BAB I PENDAHULUAN

1.1 Latar Belakang

Sektor industri menempati posisi sentral dalam ekonomi masyarakat modern dan merupakan motor penggerak yang memberikan dasar bagi peningkatan kemakmuran, terutama di negara-negara maju. Bagi negara berkembang, industri sangat esensial untuk memperluas landasan pembangunan dan memenuhi kebutuhan masyarakat yang terus meningkat. Banyak kebutuhan umat manusia hanya dapat dipenuhi oleh barang dan jasa yang disediakan dari sektor industri. Pembangunan di Indonesia khususnya pada sektor industri telah mengalami perkembangan yang cukup pesat. Perkembangan industri ini ternyata membawa dampak bagi kehidupan manusia, baik dampak positif maupun dampak negatif. Dampak positif dari kegiatan industri adalah dapat mengurangi tingkat pengangguran, menambah devisa negara melalui ekspor produk industri, serta dapat menarik para investor untuk menanamkan modal pada sektor ini. Selain dampak positif, kegiatan industri juga menimbulkan dampak negatif. Salah satu dampak negatif yang ditimbulkan adalah pencemaran udara. Pencemaran udara dirasakan semakin hari kian meningkat terutama daerah yang kepadatan lalu lintasnya cukup tinggi serta di lokasi industri yang kurang memperhatikan dampak lingkungan. Udara yang tercemar dapat merusak lingkungan sekitarnya dan berpotensi terganggunya kesehatan masyarakat sekitar. Dengan meningkatnya beban pencemaran udara sebagai efek negatif dari kegiatan industri, maka diperlukan pengelompokkan industri berdasarkan beban polutan yang dihasilkan untuk mengetahui tingkat pencemaran udara dari tiap jenis industri. Hal tersebut dimaksudkan agar pemerintah dan pelaku industri dapat merelokasikan zona industri, melakukan pemantauan kualitas udara pada tiap kelompok industri. Dalam analisis statistik, kriteria polutan tersebut dinyatakan sebagai variat. Semakin banyak unsur yang menjadi kriteria polutan akan semakin rumit analisis statistik yang harus dilakukan. Dari sekian banyak metode statistika, analisis multivariat merupakan analisis yang cocok untuk meringkas data dengan peubah yang banyak. Beberapa analisis dalam analisis

multivariat yang dapat digunakan untuk memahami dan mempermudah interpretasi data multivariat diantaranya adalah Analisis Cluster (Tim Penelitian dan Pengembangan, 2005:120). Analisis ini bertujuan untuk mengelompokkan objek-objek berdasarkan karakteristik diantara objek-objek tersebut. Dari analisis cluster kita dapat mengetahui kelompokkelompok yang terbentuk dengan ciri khas dari tiap kelompok. Banyak objek yang dapat dikelompokkkan dengan analisis cluster, diantaranya adalah produk (barang dan jasa), benda, manusia (responden, konsumen) (Supranto, 2004: 141). Analisis cluster dibagi dalam 2 metode, yaitu : 1. Metode Hierarchical 2. Metode Non - Hierarchical Dalam masalah ini akan dibahas mengenai analisis cluster dengan metode hierarchical dan metode non-hierarchical. Pada metode hierarchical ini memulai mengelompokkan dengan dua atau lebih obyek yang mempunyai kesamaan paling dekat. Kemudian proses diteruskan ke obyek lain yang mempunyai kedekatan kedua. Demikian seterusnya sehingga cluster akan membentuk semacam pohon hierarki (tingkatan) yang jelas antar obyek, dari yang paling mirip sampai yang paling tidak mirip. Dendogram biasanya digunakan untuk membantu memperjelas proses hierarki tersebut.

1.2 Rumusan Masalah Dalam uraian diatas maka dapat dibentuk rumusan masalah yaitu bagaimana melakukan pengelompokkan data dengan menggunakan metode clustering? 1.3 Tujuan Dari rumusan masalah di atas maka tujuan dan maksud dari presentasi ini adalah sebagai berikut memberikan penjelasan bagaimana menggelompokkan data dengan menggunakan metode clustering.

BAB II KAJIAN TEORI

Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Analisis cluster termasuk dalam analisis statistik multivariat metode interdependen. Sebagai alat analisis interdependen maka tujuan analisis cluster tidak untuk menghubungkan ataupun membedakan dengan sampel/variabel lain. Analisis cluster merupakan salah satu alat analisis yang berguna sebagai peringkas data. Dalam meringkas data ini dapat dilakukan dengan jalan mengelompokkan objek-objek berdasarkan kesamaan karakteristik tertentu di antara objek-objek yang hendak diteliti. Analisis cluster merupakan alat untuk mengelompokkan sejumlah n obyek berdasarkan p variat yang secara relatif mempunyai kesamaan karakteristik diantara obyek obyek tersebut, sehingga keragaman di dalam suatu kelompok tersebut lebih kecil dibandingkan keragaman antar kelompok. Obyek dapat berupa barang, jasa, tumbuhan, binatang dan orang (responden, konsumen, atau yang lainnya). Jika terdapat n obyek dan p variat, maka observasi x dengan i = 1, 2,, n dan j = 1, 2, , p,
ij

dapat digambarkan sebagai berikut: Var 1 x Obyek 2 : Obyek i : Obyek n x : x : x

n1 i1 11 21

Var 2 x x : x : x
n2 i2 12 22

: : : :

Var j x x : x : x
nj ij 1j 2j

: : : :

Var p x x : x : x
np ip 1p 2p

Adapun ciri-ciri cluster adalah: 1. Homogenitas (kesamaan) yang tinggi antar anggota dalam satu cluster (within-cluster). 2. Heterogenitas (perbedaan) yang tinggi antar cluster yang satu dengan cluster yang lainnya (between-cluster). Analisis cluster mempunyai beberapa istilah penting, antara lain: 1. Skedul aglomerasi (agalomeration schedule), ialah jadwal yang memberikan informasi tentang objek atau kasus yang akan dikelompokkan pada setiap tahap pada suatu proses analisis cluster yang hierarkis. 2. Rata-rata cluster (cluster centroid), ialah nilai rata-rata variabel dari semua objek atau observasi dalam cluster tertentu. 3. Pusat cluster (cluster centers), ialah titik awal dimulainya pengelompokkan di dalam cluster nonhierarki. 4. Keanggotaan cluster (cluster membership), ialah keanggotaan yang menunjukkan cluster untuk setiap objek yang menjadi anggotanya. 5. Dendogram, disebut juga grafik pohon, output MINITAB yang memvisualisasikan hasil analisis cluster yang dilakukan peneliti. Garis vertikal atau tegak menunjukkan cluster yang digabung bersama. Posisi garis pada pada skala menunjukkan jarak untuk mana cluster digabung. Dendogram harus dibaca dari kiri ke kanan. 6. Distances between cluster centers, ialah jarak yang menunjukkan bagaimana terpisahnya pasangan individu cluster Proses Analisis Cluster Untuk melakukan analisis cluster ada beberapa proses yang harus dilakukan . Proses analisis cluster tersebut meliputi : 1. Menentukan ukuran ketakmiripan antar dua objek. Sesuai prinsip daftar cluster yaitu mengelompokkan objek yang mempunyai kemiripan, maka proses pertama adalah mengukur seberapa jauh ada kesamaan antar objek. Dengan memiliki sebuah ukuran kuantitatif untuk mengatakan bahwa dua obyek tertentu lebih mirip dibandingkan dengan obyek lain, akan menghilangkan kebingungan dan mempermudah proses formal dalam pengclusteran. Salah satu yang jelas bisa menjadi ukuran ketakmiripan adalah fungsi jarak antara objek a dan b, yang biasa dinotasikan dengan d(a,b).

Sifat sifat ukuran ketakmiripan adalah : 1) d(a.b) 0 2) d(a,a) = 0 3) d(a,b) = d(b,a) 4) (a,b) meningkat seiring semakin tidak mirip kedua objek a dan b. 5) d(a,c) d(a,b) + d(b,c) (Sartono, 2003:216). Jarak yang paling umum digunakan adalah jarak euclidean. Ukuran jarak atau ketidaksamaan antar obyek ke-i dengan obyek ke-h, disimbolkan dengan d . Nilai d
ih ih

diperoleh melalui perhitungan jarak kuadrat Euclidean sebagai berikut ) dimana: d = jarak kuadrat Euclidean antar obyek ke-i dengan obyek ke-h.
ih

p = jumlah variabel cluster. x = nilai atau data dari obyek ke-i pada variabel ke-j.
ij

x = nilai atau data dari obyek ke-h pada variabel ke-j

hj

2. Membuat Cluster Proses cluster atau pengelompokan data bisa dilakukan dengan dua metode yaitu; a. Metode Hirarki Metode ini memulai pengelompokan dengan dua atau lebih objek yang mempunyai kesamaan paling dekat. Kemudiaan operasi diteruskan ke objek lain yang mempunyai kedekatan kedua. Demikian seterusnya sehingga cluster akan membentuk semacam pohon dimana ada hirarki (tingkatan) yang jelas antar objek, dari yang paling mirip sampai paling tidak mirip. Metode yang digunakan untuk proses Clustering secara hirarki adalah Single Linkage (Pauatan Tunggal). Metode ini akan mengelompokan dua objek yang mempunyai jarak terdekat dahulu. Jadi pada setiap tahapan, banyaknya cluster berkurang satu. Secara formal, dua buah cluster B dan B , jarak antara B dan B misalkan h(B ,B ) didefinisikan
r s r s r s

sebagai : h(B ,B ) = min{d(x ,x ); x anggota B , x anggota B }

r s i j i r j s

Hasil berupa single linkage clustering dapat disajikan dalam bentuk suatu dendogram atau diagram pohon. Cabang-cabang pohon menunjukkan cluster/kelompok. Cabang-cabang tersebut bertemu bersama-sama (menggabung) pada simpul yang posisinya sepanjang suatu sumbu jarak (kemiripan) menunjukkan tingkat dimana penggabungan terjadi.

b. Metode Non-hirarki Metode ini dimulai dengan proses penentuan jumlah cluster terlebih dahulu. Metode Non-hirarki bertujuan mengelompokkan n obyek kedalam k kelompok metode ini

yang digunakan adalah k-means. Metode k-means digunakan sebagai alternatif metode cluster untuk data dengan ukuran yang besar karena memiliki kecepatan yang lebih tinggi dibandingkan metode hirarki. Mac Queen menyarankan bahwa penggunaan k-means untuk menjelaskan algoritma dalam penentuan suatu objek ke dalam cluster tertentu berdasarkan rataan terdekat. Proses Pengelusteran dengan metode k-means adalah : 1) Menetukan besarnya k, yaitu banyaknya cluter dan menentukan centroid di tiap cluster. 2) Menghitung jarak tiap objek dengan setiap centroid. 3) Menghitung kembali rataan (centroid) untuk cluster yang baru terbentuk. 4) Mengulangi langkah 2 sampai tidak ada lagi pemindahan objek antar cluster 5) Setelah cluster terbentuk, baik dengan metode hirarki maupun non hirarki, langkah selanjutnya melakukan interpretasi terhadap cluster yang terbentuk,yang pada intinya memberi nama spesifik untuk menggambar isi cluster tersebut. 6) Melakukan validasi cluster. Untuk menguji validasi cluster digunakan uji parsial F. Hipotesis: H : variabel i bukan variabel pembeda dalam pengclusteran.
0 1

H : variabel i merupakan variabel pembeda dalam pengclusteran Taraf signifikansi Statistik uji F= Kriteria Uji : Tolak H jika F > F
0 , k-1,n-k

BAB III PEMBAHASAN

3.1 Metode Hierarki Berdasarkan data BPS (Badan Pusat Statistik) Semarang yaitu data tentang beban pencemaran udara menurut industry di Jawa Tengah tahun 2005. Data yang diunakan dalam permasalahan ini ada 5 variabel, dimana variable-variabel tersebut adalah jenis polutan yang meliputi debu, Sulfur dioksida (SO2), Hidrocarbon (HC), dan Carbonmonoksida (CO). Sedangkan obyek-obyek yang digunakan adalah 14 jenis Industri di Jawa Tengah yaitu Industri makanan, minuman, tekstil, kayu, olahan kayu, kertas, kimia dasar, non logam, semen, kapur dan gips, logam dasar, hasil-hasil olahan logam, rumah sakit, dan industry perhotelan. Dalam contoh ini akan digunakan proses clustering secra hirarki menggunakan metode pautan tunggal atau single lingkage metode ini didasarkan pada jarak minimum. Tabel. 1 Data Beban Pencemaran Udara pada Sektor Industri Di Jawa Tengah Tahun 2005 (dalam ton) Industri makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar non ogam debu 16941.8 14608.3 92737.1 37078.6 63789.9 4916.8 6031.1 5226.6 SO2 157563 135861 862476 344839 575982 483239 56090 48609 NO2 73638.52 62496.05 HC 3168.8 2732.1 CO 393.13 338.94 2151.66 860.28 1436.93 131.40 139.93 121.27

403086.58 17343.7 161163.97 8876.5 269190.49 11582.5 2137.91 27387.22 22717.69 919.5 1127.9 977.5

Semen Kapur dan Gips Logam dasar Hasil Olahan Logam Rumah sakit Perhotelan

509.7 9945.9 3830.5 7291.3 63.4 98.2

4741 19350 35624 67810 59 91

2215.52 10694.06 21977.07 31691.85 284.02 426,64

95.3 1860.1 1002.9 1363.6 11.9 18.4

11.83 230.75 88.87 168.34 1.47 2.28

Dalam melakukan analisis cluster terdapat dua metode yaitu metode kelompok hiraki dan metode kelompok non hirarki. Dalam hal ini metode yang digunakan adalah metode hiraki karena paling banyak digunakan oleh para peneliti dan memiliki keunggulan tersendiri, yaitu pengelompokan yang terbentuk dapat terjadi secara alamiah. Kita menyelesaikan permasalahan ini menggunakan minitab, berikut langkah-langkahnya: 1. Stat Multivariat Cluster Observation 2. Variable of distance matrik(masukan seluruh variable yang diteliti 3. Lingkage method (dalam pembahsan ini meggunakn single) 4. Number of cluster (pilih 1) 5. Centang standardize variable 6. Centang 7. Show dendogram 8. Klik ok

Berdasarkan hasil pengolahan menggunakan Minitab didapatkan Hasil sebagai berikut:

Cluster Analysis of Observations: debu, CO, SO2, HC
Standardized Variables, Euclidean Distance, Single Linkage Amalgamation Steps Number of obs. Number of Step 1 2 3 4 5 6 7 8 9 10 11 12 13 clusters 13 12 11 10 9 8 7 6 5 4 3 2 1 Similarity level 99.9671 99.5318 99.1321 98.6922 98.6503 97.4813 96.2898 95.9428 92.1049 78.5689 75.0155 74.9141 67.2651 Distance level 0.00219 0.03118 0.05778 0.08707 0.08987 0.16770 0.24703 0.27014 0.52567 1.42693 1.66353 1.67028 2.17957 Clusters joined 13 9 7 7 7 1 7 7 1 1 1 1 1 14 13 8 11 12 2 10 9 7 6 4 5 3 New cluster 13 9 7 7 7 1 7 7 1 1 1 1 1 in new cluster 2 3 2 3 4 2 5 8 10 11 12 13 14

Final Partition Number of clusters: 1 Within cluster Number of observations Cluster1 14 sum of squares 52 Average distance from centroid 1.48746 Maximum distance from centroid 5.25638

Single Linkage, Euclidean Distance 67.27

Dendrogram

Similarity

78.18

89.09

100.00

11

12 10 9 13 Observations

14

Keterangan Pada Step (tahap) 1, terbentuk satu cluster antara industri Rumah Sakit dan Industri

Perhotelan dengan koofisien jarak 0.00219 yang menunjukkan besarnya jarak antara industri Rumah sakit (13) dan Industri Perhotelan (14). Proses Aglomerasi dimulai dengan jarak antar obyek yang paling dekat. Pada step (tahap) 2,dapat dilihat terbentuknya cluster antara industri Semen (9) dan Industri Rumah sakit (13), dengan nilai koofisien jarak sebesar 0.03118 yang menunjukkan besarnya jarak terdekat antara industry semen dan kedua industry sebelumnya (industry Rumah sakit dan Perhotelan). Dengan terbentuknya cluster tersebut, maka sekarang cluster terdiri dari 3 obyek, yaitu industry rumah sakit, perhotelan dan juga industry semen. Pada Step (tahap)3, dapat dilihat terbentuknya cluster antara industry Kimia dasar

dan industri non logam, dengan niai koefisien jarak 0.05778 yang menunjukkan jarak terdekat antara industry Kimia dasar dan industry non logam. Terbentuk cluster baru dengan anggota industry kimia dasar dan industry non logam. Pada step 4, dapat dilihat terbentuk cluster antara industry kimia dasar dan industry

hasil olahan logam, dengan koefisien jarak 0.08707 yang menunjukkan jarak terdekat antara industry hasil olahan logam dengan dua industry sebelumnya (industry kimia dasar dan industry non logam). Dengan terbentuknya cluster tersebut, maka cluster sekarang terdiri dari 3 obyek yaitu industry kimia dasar, industry non logam dan industry hasil olahan logam.

Pada step 7, didapatkan bahwa cluster antara industry kimia dasar, kapur dan gips,

logam dasar, dan industry hasil olahan logam dengan dan industry semen, rumah sakit dan industry perhotelan dengan nilai koofisien jarak 0.24703 . Dengan terbentuknya cluster tersebut, maka sekarang cluster terdiri dari 7 obyek, yaitu industry rumah sakit, perhotelan , industry semen , industry kimia dasar, kapur dan gips, logam dasar, dan industry hasil olahan logam. Dengan cara yang sama proses pengclusteran dilakukan terus menerus sampai step

terakhir yaitu step 13 hingga pada akhirnya hanya membentuk sebuah cluster saja. Lebih jelasnya proses penggabungan satu demi satu dapat dilihat dalam bentuk dendogram diatas. Interpretasi Hasil: 1. Hasil analisis cluster dari 14 jenis industry berdasarkan jenis polutan (debu, SO 2, NO2, HC, CO) dapat dikelompokan menjadi 3 kelompok atau cluster, yaitu a. cluster pertama adalah kelompok indutri pencemaran kecil

b. Cluster kedua adalah kelompok industry pencemaran sedang c. Cluster ketiga adalah kelompok industry pencemaran tinggi 2. Ciri-ciri tiap Cluster atau kelompok yaitu : a. Cluster pertama : kelima jenis polutannya memiliki rata-rata kecil diantara cluster yang lain anggotanya yaitu industry logam dasar, industry kapur dan gips, industry semen, industry non logam, industry kimia dasar, industry minuman, industry makanan, industry hasil olahan logam, industry rumah sakit, dan industry prhotelan. b. Cluster kedua : kelima jenis polutannya memiliki rata-rata lebih dari cluster pertama dan kurang dari cluster ketiga, anggotanya yaitu indutri kayu, industry olahan kayu, dan industry kertas. c. Cluster jetiga : kelima jenis polutannya memiliki rata-rata tebesar diantara cluster yang lain, anggotanya yaitu industry tekstil.

3.2 Metode Non Hierarki

Sebagaimana telah dijelaskan sebelumnya bahwa metode K-Means Cluster ini jumlah cluster ditentukan sendiri. Metode non-hirarki memproses semua objek (kasus) secara sekaligus. Metode yang digunakan adalah k-means dimana k adalah banyaknya cluster Proses pengclusteran dengan metode k-means adalah : .

a.

Besarnya k (banyaknya cluster) = 3. Centroid ada 3 karena jumlah cluster ada tiga. Nilai centroid diperoleh secara acak. (centroid cluster ) adalah nilai kelima variabel dari obyek industri kertas (centroid cluster ) adalah nilai kelima variabel dari obyek industri rumah sakit (centroid cluster ) adalah nilai kelima variabel dari obyek industri tekstil Nilai centroid dari tiap cluster adalah : c = (4916,75; 483238,54; 21370,91; 919,53; 131,4)
1 2 3

c = (63,37; 58,93; 284,02, 11,85; 1,47) c = (92737,12; 862476,34; 403086,58; 17343,74; 2151,66) b. Jarak setiap objek dengan tiap centroid Jarak setiap objek dari centroid ( pusat cluster) pertama dengan menggunakan kuadrat jarak Euclidean adalah ; Tabel 2.1 Jarak setiap objek dari pusat cluster pertama
Industri Makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar Non logam Semen Kapur dan gips Logam Dasar
2 2 11 2 2 11 2 2 11 2 2 10 2 2 10 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

1 2 2

(16941,83-4916,75) + (157562,87-483238,54) + (73638,52-21370,91) + (3168,79-919,53) + (393,13131,40) = 1,089x10 (14608,25-4916,75) + (135861,10-483238,54) + (62496,05-21370,91) + (2732,06-919,53) + (338,94131,40) = 1,225x10 (92737,12-4916,75) + (862476,34-483238,54) + (403086,58-21370,91) + (17343,74 -919,53) + (2151,66-131,40) =2,975x10 (37078,59-4916,75) + (344839,36-483238,54) + (161163,97-21370,91) + (18876,55 -919,53) + (860,28-131,40) = 4,005x10 (63789,95-4916,75) + (575981,54-483238,54) + (269190,49-21370,91) + (11582,55-919,53) + (1436,93-131,40) =7,360x10 (4916,75-4916,75) + (483238,54 -483238,54) + (21370,91-21370,91) + (919,53-919,53) + (131,40131,40) = 0
2 2 11 2 2 11 2 11 2 2 2 2 2 2 2 2 2 2

(6031,05-4916,75) + (56090,16-483238,54) + (27387,22-21370,91) + (1127,93-919,53) + ( 139,93131,40) = 1,825x10 (5226,60-4916,75) + (48608,60 -483238,54) + (22717,69-21370,91) + (977,48-919,53) + (121,27131,40) = 1,889x10 (509,72-4916,75) + (4740,50-483238,54) + (2215,52-21370,91) + (95,33-919,53) + (11,83-131,40) = 2,293x10
2 2 11 2 2 2

( 9945,85-4916,75) + (19350,26-483238,54) + (10694,06-21370,91) + (1860,05-919,53) + (230,75131,40) = 2,153x10

Hasil Olahan Logam Rumah Sakit Perhotelan

Jarak setiap objek dari centroid (pusat cluster) kedua dengan menggunakan kuadrat jarak euclidean adalah; Tabel 2.2 Jarak setiap objek dari pusat cluster kedua
Industri Makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar Non logam Semen Kapur dan gips Logam Dasar Hasil Olahan Logam Rumah Sakit Perhotelan
c
2 10 2 2 2 2 2

(16941,83-63,37) + (157562,87-58,93) + (73638,52-284,02) + (3168,79-11,85) + (393,13-1,47) =3,048 x10

2 10 2 2 2 2

(14608,25-63,37) + (135861,10-58,93) + (62496,05-284,02) + (2732,06-11,85) + (338,94-1,47) = 2,253 x10

2 11 2 2 2 2

(92737,12-63,37) + ( 862476,34-58,93) + (403086,58-284,02) + (17343,74 -11,85) + (2151,66-1,47) =9,149 x10

2 11 2 2 2 2

(37078,59-63,37) + (344839,36-58,93) + (161163,97-284,02) + (18876,55 -11,85) + (860,28-1,47) = 1,465 x10

2 11 2 2 2 2

(63789,95-63,37) + (575981,54-58,93) + (269190,49-284,02) + (11582,55-11,85) + (1436,93-1,47) = 4,082 x10

2 11 2 2 2 2

(4916,75-63,37) + (483238,54 -58,93) + (21370,91-284,02) + (919,53-11,85) + (131,40-1,47) = 2,339 x10

2 9 2 2 2 2

(6031,05-63,37) + (56090,16-58,93) + (27387,22-284,02) + (1127,93-11,85) + ( 139,93-1,47) = 3,911 x10

2 9 2 2 2 2

(5226,60-63,37) + (48608,60-58,93) + (22717,69-284,02) + (977,48-11,85) + (121,27-1,47) = 2,888 x10

2 2 2 2 2 7

(509,72-63,37) +(4740,50-58,93) + (2215,52-284,02) + (95,33-11,85) + (11,83-1,47) = 2,585x10

2 8 2 2 2 2

(9945,85-63,37) + (19350,26-58,93) + (10694,06-284,02) + (1860,05-11,85) + (230,75-1,47) = 5,817x10

2 9 2 2 2 2

(3830,46-63,37) + (35624,19-58,93) + (21977,07-284,02) + (1002,93-11,85) + (88,87-1,47) = 1,751 x10 (7291,27-63,37)2 + (67810,42-58,93)2 + (31691,85-284,02)2 + (1363,61-11,85)2 + (168,34-1,47)2 =5,631 x109 (63,37-63,37)2 + (58,93-58,93)2 + (284,02-284,02)2 + (11,85-11,85)2 + (1,47-1,47)2 = 0 (98,15-63,37)2 + ( 91,29-58,93)2 + ( 426,64-284,02)2 + ( 18,36-11,85)2 + (2,28-1,47)2 =2,264x104

Jarak setiap objek dari centroid (pusat cluster) ketiga dengan menggunakan kuadrat jarak euclidean adalah ;

Tabel 2.3 Jarak setiap objek dari pusat cluster ketiga

Industri Makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar Non logam Semen Kapur dan gips Logam Dasar Hasil Olahan Logam Rumah Sakit Perhotelan
2 2 11 2 2 11 2 2 2 2 2 2 2 2 2

3 2 2

(16941,83-92737,12) +(157562,87-862476,34) +(73638,52-403086,58) (393,13-2151,66) = 6,114 x10

+ (3168,79-17343,74)

(14608,25-92737,12) +(135861,10-862476,34) + (62496,05-403086,58) + (2732,06-17343,74) + (338,94-2151,66) = 6,503 x10 (92737,12-92737,12) + (862476,34-862476,34) + (403086,58-403086,58) + (17343,74 -17343,74) + (2151,66-2151,66) = 0
2 2 11 2 2 11 2 2 11 2 2 11 2 2 11 2 2 11 2 2 11 2 2 11 2 2 11 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

(37078,59-92737,12) + (344839,36-862476,34) + (161163,97-403086,58) + (18876,55-17343,74) + (860,28-2151,66) = 3,296 x10 (63789,95-92737,12) + (575981,54-862476,34) + (269190,49-403086,58) + (11582,55-17343,74) + (1436,93-2151,66) = 1,009 x10 (4916,75-92737,12) + (483238,54-862476,34) + (21370,91-403086,58) + (919,53-17343,74) + (131,40-2151,66) = 2,975 x10 (6031,05-92737,12) + (56090,16-862476,34) + (27387,22-403086,58) + (1127,93-17343,74) + ( 139,93-2151,66) = 7,992 x10 (5226,60-92737,12) + (48608,60-862476,34) + (22717,69-403086,58) + (977,48-17343,74) + (121,27-2151,66) = 8,150 x10 (509,72-92737,12) + (4740,50-862476,34) + (2215,52-403086,58) + (95,33-17343,74) + (11,832151,66) = 9,052 x10 (9945,85-92737,12) + (19350,26-862476,34) + (10694,06-403086,58) + (1860,05-17343,74) + (230,75-2151,66) = 8,719 x10 (3830,46-92737,12) + (35624,19-862476,34) + (21977,07-403086,58) + (1002,93-17343,74) + (88,87-2151,66) = 8,371 x10 (7291,27-92737,12) + (67810,42-862476,34) + (31691,85-403086,58) + (1363,61-17343,74) + (168,34-2151,66) = 7,770 x10 (63,37-92737,12)2 + (58,93-862476,34)2 + (284,02-403086,58)2 + (11,85-17343,74)2 + (1,472151,66)2 = 9,149 x1011 (98,15-92737,12)2 +(91,29-862476,34)2 + (426,64-403086,58)2 + ( 18,36-17343,74)2 + (2,282151,66)2 =9,147 x1011

Secara keseluruhan jarak tiap objek (industi) ke pusat cluster (centroid) adalah sebagai berikut;

Tabel 2.4 Jarak tiap objek ke centroid secara keseluruhan Industri c c c

1 2 3

Makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar Non logam Semen Kapur&gips Logam dasar Hasil olahan logam Rumah sakit Perhotelan

11

10

11

1,089x10
11

3,048x10
10

6,114 x10
11

1,225 x10
11

2,253 x10
11

6,503 x10 0
11 11

2,975 x10
10

9,149 x10 1,465 x10

10 11

4,005 x10 7,360 x10 0

11

3,296 x10
11

4,082 x10
11

1,009 x10
11

2,339x10
9

2,975 x10
11

1,825 x10
11

3,911 x10
9

7,992 x10
11

1,889 x10
11

2,888 x10
7

8,150 x10
11

2,293 x10
11

2,585x10
8

9,052 x10
11

2,153 x10
11

5,817x10
9

8,719 x10
11

2,004 x10
11

1,751x10
9

8,371 x10
11

1,727 x10
11

5,631x10 0
4 11

7,770 x10
11

2,339 x10 2,339 x10

9,149 x10
11

2,264x10

9,147 x10

Dari tabel 2.4 diperoleh sebagai berikut; Jarak terdekat industri makanan adalah dengan c , sehingga industri makanan masuk ke
2

cluster 2. Jarak terdekat industri minuman adalah dengan c , sehingga industri minuman masuk ke
2

cluster 2. Jarak terdekat industri tekstil adalah dengan c , sehingga industri tekstil masuk ke cluster
3

3. Jarak terdekat industri kayu adalah dengan c , sehingga industri kayu masuk ke cluster 1.
1

Jarak terdekat industri olahan kayu adalah dengan c , sehingga industri olahan kayu
1

masuk ke cluster 1. Jarak terdekat industri kertas adalah dengan c , sehingga industri kertas masuk ke cluster
1

1. Jarak terdekat industri kimia dasar adalah dengan c , sehingga industri kimia dasar masuk
2

ke cluster 2. Jarak terdekat industri non logam adalah dengan c , sehingga industri non logam masuk
2

ke cluster 2. Jarak terdekat industri semen adalah dengan c , sehingga industri semen masuk ke cluster
2

2. Jarak terdekat industri kapur dan gips adalah dengan c , sehingga industri kapur dan gips
2

masuk ke cluster 2.

Jarak terdekat industri logam dasar adalah dengan c , sehingga industri logam dasar
2

masuk ke cluster 2. Jarak terdekat industri hasil olahan logam adalah dengan c , sehingga industri hasil
2

olahan logam masuk ke cluster 2. Jarak terdekat industri rumah sakit adalah dengan c , sehingga industri rumah sakit masuk
2

ke cluster 2. Jarak terdekat industri perhotelan adalah dengan c , sehingga industri perhotelan masuk
2

ke cluster 2.

Dari proses ini diperoleh anggota tiap cluster sebagai berikut : Cluster 1 dengan anggota : industri kayu, industri olahan kayu, industri kertas. Cluster 2 dengan anggota : industri logam dasar, industri kapur dan gips, industri semen, industri non logam, industri kimia dasar, industri minuman, industri makanan, industri hasil olahan logam, industri rumah sakit, industri perhotelan. Cluster 3 dengan anggota : industri tekstil.

c. Selanjutnya menghitung kembali centroid yang baru yang merupakan rataan kelima variabel pada tiap cluster. c * (centroid cluster 1) adalah nilai kelima variabel dari 3 objek yang masuk ke dalam
1

cluster 1 pada langkah b. c * (centroid cluster 2) adalah nilai rata-rata kelima variabel dari 10 objek yang
2

masuk ke cluster 2 pada langkah b. c * (centroid cluster 3) adalah nilai rata-rata kelima variabel dari objek industri tekstil.
3

Nilai centroid dari tiap cluster adalah : c * = (35261,76; 468019,81; 150575,12; 10459,54; 809,54)
1 2 3

c * = (6454,66; 52579,83; 25352,86; 1235,84; 149,68) c * = (92737,12; 862476,34; 403086,58; 17343,74; 2151,66)

d. Jarak setiap objek dengan tiap centroid Jarak setiap objek dengan centroid (pusat cluster) pertama adalah sebagai berikut :

Tabel 2.5
Industri Makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar Non logam Semen Kapur dan gips Logam Dasar Hasil Olahan Logam Rumah Sakit Perhotelan
2 2 11 2 2 11 2 2 11 2 2 10 2 2 10 2 2 10 2 2 11 2 2 11 2 2 11 2 2 11 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

c*
1
2 2

(16941,83-35261,76) +(157562,87-468019,81) + (73638,52-150575,12) + (3168,79-10459,54) + (393,13-809,54) = 1,027x10 (14608,25-35261,76) +(135861,10-468019,81) + (62496,05-150575,12) + (2732,06-10459,54) + (338,94-809,54) = 1,186 x10 (92737,12-35261,76) +(862476,34-468019,81) +(403086,58-150575,12) + (17343,74 -10459,54) + (2151,66-809,54) = 2,227 x10 (37078,59-35261,76) +(344839,36-468019,81) +(161163,97 -150575,12) + (18876,55 -10459,54) + (860,28-809,54) = 1,536x10 (63789,95-35261,76) +(575981,54-468019,81) +(269190,49-150575,12) + (11582,55-10459,54) + (1436,93-809,54) = 2,654 x10 (4916,75-35261,76) +(483238,54-468019,81) + (21370,91-150575,12) + (919,53-10459,54) + (131,40-809,54) = 1,794 x10 (6031,05-35261,76) + (56090,16-468019,81) + (27387,22-150575,12) + (1127,93-10459,54) + (139,93-809,54) = 1,858 x10 (5226,60-35261,76) + (48608,60-468019,81) + (22717,69-150575,12) + (977,48-10459,54) + (121,27-809,54) = 1,932 x10 (509,72-35261,76) + (4740,50-468019,81) + (2215,52-150575,12) + (95,33-10459,54) + (11,83809,54) = 2,380 x10 ( 9945,85-35261,76) + (19350,26-468019,81) + (10694,06-150575,12) + (1860,05-10459,54) + (230,75-809,54) = 2,216 x10 (3830,46-35261,76)2 + (35624,19-468019,81)2 + (21977,07-150575,12)2 + (1002,93-10459,54)2 + (88,87-809,54)2 = 2,046 x1011 (7291,27-35261,76)2 + (67810,42-468019,81)2 + (31691,85-150575,12)2 + (1363,61-10459,54)2 + (168,34-809,54)2 = 1,752 x1011 (63,37-35261,76)2 + (58,93-468019,81)2 + (284,02-150575,12)2 + (11,85-10459,54)2 + (1,47809,54)2 = 2,429 x1011 (98,15-35261,76)2 + (91,29-468019,81)2 + (426,64-150575,12)2 + (18,36-10459,54)2 + (2,28809,54)2 = 2,428 x1011

Jarak setiap objek dengan centroid (pusat cluster) kedua adalah sebagai berikut :

Tabel 2.6
Industri Makanan Minuman Tekstil
2 2 10 2 2 9 2 2 11 2 2 2 2 2 2 2

c*
2
2 2

(16941,83-6454,66) + (157562,87-52579,83) + (73638,52-25352,86) + (3168,79-1235,84) + (393,13-149,68) = 1,347 x10 (14608,25-6454,66) + (135861,10-52579,83) + (62496,05-25352,86) + (2732,06-1235,84) + (338,94-149,68) = 8,384 x10 (92737,12-6454,66) + ( 862476,34-52579,83) + (403086,58-25352,86) + (17343,74 -1235,84) + (2151,66-149,68) = 8,063 x10

Kayu Olahan kayu Kertas Kimia dasar Non logam Semen Kapur dan gips Logam Dasar Hasil Olahan Logam Rumah Sakit Perhotelan

2 2 11 2 2 11 2 2 11 2 2 7 2 2 7 2 2 9 2 2 9 2 2 8 2 2 2 2

(37078,59-6454,66) + (344839,36-52579,83) + (161163,97-25352,86) + (18876,55 -1235,84) + (860,28-149,68) = 1,051 x10

2 2 2

(63789,95-6454,66) + (575981,54-52579,83) + (269190,49-25352,86) + (11582,55-1235,84) + (1436,93-149,68) = 3,368 x10

2 2 2

(4916,75-6454,66) + (483238,54 -52579,83) + (21370,91-25352,86) + (919,53-1235,84) + (131,40-149,68) = 1,855 x10

2 2

(6031,05-6454,66) + (56090,16-52579,83) + (27387,22-25352,86) + (1127,93-1235,84) + ( 139,93-149,68) = 1,665 x10

2 2 2

(5226,60-6454,66) + (48608,60-52579,83) + (22717,69-25352,86) + (977,48-1235,84) + (121,27-149,68) = 2,429 x10

2 2

(509,72-6454,66) + (4740,50-52579,83) + (2215,52-25352,86) + (95,33-1235,84) + (11,83149,68) = 2,861 x10

2 2

(9945,85-6454,66) + (19350,26-52579,83) + (10694,06-25352,86) + (1860,05-1235,84) + (230,75-149,68) = 1,332 x10

2 2

(3830,46-6454,66) + (35624,19-52579,83) + (21977,07-25352,86) + (1002,93-1235,84) + (88,87-149,68) = 3,058 x10 (7291,27-6454,66)2 + (67810,42-52579,83)2 + (31691,85-25352,86)2 + (1363,61-1235,84)2 + (168,34-149,68)2 = 2,729 x108 (63,37-6454,66)2 + (58,93-52579,83)2 + (284,02-25352,86)2 + (11,85-1235,84)2 + (1,47-149,68)2 = 3,429 x109 (98,15-6454,66)2 + (91,29-52579,83)2 + (426,64-25352,86)2 + (18,36-1235,84)2 + (2,28-149,68)2 = 3,418 x109

Jarak setiap objek dengan centroid (pusat cluster) ketiga adalah sebagai berikut :
Industri Makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar Non logam
2 2 11 2 2 11 2 2 2 2 2 2 11 2 11 2 2 11 2 2 11 2 2 2 2 2 2 2 2 2 11 2 2 2 2 2 2 2 2 2 2 2

c*
3
2 2 2

(16941,83-92737,12) +(157562,87-862476,34) +(73638,52-403086,58) + (3168,79-17343,74) + (393,13-2151,66) = 6,114 x10 (14608,25-92737,12) +(135861,10-862476,34) +(62496,05-403086,58) + (2732,06-17343,74) + (338,94-2151,66) = 6,503 x10 (92737,12-92737,12) +(862476,34-862476,34) + 17343,74) + (2151,66-2151,66) = 0 (37078,59-92737,12) +(344839,36-862476,34) + 17343,74) + (860,28-2151,66) = 3,296 x10 (63789,95-92737,12) +(575981,54-862476,34) + (269190,49-403086,58) + (11582,55-17343,74) + (1436,93-2151,66) = 1,009 x10
2 2

(403086,58-403086,58) (161163,97-403086,58)

+ +

(17343,74 (18876,55

(4916,75-92737,12) + (483238,54 -862476,34) + (21370,91-403086,58) + (919,53-17343,74) + (131,40-2151,66) = 2,975 x10 (6031,05-92737,12) + (56090,16-862476,34) + (27387,22-403086,58) + (1127,93-17343,74) + ( 139,93-2151,66) = 7,992 x10 (5226,60-92737,12) + (48608,60 -862476,34) + (22717,69-403086,58) + (977,48-17343,74) + (121,27-2151,66) = 8,150 x10

Semen Kapur dan gips Logam Dasar Hasil Olahan Logam

2 2 11 2 2 11 2 2 11 2 2 11

(509,72-92737,12) + (4740,50-862476,34) + (2215,52-403086,58) + (95,33-17343,74) + (11,832151,66) = 9,052 x10

2 2 2

( 9945,85-92737,12) + (19350,26-862476,34) + (10694,06-403086,58) + (1860,05-17343,74) + (230,75-2151,66) = 8,719 x10

2 2 2

(3830,46-92737,12) + (35624,19-862476,34) + (21977,07-403086,58) + (1002,93-17343,74) + (88,87-2151,66) = 8,371 x10

2 2 2

(7291,27-92737,12) + (67810,42-862476,34) + (31691,85-403086,58) + (1363,61-17343,74) + (168,34-2151,66) = 7,770 x10

Rumah Sakit Perhotelan

2 2 11 2 2 11

(63,37-92737,12) + (58,93-862476,34) + (284,02-403086,58) + (11,85-17343,74) + (1,472151,66) = 9,149 x10

2 2 2

(98,15-92737,12) + (91,29-862476,34) + (426,64-403086,58) + (18,36-17343,74) + (2,28149,68) = 9,147 x10

Secara keseluruhan jarak tiap objek (industri) ke pusat cluster (centroid) adalah sebagai berikut: Industri Makanan Minuman Tekstil Kayu Olahan kayu Kertas Kimia dasar Non logam Semen Kapur&gips Logam dasar Hasil olahan logam Rumah sakit Perhotelan c*
1

c*
2 11 11 11 10 10

c*
3

1,027 x10 1,186 x10 2,227 x10

1,347 x10
9

6,114 x10 6,503 x10 3,296 x10 1,009 x10 2,975 x10 7,992 x10 8,150 x10 9,052 x10 8,719 x10 8,371 x10 7,770 x10 9,149 x10 9,147 x10

11 11

8,384 x10 8,063 x10 1,051 x10 3,368 x10 1,855 x10
11 11 11 11 7

0
11 11 11 11 11 11 11 11 11 11 11

1,536 x10
10

2,654 x10
10

1,794 x10 1,858 x10 1,932 x10 2,380 x10 2,216 x10 2,046 x10 1,752 x10 2,429 x10
11 11 11 11 11 11 11 11

1,665 x10
7

2,429 x10
9

2,861 x10
9

1,332 x10
8

3,058 x10
8

2,729 x10
9

3,429 x10
9

2,428 x10

3,418 x10

Keterangan : Jarak terdekat industri makanan adalah dengan c , sehingga industri makanan
2

masuk ke cluster 2.

Jarak terdekat industri minuman adalah dengan c , sehingga industri minuman

2

masuk ke cluster 2.

Jarak terdekat industri tekstil adalah dengan c , sehingga industri tekstil masuk ke
3

cluster 3. Jarak terdekat industri kayu adalah dengan c , sehingga industri kayu masuk ke
1

cluster 1. Jarak terdekat industri olahan kayu adalah dengan c , sehingga industri olahan
1

kayu masuk ke cluster 1. Jarak terdekat industri kertas adalah dengan c , sehingga industri kertas masuk ke
1

cluster 1. Jarak terdekat industri kimia dasar adalah dengan c , sehingga industri kimia dasar
2

masuk ke cluster 2. Jarak terdekat industri non logam adalah dengan c , sehingga industri non logam
2

masuk ke cluster 2. Jarak terdekat industri semen adalah dengan c , sehingga industri semen masuk ke
2

cluster 2. Jarak terdekat industri kapur dan gips adalah dengan c , sehingga industri kapur
2

dan gips masuk ke cluster 2. Jarak terdekat industri logam dasar adalah dengan c , sehingga industri logam
2

dasar masuk ke cluster 2. Jarak terdekat industri hasil olahan logam adalah dengan c , sehingga industri
2

hasil olahan logam masuk ke cluster 2. Jarak terdekat industri rumah sakit adalah dengan c , sehingga industri rumah
2

sakit masuk ke cluster 2. Jarak terdekat industri perhotelan adalah dengan c , sehingga industri perhotelan
2

masuk ke cluster 2 Dari proses ini diperoleh anggota tiap cluster sebagai berikut :

Cluster 1 dengan anggota : industri kayu , industri olahan kayu, industri kertas. Cluster 2 dengan anggota : industri logam dasar, industri kapur dan gips, industri semen, industri non logam, industri kimia dasar, industri minuman, industri makanan, industri hasil olahan logam, industri rumah sakit, industri perhotelan. Cluster 3 dengan anggota : industri tekstil. Karena tidak ada perubahan hasil pengclusteran, maka proses berhenti. Dari tiga cluster yang terbentuk, kita dapat melihat rata-rata banyaknya polutan (dalam satuan ton) pada setiap cluster, yaitu :

Untuk polutan debu terbanyak berada di cluster ketiga dengan rata-rata sebesar 92.737,12 ton. Jadi industri tekstil menghasilkan polutan debu terbesar. Sedangkan polutan debu terkecil adalah dari cluster kedua dengan rata-rata sebesar 6.454,66 ton.

Untuk polutan SO terbanyak berada di cluster ketiga dengan rata-rata sebesar

2

862.476,34 ton. Sedangkan polutan SO terkecil adalah dari cluster kedua

2

dengan rata-rata sebesar 52.579,83 ton.

Untuk polutan NO terbanyak berada di cluster ketiga dengan rata-rata sebesar
2

403.086,58 ton. Sedangkan polutan NO terkecil adalah dari cluster kedua dengan
2

rata-rata sebesar 25.352,86 ton.

Untuk polutan HC terbanyak berada di cluster ketiga dengan rata-rata sebesar 17.343,74 ton. Sedangkan polutan HC terkecil adalah dari cluster kedua dengan rata-rata sebesar 1.235,84 ton

Untuk polutan CO terbanyak berada di cluster ketiga dengan rata-rata sebesar 2.151,66 ton. Sedangkan polutan CO terkecil adalah dari cluster kedua dengan rata-rata sebesar 149,68 ton.

3. Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk menggambarkan isi cluster tersebut. Dari ketiga cluster yang terbentuk kita dapat mengklasifikasikan sebagai berikut : Cluster pertama : Kelima jenis polutan memiliki rata-rata lebih dari cluster kedua dan kurang dari cluster ketiga, sehingga dapat kita golongkan menjadi kelompok industri dengan tingkat pencemaran sedang, anggotanya adalah industri kayu , industri olahan kayu dan industri kertas.

Cluster kedua : Kelima jenis polutan memiliki rata-rata terkecil diantara cluster yang lain, sehingga dapat kita golongkan menjadi kelompok industri dengan tingkat pencemaran rendah, anggotanya adalah industri logam dasar, industri kapur dan gips, industri semen, industri non logam, industri kimia dasar, industri minuman, industri makanan, industri hasil olahan logam, industri rumah sakit dan industri perhotelan. Cluster ketiga : Kelima jenis polutan memiliki rata-rata terbesar diantara cluster yang lain, sehingga dapat kita golongkan menjadi kelompok industri dengan tingkat pencemaran tinggi, anggotanya adalah industri tekstil.

BAB IV KESIMPULAN

4.1 Kesimpulan Setelah mengelompokkan n buah obyek pengamatan kedalam m kelompok berdasarkan p variat dapat diketahui bahwa tujuan utama dari pengclusteran obyek adalah untuk mendapatkan kelompok obyek yang memiliki nilai relatif sama. Sehingga kelak dalam interpretasi, obyek-obyek yang berada pada satu cluster memiliki peluang yang cukup tinggi akan muncul bersamaan pada satu individu. Manfaat analsis Cluster 1. Untuk menerapkan dasar-dasar pengelompokan dengan lebih konsisten. 2. Untuk mengembangkan suatu metode generalisasi secara innduktif, yaitu pengambilan kesimpulan secara umum dengan berdasarkan fakta-fakta khusus. 3. Menemukan tipologi yang cocok dengan karakter obyek yang diteliti. 4. Mendiskripsikan sifat-sifat / karakteristik dari masing-masing kelompok. Metode pengelompokan pada dasarnya ada dua, yaitu pengelompokan hirarki (Hierarchical Clustering Method) dan pengelompokan non hirarki Non Hierarchical Clustering Method). Metode pengelompokan hirarki digunakan apabila belum ada informasi jumlah kelompok. Sedangkan metode pengelompokan non hirarki bertujuan mengelompokan n obyek ke dalam k kelompok ( k < n ). Salah satu prosedur pengelompokan pada non hirarki adalah dengan menggunakan metode K-Means. Metode ini merupakan metode pengelompokan yang bertujuan mengelompokan obyek sedemikian hingga jarak tiap-tiap obyek ke pusat kelompok di dalam satu kelompok adalah minimum. 4.2 Saran Terdapat beberapa algoritma cluster yang dapat digunakan untuk mengelompokkan objek-objek, baik itu dengan pengelompokan hirarki ataupun pengelompokan non hirarki. Namun yang perlu diperhatikan adalah stabilitas dari solusi yang diperoleh, oleh karena itu perlu di cek kembali setiap algoritma cluster tersebut baik sebelum atau sesudah pengelompokkan.