CLUSTER ANALYSIS

Dr. Setyo Hari Wijanto

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

Interdependence Techniques
Teknik Interdependen
Teknik interdependen berfokus terutama kepada definisi dari
struktur, mengkaji interdependen tanpa ada kaitannya dengan
hubungan dependen.
Ada 3 teknik interdependen:
Analisis Faktor (Factor Analysis)
Analisis Kluster/Rumpun (Cluster Analysis)
Penskalaan Multidimensi (Multidimensional Scaling/MDS)

Ketiga teknik ini menyediakan metode yang dapat mengatur data

dalam bentuk struktur di antara observasi atau variabel. Dengan
cara ini, peneliti memahami lebih baik tentang struktur dasar dari
data, tidak hanya menyediakan deskripsi data tetapi juga suatu
dasar analisis lebih teliti terhadap hubungan dependen.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

Apa itu Analisis Kluster?

Tujuan
Tujuan utama Analisis Kluster adalah mengelompokkan obyek-obyek
berdasarkan karakteristik yang dipunyainya. Analisis kluster
mengklasifikasikan obyek-obyek sedemikian sehingga setiap obyek
serupa dengan yang lain di dalam kluster dengan berpedoman pada
kriteria pemilihan yang ditentukan sebelumnya.
Cluster Variate adalah kelompok variabel yang mewakili karakteristik
yang digunakan untuk membandingkan obyek-obyek di dalam Kluster
Analisis Kluster merupakan satu-satunya teknik multivariat yang tidak
mengestimasi variat secara empiris, tetapi menggunakan variat seperti
yang dispesifikasikan oleh peneliti. Fokus Analisis Kluster adalah
perbandingan obyek-obyek berdasarkan variat, dan bukan estimasi dari
variat itu sendiri.
Sering disebut Clasification Analysis atau Numerical Taxonomy.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

Apa itu Analisis Kluster?

Karakteristik Kluster yang Baik
Homogenitas (kesamaan) yang tinggi antar anggota dalam satu
kluster (Within Cluster).
Heterogenitas (perbedaan) yang tinggi antar kluster yang satu
dengan kluster yang lain.

Analisis Kluster vs Analisis Faktor

Analisis Faktor (R-Type Factor Analysis) ditujukan untuk mereduksi
variabel, sedangkan Analisis Kluster (Q-Type Factor Analysis)
ditujukan terutama untuk mengelompokkan isi variabel, meskipun bisa
juga disertai dengan pengelompokkan variabel.
Dalam terminologi SPSS, Analisis Faktor adalah perlakuan terhadap
kolom, sedang Analisis Kluster adalah perlakuan terhadap baris.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

Bagaimana Analisis Kluster Bekerja?

Scatter Plot dari V1 (store
loyalty) dan V2 (brand loyalty)
Tujuan meletakkan
observasi paling serupa/sama
ke dalam kelompok-kelompok.
Cara:
Bagaimana kita mengukur
kesamaan?
Bagaimana kita membentuk
kluster?
Berapa kelompok yang akan
kita bentuk? (Semakin sedikit
jumlah kluster, semakin kurang
homogen trade off)
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

Bagaimana Analisis Kluster Bekerja?

Kesamaan diukur

menggunakan Euclidean
(straight-line) distance di antara
setiap pasang observasi. Lihat
Tabel 9.1. E dan F paling
sama (1.414), dan A dan F
adalah paling berbeda (6.403).

Membentuk Kluster
Hierarchical Method/
Agglomerative Method,
pengelompokan dua obyek atau
lebih yang mempunyai
kesamaan paling dekat,
demikian seterusnya, sampai
terbentuk pohon. (Dendogram)
Dr. Setyo Hari Wij
anto Oktober 2003

Non-Hierarchical Method/
K-Means Cluster, dimulai
dengan menentukan jumlah
kluster yang diinginkan (2, 3
kluster atau lebih) terlebih
dahulu, kemudian proses
kluster dilakukan tanpa
mengikuti proses hirarki

Cluster Analysis

Bagaimana Analisis Kluster Bekerja?

Menentukan Jumlah Kluster dalam Solusi Akhir
Solusi awal ada 7 kluster, step 1 ada 6 kluster dengan minimum distance 1.414,
step 2,3,4, tidak menunjukkan peningkatan yang berarti, step 5 meningkat cukup
banyak, step 6 meningkat banyak. step 4 lebih baik dari step 5. Jadi ada 3
kluster: 2 kluster ukuran sama dan 1 observasi tunggal.

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

Bagaimana Analisis Kluster Bekerja?

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

Proses Analisis Kluster

Proses

Stage 1 : Obyektif Analisis Kluster

Stage 2 : Rancangan Penelitian dalam Analisis Kluster
Stage 3 : Asumsi-asumsi dalam Analisis Kluster
Stage 4 : Menentukan Kluster dan Menilai Kecocokan
Keseluruhan (Overall Fit)
Stage 5 : Interpretasi Kluster
Stage 6 : Validasi dan Profil Kluster

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

Stage 1 : Obyektif Analisis Kluster

Obyektif
Data Reduction
Hypothesis Development
Classification

Pemilihan Clustering Variables

Pemilihan variabel yang digunakan untuk mengkarakteristikkan
obyek yang akan dikluster.
Pemilihan didasarkan pertimbangan teori, konsep dan praktis.
Variabel-variabel yang dipilih adalah variabel yang:
mengkarakteristikkan obyek-obyek yang akan dikluster
Berkaitan secara spesifik dengan obyektif dari analisis kluster

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

10

Stage 2 : Rancangan Penelitian dalam Analisis Kluster

Hasil dari analisis kluster sangat tergantung pada variabel yang ikut
dalam analisis.
Variabel tidak relevan akan mempunyai dampak negatif pada
hasil
Setiap variabel harus mempunyai alasan spesifik untuk diikutkan
Variabel seharusnya dikeluarkan jika peneliti tidak dapat
mengidentifikasikan alasan keikutsertaan dalam analisis.
Analisis kluster sangat sensitif terhadap outliers, maka peneliti
sebaiknya melakukan screening data terlebih dahulu.

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

11

Stage 2 : Rancangan Penelitian dalam Analisis Kluster

Peneliti harus
menspesifikasikan ukuran
kesamaan antar obyek
Correlational measures
merepresentasikan kesamaan
melalui analisis pola (korelasi)
seluruh variabel
Distance Measures :
Euclidean distance dan
Standarisasi (Jika rentang
variabel-variabel sangat
berbeda)
Association measures
digunakan untuk obyek yang
non-metrik
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

12

Stage 3 : Asumsi-Asumsi dalam Analisis Kluster

Data bisa merupakan data metrik, non-metrik atau kombinasi
keduanya.
Analisis kluster mengasumsikan bahwa sampel adalah benar-benar
representatif dari populasi. Outliers yang bukan representatif dari
populasi dihapus.
Multikolinieritas di antara variabel bisa berdampak negatif pada
analisis. Satu atau lebih dari variabel-variabel yang mempunyai
kolinieritas tinggi (misalnya lebih dari 0.5) seharusnya dihapus.

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

13

Stage 4 : Menentukan Kluster dan Menilai Overall Fit

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

14

Stage 4 : Menentukan Kluster dan Menilai Overall Fit

Hierarchical Clustering:
Agglomerative Clustering, mulai dengan setiap observasi sebagai
sebuah kluster dan setiap langkah mengkombinasikan observasi untuk
membentuk kluster sampai hanya sebuah kluster besar.
Divisive Method mulai dengan satu kluster besar dan berlanjut dengan
pemisahan ke dalam kluster lebih kecil dan yang paling tidak sama.

5 ukuran untuk membentuk Kluster

Single linkage berdasarkan jarak terpendek di antara obyek-obyek

Complete linkage - berdasarkan jarak maksimum di antara obyek-obyek
Average linkage - berdasarkan jarak rata-rata di antara obyek-obyek
Wards method berdasarkan jumlah kuadrat di antara 2 kluster yang
dijumlah untuk seluruh variabel
Centroid method berdasarkan jarak antara cluster centroids.(perlu
data berbentuk metrik)
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

15

Stage 4 : Menentukan Kluster dan Menilai Overall Fit

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

16

Stage 4 : Menentukan Kluster dan Menilai Overall Fit

Non Hierarchical clustering mempunyai 3 pendekatan:
Sequential treshold didasarkan atas pemilihan sebuah cluster seed
setiap waktu dan keanggotaan kluster tersebut dipenuhi sebelum seed
lain dipilih.
Paralel treshold didasarkan atas pemilihan cluster seed secara
bersamaan dan membership threshold distance disesuaikan agar dapat
memasukkan lebih banyak atau lebih sedikit obyek ke dalam kluster.
Optimizing seperti metode yang lain, hanya metode ini memungkinkan
untuk melakukan pemindahan obyek ke kluster lain berdasar atas
kriteria optimasi.

Tidak ada aturan baku tentang metode kluster yang digunakan,

saran:
Tahap pertama Hierarchical Cluster Analysis generate and profile
the cluster.
Tahap kedua Non Hierarchical Cluster Analysis untuk fine tune.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

17

Stage 4 : Menentukan Kluster dan Menilai Overall Fit

Tidak ada satu prosedur yang diterima secara umum untuk
menentukan jumlah kluster yang diekstrak. Keputusan harus
diarahkan oleh teori dan kepraktisan dari hasil. Beberapa metode
yang dapat digunakan:
Clustering Coefficient : Ukuran jarak di antara 2 obyek yang dikombinasikan.
Koefisien yang kecil menunjukkan obyek yang cukup homogen digabungkan.
Sedangkan koefisien yang besar berarti 2 obyek yang sangat berbeda
digabung.

Dendogram : representasi dalam bentuk gambar dari proses clustering yang

mengidentifikasikan bagaimana observasi-observasi dikombinasikan ke dalam
setiap kluster.

Vertical Icicle Secara gambar menunjukkan jumlah obyek-obyek sepanjang

bagian atas dan jumlah kluster di bagian bawah. Kosong menunjukkan kluster
sedangkan X menunjukkan anggota-anggota per kluster.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

18

Stage 4 : Menentukan Kluster dan Menilai Overall Fit

Ketika solusi kluster diperoleh, periksa struktur setiap kluster dan
tentukan apakah solusi perlu atau tidak perlu dispesifikasikan ulang.
Spesifikasi Ulang (Respecification) mungkin diperlukan jika variasi
ukuran kluster yang besar atau ada kluster yang anggotanya hanya
satu atau dua observasi.

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

19

Stage 5 : Interpretasi Kluster

Cluster Centroids pada setiap variabel adalah dasar dari interpretasi
Cluster Centroids mewakili skor rata-rata dari setiap kelompok. Skorskor ini dapat digunakan untu memberi label kepada kluster.
Statistical test ( F statistic dan tingkat signifikansi setiap variabel)
disediakan untuk menunjukkan perbedaan yang signifikan di antara
kluster-kluster.
Profiling dari kluster-kluster dapat dihitung dengan analisis diskriminan,
dengan menggunakan variabel-variabel yang tidak dimanfaatkan dalam
analisis kluster

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

20

Stage 6 : Validasi dan Profiling Kluster

Validasi mengandung analisis solusi kluster dalam rangka
representativeness dari populasi dan untuk generalisasi. Metodenya:
Dilakukan analisis kluster terhadap new, seperate sample dan hasilnya
dibandingkan.
Split the sample ke dalam 2 kelompok dan lakukan analisis kluster
secara terpisah.
Cari cluster centers dari satu kelompok dan gunakan untuk kelompok
lain untuk menentukan kluster.

Profiling mengandung pengkajian bagaimana setiap kluster berbeda

dengan yang lain berdasarkan dimensi deskriptif yang relevan.
Predictive atau criterion validity dari kluster dapat diuji dengan
memilih sebuah criterion variable yang tidak digunakan pada analisis
kluster dan menguji vaiabilitasnya di seluruh kluster.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

21

Contoh Analisis Kluster

Stage 1: Obyektif Analisis Kluster
Diinginkan untuk mengkluster konsumen berdasar attitude toward
shopping.
Data yang digunakan adalah respon dari konsumer terhadap
pertanyaan-pertanyaan di bawah ini ( diukur dengan 7 point scale,
dimana 1 = disagree, 7= agree)

V1 : Shopping is fun
V2 : Shopping is bad for your budget
V3 : I combine shopping with eating out
V4 : I try to get the best buy when shopping
V5 : I dont care about shopping
V6 : You can save a lot of money by comparing prize

Lihat Malhotra Table 20.1 (Slide berikutnya)

Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

22

Contoh Analisis Kluster

Data

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

23

Contoh Analisis Kluster

Stage 2 : Rancangan Penelitian Analisis Kluster
Outlier terjadi di case 18 pada ZV2 dan case 20 pada ZV5 dan
diputuskan untuk tidak dihapus.
Squared Euclidean Distance dipilih sebagai ukuran kesamaan
(similarity measure).
Standarisasi tidak dilakukan karena variabelnya mempunyai skala
yang sama.

Stage 3: Asumsi-asumsi dalam Analisis Kluster

Sebagai contoh penggunaan analisis kluster diasumsikan bahwa
sampel merupakan representative sample dari customer yang
shopping.
Multikolinieritas diasumsikan rendah dan tidak berdampak pada
analisis kluster.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

24

Contoh Analisis Kluster

Stage 4 : Menentukan Kluster dan Menilai Overall Fit
Metode Kluster: 1. Agglomerative clustering (dan 2. Nonhierachical)
Ukuran untuk membentuk Kluster : Ward Linkage
Metode untuk mengekstrak Kluster:
Clustering Coefficient (Lihat Slide Berikutnya)
Baris Ke 1 mewakili stage 1, dengan 19 kluster. Responden 14 dan 16
digabung pada stage ini (LIhat Kolom Cluster Combined).
Squared Euclidean distance di antara kedua reaponden ditunjukkan pada
kolom Coefficient. Kolom Stage Cluster First Appears menandakan
stage dimana sebuah kluster pertama kali dibentuk.
Kolom terakhir Next Stage menunjukkan stage dimana responden
(case) atau kluster digabung dengan kluster ini. Angka baris pertama
pada kolom terakhir adalah 6, berarti pada stage ke 6, responden 10
dikombinasikan/digabung dengan 14 dan 16 untuk membentuk sebuah
kluster. Demikian seterusnya.
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

25

Contoh Analisis Kluster

Ward Linkage

Agglomeration Schedule

Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Combined
Cluster 1
Cluster 2
14
16
6
7
2
13
5
11
3
8
10
14
6
12
9
20
4
10
1
6
5
9
4
19
1
17
1
15
2
5
1
3
4
18
2
4
1
2

Coefficients
1.000
2.000
3.500
5.000
6.500
8.167
10.500
13.000
15.583
18.500
23.000
27.750
33.100
41.333
51.833
64.500
79.667
172.667
328.600

Cluster Analysis

Stage Cluster First

Appears
Cluster 1
Cluster 2
0
0
0
0
0
0
0
0
0
0
0
1
2
0
0
0
0
6
0
7
4
8
9
0
10
0
13
0
3
11
14
5
12
0
15
17
16
18

Next Stage
6
7
15
11
16
9
10
11
12
13
15
17
14
16
18
19
18
19
0

26

Contoh Analisis Kluster

Cluster Membership

Ward Linkage
Case
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Dr. Setyo Hari Wij

anto Oktober 2003

4 Clusters
1
2
1
3
2
1
1
1
2
3
2
1
2
3
1
3
1
4
3
2

3 Clusters
1
2
1
3
2
1
1
1
2
3
2
1
2
3
1
3
1
3
3
2

Cluster Analysis

2 Clusters
1
2
1
2
2
1
1
1
2
2
2
1
2
2
1
2
1
2
2
2

27

Contoh Analisis Kluster

Stage 4 : Menentukan Kluster dan Menilai Overall Fit
Metode untuk mengekstrak Kluster (Lanjut):
Dendogram (Lihat Slide Berikutnya)
Perhatikan bahwa skala yang digunakan adalah 0 sampai 25
Proses agglomerasi dimulai pada skala 0, dalam hal ini responden
nomor 14, 16, 10, 4, 19 membentuk satu kluster, responden 2 dan 13
satu kluster, responden 5,11, 9,20 satu kluster, responden 3 dan 8
satu kluster, responden 6,7,12,1, 17 satu kluster, secara sendirian
responden 18 satu kluster dan responden 15 juga satu kluster. Jadi
ada 5 kluster dengan anggota lebih dari satu dan 2 kluster dengan satu
anggota.
Proses agglomerasi berikutnya pada skala 1, menggabungkan kluster
yang beranggotakan responden 2 dan beranggotakan responden 11
menjadi satu kluster, dan responden 3,1, dan 15 satu kluster. Dstnya
Perhatikan Hasil Dendogram sama dengan hasil Cluster Membership
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

28

Contoh Analisis Kluster

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

29

Contoh Analisis Kluster

Stage 4 : Menentukan Kluster dan Menilai Overall Fit
Menentukan Jumlah Kluster
Ukuran relatif dari kluster seharusnya mempunyai arti. Dari
Dendogram maupun Cluster Membership, jika diambil 3 kluster
maka anggotanya adalah 8, 6, 6 responden, sedangkan jika 4
kluster adalah 8, 6, 5, dan 1 reaponden. Jadi sebaiknya 3 kluster
yang dipilih.

Langkah 2: Nonhierarchical atau K-Means Analysis

Ditujukan untuk menyesuaikan atau fine-tune terhadap hasil dari
Hierarchical cluster analysis.

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

30

Contoh Analisis Kluster

Iteration Historya

Initial Cluster Centers

Cluster
2

1
fun
bad for budget
combine with eating
best buy
don't care
compare price

4
6
3
7
2
7

3
2
3
2
4
7
2

Change in Cluster Centers

1
2
3
2.154
2.102
2.550
.000
.000
.000

Iteration
1
2

7
2
6
4
1
3

a. Convergence achieved due to no or small change in

cluster centers. The maximum absolute coordinate
change for any center is .000. The current iteration is 2.
The minimum distance between initial centers is 7.746.

Final Cluster Centers

Cluster
2

1
fun
bad for budget
combine with eating
best buy
don't care
compare price

Dr. Setyo Hari Wij

anto Oktober 2003

4
6
3
6
4
6

3
2
3
2
4
6
3

Cluster Analysis

6
4
6
3
2
4

31

Contoh Analisis Kluster

Cluster Membership
Case Number
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster
3
2
3
1
2
3
3
3
2
1
2
3
2
1
3
1
3
1
1
2

Distance
1.414
1.323
2.550
1.404
1.848
1.225
1.500
2.121
1.756
1.143
1.041
1.581
2.598
1.404
2.828
1.624
2.598
3.555
2.154
2.102

Distances between Final Cluster Centers

Cluster
1
2
3

Cluster Analysis

1
5.568
5.698

2
5.568

3
5.698
6.928

6.928

32

Contoh Analisis Kluster

ANOVA

fun
bad for budget
combine with eating
best buy
don't care
compare price

Cluster
Mean Square
29.108
13.546
31.392
15.713
22.538
12.171

df
2
2
2
2
2
2

Error
Mean Square
.608
.630
.833
.728
.816
1.071

df
17
17
17
17
17
17

F
47.888
21.505
37.670
21.585
27.614
11.363

Sig.
.000
.000
.000
.000
.000
.001

The F tests should be used only for descriptive purposes because the clusters have been chosen to
maximize the differences among cases in different clusters. The observed significance levels are not
corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are
equal.

Number of Cases in each Cluster

Cluster

1
2
3

Valid
Missing

Dr. Setyo Hari Wij

anto Oktober 2003

6.000
6.000
8.000
20.000
.000

Cluster Analysis

33

Contoh Analisis Kluster

Stage 5: Interpretasi Kluster
Tabel Final Cluster pada slide sebelumnya menunjukkan centroid atau
mean value variabel untuk setiap kluster (yang dibulatkan ke integer
terdekat).
Cluster 1 terdiri dari responden 4, 10, 14,18, 19 mempunyai nilai mean
yang tinggi pada V2 (shopping is bad for my budget)=6, V4(I try to get
the best buy when shopping) = 6, dan V6 ( You can save a lot of money
by comparing prices) = 6, sehingga kluster dapat diberi label
economical shoppers
Cluster 2 terdiri dari responden 2,5,9,11,13,dqn 20 mempunyai nilai
tinggi pada V5(I dont care about shopping)= 6 dan nilai rendah pada V1
dan V3 apathethic shoppers
Cluster 3 terdiri dari responden 1,3,6,7,8,12,15, dan 17, mempunyai
nilai tinggi pada V1 dan V3 fun loving and concerned shoppers
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

34

Contoh Analisis Kluster

Stage 6: Validasi dan Profiling Kluster
Dari distance between final cluster center menandakan bahwa
jarak antara pasangan kluster cukup jauh.
Semakin besar nilai F test dan Signifikansi variabel yang < 0.05,
maka semakin besar pula perbedaan variabel tersebut pada
ketiga kluster yang terbentuk.
Angka F varibel V1 (47,888) lebih besar dari angka F variabel V6
(11,363) yang bisa diartikan bahwa perbedaan shopping is fun
antar responden lebih besar dari perbedaan comparing price
antar responden pada ketiga kluster.

Dr. Setyo Hari Wij

anto Oktober 2003

Cluster Analysis

35

Contoh Analisis Kluster

Analisis Kluster dengan SPSS

OPEN DATA FILE

File
Open
Data Attitude

HIERARCHICAL CLUSTER ANALYSIS

Analyze
Classify
Hierarchical Cluster
Variables : V1, V2, V3, V4, V5, V6
Statistic ....
Agglomerative Schedule
Proximity Matrix
Cluster Membership
Range Solutions: From 2
through 4 clusters
Dr. Setyo Hari Wij
anto Oktober 2003

Continue
Plots ....
Dendogram
Icicle
All Clusters
Orientation
Vertical
Continue
Method ....
Cluster Method : Wards Method
Measure
Interval : Squared Euclidean
Distance
Continue
OK

Cluster Analysis

36

Contoh Analisis Kluster

Analisis Kluster dengan SPSS

NON-HIERARCHICAL CLUSTER ANALYSIS

Analyze
Classify
K-Means Cluster
Variables : V1, V2, V3, V4, V5, V6
Number of clusters : 3
Save ....
Cluster membership
Distance from cluster center
Continue
Options ...
Statistic
ANOVA table
Cluster information each case
Continue
OK
Dr. Setyo Hari Wij
anto Oktober 2003

Cluster Analysis

37