NAMA : VIRGILIUS DATON BALAMAKIN

TUGAS ANALISIS MULTIVARIAT

KELAS A KMMI-MULTIVARIAT&SEM

Carilah data multivariat untuk dianalisis dengan analisis cluster,

1. Jelaskan problem data.

2. Lakukan analisis cluster menggunakan metode herarki dan K-Means.
3. Bandingkan hasilnya dan interpretasikan.

Jawaban

1. Data yang saya gunakan adalah data pendidikan di indonesia yang di ammbil dari laman BPS, disini saya mengambil data Angka

partisipasi sekolah pada tahun 2012 dari ke-34 provinsi yang ada di Indonesia (SD, SMP, SMA, PT)

Berikut adalah datanya:

Pendidikan Indonesia BPS 2011-2017

Angka Partisipasi Sekolah 2012

Provinsi SD SMP SMA PT

ACEH 99.36 94.34 74.59 28.55
SUMATERA UTARA 98.60 90.83 69.86 17.27
SUMATERA BARAT 98.34 90.50 71.24 27.55
RIAU 98.13 88.01 66.55 15.81
JAMBI 98.70 91.11 59.71 15.22
SUMATERA SELATAN 98.11 88.75 58.66 13.91
BENGKULU 98.97 93.22 67.76 19.64
LAMPUNG 98.64 90.00 60.43 11.90
KEP. BANGKA BELITUNG 97.72 84.09 52.02 9.30
KEP. RIAU 98.44 94.93 70.94 10.14
DKI JAKARTA 99.04 94.07 61.87 18.02
JAWA BARAT 98.36 88.68 56.30 12.25
JAWA TENGAH 98.87 89.59 58.65 11.83
DI YOGYAKARTA 99.77 98.35 80.04 44.69
JAWA TIMUR 98.65 91.62 61.87 14.59
BANTEN 98.26 91.10 59.80 15.97
BALI 99.18 95.04 71.44 18.99
NUSA TENGGARA BARAT 98.18 91.25 61.07 17.82
NUSA TENGGARA TIMUR 96.15 88.62 61.92 17.92
KALIMANTAN BARAT 96.66 85.52 55.13 14.17
KALIMANTAN TENGAH 98.62 85.68 55.06 14.04
KALIMANTAN SELATAN 97.85 85.62 58.16 16.48
KALIMANTAN TIMUR 99.12 96.32 71.73 20.33
KALIMANTAN UTARA - - - -
SULAWESI UTARA 98.16 88.34 65.28 16.12
SULAWESI TENGAH 96.87 85.81 61.05 16.74
SULAWESI SELATAN 97.62 87.85 62.16 23.17
SULAWESI TENGGARA 97.57 88.25 65.04 23.62
GORONTALO 97.74 82.91 59.37 20.46
SULAWESI BARAT 96.19 82.17 56.80 14.65
MALUKU 98.27 94.76 68.33 28.98
MALUKU UTARA 98.31 90.83 69.01 21.79
PAPUA BARAT 95.59 91.13 65.04 20.03
PAPUA 75.45 69.07 50.01 13.86
Sumber data Badan pusat statistik.
 2. Lakukan analisis cluster ;

 Metode Herarki

Hasil Output yang saya dapatkan setelah saya olah dengan softwere SPSS :

Buka Aplikasi SPSS, setelah itu buat variabel dantipe datanya, seperti gambar di bawah ini

Lakukan entri data sesuai dengan studi kasus di atas.

Lakukan Transformasi atau standardisasi data tersebut. Klik menu AnalyzeàDescriptives StatisticsàDescriptives. Masukkan Seluruh variabel
instrument penilai (dalam hal ini variabel kabupaten tidak dimasukkan karena data bertipe string). Kemudian berikan centang pada “Save
standardized values asvariables“. Kemudian klik OK.
Sehingga muncul output deskriptif statistik. Kemudian pada data view akan terlihat juga hasil dari perhitungan z-score dan hasil z-score inilah
yang akan dipakai sebagai dasar analisis cluster. Namun apabila data yang terkumpul tidak mempunyai variabilitas satuan, maka proses analisis
cluster dapat langsung dilakukan tanpa terlebih dahulu melakukan transformasi atau standardisasi.

Selanjutnya, klik menu Analyzeà  Classifyà  Hierarchical Cluster. Kemudian masukkan seluruh variabel yang telah distandardisasikan
tadi (Z-score) ke dalam kotak Variable(s). pada bagian Label Cases by isi degan variabel Kabupaten sedangkan untuk
bagian Cluster pilih Cases, pada bagian Display pilih keduanya yaitu Statistics dan Plots.

Kemudian klik button Statistics, berikan centang pada Agglomeration Schdule dan Proximity matrix.
kemudian tekan tombol Continue untuk kembali ke menu utama.
Kemudian klik button Plots. Aktifkan pilihan Dendogram, kemudian pada bagian Icicle pilih None. Selanjutnya klik Continue untuk kembali
ke menu utama.

Kemudian klik button Method. Pada bagian Cluster Method pilih Nearest Neighbor. Pada Measure pilih Euclidean distance dan
pada Transform Values pilih Z-score. Lalu tekan tombol Continue untuk kembali ke menu utama. Dari tampilan menu utama, tekan tombol OK.
Pada Cluster Methodakan digunakan beberapa metode

Hasil Output Dengan Menggunakan Metode Single Linkage

Descriptives
[DataSet0]

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

SD 33 75.45 99.77 97.4391 4.05984

SMP 33 69.07 98.35 89.3442 5.31202

SMA 33 50.01 80.04 63.2391 6.78499

PT 33 9.30 44.69 18.3579 6.80228

Valid N
33
(listwise)
CLUSTER
/MATRIX IN('C:\Users\acer\AppData\Local\Temp\spss8080\spssclus.tmp')
/METHOD BAVERAGE
/ID=Provinsi
/PRINT SCHEDULE CLUSTER(2,4)
/PRINT DISTANCE
/PLOT DENDROGRAM
/SAVE CLUSTER(2,4).

Cluster
[DataSet0]

Proximity Matrix
Case Squared Euclidean Distance
1:ACEH 2:SUMATERA
3:SUMATERA
4:RIAU 5:JAMBI 6:SUMATERA
7:BENGKULU
8:LAMPUNG
9:KEP. BAN
10:KEP. RIA
11:DKI JAKA
12:JAWA 13:JAWA
BAR 14:DI
TEN YOGYA
15:JAWA 16:BANTEN
TIM 17:BALI 18:NUSA 19:NUSA
TEN 20:KALIMANT
TEN 21:KALIMANT
22:KALIMANT
23:KALIMANT
24:SULAWESI
25:SULAWESI
26:SULAWESI
27:SULAWESI
28:GORONTAL
29:SULAWESI
30:MALUKU
31:MALUKU
32:PAPUA
U 33:PAPUA
BA
1:ACEH 0,000 3,707 0,851 6,424 9,046 11,347 2,783 11,046 22,960 7,678 5,920 14,205 12,375 6,855 8,019 8,617 2,210 6,882 7,714 15,894 15,526 11,845 1,780 6,585 9,951 5,658 4,015 11,235 16,909 0,934 2,167 4,777 75.103
2:SUMATERA 3,707 0,000 2,333 0,579 2,332 3,137 0,428 2,579 9,943 1,721 1,783 4,706 3,428 20,587 1,564 2,244 0,767 1,702 1,916 6,148 5,923 3,983 1,363 0,716 2,767 2,413 1,676 4,878 6,863 3,568 0,462 1,222 58.105
3:SUMATERA 0,851 2,333 0,000 3,679 6,194 7,570 1,902 7,846 16,702 7,249 4,351 10,025 8,830 10,339 5,587 5,754 2,358 4,314 4,307 10,557 10,459 7,223 2,369 3,762 5,692 2,486 1,384 6,210 10,865 0,872 0,829 2,530 61.905
4:RIAU 6,424 0,579 3,679 0,000 1,384 1,450 1,354 1,300 6,057 2,816 1,933 2,575 1,820 25,931 0,986 1,330 2,556 1,112 0,813 3,242 3,142 1,746 3,531 0,041 0,944 1,606 1,389 2,518 3,531 5,433 1,188 1,171 49.946
5:JAMBI 9,046 2,332 6,194 1,384 0,000 0,280 1,992 0,293 3,847 3,818 0,588 0,659 0,356 29,674 0,119 0,024 3,857 0,203 0,878 1,839 1,545 1,198 4,675 0,981 1,288 1,944 2,509 3,035 3,406 6,189 2,824 1,704 52.095
6:SUMATERA11,347 3,137 7,570 1,450 0,280 0,000 3,261 0,228 2,196 4,943 1,644 0,185 0,154 33,838 0,543 0,317 5,577 0,678 0,812 0,769 0,632 0,499 6,694 1,064 0,697 2,163 2,948 2,155 1,845 8,221 3,825 2,280 46.504
7:BENGKULU 2,783 0,428 1,902 1,354 1,992 3,261 0,000 2,836 10,741 2,291 0,836 4,786 3,589 17,809 1,402 1,857 0,423 1,219 2,037 6,537 6,203 4,341 0,695 1,285 3,373 2,083 1,497 5,402 7,943 2,006 0,363 1,012 61.797
8:LAMPUNG 11,046 2,579 7,846 1,300 0,293 0,228 2,836 0,000 2,972 3,330 1,451 0,440 0,078 34,138 0,294 0,418 4,637 0,835 1,275 1,671 1,387 1,283 5,739 1,007 1,327 3,037 3,608 3,439 2,987 8,472 3,744 2,500 50.593
9:KEP. BAN 22,960 9,943 16,702 6,057 3,847 2,196 10,741 2,972 0,000 11,987 7,386 1,357 2,245 51,584 4,774 4,035 14,600 5,178 4,612 0,863 0,825 2,017 16,488 5,476 3,116 6,893 8,729 3,915 1,388 18,202 11,273 8,202 38.622
10:KEP. RIA 7,678 1,721 7,249 2,816 3,818 4,943 2,291 3,330 11,987 0,000 3,177 6,137 4,364 28,119 2,606 3,952 1,732 3,875 4,805 9,111 8,841 7,509 2,354 3,013 6,163 7,161 6,311 10,359 10,860 7,822 3,611 3,875 65.581
11:DKI JAKA 5,920 1,783 4,351 1,933 0,588 1,644 0,836 1,451 7,386 3,177 0,000 2,451 1,766 23,225 0,476 0,533 2,044 0,341 1,560 4,241 3,855 2,967 2,407 1,541 2,754 2,068 2,228 4,781 6,315 3,555 1,819 1,334 59.341
12:JAWA BAR14,205 4,706 10,025 2,575 0,659 0,185 4,786 0,440 1,357 6,137 2,451 0,000 0,169 38,420 1,104 0,773 7,435 1,401 1,677 0,639 0,426 0,809 8,686 2,082 1,352 3,381 4,498 2,865 1,918 10,503 5,640 3,646 46.388
13:JAWA TEN12,375 3,428 8,830 1,820 0,356 0,154 3,589 0,078 2,245 4,364 1,766 0,169 0,000 36,043 0,539 0,503 5,720 1,029 1,516 1,271 0,931 1,094 6,887 1,439 1,395 3,249 4,057 3,280 2,633 9,361 4,549 3,077 49.911
14:DI YOGYA 6,855 20,587 10,339 25,931 29,674 33,838 17,809 34,138 51,584 28,119 23,225 38,420 36,043 0,000 28,433 28,726 16,290 25,360 26,770 40,030 39,626 33,564 14,496 26,081 30,800 21,141 18,391 30,667 41,290 8,906 16,110 20,937 106.398
15:JAWA TIM 8,019 1,564 5,587 0,986 0,119 0,543 1,402 0,294 4,774 2,606 0,476 1,104 0,539 28,433 0,000 0,153 2,839 0,258 0,938 2,550 2,264 1,691 3,620 0,699 1,503 2,161 2,454 3,619 4,090 5,740 2,257 1,434 53.743
16:BANTEN 8,617 2,244 5,754 1,330 0,024 0,317 1,857 0,418 4,035 3,952 0,533 0,773 0,503 28,726 0,153 0,000 3,742 0,110 0,668 1,803 1,617 1,138 4,513 0,923 1,156 1,641 2,178 2,833 3,319 5,713 2,577 1,385 50.944
17:BALI 2,210 0,767 2,358 2,556 3,857 5,577 0,423 4,637 14,600 1,732 2,044 7,435 5,720 16,290 2,839 3,742 0,000 2,935 4,011 9,878 9,481 7,219 0,099 2,656 5,797 4,228 3,144 8,551 11,475 2,420 0,972 2,237 68.611
18:NUSA TEN 6,882 1,702 4,314 1,112 0,203 0,678 1,219 0,835 5,178 3,875 0,341 1,401 1,029 25,360 0,258 0,110 2,935 0,000 0,511 2,358 2,205 1,353 3,569 0,748 1,178 1,073 1,411 2,690 3,775 4,274 1,717 0,855 51.776
19:NUSA TEN 7,714 1,916 4,307 0,813 0,878 0,812 2,037 1,275 4,612 4,805 1,560 1,677 1,516 26,770 0,938 0,668 4,011 0,511 0,000 1,662 2,024 0,846 4,852 0,563 0,358 0,749 1,041 1,590 2,275 5,145 1,872 0,550 42.979
20:KALIMANT15,894 6,148 10,557 3,242 1,839 0,769 6,537 1,671 0,863 9,111 4,241 0,639 1,271 40,030 2,550 1,803 9,878 2,358 1,662 0,000 0,234 0,401 11,307 2,738 0,910 3,072 4,378 1,558 0,477 11,708 6,604 4,060 37.455
21:KALIMANT15,526 5,923 10,459 3,142 1,545 0,632 6,203 1,387 0,825 8,841 3,855 0,426 0,931 39,626 2,264 1,617 9,481 2,205 2,024 0,234 0,000 0,374 10,919 2,626 1,123 3,124 4,448 1,613 0,869 11,578 6,471 4,549 42.903
22:KALIMANT11,845 3,983 7,223 1,746 1,198 0,499 4,341 1,283 2,017 7,509 2,967 0,809 1,094 33,564 1,691 1,138 7,219 1,353 0,846 0,401 0,374 0,000 8,476 1,372 0,242 1,494 2,380 0,635 0,702 8,595 4,141 2,686 41.740
23:KALIMANT1,780 1,363 2,369 3,531 4,675 6,694 0,695 5,739 16,488 2,354 2,407 8,686 6,887 14,496 3,620 4,513 0,099 3,569 4,852 11,307 10,919 8,476 0,000 3,599 6,978 4,843 3,660 9,807 13,156 1,998 1,315 2,685 71.460
24:SULAWESI 6,585 0,716 3,762 0,041 0,981 1,064 1,285 1,007 5,476 3,013 1,541 2,082 1,439 26,081 0,699 0,923 2,656 0,748 0,563 2,738 2,626 1,372 3,599 0,000 0,725 1,312 1,238 2,221 3,193 5,238 1,218 1,008 49.626
25:SULAWESI 9,951 2,767 5,692 0,944 1,288 0,697 3,373 1,327 3,116 6,163 2,754 1,352 1,395 30,800 1,503 1,156 5,797 1,178 0,358 0,910 1,123 0,242 6,978 0,725 0,000 1,102 1,610 0,704 0,984 7,347 2,946 1,682 40.595
26:SULAWESI 5,658 2,413 2,486 1,606 1,944 2,163 2,083 3,037 6,893 7,161 2,068 3,381 3,249 21,141 2,161 1,641 4,228 1,073 0,749 3,072 3,124 1,494 4,843 1,312 1,102 0,000 0,190 1,194 3,460 3,274 1,404 1,025 47.399
27:SULAWESI 4,015 1,676 1,384 1,389 2,509 2,948 1,497 3,608 8,729 6,311 2,228 4,498 4,057 18,391 2,454 2,178 3,144 1,411 1,041 4,378 4,448 2,380 3,660 1,238 1,610 0,190 0,000 1,926 4,639 2,388 0,684 0,810 49.689
28:GORONTAL 11,235 4,878 6,210 2,518 3,035 2,155 5,402 3,439 3,915 10,359 4,781 2,865 3,280 30,667 3,619 2,833 8,551 2,690 1,590 1,558 1,613 0,635 9,807 2,221 0,704 1,194 1,926 0,000 1,038 8,306 4,300 3,377 39.777
29:SULAWESI16,909 6,863 10,865 3,531 3,406 1,845 7,943 2,987 1,388 10,860 6,315 1,918 2,633 41,290 4,090 3,319 11,475 3,775 2,275 0,477 0,869 0,702 13,156 3,193 0,984 3,460 4,639 1,038 0,000 13,206 7,271 4,967 33.194
30:MALUKU 0,934 3,568 0,872 5,433 6,189 8,221 2,006 8,472 18,202 7,822 3,555 10,503 9,361 8,906 5,740 5,713 2,420 4,274 5,145 11,708 11,578 8,595 1,998 5,238 7,347 3,274 2,388 8,306 13,206 0,000 1,675 2,869 67.215
31:MALUKU U2,167 0,462 0,829 1,188 2,824 3,825 0,363 3,744 11,273 3,611 1,819 5,640 4,549 16,110 2,257 2,577 0,972 1,717 1,872 6,604 6,471 4,141 1,315 1,218 2,946 1,404 0,684 4,300 7,271 1,675 0,000 0,861 57.686
32:PAPUA BA 4,777 1,222 2,530 1,171 1,704 2,280 1,012 2,500 8,202 3,875 1,334 3,646 3,077 20,937 1,434 1,385 2,237 0,855 0,550 4,060 4,549 2,686 2,685 1,008 1,682 1,025 0,810 3,377 4,967 2,869 0,861 0,000 47.585
33:PAPUA 75,103 58,105 61,905 49,946 52,095 46,504 61,797 50,593 38,622 65,581 59,341 46,388 49,911 106,398 53,743 50,944 68,611 51,776 42,979 37,455 42,903 41,740 71,460 49,626 40,595 47,399 49,689 39,777 33,194 67,215 57,686 47,585 0,000
Matrix Proximities

Average Linkage (Between Groups)

Agglomeration Schedule
Cluster Combined Stage Cluster First Appears
Stage Coefficients
Cluster 1 Cluster 2 Cluster 1 Cluster 2 Next Stage
1 5 16 .024 0 0 5
2 4 24 .041 0 0 20
3 8 13 .078 0 0 11
4 17 23 .099 0 0 22
5 5 15 .136 1 0 8
6 6 12 .185 0 0 11
7 26 27 .190 0 0 24
8 5 18 .190 5 0 14
9 20 21 .234 0 0 17
10 22 25 .242 0 0 16
11 6 8 .247 6 3 19
12 7 31 .363 0 0 13
13 2 7 .445 0 12 22
14 5 11 .485 8 0 19
15 19 32 .550 0 0 20
16 22 28 .670 10 0 23
17 20 29 .673 9 0 23
18 1 3 .851 0 0 21
19 5 6 .867 14 11 25
20 4 19 .889 2 15 24
21 1 30 .903 18 0 27
22 2 17 .922 13 4 27
23 20 22 .967 17 16 26
24 4 26 1.146 20 7 25
25 4 5 1.834 24 19 28
26 9 20 2.021 0 23 28
27 1 2 2.274 21 22 29
28 4 9 2.672 25 26 30
29 1 10 4.307 27 0 30
30 1 4 5.892 29 28 31
31 1 14 26.586 30 0 32
32 1 33 53.646 31 0 0
 Cluster Membership
Case 4 Clusters 3 Clusters 2 Clusters
1:ACEH 1 1 1
2:SUMATERA 1 1 1
3:SUMATERA 1 1 1
4:RIAU 2 1 1
5:JAMBI 2 1 1
6:SUMATERA 2 1 1
7:BENGKULU 1 1 1
8:LAMPUNG 2 1 1
9:KEP. BAN 2 1 1
10:KEP. RIA 1 1 1
11:DKI JAKA 2 1 1
12:JAWA BAR 2 1 1
13:JAWA TEN 2 1 1
14:DI YOGYA 3 2 1
15:JAWA TIM 2 1 1
16:BANTEN 2 1 1
17:BALI 1 1 1
18:NUSA TEN 2 1 1
19:NUSA TEN 2 1 1
20:KALIMANT 2 1 1
21:KALIMANT 2 1 1
22:KALIMANT 2 1 1
23:KALIMANT 1 1 1
24:SULAWESI 2 1 1
25:SULAWESI 2 1 1
26:SULAWESI 2 1 1
27:SULAWESI 2 1 1
28:GORONTAL 2 1 1
29:SULAWESI 2 1 1
30:MALUKU 1 1 1
31:MALUKU U 1 1 1
32:PAPUA BA 2 1 1
33:PAPUA 4 3 2

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 +---------+---------+---------+---------+---------+

JAMBI 5 ─┐
BANTEN 16 ─┤
JAWA TIM 15 ─┤
NUSA TEN 18 ─┤
DKI JAKA 11 ─┤
LAMPUNG 8 ─┤
JAWA TEN 13 ─┤
SUMATERA 6 ─┼─┐
JAWA BAR 12 ─┤ │
SULAWESI 26 ─┤ │
SULAWESI 27 ─┤ │
RIAU 4 ─┤ │
SULAWESI 24 ─┤ │
NUSA TEN 19 ─┤ ├─┐
PAPUA BA 32 ─┘ │ │
KALIMANT 22 ─┐ │ │
SULAWESI 25 ─┤ │ │
GORONTAL 28 ─┤ │ │
KALIMANT 20 ─┤ │ │
KALIMANT 21 ─┼─┘ │
SULAWESI 29 ─┤ ├───────────────────┐
KEP. BAN 9 ─┘ │ │
ACEH 1 ─┐ │ │
SUMATERA 3 ─┼─┐ │ │
MALUKU 30 ─┘ │ │ │
BALI 17 ─┐ │ │ ├───────────────────────┐
KALIMANT 23 ─┼─┤ │ │ │
BENGKULU 7 ─┤ ├─┘ │ │
MALUKU U 31 ─┤ │ │ │
SUMATERA 2 ─┘ │ │ │
KEP. RIA 10 ───┘ │ │
DI YOGYA 14 ─────────────────────────┘ │

PAPUA 33 ─────────────────────────────────────────────────┘
  Metode K-Means

Hasil Output yang saya dapatkan setelah saya olah dengan softwere SPSS :

Lakukan Transformasi atau standardisasi data tersebut. Klik menu AnalyzeàDescriptives StatisticsàDescriptives. Masukkan Seluruh
variabel instrument penilai (dalam hal ini variabel kabupaten tidak dimasukkan karena data bertipe string). Kemudian berikan centang
pada “Save standardized values asvariables “. Kemudian klik OK

Sehingga muncul output deskriptif statistik. Kemudian pada data view akan terlihat juga hasil dari perhitungan z-score dan hasil z-score inilah
yang akan dipakai sebagai dasar analisis cluster. Namun apabila data yang terkumpul tidak mempunyai variabilitas satuan, maka proses analisis
cluster dapat langsung dilakukan tanpa terlebih dahulu melakukan transformasi atau standardisasi.

Selanjutnya, klik menu AnalyzeàClassifyàK-Means Cluster. Kemudian masukkan seluruh variabel yang telah distandardisasi ke dalam
kotak Variable(s). pada bagian Label Cases by isi degan variabel Kabupaten sedangkan untuk bagian Number of Clusters masukkan angka 2
sesuai dengan perintah dari soal. Klik pilihan SAVE, beri tanda ceklist pada “Cluster Membership”. Selanjuitnya pilih OK.
Hasil Output analisis cluster dengan Menggunakan SPSS

Quick Cluster
[DataSet0]

Initial Cluster Centers

Cluster
1 2 3
Zscore(SD) .57414 .42881 -5.41624
Zscore(SMP) 1.69535 1.07224 -3.81667
Zscore(SMA) 2.47619 1.20868 -1.94976
Zscore(PT) 3.87107 .09293 -.66123

Iteration Historya
Change in Cluster
Centers
Iteration 1 2 3
1 .000 1.620 .000
2 .000 .000 .000
a. Convergence achieved due to no
or small change in cluster
centers. The maximum absolute
coordinate change for any center
is ,000. The current iteration is
2. The minimum distance between
initial centers is 4,036.

Final Cluster Centers

Cluster
1 2 3
Zscore(SD) .57414 .15620 -5.41624
Zscore(SMP) 1.69535 .06843 -3.81667
Zscore(SMA) 2.47619 -.01698 -1.94976
Zscore(PT) 3.87107 -.10354 -.66123

ANOVA
Cluster Error F Sig.
Mean Mean
Square df Square df
Zscore(SD) 15.211 2 .053 30 289.108 .000
Zscore(SMP) 8.793 2 .480 30 18.302 .000
Zscore(SMA) 4.971 2 .735 30 6.761 .004
Zscore(PT) 7.877 2 .542 30 14.547 .000
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 1.000
2 31.000
3 1.000
Valid 33.000
Missing 1.000

3. Bandingkan hasilnya dan interpretasikan:

 Interpretasi dari hasil outpout yang didapatkan :
Interpretasi output Metode Herarki:

Jumlah Sampel
Dari data di atas, diketahui sampel sebanyak 34, yaitu dari Provinsi Aceh sampai dengan Provinsi Papua. Dan jumlah variabel ada 4, yaitu SD,
SMP, SMA, PT.

Matrix Proximities
Proximity Matrix
Case Squared Euclidean Distance
1:ACEH 2:SUMATERA
3:SUMATERA
4:RIAU 5:JAMBI 6:SUMATERA
7:BENGKULU
8:LAMPUNG
9:KEP. BAN
10:KEP. RIA
11:DKI JAKA
12:JAWA 13:JAWA
BAR 14:DI
TEN YOGYA
15:JAWA 16:BANTEN
TIM 17:BALI 18:NUSA 19:NUSA
TEN 20:KALIMANT
TEN 21:KALIMANT
22:KALIMANT
23:KALIMANT
24:SULAWESI
25:SULAWESI
26:SULAWESI
27:SULAWESI
28:GORONTAL
29:SULAWESI
30:MALUKU
31:MALUKU
32:PAPUA
U 33:PAPUA
BA
1:ACEH 0,000 3,707 0,851 6,424 9,046 11,347 2,783 11,046 22,960 7,678 5,920 14,205 12,375 6,855 8,019 8,617 2,210 6,882 7,714 15,894 15,526 11,845 1,780 6,585 9,951 5,658 4,015 11,235 16,909 0,934 2,167 4,777 75.103
2:SUMATERA 3,707 0,000 2,333 0,579 2,332 3,137 0,428 2,579 9,943 1,721 1,783 4,706 3,428 20,587 1,564 2,244 0,767 1,702 1,916 6,148 5,923 3,983 1,363 0,716 2,767 2,413 1,676 4,878 6,863 3,568 0,462 1,222 58.105
3:SUMATERA 0,851 2,333 0,000 3,679 6,194 7,570 1,902 7,846 16,702 7,249 4,351 10,025 8,830 10,339 5,587 5,754 2,358 4,314 4,307 10,557 10,459 7,223 2,369 3,762 5,692 2,486 1,384 6,210 10,865 0,872 0,829 2,530 61.905
4:RIAU 6,424 0,579 3,679 0,000 1,384 1,450 1,354 1,300 6,057 2,816 1,933 2,575 1,820 25,931 0,986 1,330 2,556 1,112 0,813 3,242 3,142 1,746 3,531 0,041 0,944 1,606 1,389 2,518 3,531 5,433 1,188 1,171 49.946
5:JAMBI 9,046 2,332 6,194 1,384 0,000 0,280 1,992 0,293 3,847 3,818 0,588 0,659 0,356 29,674 0,119 0,024 3,857 0,203 0,878 1,839 1,545 1,198 4,675 0,981 1,288 1,944 2,509 3,035 3,406 6,189 2,824 1,704 52.095
6:SUMATERA11,347 3,137 7,570 1,450 0,280 0,000 3,261 0,228 2,196 4,943 1,644 0,185 0,154 33,838 0,543 0,317 5,577 0,678 0,812 0,769 0,632 0,499 6,694 1,064 0,697 2,163 2,948 2,155 1,845 8,221 3,825 2,280 46.504
7:BENGKULU 2,783 0,428 1,902 1,354 1,992 3,261 0,000 2,836 10,741 2,291 0,836 4,786 3,589 17,809 1,402 1,857 0,423 1,219 2,037 6,537 6,203 4,341 0,695 1,285 3,373 2,083 1,497 5,402 7,943 2,006 0,363 1,012 61.797
8:LAMPUNG 11,046 2,579 7,846 1,300 0,293 0,228 2,836 0,000 2,972 3,330 1,451 0,440 0,078 34,138 0,294 0,418 4,637 0,835 1,275 1,671 1,387 1,283 5,739 1,007 1,327 3,037 3,608 3,439 2,987 8,472 3,744 2,500 50.593
9:KEP. BAN 22,960 9,943 16,702 6,057 3,847 2,196 10,741 2,972 0,000 11,987 7,386 1,357 2,245 51,584 4,774 4,035 14,600 5,178 4,612 0,863 0,825 2,017 16,488 5,476 3,116 6,893 8,729 3,915 1,388 18,202 11,273 8,202 38.622
10:KEP. RIA 7,678 1,721 7,249 2,816 3,818 4,943 2,291 3,330 11,987 0,000 3,177 6,137 4,364 28,119 2,606 3,952 1,732 3,875 4,805 9,111 8,841 7,509 2,354 3,013 6,163 7,161 6,311 10,359 10,860 7,822 3,611 3,875 65.581
11:DKI JAKA 5,920 1,783 4,351 1,933 0,588 1,644 0,836 1,451 7,386 3,177 0,000 2,451 1,766 23,225 0,476 0,533 2,044 0,341 1,560 4,241 3,855 2,967 2,407 1,541 2,754 2,068 2,228 4,781 6,315 3,555 1,819 1,334 59.341
12:JAWA BAR14,205 4,706 10,025 2,575 0,659 0,185 4,786 0,440 1,357 6,137 2,451 0,000 0,169 38,420 1,104 0,773 7,435 1,401 1,677 0,639 0,426 0,809 8,686 2,082 1,352 3,381 4,498 2,865 1,918 10,503 5,640 3,646 46.388
13:JAWA TEN12,375 3,428 8,830 1,820 0,356 0,154 3,589 0,078 2,245 4,364 1,766 0,169 0,000 36,043 0,539 0,503 5,720 1,029 1,516 1,271 0,931 1,094 6,887 1,439 1,395 3,249 4,057 3,280 2,633 9,361 4,549 3,077 49.911
14:DI YOGYA 6,855 20,587 10,339 25,931 29,674 33,838 17,809 34,138 51,584 28,119 23,225 38,420 36,043 0,000 28,433 28,726 16,290 25,360 26,770 40,030 39,626 33,564 14,496 26,081 30,800 21,141 18,391 30,667 41,290 8,906 16,110 20,937 106.398
15:JAWA TIM 8,019 1,564 5,587 0,986 0,119 0,543 1,402 0,294 4,774 2,606 0,476 1,104 0,539 28,433 0,000 0,153 2,839 0,258 0,938 2,550 2,264 1,691 3,620 0,699 1,503 2,161 2,454 3,619 4,090 5,740 2,257 1,434 53.743
16:BANTEN 8,617 2,244 5,754 1,330 0,024 0,317 1,857 0,418 4,035 3,952 0,533 0,773 0,503 28,726 0,153 0,000 3,742 0,110 0,668 1,803 1,617 1,138 4,513 0,923 1,156 1,641 2,178 2,833 3,319 5,713 2,577 1,385 50.944
17:BALI 2,210 0,767 2,358 2,556 3,857 5,577 0,423 4,637 14,600 1,732 2,044 7,435 5,720 16,290 2,839 3,742 0,000 2,935 4,011 9,878 9,481 7,219 0,099 2,656 5,797 4,228 3,144 8,551 11,475 2,420 0,972 2,237 68.611
18:NUSA TEN 6,882 1,702 4,314 1,112 0,203 0,678 1,219 0,835 5,178 3,875 0,341 1,401 1,029 25,360 0,258 0,110 2,935 0,000 0,511 2,358 2,205 1,353 3,569 0,748 1,178 1,073 1,411 2,690 3,775 4,274 1,717 0,855 51.776
19:NUSA TEN 7,714 1,916 4,307 0,813 0,878 0,812 2,037 1,275 4,612 4,805 1,560 1,677 1,516 26,770 0,938 0,668 4,011 0,511 0,000 1,662 2,024 0,846 4,852 0,563 0,358 0,749 1,041 1,590 2,275 5,145 1,872 0,550 42.979
20:KALIMANT15,894 6,148 10,557 3,242 1,839 0,769 6,537 1,671 0,863 9,111 4,241 0,639 1,271 40,030 2,550 1,803 9,878 2,358 1,662 0,000 0,234 0,401 11,307 2,738 0,910 3,072 4,378 1,558 0,477 11,708 6,604 4,060 37.455
21:KALIMANT15,526 5,923 10,459 3,142 1,545 0,632 6,203 1,387 0,825 8,841 3,855 0,426 0,931 39,626 2,264 1,617 9,481 2,205 2,024 0,234 0,000 0,374 10,919 2,626 1,123 3,124 4,448 1,613 0,869 11,578 6,471 4,549 42.903
22:KALIMANT11,845 3,983 7,223 1,746 1,198 0,499 4,341 1,283 2,017 7,509 2,967 0,809 1,094 33,564 1,691 1,138 7,219 1,353 0,846 0,401 0,374 0,000 8,476 1,372 0,242 1,494 2,380 0,635 0,702 8,595 4,141 2,686 41.740
23:KALIMANT1,780 1,363 2,369 3,531 4,675 6,694 0,695 5,739 16,488 2,354 2,407 8,686 6,887 14,496 3,620 4,513 0,099 3,569 4,852 11,307 10,919 8,476 0,000 3,599 6,978 4,843 3,660 9,807 13,156 1,998 1,315 2,685 71.460
24:SULAWESI 6,585 0,716 3,762 0,041 0,981 1,064 1,285 1,007 5,476 3,013 1,541 2,082 1,439 26,081 0,699 0,923 2,656 0,748 0,563 2,738 2,626 1,372 3,599 0,000 0,725 1,312 1,238 2,221 3,193 5,238 1,218 1,008 49.626
25:SULAWESI 9,951 2,767 5,692 0,944 1,288 0,697 3,373 1,327 3,116 6,163 2,754 1,352 1,395 30,800 1,503 1,156 5,797 1,178 0,358 0,910 1,123 0,242 6,978 0,725 0,000 1,102 1,610 0,704 0,984 7,347 2,946 1,682 40.595
26:SULAWESI 5,658 2,413 2,486 1,606 1,944 2,163 2,083 3,037 6,893 7,161 2,068 3,381 3,249 21,141 2,161 1,641 4,228 1,073 0,749 3,072 3,124 1,494 4,843 1,312 1,102 0,000 0,190 1,194 3,460 3,274 1,404 1,025 47.399
27:SULAWESI 4,015 1,676 1,384 1,389 2,509 2,948 1,497 3,608 8,729 6,311 2,228 4,498 4,057 18,391 2,454 2,178 3,144 1,411 1,041 4,378 4,448 2,380 3,660 1,238 1,610 0,190 0,000 1,926 4,639 2,388 0,684 0,810 49.689
28:GORONTAL 11,235 4,878 6,210 2,518 3,035 2,155 5,402 3,439 3,915 10,359 4,781 2,865 3,280 30,667 3,619 2,833 8,551 2,690 1,590 1,558 1,613 0,635 9,807 2,221 0,704 1,194 1,926 0,000 1,038 8,306 4,300 3,377 39.777
29:SULAWESI16,909 6,863 10,865 3,531 3,406 1,845 7,943 2,987 1,388 10,860 6,315 1,918 2,633 41,290 4,090 3,319 11,475 3,775 2,275 0,477 0,869 0,702 13,156 3,193 0,984 3,460 4,639 1,038 0,000 13,206 7,271 4,967 33.194
30:MALUKU 0,934 3,568 0,872 5,433 6,189 8,221 2,006 8,472 18,202 7,822 3,555 10,503 9,361 8,906 5,740 5,713 2,420 4,274 5,145 11,708 11,578 8,595 1,998 5,238 7,347 3,274 2,388 8,306 13,206 0,000 1,675 2,869 67.215
31:MALUKU U2,167 0,462 0,829 1,188 2,824 3,825 0,363 3,744 11,273 3,611 1,819 5,640 4,549 16,110 2,257 2,577 0,972 1,717 1,872 6,604 6,471 4,141 1,315 1,218 2,946 1,404 0,684 4,300 7,271 1,675 0,000 0,861 57.686
32:PAPUA BA 4,777 1,222 2,530 1,171 1,704 2,280 1,012 2,500 8,202 3,875 1,334 3,646 3,077 20,937 1,434 1,385 2,237 0,855 0,550 4,060 4,549 2,686 2,685 1,008 1,682 1,025 0,810 3,377 4,967 2,869 0,861 0,000 47.585
33:PAPUA 75,103 58,105 61,905 49,946 52,095 46,504 61,797 50,593 38,622 65,581 59,341 46,388 49,911 106,398 53,743 50,944 68,611 51,776 42,979 37,455 42,903 41,740 71,460 49,626 40,595 47,399 49,689 39,777 33,194 67,215 57,686 47,585 0,000
Tabel diatas menunjukkan matriks jarak antara variabel satu dengan variabel yang lain. Semakin kecil jarak euclidean, maka semakin mirip kedua
variabel tersebut sehingga akan membentuk kelompok (cluster).
Average Linkage (Between Groups)
Agglomeration Schedule
Cluster Combined Stage Cluster First Appears
Stage Coefficients
Cluster 1 Cluster 2 Cluster 1 Cluster 2 Next Stage
1 5 16 .024 0 0 5
2 4 24 .041 0 0 20
3 8 13 .078 0 0 11
4 17 23 .099 0 0 22
5 5 15 .136 1 0 8
6 6 12 .185 0 0 11
7 26 27 .190 0 0 24
8 5 18 .190 5 0 14
9 20 21 .234 0 0 17
10 22 25 .242 0 0 16
11 6 8 .247 6 3 19
12 7 31 .363 0 0 13
13 2 7 .445 0 12 22
14 5 11 .485 8 0 19
15 19 32 .550 0 0 20
16 22 28 .670 10 0 23
17 20 29 .673 9 0 23
18 1 3 .851 0 0 21
19 5 6 .867 14 11 25
20 4 19 .889 2 15 24
21 1 30 .903 18 0 27
22 2 17 .922 13 4 27
23 20 22 .967 17 16 26
24 4 26 1.146 20 7 25
25 4 5 1.834 24 19 28
26 9 20 2.021 0 23 28
27 1 2 2.274 21 22 29
28 4 9 2.672 25 26 30
29 1 10 4.307 27 0 30
30 1 4 5.892 29 28 31
31 1 14 26.586 30 0 32
32 1 33 53.646 31 0 0

Tabel di atas merupakan hasil proses clustering dengan metode “Between Group Linkage”. Setelah jarak antar variabel diukur de ngan jarak
euclidean, maka dilakukan pengelompokan, yang dilakukan secara bertingkat.

Stage 1: terbentuk 1 cluster yang beranggotakan Sampel no 5 dan 16 dengan jarak 0.024 (perhatikan pada kolom Coefficients). Karena proses
aglomerasi dimulai dari 2 obyek yang terdekat, maka jarak tersebut adalah yang terdekat dari sekian kombinasi jarak 33 obyek yang ada.
Selanjutnya lihat kolom terakhir (Next Stage), terlihat angka 5. Hal ini berarti clustering selanjutnya dilakukan dengan melihat stage 5. Demikian
seterusnya dari stage 5 dilanjutkan ke stage 20, sampai ke stage terakhir.

Aglomeratif

Aglomeratif adalah bagian yang sangat penting pada saat kita coba interprestasi analisis cluster hirarki ini. Proses aglomerasi ini bersifat kompleks,
khususnya perhitungan koefisien yang melibatkan sekian banyak obyek dan terus bertambah. Proses aglomerasi pada akhirnya akan menyatukan
semua obyek menjadi satu cluster. Hanya saja dalam prosesnya dihasilkan beberapa cluster dengan masing-masing anggotanya, tergantung jumlah
cluster yang dibentuk.
Cluster Membership

Perincian jumlah cluster dengan anggota yang terbentuk dapat dilihat pada tabel output berikut ini:

Cluster Membership
Case 4 Clusters 3 Clusters 2 Clusters
1:ACEH 1 1 1
2:SUMATERA 1 1 1
3:SUMATERA 1 1 1
4:RIAU 2 1 1
5:JAMBI 2 1 1
6:SUMATERA 2 1 1
7:BENGKULU 1 1 1
8:LAMPUNG 2 1 1
9:KEP. BAN 2 1 1
10:KEP. RIA 1 1 1
11:DKI JAKA 2 1 1
12:JAWA BAR 2 1 1
13:JAWA TEN 2 1 1
14:DI YOGYA 3 2 1
15:JAWA TIM 2 1 1
16:BANTEN 2 1 1
17:BALI 1 1 1
18:NUSA TEN 2 1 1
19:NUSA TEN 2 1 1
20:KALIMANT 2 1 1
21:KALIMANT 2 1 1
22:KALIMANT 2 1 1
23:KALIMANT 1 1 1
24:SULAWESI 2 1 1
25:SULAWESI 2 1 1
26:SULAWESI 2 1 1
27:SULAWESI 2 1 1
28:GORONTAL 2 1 1
29:SULAWESI 2 1 1
30:MALUKU 1 1 1
31:MALUKU U 1 1 1
32:PAPUA BA 2 1 1
33:PAPUA 4 3 2

Dari table di atas, jika anda menginginkan 3 cluster, maka yang menjadi anggota cluster 1 lihat pada kolom “3 clusters” dengan symbol 1, yaitu
sample ACEH, SUMATERA UTARA, SUMATERA BARAT, RIAU, JAMBI, SUMATERA SELATAN, BENGKULU, LAMPUNG, KEP.
BANGKA BELITUNG, KEP. RIAU, DKI JAKARTA, JAWA BARAT, JAWA TENGAH, JAWA TIMUR, BANTEN, BALI, NUSA
TENGGARA BARAT, NUSA TENGGARA TIMUR, KALIMANTAN BARAT, KALIMANTAN TENGAH, KALIMANTAN SELATAN,
KALIMANTAN TIMUR, KALIMANTAN UTARA, SULAWESI UTARA, SULAWESI TENGAH, SULAWESI SELATAN, SULAWESI
TENGGARA, GORONTALO, SULAWESI BARAT, MALUKU, MALUKU UTARA, PAPUA BARAT.
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 +---------+---------+---------+---------+---------+

JAMBI 5 ─┐
BANTEN 16 ─┤
JAWA TIM 15 ─┤
NUSA TEN 18 ─┤
DKI JAKA 11 ─┤
LAMPUNG 8 ─┤
JAWA TEN 13 ─┤
SUMATERA 6 ─┼─┐
JAWA BAR 12 ─┤ │
SULAWESI 26 ─┤ │
SULAWESI 27 ─┤ │
RIAU 4 ─┤ │
SULAWESI 24 ─┤ │
NUSA TEN 19 ─┤ ├─┐
PAPUA BA 32 ─┘ │ │
KALIMANT 22 ─┐ │ │
SULAWESI 25 ─┤ │ │
GORONTAL 28 ─┤ │ │
KALIMANT 20 ─┤ │ │
KALIMANT 21 ─┼─┘ │
SULAWESI 29 ─┤ ├───────────────────┐
KEP. BAN 9 ─┘ │ │
ACEH 1 ─┐ │ │
SUMATERA 3 ─┼─┐ │ │
MALUKU 30 ─┘ │ │ │
BALI 17 ─┐ │ │ ├───────────────────────┐
KALIMANT 23 ─┼─┤ │ │ │
BENGKULU 7 ─┤ ├─┘ │ │
MALUKU U 31 ─┤ │ │ │
SUMATERA 2 ─┘ │ │ │
KEP. RIA 10 ───┘ │ │
DI YOGYA 14 ─────────────────────────┘ │

PAPUA 33 ─────────────────────────────────────────────────┘

Dendogram berguna untuk menunjukkan anggota cluster yang ada jika akan ditentukan berapa cluster yang seharusnya dibentuk. Sebagai contoh
yang terlihat dalam dendogram, apabila akan dibentuk 2 cluster, maka cluster 1 beranggotakan sample Jambi sampai dengan Sampel kep.Bangka
belitung (sesuai urutan dalam dendogram); dan cluster 2 beranggotakan sample Aceh sampai dengan Sampel papua. Demikian seterusnya dapat
dengan mudah dilihat anggota tiap cluster sesuai jumlah cluster yang diinginkan.

Interpretasi output Metode K-Means:

Ciri khas dari analisis cluster yang satu ini adalah kita menentukan sendiri dari awal berapa cluster yang akan kita bentuk. Oleh karena itu dalam
Praktikum kali ini, saya akan coba membuat 3 cluster pada sampel dan variabel seperti sebelumnya yaitu diketahui sampel sebanyak 34, yaitu dari
Provinsi Aceh sampai dengan Provinsi Papua. Dan jumlah variabel ada 4, yaitu SD, SMP, SMA, PT.

Initial Cluster Centers

Initial Cluster Centers

Cluster
1 2 3
Zscore(SD) .57414 .42881 -5.41624
Zscore(SMP) 1.69535 1.07224 -3.81667
Zscore(SMA) 2.47619 1.20868 -1.94976
Zscore(PT) 3.87107 .09293 -.66123
Tabel “Initial Cluster Centers” di atas merupakan tampilan awal proses clustering sebelum dilakukan proses iterasi.
 Iterasi Analisis Cluster

Iteration Historya
Change in Cluster
Centers
Iteration 1 2 3
1 .000 1.620 .000
2 .000 .000 .000
a. Convergence achieved due to no
or small change in cluster
centers. The maximum absolute
coordinate change for any center
is ,000. The current iteration is
2. The minimum distance between
initial centers is 4,036.
Iteration History
Dari tabel “Iteration History” di atas, dapat diketahui bahwasanya proses iterasi dilakukan sebanyak 2 kali. Proses ini dilakukan untuk mendapatkan
cluster yang tepat. Dapat diketahui bahwa jarak minimum antar pusat cluster yang terjadi dari hasil iterasi adalah 4,036.

Hasil akhir dari proses clustering dapat anda lihat seperti di bawah ini:

Final Cluster Centers

Cluster
1 2 3
Zscore(SD) .57414 .15620 -5.41624
Zscore(SMP) 1.69535 .06843 -3.81667
Zscore(SMA) 2.47619 -.01698 -1.94976
Zscore(PT) 3.87107 -.10354 -.66123
Pada output di tabel “Final Cluster Centers” dapat anda perhatikan, bahwasanya data di atas masih terkait dengan proses standarisasi yang mengacu
pada z-score dengan ketentuan sebagai berikut:

 Nilai negatif (-) berarti data berada di bawah rata-rata total

 Nilai positif (+) berarti data berada di atas rata-rata total.

Cluster 1 : Dalam cluster 1 ini berisi angka partisipasi sekolah dengan nilai partisipasi dari terrendaah ke yang tertinggi yaitu dari SD sebesar
0.57414, SMP sebesar 1.69535, SMA sebesar 2.47619, PT sebesar 3.87107.

Cluster 2 : Dalam cluster 2 ini berisi angka partisipasi sekolah dengan nilai partisipasi tertinggi yaitu pada SD, SMP, Serta nilai partisipasi terendah
yaitu SMA dan PT.

Cluster 3 : Dalam cluster 3 ini berisi angka partisipasi sekolah dengan nilai partisipasi sangat rendah.

Tahapan selanjutnya yang perlu dilakukan yaitu melihat perbedaan variabel pada cluster yang terbentuk. Dalam hal ini dapat dilihat dari nilai F
dan nilai probabilitas (sig) masing-masing variabel, seperti yang dapat anda lihat dalam tabel berikut:
 ANOVA
Cluster Error F Sig.
Mean Mean
Square df Square df
Zscore(SD) 15.211 2 .053 30 289.108 .000
Zscore(SMP) 8.793 2 .480 30 18.302 .000
Zscore(SMA) 4.971 2 .735 30 6.761 .004
Zscore(PT) 7.877 2 .542 30 14.547 .000
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.

Rumus ANOVA

Sedikit review, bahwa rumus dari uji F Anova adalah:

Rumus Anova

Dimana dalam tabel ANOVA di atas “MS Between” ditunjukkan oleh nilai “Means Square” dalam kolom “Cluster”, sedangkan “MS Within” ditunjukkan
oleh nilai “Means Square” dalam kolom “Error”.

Kesimpulannya adalah:

Semakin besar nilai F dan (sig < 0,05), maka semakin besar perbedaan variabel pada cluster yang terbentuk.

Kesimpulan Analisis Cluster Maka berdasarkan tabel yang kita dapatkan dalam praktikum ini, yaitu bahwa untuk instrumen/variabel “SD” adalah
variabel yang paling menunjukkan adanya perbedaan diantara partisipasi yang laian pada ketiga cluster yang terbentuk. Hal ini dengan ditunjukkannya
nilai F =289.108 dan sig = 0,000. Dan untuk variabel yang lain dapatdidefinisikan lebih lanjut.

Langkah selanjutnya adalah untuk mengetahui jumlah anggota masing-masing cluster yang terbentuk, yaitu dengan melihat pada tabel output di bawah
ini:

Number of Cases in each

Cluster
Cluster 1 1.000
2 31.000
3 1.000
Valid 33.000
Missing 1.000

Pembagian Cluster Nampak jelas bahwa cluster-1 beranggotakan 1 partisipasi, cluster-2 berisi 31 partisipasi yang mengelompok, dan pada cluster-
3 terdapat 1 partisipasi.

Dan untuk mengetahui partisipasi mana saja yang masuk dalam kategori tiap-tiap cluster dapat kembali dibuka tampilan “data view” dari
dataset SPSS anda, yaitu pada kolom terakhir akan nampak seperti berikut ini:
 Z-Score

Perhatikan 2 kolom terakhir pada tabel di atas. “qcl_1” menunjukkan nomor cluster dari setiap partisipasi, dan “qcl_2” merupa kan jarak antara
obyek dengan pusat cluster. Dengan demikian, dapat ditafsirkan sebagai berikut:
Cluster-1 : berisikan sampel yogyakarta dengan masing-masing jarak terhadap pusat cluster-1 adalah 0,0000.

Cluster-2 : berisikan sampel aceh, sumatra utara, sumatra barat, dan lain sebagainya yang ada pada kolom “qcl_1” dengan nomor dua atau cluster2
, serta masing-masing jarak terhadap pusat cluster-2 seperti yang anda lihat pada kolom “QCL_2”.

Cluster-3 : berisikan sampel papua dengan masing-masing jarak terhadap pusat cluster-3 adalah 0.0000.