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.