Makalah Teknik Analisa Kuantitatif

Analisis Cluster

Dosen Pengampu :
Rendra Suprobo Aji, S.T., M.T., CAMP
Ratih Novi Listyawati, S.T., M.Eng

Oleh :
Nugroho Candra Wijaya 171910501003
Nizar Qomarodin Hidayat 171910501035
Betarisma Putri Yona 171910501047

Kelas:
Teknik Analisa Kualitatif A

Program Studi Perencanaan Wilayah Dan Kota

Fakultas Teknik
Universitas Jember
2019
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah memberikan rahmat serta hidayahnya
sehingga kami dapat menyelesaikan tugas makalah yang bertemakan “Analisis
Cluster” ini tepat pada waktunya.
Tujuan kami dalam penulisan tugas makalah ini adalah untuk memenuhi tugas
“Bapak Rendra Suprobo Aji S.T., M.T., CAMP dan Ibu Ratih Novi Lestyowati,
S.T., M.Eng.” pada mata kuliah “Teknik Analisa Kuntitatif” “Perencanaan
Wilayah Kota”. Selain itu makalah ini juga bertujuan untuk menambah wawasan
kami tentang “Analisis Cluster” bagi kami dan teman-teman sekalian.
Saya mengucapkan banyak terimkasih kepada Bapak Rendra Suprobo Aji S.T.,
M.T., CAMP dan Ibu Ratih Novi Lestyowati, S.T., M.Eng, selaku dosen
pengampu mata kuliah Teknik Analisa Kuantitatif yang telah memberikan tugas
ini sesuai bidang studi yang kami tekuni.
Kami juga mengucapkan banyak terima kasih kepada semua pihak yang telah
membagi pengetahuannya terkait dengan materi Analisis Cluster ini, sehingga
kami dapat menyelesaikan tugas makalah ini.
Kami menyadari, bahwa makalah yang kami tulis ini masih sangat jauh dari kata
sempurna baik dari segi penyusunan, bahasa, maupun dari segi penulisannya.
Oleh karena itu, kritik dan saran yang membangun akan saya nantikan demi
kesempurnaan makalah ini.

Jember, 21 November 2019

.
 DAFTAR ISI

KATA PENGANTAR ............................................................................................ 2

DAFTAR ISI ........................................................................................................... 3
BAB I ...................................................................................................................... 4
PENDAHULUAN .................................................................................................. 4
1.1 Latar Belakang ......................................................................................... 4
1.2 Rumusan Masalah .................................................................................... 4
1.3 Tujuan ....................................................................................................... 4
BAB II ..................................................................................................................... 6
TINJAUAN PUSTAKA ......................................................................................... 6
2.1 Definisi Analisis Cluster .......................................................................... 6
2.2 Tahapan Analisis Cluster.......................................................................... 6
2.3 Manfaat Analisis Cluster .......................................................................... 9
BAB III ................................................................................................................. 10
PEMBAHASAN ................................................................................................... 10
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Analisis Cluster adalah sebuah teknik analisis yang bertujuan utama untuk
mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya.
Analisis ini mengklasifikasikan objek sehingga setiap objek yang sama akan
menjadi satu cluster. Cluste yang terbentuk memiliki kesamaan internal yang
tinggi dan keanekaragaman eksternal yang tinggi. Berbeda dengan teknik analisis
multivariat yang lainnya teknik analisis ini menggunakan variabel yang di
tentukan oleh peneliti itu sendiri. Fokus dari Analisis Cluster ini adalah
membandingkan objek berdasarkan set variabelnya. Variabel Cluster adalah suatu
set variabel yang mempresentasikan karakteristik yang dipakai oleh objek-objek.
Solusi dari analisis ini tidak bersifat tidak unik anggota cluster untuk tiap
penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa
solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih.
Solusi cluster secara keseluruhan bergantung pada variabel-variabel yang
digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau pengurangan
set variabel-variabel yang relevan dapat mempengaruhi substansi hasil analisis
cluster.
Dalam melakukan analisis ini terdapat juga teknik literasi saat
mengaplikasikan algoritma saat pengelompokan. Teknik iterasi meruapakan
sebuah prosedur yang dilakukan secara berulang-ulang. Teknik iterasi dalam
analisis cluster ini memiliki kegunaan untuk mengumpulkan objek kedalam
sebuah kelompok yang sama. Jika analisis cluster ini diaplikaskan secara manual
terutama dalam jumlah data yang banyak, akan membutuhkan waktu yang lama.
Saat ini sudah terdapat sebuah software atau aplikasi yang digunakan sebagai
alat bantu dalam melakukan analisis Cluster ini. Software yang dapat digunakan
dalam analisis cluster ini adalah SPSS. SPSS merupakan salah satu software yang
memiliki tools yang dapat digunakan untuk analisis cluster. Tetapi software ini
memiliki kelemahan yaitu hanya dapat menganalisis dengan data yang berbentuk
matrix atau hasil kombinasi antara matrix dan non-matrix.karena hanya terdapat 3
metode yang dapat digunakan dalam software ini. Selain kelemahan, software ini
memiliki kelebihan yaitu efisiensi waktu dalam menganalisis.

1.2 Rumusan Masalah

1. Jelaskan apa yang dimaksud dengan Analisis Cluster?
2. Bagaimana analisis Cluster dapat diterapkan dalam Perencanaan Wilayah?

1.3 Tujuan
1. Mengetahui pengertian dari analisis cluster
2. Mengetahui keterkaitan antara ilmu perencanaan dengan analisis cluster.
 BAB II

TINJAUAN PUSTAKA

2.1 Definisi Analisis Cluster

Analisis Cluster adalah teknik statistik multivariat untuk mengindentifikasi
sekelompok obyek yang memiliki karakteristik tertentu, yang dapat
dipisahkan dengan kelompok obyek lainnya. Tujuan Analisis Cluster, yaitu:
1. Untuk mengelompokkan objek-objek (individu-individu) menjadi
kelompok-kelompok yang mempunyai sifat yang relatif sama (homogen).
2. Untuk membedakan dengan jelas antara satu kelompok (cluster) dengan
kelompok lainnya.
Prinsip dasar pengelompokkan cluster analisis adalah pengukuran jarak
(distance) dan kesamaan (similarity), hasil analisis ini berupa grup obyek yang
memiliki high internal homogenity (within-cluster) dan high external
heterogeneity (between cluster).
Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut
1. Mengukur kesamaan jarak
2. Membentuk cluster secara hirarkis
3. Menentukan jumlah cluster.

2.2 Tahapan Analisis Cluster

Gambar Tahapan Analisis Cluster
1. Penentuan tujuan
a) Tentukan tujuan analisis cluster yang akan lakukan. Secara umum
tujuan utama analisis cluster adalah mempartisi suatu set objek
menjadi dua grup atau lebih berdasarkan kesamaan objek tersebut.
Dengan membentuk grup yang homogen, dapat dilihat 2 hal:
 Deskripsi taksonomi
 Identifikasi relationship
b) Dalam penentuan tujuan ini variabel yang akan dipakai telah dipilih
dan ditentukan (sesuaikan dengan tujuan analisis).
c) Data yang digunakan untuk tiap variabel dapat berupa data interval,
ratio, nominal, atau ordinal.
2. Desain penelitian
a) Terdapat data mentah berupa matriks dengan n objek dan p veriabel
(sebaiknya jumlah objek > jumlah variable).
b) Menstransformasikan matriks data mentah (n x p) menjadi matriks
jarak antar objek (n x n) dengan menggunakan metode perhitungan
jarak.
c) Dalam tahap ini harus dideteksi terdapat data yang outlier atau tidak.
Outlier/pencilan adalah objek yang memiliki nilai ekstrim
dibandingkan objek-objek lain. Outlier ini dapat mengganggu
pengelompokan. Jika terdapat data outlier, maka harus dilakukan
standarisasi data.
d) Standarisasi data dapat dilakukan dengan 2 metode: a. Standarisasi
variabel (dengan Z score)
𝑋𝑖 − 𝑀
𝑍=
𝜎
Keterangan:
Z : Skor standar
M : Rata-rata
Xi : Skor data mentah
Σ : Standar Deviasi
3. Asumsi Model
a) Sampel yang diambil benar-benar dapat mewakili populasi yang ada
(representativeness of the sample).
b) Tidak terjadi multikolinearitas (artinya variabel yang satu bebas dari
variabel lainnya).
4. Pengelompokan
Pembentukan Cluster dilakukan dengan menggunakan metode tertentu
Hierarchical Cluster atau Mutually Exclusive Cluster.
A. Metode Hirarki
Memulai pengelompokan dengan dua atau lebih obyek yang
mempunyai kesamaan paling dekat. Kemudian diteruskan pada obyek
 yang lain dan seterusnya hingga cluster akan membentuk semacam
‘struktur pohon’ dimana terdapat tingkatan (hirarki) yang jelas antar
obyek, dari yang paling mirip hingga yang paling tidak mirip. Alat
yang membantu untuk memperjelas proses hirarki ini disebut
“dendogram”.
a) Metode Agglomerative
1) Single Lingkage (Nearest Neigbor Methods)/Pautan Tunggal
Metode ini didasarkan pada jarak minimum. Dimulai dengan
dua objek yang dipisahkan dengan jarak paling pendek maka
keduanya akan ditempatkan pada cluster pertama. Keduanya
membentuk kelompok yang pertama. Pada langkah selanjutnya,
terdapat dua kemungkinan:
 Objek ketiga akan bergabung dengan kelompok yang ada
 Dua objek lainnya akan membentuk kelompok baru
Metode ini dikenal pula dengan nama pendekatan tetangga
terdekat.
2) Complete Lingkage (Futhest Neigbor Methods)/Pautan
Lengkap Metode ini disebut juga pendekatan tetangga terjauh,
dasarnya adalah jarak maksimum. Dalam metode ini seluruh
objek dalam suatu cluster dikaitkan satu sama lain pada suatu
jarak maksimum atau dengan kesamaan minimum.
3) Average Lingkage methods (Between Groups Methods)/Pautan
Rata-rata Dasarnya adalah jarak rata-rata antar observasi.
pengelompokan dimulai dari tengan atau pasangan observasi
dengan jarak paling mendekati jarak rata-rata.
4) Ward’s Error Sum Of Squares Methods
Dalam metode ini jarak antara dua cluster adalah jumlah
kuadrat antara dua cluster untuk seluruh variabel. Metode ini
cenderung digunakan untuk mengkombinasi cluster-cluster
dengan jumlah kecil.
5) Centroid entry and enter methods Jarak antara dua cluster
adalah jarak antar centroid cluster tersebut. Centroid cluster
adalah nilai tengah observasi pada variabel dalam suatu set
variabel cluster. Keuntungannya adalah outlier hanya sedikit
berpengaruh jika dibandingkan dengan metode lain.
b) Metode Divisive
Metode ini berlawanan dengan metode aglomerasi, pertama-tama
mulai dengan satu kelompok besar mencakup semua objek.
Selanjutnya objek yang memiliki ketidakmiripan besar dipisahkan
sehingga membentuk kelompok yang lebih kecil. Pemisahan ini
dilanjutkan hingga mencapai sejumlah kelompok yang diinginkan.
B. Metode Non-Hirarki
 Memulai pengelompokkan dengan menentukan terlebih dahulu jumlah
cluster yang diinginkan (dua, tiga, atau yang lain). Setelah jumlah
cluster ditentukan, maka proses cluster dilakukan dengan tanpa
mengikuti proses hirarki. Metode ini biasa disebut “K-Means Cluster”.
1) Sequential Threshold Procedure
Metode pengelompokan ini terlebih dahulu memilih satu objek
dasar yang akan menjadi nilai awal kelompok, lalu semua objek
yang ada didalam jarak terdekat dengan kelompok ini akan
bergabung, kemudian dipilih kelompok kedua dengan prosedur
yang sama.
2) Paralel Threshold Procedure
Prinsipnya sama dengan prosedur sekunsial, hanya saja dilakukan
pemilihan terhadap beberapa objek sekaligus lalu melakukan
penggabungan objek ke dalamnya secara bersamaan.
3) Optimizing Merupakan pengembangan dari kedua prosedur diatas
dengan melakukan optimasi pada penempatan objek
5. Interpretasi
a) Mendeskripsikan profil cluster yang terbentuk
b) Pada tahap ini perlu diperhatikan karakteristik apa yang membedakan
masing-masing kelompok yang disesuaiakan dengan tujuan awal
analisis. Dimana perlu spesifikasi kriteria.
6. Validasi
Pengujian dapat dilakukan dengan membandingkan hasil yang diperoleh
dengan algoritma yang berbeda. Misalnya yang pertama menggunakan
teknik hirarki, maka tahap selanjutnya coba gunakan teknik non hirarki.
Bila hasilnya berbeda, maka kelompok yang terbentuk tersebut belum
valid dan tidak dapat diterapkan secara umum, begitu sebaliknya.

2.3 Manfaat Analisis Cluster

Manfaat analsis Cluster adalah sebagai berikut:
1) Untuk menerapkan dasar-dasar pengelompokan dengan lebih konsisten.
2) Untuk mengembangkan suatu metode generalisasi secara innduktif, yaitu
pengambilan kesimpulan secara umum dengan berdasarkan fakta-fakta
khusus.
3) Menemukan tipologi yang cocok dengan karakter obyek yang diteliti.
4) Mendiskripsikan sifat-sifat/karakteristik dari masing-masing kelompok.
 BAB III

PEMBAHASAN

Proximity Matrix
Euclidean Distance
2:Ci 3:Je 4:Je 5:Jo 6:K 7:K 9:Lu
1:Bany anju mbe par mban edir udu 8:Kulo majan 10:Maj
Case uwangi r r a g i s nprogo g alengka
1:Bany 2.06 5.57 4.0 5.4 5.0
.000 1.700 2.974 1.812 2.727
uwangi 6 0 95 46 30
2:Cianj 4.87 4.1 4.3 4.3
2.066 .000 1.949 3.537 1.480 2.038
ur 1 89 29 43
3:Jemb 4.87 2.8 2.4 2.9
5.570 .000 4.965 3.732 5.593 3.487
er 1 07 27 90
4:Jepar 4.18 2.80 .00 4.2 3.3
4.095 4.043 1.723 4.756 3.117
a 9 7 0 94 33
5:Jomb 1.94 4.96 4.0 4.5 4.9
1.700 .000 3.064 1.338 2.191
ang 9 5 43 56 00
6:Kedir 4.32 2.42 4.2 .00 3.4
5.446 4.556 4.744 4.861 3.475
i 9 7 94 0 62
7:Kudu 4.34 2.99 3.3 3.4 .00
5.030 4.900 3.520 5.336 3.372
s 3 0 33 62 0
8:Kulo 3.53 3.73 1.7 4.7 3.5
2.974 3.064 .000 3.992 2.693
nprogo 7 2 23 44 20
9:Luma 1.48 5.59 4.7 4.8 5.3
1.812 1.338 3.992 .000 2.591
jang 0 3 56 61 36
10:Maj 2.03 3.48 3.1 3.4 3.3
2.727 2.191 2.693 2.591 .000
alengka 8 7 17 75 72
This is a dissimilarity matrix

Agglomeration Schedule
Stage Cluster First
Cluster Combined Appears
Cluster Cluster Next
Stage 1 2 Coefficients Cluster 1 Cluster 2 Stage
1 5 9 1.338 0 0 2
2 2 5 1.480 0 1 3
3 1 2 1.700 0 2 5
4 4 8 1.723 0 0 7
5 1 10 2.038 3 0 7
6 3 6 2.427 0 0 8
7 1 4 2.693 5 4 8
8 1 3 2.807 7 6 9
9 1 7 2.990 8 0 0

Cluster Membership
Case 4 Clusters 3 Clusters 2 Clusters
1:Banyuwangi 1 1 1
2:Cianjur 1 1 1
3:Jember 2 2 1
4:Jepara 3 1 1
5:Jombang 1 1 1
6:Kediri 2 2 1
7:Kudus 4 3 2
8:Kulonprogo 3 1 1
9:Lumajang 1 1 1
10:Majalengka 1 1 1
http://directory.umm.ac.id/Data%20Elmu/pdf/ANALISIS_CLUSTER_MODIF.pd
f
https://swanstatistics.com/analisis-cluster-dengan-menggunakan-spss/
https://www.academia.edu/25676274/BAB_II_Landasan_Teori_SPSS_dan_Anali
sis_Cluster