You are on page 1of 31

BAB I PENDAHULUAN 1.

1 Latar Belakang Statistik merupakan salah satu cabang ilmu pengetahuan yang pada intinya digunakan untuk membantu menginterpretasikan dan menyimpulkan pengolahan data. Terdapat dua macam cara dalam penyampaian data penelitian yaitu data dapat disampaikan secara langsung tanpa melakukan pengolahan, atau diolah dan disimpulkan terlebih dahulu sebelum disampaikan. Analisis cluster merupakan suatu kelas teknik yang dipergunakan untuk mengklasifikasi objek atau kasus (reponden) kedalam kelompok yang relatif homogen. Clustering adalah metode pengelompokan objek secara otomatis menjadi sejumlah kelompok (cluster) yang bermakna. Tujuan utama analisis cluster adalah mengelompokkan objek-objek berdasarkan karakteristik diantara objek-objek tersebut. Objek bisa berupa produk (barang atau jasa), benda (tumbuhan atau lainya) serta orang (responden, konsumen atau lainya). Objek tersebut akan diklasifikasikan ke dalam satu atau lebih cluster (kelompok) sehingga objekyang berada dalam satu cluster akan mempunyai kemiripan satu dengan yang lain. Secara logika cluster yang baik adalah cluster yang mempunyai homogenitas (kesamaan) yang tinggi antar anggota dalam satu cluster (within cluster) dan heterogenitas (perbedaan) yang tinggi antar cluster yang satu dengan cluster yang lain. Didalam Clustering (pengelompokan) dapat dilakukan dengan pengelompokan data berdasarkan karakteristik masing-masing yang mempunyai kesamaan atau kemiripan. Analisis cluster dapat diterapkan untuk berbagai lahan penelitian seperti berikut ini. Dalam psikologi untuk mengklasifikasikan individu-individu kedalam tipe-tipe kepribadian. Dalam Demographi untuk mengklasifikasi kota kota ke dalam tingkat atau topologi berdasarkan variabel demographi tertentu, Dalam ekonomi untuk mengklasifikasikan konsumen ke dalam kelompok kelompok berdasarkan penggunaan dari produk yang di beli. Alternatif lain adalah dengan mengkombinasikan kedua metode ini. Pertama gunakan metode hirarkhi kemudian dilanjutkan dengan metode non hirarkhi. 1.2 Perumusan Masalah Berdasarkan latar belakang masalah yang telah diuraikan di atas, maka dapat dirumuskan suatu permasalahan sebagai berikut : 1. Dari pengolahan data methode manakah yang baik untuk diterapkan? 2. Dari final cluster dan uji anova nilai manakah yang tertinggi dan terendah? 3. Jenis HP manakah yang mempunyai kemiripan dan perbedaan jarak terdekat dan terjauh?

1.3 Tujuan Praktikum Adapun tujuan yang ingin dicapai dalam praktikum clustering ini adalah sebagai berikut : 1. Praktikan dapat mengetahui dan memahami pengetian clustering dan cirinya. 2. Praktikan dapat memilih prosedur pengklasteran (memasukan objek dalam suatu cluster yang mungkin sehomogen). 3. Praktikan dapat menentukan berapa seharusnya jumlah cluster dan menginterpretasinya.

1

4. Praktikan dapat menguraikan maksud mengevaluasi mutu hasil pengclusteran. 1.4

dan

metode

untuk

Manfaat Praktikum Dengan adanya praktikum ini diharapkan dapat memberikan kegunaan dan manfaat sebagai berikut : 1. Praktikan mampu mendefinisikan pengertian cluster beserta cirinya. 2. Praktikan mampu mengaplikasikan objek (kasus / elemen) kedalam kelompok-kelompok yang relatif homogen didasarkan pada suatu set variabel yang dipertimbangkan untuk diteliti. 3. Praktikan mampu menginterpretasikan data dengan melihat karakteristiknya dan mampu menyimpulkan hasil pengolahan data. 1.5 Batasan dan Asumsi 1.5.1 Batasan Agar permasalahan dalam praktikum ini tidak menyimpang dari tujuan yang ingin dicapai praktikan dan tidak memperluas pembahasan yang akan diulas, maka perlu adanya pembatasan terhadap lingkup penelitian. Pembatasan tersebut adalah : 1. Metode pengambilan data yang digunakan adalah metode observasi dan studi pustaka. 2. Data yang digunakan merupakan data spesifikasi komputer. 3. Jumlah data observasi minimal sebanyak 25 data. 4. Jumlah spesifikasi cluster minimal 10. 1.5.2 Asumsi Dalam praktikum kali ini digunakan beberapa asumsi yang dapat memberikan tambahan dan penegasan terhadap data, asumsi tersebut yaitu: 1. Waktu pengambilan data dilakukan diluar yaitu mengenai spesifikasi HP. 2. Spesifikasi HP terdiri dari berbagai jenis.

2

BAB II TINJAUAN PUSTAKA Analisis Cluster termasuk dalam analisis statistik multivariate metode interdependen, sebagai alat analisis interdependen maka tujuan analisis cluster tidak untuk menghubungkan ataupun membedakan dengan sample ataupun variable yang lain. Analisis cluster merupakan salah satu alat analisis yang berguna dalam meringkas data atau sejumlah variabel untuk menjadi lebih sedikit. Dalam melakukan proses meringkas data ini dapat di lakukan dengan jalan mengelompokan objek objek berdasarkan kesamaan karakteristik tertentu di antara objek objek yang hendak di teliti. Analisis cluster dapat diterapkan untuk berbagai lahan penelitian seperti berikut ini. Dalam psikologi untuk mengklasifikasikan individu individu kedalam tipe-tipe kepribadian. Dalam Demographi untuk mengklasifikasi kota kota ke dalam tingkat atau topologi berdasarkan variabel demographi tertentu, Dalam ekonomi untuk mengklasifikasikan konsumen ke dalam kelompok kelompok berdasarkan penggunaan dari produk yang di beli. Sedangkan dalam aplikasi pemasaran, analisis cluster dapat di gunakan untuk : 1. Mengetahui segmentasi dan menentukan target target pasar yang di tuju. 2. Mengetahui positioning produk dan menentukan pengembangan produk baru 3. Memilih pasar yang akan dipilih untuk produk baru perusahaan Pembentukan kelompok kelompok observasi / kasus ini berdasarkan jarak, observasi yang mirip seharusnya berada dalam kelompok yang sama, dan data observasi yang jauh seharusnya berada dalam kelompok yang berbeda.pembentukan kelompok ini akan di ikuti dengan terjadinya pengelempokan yang menunjukan kedekatan kesamaan antar kasus. Meskipun hasil analisis cluster merupakan hasil data yang objektif,namun perlu di ketahui bahwa hasil analisis cluster tidak boleh di percaya begitu saja. Agar hasil analisis dapat ideal sebaiknya di lakukan beberapa kali analisis cluster dengan menggunakan beberapa metode jarak cluster. Beberapa hal yang harus di perhatikan dalam melakukan analisis cluster adalah : 1. Lakukan beberapa kali analisis cluster 2. Pastikan data yang di dapatkan adalah data yang valid, baik secara validitas maupun validitas konten. 3. Berikan justifikasi logika pada output analisis cluster yang telah di keluarkan SPSS, jika output yang di hasilkan jauh dari logika, kemungkinan terjadi berbagai kesalahan baik pengukuran maupun sample. Analisis cluster mempunyai beberapa istilah penting, antara lain : a. Agglomeration schedule, ialah jadwal yang memberikan informasi tentang objek atau kasus yang akan di kelompokan pada setiap tahap pada suatu proses analisis cluster yang hierarkis. b. Cluster Centroid, ialah titik awal di mulainya pengelompokan di dalam cluster nonhierarki, cluster di bentuk / di bangun di sekitar titik titik atau Seeds. c. Cluster Membership, ialah keanggotaan yang menunjukan cluster, untuk setiap objek/ kasus yang menjadi anggotanya. Dendogram adalah output SPSS yang memvisualisasikan hasil analisis cluster yang di di lakukan peneliti.Garis vertical ( Y ) menunjukan cluster yang di gabung bersama, posisi garis pada skala ( X ) menunjukan jarak ( Distance ), untuk mana cluster di gabung, dendogram harus di baca mulai dari kiri ke kanan.

3

Distance Between Cluster Centers, ialah jarak yang menunjukan bagaimana terpisahnya pasangan individu cluster.cluster yang terpisah jauh ( Widely, separated ) sangat berbeda. Diagram Icicle ialah penyajian berupa grafis dari hasil analisis cluster, di sebut demikian karena bentuknya menyerupai suatu deretan es yang menggantung pada mulut gua.kolom objek atau kasus menunjukan banyaknya cluster, diagram icicle di baca dari atas kebawah. Analisis cluster dapat diterapkan pada bidang apa saja. Namun pemakaian teknik ini lebih familiar pada bidang pemasaran karena memang salah satu kegiatan yang dilakukan dalam pemasaran adalah pengelompokan, yang disebut segmentasi pasar. Tujuan analisis cluster di dalam pemasaran adalah sebagai berikut : 1. Membuat segmen pasar (segmenting the market) Pelanggan atau pembeli sering diklasterkan berdasarkan manfaat atau keuntungan yang diperoleh dari pembelian barang. Setiap cluster akan terdiri dari pelanggan/pembeli yang relatif homogen, dinyatakan dalam manfaat yang dicari. 2. Memahami perilaku pembeli Analisis cluster digunakan untuk mengenali/mengidentifikasi kelompok pembeli yang homogen/relatif homogen. Kemudian perilaku dalam untuk setiap kelompok perlu dikaji secara terpisah. Responden (pembeli) dikelompokkan didasarkan pada self-reported importance yang terkait pada setiap faktor pilihan yang digunakan untuk memilih toko atau mall di mana para pembeli membeli barang yang dibutuhkanMengenali peluang produk baru 3. Dengan mengklasterkan merk dan produk, competitive set di dalam pasar bisa ditentukan. Merek di dalam klaster yang sama bersaing sengit satu sama lain, daripada merek dari klaster lain. 4. Mereduksi data. Analisis cluster digunakan sebagai suatu alat mereduksi data secara umum, untuk mengembangkan klaster atau subgroup dari data yang mudah dikelola dari kumpulan data asli, secara individual. Prosedur Analisis Cluster Secara umum proses dimulai dengan merumuskan masalah pengklasteran dengan mendefinisikan variabel-variabel yang dipergunakan untuk dasar pengklasteran/pembentukan klaster. Kemudian pengambilan p pengukuran peubah pada n obyek pengamatan. Data tersebut dijadikan matriks data mentah berukuran m x p. Matrik tersebut ditransformasikan ke dalam bentuk matriks similaritas (kemiripan) berupa n x n yang dihitung berdasarkan pasanganpasangan obyek p peubah. Konsep dasar pengukuran analisis cluster adalah konsep pengukuran jarak (distance) dan kesamaan (similarity). Distance adalah ukuran tentang jarak pisah antar obyek sedangkan similarity adalah ukuran kedekatan. Konsep ini penting karena pengelompokan pada analisis cluster didasarkan pada kedekatan. Pengukuran jarak (distance type measure) digunakan untuk data-data yang bersifat matriks, sedangkan pengukuran kesesuaian (matching type measure) digunakan untuk data-data yang bersifat kualitatif. Analisis cluster dilakukan dengan dua cara, yaitu: a. Metode Hirarki Teknik hirarki (hiererchical methods) adalah teknik clustering embentuk kostruksi hirarki atau berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan). Dengan demikian proses pengelompokannya dilakukan secara bertingkat atau bertahap. Hasil dari pengelompokan ini dapat disajikan dalam bentuk dendogram. Metode-metode yang digunakan

4

dalam teknik hirarki ada 2 jenis yaitu: aglomerative methods dan devisive method. Agglomerative methods adalah metode yang dimulai dengan kenyataan bahwa setiap obyek membentuk clusternya masing-masing. Kemudian dua obyek dengan jarak terdekat bergabung. Selanjutnya obyek ketiga akan bergabung dalam cluster yang ada atau bersama obyek lain dan membentuk cluster baru. Hal ini tetap memperhitungkan jarak kedekatan antar obyek. Proses akan berlanjut hingga akhirnya terbentuk satu cluster yang terdiri dari keseluruhan obyek. Ada beberapa teknik dalam agglomerative methods yaitu: single linkage (nearest neigbor methods), complete linkage (furthes neighbor methods), avarage linkage methods (between groups methods), ward’s error sum of squares methods, dan centroid methods. Hierarki Cluster digunakan untuk analisis data dengan sample kecil. b. Metode Non Hirarki Berbeda dengan metode hirarki, prodsedur non hirarki (K-means Clustering) dimulai dengan memilih sejumlah nilai cluster awal sesuia dengan jumlah yang diinginkan dan kemudian obyek digabungkan kedalam cluster-cluster tersebut. Sequential Threshold Procedure Pada metode hirarki ini terdiri dari beberapa metode diantaranya; sequential threshold procedure. Metode ini pengelompokan dengan terlebih dahulu memilih satu obyek dasar yang akan dijadikan nilai awl cluster. Selain itu ada Parralel Threshold Procedure yang secara prinsip sama dengan prosedure sequential threshold, hanya saja dilakukan pemilihan terhadap beberapa obyek awal cluster sekaligus dan kemudian melakukan penggabungan obyek kedalamnya secara bersamaan. Optimizing merupakan pengembangan dari kedua methode diatas dengan melakukan optimasi pada penempatan obyek yang ditukar untuk cluster lainnya dengan pertimbangan kriteria optimasi. K Means Cluster di gunakan untuk analisis data dengan sample yang relatif besar (>100). Analisis cluster juga adalah sebuah alat untuk penelusuran ( eksploring ), analisis cluster menampakan hubungan dan susunan menurut data dengan tidak memerhatikan alasan mengapa itu terjadi , analisis cluster akan menunjukan hasil yang penting bagi pengambilan keputusan. Hasil analisis cluster dapat berguna bagi klasifikasi secara umum, seperti hubungan / taksonomi hewan, serangga, tumbuhan, atau makhluk lainnya, dapat juga untuk mengindikasikan alasan untuk menandai kasus / observasi dan mendiagnosis tujuan, menemukan contoh / jenis untuk mempresentasikan kelas. Jika jumlah cluster / grup tidak di ketahui sebelumnya, dapat di gunakan metode flat, objek atau responden di tempatkan untuk di berikan cluster pada tahap pertama berdasarkan beberapa criteria awal, misalnya berdasarkan teori masyarakat pengguna mobil dapat di bagi menjadi dua cluster yaitu kelompok menengah dan kelompok atas, hal ini berarti untuk tiap tiap cluster di hitung, tahap selanjutnya adalah mengganti objek atau responden menjadi cluster.

5

BAB III METODOLOGI PENELITIAN 3.1Data yang Digunakan Dalam praktikum clustering ini, data yang digunakan untuk pengolahan data berupa spesifikasi HP. 3.2 Metode Pengumpulan Data Dalam praktikum kali ini, metode yang digunakan didalam pengumpulan data adalah sebagai berikut: 1. Observasi (pengamatan langsung) Yaitu pengamatan secara langsung terhadap praktikum dan objek yang dikerjakan untuk mendapatkan data-data yang dikehendaki untuk dipergunakan pada pengolahan data berikutnya. 2. Studi Pustaka Studi literatur penunjang yang dapat mendukung dalam pengumpulan data dan membahas obyek praktikum. Studi pustaka dalam hal ini dilakukan untuk mempelajari tema praktikum dengan literatur yang terkait dengan eksplorasi dan analisis data.

3.3Diagram Alir (Flowchart) Diagram alir praktikum dapat diuraikan kedalam beberapa langkah praktiklum yang dilakukan dalam pemecahan masalah. Langkah-langkah tersebut dapat dilihat dalam diagram alir (flow chart) praktikum seperti pada gambar berikut ini:

6

Gambar Diagram Alir Praktikum

7

3.4

Prosedur Praktikum Prosedur praktikum yang dilakukan adalah sebagai berikut : 1. Melakukan survei diluar mengenai data spesifikasi HP. 2. Jumlah data minimal 25, jumlah spesifikasi cluster minimal 10.

3.5 Alat dan Bahan Peralatan yang digunakan dalam pengambilan data specifikasi HP antara lain sebagai berikut : 1. Macam-macam Jenis HP 2. Pena 3. Kertas 4. Penggaris Bahan penelitian meliputi data yang terdapat pada tempat pengambilan data yaitu Konter HP.

8

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1. Pengumpulan Data Pengumpulan dilakukan dengan cara melakukan pengamatan pada jenisjenis HP. Adapun table pengumpulan datanya terlampir. 4.2. Pengolahan Data 4.2.1 K. Means Cluster: K=3 a. Deskriptif Tabel 1.1 tabel statistik deskriptif Descriptive Statistics N Camera Memory Baterai Fitur Tipelayar Pj Size Lebar Berat Tebal PB WB WS Prod GPRS Valid N (listwise) 25 25 Minimu m 2.00 20.00 Maximum Mean Std. Deviation

25 700.00 25 20.00 25 65000.0 0 25 9.20 25 2.00 25 4.60 25 12.00 25 1.00 25 100.00 25 2.70 25 200.00 25 2005.00 25 25 10.00

8.00 3.1640 1.37995 8000.00 1055.800 2624.35571 0 1400.00 996.0000 156.65780 72.00 62.2400 11.89285 16000000. 5.2656E6 7.51592E6 00 11.50 10.6044 .61304 3.25 2.3936 .34830 6.60 5.2120 .47550 140.00 106.0560 25.78593 2.20 1.5824 .31576 2000.00 1004.000 274.59060 0 9.50 5.4840 2.33304 410.00 329.2400 64.89432 2010.00 2007.320 .98826 0 32.00 12.6400 7.29657

Dari sebanyak 25 data di ketahui Rata-rata nilai untuk Camera adalah 3.164, standar deviasi = 1.37995 dengan nilai maximum 8, dan nilai minimum 2. Rata-rata nilai untuk Memory adalah 1055.8, standar deviasi 2624.35571 dengan nilai maximum 8000, dan nilai minimum 20. Rata-rata nilai untuk baterai adalah 996, standar deviasinya = 156.657 dengan nilai maximum 1400 dan nilai minimum 700,. Rata-rata nilai untuk Fitur adalah 62.24, standar deviasinya = 11.89285 dengan nilai maximum 72, dan nilai minimum 20,. Rata-rata nilai untuk Tipe Layar adalah 5.26, standar deviasinya = 7.52 dengan nilai maximum 16000000, dan nilai minimum 65000,. Rata-rata nilai untuk Panjang adalah 10.6044, standar deviasinya = 0.613, dengan nilai maximum 11.5, dan nilai minimum 9.2,. Rata-rata nilai untuk ukuran adalah 2.39, standar deviasinya = 0.348 dengan nilai maximum 3.25, dan nilai minimum 2. Rata-rata nilai untuk Lebar adalah 5.212 , standar

9

deviasinya = 0.4755 dengan nilai maximum 6.6, dan nilai minimum 4.6. Rata-rata nilai untuk Berat adalah 106.06 , standar deviasinya = 25.78 dengan nilai maximum 140, dan nilai minimum 12. Rata-rata nilai untuk Tebal adalah 1.58 , standar deviasinya = 0.316 dengan nilai maximum 2.2, dan nilai minimum 1. Rata-rata nilai untuk PB adalah 1004 , standar deviasinya = 274.59 dengan nilai maximum 2000, dan nilai minimum 100. Rata-rata nilai untuk WB adalah 5.484, standar deviasinya = 2.333 dengan nilai maximum 9.5, dan nilai minimum 2.7. Rata-rata nilai untuk Waktu Standby adalah 329.24 , standar deviasinya = 64.89 dengan nilai maximum 410, dan nilai minimum 200. Rata-rata nilai untuk Produksi adalah 2007 , standar deviasinya = 0.988 dengan nilai maximum 2010 dan nilai minimum 2005. Rata-rata nilai untuk GPRS adalah 12.64 , standar deviasinya = 7.296 dengan nilai maximum 32, dan nilai minimum 10. b. Initial cluster center Tabel 1.2 Tabel Initial cluster center Initial Cluster Centers Cluster 1 2 Zscore(Camera) .02609 -.01015 Zscore(Memory) -.02126 2.64606 Zscore(Baterai) 2.57887 -.42130 Zscore(Fitur) .82066 -3.55171 Zscore(Tipelayar) -.69194 -.66533 Zscore(Pj) 1.29780 -2.29088 Zscore(Size) 2.45877 -.55584 Zscore(Lebar) 2.91903 -1.28707 Zscore(Berat) 1.08369 -.23486 Zscore(Tebal) -.57766 .37244 Zscore(PB) -.01457 -.01457 Zscore(WB) .00686 1.50705 Zscore(WS) .47400 .62810 Zscore(Prod) -.32380 .68807 Zscore(GPRS) -.36181 -.36181 Berdasarkan tabel 1.2 tersebut, menunjukkan nilai Zscore (Camera) untuk cluster 1 sebesar 0.02609, dan cluster 2 sebesar -0.01015. Nilai Zscore (Memory) untuk cluster 1 sebesar -0.2126, dan cluster 2 sebesar 2.64606. Nilai Zscore (Baterai) untuk cluster 1 sebesar 2.57887, dan cluster 2 sebesar -0.4213. Nilai Zscore (Fitur) untuk cluster 1 sebesar 0.82066, dan cluster 2 sebesar -3.55171. Nilai Zscore (Tipelayar) untuk cluster 1 sebesar -0.69194, dan cluster 2 sebesar -0.66533. Nilai Zscore (Pj) untuk cluster 1 sebesar 1.2978, dan cluster 2 sebesar -2.98088. Nilai Zscore (Size) untuk cluster 1 sebesar 2.54877, dan cluster 2 sebesar -0.55584. Nilai Zscore (Lebar) untuk cluster 1 sebesar 2.91903, dan cluster 2 sebesar -1.28707. Nilai Zscore (Berat) untuk cluster 1 sebesar 1.08369, dan cluster 2 sebesar -0.23486. Nilai Zscore (Tebal) untuk cluster 1 sebesar -0.57766, dan cluster 2 sebesar 0.37244. Nilai Zscore (PB) untuk cluster 1 sebesar -0.1457, dan cluster 2 sebesar -0.1457. Nilai Zscore (WB) untuk cluster 1 sebesar 0.00686, dan cluster 2 sebesar

10

1.50705. Nilai Zscore (WS) untuk cluster 1 sebesar 0.474, dan cluster 2 sebesar 0.6281. Nilai Zscore (Prod) untuk cluster 1 sebesar – 0.3238, dan cluster 2 sebesar 0.68807. Nilai Zscore (GPRS) untuk cluster 1 sebesar -0.36181, dan cluster 2 sebesar -0.3181. c. final cluster center Tabel 1.3 Tabel Final Cluster center Final Cluster Centers Cluster 1 2 Zscore(Camera) -.07226 .09197 Zscore(Memory) -.34899 .44417 Zscore(Baterai) .31278 -.39809 Zscore(Fitur) .29213 -.37180 Zscore(Tipelayar) .07621 -.09699 Zscore(Pj) .40063 -.50989 Zscore(Size) .27267 -.34703 Zscore(Lebar) .42542 -.54144 Zscore(Berat) .34492 -.43898 Zscore(Tebal) .17111 -.21777 Zscore(PB) -.01457 .01854 Zscore(WB) -.52586 .66928 Zscore(WS) -.21393 .27227 Zscore(Prod) -.17925 .22813 Zscore(GPRS) -.14645 .18639 Berdasarkan tabel 1.3 tersebut, menunjukkan nilai Zscore (Camera) untuk cluster 1 sebesar -0.07226, dan cluster 2 sebesar 0.09197. Nilai Zscore (Memory) untuk cluster 1 sebesar -0.34899, dan cluster 2 sebesar 0.44417. Nilai Zscore (Baterai) untuk cluster 1 sebesar 0.31278, dan cluster 2 sebesar -0.39808. Nilai Zscore (Fitur) untuk cluster 1 sebesar 0.29213, dan cluster 2 sebesar 0.44417. Nilai Zscore (Tipelayar) untuk cluster 1 sebesar -0.07621, dan cluster 2 sebesar -0.9699. Nilai Zscore (Pj) untuk cluster 1 sebesar 0.40063, dan cluster 2 sebesar -0.50989. Nilai Zscore (Size) untuk cluster 1 sebesar 0.27267, dan cluster 2 sebesar -0.34703. Nilai Zscore (Lebar) untuk cluster 1 sebesar 0.42542, dan cluster 2 sebesar -0.54144. Nilai Zscore (Berat) untuk cluster 1 sebesar 0.34492, dan cluster 2 sebesar –0.43898. Nilai Zscore (Tebal) untuk cluster 1 sebesar 0.17111, dan cluster 2 sebesar -0.21777. Nilai Zscore (PB) untuk cluster 1 sebesar -0.01457, dan cluster 2 sebesar 0.01854. Nilai Zscore (WB) untuk cluster 1 sebesar -0.52586, dan cluster 2 sebesar 0.66928. Nilai Zscore (WS) untuk cluster 1 sebesar -0.21393, dan cluster 2 sebesar 0.27227. Nilai Zscore (Prod) untuk cluster 1 sebesar –0.17925, dan cluster 2 sebesar 0.22813. Nilai Zscore (GPRS) untuk cluster 1 sebesar -0.14645, dan cluster 2 sebesar 0.18639. d. Anova Tabel 1.4 Tabel ANOVA

11

ANOVA Cluster Mean Square Zscore(Camer a) Zscore(Memor y) Zscore(Baterai ) Zscore(Fitur) Zscore(Tipelay ar) Zscore(Pj) Zscore(Size) Zscore(Lebar) Zscore(Berat) Zscore(Tebal) Zscore(PB) Zscore(WB) Zscore(WS) Zscore(Prod) Zscore(GPRS) .166 3.875 3.113 2.715 .185 5.107 2.366 5.758 3.785 .932 .007 8.799 1.456 1.022 .682 df 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Error Mean Square 1.036 .875 .908 .925 1.035 .821 .941 .793 .879 1.003 1.043 .661 .980 .999 1.014 df 23 F .160 Sig. .693 .046 .077 .100 .677 .020 .126 .013 .049 .345 .937 .001 .235 .322 .420

23 4.429 23 3.428 23 2.934 23 .178 23 23 23 23 23 23 23 6.217 2.515 7.261 4.307 .929 .006 13.31 3 23 1.486 23 1.023 23 .673

Dasar pengambil keputusan : Ho: Tidak ada perbedaaan yang signifikan antar spesifikasi dari setiap jenis HP. H1: Ada perbedaan yang signifikan antar spesifikasi dari setiap Jenis HP Pengambilan keputusan: Jika nilai signifikansi > 0.05 maka Ho diterima Jika nilai signifikansi < 0.05 maka Ho ditolak Dari table ANOVA diatas didapatkan bahwa nilai signifikansi dari Zscore(camera) adalah 0.693. Nilai signifikansi dari Zscore(Memory) adalah 0.046. Nilai signifikansi dari Zscore(Baterai) adalah 0.077. Nilai signifikansi dari Zscore(Fitur) adalah 0.1. Nilai signifikansi dari Zscore(Tipelayar) adalah 0.677. Nilai signifikansi dari Zscore(Pj) adalah 0.02. Nilai signifikansi dari Zscore(Size) adalah 0.126. Nilai signifikansi dari Zscore(Lebar) adalah 0.013. Nilai signifikansi dari Zscore(Berat) adalah 0.049. Nilai signifikansi dari Zscore(tebal) adalah 0.345. Nilai signifikansi dari Zscore(PB) adalah 0.937. Nilai signifikansi dari Zscore(WB) adalah 0.001. Nilai signifikansi dari Zscore(WS) adalah 0.235. Nilai signifikansi dari

12

Zscore(Prod) adalah 0.322. Nilai signifikansi dari Zscore(GPRS) adalah 0.420. Kesimpulan : Jadi spesifikasi Hp yang memiliki perbedaan yang signifikan adalah : Camera, Baterai, Fitur, Tipelayar, Size, Tebal, WS, Prod, dan GPRS. Karena nilai signifikansinya > 0.05. e. Number of Cases in Each Cluster
Number of Cases in each Cluster Cluste 1 r 2 Valid Missing 14.000 11.000 25.000 .000

Tabel 1.5 Tabel Number of Cases in each Cluster Berdasarkan tabel diatas diketahui bahwa Number of Cases in each Cluster nilai cluster 1 sebesar14.000, cluster 2 sebesar 11.00. untuk nilai validnya sebesar 25.000 dengan missing 0.000.

13

4.2.2 Hierarchycal Cluster a. Proximity Cluster

14

Dari data diatas dapat dilihat bahwa jarak perbedaan HP ke-1 dengan HP ke2 adalah 26.048. Jarak perbedaan HP ke-1 dengan HP ke-3 adalah 20.016. Jarak perbedaan HP ke-1 dengan HP ke-4 adalah 20.025. Jarak perbedaan HP ke-1 dengan HP ke-5 adalah 17.187. Jarak perbedaan HP ke-1 dengan HP ke-6 adalah 14.16. Jarak perbedaan HP ke-1 dengan HP ke-7 adalah 19.933. Jarak perbedaan HP ke-1 dengan HP ke-8 adalah 37.25. Jarak perbedaan HP ke-1 dengan HP ke-9 adalah 28.967. Jarak perbedaan HP ke-1 dengan HP ke10 adalah 15.18. Jarak perbedaan HP ke-1 dengan HP ke-11 adalah 15.389. Jarak perbedaan HP ke-1 dengan HP ke-12 adalah 23.491. Jarak perbedaan HP ke-1 dengan HP ke-13 adalah 41.309. Jarak perbedaan HP ke-1 dengan HP ke-14 adalah 23.216. Jarak perbedaan HP ke-1 dengan HP ke-15 adalah 17.923. Jarak perbedaan HP ke-1 dengan HP ke-16 adalah 18.031. Jarak perbedaan HP ke-1 dengan HP ke-17 adalah 27.768. Jarak perbedaan HP ke1 dengan HP ke-18 adalah 11.343. Jarak perbedaan HP ke-1 dengan HP ke19 adalah 45.239. Jarak perbedaan HP ke-1 dengan HP ke-20 adalah 35.287. Jarak perbedaan HP ke-1 dengan HP ke-21 adalah 22.962. Jarak perbedaan HP ke-1 dengan HP ke-22 adalah 20.443. Jarak perbedaan HP ke-1 dengan HP ke-23 adalah 16.82. Jarak perbedaan HP ke-1 dengan HP ke-24 adalah 25.446. Jarak perbedaan HP ke-1 dengan HP ke-25 adalah 30.044. Begitu seterusnya hingga jarak perbedaan HP ke-25 dengan HP ke-24 adalah 42.837. b. Agglomeration Schedule

15

Agglomeration Schedule Cluster Combined Stage 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Cluster 1 3 11 3 7 22 7 11 16 10 7 10 1 7 7 1 13 19 1 9 1 1 13 1 1 Cluster 2 5 18 6 15 23 12 21 17 22 11 24 3 16 10 4 14 20 7 25 8 9 19 13 2 Coefficients 1.546 3.409 5.209 5.592 6.181 8.777 9.557 9.654 10.502 14.158 14.651 17.121 18.314 19.697 21.008 22.913 23.799 25.112 30.047 33.528 35.452 35.620 38.045 47.202 Stage Cluster First Appears Cluster 1 0 0 1 0 0 4 2 0 0 6 9 0 10 13 12 0 0 15 0 18 20 16 21 23 Cluster 2 0 0 0 0 0 0 0 0 5 7 0 3 8 11 0 0 0 14 0 0 19 17 22 0 Next Stage 3 7 12 6 9 10 10 13 11 13 14 15 14 18 18 22 22 20 21 21 23 23 24 0

Pada agglomeration schedule diatas terdapat 24 stage atau langkah dalam melakukan pengclusteran. Dari ke-24 stage tersebut mempunyai koefisien yang berbeda-beda, semakin stage bertambah maka koefisien semakin bertambah. Koefisien ini juga dapat digunakan sebagai jarak pada dendogram. Pada stage 1 nilai koefisiennya yaitu 1.546, pada stage 2 nilai koefisiennya yaitu 3.409. begitu seterusnya sampai stage terakhir yaitu stage 24 dengan nilai koefisien yaitu 47.202. nilai koefisien 1.546 pada stage 1 tersebut menunjukkan titik awal pada dendogram, sedangkan nilai koefisien 47.202 pada stage 24 menunjukkan titik akhir atau titik terjauh pada dendogram. Pada stage ke-1 cluster 1 terdiri dari 3 HP, cluster 2 terdiri dari 5 HP, langkah selanjutnya (next stage) yaitu ke stage ke-2. Pada stage ke-2 cluster 1 terdiri dari 11 HP, cluster 2 terdiri dari 18 HP, langkah selanjutnya (next stage) sehingga nantinya sampai pada stage ke-24. Pada stage ke-24 cluster 1 terdiri dari 1 HP, cluster 2 terdiri dari 2 HP. c. Cluster Membership

16

Cluster Membership Case 1:SE W960i 2:SE W980i 3:SE W890i 4:SE W760i 5:SE T700i 6:SE W902 7:Samsung SGHM 3510 8:Samsung E950 9:LG KC910 renoir 10:LG KP500 11:Samsung D880 12:Samsung D780 13:N95 8GB 14:N95 15:N78 16:N81 17:N81 8GB 18:N73 (ME) 19:Nokia 3600 Slide 20:N76 21:N70 (ME) 22:Blackberry 8520 gemini 23:Blackberry 8320 24:Blackberry 8220 25:Blackberry 9500 strom 10 9 8 7 6 5 4 3 2 Clusters Clusters Clusters Clusters Clusters Clusters Clusters Clusters Clusters 1 2 1 1 1 1 3 4 5 3 3 3 6 7 3 3 3 3 8 9 3 3 3 3 10 1 2 1 1 1 1 3 4 5 3 3 3 6 6 3 3 3 3 7 8 3 3 3 3 9 1 2 1 1 1 1 3 4 5 3 3 3 6 6 3 3 3 3 7 7 3 3 3 3 8 1 2 1 1 1 1 1 3 4 1 1 1 5 5 1 1 1 1 6 6 1 1 1 1 7 1 2 1 1 1 1 1 3 4 1 1 1 5 5 1 1 1 1 6 6 1 1 1 1 4 1 2 1 1 1 1 1 1 3 1 1 1 4 4 1 1 1 1 5 5 1 1 1 1 3 1 2 1 1 1 1 1 1 1 1 1 1 3 3 1 1 1 1 4 4 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 3 3 1 1 1 1 3 3 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Berdasarkan tabel diatas dapat diketahui bahwa cluster membership pada cluster 10 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 4 anggotanya Samsung E950. Kelompok 5 anggotanya LG KC910 renoir. Kelompok 6 anggotanya N95 8GB. Kelompok 7 anggotanya N95. Kelompok 8 anggotanya Nokia 3600 Slide. Kelompok 9 anggotanya Nokia N76. Kelompok 10 anggotanya Blackberry 9500 strom. Cluster 9 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 4 anggotanya Samsung E950. Kelompok 5 anggotanya LG KC910 renoir. Kelompok 6 anggotanya N95 8GB, N95. Kelompok 7 anggotanya Nokia 3600 Slide. Kelompok 8 anggotanya Nokia N76. Kelompok 9 anggotanya Blackberry 9500 strom.

17

Cluster 8 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 4 anggotanya Samsung E950. Kelompok 5 anggotanya LG KC910 renoir. Kelompok 6 anggotanya N95 8GB, N95. Kelompok 7 anggotanya Nokia 3600 Slide, Nokia N76. Kelompok 8 anggotanya Blackberry 9500 strom. Cluster 7 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya Samsung E950. Kelompok 4 anggotanya LG KC910 renoir. Kelompok 5 anggotanya N95 8GB, N95. Kelompok 6 anggotanya Nokia 3600 Slide, Nokia N76. Kelompok 7 anggotanya Blackberry 9500 strom. Cluster 6 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya Samsung E950. Kelompok 4 anggotanya LG KC910 renoir, Blackberry 9500 strom. Kelompok 5 anggotanya N95 8GB, N95. Kelompok 6 anggotanya Nokia 3600 Slide, Nokia N76. Cluster 5 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya LG KC910 renoir, Blackberry 9500 strom. Kelompok 4 anggotanya N95 8GB, N95. Kelompok 5 anggotanya Nokia 3600 Slide, Nokia N76. Cluster 4 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KC910 renoir, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220, Blackberry 9500 strom. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya N95 8GB, N95. Kelompok 4 anggotanya Nokia 3600 Slide, Nokia N76. Cluster 3 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KC910 renoir, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220, Blackberry 9500 strom. Kelompok 2 hanya SE W980i. Kelompok 3 anggotanya N95 8GB, N95, Nokia 3600 Slide, Nokia N76. Cluster 2 beranggotakan kelompok 1 terdiri SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KC910 renoir, LG KP500, Samsung D880, Samsung D780, N95 8GB, N95, N78, N81, N81 8GB, N73 (ME), Nokia 3600 Slide, N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220, Blackberry 9500 strom. Kelompok 2 hanya SE W980i. d. Dendogram

18

Pada dendogram diatas terlihat bahwa HP dikelompokkan kedalam cluster-cluster berdasarkan kemiripan spesifikasi yang dimilki antara HP yang satu dengan HP yang lain. HP yang memiliki kemiripan karakteristik akan mempunyai jarak yang pendek dan diletakkan secara berdekatan. Tanda plus (+) menunjukkan kesamaan cluster. Dari data diatas dapat diketahui bahwa pada kolom pertama terdapat 9 cluster yaitu pada cluster pertama 1 yaitu HP ke-3,ke-5. Cluster kedua HP ke-11, ke-18. Cluster ketiga HP ke-3, k-5, ke-6. Cluster keempat HP ke-22, ke-23. Cluster kelima HP ke-7, ke-15. Cluster keenam HP ke-7, ke-15, ke-12. cluster ketujuh HP ke-16, ke-17. Cluster kedelapan HP ke-22, ke-23, ke-10. Cluster kesembilan HP ke-11, ke-18, ke-21..

19

BAB V ANALISA DAN INTERPRETASI 5.1 Analisa K-Means 1. Anova Dasar pengambil keputusan : Ho: Tidak ada perbedaaan yang signifikan antar spesifikasi dari setiap jenis HP. H1: Ada perbedaan yang signifikan antar spesifikasi dari setiap Jenis HP Pengambilan keputusan: Jika nilai signifikansi > 0.05 maka Ho diterima Jika nilai signifikansi < 0.05 maka Ho ditolak Angka F terbesar (13.313) ada pada variabel Zscore(WB), dengan angka pada kolom Sig. 0,001 yang berarti berarti faktor waktu bicara sangat membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. < 0,05. Pada variabel Zscore(Camera), dengan F hitung sebesar 0.160 dan nilai Signifikansinya = 0,693 yang berarti berarti faktor spesifikasi Camera sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(memory), dengan F hitung sebesar 4.429 dan nilai Signifikansinya = 0,046 yang berarti berarti faktor spesifikasi Memory sangat membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. < 0,05. Pada variabel Zscore(Baterai), dengan F hitung sebesar 3.428 dan nilai Signifikansinya = 0.077 yang berarti berarti faktor spesifikasi Baterai sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(Fitur), dengan F hitung sebesar 2.934 dan nilai Signifikansinya = 0,1 yang berarti berarti faktor spesifikasi Fitur sangat tidak membedakan karakteristik ketiga kedua yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(Tipelayar), dengan F hitung sebesar 0.178 dan nilai Signifikansinya = 0,677 yang berarti berarti faktor spesifikasi Tipe Layar sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(Size), dengan F hitung sebesar 2.515 dan nilai Signifikansinya = 0.126 yang berarti berarti faktor spesifikasi ukuran sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(Pj), dengan F hitung sebesar 6.217 dan nilai Signifikansinya = 0,02 yang berarti berarti faktor spesifikasi Panjang sangat membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. < 0,05. Pada variabel Zscore(Lebar), dengan F hitung sebesar 7.261 dan nilai Signifikansinya = 0,013 yang berarti berarti faktor spesifikasi Lebar sangat membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. < 0,05. Pada variabel Zscore(Berat), dengan F hitung sebesar 4.307 dan nilai Signifikansinya = 0,049 yang berarti berarti faktor spesifikasi berat sangat

20

membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. < 0,05. Pada variabel Zscore(Tebal), dengan F hitung sebesar 0.929 dan nilai Signifikansinya = 0,345 yang berarti berarti faktor spesifikasi Tebal sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(PB), dengan F hitung sebesar 0.006 dan nilai Signifikansinya = 0,937 yang berarti berarti faktor spesifikasi Phone Book sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. < 0,05. Pada variabel Zscore(WB), dengan F hitung sebesar 13.313 dan nilai Signifikansinya = 0,001 yang berarti berarti faktor spesifikasi Waktu Bicara sangat membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. < 0,05. Pada variabel Zscore(WS), dengan F hitung sebesar 1.486 dan nilai Signifikansinya = 0,235 yang berarti berarti faktor spesifikasi waktu standby sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(Prod), dengan F hitung sebesar 1.023 dan nilai Signifikansinya = 0,322 yang berarti berarti faktor spesifikasi tahun Produksi sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. Pada variabel Zscore(GPRS), dengan F hitung sebesar 7.261 dan nilai Signifikansinya = 0,420 yang berarti berarti faktor spesifikasi GPRS sangat tidak membedakan karakteristik kedua cluster yang terbentuk karena nilai Sig. > 0,05. 2. Final Cluster Pada bagian initial cluster centers merupakan bagian pertama yang belum diiterasi dan tidak dilakukan analis. Pada bagian iteration history adalah bagian yang mengubah-ubah cluster yang ada sebelumnya. Yang mana setelah dilakukan 4 tahap iterasi didapat hasil final cluster. Pada final cluster merupakan hasil k means cluster yang menyatakan bahwa angka z sebagai acuan dengan ketentuan angka negative berrarti dibawah rata –rata total serta angka positif berada diatas rata-rata total. Pada final cluster terlihat data terbagi kedalam 2 cluster. Cluster pertama: Pada Cluster pertama Spesifikasi camera, memory, phone book, Waktu bicara, Waktu standby, Tahun Produksi, dan GPRS berada dibawah data rata-rata. Sehingga dapat disimpulkan pada cluster pertama ini pengelompokannya berdasarkan bentuk dan tampilan HP. Karena spesifikasi yang berada diatas data rata-rata antara lain : Baterai, Fitur, Tipe layar, Size, Panjang, lebar, berat, dan tebal HP. Cluster kedua: Pada Cluster Kedua Spesifikasi camera, memory, phone book, Waktu bicara, Waktu standby, Tahun Produksi, dan GPRS berada diatas data ratarata. Sehingga dapat disimpulkan pada cluster kedua ini pengelompokannya berdasarkan Fasilitas HP. Karena spesifikasi yang berada dibawah data ratarata antara lain : Baterai, Fitur, Tipe layar, Size, Panjang, lebar, berat, dan tebal HP. 3. Number of Cases in each Cluster Dari number of cases in each cluster terdapat data jumlah HP terbanyak ada di cluster 1 karena diri ke-25 data ada 14 Hp yang di

21

kelompokan pada cluster 1. sedangkan yang paling sedikit ada di cluster 2, karena hanya terdapat 11 HP. Jadi dapat diketahui bahwa HP lebih banyak dikelompokan berdasarkan bentuk dan tampilannya. 5.2 Hirarki 1. Analisis Cluster Membership 10 Clusters Cluster Anggota Cluster 1 SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Cluster 2 SE W980i

Cluster 3

Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220. Samsung E950

Cluster 4

Cluster 5 Cluster 6

LG KC910 renoir N95 8GB

Cluster 7

N95

Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Memiliki kualitas camera yang paling minim. 2. Memiliki lebar body yang besar. 3. Memiliki waktu bicara yang sebentar. 1. Menggunakan baterai yang kualitasnya paling rendah diantara yang lain. 1. Memilki kualitas kamera yang paling baik. 1. Memilki memori yang besar. 2. Memilki kualitas kamera yang cukup baik. 3. Menggunakan baterai yang baik. 4. Memilki kualitas layar yang sangat baik. 5. Memilki kualitas GPRS yang baik. 1. Memiliki kualitas kamera yang cukup baik.

22

Cluster 8

Nokia 3600 Slide

Cluster 9

Nokia N76

Cluster 10

Blackberry 9500 strom

2. Memiliki memori yang cukup besar. 3. Memiliki kualitas layar yang baik. 1. Memiliki memory yang sangat kecil. 2. Memiliki kualitas layar yang sangat baik. 3. Memiliki ukuran yang kecil 1. Memiliki kapasitas memori yang paling kecil. 2. Memiliki baterai yang paling jelek di antara yang lain. 1. Menggunakan baterai yang paling baik 2. Memiliki ukuran HP yang paling besar. Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Memiliki kualitas camera yang paling minim. 2. Memiliki lebar body yang besar. 3. Memiliki waktu bicara yang sebentar. 1. Menggunakan baterai yang kualitasnya paling rendah diantara yang lain 1. Memilki kualitas

9 Clusters Cluster Cluster 1

Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220 SE W980i

Cluster 2

Cluster 3

Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220 Samsung E950

Cluster 4

Cluster 5

LG KC910 renoir

23

Cluster 6

N95 8GB, N95

Cluster 7

Nokia 3600 Slide

Cluster 8

Nokia N76

Cluster 9

Blackberry 9500 strom

kamera yang paling baik. 1. Memilki kualitas kamera yang cukup baik. 2. Menggunakan baterai yang baik. 3. Memilki kualitas layar yang sangat baik. Memilki kualitas GPRS yang baik. 1. Memiliki memory yang sangat kecil. 2. Memiliki kualitas layar yang sangat baik. 3. Memiliki ukuran yang kecil 1. Memiliki kapasitas memori yang paling kecil. 2. Memiliki kualitas layar yang sangat baik. 3. Memiliki baterai yang paling jelek di antara yang lain 1. Menggunakan baterai yang paling baik 2. Memiliki ukuran HP yang paling besar. Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Memiliki kualitas camera yang paling minim.

8 Clusters Cluster Cluster 1

Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220 SE W980i

Cluster 2

Cluster 3

Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME),

24

Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220 Cluster 4 Samsung E950

Cluster 5 Cluster 6

LG KC910 renoir N95 8GB, N95

Cluster 7 Cluster 8

Nokia 3600 Slide, Nokia N76 Blackberry 9500 strom

2. Memiliki lebar body yang besar. 3. Memiliki waktu bicara yang sebentar. 1. Menggunakan baterai yang kualitasnya paling rendah diantara yang lain 1. Memilki kualitas kamera yang paling baik. 1. Memilki kualitas kamera yang cukup baik. 2. Menggunakan baterai yang baik. 3. Memilki kualitas layar yang sangat baik. 4. Memilki kualitas GPRS yang baik 1. Memiliki kualitas layar yang sangat baik. 1. Menggunakan baterai yang paling baik 2. Memiliki ukuran HP yang paling besar. Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Menggunakan baterai yang kualitasnya paling rendah diantara yang lain

7 Clusters Cluster Cluster 1

Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220 SE W980i

Cluster 2

Cluster 3

Samsung E950

25

Cluster 4 Cluster 5

LG KC910 renoir N95 8GB, N95

Cluster 6 Cluster 7

Nokia 3600 Slide, Nokia N76 Blackberry 9500 strom

1. Memilki kualitas kamera yang paling baik. 1. Memilki kualitas kamera yang cukup baik. 2. Menggunakan baterai yang baik. 3. Memilki kualitas layar yang sangat baik. 4. Memilki kualitas GPRS yang baik 1. Memiliki kualitas layar yang sangat baik 1. Menggunakan baterai yang paling baik 2. Memiliki ukuran HP yang paling besar. Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Menggunakan baterai yang kualitasnya paling rendah diantara yang lain 1. Memilki kualitas kamera yang paling baik. 1. Memilki kualitas kamera yang cukup baik. 2. Menggunakan baterai yang baik. 3. Memilki kualitas layar yang sangat

6 Clusters Cluster Cluster 1

Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220 SE W980i

Cluster 2

Cluster 3

Samsung E950

Cluster 4 Cluster 5

LG KC910 renoir, Blackberry 9500 strom N95 8GB, N95

26

Cluster 6 5 Clusters Cluster Cluster 1

Nokia 3600 Slide, Nokia N76

baik. 4. Memilki kualitas GPRS yang baik 1. Memiliki kualitas layar yang sangat baik Karakteristik 1. Memiliki kapasitas phone book yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Memilki kualitas kamera yang paling baik. 1. Memilki kualitas kamera yang cukup baik. 2. Menggunakan baterai yang baik. 3. Memilki kualitas layar yang sangat baik. 4. Memilki kualitas GPRS yang baik 1. Memiliki kualitas layar yang sangat baik Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang

Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220 SE W980i

Cluster 2

Cluster 3 Cluster 4

LG KC910 renoir, Blackberry 9500 strom N95 8GB, N95

Cluster 5 4 Clusters Cluster Cluster 1

Nokia 3600 Slide, Nokia N76

Cluster 2

Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KC910 renoir, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220, Blackberry 9500 strom SE W980i

27

Cluster 3

N95 8GB, N95

Cluster 4 3 Clusters Cluster Cluster 1

Nokia 3600 Slide, Nokia N76

yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Memilki kualitas kamera yang cukup baik. 2. Menggunakan baterai yang baik. 1. Memiliki kualitas layar yang sangat baik Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki memory yang besar 2. Memiliki panjang yang paling pendek diantara yang lain. 3. Memiliki lebar yang paling kecil 1. Memiliki kualitas layar yang baik Karakteristik 1. Memiliki kapasitas phone booh yang besar 2. Memiliki waktu standby yang lama. 3. Bentuk HP-nya cukup panjang 4. Memiliki ukuran yang relative kecil 1. Memiliki Fasilitas yang baik yaitu memiliki memory dengan kapasitas yang banyak. 2. Memiliki tampilan atau bentuk yang baik karena ukuran HP-nya relative kecil dan

Cluster 2

Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KC910 renoir, LG KP500, Samsung D880, Samsung D780, N78, N81, N81 8GB, N73 (ME), Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220, Blackberry 9500 strom SE W980i

Cluster 3 2 Clusters Cluster Cluster 1

N95 8GB, N95, Nokia 3600 Slide, Nokia N76. Anggota SE W960i, SE W890i, SE W760i, SE T700i, SE W902, Samsung SGHM 3510, Samsung E950, LG KC910 renoir, LG KP500, Samsung D880, Samsung D780, N95 8GB, N95, N78, N81, N81 8GB, N73 (ME), Nokia 3600 Slide, N76, Blackberry 8520 gemini, N70 (ME), Blackberry 8320, Blackberry 8220, Blackberry 9500 strom SE W980i

Cluster 2

28

ringan. 2. Analisis Proximity Cluster Berdasarkan tabel proximity matrik, jarak terdekat antar obyek terdapat diantara HP SE T700i dengan SE W890i, yaitu 1.546. jarak tersebut terkait dengan banyaknya kesamaan spesifikasi dan tipisnya perbedaan dari setiap spesifikasi. Sedangkan jarak terjauh terdapat diantara Blackberry 9500 strom dan SE W980i yaitu : 80.832. Masing-masing komposisi yang dimiliki mempunyai perbedaan yang sangat signifikan, tanpa ada kesamaan sedikitpun.

29

BAB VI PENUTUP 6.1 Kesimpulan 1. Dari pengolahan data ternyata metode yang baik untuk diterapkan yaitu metode hirarki karena data dikelompokan secara mendetail disertai struktur pohon. Dengan demikian proses pengelompokanya dilakukan secara bertingkat atau bertahap hingga akhirnya terbentuk suatu cluster yang terdiri dari keseluruhan obyek. 2. Dari final cluster merupakan hasil k means cluster yang menyatakan bahwa angka z sebagai acuan dengan ketentuan angka negative berarti dibawah rata –rata total serta angka positif berada diatas rata-rata total. Berdasarkan final cluster ini dapat diketahui bahwa dalam pengelompokan spesifikasi HP-nya didasarkan pada bentuk / tampilan HP dengan fasilitas HP. 3. Jarak terdekat antar obyek terdapat diantara HP SE T700i dengan SE W890i, yaitu 1.546. jarak tersebut terkait dengan banyaknya kesamaan spesifikasi dan tipisnya perbedaan dari setiap spesifikasi. Sedangkan jarak terjauh terdapat diantara Blackberry 9500 strom dan SE W980i yaitu : 80.832. Masing-masing komposisi yang dimiliki mempunyai perbedaan yang sangat signifikan, tanpa ada kesamaan sedikitpun. 6.2 Saran 1. Dalam asistensi diharapkan pada asisten dapat tepat waktu,karena praktikan masih ada kegiatan lainnya (acara perkuliahan) 2. Waktu pengambilan data juga harus lebih lama agar data yang diambil sesuai sempel

30

DAFTAR PUSTAKA Farihah, Tutik & Tim. 2008. Panduan Praktikum Statistik. UIN Sunan Kalijaga Yogyakarta. Santoso, Singgih.2008. Panduan lengkap menguasai SPSS 16. Jakarta: PT elex media komputindo. E. Walpole, Ronald and Raymond H. Myers.1995. Ilmu Peluang dan statistika untuk insiyur dan ilmuwan.Bandung: Penerbit ITB. Supranto J. Analisis Multivariat : Arti & Interpretasi. Jakarta : Rineka Cipta.

31