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.
Clustering
Procedured
Non-
Hierarchial
Hierarchial
Ward’s
Methods
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
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
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
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
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.
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
p = 1 (absolute metric)
p = 2 (euclidian metric)
7. Chi-Square
8. Phi-Square
9. Hamming
Dimana :
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
VI. REFERENSI
Dillon R William, Goldsten Matthew, Multivariate Analysis, Method and Application,
John Wiley & Sons, New York
BAB I PENDAHULUAN
1.1 Latar Belakang
1.2 Tujuan Praktikum
DAFTAR PUSTAKA
LAMPIRAN