A.

Latar Belakang
Kajian Sosial Ekonomi Provinsi Sulawesi Selatan
Kata sosial ekonomi mengandung pengertian sebagai sesuatu yang non moneter sifatnya
yang bertalian dengan kualitas kehidupan insani, sedangkan ekonomi dijelaskan sebagai lawan
dari pengertian sosial yaitu dilibatkan kaitannya dengan uang.21 Pengertian status sosial
ekonomi mempunyai makna suatu keadaan yang menunjuk pada kemampuan finansial keluarga
dan perlengkapan material yang dimiliki, dimana keadaan ini bertaraf baik, cukup, dan kurang.
Lingkungan sosial ekonomi penduduk adalah lingkungan manusia dalam hubungan sosial
dengan sesamanya dalam memenuhi kebutuhan hidupnya. Tinjauan sosial ekonomi penduduk
meliputi aspek sosial, aspek sosial budaya, dan aspek Desa yang bekaitan dengan kelembagaan
dan aspek peluang kerja. aspek ekonomi dan peluang kerja berkaitan erat dengan masalah
kesejahteraan masyarakat. Kecukupan pangan dan keperluan ekonomi bagi masyarakat baru
terjangkau bila pendapatan rumah tangga mereka cukup untuk menutupi keperluan rumah tangga
dan pengembangan usaha-usahanya.
1. Kajian Sosial
Dalam Kamus Besar Bahasa Indonesia, kata sosial berarti segala sesuatu yang
berkenaan dengan masyarakat23. Sedangkan kata sosial menurut Depsos adalah segala
sesuatu yang dipakai sebagai acuan dalam berinteraksi antar manusia dalam konteks
masyarakat atau komuniti, sebagai acuan berarti sosial bersifat abstrak yang berisi
simbol-simbol berkaitan dengan pemahaman terhadap lingkungan, dan berfungsi
mengatur tindakan-tindakan yang dimunculkan oleh individu-individu sebagai anggota
suatu masyarakat. Keadaan sosial masyarakat yang dimaksudkan di sini tidak hanya
berbicara mengenaiinteraksi sosial, tentang bagaimana masyarakat yang satu berinteraksi
dengan masyarakat lainnya. Akan tetapi membahas tentang bagaimana keadaan
kehidupan sosial pada umumnya di kalangan masyarakat Provinsi Sulawesi Selatan.
Seperti halnya aspek pendidikan, kesehatan, dan kependudukan.
2. Kajian Ekonomi
Dalam Kamus Besar Bahasa Indonesia, ekonomi berarti ilmu yang mengenai
asas-asas produksi, distribusi dan pemakaian barang-barang serta kekayaan (seperti
keuangan, perindustrian dan perdagangan). Istilah ekonomi berasal dari bahasa Yunani
yaitu oikos dan nomos. Oikos berarti rumah tangga (house-hold), sedang nomos berarti
 aturan, kaidah atau pengelolaan. Dengan demikian, secara sederhana ekonomi dapat
diartikan sebagai kaidah-kaidah, aturan-aturan yang mengatur suatu rumah tangga24.
Kualitas pertumbuhan ekonomi berpengaruh terhadap kesejahteraan masyarakat.
Pertumbuhan ekonomi biasanya diikuti oleh pengurangan kemiskinan, peningkatan
Indeks Pembangunan Manusia (IPM), serta perluasan lapangan kerja.Peningkatan
pertumbuhan perekonomian Sulawesi Selatan di perkirakan terjadi pada sektor pertanian,
pengadaan listrik/gas, kontruksi dan jasa kesehatan/kegiatan sosial. Pertumbuhan
ekonomi Sulawesi Selatan pada triwulan pertama 2016 tercatat 7,41 % atau menduduki
peringkat ketiga pertumbuhan ekonomi terbaik secara Nasional. Jumlah penduduk miskin
2 tahun terakhirpun mengalami penurunan secara drastis, pada tahun 2015 tercatat
sebanyak 864,51 ribu jiwa penduduk miskin yang berada di Sulawesi Selatan sementara
pada tahun 2016 mengalami penurunan sebanyak 57,48 ribu jiwa yang berarti penduduk
miskin yang tersebar pada Provinsi Sulawesi Selatan pada tahun 2016 sebanyak 807,03
ribu jiwa25. Kehidupan sosial ekonomi harus di pandang sebagai sistem (sistem sosial)
yaitu satu keseluruh bagian-bagian atau unsur-unsur yang saling berhubungan dalam satu
kesatuan. Kehidupan sosial adalah kehidupan bersama manusia atau kesatuan manusia
yang hidup dalam suatu pergaulan. Interaksi ini pertama sekali terjadi pada keluarga
dimana ada terjadi hubungan antara ayah, ibu dan anak. Dari adanya interaksi dari
anggota keluarga maka akan muncul hubungan dengan masyarakat luar. Pola hubungan
interaksi ini tentu saja dipengaruhi lingkungan dimana masyarakat tersebut bertempat
tinggal. Di dalam masyarakat pedesaan kita ketahui interaksi yang terjadi lebih erat
dibandingkan di perkotaan. Pada masyarakat yang hidup di perkotaan hubungan interaksi
biasanya lebih di eratkan oleh status, jabatan atau pekerjaan yang dimiliki. Hal ini
menyebabkan terjadinya stratifikasi sosial di dalam masyarakat.
Konsep Sosial Ekonomi Rumah Tangga
Rumah tangga adalah seseorang atau sekelompok orang yang mendiami sebagian atau
seluruh bangunan fisik atau sensus dan umumnya tinggal bersama serta makan dari satu dapur.
Rumah tangga biasanya terdiri dari ibu, bapak dan anak, selain itu yang dimaksud dengan satu
dapur adalah bahwa pembiayaan keperluan jika pengurusan kebutuhan sehari-hari dikelola
bersama26. Sementara rumah tangga menurut Ensiklopedia Nasional jilid ke-1, yang dimaksud
dengan rumah adalah tempat tinggal atau bangunan untuk tinggal manusia. Sementara rumah
tangga memiliki pengertian tempat tinggal beserta penghuninya dan apa-apa yang ada di
dalamnya. Rumah tangga adalah unit perumahan dasar di mana produksi ekonomi, konsumsi,
warisan, membesarkan anak, dan tempat tinggal yang teroganisasi dan dilaksanakan. Dalam hal
ilmu ekonomi, rumah tangga adalah seseorang atau sekelompok orang yang tinggal di kediaman
yang sama. Istilah rumah tangga dan keluarga sendiri sering dicampur adukkan dalam kehidupan
sehari-hari. Pengertian rumah tangga lebih mengacu pada bubungan kekerabatan, fungsi sosial
dan lain sebagainya.Agar kehidupan keluarga di dalam sebuah rumah tangga berjalan dengan
baik, maka perlu dikembangkan pengelolaan yang disebut manajemen rumah tangga. Di dalam
manajemen rumah tangga terdapat tiga unsur pokok, yang dalam praksinya merupakan suatu
proses.
Analisis cluster dapat digunakan sebagai sebuah alat untuk mendapatkan pengetahuan
mengenai penyebaran/pola data. Analisis cluster meruoakan salah satu teknik interdependensi
yang dapat menggambarkan kedekatan jarak atau kemiripan antara objek dan variabel. Analisis
cluster juga dapat digunakan untuk menyimpulkan data sehingga menemukan kelompok yang
“natural” atau “real”. Analisis cluster dapat diaplikasikan pada berbagai masalah, salah satu
diantaranya adalah riset pasar. Selain itu, analisis cluster juga dapat digunakan untuk mendeteksi
adanya penyimpangan data yang ekstrim dari sekelompok data.
Analisis terbagi atas 2 metode, yaitu hirarki dan non-hirarki. Dalam metode hirarki
terdapat beberapa metode antara lain metode complete linkage, average linkage, single linkage
dan ward linkage. Metode ini diterapkan dalam pengelompokkan kabupaten/kota di Provinsi
Sulawesi Selatan. Tujuaannya adalah untuk mengelompokkan Kabupaten-kabupaten berdasarkan
tingkat kesejahteraan sosial ekonomi rumah tangga di Provinsi Sulawesi Selatan.
Ketika berbicara mengenai Sosial-Ekonomi, ada beberapa faktor yang sangat mendasar
tentang hal ini dan salah satu diantaranya adalah faktor kemiskinan. Sebuah masalah yang selalu
populer setiap waktu yang sampai sekarang belum bisa teratasi, bahkan dengan adanya program-
program pemerintah untuk mengatasinya. Untuk mengenali keadaan individu atau kelompok,
maka dilakukan pengklasifikasian berdasarkan kondisi tingkat kesejahteraan sosial ekonomi
masyarakat. Pengelompokkan masyarakat berdasarkan sosial ekonomi, dapat dilakukan
menggunakan metode atau analisis clustering. Pada prinsipnya analisis cluster merupakan
metode untuk pengelompokkan, dimana suatu kelompok mempunyai ciri yang relatif sama
(homogen), sedangkan antar kelompok memiliki ciri yang berbeda. Pada umumnya suatu objek
dimasukkan ke dalam suatu klaster atau kelompok sehingga lebih cenderung berhubungan
(berkorelasi) dengan objek lainnya di dalam klastermya daripada dengan objek dari klaster lain.
Pembentukan klaster didasarkan pada kuat tidaknya hubungan antar objek. Pengelompokkan ini
dilakukan untuk mengenali bagaimana tingkat kemampuan rumah tangga di provinsi Sulawesi
Selatan, yang sekiranya dapat dijadikan patokan oleh pelaku kebijakan bagaimana memperbaiki
perekonomian masyarakat guna mengatasi ketimpangan sosial di Sulawesi Selatan.Hal ini
dikarenakan program penyeragaman di setiap daerah, padahal telah jelas jika dilihat dari
penggambaran wilayah di Sulawesi Selatan baik secara topografi, demografi maupun klimatologi
di setiap Kabupaten berbeda-beda dan sudah pasti karakteristik serta kebutuhannyapun berbeda.
Hal ini yang ini dilakukan dengan pengaplikasian analisis cluster, untuk mengelompokkan
tingkat kesejahteraan kabupaten berdasarkan sosial ekonomi rumah tangga di wilayah Provinsi
Sulawesi Selatan.
B. Pembahasan
Sebelum proses perhitungan data, terlebih dahulu dilakukan pengumpulan data.
Pengumpulan data dilakukan secara tidak langsung atau data diperoleh dari pihak lain yaitu
Badan Pusat Statistik (BPS) provinsi Sulawesi Selatan. Data yang digunakan yaitu data Survey
Sosial Ekonomi (SUSENAS) tahun 2015 provinsi Sulawesi Selatan. Adapun datanya sebagai
berikut :

X1 X2 X3 X4 X5 X6 X7 X8
142 1180 3463518.39 13.13 32.45 68.08 114.85 8.01
353 5403 8345258.97 8.37 13.47 72.62 106.27 3.73
461 2274 4936799.21 9.68 19.59 74.59 107.12 5.71
391 4229 6139984.72 15.31 28.28 65.4 115.16 4.08
501 3540 5809961.86 9.62 20.37 70.3 111.67 4.24
377 7711 12001822.23 8 7.09 72.04 111.96 2.82
288 989 6482804.65 9.56 18.13 72.83 106.1 5.42
207 6768 14750537.13 11.93 20.68 73.55 106.74 3.34
288 12792 15921625.29 16.38 22.89 69.16 116.09 5.75
145 1393 4396905.91 9.74 8.97 69.52 107.6 5.64
162 16834 19739118.19 10.88 21.01 70.56 105.93 4.12
166 2381 6176042.67 8.76 7 71.93 110.42 6.03
156 8064 13568435.36 7.74 8.7 72.11 111.43 4.7
152 6957 8036275.87 5.82 8.94 73.38 113.07 3.91
186 4243 11358262.74 8.2 8.49 72.81 110.89 3.52
111 1288 4617892.09 13.9 14.07 75.66 108.78 5.23
116 7319 9006389.38 13.95 30.52 74.68 107.56 4.85
111 3944 4276516.28 12.77 7.75 74.28 106.25 7.39
40 2459 7558980.96 14.31 22.69 72.03 106.21 3.74
39 9962 20363594.99 7.67 15.98 71.29 109.35 4.46
195 3706 5045163.33 15.1 2.94 73.66 113.65 8.01
8131 65623 100026504.93 4.48 1.04 74.38 106.02 2.41
1378 4166 4428046.48 5.88 4.21 75.04 106.01 3.51
666 5540 4743817.54 8.8 6.57 72.03 109.55 5.34
 Adapun variabel yang digunakan pada penelitian ini adalah sebagai berikut:
a. Kepadatan Penduduk (X1)
b. Jumlah Pengangguran (X2)
c. PDRB Perkapita Atas Dasar Harga Yang Berlaku (X3)
d. Jumlah Persentase Penduduk Miskin (X4)
e. Persentase Rumah Tangga Yang Tidak Memiliki Fasilitas BAB (X5)
f. Angka Harapan Hidup (X6)
g. Angka Partisipasi Kasar (APK) Sekolah Dasar (X7)
h. Persentase Proporsi Puskesmas (X8)
 Definisi Operasional Variabel
a. Kepadatan Penduduk(X1)
Kepadatan penduduk adalah suatu perbandingan antara jumlah penduduk dengan
luas daerah setiap Kabupaten di Provinsi Sulawesi Selatan.
b. Jumlah Pengangguran (X2)
Jumlah pengangguran adalah sekolompok orang atau penduduk di wilayah
provinsi Sulawesi Selatan yang masuk dalam angkatan kerja yang ingin bekerja atau
sedang mencari pekerjaan tetapi belum mendapatkannya
c. PDRB Perkapita Atas Dasar Harga Yang Berlaku (X3)
PDRB perkapita atas dasar harga yang berlaku merupakan jumlah nilai tambah
bruto yang timbul dari seluruh sektor perekonomian di wilayah Provinsi Sulawesi
Selatan. Adapun nilai tambah bruto mencakup komponen-komponen faktor
pendapatan (upah, sewa tanah, serta keuntungan), penyusustan dan pajak tidak
langsung neto.
d. Jumlah Persentase Penduduk Miskin (X4)
Persentase jumlah penduduk miskin merupakan jumlah keluarga (penduduk) yang
pendapatan perkapitanya perbulan di bawah garis kemiskinan.
 e. Persentase Rumah Tangga Yang Tidak Memiliki Fasilitas BAB (X5)
Persentase dari jumlah rumah tangga dalam Kabupaten/Kota yang tidak memiliki
fasilitas Buang Air Besar sendiri.
f. Angka Harapan Hidup (X6)
Angka harapan hidup adalah rata-rata perkiraan atau ekspektasi dari usia bayi
yang baru lahir mencapai kematiannya. Selain itu, angka harapan hidup merupakan
sarana evaluasi kinerja pemerintah dalam meningkatkan kesejahteraan penduduk pada
umumnya di wilayah Provinsi Sulawesi Selatan.
g. Angka Partisipasi Kasar (APK) Sekolah Dasar (X7)
Angka partisipasi kasar adalah proporsi anak yang bersekolah tepat waktu tingkat
sekolah dasar untuk penduduk usia 7-12 tahun dalam Kabupaten/Kota.
h. Persentase Proporsi Puskesmas(X8)
Persentase Proporsi puskesmas adalah persentase jumlah puskesmas yang ada di
dalam Kabupaten/Kota dibagi dengan jumlah penduduk.
a. Pengolahan Data
1. Langkah pertama input data
2. Langkah kedua yaitu Lakukan standarisasi data
Mengingatdata yang terkumpul mempunyai variabilitas satuan, maka perlu dilakukan
langkah standardisasi atau transformasi terhadap variable yang relevan kebentuk zscore,
sebagaiberikut:
 Setelah keseluruhan data yang dikumpulkan tersebut diatas dientry dalam
program SPSS, selanjutnya klik menu “analyze” dan pilih sub menu
“DescriptivesStatistics” lalu“Descriptives
 Masukkan kedalam kotak VARIABLES seluruh variable instrument penilai,
yaitu variable jumlah pendapatan, jumlah pinjaman, jumlah dana hibah, jumlah
konsumsi,dan jumlah penduduk. (dalam hal ini variable kota tidak dimasukkan
karena data bertipe string).Kemudian aktifkan bagian“Save standardized values as
Variables”. Abaikan bagian yang lain lalu tekan OK.
Outputnya yaitu :
Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

x1 24 39.00 8131.00 615.0833 1624.85970
x2 24 989.00 65623.00 7865.2083 12884.14673
x3 3463518.3 10002650 12549760. 19274798.079
24
9 4.93 7988 44
x4 24 4.48 16.38 10.4158 3.30319
x5 24 1.04 32.45 14.6596 8.93135
x6 24 65.40 75.66 72.1637 2.41525
x7 24 105.93 116.09 109.5283 3.31605
x8 24 2.41 8.01 4.8317 1.49858
Valid N (listwise) 24

Dengan hasil dari data yang telah distandarisasi sebagai berikut.

3. Langkah ketiga yaitu lakukan analisis cluster

a) Metode non hirarkis (K-means Cluster)
 Dari tampilan data yang tertera (hasil standardisasi/transformasi), buka menu
“Analyze”, lalu pilih sub menu “Classify” dan pilih“K-Means Cluster...”
 Masukkan seluruh variable Z-Score kedalam kotak VARIABLES. Number of
Clusters dalam hal ini diisi menurut jumlah cluster yang akan dibentuk dalam
penelitian yang dimaksud. •Misal diiisi 3, berarti diharapkan akan dibentuknya 3
cluster.•Kemudian klik mouse pada kotak “Save...”
 Aktifkan kedua kotak dalam menu Save, yaitu “Cluster membership” dan
“Distance from cluster center”.•Selanjutnya tekan tombol “Continue” untuk
kembali ke menu utama.

 Pada bagian Statistics, aktifkan“Initial cluster centers” dan“ANOVA table”.

Abaikan bagian yang lain, lalu tekan“Continue” untuk kembali ke menu utama.
Diperoleh output sebagai berikut.
Initial Cluster Centers

Cluster
1 2
Zscore(x1) -.29115 4.62558
Zscore(x2) -.51887 4.48286
Zscore(x3) -.47141 4.53840
Zscore(x4) .82168 -1.79700
Zscore(x5) 1.99191 -1.52492
Zscore(x6) -1.69082 .91761
Zscore(x7) 1.60482 -1.05799
Zscore(x8) 2.12090 -1.61598

Iteration History(a)

Change in Cluster
Centers

Iteration 1 2
1 3.561 .000
2 .148 .000
3 .006 .000
4 .000 .000
5 1.07E-005 .000
6 4.47E-007 .000
7 1.86E-008 .000
8 7.76E-010 .000
9 3.24E-011 .000
10 1.35E-012 .000
a Iterations stopped because the maximum number of iterations was performed. Iterations failed to converge. The
maximum absolute coordinate change for any center is 7.44E-013. The current iteration is 10. The minimum distance
between initial centers is 11.017.

Final Cluster Centers

Cluster
1 2
Zscore(x1) -.20111 4.62558
Zscore(x2) -.19491 4.48286
Zscore(x3) -.19732 4.53840
Zscore(x4) .07813 -1.79700
Zscore(x5) .06630 -1.52492
Zscore(x6) -.03990 .91761
Zscore(x7) .04600 -1.05799
Zscore(x8) .07026 -1.61598

ANOVA

Cluster Error F Sig.

 Mean Square df Mean Square df Mean Square df
Zscore(x1)
22.326 1 .031 22 729.009 .000
Zscore(x2)
20.970 1 .092 22 227.230 .000
Zscore(x3)
21.493 1 .069 22 313.677 .000
Zscore(x4)
3.370 1 .892 22 3.776 .065
Zscore(x5)
2.426 1 .935 22 2.595 .121
Zscore(x6)
.879 1 1.006 22 .874 .360
Zscore(x7)
1.168 1 .992 22 1.177 .290
Zscore(x8)
2.725 1 .922 22 2.957 .100

The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the
differences among cases in different clusters. The observed significance levels are not corrected for this and thus
cannot be interpreted as tests of the hypothesis that the cluster means are equal.

Number of Cases in each Cluster

Cluster 1 23.000
2 1.000
Valid 24.000
Missing 1.000

b) Metode hirarkis
 Masih dengan data sebelumnya, yang merupakan hasil standardisasi, buka menu
“Analyze” lalu pilih sub menu “Classify” kemudian “Hierarchical Cluster...”
hingga muncul tampilan seperti berikut ini :
 Masukkan seluruh variabel yang telah distandardkan (Z-score) ke dalam bagian
“Variable(s)”. Untuk bagian “Label Cases by” isi dengan variabel ket; sedangkan
untuk bagian “Cluster” pilih Cases; pada bagian “Display” pilih keduanya yaitu
Statistics dan Plots.

 Klik pada kotak statistics,lalu aktifkan menu berikut.

 Klik plots,lalu aktifkan menu berikut

 Klik methods,lalu aktifkan menu berikut

Diperoleh output sebagai berikut :

Proximities
Case Processing Summary(a)

Cases
Valid Missing Total
N Percent N Percent N Percent
24 96.0% 1 4.0% 25 100.0%
a Squared Euclidean Distance used

Cluster

Case 1:A 2:B 3:C 4:D 5:E 6:F 7:G 8:H 9:I
1:A .000 25.166 18.270 8.870 11.149 26.391 17.589 23.223 5.966
2:B 25.166 .000 3.198 23.364 4.477 3.962 1.812 2.179 20.117
3:C 18.270 3.198 .000 25.420 6.020 9.497 .719 3.584 17.626
4:D 8.870 23.364 25.420 .000 8.994 19.888 22.117 20.100 4.916
5:E 11.149 4.477 6.020 8.994 .000 4.090 4.660 5.183 8.091
6:F 26.391 3.962 9.497 19.888 4.090 .000 8.348 6.757 16.561
7:G 17.589 1.812 .719 22.117 4.660 8.348 .000 3.037 17.059
8:H 23.223 2.179 3.584 20.100 5.183 6.757 3.037 .000 15.941
9:I 5.966 20.117 17.626 4.916 8.091 16.561 17.059 15.941 .000
10:J 15.604 4.014 5.887 16.789 4.195 7.097 3.180 7.830 14.201
 11:K 19.322 3.246 6.097 16.248 4.795 8.304 3.894 2.644 13.867
12:L 15.970 4.623 4.351 20.695 4.384 5.138 3.631 8.485 13.675
13:M 19.021 3.337 5.467 19.471 3.023 1.665 4.765 6.602 13.480
14:N 24.673 5.202 7.895 24.346 4.944 1.492 8.054 9.066 18.429
15:O 23.888 2.324 5.880 20.842 3.444 .540 5.160 4.882 16.190
16:P 20.935 6.128 2.616 25.138 8.389 9.976 3.997 4.096 14.915
17:Q 17.165 7.980 3.760 20.620 8.170 14.968 4.886 2.977 13.792
18:R 21.195 8.701 4.039 31.530 12.776 15.489 4.463 9.924 19.413
19:S 18.963 4.450 5.098 15.426 5.515 10.346 3.736 1.324 13.336
20:T 17.499 2.078 4.613 17.117 2.169 3.176 3.190 4.151 13.326
21:U 16.787 18.893 12.588 26.854 15.219 17.779 14.048 19.232 12.246
22:V 121.374 72.021 82.554 111.837 83.516 69.649 82.491 74.696 96.976
23:W 39.878 3.123 6.932 39.479 11.857 6.100 6.655 8.044 33.134
24:X 18.741 2.878 3.998 20.941 3.947 3.620 3.110 6.647 14.689
This is a dissimilarity matrix

Average Linkage (Between Groups)

Agglomeration Schedule

Stage Cluster First

Cluster Combined Coefficients Appears Next Stage

Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2 Cluster 1 Cluster 2

1 12 24 .445 0 0 4
2 6 15 .540 0 0 5
3 3 7 .719 0 0 11
4 12 13 1.185 1 0 8
5 6 14 1.322 2 0 12
6 8 19 1.324 0 0 9
7 2 20 2.078 0 0 10
8 10 12 2.501 0 4 12
9 8 17 2.913 6 0 17
10 2 11 3.003 7 0 13
11 3 16 3.306 3 0 14
12 6 10 3.798 5 8 15
13 2 5 3.814 10 0 15
14 3 18 4.050 11 0 17
15 2 6 4.564 13 12 18
16 4 9 4.916 0 0 19
17 3 8 5.554 14 9 20
18 2 23 7.220 15 0 20
19 1 4 7.418 0 16 22
20 2 3 7.790 18 17 21
21 2 21 14.670 20 0 22
22 1 2 19.448 19 21 23
23 1 22 83.356 22 0 0

Cluster Membership

Case 4 Clusters 3 Clusters 2 Clusters

1:A 1 1 1
2:B 2 2 1
3:C 2 2 1
4:D 1 1 1
5:E 2 2 1
6:F 2 2 1
7:G 2 2 1
8:H 2 2 1
9:I 1 1 1
10:J 2 2 1
11:K 2 2 1
12:L 2 2 1
13:M 2 2 1
14:N 2 2 1
15:O 2 2 1
16:P 2 2 1
17:Q 2 2 1
18:R 2 2 1
19:S 2 2 1
20:T 2 2 1
21:U 3 2 1
22:V 4 3 2
23:W 2 2 1
24:X 2 2 1

Dendrogram

* * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * *
*

Dendrogram using Average Linkage (Between Groups)

Rescaled Distance Cluster Combine

C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
 L 12 òø
X 24 òú
M 13 òôòø
J 10 ò÷ ó
F 6 òø ó
O 15 òôòú
N 14 ò÷ ùòø
B 2 òø ó ó
T 20 òôòú ó
K 11 ò÷ ó ó
E 5 òòò÷ ó
W 23 òòòòòôòòòø
H 8 òø ó ó
S 19 òôòø ó ó
Q 17 ò÷ ó ó ó
C 3 òø ùò÷ ùòø
G 7 òôòú ó ó
P 16 ò÷ ó ó ó
R 18 òòò÷ ó ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
U 21 òòòòòòòòò÷ ó ó
D 4 òòòûòø ó ó
I 9 òòò÷ ùòòòòò÷ ó
A 1 òòòòò÷ ó
V 22 òòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷

DENDOGRAM USING SINGLE LINKAGE