LANGKAH-LANGKAH ANALISIS

Langkah-langkah dalam analisis cluster dengan menggunakan SPSS adalah sebagai berikut:

Tahap 1: Standarisasi Data dengan Z-Score

1. Buka program SPSS

2. Setelah mengklik tab program aplikasi SPSS, muncul jendela program aplikasi SPSS.
Kemudian klik Variabel View (Kiri-Bawah) pada SPSS Data Editor.

3. Pada variabel view di SPSS isi kolom seperti gambar di bawah ini:

4. Input data yang diperoleh ke dalam Data View

5. Selanjutnya, klik menu Analyze dan pilih submenu Descriptive Statistics lalu pilih
Descriptive

6. Lalu akan muncul Descriptive Dialog, masukkan seluruh variabel penentu ke dalam
kotak Variables. Lalu centang Save standardized values as Variables. Klik OK.
7. Kemudian akan muncul output seperti di bawah ini.

Tahap 2 :Langkah Analisis Cluster

Langkah-langkah analisis cluster menggunakan metode non hirarkis adalah sebagai
berikut.
1. Dari hasil transformasi tadi, klik menu analyze, lalu pilih Classify dan pilih K-
Means Cluster.
2. Pindahkan semua variabel Z-Score ke dalam kotak Variables isi label cases by
dengan Nama Responden, keudian isi Number of Cluster dengan 3 karena dalam hal
ini akan dikelompokkan menjadi 3 cluster.

3. Klik Save, lalu centang Cluster membership, dan Distance from cluster center,
lalu klik Continue.
4. Klik Options, lalu pada Statistics centang Initial cluster centers dan ANOVA table,
sedangkan pada Missing Values klik Exclude cases listwise, kemudian klik
Continue lalu OK.

5. Lalu akan muncul output seperti di bawah ini:

ANALISIS DATA

1. Standardisasi
Karena isi data sangat bervariasi dalam satuan, perbedaan satuan ini akan
menyebabkan bias dalam analisis cluster, sehingga data asli harus ditransformasikan
(standarisasi) sebelum bias dianalisis, dengan demikian perlu dilakukan transformasi
terhadap variabel yang relevan kebentuk Z – Score . Output yang didapat yaitu deskripsi
dari keseluruhan variabel yang meliputi nilai maksimum, nilai minimum, rataan, dan
standar deviasi dari masing-masing variable:
2. Pengklasteran Berdasarkan Metode Non-Hierarki

Setelah data distandarisasi, proses selanjutnya dengan memilih metode pembentukan

cluster, yaitu metode NON-HIERARCHICAL CLUSTER.
Pembentukan cluster yang diambil adalah dengan jumlah 3 cluster. Berikut ini data
pengelompokan 3 cluster:

Tabel diatas merupakan tampilan pertama proses clustering data sebelum dilakukan
iterasi. Untuk mendeteksi beberapa kali proses iterasi yang dilakukan dalam proses
clustering dari 77 obyek yang diteliti, dapat dilihat dari tampilan output berikut ini.
 Ternyata proses clustering yang dilakukan melalui 3 tahapan iterasi untuk
mendapatkan cluster yang tepat. Dari tabel di atas disebutkan bahwa jarak minimum antar
pusat cluster yang terjadi dari hasil iterasi adalah 12,885.
 Output final cluster centers tersebut diatas masih terkait dengan proses standardisasi
data sebelumnya, 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.

Dari tabel dapat disimpulkan bahwa yang berpengaruh pada setiap Klaster adalah sebagai
berikut:
1. Klaster 1: Usia, penghasilan/uang saku, pengeluaran (biaya belanja), Intensitas
mengunjungi, lama waktu yang dihabiskan,
2. Klaster 2: Jenis kelamin, jarak, lama waktu tempuh, jumlah motor, jumlah mobil

3. Klaster 3: Pekerjaan,

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 pada tabel berikut ini,

Dimana dalam tabel ANOVA di atas MS Between di tunjukan oleh Means Square
dalam kolom cluster, sedangkan MS Within ditunjukan oleh Means Square dalam kolom
error.
Selanjutnya untuk mengetahui jumlah anggota masing-masing cluster yang terbentuk dapat
dilihat pada tabel output berikut ini :

Dari tabel diatas terlihat bahwa semua cluster responden memiliki jumlah yang sama,
dengan tidak ada variabel yang hilang (missing). Dengan demikian, semua responden
sejumlah 77 orang lengkap terpeta pada kedua cluster.

 Cluster 1 beranggotakan 7 mahasiswa

 Cluster 2 beranggotakan 1 mahasiswa
 Cluster 3 beranggotakan 69 mahasiswa

Pengunjung dan Klasternya:

PENGUNJUNG QCL_1 QCL_2

1 3 1,51075
2 3 1,40246
3 3 ,98750
4 3 1,42309
5 3 2,02303
6 3 1,74410
7 3 2,15548
8 3 1,47931
9 3 1,53027
10 3 1,54134
11 3 3,22710
12 3 1,54598
13 3 1,59773
14 3 2,11981
15 3 2,10785
16 1 6,90404
17 3 2,09580
18 3 1,21074
19 3 1,32281
20 3 1,39485
21 3 3,52788
22 2 ,00000
23 3 1,77860
24 1 2,30914
25 3 1,39564
26 3 2,21902
27 3 3,59398
28 1 8,65968
29 3 2,75854
30 3 1,54802
31 3 1,52403
32 3 4,58598
33 3 4,65949
34 3 1,45239
35 3 1,73378
36 3 2,23724
37 3 3,28725
38 3 2,42490
39 3 1,95688
40 3 1,97023
41 3 3,96954
42 3 1,32693
43 3 1,73983
44 3 1,38037
45 3 1,30544
46 3 3,46747
47 3 3,44017
48 3 3,18293
49 3 1,26065
50 3 1,24613
51 3 3,36365
52 3 2,77209
53 3 2,32301
54 3 2,13003
55 3 2,21962
56 3 1,69561
57 1 3,07215
58 3 1,35607
59 3 1,37398
60 3 3,30636
61 3 1,37836
62 3 1,55644
63 3 3,46914
64 3 1,75582
65 3 2,55008
66 3 2,68403
67 3 1,68104
68 1 3,59636
69 3 1,52155
70 3 3,39128
71 1 4,47300
72 3 2,58992
73 3 1,85285
74 3 1,89450
75 3 1,51671
76 3 2,12647
77 1 5,03523
 Variabel QCL_1 menampilkan nomor cluster untuk setiap responden dan variabel
QCL_2 menampilkan jarak antar responden. Kami menginterpretasikan cluster 1 sebagai.......
Jadi, dapat di simpulkan bahwa dari 77 orang responden yang tergabung dalam:
• Cluster 1 (Pengunjung.....) :

• Cluster 2 (Pengunjung.....) :
• Cluster 3 (Pengunjung,,,,,) :