4.

1 Analisis Cluster
Analisis cluster adalah suatu analisis statistik yang bertujuan memisahkan obyek
kedalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang
satu dengan yang lain. Dalam analisis ini tiap-tiap kelompok bersifat homogen antar
anggota dalam kelompok atau variasi obyek dalam kelompok yang terbentuk sekecil
mungkin. Analisis cluster terbagi menjadi dua, yaitu analisis cluster hierarchical dan
Analisis cluster non-hierarchical. Berikut hasil analisis dari cluster hierarchical dan
cluster non-hierarchical.

4.1.1 Analisis Cluster Hierarchical

Analisis cluster hierarchical dalam metode agglomerative, setiap obyek atau
observasi dianggap sebagai sebuah cluster tersendiri. Selanjutnya, dua cluster yang
mempunyai kemiripan digabungkan menjadi sebuah cluster baru demikian
selanjutnya. Dengan menggunakan software SPSS, dari data kualitas ruang baca di
FMIPA Universitas Tanjungpura Pontianak diperoleh hasil sebagai berikut :
1. Proximities
Tabel Case Processing Summary
Case Processing Summarya
Cases
Valid Missing Total
N Percent N Percent N Percent
80 100.0% 0 0.0% 80 100.0%
a. Squared Euclidean Distance used

Berdasarkan tabel , menyatakan bahwa ke -80 data telah diproses tanpa ada data
yang hilang.
 Tabel Output Proximities
Case Nana P Kunti W Pitriani Desi A W Merista Nita A ⋯ Shindy
Nana P 0 7 8 3 6 10 ⋯ 5
Kunti W 7 0 5 2 7 7 ⋯ 4
Pitriani 8 5 0 5 8 6 ⋯ 7
Desi A W 3 2 5 0 7 7 ⋯ 4
Merista 6 7 8 7 0 6 ⋯ 9
Nita A 10 7 6 7 6 0 ⋯ 7
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Shindy 3 4 7 2 7 5 ⋯ 0

Berdasarkan Tabel Output Proximities, pada kolom Euclidean distance

menunjukan jarak antara dua buah objek. Seperti diketahui, langkah pertama pada
cluster adalah melakukan pengukuran terhadap kesamaan antara variabel yang sesuai
dengan tujuan cluster untuk mengelompokkan variabel yang sama.
Sebagai contoh yaitu jarak antara variabel satu (Nana Pratiwi) dengan variabel
dua (Kunti Wijayanti) adalah 7, sedangkan jarak antara variabel satu (Nana Pratiwi)
dengan variabel tiga (Pitriani) adalah 8. Hal ini berarti bahwa jawaban responden
Nana Pratiwi lebih mirip dalam karakteristik (penataan buku, penataan rak, penataan
meja dan seterusnya) dengan responden Kunti Wijayanti dan berbeda satu angka
dengan responden Pitriani. Jadi, dapat dikatakan bahwa semakin kecil angka antar
dua variabel atau responden maka semakin mirip satu sama lain. Pada output
Proximities lengkapnya terdapat pada Lampiran .
Banyaknya kombinasi jarak antara ke delapan puluh variabel atau reponden
tersebut, maka diperlukan proses clustering dengan metode tertentu. Hal ini bertujuan
agar ke 80 responden tersebut berkelompok sesuai kemiripan masing-masing dengan
hasil sebagai berikut:
1. Average Linkage (Between Group)
Tabel Aglomerasi
Agglomeration Schedule
Stage Cluster Combined Coefficients Stage Cluster First Appears Next Stage
Cluster 1 Cluster 2 Cluster 1 Cluster 2
1 58 67 .000 0 0 3
2 45 60 .000 0 0 33
3 18 58 .000 0 1 7
4 8 57 .000 0 0 32
5 37 54 .000 0 0 7
6 30 50 .000 0 0 10
7 18 37 .000 3 5 23
8 11 36 .000 0 0 21
9 29 32 .000 0 0 11
10 4 30 .000 0 6 20
11 15 29 .000 0 9 13
12 20 24 .000 0 0 29
13 15 21 .000 11 0 16
14 51 74 1.000 0 0 43
15 65 73 1.000 0 0 29
16 15 70 1.000 13 0 24
17 14 69 1.000 0 0 42
18 9 66 1.000 0 0 41
19 62 63 1.000 0 0 30
20 4 49 1.000 10 0 25
21 11 41 1.000 8 0 27
22 23 26 1.000 0 0 41
23 17 18 1.000 0 7 34
24 15 52 1.200 16 0 26
25 4 13 1.250 20 0 33
26 15 42 1.333 24 0 28
27 11 31 1.333 21 0 42
28 15 38 1.429 26 0 31
29 20 65 1.500 12 15 46
30 33 62 1.500 0 19 45
31 2 15 1.500 0 28 32
32 2 8 1.556 31 4 34
33 4 45 1.800 25 2 44
34 2 17 1.803 32 23 47
35 19 79 2.000 0 0 40
36 75 78 2.000 0 0 60
37 44 77 2.000 0 0 60
38 1 72 2.000 0 0 55
39 39 56 2.000 0 0 63
40 19 46 2.000 35 0 59
41 9 23 2.000 18 22 57
42 11 14 2.000 27 17 48
43 6 51 2.500 0 14 58
44 4 80 2.571 33 0 47
45 10 33 2.667 0 30 59
46 20 27 2.750 29 0 57
47 2 4 2.750 34 44 56
48 11 71 2.833 42 0 49
49 11 28 2.857 48 0 68
50 40 76 3.000 0 0 66
51 47 61 3.000 0 0 78
52 7 48 3.000 0 0 67
53 22 35 3.000 0 0 61
54 3 25 3.000 0 0 62
55 1 12 3.000 38 0 72
56 2 16 3.120 47 0 64
57 9 20 3.200 41 46 65
58 6 64 3.333 43 0 66
59 10 19 3.333 45 40 61
60 44 75 3.500 37 36 62
61 10 22 3.643 59 53 69
62 3 44 4.000 54 60 71
63 34 39 4.000 0 39 77
64 2 68 4.077 56 0 65
65 2 9 4.119 64 57 67
66 6 40 4.500 58 50 74
67 2 7 4.694 65 52 69
68 11 53 4.750 49 0 70
69 2 10 4.819 67 61 72
70 5 11 4.889 0 68 71
 71 3 5 5.200 62 70 73
72 1 2 5.511 55 69 75
73 3 43 5.563 71 0 74
74 3 6 6.167 73 66 75
75 1 3 6.700 72 74 76
76 1 55 8.260 75 0 77
77 1 34 10.311 76 63 78
78 1 47 13.045 77 51 79
79 1 59 15.114 78 0 0

Tabel adalah hasil proses clustering dengan menggunakan metode between group
linkage. Setelah jarak antar variabel diukur dengan cara Euclidien, maka dilakukan
pengelompokan variabel secara hierarki. Cara hierarki berarti pengelompokkan
dilakukan secara bertingkat, satu demi satu atau terbentuknya cluster yang banyak.
Cara pembuatan cluster yang dimulai dari dua atau lebih variabel yang paling
mirip membentuk satu cluster, kemudian cluster memasukkan lagi satu variabel yang
paling mirip, dinamakan dengan aglomerasi.
Interpretasi:
1. Pada baris satu, stage terbentuk satu cluster dengan anggota variabel 58
(Silvia Andriany) dan variabel 67 (Maria Regina Vindasari) dengan nilai
coefficient sebesar 0,000 yang menyatakan bahwa jarak antar kedua variabel
tersebut (seperti yang terlihat pada matrix proximity sebelumnya). Kemudian,
pada kolom terakhir (next stage) tertulis angka 3. Hal ini berarti bahwa
langkah cluster selanjutnya dilakukan dengan melihat stage ke 3.
2. Pada stage ke-3, terlihat bahwa variabel 18 (Anggun Fitria Febrianti)
membentuk cluster dengan variabel 58 (Silvia Andriany). Jadi cluster
sekarang yang terbentuk terdiri dari 3 variabel yaitu variabel 58, 67, 18 atau
tiga responden yaitu Silvia Andriany, Maria Regina Vindasari dan Anggun
Fitria Febrianti dengan rata-ratanya sebesar 0,000.
3. Akan tetapi, jika dilihat pada stage 2 terjadi pembentukan cluster lain, yaitu
antara variabel 45 dan 60 dengan next stage 33. Selanjutnya pada stage 33
 terjadi penambahan variabel 4 sehingga cluster menjadi terdiri dari tiga
variabel yaitu variabel 45, 60 dan 4. Proses berlanjut ke stage 7, stage 18 dan
seterusnya hingga berakhir pada stage 79.
4. Jika angka pada next stage adalah 0, hal ini berarti bahwa proses cluster untuk
jalur tersebut sudah selesai dan cluster dilanjutkan ketahapan awal pada stage
yang belum dicluster.
Proses aglomerasi pada akhirnya akan menyatukan semua variabel menjadi satu
cluster. Hanya dalam prosesnya, dihasilkan beberapa cluster dengan masing-masing
anggotanya dan tergantung jumlah cluster yang dibentuk, seperti pada Tabel berikut:
Tabel Cluster Memberhip
4 3 2 4 3 2
Case Case
Clusters Clusters Clusters Clusters Clusters Clusters

1:Case 1 1 1 1 41:Case 41 1 1 1

2:Case 2 1 1 1 42:Case 42 1 1 1

3:Case 3 1 1 1 43:Case 43 1 1 1

4:Case 4 1 1 1 44:Case 44 1 1 1

5:Case 5 1 1 1 45:Case 45 1 1 1

6:Case 6 1 1 1 46:Case 46 1 1 1

7:Case 7 1 1 1 47:Case 47 3 2 1

8:Case 8 1 1 1 48:Case 48 1 1 1

9:Case 9 1 1 1 49:Case 49 1 1 1

10:Case 10 1 1 1 50:Case 50 1 1 1

11:Case 11 1 1 1 51:Case 51 1 1 1

12:Case 12 1 1 1 52:Case 52 1 1 1

13:Case 13 1 1 1 53:Case 53 1 1 1
14:Case 14 1 1 1 54:Case 54 1 1 1

15:Case 15 1 1 1 55:Case 55 1 1 1

16:Case 16 1 1 1 56:Case 56 2 1 1

17:Case 17 1 1 1 57:Case 57 1 1 1

18:Case 18 1 1 1 58:Case 58 1 1 1

19:Case 19 1 1 1 59:Case 59 4 3 2

20:Case 20 1 1 1 60:Case 60 1 1 1

21:Case 21 1 1 1 61:Case 61 3 2 1

22:Case 22 1 1 1 62:Case 62 1 1 1

23:Case 23 1 1 1 63:Case 63 1 1 1

24:Case 24 1 1 1 64:Case 64 1 1 1

25:Case 25 1 1 1 65:Case 65 1 1 1

26:Case 26 1 1 1 66:Case 66 1 1 1

27:Case 27 1 1 1 67:Case 67 1 1 1

28:Case 28 1 1 1 68:Case 68 1 1 1

29:Case 29 1 1 1 69:Case 69 1 1 1

30:Case 30 1 1 1 70:Case 70 1 1 1

31:Case 31 1 1 1 71:Case 71 1 1 1

32:Case 32 1 1 1 72:Case 72 1 1 1

33:Case 33 1 1 1 73:Case 73 1 1 1

34:Case 34 2 1 1 74:Case 74 1 1 1

35:Case 35 1 1 1 75:Case 75 1 1 1

36:Case 36 1 1 1 76:Case 76 1 1 1
 37:Case 37 1 1 1 77:Case 77 1 1 1

38:Case 38 1 1 1 78:Case 78 1 1 1

39:Case 39 2 1 1 79:Case 79 1 1 1

40:Case 40 1 1 1 80:Case 80 1 1 1

Berdasarkan Tabel dapat dilihat bahwa peralihan dari 4 cluster ke 3 cluster, yang
terjadi adalah penggabungan variabel-variabel yang ada, dan bukan mengacak
variabel dari awal. Pada cluster 3, terlihat anggota pada cluster 1 adalah kualitas-
kualitas dari ruang baca yang sebelumnya menjadi anggota cluster 1 dan cluster 2
pada 4 cluster.
Demikian pula, dari anggota cluster 1 dari formasi 2 cluster adalah
penggabungan dari anggota cluster 2 dan cluster 3 dari 3 cluster. Berdasarkan proses
pada Tabel terlihat bahwa pada jawaban dari responden ke-61 dan responden ke-47
memang jauh berbeda dengan responden lainnya. Namun, jawaban responden ke-59
yaitu Adawiyah adalah yang paling berbeda dengan responden lainnya.

2. Analisis Dendogram
Dendogram berguna untuk menunjukkan anggota cluster yang ada jika akan
ditentukan beberapa cluster yang seharusnya dibentuk.
 Gambar Dendogram

Pada dendogram dilakukan proses skala ulang (rescale) dengan batasan 0-25.
Proses agglomerasi dimulai pada skala 0, dimana jika sebuah garis dekat dengan
angka 0 maka variabel-variabel yang terwakili dengan garis tersebut dengan garis
tersebut semakin mungkin membentuk sebuah cluster.
Dendogram berguna untuk menunjukkan anggota cluster yang ada jika akan
ditentukan berapa cluster yang seharusnya terbentuk. Misal, jika diinginkan 3 cluster,
maka berdasarkan dendogram terlihat:
Cluster 1 : variabel nomor 59
Cluster 2 : variabel nomor 63 dan 47
Cluster 3 : semua variabel sisanya
Sehingga dengan dendogram dapat dengan mudah dilihat anggota tiap cluster
sesuai jumlah cluster yang diinginkan. Di mana anggota sebuah cluster akan
mempunyai kemiripan satu dengan yang lain dan akan berbeda dengan anggota
cluster yang lain.