23-10-2018

MAP
METODE ANALISIS
Analisis Kluster
Erma Fitria Rini
PERENCANAAN
2018

Analisis Dependensi
Besarnya pengaruh dari
• Crosstab perubahan variabel bebas
terhadap perubahan variabel tak
• Korelasi bebas
• Regresi
Analisis Interdependensi
• pengelompokkan / pengklasifikasian /
• Klaster pengklasteran
• variabel tidak dibedakan menjadi bebas dan tak
• Faktor bebas, variabel mempunyai derajat tingkat yang
sama

1
 23-10-2018

Analisis Cluster
Cluster analysis divides data into groups (clusters) that are meaningful,
useful, or both. The goal is that the objects within a group be similar (or
related) to one another and different from (or unrelated to) the objects in
other groups.

Teknik statistik untuk mengidentifikasi sekelompok objek (cese) yang memiliki

kemiripan karakteristik tertentu sehingga dapat dipisahkan dari kelompok objek
lainnya.

EFR 3

EFR 4

2
 23-10-2018

Contoh Kasus
Individu Asal Hobby Makanan favorit

A Surabaya Baca Nasi Goreng

B Denpasar Travel Chinese

C Malang Nonton Chinese

D Semarang Baca Padang
E Kupang Olah raga Burger

Kelompok Berdasarkan asal? Kelompok Berdasarkan asal, hobby,

makanan favorit?
Kelompok Berdasarkan hobby?
Bagaimana jika ada 10 individu? 100
individu?
Kelompok Berdasarkan makanan?

EFR 5

Prinsip:
• Pengelompokan berdasarkan similarity (kesamaan) antar objek
• Meminimalkan jarak antar objek dalam cluster (within cluster)
• Memaksimalkan jarak antar kelompok (between cluster)

Pertanyaan dasar:
1. Bagaimana mengukur similarity antar objek???
2. Bagaimana prosedur membentuk cluster berdasarkan hasil pengukuran
similarity-nya???

3
 23-10-2018

WITHIN DAN BETWEEN CLUSTER:

MENGUKUR SIMILARITY:
Prinsip pengukuran:
mengukur atau memperkirakan kesamaan antara pasangan-
pasangan objek dalam data, berdasarkan jarak (distance) atau
perbedaan (difference) antara sepasang objek

Metode:
•Correlation coefficients: nilai korelasi antara sepasang objek
yang diukur berdasarkan variabel-variabelnya
•Euclidean Distances:berdasakan jarak terdekat antara dua objek
yang diukur berdasarkan nilai variabel-variabelnya
•Matching-type measure of similarity: mencocokkan kesamaan
antar objek (untuk objek-objek kualitatif)

4
 23-10-2018

Pertimbangan pemilihan metode:

• Correlation
coefficients: • Karakter variabel (diskrit,
• Euclidean continyu, binary)
Distances • Skala pengukuran variabel
(nominal, ordinal, interval,
• Matching-type ratio)
measure of
similarity:

Metode •Hierarchical
•Non-Hierarchical
Cluster
EFR 10

5
 23-10-2018

PROSEDUR PEMBENTUKAN CLUSTER:

Data: Cluster
Matrik
Objek dengan yang
similarity terbentuk
karakteristiknya

•Euclidean Distance •Hierarchical

cluster
•Correlation
•Non-Hierarchical
•Matching type
cluster

•Cluster 1: O1, O2, O3

•Cluster 2: 04

Hierarchical Methods:
• Pengelompokan objek secara bertahap dan bertingkat sesuai
dengan skala similarity-nya
• Jika suatu objek dikelompokkan ke dalam suatu cluster, maka
objek tersebut tetap berada pada kelompok tersebut,
sehingga jika ketika objek tadi akan dikelompokkan dengan
objek lain, maka culster-nya akan dikelopompokkan juga
• Penentuan jumlah cluster ditentukan kemudian sesuai dengan
keinginan peneliti

Digambarkan dalam sebuah DENDOGRAM

6
 23-10-2018

Seperti apa Dendogram?

EFR 14

7
 23-10-2018

Teknik dan Hierarchical Method:

• Single Linkage  minimum distance or nearest neighbor  mengelompokkan objek
dengan teknik jarak terdekat
• Complate linkage  maximum distance or farthest neighbor)  mengelompokkan
objek dengan teknik jarak terjauh
• Average linkage  average distance  pengelompokan objek berdasarkan jarak
rata-rata antara dua kelompok cluster

Step-by-step
• Standarize data
Klik Analyze pilih Descriptive statistic pilih descriptive.
Hierarchy
Masukkan variabel sesuai tujuan analisis, dan aktifkan kotak save standardized values as
variables . Kemudian tekan OK.
• Analyze, pilih Classify lalu Hierarchical cluster
• Masukkan variabel
• Label Cases by…. Masukkan variabel dimana cluster akan dilakukan berdasarkan variabel tersebut
(mis, kecamatan)
• Klik icon statistic
• Pada bagian Cluster Membership, aktifkan pilihan Range of Solution . Misal isi from dengan 2 lalu
through dengan 3. Hal ini berarti akan dibuat kemungkinan 2 sampai 3 cluster.
• Continue
• Kemudian klik icon PLOTS. Aktifkan kotak Dendogram
• Untuk bagian ICICLE, pilih none
• continue
• Klik icon Method
• Pada kotak Cluster method, pilih Ward’s Method
• Continue
• OK
EFR 16

8
 23-10-2018

Non-Hierarchical Method:

• Jumlah cluster ditentukan terlebih dahulu, kemudian objek digabungkan

dengan cluster-cluster tersebut
• Posisi objek dalam suatu cluster tidak tetap, meskipun objek telah masuk
dalam suatu cluster, objek tersebut dapat mengalami relokasi ke dalam
cluster lain.
• Umumnya digunakan untuk objek dalam jumlah yang besar (> 200)

Step-by-step
• Standarize data
Klik Analyze pilih Descriptive statistic pilih descriptive.
K-Means
Masukkan variabel sesuai tujuan analisis, dan aktifkan kotak save standardized values as
variables . Kemudian tekan OK.
• Analyze, pilih Classify lalu K-Means cluster
• Masukkan variabel
• Label Cases by…. Masukkan variabel dimana cluster akan dilakukan berdasarkan variabel tersebut
(mis, kecamatan)
• Isikan jumlah cluster yang ingin dibentuk
• Klik Save, aktif kan cluster membership dan distance from cluster center
• continue
• Klik option, aktifkan initial cluster center, ANOVA tabel, dan Cluster information.
• Aktifkan exclude (pilih pairwise atau listwise sesuai kebutuhan)
• Continue
• OK

EFR 18

9
 23-10-2018

Research Case Study

Paramita Rahayu-Erma Fitria Rini-
Soedwiwahjono

EFR 19

2 cluster
EFR 20

10
 23-10-2018

3 cluster
EFR 21

4 cluster
EFR 22

11
 23-10-2018

EFR 23

12