tujuan utama analisis Cluster adalah memisahkan suatu himpunan objek menjadi dua kelompok
atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.
Sedangkan tujuan analisis Cluster secara khusus, antara lain:

Penyederhanaan Data
Penyederhanaan data merupakan bagian dari suatu taksonomi. Dengan struktur yang terbatas
observasi/objek dapat dikelompokkan untuk analisis selanjutnya.

Identifikasi Hubungan (Relationship Identification)

Hubungan antar objek diidentifikasi secara empiris. Struktur analisis Cluster yang sederhana
dapat menggambarkan adanya hubungan atau kesamaan dan perbedaan yang tidak
dinyatakan sebelumnya.

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Pemilihan pada Pengelompokan Variabel

Tujuan analisis Cluster tidak dapat dipisahkan dengan pemilihan variabel yang digunakan
untuk menggolongkan objek ke dalam clucter-Cluster. Cluster yang terbentuk merefleksikan
struktur yang melekat pada data seperti yang didefinisikan oleh variabel-variabel. Pemilihan
variabel harus sesuai dengan teori dan konsep yang umum digunakan dan harus rasional.
Rasionalitas ini didasarkan pada teori-teori eksplisit atau penelitian sebelumnya. Variabelvariabel yang dipilih hanyalah variabel yang dapat mencirikan objek yang akan
dikelompokkan dan secara spesifik harus sesuai dengan tujuan analisis Cluster.

Tahap Kedua : Desain Penelitian dalam Analisis Cluster

2 hal penting dalam tahap ini adalah pendeteksian outlier dan mengukur kesamaan.

Pendeteksian Outliers
Outlier adalah suatu objek yang sangat berbeda dengan objek lainnya. Outliers dapat terjadi
karena:
a. Observasi menyimpang yang tidak mewakili populasi
b. Suatu

undersampling

kelompok-kelompok

dalam

populasi

yang

menyebabkan

underrepresentation kelompok-kelompok dalam sampel

Dalam kedua kasus tersebut, outliers dapat mengubah struktur sebenarnya dalam populasi
sehingga kita akan memperoleh Cluster-Cluster yang tidak sesuai dengan struktur
sebenarnya dari populasi tersebut dan tidak representatif.

Mengukur Kesamaan antar Objek

Konsep kesamaan adalah hal yang sangat penting dalam analisis Cluster. Kesamaan antar
objek merupakan ukuran kedekatan antar objek. Kesamaan dapat diketahui dengan
melakukan pengukuran jarak antar setiap individu. Ukuran jarak merupakan ukuran
ketidakmiripan, dimana jarak yang besar menunjukkan sedikit kesamaan sebaliknya jarak
yang pendek/kecil menunjukkan bahwa suatu objek makin mirip dengan objek lain.

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Gambar 1. Ilustrasi Pengukuran jarak

Metode untuk mengukur kesamaan obyek antara lain :

1). Euclidean Distance
Jarak euclidean antara dua titik i dan j merupakan sisi miring (sisi terpanjang) dari segitiga
ABC.
(, ) = 2 + 2 = ( )2 = (1 1 )2 +(2 2 )2
2). Squared Euclidean Distance
Merupakan pengukuran kuadrat jarak euclidean antara dua titik i dan j.
(, ) = 2 + 2 = ( )2 = (1 1 )2 +(2 2 )2

3). Chebychev

4). City Block Distance

D(X,Y)= | |
D(X,Y)= | |

D(I,j) = || + || = | | = 1 1 + 2 2

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Tahap Ketiga : Asumsi-asumsi dalam Analisis Cluster

Seperti hal teknik analisis lain,analisis Cluster juga menetapkan adanya suatu asumsi. Ada
dua asumsi dalam analisis Cluster, yaitu :
a. Kecukupan Sampel untuk merepresentasikan/mewakili Populasi
Biasanya suatu penelitian dilakukan terhadap populasi diwakili oleh sekelompok sampel.
Sampel yang digunakan dalam analisis ckuster harus dapat mewakili populasi yang ingin
dijelaskan, karena analisis ini baik jika sampel representatif. Jumlah sampel yang diambil
tergantung penelitinya, seorang peneliti harus yakin bahwa sampel yang diambil representatif
terhadap populasi.
b. Pengaruh Multikolinieritas
Ada atau tidaknya multikolinieritas antar variabel sangat diperhatikan dalam analisis
Cluster karena hal itu berpengaruh, sehingga variabel-variabel yang bersifat multikolinieritas
secara eksplisit dieprtimbangkan dengan lebih seksama.

Tahap Keempat : Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan
(overall fit)
Ada dua proses penting yaitu algoritma Cluster dalam pembentukan Clusterdan
menentukan jumlah Cluster yang akan dibentuk. Keduanya mempunyai implikasi substansial
tidak hanya pada hasil yang diperoleh tetapi juga pada interpretasi yang akan dilakukan terhadap
hasil tersebut.

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Gambar 2. Algoritma Analisa Kluster

Adapun metode pengelompokan dalam analisis Cluster meliputi :
1. Metode Non-Hirarkis.
dimulai dengan menentukan terlebih dahulu jumlah Cluster yang diinginkan (dua,tiga, atau
yang lain). Setelah jumlah Clusterditentukan, maka proses Cluster dilakukan dengan tanpa
mengikuti proses hirarki. Metode ini biasa disebut K-Means Cluster.
Berbeda dengan metode hirarkikal, prosedur non hirarkikal (K-means Clustering) dimulai
dengan memilih sejumlah nilai Cluster awal sesuai dengan jumlah yang diinginkan dan
kemudian obyek digabungkan ke dalam Cluster-Cluster tersebut.

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

a.

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Sequential Threshold Procedure

Metode ini melakukan pengelompokan dengan terlebih dahulu memilih satu obyek
dasar yang akan dijadikan nilai awal Cluster, kemudian semua obyek yang ada didalam
jarak terdekat dengan Cluster ini akan bergabung lalu dipilih Cluster kedua dan semua
obyek yang mempunyai kemiripan dimasukkan dalam Cluster ini. Demikian seterusnya
hingga terbentuk beberapa Cluster dengan keseluruhan obyek didalamnya.

b.

Parallel Threshold Prosedure

Secara prinsip sama dengan prosedur sequential threshold, hanya saja dilakukan
pemilihan terhadap beberapa obyek awal Cluster sekaligus dan kemudian melakukan
penggabungan obyek ke dalamnya secara bersamaan.

c.

Optimizing
Merupakan pengembangan dari kedua metode diatas dengan melakukan optimasi pada
penempatan obyek yang ditukar untuk Cluster lainnya dengan pertimbangan krteria
optimasi.

2. Metode Hirarkis.
Memulai pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan
paling dekat. Kemudian dilanjutkan pada obyek yang lain danseterusnya hingga Cluster
akan membentuk semacampohon dimana terdapat tingkatan (hirarki) yangjelas antar
obyek, dari yang paling mirip hinggayang paling tidak mirip. Teknik hirarki (hierarchical
methods) adalah teknik Clustering membentuk kontruksi hirarki atau berdasarkan tingkatan
tertentu

seperti

struktur

pohon

(struktur

pertandingan).

untukmemperjelas proses hirarki ini disebut dendogram.

Alat

yang

membantu

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Teknik hirarki (hierarchical methods) adalah teknik Clustering membentuk kontruksi

hirarki atau berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan).
Dengan demikian proses pengelompokkannya dilakukan secara bertingkat atau bertahap.
Hasil dari pengelompokan ini dapat disajikan dalam bentuk dendogram. Metode-metode
yang digunakan dalam teknik hirarki:
a.

Agglomerative Methods
Metode ini dimulai dengan kenyatan bahwa setiap obyek membentuk Clusternya
masing-masing. Kemudian dua obyek dengan jarak terdekat bergabung. Selanjutnya
obyek ketiga akan bergabung dengan Cluster yang ada atau bersama obyek lain dan
membentuk Cluster baru. Hal ini tetap memperhitungkan jarak kedekatan antar obyek.
Proses akan berlanjut hingga akhirnya terbentuk satu Cluster yang terdiri dari
keseluruhan obyek. Ada beberapa teknik dalam Agglomerative methods yaitu:
Single linkage (nearest neighbor methods)
Metode ini menggunakan prinsip jarak minimum yang diawali dengan mencari dua
obyek terdekat dan keduanya membentuk Cluster yang pertama. Pada langkah
selanjutnya terdapat dua kemungkinan, yaitu :
a. Obyek ketiga akan bergabung dengan Cluster yang telah terbentuk, atau
b. Dua obyek lainnya akan membentu Cluster baru.
Proses ini akan berlanjut sampai akhirnya terbentuk Cluster tunggal. Pada metode
ini jarak antar Cluster didefinisikan sebagai jarak terdekat antar anggotanya.

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Contoh : Terdapat matriks jarak antara 5 buah obyek, yaitu :

Gambar 3. Matriks Antara 5 Buah Objek.

Langkah penyelesaiannya :
a). Mencari obyek dengan jarak minimum
Menghitung jarak antara Cluster AB dengan obyek lainnya.
D(AB)C = min {dAC, dBC}= dBC = 3.0
D(AB)D = min {dAD, dBD}= dAD = 6.0
D(AB)E = min {dAE, dBE}= dBE = 7.0
Dengan demikian terbentuk matriks jarak yang baru

Gambar 4. Matriks 5 Buah Objek Dengan Jarak Baru

b). Mencari obyek dengan jarak terdekat.
D dan E mempunyai jarak terdekat, yaitu 2,0 maka obyek D dan E bergabung
menjadi satu Cluster.

c). Menghitung jarak antara Cluster dengan obyek lainnya.

D(AB)C = 3.0

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

D(AB)(DE) = min {dAD, dAE, dBD, dBE} = dAD = 6.0

D(DE)C = min {dCD, dCE} = dCD = 4.0
d). Mencari jarak terdekat antara Cluster dengan obyek dan diperoleh obyek C
bergabung dengan Cluster AB
e). Pada langkah yang terakhir, Cluster ABC bergabung dengan DE sehingga
terbentuk Cluster tunggal.
Complete linkage (furthest neighbor methods)
Metode ini merupakan kebalikan dari pendekatan yang digunakan pada single
linkage. Prinsip jarak yang digunakan adalah jarak terjauh antar obyek.
Contoh : Terdapat matriks jarak antara lima buah obyek yaitu :

Gambar 5. Matriks Antara 5 Buah Objek.

Langkah penyelesaiannya :
a)

Mencari obyek dengan jarak minimum

A dan B mempunyai jarak terdekat yaitu 1.0 maka obyek A dan B bergabung
menjadi

satu Cluster.

b) Menghitung jarak antara Cluster AB dengan obyek lainnya

d(AB)C = max {dAC, dBC} = dAC = 5,0
d(AB)D = max {dAD, dBD} = dBD = 8,0
d(AB)E = max {dAE, dBE} = dAE = 8,0
Dengan demikian terbentuk matriks jarak yang baru :

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Gambar 4. Matriks 5 Buah Objek Dengan Jarak Baru

c)

Mencari obyek dengan jarak terdekat.

D dan E mempunyai jarak terdekat yaitu 2.0 maka obyek D dan E bergabung
menjadi

satu Cluster

d) Menghitung jarak antara Cluster dengan obyek lainnya.

d(AB)C = 4,0
d(AB)(DE) = 1/2{dAD, dAE, dBD, dBE} = 7,25
d(DE)C = 1/2{dCD, dCE,} = dCE = 5,00
Maka terbentuklah matrik jarak yang baru, yaitu :

Gambar 5. Matriks Akhir

e)

Mencari jarak terdekat antara Cluster dengan obyek dan diperoleh obyek C
bergabung dengan Cluster AB.

f)

Pada langkah yang terakhir, Cluster ABC bergabung dengan DE sehingga

terbentuk Cluster tunggal

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Wards error sum of squares methods

Ward mengajukan suatu metode pembentukan Cluster yang didasari oleh hilangnya
informasi akibat penggabungan obyek menjadi Cluster. Hal ini diukur dengan jumlah
total dari deviasi kuadrat pada mean Cluster untuk tiap observasi.
Error sum of squares (ESS) digunakan sebagai fungsi obyektif. Dua obyek akan
digabungkan apabila mempunyai fungsi obyektif terkecil diantara kemungkinan yang
ada.
ESS=

2 1

Dengan Xij adalah nilai untuk obyek ke-i pada Cluster ke-j.

b.

Divisive Methods
Metode divisive berlawanan dengan metode agglomerative. Metode ini pertama-tama
diawali dengan satu Cluster besar yang mencakup semua observasi (obyek).
Selanjutnya obyek yang mempunyai ketidakmiripan yang cukup besar akan dipisahkan
sehingga membentuk Cluster yang lebih kecil. Pemisahan ini dilanjutkan sehingga
mencapai sejumlah Cluster yang diinginkan.
Splinter average distance methods
Metode ini didasarkan pada perhitungan jarak rata-rata masing-masing obyek dengan
obyek pada grup splinter dan jarak rata-rata obyek tersebut dengan obyek lain pada
grupnya. Proses tersebut dimulai dengan memisahkan obyek dengan jarak terjauh
sehingga terbentuklan dua group. Kemudian dibandingkan dengan jarak rata-rata
masing-masing obyek dengan group splinter dengan groupnya sendiri. Apabila suatu
obyek mempunyai jarak yang lebih dekat ke group splinter daripada ke groupnya
sendiri, maka obyek tersebut haruslah dikeluarkan dari groupnya dan dipisahkan ke
group splinter. Apabila komposisinya sudah stabil, yaitu jarak suatu obyek ke

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

groupnya selalu lebih kecil daripada jarak obyek itu ke group splinter, maka proses
berhenti dan dilanjutkan dengan tahap pemisahan dalam group.
Contoh : Terdapat matriks jarak antara 5 buah obyek, yaitu :

Gambar 6. Matriks Perbandingan 5 buah Objek

Perhitungan :
a) Menghitung jarak rata-rata antar obyek
A = (12+9+32+31) = 21 D = (32+25+23+9) = 22.25
B = (12+9+25+27) = 18.25 E = (31+27+24+9) = 22.75
C = (9+9+23+24) = 16.25
Terlihat bahwa E mempunyai nilai jarak terjauh, yaitu 22.75, maka E dipisahkan
dari group utama dan membentuk group splinter.
b) Menghitung jarak rata-rata obyek dengan group utama dengan group splinter

Gambar 7. Perhitungan Rata-Rata Group Utama Dengan Group Splinter

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Pada D, jarak rata-rata dengan group splinter lebih dekat daripada dengan group
utama. Dengan demikian D harus dikeluarkan dari group utama dan masuk ke
group splinter.
c)

Perhitungan jarak rata-rata

Gambar 7. Perhitungan Rata-Rata Group Utama Dengan Group Splinter

Karena jarak semua obyek ke group utama sudah lebih besar daripada jaraknya
ke group splinter, maka komposisinya sudah stabil.

Tahap Kelima : Interpretasi terhadap Cluster

Tahap interpretasi meliputi pengujian tiap Cluster dalam term untuk menamai dan menandai
dengan suatu label yang secara akurat dapat menjelaskan kealamian Cluster.
Membuat profil dan interpretasi Cluster tidak hanya untuk memperoleh suatu gambaran saja
melainkan pertama, menyediakan suatu rata-rata untuk menilai korespondensi pada Cluster yang
terbentuk, kedua, profil Cluster memberikan araha bagi penilainan terhadap signifikansi praktis.
Namun demikian yang perlu diperhatikan pada tahapan interpretasi adalah karakteristik yang
membedakan masing-masing Cluster sehingga kita dapat memberikan label pada masing-masing
Cluster tersebut.

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Tahap Keenam: Proses Validasi dan Pembuatan Profil (profiling) Cluster

1.

Proses validasi solusi Cluster

Proses validasi bertujuan menjamin bahwa solusi yang dihasilkan dari analisis Cluster
dapat mewakili populasi dan dapat digeneralisasi untuk objek lain. Pendekatan ini
membandingkan solusi Cluster dan menilai korespondensi hasil. Terkadang tidak dapat
dipraktekkan karena adanya kendala waktu dan biaya atau ketidaktersediaan objek untuk
analisis Cluster ganda.

2.

Pembuatan Profil ( profiling) solusi Cluster

Tahap ini menggambarkan karakteristik tiap Cluster untuk menjelaskan Cluster-Cluster
tersebut dapat dapat berbeda pada dimensi yang relevan. Titik beratnta pada karakteristik
yang secara signifikan berbeda antar clustre dan memprediksi anggota dalam suatu Cluster
khusus.

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Studi Kasus
Metode Hierarki
Fizi Shop merupakan toko yang bergerak dibidang retail. Pihak perusahaan ingin
meningkatkan pelayanan terhadap konsumen yang berkunjung melalui web mereka. Dengan
menyebarkan kuesioner, dan menggunakan Clustering, pihak perusahaan ingin mengetahui
selera konsumen dan faktor faktor yang paling berpengaruh terhadap kemajuan bisnisnya.
Berikut adalah hasil kuesioner yang telah dibagikan kepada 100 konsumen yang telah
berkunjung ke toko.
Data Kuesioner 2 :
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Nama
Rino
Abdul
Viant
Aan
Romi
Ririn
Rahmawati
Okta
Andre
Niko
Ayuk
Wanti
Mey
Farah
Maryana
Sifa
Wulan
Ulfa
Syahdan
Awan

Perilaku
1
2
3
2
2
2
1
2
3
3
1
2
4
3
2
2
1
1
1
2

Komunikasi
1
2
4
3
2
2
2
2
2
2
1
2
3
3
2
2
1
2
2
2

Pelayanan
1
2
3
2
2
2
2
1
1
3
1
2
2
3
2
2
1
1
3
2

Kelengkapan
2
2
2
2
2
1
2
1
2
2
2
1
1
2
1
1
1
2
3
2

Harga
4
1
1
1
2
1
2
2
4
1
1
1
2
1
1
1
2
2
2
2

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Data Kuesioner 1 :
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Nama
Rino
Abdul
Viant
Aan
Romi
Ririn
Rahmawati
Okta
Andre
Niko
Ayuk
Wanti
Mey
Farah
Maryana
Sifa
Wulan
Ulfa
Syahdan
Awan

Jenis Kelamin Usia Profesi Intensitas Barang Biaya

1
1
1
1
1
2
2
2
2
1
2
2
2
2
1
2
2
2
2
1

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

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

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

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

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

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Lakukan prosedur pengClusteran dengan menggunakan metode hirarki dan non-hirarki!

Tentukan berapa jumlah Cluster yang terbentuk, dan analisislah hasil profilisasi customernya!
Langkah Penyelesaian :
1.

Input Data
-

Variable View

Data View

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

2.

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Clustering Metode Hirarki

a.

Pilih analyze klik Clasify lalu pilih Hirarchical Cluster

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

b.

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Variabel : Letakkan semua Variabel yang valid

Label case by : Letakkan nama responden
Cluster : Case
Display : statistic, plot

c.

Statistik : agglomeration schedule

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

d.

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

Plots : klik Dendogram

Icicle : none

e.

Method : Cluster Method Pilih nearest neighbor measure

Interval pilih Squared Euqliden Distance

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

f.

3.

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Klik save Cluster membership : none

Profilisasi Costumer
a.

Input Data

Variable View:

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Data View

b.

Pilih Analyze, klik Descriptive Statistic pilih crosstab

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

c.

Rows : Letakkan semua variabel profil ( variable Y )

d.

Coloumns : Cluster member

e.

Statistik : Correlation

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

f.

Cells Counts : observed , Percentage : total

g.

Format Row order : ascending.

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

UNIVERSITAS ISLAM INDONESIA

FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah

: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining

Pertemuan ke
:3
Modul ke
:3
Jumlah Halaman : 26
Mulai berlaku
: 2014

DAFTAR PUSTAKA
1. Han,

Jiawei.

Data

Mining

Concept

and

Technique.

Presentation.

http://www.cse.msu.edu/~cse980
2. Bertalya, Konsep Data Mining. Universitas Gunadarma, 2009.
3. Walpole, Ronald E. Probability and Statistics for Engineers and Scientists.
4. http://www.wahana-statistika.com/analisis/analisis-multivariate/103-pengertian-analisiscluster.html
5. Tryfos,Peter, Cluster Analysis, 1997