Nama : Vebby Rahmadani

NIM :2010212049
KELAS : KEHATI AGRO C

ANALISIS CLUSTER

A. Hasil

B. Pembahasan
Analisis clustering merupakan analisis yang digunakan untuk
mengelompokan pengamatan atau variabel menjadi beberapa kelompok
pengamatan atau variabel yang jumlahnya lebih sedikit. Analisis clustering
dilakukan jika peneliti belum mengetahui jumlah kelompok baru (Iriawan &
Astuti, 2006). Analisis clustering bertujuan untuk mengelompokan “n” objek
berdasarkan “p” variat yang memiliki kesamaan karakteristik diantara objek-
objek tersebut. Objek tersebut akan diklasifikasikan ke dalam satu atau lebih
clustering (kelompok) sehingga objek-objek yang berada dalam satu
clustering akan mempunyai kemiripan atau kesamaan karakter (Supranto,
2004).
Dalam menentukan jarak antar cluster dengan menggunakan metode
single lingkage dapat dilakukan dengan melihat jarak antar dua cluster yang
ada, kemudian memilih jarak paling dekat atau aturan tetangga dekat (nearest
neighbour rule). Pada praktikum analisis kluster ini menggunakan software
“Minitab”. Pada hasil pengamatan, pada gambar dendogram didapatkan
perbedaan tingkat kemiripan antar varietas. Tingkat kemiripan antara varietas
4 dan 10 serta varietas 13 dan 15 adalah 100%. Tingkat kemiripan antara
varietas 9 dan 14 adalah 95,80%. Tingkat kemiripan antara varietas 1 dan 12
adalah 64,14%. Tingkat kemiripan antara varietas 3,7, dan 11 adalah 90,20%.
Untuk mengelompokan obyek yang mirip dalam kelompok yang sama,
diperlukan beberapa ukuran untuk mengetahui seberapa mirip atau berbeda
objek-objek tersebut. Pendekatan yang paling biasa adalah mengukur
kemiripan yang dinyatakan dalam jarak (distance) antara pasangan objek,
semakin besar ukuran kemiripan atau jarak antar dua buah objek, makin besar
pula perbedaan antara dua objek tersebut, sehingga makin cenderung untuk
tidak menganggapnya kedalam kelompok yang sama (Yulianto &
Hidayatullah, 2014: 58). Dasar yang digunakan untuk melakukan
pengelompokan adalah ukuran kedekatan antar pengamatan yang disebut
dengan jarak. Jarak euclid sering digunakan dan paling sederhana untuk
variabel kontinu.
Dendogram berguna untuk menunjukkan anggota cluster yang ada jika
akan ditentukan berapa cluster yang seharusnya dibentuk. Analisis cluster atau
analisis kelompok merupakan teknik analisa data yang bertujuan untuk
mengelompokan individu atau objek ke dalam beberapa kelompok yang
memiliki sifat berbeda antar kelompok, sehingga individu atau objek yang
terletak di dalam satu kelompok akan mempunyai sifat relatif homogen.
Tujuan analisis cluster adalah mengelompokan objek-objek tersebut.
Analisis Cluster memiliki beberapa kelebihan dan juga kekurangan
sebagai berikut:
a. Kelebihan
1. Dapat mengelompokan data observasi dalam jumlah besar dan
variabel yang relatif banyak. Data yang di reduksi dengan
kelompok akan mudah dianalisis.
2. Dapat dipakai dalam skala data ordinal, interval dan rasio.
b. Kelemahan
1. Pengelompokan bersifat subjektifitas peneliti karena hanya
melihat dari gambar dendogram.
2. Untuk data heterogen antara objek penelitian yang satu dengan
yang lain akan sulit bagi peneliti untuk menentukan jumlah
kelompok yang di bentuk.
3. Metode-metode yang dipakai memberikan perbedaan yang
signifikan, sehingga dalam perhitungan biasanya masing-
masing metode dibandingkan.
4. Semakin besar observasi, biasanya tingkat kesalahan akan
semakin besar.
Lampiran
————— 25/12 19:12:10 ————————————————————

Welcome to Minitab, press F1 for help.

Cluster Analysis of Observations: karakter bun; karaker daun; karakter bat; ...

Euclidean Distance, Single Linkage

Amalgamation Steps

Number
of obs.
Number of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
1 14 100,000 0,00000 13 15 13 2
2 13 100,000 0,00000 4 10 4 2
3 12 95,798 0,14286 9 14 9 2
4 11 91,597 0,28571 8 9 8 3
5 10 90,196 0,33333 3 7 3 2
6 9 90,196 0,33333 3 8 3 5
7 8 90,196 0,33333 3 11 3 6
8 7 89,334 0,36266 3 6 3 7
9 6 87,395 0,42857 3 5 3 8
10 5 84,120 0,53993 3 4 3 10
11 4 64,403 1,21031 2 3 2 11
12 3 64,140 1,21923 1 12 1 2
13 2 54,200 1,55719 1 2 1 13
14 1 52,754 1,60636 1 13 1 15

Final Partition
Number of clusters: 1

Average Maximum
Within distance distance
Number of cluster sum from from
 observations of squares centroid centroid
Cluster1 15 16,5583 0,863825 1,74315