analisis cluster
Post on 11-Apr-2017
164 Views
Preview:
TRANSCRIPT
TUGAS ANALISIS MULTIVARIAT
CLUSTERING DAN ANALISIS FAKTOR
Disusun oleh:
NISSA SYIFA PUSPANI (2013881011)
PROGRAM PASCASARJANA
MAGISTER TEKNOLOGI INDUSTRI
UNIVERSITAS KATOLIK PARAHYANGAN
BANDUNG
2014
A. ANALISIS CLUSTER – (sumber: )
ANALISIS CLUSTER MENGGUNAKAN NON-HIRARCHICAL METHOD (K-
Means Cluster)
Penelitian: Makanan pencuci mulut
Objek : 14 Objek
Atribut: 4 Atribut
Atribut 1 Karbohidrat (satuan. Gram)
Atribut 2 Serat (satuan. Gram)
Atribut 3 Lemak (satuan. Gram)
Atribut 4 Energi (satuan. Gram)
Tabel data awal analisis cluster
Makanan Pencuci Mulut
Karbohidrat
(Gram)
Serat
(gr)
Lemak
(gr) Energi (gr)
pancake 14 0.5 1 315
permen karet dengan gula 3 0 0 40
permen karet tanpa gula 0 0 0 15
picnic, cadbury 27.5 1 16.5 1175
popcorn 8.5 1.5 4 315
popcorn caramel 79 5 13 1805
puding roll 5 4 10 1255
sago masak 18.5 1.5 0 315
selai nuttela 5 0 6 440
selai strawberry 17.5 0.5 0 285
smarties nestle 74 5 27 450
snickers, mars 36 1.5 13.5 1190
tobleron 28.5 5 15 1110
whipped cream kaleng 4 0 30.5 1230
Langkah-langkah Analisis dengan SPSS
Buat variabel view
Masukan data view
Analisis
Sebelum melakukan analisis ubah data terlebih dahulu ke zscore untuk standarisasi data
Analize deskriptive statistic Descriptive
Analize classify K-Means Cluster
Output Analisis:
Deskripsi
Cluster 1 adalah kelompok dessert yang mempunyai karbohidrat, serat, lemak dan energi
yang tinggi dengan 4 anggota yaitu: popcorn caramel, smarties, snaikers dan tobleron.
Cluster 2 adalah kelompok dessert yang mempunyai karbohidrat, serat, lemak dan energi
yang rendah dengan 10 anggota yaitu: pancake, permen karet gula, permen karet tanpa gula,
picnic,popcorn, puding roll, sago masak, selai nutella, selai strawberry dan whipped cream.
Distance long cluster center 1 = 1,13..... diwakili oleh tobleron
Distance long cluster center 2 = 0,529 diwakili oleh selai nuttela
ANALISIS CLUSTER MENGGUNAKAN HIERARCHICAL METHOD
Analyze classify Hierarchical Cluster
Dari hasil output diatas bisa dikatakan bahwa data-data tersebut sudah valid dengan nilai
n=14 dan missing 0. Maka jika sudah dikatakan valid maka proses bisa dilanjutkan.
Dari hasil analisis output diatas dapat disimpulkan bahwa pada gambar diatas cluster bisa
ditentukan secara bebas tidak tergantung atau dikelompokan dahulu. Pada analisis ini
pembagian bisa dibeda-bedakan sesuai keinginan. Analisis ini sangat membantu jika kita
belum atau masih bingung dalam mengelompokan data-data yang diperoleh.
B. ANALISIS FAKTOR KONFIRMATORY
Analisis faktor konfirmatory adalah analisis yang berangkat dari constract kemudian diketahui
beberapa manifestnya yang akhirnya dipilih beberapa manisfest dari constract tersebut.
Kasus: Membeli Sepatu untuk Wanita
Ingin mengetahui sebenarnya faktor apa saja yang membuat seorang wanita membeli sepatu.
Sampel diambil dari 50 orang wanita yang kemudian ditanyakan atribut-atribut dalam membeli
sepatu seperti:
Warna sepatu
Model bentuk sepatu
Bahan yang digunakan
Harga
Ukuran hak sepatu
Merek sepatu
Promosi sepatu
Pertimbangan tempat untuk penggunaan sepatu
Data tersebut disebar dengan kuesioner menggunakan skala likert. Berikut adalah rekapitulasi
hasil kuesioner kepada 50 responden.
Pengolahan data:Menggunakan software SPSS
1. Buat nama variabel
2. Buat data view (50 responden)
Langkah-langkah analisis faktor konfirmatory dengan SPSS:
Hasi output
Analisis
Hipotesis:
H0 = sampel atau variabel belum memadai untuk di analisis
H1 = sampel atau variabel sudah memadai untuk di analisis
Kriteria untuk melihat probabilitas (signifikan):
- Angka sig > 0,05 maka H0 diterima
- Angka sig < 0,05 maka H1 diterima
Hasil KMO dan Barllets test menunjukan nilai 0,54 dengan nilai signifikan 0,044 yang artinya jika nilai
sudah diatas 0,05 dan maka variabel sudah bisa di analisis lebih lanjut.
Dari hasil output diatas dapat kita ambil kesimpulan bahwa nilai anti image corelation yang dibawah
0,5 artinya atribut tersebut tidak menjadi ukuran yang penting dalam membeli sepatu uttuk wanita.
Nilai yang dibawah0,5 adalah atribut warna,model, bahan dan warna sepatu tidak menjadi ukuran
seseorang untuk membeli sepatu.
Analisis Lanjutan
Hipotesis:
H0 = sampel atau variabel belum memadai untuk di analisis
H1 = sampel atau variabel sudah memadai untuk di analisis
Kriteria untuk melihat probabilitas (signifikan):
- Angka sig > 0,05 maka H0 diterima
- Angka sig < 0,05 maka H1 diterima
Dari hasil pengolahan data yang sudah membuang beberapa atribut, maka berdasarkan KMO dan
Bartlett’s dengan nilai 0,628 dan 0,011 maka data tersebut sudah bisa dianalisis lebih lanjut karena
sudah lebih besar dari 0,05. Jika kita melihat dari tabel anti-image matrices nilai MSA setiap atribut
sudah diatas 0,5 maka atribut-atribut tersebut sudah bisa mewakili seseorang dalam memilih
sepatu.
top related