1.

Alasan data : "karena pada tahun 2021 masih didalam masa pandemi yang mana
mengharuskan kita untuk melakukan gaya hidup sehat, sehingga kami tertarik untuk
mengambil judul ini"
2. alasan memilih analisis cluster yg hirarki? knpa: karena jumlah cluster yg diiinginkan
blum diketahui sehingga digukan yang hirarki sedangkan non hirarki harus diketahui jumlah
clusternya
3. alasan metodenya, Single linkage : Memilih jarak terdekat dari rata rata minimal
(menghitung jarak antar cluster)
4. Tujuan Analisis Cluster
Tujuan utama analisis cluster adalah mengelompokkan objek-objek berdasarkan kesamaan
karakteristik di antara objek-objek tersebut. Objek bisa berupa produk (barang dan jasa),
benda (tumbuhan atau lainnya), serta orang (responden, konsumen atau yang lain). Objek
tersebut akan diklasifikasikan ke dalam satu atau lebih cluster (kelompok) sehingga objek-
objek yang berada dalam satu cluster akan mempunyai kemiripan satu dengan yang lain.
5. Analisis cluster adalah teknik multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek-objek/cases berdasarkan karakteristik yang dimilikinya. Analisis
cluster mengklasifikasi objek sehingga setiap objek yang memiliki sifat yang mirip (paling
dekat kesamaannya) akan mengelompok kedalam satu cluster (kelompok) yang sama.
6. Analisis Cluster
Sama dengan analisis factor, analisis cluster (cluster analysis) termasuk pada Interdependes
Techniques. Namun ada perbedaan mendasar di antara kedua alat analisis multivariate ini.
Jika analisis factor (R factor analysis) bertujuan mereduksi variabel, analisis cluster (Q factor
analysis) lebih bertujuan mengelompokkan isi variabel, walaupun bisa juga disertai dengan
pengelompokan variabel. Dalam terminology SPSS, analisis factor adalah perlakuan terhadap
kolom, sedangkan analisis cluster adalah perlakuan terhadap baris.

A. PROSEDUR ANALISIS CLUSTER

1. Rumusan Masalah
Hal yang paling penting dalam perumusan masalah adalah memilih variabel yang
relevan.
Variabel relavan : variabel yg saling berhubungan
(variabel yg dipakai adalah variabel bebass)
2. Pilihan Ukuran Jarak
disini kami memilih ukuran jarak euclid
Jarak Euclid adalah ukuran ketidakmiripan yang sering digunakan,
merupakan jarak geometris diruang multidimensional (Anonim, 2008c). Jarak ini
digunakan jika variabel- variabel yang digunakan tidak berkorelasi satu sama lain atau
saling ortogonal, yang memiliki satuan dan skala pengukuran yang sama (Anonim,
2008e).
3. Pilihan Prosedur Pengklasteran
Disini kami memilih analisis cluster hierarki dengan metode single linkage.
 Alasan memilih analisis cluster yg hirarki? knpa: karena jumlah cluster yg diiinginkan
blum diketahui sehingga digukan yang hirarki sedangkan non hirarki harus diketahui
jumlah clusternya.
Single linkage : Memilih jarak terdekat dari rata rata minimal
4. Penentuan Banyak Ckuster
5. Interpretasi

B. Hasil Analisis
1. Tabel 4.1 Standarisasi Data
Karena satuan pada tiap variabel berbeda maka di lakukan standarisasi data terlebih
dahulu sebelum dilakukan Analisis Cluster.
2. Tabel 4.2 Tabel Proximities
Tabel output di atas menunjukkan bahwa semua data sejumlah 44 obyek telah diproses
tanpa ada data yang hilang.
3. Tabel 4.3 Tabel Matrix Proximities
Tabel diatas (untuk lebih lengkap dapat dilihat pada lampiran 1) 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).
4. Tabel 4.4 Single Linkage
Tabel di atas merupakan hasil proses clustering dengan metode “Single Linkage”. Setelah
jarak antar variabel diukur dengan jarak euclidean, maka dilakukan pengelompokan, yang
dilakukan secara bertingkat. Stage 1: terbentuk 1 cluster yang beranggotakan sampel no
10 dan 15 dengan jarak 0.000 (perhatikan pada kolom Coefficients). Karena proses
aglomerasi dimulai dari 2 obyek yang terdekat, maka jarak tersebut adalah yang terdekat
dari sekian kombinasi jarak 44 obyek yang ada. Selanjutnya lihat kolom terakhir (Next
Stage), terlihat angka 2. Hal ini berarti clustering selanjutnya dilakukan dengan melihat
stage 2. Demikian seterusnya dari stage 2 dilanjutkan ke stage 3, sampai ke stage
terakhir.
5. Tabel 4.5 Cluster Membership
Perincian jumlah cluster dengan anggota yang terbentuk dapat dilihat pada tabel output
berikut ini:
Dari tabel di atas, penulis memilih 4 cluster, maka yang menjadi anggota cluster 1 lihat
pada kolom “4 clusters” dengan symbol 1, yaitu Kota : Amsterdam, Sydney, Vienna,
Stockholm, Copenhagen, Helsinki, Fukuoka, Berlin, Barcelona, Vancover, Melbourne,
Beijing,Bangkok, Buenos Aires, Toronto, Madrid, Jakarta, Seoul, Frankfurt, Tel Aviv,
Istanbul, Taipei, Los Angeles, Boston, Dublin, Tokyo, Chicago, Hong Kong, Shanghai,
Brussels, San Fransisco, Paris, Sao Paulo, London, Milan, Washington, New York,
Moscow, dan Mexico city. Dengan symbol 2, yaitu Kota Geneva dan Zurich. Dengan
symbol 3, yaitu Kota Cairo dan Mumbai. Dengan symbol 4, yaitu Kota Johannesburg.
6. Gambar Dendogram
 Dendogram berguna untuk menunjukkan anggota cluster yang ada jika akan ditentukan
berapa cluster yang seharusnya dibentuk. Yang terlihat dalam dendogram, apabila akan
dibentuk 4 cluster, maka cluster 1 beranggotakan Kota Vancouver sampai dengan Kota
Mumbai (sesuai urutan dalam dendogram), cluster 2 beranggotakan Kota Cairo dan
Mumbai, cluster 3 beranggotakan Kota Geneva dan Zurich, sedangkan cluster 4
beranggotakan Kota Johannesburg.
7. Tabel Rata- Rata Setiap Cluster
Nah berdasarkan cluster yg terbentuk terdapat 4 cluster yg diperoleh Lalu kita cari nilai
rata" nya dari setiap cluster yg terbentuk berdasarkan ibukota di masing" cluster dengan
menggunakan data gaya hidup sehat pada setiap kriteria