BAB I PENDAHULUAN

1.1 Latar Belakang

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. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Berbeda dengan teknik multivariat lainnya, analisis ini tidak mengestimasi set vaiabel secara empiris sebaliknya menggunakan setvariabel yang ditentukan oleh peneliti itu sendiri. Fokus dari analisis cluster adalah membandingkan objek berdasarkan set variabel, hal inilah yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis dalam analisis cluster. Set variabel cluster adalah suatu set variabel yang mempresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan analisis faktor adalah bahwa analisis cluster terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada kelompok variabel. Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih. Solusi cluster secara keseluruhan bergantung pada variabel-variaabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau pengurangan variabel-variabel yang relevan dapat mempengaruhi substansi hasi analisisi cluster.

1.2 Rumusan Masalah Analisis Cluster terbagi menjadi dua, yaitu analisis cluster hierarki dan analisis cluster Nonhierarki. Pada kesempatan ini kami akan membahas tentang analisis cluster hierarki. Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut : 1. Mengukur kesamaan jarak 2. Membentuk cluster secara hirarkis

3. Menentukan jumlah cluster.

1.3 Tujuan Tujuan dari Analisis Cluster adalah mengelompokkan obyek berdasarkan kesamaan karakteristik di antara obyek-obyek tersebut. Dengan demikian, ciri-ciri suatu cluster yang baik yaitu mepunyai : Homogenitas internal (within cluster); yaitu kesamaan antar anggota dalam satu cluster. Heterogenitas external (between cluster); yaitu perbedaan antara cluster yang satu dengan cluster yang lain.

1.4 Sistematika Penulisan BAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Rumusan Masalah 1.3 Tujuan 1.4 Sistematika Penulisan BAB II TINJAUAN PUSTAKA BAB III METODOLOGI BAB IV ANALISIS DAN PEMBAHASAN BAB V PENUTUP 5.1 Kesimpulan 5.2 Saran

BAB II TINJAUAN PUSTAKA

2.1 Definisi Analisis Cluster

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. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Ada lima metode aglomerasi dalam pembentukan cluster, yatiu : a. Pautan Tunggal (Single Linkage) Metode ini didasarkan pada jarak minimum. Dimulai dengan dua objek yang dipisahkan dengan jarak paling pendek maka keduanya akan ditempatkan pada cluster pertama, dan seterusnya. Metode ini dikenal pula dengan nama pendekatan tetangga terdekat. b. Pautan Lengkap (Complete Linkage) Disebut juga pendekatan tetangga terjauh. Dasarnya adalah jarak maksimum. Dalam metode ini seluruh objek dalam suatu cluster dikaitkan satu sama lain pada suatu jarak maksimuma atau dengan kesamaan minimum. c. Pautan Rata-rata (Average Linkage) Dasarnya adalah jarak rata-rata antar observasi. pengelompokan dimulai dari tengan atau pasangan observasi dengan jarak paling mendekati jarak rata-rata. d. Metode Ward (Wards Method) Dalam metode ini jarak antara dua cluster adalah jumlah kuadrat antara dua cluster untuk seluruh variabel. Metode ini cenderung digunakan untuk mengkombinasi cluster-cluster dengan jumlah kecil.

e. Metode Centroid

Jarak antara dua cluster adalah jarak antar centroid cluster tersebut. Centroid cluster adalah nilai tengah observasi pada variabel dalam suatu set variabel cluster. Keuntungannya adalah outlier hanya sedikit berpengaruh jika dibandingkan dengan metode lain.

2.2 Definisi Analisis Cluster Hierarki Metode Hierarki memulai pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan paling dekat. Kemudian diteruskan pada obyek yang lain dan seterusnya hingga cluster akan membentuk semacam p o h o n dimana terdapat tingkatan (hierarki) yang jelas antar obyek, dari yang paling mirip hingga yang paling tidak mirip. Alat yang membantu untuk memperjelas proses hierarki ini disebut dendogram .

BAB III METODOLOGI

Metode penelitian ini adalah library research (penelitian kepustakaan), yaitu penelitian yang dilaksanakn dengan menggunakan literatur (kepustakaan), baik berupa buku, catatan, maupun laporan, hasil penelitian dari penelitian terdahulu. Untuk menyelesaikan contoh kasus pada makalah ini, kami menggunakan metode Analisis Cluster Hierarki dengan software SPSS versi 20.

BAB IV ANALISIS DAN PEMBAHASAN

4.1 Contoh Kasus Dari penelitian yang dilakukan terhadap 12 kota, ingin diketahui pengelompokan kotakota tersebut berdasarkan instrumen 5 variabel yaitu : jumlah pendapatan kota (trilyun Rp) jumlah pinjaman pemerintah kota (milyar Rp) jumlah dana hibah yang dimiliki kota (milyar Rp) jumlah konsumsi pemerintah kota (milyar Rp) jumlah penduduk kota (juta jiwa).

Untuk itu data yang berhasil dikumpulkan sebagai berikut:

Kota A B C D E F G H I J K L Pendapatan Pinjaman 55 5.6 61 8 58 3.9 67 5.5 71 5.7 76 7.6 81 8.7 56 7.1 84 7.6 88 6.5 84 6.8 90 8 Dana Hibah 9 7 7 7 6 8 9 6 7 8 9 9 Konsumsi Penduduk 50 25 62 41 60 32 64 51 70 42 80 29 80 57 86 29 82 46 86 52 88 61 90 66

4.2 Analisis dan Pembahasan Untuk menyelesaikan contoh kasus di atas dengan menggunakan aplikasi program SPSS, perlu dilakukan beberapa langkah berikut ini. Langkah 1 : Standardisasi / Transformasi Mengingat data yang terkumpul mempunyai variabilitas satuan, maka perlu dilakukan langkah standardisasi atau transformasi terhadap variabel yang relevan ke bentuk z-score, sebagai berikut :

1) Setelah keseluruhan data yang dikumpulkan tersebut diatas dientry dalam program SPSS, selanjutnya klik menu analyze dan pilih submenu Descriptives Statistics lalu Descriptives hingga muncul tampilan berikut ini :

2) Masukkan ke dalam kotak VARIABLES seluruh variable instrumen penilai, yaitu variabel jumlah pendapatan, jumlah pinjaman, jumlah dana hibah, jumlah konsumsi, dan jumlah penduduk. (dalam hal ini variabel kota tidak dimasukkan karena data bertipe string). Kemudian aktifkan bagian Save standardized values as variables . Abaikan bagian yang lain lalu tekan OK untuk menampilkan output aplikasi program SPSS. Output yang didapat yaitu deskripsi dari keseluruhan variabel yang meliputi nilai maksimum, nilai minimun, rataan, dan standar deviasi dari masing-masing variabel.

Descriptive Statistics N Pendapatan Pinjaman Dana_Hibah Konsumsi Penduduk Valid N (listwise) 12 12 12 12 12 12 Minimum 55.00 3.90 6.00 50.00 25.00 Maximum 90.00 8.70 9.00 90.00 66.00 Mean 72.5833 6.7500 7.6667 74.8333 44.2500 Std. Deviation 12.96470 1.37080 1.15470 13.14142 13.57220

Namun, deskripsi tersebut diatas digunakan sebagai dasar perhitungan z-score yang diperoleh. Selanjutnya buka tampilan data view dari tabel data. Hal yang akan dijumpai sebagai berikut :

Untuk selanjutnya, hasil z-score inilah yang akan dipakai dasar analisis cluster. Namun apabila data yang terkumpul tidak mempunyai variabilitas satuan, maka prose analisis cluster dapat langsung dilakukan tanpa terlebih dahulu melakukan transformasi atau standardisasi. Langkah 2 : Analisis Cluster Hierarki 1) Buka menu Analyze lalu pilih submenu Classify Cluste r hingga muncul tampilan seperti berikut ini : kemudian Hierarchical

2) Masukkan seluruh variabel yang telah distandardkan (Z-s c o r e ) ke dalam bagian Variable(s) . Untuk bagian Label Cases by isi dengan variabel kota, sedangkan untuk bagian Cluster pilih Cases, pada bagian Display pilih keduanya yaitu Statistics dan Plots. 3) Kemudian klik mouse pada kotak Statistics hingga muncul tampilan berikut ini :

Selain kotak Agglomeration Schedule , aktifkan pula kotak Proximity matrix menampilkan jarak antar variable. Pada bagian Cluster Membership k l i k

untuk

mouse pada pilihan Range of Solutions lalu ketik 2 pada Minimum number of Clusters dan 4 pada Maximum number of clusters (berarti nantinya akan ditampilhan susunan 2, 3, dan 4 cluster). Kemudian klik mouse pada kotak Continue untuk kembali pada menu utama . 4) Selanjutnya klik mouse pada kotak Plots hingga muncul tampilan seperti berikut ini :

Aktifkan pilihan Dendogram ; kemudian pada bagian Icicle pilih None. Abaikan bagian yang lain lalu tekan tombol Continue untuk kembali ke menu utama. 5) Berikutnya klik mouse pada kotak M e t h o d hingga muncul tampilan :

Pada bagian Cluster Method pilih Between groups linkage. Kemudian buka kotak combo Square Euclidean distance pada Measure ; dan pada Transform Values buka kotak Standardize dan pilih Z-score. Abaikan bagian yang lain lalu tekan tombol Continue untuk kembali ke menu utama. Dari tampilan menu utama, tekan tombol OK untuk menampilkan output aplikasi program SPSS seperti berikut.

Case Processing Summary Cases Valid N 12 Percent 100.0 N 0 Missing Percent .0

Total N 12 Percent 100.0

a. Average Linkage (Between Groups)

Tabel output di atas menunjukkan bahwa semua data sejumlah 12 obyek telah diproses tanpa ada data yang hilang.

10

Proximity Matrix Cas e 1:A 2:B 3:C 4:D 5:E 6:F 7:G 8:H 9:I 10:J 11: K 12:L 1:A .000 8.503 5.437 8.667 12.163 10.801 19.906 15.545 18.456 2:B 8.503 .000 9.462 4.106 4.536 3:C 5.437 9.462 .000 3.897 4.602 4:D Squared Euclidean Distance 5:E 6:F 7:G 8:H 9:I 10:J 11:K 12:L

8.667 12.163 10.801 19.906 15.545 18.456 19.122 21.167 28.744 4.106 3.897 .000 1.515 7.689 4.536 4.832 8.906 5.447 5.684 10.277 12.999 15.936

4.602 12.328 24.118 10.186 15.174 15.788 20.603 29.525 1.515 .000 6.566 7.689 11.293 6.566 13.935 .000 5.799 5.799 8.262 4.782 5.721 6.078 4.597 2.723 4.378 6.714 9.497 14.609

7.085 12.235 17.156 4.581 3.961 7.401 10.012 2.432 1.761

4.832 12.328

8.906 24.118 11.293 13.935 5.447 10.186 5.684 15.174 8.262 6.078 6.714 4.782 4.597 7.085

.000 16.295 .000 7.209

5.721 16.295 2.723 4.581 7.401 4.378

7.209 12.156 17.044 21.583 .000 1.777 4.771 5.841 1.777 .000 1.356 3.128 4.771 1.356 .000 1.139 5.841 3.128 1.139 .000

19.122 10.277 15.788 21.167 12.999 20.603

3.961 12.156 2.432 17.044 1.761 21.583

9.497 12.235

28.744 15.936 29.525 14.609 17.156 10.012

This is a dissimilarity matrix

Tabel diatas menujukkan matrik jarak antara variabel satu dengan variabel yang lain. Semakin kecil jarak euclidean, maka semakin mirip kedua variabel tersebut sehingga akan membentuk kelompok (cluster).

Agglomeration Schedule Stage Cluster Combined Cluster 1 1 2 3 4 5 6 7 8 9 10 11 11 4 9 7 6 3 6 2 2 1 1 Cluster 2 12 5 10 11 9 4 7 8 3 2 6 1.139 1.515 1.777 2.097 3.652 4.249 5.183 5.447 6.889 10.063 13.662 Coefficients Stage Cluster First Appears Cluster 1 0 0 0 0 0 0 5 0 8 0 10 Cluster 2 0 0 0 1 3 2 4 0 6 9 7 4 6 5 7 7 9 11 9 10 11 0 Next Stage

11

Tabel di atas merupakan hasil proses clustering dengan metode Between Group Linkage. Setelah jarak anatar varaiebl diukur dengan jarak euclidean, maka dilakukan pengelompokan, yang dilakukan secara bertingkat. Stage 1 : terbentuk 1 cluster yang beranggotakan Kota K dan Kota L dengan jarak 1,139 (perhatikan pada kolom Coefficients). Karena proses aglomerasi dimulai dari 2 obyek yang terdekat, maka jarak tersebut adalah yang terdekat dari sekian kombinasi jarak 12 obyek yang ada. Selanjutnya lihat kolom terakhir (Next Stage), terlihat angka 4. Hal ini berarti clustering selanjutnya dilakukan dengan melihat stage 4, dengan penjelasan berikut. Baris ke-4 (stage 4) terlihat obyek ke-7 (Kota G) membentuk cluster dengan Kota K. Dengan demikian, sekarang cluster terdiri dari 3 obyek yaitu Kota G, K, dan L. Sedangkan jarak sebesar 2,097 merupakan jarak rata-rata obyek terakhir yang bergabing dengan 2 obyek sebelumnya, seperti tampak dalam Proximity matrix dan dapat dihitung sebagai berikut : - Jarak Kota G dan K = 2,432 - Jarak Kota G dan L = 1,761 - Jarak rata-rata = (2,432 + 1,761) / 2 = 2,0965 Stage 2 : terjadi pembentukan cluster Kota D dan Kota E berjarak 1,515), yang kemudian berlanjut ke stage 6. Demikian seterusnya dari stage 3 dilanjutkan ke stage 5, sampai ke stage terakhir. Proses aglomerasi ini bersifat kompleks, khususnya perhitungan koefisien yang melibatkan sekian banyak obyek dan terus bertambah. Proses aglomerasi pada akhirnya akan menyatukan semua obyek menjadi satu cluster. Hanya saja dalam prosesnya dihasilkan beberapa cluster dengan masing-masing anggotanya, tergantung jumlah cluster yang dibentuk. Perincian jumlah cluster dengan anggota yang terbentuk dapat dilihat pada tabel output berikut ini :
Cluster Membership Case 1:A 2:B 3:C 4:D 5:E 6:F 7:G 8:H 4 Clusters 1 2 3 3 3 4 4 2 3 Clusters 1 2 2 2 2 3 3 2 2 Clusters 1 1 1 1 1 2 2 1

12

9:I 10:J 11:K 12:L

4 4 4 4

3 3 3 3

2 2 2 2

Dari tabel diatas dapat dijabarkan bahwa : - Apabila diinginkan dibentuk 4 cluster, maka : Anggota cluster 1 adalah Kota A Anggota cluster 2 adalah Kota B dan Kota H Anggota cluster 3 adalah C, D, dan E Anggota cluster 4 adalah Kota F, G, I, J, K,dan L.

- Apabila ditentukan dibentuk 3 cluster, maka : Anggota cluster 1 adalah Kota A\Anggota cluster 2 adalah Kota B, C, D, E, dan H. Anggota cluster 3 adalah Kota F, G, I, J, K, dan L.

- Apabila ditentukan dibentuk 2 cluster, maka :\ Anggota cluster 1 adalah Kota A, B, C, D, E, dan H Anggota cluster 2 adalah Kota F, G, I, J, K, dan L.

13

Dendogram berguna untuk menunjukkan anggota cluster yang ada jika akan ditentukan berapa cluster yang seharusnya dibentuk. Sebagai contoh yang terlihat dalam dendogram, apabila akan dibentuk 2 cluster, maka cluster 1 beranggotakan Kota K sampai dengan Kota F (sesuai urutan dalam dendogram); dan cluster2 beranggotakan Kota D sampai dengan Kota A. Demikian seterusnya dapat dengan mudah dilihat anggota tiap cluster sesuai jumlah cluster yang diinginkan.

BAB V PENUTUP

14

5.1 Kesimpulan Tujuan dari Analisis Cluster adalah mengelompokkan obyek berdasarkan kesamaan karakteristik di antara obyek-obyek tersebut. Dengan demikian, ciri-ciri suatu cluster yang baik yaitu mepunyai : Homogenitas internal (within cluster); yaitu kesamaan antar anggota dalam satu cluster. Heterogenitas external (between cluster); yaitu perbedaan antara cluster yang satu dengan cluster yang lain. Analisis cluster terbagi menjadi dua, yaitu analisis cluster hierarki dan analisis cluster non hierarki. Metode Hierarki memulai pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan paling dekat. Kemudian diteruskan pada obyek yang lain dan seterusnya hingga cluster akan membentuk semacam p o h o n dimana terdapat tingkatan (hierarki) yang jelas antar obyek, dari yang paling mirip hingga yang paling tidak mirip. Alat yang membantu untuk memperjelas proses hierarki ini disebut dendogram . Sedangkan 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 KMeans Cluster .

5.2 Saran

15