PRAKTIKUM TEKNIK INDUSTRI 2

TAHUN AKADEMIK 2017/2018

MODUL 2 ANALISIS CLUSTER KONSUMEN

KERJASAMA LABORATORIUM PERANCANGAN SISTEM

TEKNIK INDUSTRI DENGAN
LABORATORIUM MANAJEMEN INDUSTRI
PRODI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS TRUNOJOYO
2017
Perancangan Sistem Teknik Industri 2
Teknik Industri
Universitas Trunojoyo Madura
 MODUL I ANALISIS CLUSTER

I LATAR BELAKANG
Clustering adalah suatu metode pengelompokan berdasarkan ukuran kedekatan
(kemiripan) dari suatu karakteristik tertentu. Pengelompokan pada clustering tidak harus
berdasarkan kesamaan karakteristik tetapi dapat berdasarkan pada kedekatan dari suatu
karakteristik sampel yang ada. Penggunaan metode ini umum dilakukan pada bidang
pemasaran yaitu segmentasi pasar atau pengelompokkan konsumen yang memiliki
karakteristik yang berbeda atau yang disebut segmentasi pasar. PT. TI PRUTTT ingin
mengelompokkan konsumen produk speaker active. Anda sebagai mahasiswa terbaik dan
berprestasi di Teknik Industri UTM (Sebagai Manager Marketing) diminta bantuan oleh PT
TI PRUTT untuk mengelompokkan konsumen berdasarkan karakteristiknya.

II. TUJUAN PRAKTIKUM

Berikut ini merupakan tujuan dalam pelaksanaan praktikum analisis cluster:
1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam melakukan dan
menerapkan analisis Cluster.
2. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam melakukan
penelitian pasar.
3. 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.
4. Mengetahui asumsi dari analisis cluster dan mampu menginterpretasikan outputdari
model analisis cluster.

III. LANDASAN TEORI

Analisis cluster merupakan salah satu teknik 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 daripada obyek yang berada pada
kelompok yang berbeda. Jumlah kelompok yang dapat diidentifikasi tergantung pada

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
banyak dan variasi data obyek. Tujuan dari pengelompokan sekumpulan data obyek ke dalam
beberapa kelompok yang mempunyai karakteristik tertentu dan dapat dibedakan satu sama
lainnya adalah untuk analisis dan interpretasi lebih lanjut sesuai dengan tujuan penelitian
yang dilakukan. Model yang diambil diasumsikan bahwa data yang dapat digunakan adalah
data yang berupa data interval, frekuensi dan biner. Set data obyek harus mempunyai peubah
dengan tipe yang sejenis tidak campur antara tipe yang satu dengan lainnya.
Ada beberapa tahapan dalam melakukan Analisis Cluster, diantaranya yaitu:
1. Tujuan Analisis Cluster
2. Desain Penelitian dalam Analisis Cluster
3. Asumsi-asumsi dalam Analisis Cluster
4. Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan (overall fit)
5. Interpretasi terhadap Cluster
6. Proses Validasi dan Pembuatan Profil (profiling) Cluster

IV. Tujuan Analisis Cluster

Tujuan dari analisis cluster adalah mengelompokkan obyek berdasarkan kesamaan
karakteristik di antara obyek-obyek tersebut. Dengan demikian, ciri-ciri suatu cluster yang baik
yaitu mepunyai :
1. Homogenitas internal (within cluster); yaitu kesamaan antar anggota dalam satu
cluster.
2. Heterogenitas external (between cluster); yaitu perbedaan antara cluster yang satu
dengan cluster yang lain.
Analisis cluster dapat diterapkan pada bidang apa saja. Namun pemakaian teknik ini
lebih familiar pada bidang pemasaran karena memang salah satu kegiatan yang dilakukan
dalam pemasaran adalah pengelompokan, yang disebut segmentasi pasar. Tujuan analisis
cluster di dalam pemasaran adalah sebagai berikut :
1. Membuat segmen pasar (segmenting the market)
Pelanggan atau pembeli sering diklasterkan berdasarkan manfaat atau keuntungan yang
diperoleh dari pembelian barang. Setiap cluster akan terdiri dari pelanggan/ pembeli yang
relatif homogen, dinyatakan dalam manfaat yang dicari.

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
2. Memahami perilaku pembeli
Analisis cluster digunakan untuk mengenali/mengidentifikasi kelompok pembeli yang
homogen/relatif homogen. Kemudian perilaku dalam untuk setiap kelompok perlu dikaji
secara terpisah. Responden (pembeli) dikelompokkan didasarkan pada self-reported
importance yang terkait pada setiap faktor pilihan yang digunakan untuk memilih toko
atau mall di mana para pembeli membeli barang yang dibutuhkan.
3. Mengenali peluang produk baru
Dengan mengklasterkan merk dan produk, competitive set di dalam pasar bisa
ditentukan. Merek di dalam klaster yang sama bersaing sengit satu sama lain,
daripada merek dari klaster lain.
4. Mereduksi data.
Analisis cluster digunakan sebagai suatu alat mereduksi data secara umum, untuk
mengembangkan klaster atau sub-group dari data yang mudah dikelola dari kumpulan data
asli, secara individual.
Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut :
1. Mengukur kesamaan jarak
2. Membentuk cluster secara hirarkis
3. Menentukan jumlah cluster
Asumsi yang harus dipenuhi dalam Analisis Cluster yaitu :
1. Sampel yang diambil benar-benar dapat mewakili populasi yang ada
(representativeness of the sample)
2. Multikolinieritas
Adapun metode pengelompokan dalam analisis cluster meliputi :
1. Metode Hirarki : memulai pengelompokan dengan dua atau lebih obyek yang mempunyai
kesamaan paling dekat. Kemudian dilanjutkan pada obyek yang lain dan seterusnya
hingga cluster akan membentuk semacam ‘pohon’ dimana terdapat tingkatan (hirarki)
yang jelas antar obyek, dari yang paling mirip hingga yang paling tidak mirip. Teknik
hirarki (hierarchical methods) adalah teknik clustering membentuk kontruksi hirarki atau
berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan). Alat yang
membantu untuk memperjelas proses hirarki ini disebut “dendogram”.
2. Metode Non-Hirarki; dimulai dengan menentukan terlebih dahulu jumlah cluster yang
diinginkan (dua,tiga, atau yang lain). Setelah jumlah cluster ditentukan, maka proses
Perancangan Sistem Teknik Industri 2
Teknik Industri
Universitas Trunojoyo Madura
 cluster dilakukan dengan tanpa mengikuti proses hirarki. Metode ini biasa disebut “K-
Means Cluster”.

III Teknik–Teknik dalam Analisis Cluster

Clustering
Procedured

Non-
Hierarchial
Hierarchial

Agglomera Sequential Parallel Optimizing

Divisive
tive Threshold Threshold Partitioning

Linkage Variance Centroid

Methods Methods Methods

Ward’s
Methods

Single Complete Average

Linkage Linkage Linkage

METODE HIRARKI
Teknik hirarki (hierarchical methods) adalah teknik clustering membentuk kontruksi
hirarki atau berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan).
Dengan demikian proses pengelompokannya dilakukan secara bertingkat atau bertahap. Hasil
dari pengelompokan ini dapat disajikan dalam bentuk dendogram. Metode-metode yang
digunakan dalam teknik hirarki:
1. 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
Perancangan Sistem Teknik Industri 2
Teknik Industri
Universitas Trunojoyo Madura
 berlanjut hingga akhirnya terbentuk satu cluster yang terdiri dari keseluruhan obyek. Ada
beberapa teknik dalam Agglomerative methods yaitu:
a. 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 :
  obyek ketiga akan bergabung dengan cluster yang telah terbentuk, atau
  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.
Contoh : Terdapat matriks jarak antara 5 buah obyek, yaitu :

A B C D E
A 0,0 1,0 5,0 6,0 8,0
B 1,0 0,0 3,0 8,0 7,0
C 5,0 3,0 0,0 4,0 6,0
D 6,0 8,0 4,0 0,0 2,0
E 8,0 7,0 6,0 2,0 0,0

Langkah penyelesaiannya :
1. Mencari obyek dengan jarak minimum
A dan B mempunyai jarak terdekat, yaitu 1.0 maka obyek A dan A bergabung
menjadi satu cluster.
2. 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 terbentu matriks jarak yang baru
AB C D E
AB 0,0 3,0 6,0 7,0
C 3,0 0,0 4,0 6,0
D 6,0 4,0 0,0 2,0
E 7,0 6,0 2,0 0,0

3. Mencari obyek dengan jarak terdekat

D dan E mempunyai jarak yang terdekat yaitu 2.0 maka obyek D dan E bergabung
menjadi satu cluster.
Perancangan Sistem Teknik Industri 2
Teknik Industri
Universitas Trunojoyo Madura
 4. Menghitung jarak antara cluster dengan obyek lainnya.
D(AB)C = 3.0
D(AB)(DE) = min {dAD, dAE, dBD, dBE} = dAD = 6.0
D(DE)C = min {dCD, dCE} = dCD = 4.0
5. Mencari jarak terdekat antara cluster dengan obyek dan diperoleh obyek C
bergabung dengan cluster AB
6. Pada langkah yang terakhir, cluster ABC bergabung dengan DE sehingga terbentuk
cluster tunggal.
b. 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 :
A B C D E
A 0,0 1,0 5,0 6,0 8,0
B 1,0 0,0 3,0 8,0 7,0
C 5,0 3,0 0,0 4,0 6,0
D 6,0 8,0 4,0 0,0 2,0
E 8,0 7,0 6,0 2,0 0,0

Langkah penyelesaiannya :
1. Mencari obyek dengan jarak minimum
A dan B mempunyai jarak terdekat yaitu 1.0 maka obyek A dan B bergabung
menjadi satu cluster
2. 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
AB C D E
AB 0,0 5,0 8,0 8,0
C 5,0 0,0 4,0 6,0
D 8,0 4,0 0,0 2,0
E 8,0 6,0 2,0 0,0

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
 3. Mencari obyek dengan jarak terdekat.
D dan E mempunyai jarak terdekat yaitu 2.0 maka obyek D dan E bergabung
menjadi satu cluster
4. Menghitung jarak antar cluster dengan obyek lainnya
D(AB)C = 5.0
D(AB)(DE) = max {dAD, dAE, dBD, dBE} = dAE = dBD = 8.0
D(DE)C = max {dCD, dCE} = dCE = 6.0
5. Maka terbentuklah matriks jarak yang baru, yaitu :
AB C DE
AB 0,0 5,0 8,0
C 5,0 0,0 6,0
DE 8,0 6,0 0,0
6. Mencari jarak terdekat antara cluster dengan obyek dan diperoleh obyek C
bergabung dengan cluster AB
7. Pada langkah yang terakhir cluster ABC bergabung dengan DE sehingga
terbentuk cluster tunggal.
c. Average linkage methods (between groups methods)
Metode ini mengikuti prosedur yang sama dengan kedua metode sebelumnya. Prinsip
ukuran jarak yang digunakan adalah jarak rata-rata antar tiap pasangan obyek yang
mungkin.
Contoh :
Terdapat matriks jarak antara 5 buah obyek, yaitu :
A B C D E
A 0,0 1,0 5,0 6,0 8,0
B 1,0 0,0 3,0 8,0 7,0
C 5,0 3,0 0,0 4,0 6,0
D 6,0 8,0 4,0 0,0 2,0
E 8,0 7,0 6,0 2,0 0,0

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
 Langkah penyelesaiannya :
1. Mencari obyek dengan jarak minimum
A dan B mempunyai jarak terdekat, yaitu 1,0 maka obyek A dan B bergabung
menjadi satu cluster.
2. 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 :
AB C D E
AB 0,0 5,0 8,0 8,0
C 5,0 0,0 4,0 6,0
D 8,0 4,0 0,0 2,0
E 8,0 6,0 2,0 0,0

3. Mencari obyek dengan jarak terdekat.

D dan E mempunyai jarak terdekat, yaitu 2,0 maka obyek D dan E bergabung
menjadi satu cluster.
4. 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 :
AB C DE
AB 0,0 4,0 7,25
C 4,0 0,0 5,0
DE 7,25 5,0 0,0
5. Mencari jarak terdekat antara cluster dengan obyek dan diperoleh obyek C
bergabung dengan clster AB.
6. Pada langkah yang terakhir, cluster ABC bergabung dengan DE sehingga terbentuk
cluster tunggal.
d. Ward’s error sum of squares methods
Ward mengajukan suatu metode pembentukan cluster yang didasari oleh
hilangnya informasi akibat penggabungan obyek menjadi cluster. Hal ini

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
 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.

Dengan Xij adalah nilai untuk obyek ke-i pada cluster ke-j.
e. Median methods
Median method atau metode merupakan metode pengklasteran dengan
memperhatikan median dari setiap objek yang bergabung berdasarkan jarak
minimum yang diperoleh dari matriks jarak euclid. Langkah pertama sampai
langkah ketiga metode centroid sama dengan metode median, sedangkan : Langkah
keempat : Hitung median dari klaster U dan V dengan menggunakan rumus :

Langkah kelima : bentuk matriks data baru dengan data dari klaster gabungan U dan
V yang telah di peroleh, Langkah Keenam : Ulangi langkah kedua, demikian
seterusnya sampai semua data bergabung dalam jumlah klaster yang diinginkan.
f. Centroid methods
Centroid methods atau metode centroid merupakan metode pengklasteran dengan
memperhatikan rata-rata dari setiap objek yang bergabung berdasarkan jarak
minimum yang di peroleh dari matriks jarak euclid. Algoritma metode centroid
sebagai berikut :
1. Asumsikan setiap data merupakan klaster
2. Bentuk matriks jarak dengan menggunakan kuadrat jarak euclid

Sehingga matriks jaraknya adalah :

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
 3. Dari matriks jarak tersebut, pilih jarak terkecil antar klaster lalu gamungkan kedua
objek yang memiliki jarak terkecil tersebut. Misalkan klaster U dan klaster V
memiliki jarak terdekat, maka U dan V bergabung dalam satu klaster.
4. Hitung centroid dari U dan V dengan rumus :

5. Bentuk matriks data baru dengan data dari klaster gabungan U dan V yang di
peroleh dari langkah keempat.
6. Ulangi langkah kedua, demikian seterusnya samapai semua data bergabung dengan
jumlah kalster yang diinginkan.
2. 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.
a. 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 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 :

A B C D E
A 0 12 9 32 31
B 12 0 9 25 27
C 9 9 0 23 24
D 32 25 23 0 9
E 31 27 24 9 0

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
Perhitungan :

1. Menghitung jarak rata-rata antar obyek

A = ¼ (12+9+32+31) = 21 D = ¼ (32+25+23+9) = 22.25

B = ¼ (12+9+25+27) = 18.25 E = ¼ (31+27+24+9) = 22.75

C = ¼ (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.
2. Menghitung jarak rata-rata obyek dengan group utama dengan group splinter
Jarak Rata-Rata dengan Group Jarak Rata-Rata dengan Group
Obyek Splinter (x) Group Utama (y) x-y
A 31 17,67 -13,33
B 27 15,33 -11,67
C 24 13,67 -10,33
D 9 26,67 17,67

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.
3. Perhitungan jarak rata-rata
Jarak Rata-Rata dengan Group Jarak Rata-Rata dengan Group
Obyek x-y
Splinter (x) Group Utama (y)
A 31,5 10,5 -21
B 26 10,5 -15,5
C 23,5 9,0 -14,5
Karena jarak semua obyek ke group utama sudah lebih besar daripada jaraknya ke
group splinter, maka komposisinya sudah stabil.

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
METODE NON-HIRARKI

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.
1. 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.
2. 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.
3. Optimizing
Merupakan pengembangan dari kedua metode diatas dengan melakukan optimasi pada
penempatan obyek yang ditukar untuk cluster lainnya dengan pertimbangan krteria optimasi.

Teknik partisi (Partitioning Methods) mencakup :

1) K-Means Clustering
2) Methods based on the trace

Prosedur analisis cluster K-means digunakan untuk mengelompokkan sejumlah kasus

besar yang lebih dari 200 dengan lebih efisien. Metode ini berdasarkan nearest centroid sorting,
yaitu pengelompokan berdasarkan jarak terkecil antara kasus dengan pusat dari cluster.
Teknik ini membutuhkan jumlah cluster yang ditentukan terlebih dahulu oleh pemakai.
Untuk tujuan tersebut dapat menggunakan analisis hierarkikal dalam menentukan jumlah
cluster. Teknik ini juga dapat digunakan untuk menempatkan data baru untuk
dikelompokkan ke dalam cluster terdekat. Agar hasil cluster dapat digunakan dengan baik,
maka sebaiknya dilakukan tahapan interpretasi dan validasi.

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
 Yang perlu diperhatikan pada tahapan interpretasi adalah karakteristik yang
membedakan masing-masing cluster sehingga kita dapat memberikan label pada masing-
masing cluster tersebut. Dengan demikian perlu kiranya dispesifikasikan kriteria-kriteria yang
mendasari kelompok-kelompok yang telah terbentuk.
Pada tahap validasi dilakukan pengujian terhadap cluster yang telah terbentuk. Uji yang
dapat dilakukan antara lain dengan membandingkan hasil yang telah diperoleh dengan
algoritma yang berbeda. Sebagai contoh, apabila pertama kali kita menggunakan algoritma
hierarkikal, kemudian dicoba dengan menggunakan algoritma non hierarkikal dan kemudian
dilihat apakah hasilnya mirip atau tidak. Dengan demikian kita sudah melakukan pengujian
terhadap cluster yang kita bentuk.
Teknik Pengukuran Jarak
1. Euclidean Distance
Merupakan ukuran jarak antara dua item X dan Y

2. Squared Euclidean Distance

Merupakan ukuran jarak antara dua item X dan Y.

3. Pearson Correlation
Korelasi antara vektor nilai :

di mana Zxi adalah nilai x yang telah distandarkan untuk item ke-i dan N adalah jumlah
itemnya
4. Chebychev

5. Block

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
6. Minkowski

p = 1 (absolute metric)
p = 2 (euclidian metric)

7. Chi-Square

8. Phi-Square

9. Hamming

Dimana :

IV. ALAT DAN BAHAN

Bahan dan peralatan yang dibutuhkan dalam praktikum ini adalah:
1. Modul praktikum;
2. Data Karakteristik Konsumen;
3. Perangkat lunak Microsoft Excel
4. Software SPSS
5. PC;

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
V. PROSEDUR PRAKTIKUM
Prosedur Pelaksanaan Praktikum adalah sebagai berikut:
Mulai

Tidak Tidak
lulus lulus
Pre-Test Remidi

Lulus Lulus

Identifikasi Briefing
Data Karakteristik
Karakteristik ACC Asisten Pengolahan
Konsumen
Konsumen Data

Pengolahan
Data

Asistensi 1

Asistensi 2

Laporan
Resmi

ACC
Laporan

Selesai

Secara umum proses dimulai dengan merumuskan masalah pengklasteran dengan

mendefinissikan variabel variabel yang di pergunakan untuk dasar pengklasteran atau
pembentukan klaster. Kemudian pengambilan p pengukuran peubah pada n obyek pengamatan.
Data tersebut dijadikan matriks data mentah berukuran m x p. Matrik tersebut
ditransformasikan ke dalam bentuk matriks similaritas (kemiripan) berupa n x n yang dihitung
berdasarkan pasangan-pasangan obyek p peubah. Konsep dasar pengukuran analisis cluster
adalah konsep pengukuran jarak (distance) dan kesamaan (similarity). Distance adalah ukuran
tentang jarak pisah antar obyek sedangkan similarity adalah ukuran kedekatan.

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
 Konsep ini penting karena pengelompokan pada analisis cluster didasarkan pada
kedekatan. Pengukuran jarak (distance type measure) digunakan untuk data-data yang

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
bersifat matriks, sedangkan pengukuran kesesuaian (matching type measure) digunakan
untuk data yang bersifat kualitatif.

Prosedur Pengolahan Data

Langkah – 1 : “Standardisasi/Transformasi”
Mengingat data yang terkumpul mempunyai variabilitas satuan, maka perlu dilakukan langkah
standardisasi atau transformasi terhadap variabel yang relevan ke bentuk z- score. Untuk
selanjutnya, hasil z-score inilah yang akan dipakai dasar analisis cluster. Namun apabila data
yang terkumpul tidak mempunyai variabilitas satuan, maka prose analisis cluster dapat
langsung dilakukan tanpa terlebih dahulu melakukan transformasi atau standardisasi
Langkah – 2 : “Analisis Cluster”

VI. REFERENSI
Dillon R William, Goldsten Matthew, Multivariate Analysis, Method and Application,
John Wiley & Sons, New York

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura
VII. TATA TULIS LAPORAN

BAB I PENDAHULUAN
1.1 Latar Belakang
1.2 Tujuan Praktikum

BAB II LANDASAN TEORI

BAB III METODOLOGI PENELITIAN

3.1 Alat dan Baham
3.2 Prosedur Praktikum

BAB IV ANALISA DAN PENGOLAHAN DATA

4.1 Variabel-Variabel Yang Digunakan
4.2 Data
4.3 Data Standarisasi
4.4 Output Standarisasi
4.5 Metode Hirarki
4.5.1 Analisis proximities
4.5.2 Agglomeration schedule
4.5.3 Cluster membership
4.5.4 Dendogram
4.6 Metode Non-hirarki
4.6.1 Initial cluster center
4.6.2 Iteration history
4.6.3 Final cluster centers
4.6.4 Descriptive statistic
4.6.5 Tafsiran setiap cluster
4.6.6 Anova
4.6.7 Jumlah anggota disetiap cluster
4.7 Crosstabulation
4.8 Grafik pencaran (scatter)
Perancangan Sistem Teknik Industri 2
Teknik Industri
Universitas Trunojoyo Madura
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
5.2 Saran

DAFTAR PUSTAKA

LAMPIRAN

Perancangan Sistem Teknik Industri 2

Teknik Industri
Universitas Trunojoyo Madura