MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
DAFTAR ISI
DAFTAR ISI 2
GLOSARIUM 3
TUJUAN PRAKTIKUM 4
KNOWLEDGE DISCOVERY IN DATABASE (KDD) 4
1. Definisi 4
2. Proses KDD 4
ANALISIS CLUSTER 5
1. Definisi 5
2. Penerapan Analisis Cluster 6
TAHAPAN 6
CONTOH KASUS 17
PENYELESAIAN DENGAN METODE HIRARKI 19
PENYELESAIAN DENGAN METODE NON HIRARKI 42
DAFTAR PUSTAKA 52
2
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
GLOSARIUM
Taksonomi = Pengelompokkan atau penggolongan
Undersampling = Proses membuang sebagian data dari kelas mayor agar
diperoleh data yang seimbang
Multikolinearitas = Korelasi atau hubungan kuat antara dua variabel bebas atau
lebih dalam sebuah model regresi berganda
3
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
TUJUAN PRAKTIKUM
Tujuan dari praktikum ini adalah:
1. Mahasiswa mempunyai pengetahuan dasar mengenai Knowledge Discovery of
Database (KDD).
2. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam melakukan dan
menerapkan analisis Cluster.
3. Mahasiswa dapat mengetahui dan memahami arti dan garis besar dari analisis Cluster
dalam data mining, mulai dari pengambilan data, pengolahan data sampai dengan tahap
pengelompokan, serta mengaplikasikannya dalam kasus yang dihadapi.
4
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
ANALISIS CLUSTER
1. Definisi
Cluster merupakan sebuah proses pembagian atau pengelompokan sebuah populasi ke
dalam subgrup atau gugus yang lebih kecil dan lebih homogen (Berry & Linoff, 2004).
Menurut (Everitt, et al., 2011), teknik analisis cluster berkaitan dengan eksplorasi dan
menilai kumpulan data untuk dapat diringkas secara bermakna ke dalam sejumlah
kelompok yang relatif sedikit dengan ketentuan bahwa kumpulan objek atau individual
5
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
yang mirip satu sama lain berada dalam kelompok yang sama dan individu yang
berbeda dimasukkan dalam kelompok lain. Dalam konteks memahami data, cluster
mampu mengelompokkan data dan analisis cluster merupakan ilmu yang secara teknis
dapat mengelompokkan data secara otomatis. Sebagai contoh, anak-anak dapat dengan
cepat mengelompokkan jenis gambar seperti gambar bangunan, tumbuhan, hewan, dan
lainnya (Michael et al, 2006).
2. Penerapan Analisis Cluster
Penerapan analisis cluster didalam pemasaran adalah sebagai berikut:
1. Identifikasi objek (Recognition)
Dalam bidang Image Processing, Computer Vision atau Robot Vision
2. Decision Support System dan Data Mining
● Membuat segmen pasar (segmenting the market)
● Memahami perilaku pembeli
● Mengenali peluang produk baru
TAHAPAN
Tahapan dalam Analisis Cluster adalah sebagai berikut :
1. Tujuan Analisis Cluster
Tujuan utama analisis cluster adalah memisahkan suatu himpunan objek menjadi dua
kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.
Sedangkan tujuan analisis cluster secara khusus, antara lain:
● Penyederhanaan Data
Penyederhanaan data merupakan bagian dari suatu taksonomi. Dengan struktur
yang terbatas observasi/objek dapat dikelompokkan untuk analisis selanjutnya.
● Identifikasi Hubungan (Relationship Identification)
Hubungan antar objek diidentifikasi secara empiris. Struktur analisis cluster yang
sederhana dapat menggambarkan adanya hubungan atau kesamaan dan perbedaan
yang tidak dinyatakan sebelumnya.
6
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
7
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
8
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
b. Pengaruh Multikolinearitas
Ada atau tidaknya multikolinearitas antar variabel sangat diperhatikan dalam
analisis cluster karena hal itu berpengaruh, sehingga variabel-variabel yang bersifat
multikolinearitas secara eksplisit dipertimbangkan dengan lebih seksama.
4. Proses Mendapatkan Cluster dan Menilai Kelayakan secara Keseluruhan (Overall Fit)
Adapun metode pengelompokan dalam analisis cluster meliputi:
1) Metode Non-Hirarkis.
Dimulai dengan menentukan terlebih dahulu jumlah cluster yang diinginkan (dua, tiga,
atau yang lain). Setelah jumlah cluster ditentukan, maka proses cluster dilakukan
dengan tanpa mengikuti proses hirarki. Metode ini biasa disebut “K-Means Cluster”.
Berbeda dengan metode hirarki, prosedur non hirarki (K-means Clustering) dimulai
dengan memilih sejumlah nilai cluster awal sesuai dengan jumlah yang diinginkan dan
kemudian objek digabungkan ke dalam cluster-cluster tersebut.
a. Sequential Threshold Procedure
Metode ini melakukan pengelompokan dengan terlebih dahulu memilih satu objek
dasar yang akan dijadikan nilai awal cluster, kemudian semua objek yang ada didalam
jarak terdekat dengan cluster ini akan bergabung lalu dipilih cluster kedua dan semua
objek yang mempunyai kemiripan dimasukkan dalam cluster ini. Demikian seterusnya
hingga terbentuk beberapa cluster dengan keseluruhan objek di dalamnya.
b. Parallel Threshold Procedure
Secara prinsip sama dengan prosedur sequential threshold, hanya saja dilakukan
pemilihan terhadap beberapa objek awal cluster sekaligus dan kemudian melakukan
penggabungan objek ke dalamnya secara bersamaan.
c. Optimizing
Merupakan pengembangan dari kedua metode diatas dengan melakukan optimasi pada
penempatan objek yang ditukar untuk cluster lainnya dengan pertimbangan kriteria
optimasi.
2) Metode Hirarkis.
Memulai pengelompokan dengan dua atau lebih objek yang mempunyai kesamaan
paling dekat. Kemudian dilanjutkan pada objek yang lain dan seterusnya hingga cluster
9
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
akan membentuk semacam ‘pohon’ dimana terdapat tingkatan (hirarki) yang jelas antar
objek, dari yang paling mirip hingga yang paling tidak mirip. Teknik hirarki
(hierarchical methods) adalah teknik clustering membentuk kontruksi hirarki atau
berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan). Alat yang
membantu untuk memperjelas proses hirarki ini disebut “dendogram”.
Teknik hirarki (hierarchical methods) adalah teknik clustering membentuk
kontruksi hirarki atau berdasarkan tingkatan tertentu seperti struktur pohon (struktur
pertandingan). Dengan demikian proses pengelompokkannya dilakukan secara
bertingkat atau bertahap. Hasil dari pengelompokan ini dapat disajikan dalam bentuk
dendogram. Metode-metode yang digunakan dalam teknik hirarki:
a. Agglomerative Methods
Metode ini dimulai dengan kenyataan bahwa setiap objek membentuk clusternya
masing-masing. Kemudian dua objek dengan jarak terdekat bergabung. Selanjutnya
objek ketiga akan bergabung dengan cluster yang ada atau bersama objek lain dan
membentuk cluster baru. Hal ini tetap memperhitungkan jarak kedekatan antar objek.
Proses akan berlanjut hingga akhirnya terbentuk satu cluster yang terdiri dari
keseluruhan objek. Ada beberapa teknik dalam agglomerative methods yaitu:
● Single Linkage (Nearest Neighbor Methods)
Metode ini menggunakan prinsip jarak minimum yang diawali dengan mencari dua
objek terdekat dan keduanya membentuk cluster yang pertama. Pada langkah
selanjutnya terdapat dua kemungkinan, yaitu :
a. Objek ketiga akan bergabung dengan cluster yang telah terbentuk, atau
b. Dua objek lainnya akan membentuk cluster baru.
Proses ini akan berlanjut sampai akhirnya terbentuk cluster tunggal. Pada metode
ini jarak antar cluster didefinisikan sebagai jarak terdekat antar anggotanya.
10
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
11
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
e). Pada langkah yang terakhir, cluster ABC bergabung dengan DE sehingga
terbentuk cluster tunggal.
12
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Dengan Xij adalah nilai untuk objek ke-i pada cluster ke-j.
b. Divisive Methods
13
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
14
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Terlihat bahwa E mempunyai nilai jarak terjauh, yaitu 22.75, maka E dipisahkan
dari grup utama dan membentuk grup splinter.
b) Menghitung jarak rata-rata objek dengan grup utama dengan grup splinter
Jarak Rata-rata dengan Jarak Rata-rata dengan
Object x-y
Group Splinter (x) Group Utama (y)
A 31 17.67 -13.33
B 27 15.33 -11.67
C 24 13.67 -10.33
D 9 26.67 17.67
Gambar 8. Perhitungan Rata-Rata Grup Utama Dengan Grup Splinter
Pada D, jarak rata-rata dengan grup splinter lebih dekat daripada dengan grup
utama. Dengan demikian D harus dikeluarkan dari grup utama dan masuk ke
grup splinter.
c) Perhitungan jarak rata-rata
Jarak Rata-rata dengan Jarak Rata-rata dengan
Object x-y
Group Splinter (x) Group Utama (y)
A 31.5 10.5 -21.0
B 26.0 10.5 -15.5
C 23.5 9.0 -14.5
Gambar 9. Perhitungan Rata-Rata Grup Utama Dengan Grup Splinter
Karena jarak semua objek ke grup utama sudah lebih besar daripada jaraknya ke grup
splinter, maka komposisinya sudah stabil.
5. Interpretasi terhadap Cluster
Tahap interpretasi meliputi pengujian tiap cluster dalam term untuk menamai dan
menandai dengan suatu label yang secara akurat dapat menjelaskan kealamian cluster.
Membuat profil dan interpretasi cluster tidak hanya untuk memperoleh suatu gambaran
saja melainkan pertama, menyediakan suatu rata-rata untuk menilai korespondensi pada
cluster yang terbentuk, kedua, profil cluster memberikan arahan bagi penilaian
terhadap signifikansi praktis. Namun demikian, yang perlu diperhatikan pada tahapan
interpretasi adalah karakteristik yang membedakan masing-masing cluster sehingga
kita dapat memberikan label pada masing-masing cluster tersebut.
6. Proses Validasi dan Pembuatan Profil Cluster
15
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
16
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
CONTOH KASUS
Bank XYZ merupakan sebuah perbankan yang bergerak dalam perkreditan rakyat.
Bank tersebut berencana untuk mengetahui risiko peminjaman yang dilakukan nasabah selama
satu tahun terakhir. Salah satu strategi bank yang digunakan untuk mengetahui tujuan tersebut
adalah dengan melakukan penelusuran nasabah yang melakukan peminjaman di bank.
Penentuan pengelompokan nasabah didasarkan oleh beberapa faktor di antaranya Usia, Jumlah
Pinjaman, Jumlah Pendapatan Debitur, dan Jangka Waktu Pinjaman yang diambil nasabah
untuk melunasinya. Dalam studi kasus ini, bank menggunakan analisis clustering untuk
mengelompokkan nasabah serta menentukan strategi untuk mencegah adanya risiko
peminjaman yang dapat diterapkan pada nasabah. Berikut merupakan data historis yang telah
diperoleh dari 40 nasabah:
Jumlah Jangka
Usia Pendapatan
No. Responden Pinjaman Waktu
(tahun) Debitur (juta)
(juta) (bulan)
1 Agung 35 85 70 16
2 Astri 20 10 60 15
3 Amalia 55 8 50 12
4 Ari 31 8 70 15
5 Achmad 20 8 60 15
6 Ferdy 22 6 50 15
7 Khoiry 33 9 70 14
8 Kiki 35 8 75 16
9 Mayang 37 6 50 14
10 Abdi 24 7 65 14
11 Nahroni 42 4 30 15
12 Muharudin 38 5 45 13
13 Ryan 36 6 55 12
14 Rini 24 65 645 16
17
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
15 Rizki 22 5 35 16
16 Santi 31 65 60 12
17 Saiful 25 7 60 17
18 Sandi 37 5 50 14
19 Sutra 40 8 70 18
20 Syfa 35 7 65 16
21 Ambarini 23 45 40 14
22 Tina 60 8 75 13
23 Tika 33 4 30 14
24 Usman 28 85 60 15
25 Azalia 43 6 50 11
26 Dwi 36 8 70 15
27 Andri 28 20 150 14
28 Mugiono 30 25 100 12
29 Sulika 41 20 150 15
30 Purnomo 52 12 100 13
31 Murti 38 12 40 12
32 Ibrahim 24 35 50 16
33 Hartati 31 30 180 15
34 Wendi 33 2 10 12
35 Minar 28 20 150 15
36 Wahyudi 23 5 5 14
37 Muhdi 36 15 100 11
38 Wahid 30 10 30 15
39 Widya 29 15 50 14
40 Hasyim 42 20 50 12
18
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
19
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Dari hasil Output di atas merupakan tampilan pertama hasil proses nomalisasi data.
Dari tabel menunjukkan hasil nilai N, Minimum, Maximum, Mean, dan Standar
Deviation dari masing-masing kriteria. Jika sudah tampil output seperti gambar di
20
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
atas, maka Anda memastikan tampilan Data View Anda sebelumnya sudah seperti
gambar di bawah ini.
Terdapat tambahan variabel “Z” hasil dari normalisasi data kuesioner dari masing-
masing kriteria. Data "Z score” inilah yang kemudian akan diolah untuk tahap
pengelompokkan (clustering) berikutnya.
21
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
- Pada kotak dialog statistics centang Agglomerative Schedule dan Proxy Matrix
- Pilih range of solution , kemudian isi minimum number menjadi 2, dan maximum
number menjadi 5. Kemudian klik continue.
- Pada kotak dialog Plots mencentang Dendogram, All Cluster, dan Vertical
22
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
- Pada kotak dialog Method gantilah cluster Method menjadi Nearest Neighboor, dan
centang Interval kemudian mengganti pilihannya menjadi Squared Euqlidean
Distance
- Klik continue
- Maka akan terlihat output spss seperti beberapa tabel di bawah ini
23
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Agglomeration Schedule
Cluster Combined Stage Cluster First Appears
Stage Coefficients Next Stage
Cluster 1 Cluster 2 Cluster 1 Cluster 2
1 9 18 .002 0 0 8
2 2 5 .009 0 0 4
3 8 20 .012 0 0 15
4 2 6 .067 2 0 16
5 13 31 .149 0 0 11
6 4 38 .185 0 0 9
7 7 23 .219 0 0 8
8 7 9 .234 7 1 10
9 4 26 .298 6 0 15
10 7 39 .310 8 0 14
11 13 40 .340 5 0 12
12 13 34 .350 11 0 20
13 27 35 .362 0 0 19
14 7 12 .376 10 0 18
15 4 8 .376 9 3 18
16 2 15 .387 4 0 21
17 10 36 .390 0 0 21
18 4 7 .412 15 14 20
19 27 33 .418 13 0 31
20 4 13 .422 18 12 22
21 2 10 .435 16 17 22
22 2 4 .460 21 20 23
23 2 17 .542 22 0 24
24 2 11 .628 23 0 26
25 3 22 .724 0 0 28
26 2 37 .746 24 0 27
27 2 25 .748 26 0 30
28 3 30 .760 25 0 36
29 1 24 .956 0 0 38
30 2 28 1.009 27 0 31
31 2 27 1.077 30 19 32
32 2 29 1.268 31 0 34
33 21 32 1.688 0 0 35
24
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
34 2 19 1.748 32 0 35
35 2 21 1.926 34 33 36
36 2 3 1.948 35 28 37
37 2 16 3.123 36 0 38
38 1 2 4.190 29 37 39
39 1 14 25.784 38 0 0
25
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Cluster Membership
Case 5 Clusters 4 Clusters 3 Clusters 2 Clusters
1:Agung 1 1 1 1
2:Astri 2 2 2 1
3:Amalia 3 2 2 1
4:Ari 2 2 2 1
5:Achmad 2 2 2 1
6:Ferdy 2 2 2 1
7:Khoiry 2 2 2 1
8:Kiki 2 2 2 1
9:Mayang 2 2 2 1
10:Abdi 2 2 2 1
11:Nahroni 2 2 2 1
12:Muharudin 2 2 2 1
13:Ryan 2 2 2 1
14:Rini 4 3 3 2
15:Rizki 2 2 2 1
16:Santi 5 4 2 1
17:Saiful 2 2 2 1
18:Sandi 2 2 2 1
19:Sutra 2 2 2 1
20:Syfa 2 2 2 1
21:Ambarini 2 2 2 1
22:Tina 3 2 2 1
23:Tika 2 2 2 1
24:Usman 1 1 1 1
25:Azalia 2 2 2 1
26:Dwi 2 2 2 1
27:Andri 2 2 2 1
28:Mugiono 2 2 2 1
29:Sulika 2 2 2 1
30:Purnomo 3 2 2 1
31:Murti 2 2 2 1
32:Ibrahim 2 2 2 1
33:Hartati 2 2 2 1
34:Wendi 2 2 2 1
26
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
35:Minar 2 2 2 1
36:Wahyudi 2 2 2 1
37:Muhdi 2 2 2 1
38:Wahid 2 2 2 1
39:Widya 2 2 2 1
40:Hasyim 2 2 2 1
27
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
OUTPUT 3 Dendogram
Hasil dendogram menunjukkan bahwa penggabungan setip anggota berdasarkan jarak yang
paling dekat, sehingga membentuk satu cluster yang sangat besar. Hasil dendogram ini akan
mudah dibaca jika pembacaannya dibantu oleh hasil Agglomerative Schedule. Pembentukan
jumlah cluster dapat dibentuk dengan metode cut off pada hasil dendogram. Sebagai contoh:
a) Melakukan cut off pada angka 2,5.
b) Akan terlihat cluster yang terbentuk sebanyak 2 cluster dengan 2 Outlier.
28
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Untuk melihat anggota masing-masing cluster dapat dilihat dari gambar berikut ini:
3 1 4
Cluster 3 dan 4 merupakan outlier.
Cluster yang terbentuk jika menggunakan metode Cut Off, sebagai berikut:
Cluster yang Outlier yang
Jarak Cut Off
terbentuk terbentuk
2,5 2 2
4 2 1
7 1 1
29
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
- Pada Data View mengisi data untuk variabel cluster berdasarkan masing-masing
anggota pada setiap kelompok seperti gambar di bawah.
30
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
31
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
- Pada menu cell display beri centang pada Observed dan Total
- Klik Continue
32
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Crosstab
Cluster
Cluster Cluster Cluster Cluster Cluster Total
1 2 3 4 5
Zscore(Usia) - Count 0 2 0 0 0 2
1.44580 % of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
- Count 0 2 0 0 0 2
1.22757 % of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
- Count 0 2 0 0 0 2
1.11845 % of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
- Count 0 2 0 1 0 3
1.00933 % of 0.0% 5.0% 0.0% 2.5% 0.0% 7.5%
Total
-.90022 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.57287 Count 1 2 0 0 0 3
% of 2.5% 5.0% 0.0% 0.0% 0.0% 7.5%
Total
-.46375 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.35463 Count 0 2 0 0 0 2
% of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
-.24551 Count 0 2 0 0 1 3
% of 0.0% 5.0% 0.0% 0.0% 2.5% 7.5%
Total
-.02728 Count 0 3 0 0 0 3
% of 0.0% 7.5% 0.0% 0.0% 0.0% 7.5%
Total
.19096 Count 1 2 0 0 0 3
33
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
34
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Crosstab
Cluster
Cluster Cluster Cluster Cluster Cluster
1 2 3 4 5 Total
Zscore -.75770 Count 0 1 0 0 0 1
(Jumlah_Pinjaman) % of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.66430 Count 0 2 0 0 0 2
% of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
-.61760 Count 0 4 0 0 0 4
% of 0.0% 10.0% 0.0% 0.0% 0.0% 10.0%
Total
-.57090 Count 0 4 0 0 0 4
% of 0.0% 10.0% 0.0% 0.0% 0.0% 10.0%
Total
-.52420 Count 0 3 0 0 0 3
% of 0.0% 7.5% 0.0% 0.0% 0.0% 7.5%
Total
-.47750 Count 0 5 2 0 0 7
% of 0.0% 12.5% 5.0% 0.0% 0.0% 17.5%
Total
-.43080 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.38410 Count 0 2 0 0 0 2
% of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
-.29070 Count 0 1 1 0 0 2
% of 0.0% 2.5% 2.5% 0.0% 0.0% 5.0%
Total
-.15061 Count 0 2 0 0 0 2
% of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
.08289 Count 0 4 0 0 0 4
35
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
36
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Crosstab
Cluster
Cluster Cluster Cluster Cluster Cluster Total
1 2 3 4 5
Zscore -.76572 Count 0 1 0 0 0 1
(Pendapatan_Debitur) % of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.71510 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.51259 Count 0 3 0 0 0 3
% of 0.0% 7.5% 0.0% 0.0% 0.0% 7.5%
Total
-.46197 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.41134 Count 0 2 0 0 0 2
% of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
-.36071 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.31009 Count 0 7 1 0 0 8
% of 0.0% 17.5% 2.5% 0.0% 0.0% 20.0%
Total
-.25946 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
-.20883 Count 1 3 0 0 1 5
% of 2.5% 7.5% 0.0% 0.0% 2.5% 12.5%
Total
-.15821 Count 0 2 0 0 0 2
% of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Total
-.10758 Count 1 4 0 0 0 5
37
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
38
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Crosstab
Cluster
Cluster Cluster Cluster Cluster Cluster
1 2 3 4 5 Total
Zscore - Count 0 2 0 0 0 2
(Jangka_Waktu_ 1.90993 % of 0.0% 5.0% 0.0% 0.0% 0.0% 5.0%
Pinjaman) Total
- Count 0 5 1 0 1 7
1.30838 % of 0.0% 12.5% 2.5% 0.0% 2.5% 17.5%
Total
-.70682 Count 0 1 2 0 0 3
% of 0.0% 2.5% 5.0% 0.0% 0.0% 7.5%
Total
-.10527 Count 0 9 0 0 0 9
% of 0.0% 22.5% 0.0% 0.0% 0.0% 22.5%
Total
.49628 Count 1 10 0 0 0 11
% of 2.5% 25.0% 0.0% 0.0% 0.0% 27.5%
Total
1.09783 Count 1 4 0 1 0 6
% of 2.5% 10.0% 0.0% 2.5% 0.0% 15.0%
Total
1.69938 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
2.30094 Count 0 1 0 0 0 1
% of 0.0% 2.5% 0.0% 0.0% 0.0% 2.5%
Total
Total Count 2 33 3 1 1 40
% of 5.0% 82.5% 7.5% 2.5% 2.5% 100.0%
Total
Berikut ini merupakan pedoman ketentuan untuk menafsirkan tabel hasil analisis
pada hasil crosstab:
1. Jika terdapat kriteria yang angkanya menunjukkan angka negatif, berarti cluster yang
39
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Dari seluruh hasil crosstab di atas, dapat diketahui karakteristik masing-masing cluster
berdasarkan karakteristik anggota cluster yang dominan, dapat dilihat dari tabel berikut ini:
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
0,19096 2,91889 -1,00933 -0,24551
Usia (↑) 0,30007 (7,5%)
(2,5%) (2.5%) (2,5%) (2,5%)
Untuk kriteria jumlah
Jumlah 3,11836 pinjaman pada cluster 2 -0,47750 2,18437 2,18437
Pinjaman (↓) (5%) dominan di bawah rata- (5%) (2,5%) (2,5%)
rata total
Untuk kriteria pendapatan
Pendapatan 0,10758 debitur pada cluster 2 0,19618 5,71445 -0,20833
Debitur (↑) (2,5%) dominan di bawah rata- (2,5%) (2,5%) (2,5%)
rata total
Untuk kriteria jangka
Jangka Waktu 1,09783 waktu pinjaman pada -0,70682 1,09783 -1,30838
Pinjaman (↓) (2,5%) cluster 2 dominan di atas (5%) (2,5%) (2,5%)
rata-rata total
Dari tabel rekapitulasi di atas, maka dapat dilihat masing-masing cluster sebagai berikut:
1. Dalam cluster-1 terdiri dari responden dengan karakteristik usia dominan di atas rata-rata
total, jumlah pinjaman dominan di atas rata-rata total, pendapatan debitur dominan di atas
rata-rata total, dan jangka waktu pinjaman dominan di atas rata-rata total.
Sehingga, cluster-1 termasuk kelompok responden (nasabah) yang kurang potensial
untuk diterapkan strategi pencegahan risiko peminjaman.
2. Dalam cluster-2 terdiri dari responden dengan karakteristik usia dominan di atas rata-rata
total, jumlah pinjaman di bawah rata-rata total, pendapatan debitur dominan di bawah rata-
rata total, dan jangka waktu pinjaman dominan di atas rata-rata total.
Sehingga cluster-2 termasuk kelompok responden (nasabah) yang cukup potensial
untuk diterapkan strategi pencegahan risiko peminjaman berupa restrukturisasi kredit
40
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Sedangkan cluster 4 dan 5 merupakan outlier, dikarenakan pada studi kasus ini perusahaan
bank ingin mengelompokkan nasabah (responden) untuk menentukan strategi demi
menghindari risiko peminjaman. Sehingga 2 outlier dapat dimasukan pada kelompok
responden dengan strategi pencegahan risiko peminjaman yang tepat berdasarkan pada
karakteristik outlier tersebut, seperti penjelasan berikut:
4. Cluster-4 merupakan outlier, yaitu responden (nasabah) dengan karakteristik usia dominan
di bawah rata-rata total, jumlah pinjaman dominan di atas rata-rata total, pendapatan debitur
dominan di atas rata-rata total, dan jangka waktu pinjaman dominan di atas rata-rata total.
Sehingga, cluster-4 termasuk kelompok responden (nasabah) yang kurang potensial
untuk diterapkan strategi pencegahan risiko peminjaman berupa kesempatan pembayaran
kewajiban bunga hingga penghapusbukuan kredit macet.
5. Cluster-5 merupakan outlier, yaitu responden (nasabah) dengan karakteristik usia dominan
di bawah rata-rata total, jumlah pinjaman dominan di atas rata-rata total, pendapatan debitur
dominan di bawah rata-rata total, dan jangka waktu pinjaman dominan di bawah rata-rata
total.
Sehingga, cluster-5 termasuk kelompok responden (nasabah) yang kurang potensial
untuk diterapkan strategi pencegahan risiko berupa restrukturisasi kredit yaitu pengurangan
tunggakan bunga atau penalty hingga penghapusbukuan kredit macet.
41
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
42
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Dari hasil Output di atas merupakan tampilan pertama hasil proses nomalisasi data.
Dari tabel menunjukkan hasil nilai N, Minimum, Maximum, Mean, dan Standar
Deviation dari masing-masing kriteria. Jika sudah tampil output seperti gambar di
43
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
atas, maka anda memastikan tampilan Data View anda sebelumnya sudah seperti
gambar di bawah ini.
Terdapat tambahan variabel “Z” hasil dari normalisasi data kuesioner dari masing-
masing kriteria. Data "Z score” inilah yang kemudian akan diolah untuk tahap
pengelompokkan (clustering) berikutnya.
b. Pindahkan Variabel yang berawalan “Z” ke kolom Variable (s). Selanjutnya tentukan
jumlah Cluster dengan mengisikan angka 3 pada Number of Cluster
44
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
c. Pilih Save dan aktifkan Cluster Membership dan Distance from Cluster center, kemudian
Continue
45
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Tabel Initial Cluster Centers menunjukkan hasil proses sementara pengelompokkan data
yang di lakukan.
Tabel di atas merupakan tampilan pertama proses clustering data sebelum dilakukan
iterasi. Untuk mendeteksi berapa kali proses iterasi dilakukan dalam proses clustering
menggunakan 40 data objek dapat dilihat tampilan output berikut:
Ternyata proses clustering dilakukan melalui 8 iterasi untuk menentukan cluster yang
tepat. Dari tabel di atas disebutkan bahwa jarak minimum antar pusat cluster yang terjadi dari
hasil iterasi adalah 5.157.
46
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Cluster Membership
Cluster Membership
47
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Terlihat dari tabel di atas menunjukkan tiap responden masuk ke dalam masing-masing cluster
yang dibentuk. Seperti responden bernama Agung masuk dalam cluster 2, nilai distance
sebesar 3,10745.
Tabel Final Cluster Centers menunjukkan hasil analisisnya untuk masing-masing kriteria dan
cluster yang dibentuk.
Berikut ini merupakan pedoman ketentuan untuk menafsirkan tabel hasil analisis
pada Final Cluster Centers:
1. Jika hasil perhitungan ditemukan negatif, berarti cluster yang bersangkutan ada di
bawah rata-rata total.
2. Jika hasil perhitungan ditemukan positif, berarti cluster yang bersangkutan ada di atas
rata-rata total.
48
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Tabel Number of cases in each cluster menunjukkan jumlah responden yang masuk ke dalam
tiap cluster. Cluster 1 (1 responden), cluster 2 (25 responden) dan cluster 3 (14 responden).
Dari tabel output Final Cluster Centers, dengan ketentuan yang telah dijabarkan di atas pula,
dapat didefinisikan sebagai berikut :
1. Cluster 1
Dalam cluster-1 terdiri dari responden (nasabah) dengan karakteristik usia dominan di
bawah rata-rata total, jumlah pinjaman dominan di atas rata-rata total, pendapatan debitur
dominan di atas rata-rata total, dan jangka waktu peminjaman dominan di atas rata-rata
total.
Sehingga, cluster-1 termasuk kelompok responden (nasabah) yang kurang potensial
untuk diterapkan strategi pencegahan risiko peminjaman.
2. Cluster 2
Dalam cluster-2 terdiri dari responden (nasabah) dengan karakteristik usia dominan di
bawah rata-rata total, jumlah pinjaman dominan di atas rata-rata total, pendapatan debitur
dominan di bawah rata-rata total, dan jangka waktu peminjaman dominan di atas rata-
rata total.
Sehingga, cluster-2 termasuk kelompok responden (nasabah) yang paling potensial
untuk diterapkan strategi pencegahan risiko peminjaman berupa restrukturisasi kredit
seperti penurunan suku bunga kredit, penambahan fasilitas kredit hingga
penghapusbukuan kredit macet.
3. Cluster 3
Dalam cluster-3 terdiri dari responden (nasabah) dengan karakteristik usia dominan di
atas rata-rata total, jumlah pinjaman dominan di bawah rata-rata total, pendapatan debitur
dominan di bawah rata-rata total, dan jangka waktu peminjaman dominan di bawah rata-
rata total.
Sehingga, cluster-3 termasuk kelompok responden (nasabah) yang cukup potensial
untuk diterapkan strategi pencegahan risiko peminjaman berupa pengurangan tunggakan
pokok kredit dan perpanjangan jangka waktu kredit.
Dalam menghitung nilai rata-rata setiap faktor pada masing-masing cluster, rumus umum yang
49
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
digunakan yaitu:
𝑥 = µ + 𝑧 .𝜎
Dimana:
x : rata-rata sampel (variabel dalam cluster)
µ : rata-rata populasi
z : nilai standardisasi
𝜎 : standar deviasi
Sebagai contoh, apabila ingin mengetahui rata-rata usia pada cluster 1 yaitu :
𝑥 = µ + 𝑧. 𝜎
𝑥 = 33,2500 + (−1,00933). (9,16445)
𝑥 = 24,000045
Jadi rata-rata usia pada cluster 1 adalah 24,00.
Rata-rata setiap kriteria cluster dapat diketahui berdasarkan hasil SPSS seperti pada tabel
berikut:
Informasi nilai rata-rata setiap cluster dapat dilihat pada tabel berikut:
Cluster
1 2 3
Usia 24,00 29,08 41,36
Jumlah Pinjaman 65,00 21,20 9,57
Pendapatan Debitur 645,00 71,00 57,50
Jangka Waktu Pinjaman 16,00 15,00 12,57
Nilai tersebut menunjukkan nilai rata-rata pada setiap cluster berdasarkan masing-masing
faktor. Misalnya:
Cluster-1 terdiri dari responden (nasabah) dengan karakteristik usia sebesar 24,00 dimana di
bawah rata-rata total, jumlah pinjaman sebesar 6,5 juta dimana di atas rata-rata total,
50
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
Pendapatan debitur sebesar 64,5 juta dimana di atas rata-rata total, dan jangka waktu pinjaman
selama 16 bulan dimana di atas rata-rata total. Sehingga, cluster-1 termasuk kelompok
responden (nasabah) yang kurang potensial untuk diterapkan strategi pencegahan risiko
peminjaman.
51
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
DAFTAR PUSTAKA
52
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 52
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2022
53