CLUSTER ANALYSIS
EFR
2021
Analisis Dependensi
• • Crosstab • Besarnya pengaruh dari perubahan
• • Korelasi variabel bebas terhadap perubahan
variabel tak bebas
• • Regresi
Analisis Interdependensi
• • Klaster • pengelompokkan / pengklasifikasian
/pengklasteran
• • Faktor • variabel tidak dibedakan menjadi bebas
dan tak bebas, variabel mempunyai derajat
tingkat yang sama
Analisis Klaster
Cluster analysis divides data into groups (clusters) that are
meaningful, useful, or both. The goal is that the objects within a
group be similar (or related) to one another and different from (or
unrelated to) the objects in other groups.
Teknik statistik untuk mengidentifikasi sekelompok objek (cese)
yang memiliki kemiripan karakteristik tertentu sehingga dapat
dipisahkan dari kelompok objek lainnya.
Kasus 1:
Karakteristik objek
Individu Asal Hoby Makanan favorit
A Surabaya Baca Nasi Goreng
B Denpasar Travel Chinese
C Malang Nonton Chinese
D Semarang Baca Padang
E Kupang Olah raga Burger
Kelompok berdasarkan asal daerah: Kelompok berdasarkan asal,
hoby, makanan favorit??
Kelompok berdasarkan hoby:
Bagaimana jika data
Kelompok berdasarkan makanan numerik dengan jumlah
objek > 10 ???
Prinsip:
■ Pengelompokan berdasarkan similarity (kesamaan) antar
objek
■ Meminimalkan jarak antar objek dalam cluster (within
cluster)
■ Memaksimalkan jarak antar kelompok (between cluster)
Pertanyaan dasar:
1. Bagaimana mengukur similarity antar objek???
2. Bagaimana prosedur membentuk cluster berdasarkan
hasil pengukuran similarity-nya???
WITHIN DAN BETWEEN CLUSTER:
MENGUKUR SIMILARITY
Prinsip pengukuran:
mengukur atau memperkirakan kesamaan antara pasangan-pasangan
objek dalam data, berdasarkan jarak (distance) atau perbedaan
(difference) antara sepasang objek
Metode:
■Correlation coefficients: nilai korelasi antara sepasang objek yang
diukur berdasarkan variabel-variabelnya
■Euclidean Distances:berdasakan jarak terdekat antara dua objek yang
diukur berdasarkan nilai variabel-variabelnya
■Matching-type measure of similarity: mencocokkan kesamaan antar
objek (untuk objek-objek kualitatif)
PROSEDUR PEMBENTUKAN
CLUSTER
Pertanyaan dasar:
Berapa banyak cluster yang akan
dibentuk??
Siapa saja anggotanya??
METODE:
- Non Hierarchical Cluster:
- Hierarchical Cluster:
PROSEDUR PEMBENTUKAN CLUSTER:
Data: Cluster
Matrik
Objek dengan yang
similarity terbentuk
karakteristiknya
•Euclidean Distance •Hierarchical
cluster
•Correlation
•Non-Hierarchical
•Matching type
cluster
Hierarchical Methods
■ Pengelompokan objek secara bertahap dan bertingkat
sesuai dengan skala similarity-nya
■ Jika suatu objek dikelompokkan ke dalam suatu cluster,
maka objek tersebut tetap berada pada kelompok
tersebut, sehingga jika ketika objek tadi akan
dikelompokkan dengan objek lain, maka culster-nya
akan dikelompokkan juga
■ Penentuan jumlah cluster ditentukan kemudian sesuai
dengan keinginan peneliti
Dimodelkan dengan DENDOGRAM
Contoh dendogram:
Teknik dan Hierarchical Method:
■ Single Linkage → minimum distance or nearest neighbor
→ mengelompokkan objek dengan teknik jarak terdekat
■ Complate linkage → maximum distance or farthest
neighbor) → mengelompokkan objek dengan teknik jarak
terjauh
■ Average linkage → average distance → pengelompokan
objek berdasarkan jarak rata-rata antara dua kelompok
cluster
Non-Hierarchical Method
■ Jumlah cluster ditentukan terlebih dahulu, kemudian
objek digabungkan dengan cluster-cluster tersebut
■ Posisi objek dalam suatu cluster tidak tetap, meskipun
objek telah masuk dalam suatu cluster, objek tersebut
dapat mengalami relokasi ke dalam cluster lain.
■ Umumnya digunakan untuk objek dalam jumlah yang
besar (> 200)
Step-by-step
Hierarchy
• Standarize data
• Klik Analyze pilih Descriptive statistic pilih descriptive.
• Masukkan variabel sesuai tujuan analisis, dan aktifkan kotak save standardized
values as
• variables . Kemudian tekan OK.
• Analyze, pilih Classify lalu Hierarchical cluster
• Masukkan variabel
• Label Cases by…. Masukkan variabel dimana cluster akan dilakukan berdasarkan
variabel tersebut (mis, kecamatan)
• Klik icon statistic
• Pada bagian Cluster Membership, aktifkan pilihan Range of Solution . Misal isi from
dengan 2 lalu through dengan 3. Hal ini berarti akan dibuat kemungkinan 2 sampai 3
cluster.
• Continue
• Kemudian klik icon PLOTS. Aktifkan kotak Dendogram
• Untuk bagian ICICLE, pilih none
• continue
• Klik icon Method
• Pada kotak Cluster method, pilih Ward’s Method
• Continue
• OK
Research Case Study
P a r a m i t a R a h a y u - E r m a-S o e d w i w a h j o n o
2 cluster
3 cluster
4 cluster