materi praktikum - industrial.uii.ac.idindustrial.uii.ac.id/.../11/modul-praktikum...2018.pdf ·...

UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM

Fakultas : Teknologi Industri Pertemuan ke : 3 Jurusan/Program Studi : Teknik Industri Modul ke : 3 Kode Mata Kuliah : 52224603 Jumlah Halaman : 60 Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2018

PRAKTIKUM 3

ANALISA CLUSTER

Tujuan Praktikum

1. Mahasiswa mempunyai pengetahuan dasar mengenai Knowledge Discovery of Database

(KDD).

2. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam melakukan dan

menerapkan analisis Cluster.

3. Mahasiswa dapat mengetahui dan memahami arti dan garis besar dari analisis Cluster

dalam data mining, mulai dari pengambilan data, pengolahan data sampai dengan tahap

pengelompokan, serta mengaplikasikannya dalam kasus yang dihadapi.

Knowledge Discovery in Database (KDD) dan Data Mining

Data mining merupakan sebuah proses untuk menggali, mengidentifikasi serta menganalisis

sejumlah data yang besar kuantitasnya untuk menemukan pola, pengetahuan serta aturan yang

bermanfaat (Berry & Linoff, 2004). Knowledge Discovery in Database (KDD) adalah

keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data,

dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti (Gilchrist

& Mooers, 2012). Istilah data mining dan Knowledge Discovery in Database (KDD) sering kali

digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam

suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda,

tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah

data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut (Rikhi, 2015):

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap

penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk

proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional.


MATERI PRAKTIKUM


2. Pre-processing/Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada

data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang

duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data,

seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses

“memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan

diperlukan untuk KDD, seperti data atau informasi eksternal.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut

sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif

dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih

dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam

data mining sangat bervariasi. Pemilihan metode dan algoritma yang tepat sangat

bergantung pada tujuan dan proses KDD secara keseluruhan. Dalam modul ini kita

menggunakan salah satu teknik data mining yaitu cluster.

5. Interpretation/Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk

yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian

dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah

pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada

sebelumnya.


MATERI PRAKTIKUM


Konsep Cluster

Cluster merupakan sebuah proses pembagian atau pengelompokan sebuah populasi ke dalam

subgrup atau gugus yang lebih kecil dan lebih homogen (Berry & Linoff, 2004). Menurut Everitt

(Everitt, et al., 2011), teknik analisis cluster berkaitan dengan eksplorasi dan menilai kumpulan

data untuk dapat diringkas secara bermakna ke dalam sejumlah kelompok yang relatif sedikit

dengan ketentuan bahwa kumpulan objek atau induvidual yang mirip satu sama lain berada

dalam kelompok yang sama dan individu yang berbeda dimasukkan dalam kelompok lain.

Dalam konteks memahami data, cluster mampu mengelompokan data dan analisis cluster

merupakan ilmu yang secara teknis dapat mengelompokan data secara otomatis. Sebagai contoh,

anak-anak dapat dengan cepat mengelompokan jenis gambar seperti gambar bangunan,

tumbuhan, hewan, dan lainnya. (Michael et al, 2006).

Ada beberapa tahapan dalam melakukan analisis Cluster, diantaranya yaitu:

1. Tujuan Analisis Cluster

2. Desain Penelitian dalam Analisis Cluster

3. Asumsi-asumsi dalam Analisis Cluster

4. Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan (overall fit)

5. Interpretasi terhadap Cluster

6. Proses Validasi dan Pembuatan Profil (profiling) Cluster

Penerapan analisis cluster di dalam pemasaran adalah sebagai berikut :

1. Identifikasi obyek (Recognition) :

Dalam bidang Image Processing, Computer Vision atau Robot Vision

2. Decission Support System dan Data Mining

Membuat segmen pasar (segmenting the market)

Memahami perilaku pembeli

Mengenali peluang produk baru


MATERI PRAKTIKUM


Tahap-tahap dalam Analisis Cluster

Ada beberapa tahapan dalam malekukan Analisis Cluster, diantaranya yaitu:

Tahap Pertama : Tujuan Analisis Cluster

Tujuan utama analisis cluster adalah memisahkan suatu himpunan objek menjadi dua kelompok

atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.

Sedangkan tujuan analisis cluster secara khusus, antara lain:

Penyederhanaan Data

Penyederhanaan data merupakan bagian dari suatu taksonomi. Dengan struktur yang terbatas

observasi/objek dapat dikelompokkan untuk analisis selanjutnya.

Identifikasi Hubungan (Relationship Identification)

Hubungan antar objek diidentifikasi secara empiris. Struktur analisis cluster yang sederhana

dapat menggambarkan adanya hubungan atau kesamaan dan perbedaan yang tidak

dinyatakan sebelumnya.

Pemilihan pada Pengelompokan Variabel

Tujuan analisis cluster tidak dapat dipisahkan dengan pemilihan variabel yang digunakan

untuk menggolongkan objek ke dalam clucter-cluster. Cluster yang terbentuk merefleksikan

struktur yang melekat pada data seperti yang didefinisikan oleh variabel-variabel. Pemilihan

variabel harus sesuai dengan teori dan konsep yang umum digunakan dan harus rasional.

Rasionalitas ini didasarkan pada teori-teori eksplisit atau penelitian sebelumnya. Variabel-

variabel yang dipilih hanyalah variabel yang dapat mencirikan objek yang akan

dikelompokkan dan secara spesifik harus sesuai dengan tujuan analisis cluster.


MATERI PRAKTIKUM


Tahap Kedua : Desain Penelitian dalam Analisis Cluster

2 hal penting dalam tahap ini adalah pendeteksian outlier dan mengukur kesamaan.

Pendeteksian Outliers

Outlier adalah suatu objek yang sangat berbeda dengan objek lainnya. Outliers dapat terjadi

karena:

a. Observasi ‘menyimpang’ yang tidak mewakili populasi

b. Suatu undersampling kelompok-kelompok dalam populasi yang menyebabkan

underrepresentation kelompok-kelompok dalam sampel

Dalam kedua kasus tersebut, outliers dapat mengubah struktur sebenarnya dalam populasi

sehingga kita akan memperoleh cluster-cluster yang tidak sesuai dengan struktur sebenarnya

dari populasi tersebut dan tidak representatif.

Mengukur Kesamaan antar Objek

Konsep kesamaan adalah hal yang sangat penting dalam analisis cluster. Kesamaan antar

objek merupakan ukuran kedekatan antar objek. Kesamaan dapat diketahui dengan

melakukan pengukuran jarak antar setiap individu. Ukuran jarak merupakan ukuran

ketidakmiripan, dimana jarak yang besar menunjukkan sedikit kesamaan sebaliknya jarak

yang pendek/kecil menunjukkan bahwa suatu objek makin mirip dengan objek lain.

Gambar 1. Ilustrasi Pengukuran jarak


MATERI PRAKTIKUM


Metode untuk mengukur kesamaan obyek antara lain :

1). Euclidean Distance

Jarak euclidean antara dua titik i dan j merupakan sisi miring (sisi terpanjang) dari segitiga

ABC.

𝐷(𝑖, 𝑗) = √𝐴2 + 𝐵2 = √∑(𝑋𝑖 − 𝑌𝑖)2 = √(𝑋1𝑖 − 𝑋1𝑗)2+(𝑋2𝑖 − 𝑋2𝑗)2

2). Squared Euclidean Distance

Merupakan pengukuran kuadrat jarak euclidean antara dua titik i dan j.

𝐷(𝑖, 𝑗) = 𝐴2 + 𝐵2 = ∑(𝑋𝑖 − 𝑌𝑖)2 = (𝑋1𝑖 − 𝑋1𝑗)2+(𝑋2𝑖 − 𝑋2𝑗)2

3). Chebychev

D(X,Y)= 𝑚𝑎𝑥𝑖|𝑋𝑖 − 𝑌𝑖|

4). City Block Distance

D(X,Y)= ∑|𝑋𝑖 − 𝑌𝑖|

D(I,j) = |𝐴| + |𝐵| = ∑|𝑋𝑖 − 𝑌𝑖| = |𝑋1𝑖 − 𝑋1𝑗| + |𝑋2𝑖 − 𝑋2𝑗|


MATERI PRAKTIKUM


Tahap Ketiga : Asumsi-asumsi dalam Analisis Cluster

Seperti hal teknik analisis lain, analisis cluster juga menetapkan adanya suatu asumsi. Ada

dua asumsi dalam analisis cluster, yaitu :

a. Kecukupan sampel untuk merepresentasikan/mewakili populasi

Biasanya suatu penelitian dilakukan terhadap populasi diwakili oleh sekelompok sampel.

Sampel yang digunakan dalam analisis cluster harus dapat mewakili populasi yang ingin

dijelaskan, karena analisis ini baik jika sampel representatif. Jumlah sampel yang diambil

tergantung penelitinya, seorang peneliti harus yakin bahwa sampel yang diambil representatif

terhadap populasi.

b. Pengaruh Multikolinieritas

Ada atau tidaknya multikolinieritas antar variabel sangat diperhatikan dalam analisis

cluster karena hal itu berpengaruh, sehingga variabel-variabel yang bersifat multikolinieritas

secara eksplisit dieprtimbangkan dengan lebih seksama.

Tahap Keempat : Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan

(overall fit)

Ada dua proses penting yaitu algoritma cluster dalam pembentukan cluster dan

menentukan jumlah cluster yang akan dibentuk. Keduanya mempunyai implikasi substansial

tidak hanya pada hasil yang diperoleh tetapi juga pada interpretasi yang akan dilakukan terhadap

hasil tersebut.


MATERI PRAKTIKUM


Clustering

Procedures

Non-

HierarchicalHierarchical

DivisiveAgglomerativeOptimizing

Partitioning

Parallel

Threshold

Sequential

Threshold

Linkage

Methods

Centroid

Methods

Variance

Methods

Ward�s

Method

Average

Linkage

Complete

LinkageSingle Linkage

Gambar 2. Algoritma Analisa Kluster

Adapun metode pengelompokan dalam analisis cluster meliputi :

1. 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 “K-Means Cluster”.


MATERI PRAKTIKUM


Berbeda dengan metode hirarkikal, prosedur non hirarkikal (K-means Clustering) dimulai

dengan memilih sejumlah nilai cluster awal sesuai dengan jumlah yang diinginkan dan

kemudian obyek digabungkan ke dalam cluster-cluster tersebut.

a. Sequential Threshold Procedure

Metode ini melakukan pengelompokan dengan terlebih dahulu memilih satu obyek

dasar yang akan dijadikan nilai awal cluster, kemudian semua obyek yang ada didalam

jarak terdekat dengan cluster ini akan bergabung lalu dipilih cluster kedua dan semua

obyek yang mempunyai kemiripan dimasukkan dalam cluster ini. Demikian seterusnya

hingga terbentuk beberapa cluster dengan keseluruhan obyek didalamnya.

b. Parallel Threshold Prosedure

Secara prinsip sama dengan prosedur sequential threshold, hanya saja dilakukan

pemilihan terhadap beberapa obyek awal cluster sekaligus dan kemudian melakukan

penggabungan obyek ke dalamnya secara bersamaan.

c. Optimizing

Merupakan pengembangan dari kedua metode diatas dengan melakukan optimasi pada

penempatan obyek yang ditukar untuk cluster lainnya dengan pertimbangan krteria

optimasi.

2. Metode Hirarkis.

Memulai pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan

paling dekat. Kemudian dilanjutkan pada obyek yang lain dan seterusnya hingga cluster

akan membentuk semacam ‘pohon’ dimana terdapat tingkatan (hirarki) yang jelas antar

obyek, dari yang paling mirip hingga yang paling tidak mirip. Teknik hirarki (hierarchical

methods) adalah teknik clustering membentuk kontruksi hirarki atau berdasarkan tingkatan

tertentu seperti struktur pohon (struktur pertandingan). Alat yang membantu

untukmemperjelas proses hirarki ini disebut “dendogram”.


MATERI PRAKTIKUM


Teknik hirarki (hierarchical methods) adalah teknik clustering membentuk kontruksi

hirarki atau berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan).

Dengan demikian proses pengelompokkannya dilakukan secara bertingkat atau bertahap.

Hasil dari pengelompokan ini dapat disajikan dalam bentuk dendogram. Metode-metode

yang digunakan dalam teknik hirarki:

a. Agglomerative Methods

Metode ini dimulai dengan kenyatan bahwa setiap obyek membentuk Clusternya

masing-masing. Kemudian dua obyek dengan jarak terdekat bergabung. Selanjutnya

obyek ketiga akan bergabung dengan 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 Neighbor Methods)

Metode ini menggunakan prinsip jarak minimum yang diawali dengan mencari dua

obyek terdekat dan keduanya membentuk cluster yang pertama. Pada langkah

selanjutnya terdapat dua kemungkinan, yaitu :

a. Obyek ketiga akan bergabung dengan cluster yang telah terbentuk, atau

b. Dua obyek lainnya akan membentu cluster baru.

Proses ini akan berlanjut sampai akhirnya terbentuk cluster tunggal. Pada metode

ini jarak antar cluster didefinisikan sebagai jarak terdekat antar anggotanya.


MATERI PRAKTIKUM


Contoh : Terdapat matriks jarak antara 5 buah obyek, yaitu :

Gambar 3. Matriks Antara 5 Buah Objek.

Langkah penyelesaiannya :

a). Mencari obyek dengan jarak minimum

Menghitung jarak antara cluster AB dengan obyek lainnya.

D(AB)C = min {dAC, dBC}= dBC = 3.0

D(AB)D = min {dAD, dBD}= dAD = 6.0

D(AB)E = min {dAE, dBE}= dBE = 7.0

Dengan demikian terbentuk matriks jarak yang baru

Gambar 4. Matriks 5 Buah Objek Dengan Jarak Baru

b). Mencari obyek dengan jarak terdekat.

D dan E mempunyai jarak terdekat, yaitu 2,0 maka obyek D dan E bergabung

menjadi satu cluster.


MATERI PRAKTIKUM


c). Menghitung jarak antara cluster dengan obyek lainnya.

D(AB)C = 3.0

D(AB)(DE) = min {dAD, dAE, dBD, dBE} = dAD = 6.0

D(DE)C = min {dCD, dCE} = dCD = 4.0

d). Mencari jarak terdekat antara cluster dengan obyek dan diperoleh obyek C

bergabung dengan cluster AB

e). Pada langkah yang terakhir, cluster ABC bergabung dengan DE sehingga

terbentuk cluster tunggal.

Complete Linkage (Furthest Neighbor Methods)

Metode ini merupakan kebalikan dari pendekatan yang digunakan pada single

linkage. Prinsip jarak yang digunakan adalah jarak terjauh antar obyek.

Contoh : Terdapat matriks jarak antara lima buah obyek yaitu :

Gambar 5. Matriks Antara 5 Buah Objek.

Langkah penyelesaiannya :

a) Mencari obyek dengan jarak minimum

A dan B mempunyai jarak terdekat yaitu 1.0 maka obyek A dan B bergabung



MATERI PRAKTIKUM


b) Menghitung jarak antara cluster AB dengan obyek lainnya

d(AB)C = max {dAC, dBC} = dAC = 5,0

d(AB)D = max {dAD, dBD} = dBD = 8,0

d(AB)E = max {dAE, dBE} = dAE = 8,0

Dengan demikian terbentuk matriks jarak yang baru :

Gambar 4. Matriks 5 Buah Objek Dengan Jarak Baru

c) Mencari obyek dengan jarak terdekat.

D dan E mempunyai jarak terdekat yaitu 2.0 maka obyek D dan E bergabung


d) Menghitung jarak antara cluster dengan obyek lainnya.

d(AB)C = 4,0

d(AB)(DE) = 1/2{dAD, dAE, dBD, dBE} = 7,25

d(DE)C = 1/2{dCD, dCE,} = dCE = 5,00

Maka terbentuklah matrik jarak yang baru, yaitu :

Gambar 5. Matriks Akhir


MATERI PRAKTIKUM


e) Mencari jarak terdekat antara cluster dengan obyek dan diperoleh obyek C

bergabung dengan cluster AB.

f) Pada langkah yang terakhir, cluster ABC bergabung dengan DE sehingga

terbentuk cluster tunggal.

Ward’s error sum of squares methods

Ward mengajukan suatu metode pembentukan cluster yang didasari oleh hilangnya

informasi akibat penggabungan obyek menjadi cluster. Hal ini diukur dengan jumlah

total dari deviasi kuadrat pada mean cluster untuk tiap observasi.

Error sum of squares (ESS) digunakan sebagai fungsi obyektif. Dua obyek akan

digabungkan apabila mempunyai fungsi obyektif terkecil diantara kemungkinan yang

ada.

ESS= ∑∑ 𝑋𝑖𝑗

2 −1

𝑛𝑗(∑ 𝑋𝑖𝑗)2

Dengan Xij adalah nilai untuk obyek ke-i pada cluster ke-j.

b. Divisive Methods

Metode divisive berlawanan dengan metode agglomerative. Metode ini pertama-tama

diawali dengan satu cluster besar yang mencakup semua observasi (obyek). Selanjutnya

obyek yang mempunyai ketidakmiripan yang cukup besar akan dipisahkan sehingga

membentuk cluster yang lebih kecil. Pemisahan ini dilanjutkan sehingga mencapai

sejumlah cluster yang diinginkan.

Splinter average distance methods

Metode ini didasarkan pada perhitungan jarak rata-rata masing-masing obyek dengan

obyek pada grup splinter dan jarak rata-rata obyek tersebut dengan obyek lain pada

grupnya. Proses tersebut dimulai dengan memisahkan obyek dengan jarak terjauh


MATERI PRAKTIKUM


sehingga terbentuklan dua grup. Kemudian dibandingkan dengan jarak rata-rata

masing-masing obyek dengan grup splinter dengan grupnya sendiri. Apabila suatu

obyek mempunyai jarak yang lebih dekat ke grup splinter daripada ke grupnya

sendiri, maka obyek tersebut haruslah dikeluarkan dari grupnya dan dipisahkan ke

grup splinter. Apabila komposisinya sudah stabil, yaitu jarak suatu obyek ke grupnya

selalu lebih kecil daripada jarak obyek itu ke grup splinter, maka proses berhenti dan

dilanjutkan dengan tahap pemisahan dalam grup.

Contoh : Terdapat matriks jarak antara 5 buah obyek, yaitu :

Gambar 6. Matriks Perbandingan 5 buah Objek

Perhitungan :

a) Menghitung jarak rata-rata antar obyek

A = ¼ (12+9+32+31) = 21 D = ¼ (32+25+23+9) = 22.25

B = ¼ (12+9+25+27) = 18.25 E = ¼ (31+27+24+9) = 22.75

C = ¼ (9+9+23+24) = 16.25

Terlihat bahwa E mempunyai nilai jarak terjauh, yaitu 22.75, maka E dipisahkan

dari grup utama dan membentuk grup splinter.


MATERI PRAKTIKUM


b) Menghitung jarak rata-rata obyek dengan grup utama dengan grup splinter

Gambar 7. Perhitungan Rata-Rata Grup Utama Dengan Grup Splinter

Pada D, jarak rata-rata dengan grup splinter lebih dekat daripada dengan grup

utama. Dengan demikian D harus dikeluarkan dari grup utama dan masuk ke

grup splinter.

c) Perhitungan jarak rata-rata

Gambar 7. Perhitungan Rata-Rata Grup Utama Dengan Grup Splinter

Karena jarak semua obyek ke grup utama sudah lebih besar daripada jaraknya ke

grup splinter, maka komposisinya sudah stabil.


MATERI PRAKTIKUM


Tahap Kelima : Interpretasi terhadap Cluster

Tahap interpretasi meliputi pengujian tiap cluster dalam term untuk menamai dan menandai

dengan suatu label yang secara akurat dapat menjelaskan kealamian cluster.

Membuat profil dan interpretasi cluster tidak hanya untuk memperoleh suatu gambaran saja

melainkan pertama, menyediakan suatu rata-rata untuk menilai korespondensi pada cluster yang

terbentuk, kedua, profil cluster memberikan arahan bagi penilainan terhadap signifikansi praktis.

Namun demikian yang perlu diperhatikan pada tahapan interpretasi adalah karakteristik yang

membedakan masing-masing cluster sehingga kita dapat memberikan label pada masing-masing

cluster tersebut.

Tahap Keenam: Proses Validasi dan Pembuatan Profil (profiling) Cluster

1. Proses validasi solusi cluster

Proses validasi bertujuan menjamin bahwa solusi yang dihasilkan dari analisis cluster

dapat mewakili populasi dan dapat digeneralisasi untuk objek lain. Pendekatan ini

membandingkan solusi cluster dan menilai korespondensi hasil. Terkadang tidak dapat

dipraktekkan karena adanya kendala waktu dan biaya atau ketidaktersediaan objek untuk

analisis cluster ganda.

2. Pembuatan Profil (profiling) solusi cluster

Tahap ini menggambarkan karakteristik tiap cluster untuk menjelaskan cluster-cluster

tersebut dapat dapat berbeda pada dimensi yang relevan. Titik beratnya pada karakteristik

yang secara signifikan berbeda antar cluster dan memprediksi anggota dalam suatu cluster

khusus.


MATERI PRAKTIKUM


Studi Kasus

Perusahaan ABC merupakan perusahaan yang bergerak di bidang produksi pendingin

ruangan. Perusahaan berencana ingin mengembangkan produk pendingin ruangan dengan

spesifikasi baru. Salah satu strategi perusahaan dalam merealisasikan rencana tersebut adalah

dengan melakukan segmentasi kota target pemasaran. Penentuan pengelompokan kota target

pemasaran berdasarkan beberapa faktor diantaranya kadar SO2, temperatur, banyaknya jumlah

industri manufaktur, banyaknya populasi, kecepatan angin, tingkat presipitasi, dan jumlah hari

turun hujan dalam setahun. Dalam studi kasus ini, perusahaan menggunakan analisis clustering

untuk mengelompokkan kota target pemasaran, menentukan profil kota target pemasaran serta

menentukan strategi pemasaran yang dapat diterapkan berdasarkan profil tersebut.

Berikut adalah data historis yang telah diperoleh dari 41 kota :

No Kota SO2

(mg/m3)

Temperatur

(0F)

Jumlah

Industri

Populasi

(ribuan)

Kecepatan

Angin (m/h)

Presipitasi

(inci) Hari

1 Phoenix 10 70,3 213 582 6 7,05 36

2 Little Rock 13 61 91 132 8,2 48,52 100

3 San

Fransisco 12 56,7 453 716 8,7 20,66 67

4 Denver 17 51,9 454 515 9 12,95 86

5 Hartford 56 49,1 412 158 9 43,37 127

6 Wilmington 36 54 80 80 9 40,25 114

7 Washington 29 57,3 434 757 9,3 38,89 111

8 Jacksonville 14 68,4 136 529 8,8 54,47 116

9 Miami 10 75,5 207 335 9 59,8 128

10 Atlanta 24 61,5 368 497 9,1 48,34 115

11 Chicago 110 50,6 3344 3369 10,4 34,44 122

12 Indianapolis 28 52,3 361 746 9,7 38,74 121

13 Des Moines 17 49 104 201 11,2 30,85 103

14 Wichita 8 56,6 125 277 12,7 30,58 82

15 Loiusville 30 55,6 291 593 8,3 43,11 123

16 New Orleans 9 68,3 204 361 8,4 56,77 113


MATERI PRAKTIKUM


No Kota SO2

(mg/m3)

Temperatur

(0F)

Jumlah

Industri

Populasi

(ribuan)

Kecepatan

Angin (m/h)

Presipitasi

(inci) Hari

17 Baltimore 47 55 625 905 9,6 41,31 111

18 Detroit 35 49,9 1064 1513 10,1 30,96 129

19 Minneapolis 29 43,5 699 744 10,6 25,94 137

20 Kansas 14 54,5 381 507 10 37 99

21 St Louis 56 55,9 775 622 9,5 35,89 105

22 Omaha 14 51,5 181 347 10,9 30,18 98

23 Albuquerque 11 56,8 46 244 8,9 7,77 58

24 Albany 46 47,6 44 116 8,8 33,36 135

25 Buffalo 11 47,1 391 463 12,4 36,11 166

26 Cincinnati 23 54 462 453 7,1 39,04 132

27 Cleveland 65 49,7 1007 751 10,9 34,99 155

28 Columbus 26 51,5 266 540 8,6 37,01 134

29 Philadelphia 69 54,6 1692 1950 9,6 39,93 115

30 Pitssburgh 61 50,4 347 520 9,4 36,22 147

31 Providence 94 50 343 179 10,6 42,75 125

32 Memphis 10 61,6 337 624 9,2 49,1 105

33 Nashville 18 59,4 275 448 7,9 46 119

34 Dallas 9 66,2 641 844 10,9 35,94 78

35 Houston 10 68,9 721 1233 10,8 48,19 103

36 Salt Lake

City 28 51 137 176 8,7 15,17 89

37 Norfolk 31 59,3 96 308 10,6 44,68 116

38 Richmond 26 57,8 197 299 7,6 42,59 115

39 Seattle 29 51,1 379 531 9,4 38,79 164

40 Charleston 31 55,2 35 71 6,5 40,75 148

41 Milwaukee 16 45,7 569 717 11,8 29,07 123


MATERI PRAKTIKUM


Metode Hirarki

Langkah Penyelesaian :

1. Tahap Standarisasi Data

- Input Data pada Variable View

Mengisi data view seperti gambar dibawah ini

- Mengganti type dari variabel nama menjadi “String”


MATERI PRAKTIKUM


- Pada Data View Pilih descriptive statistics , kemudian pilih descriptives

- Pindahkan semua variabel ke kolom variable (S)

- Centang pada save standardized values as variables

- Kemudian klik OK


MATERI PRAKTIKUM


- Output normalisasi data

Dari hasil Output diatas merupakan tampilan pertama hasil proses nomalisasi data. Dari

tabel menunjukkan hasil nilai N, Minimum, Maximum, Mean, dan Standar Deviation

dari masing-masing kriteria. Jika sudah tampil output seperti gambar diatas, maka anda

memastikan tampilan Data View anda sebelumnya sudah seperti gambar dibawah ini.

Terdapat tambahan variabel “Z” hasil dari normalisasi data kuesioner dari masing-

masing kriteria. Data "Z score” inilah yang kemudian akan diolah untuk tahap

pengelompokkan (clustering) berikutnya.


MATERI PRAKTIKUM


2. Tahap Pengelompokkan (clustering)

- Pilih Analyze >> Classify >> Hierarchical Cluster

- Memindahkan semua variabel Z Score pada kotak variable (s)

- Memindahkan variabel nama pada label cases by

- Pilih Statistics


MATERI PRAKTIKUM


- Pada kotak dialog statistics centang Agglomerative Schedule dan Proxy Matrix

- Pilih range of solution , kemudian isi minimum number menjadi 2, dan maximum

number menjadi 5. Kemudian klik continue

- Pada kotak dialog Plots mencentang Dendogram, All Cluster, dan Vertical


MATERI PRAKTIKUM


- Pada kotak dialog Method gantilah cluster Method menjadi Nearest Neighboor, dan

centang Interval kemudian mengganti pilihannya menjadi Squared Euqlidean Distance

- Klik continue


MATERI PRAKTIKUM


- Maka akan tampillah output spss sepeti beberapa tabel dibawah ini

OUTPUT 1 Agglomeration Schedule

Agglomeration Schedule

Stage Cluster Combined

Coefficients

Stage Cluster First

Appears Next

Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2

1 8 16 ,274 0 0 21

2 13 22 ,301 0 0 14

3 33 38 ,401 0 0 7

4 10 32 ,558 0 0 9

5 7 12 ,718 0 0 10

6 17 21 ,740 0 0 10

7 15 33 ,740 0 3 8

8 15 28 ,846 7 0 9

9 10 15 ,952 4 8 12

10 7 17 ,956 5 6 12

11 4 36 ,987 0 0 23

12 7 10 1,025 10 9 13

13 2 7 1,102 0 12 15

14 13 20 1,109 2 0 16

15 2 26 1,209 13 0 16

16 2 13 1,224 15 14 17

17 2 6 1,454 16 0 21

18 5 24 1,490 0 0 19

19 5 30 1,498 18 0 27

20 19 41 1,510 0 0 28

21 2 8 1,527 17 1 22

22 2 9 1,552 21 0 24

23 3 4 1,594 0 11 29

24 2 39 1,677 22 0 25

25 2 40 1,715 24 0 26

26 2 37 1,722 25 0 27


MATERI PRAKTIKUM


Agglomeration Schedule

Stage Cluster Combined

Coefficients

Stage Cluster First

Appears Next

Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2

27 2 5 1,826 26 19 28

28 2 19 2,454 27 20 30

29 3 23 2,522 23 0 37

30 2 14 2,541 28 0 32

31 34 35 2,590 0 0 35

32 2 27 2,774 30 0 33

33 2 18 3,428 32 0 34

34 2 25 3,541 33 0 35

35 2 34 3,856 34 31 36

36 2 31 3,915 35 0 37

37 2 3 4,454 36 29 38

38 2 29 5,315 37 0 39

39 1 2 8,732 0 38 40

40 1 11 18,558 39 0 0

Hasil output tabel pertama memberikan penjelasan mengenai penggabungan antara setiap

anggota 1 dengan anggota lainnya. Seperti contoh pembacaan tabel agglomeration

schedule :

a) Pada stage 1 kota 8 bergabung dengan kota 16 pada jarak yang terdekat pertama

yaitu (lihat pada kolom coefficients) 0,274. Dimana kota 8 dan kota 16 belum

pernah bergabung sebelumnya (nilai 0) dengan anggota manapun (lihat pada

kolom stage cluster first appears. Untuk melihat penggabungan anggota yang

terlibat pada stage 1 berikutnya lihat pada kolom next stage 21.

b) Pada stage 2 kota 13 bergabung dengan kota 22 pada jarak yaitu (lihat pada

kolom coefficients) 0,301. Dimana kota 13 dan kota 22 belum pernah bergabung


MATERI PRAKTIKUM


sebelumnya (nilai 0) dengan anggota manapun (lihat pada kolom stage cluster

first appears. Untuk melihat penggabungan anggota yang terlibat pada stage

berikutnya lihat pada kolom next stage 14.

c) Dan seterusnya.

OUTPUT 2 Cluster Membership

Cluster Membership

Case 5 Clusters 4 Clusters 3 Clusters 2 Clusters

1:Phoenix 1 1 1 1

2:Little R 2 2 2 1

3:San Fran 3 2 2 1

4:Denver 3 2 2 1

5:Hartford 2 2 2 1

6:Wilmingt 2 2 2 1

7:Washingt 2 2 2 1

8:Jacksonv 2 2 2 1

9:Miami 2 2 2 1

10:Atlanta 2 2 2 1

11:Chicago 4 3 3 2

12:Indianap 2 2 2 1

13:Des Moin 2 2 2 1

14:Wichita 2 2 2 1

15:Loiusvil 2 2 2 1

16:New Orle 2 2 2 1

17:Baltimor 2 2 2 1

18:Detroit 2 2 2 1

19:Minneapo 2 2 2 1

20:Kansas 2 2 2 1

21:St Louis 2 2 2 1

22:Omaha 2 2 2 1

23:Albuquer 3 2 2 1

24:Albany 2 2 2 1


MATERI PRAKTIKUM


Cluster Membership

Case 5 Clusters 4 Clusters 3 Clusters 2 Clusters

25:Buffalo 2 2 2 1

26:Cincinna 2 2 2 1

27:Clevelan 2 2 2 1

28:Columbus 2 2 2 1

29:Philadel 5 4 2 1

30:Pitssbur 2 2 2 1

31:Providen 2 2 2 1

32:Memphis 2 2 2 1

33:Nashvill 2 2 2 1

34:Dallas 2 2 2 1

35:Houston 2 2 2 1

36:Salt Lak 3 2 2 1

37:Norfolk 2 2 2 1

38:Richmond 2 2 2 1

39:Seattle 2 2 2 1

40:Charlest 2 2 2 1

41:Milwauke 2 2 2 1

Output diatas menunjukkan bahwa setiap terbentuknya n kelompok, maka terdaftarlah anggota-

anggota setiap kelompoknya seperti yang sudah tertera pada tabel diatas. Ketika menentukan

banyaknya kelompok (cluster) tidak semua anggota berada pada cluster yang sama ketika

peneliti ingin membuat kelompok menjadi 2, 3, 4, atau 5. Contohnya :

Anggota ke 29 menjadi anggota cluster 5 ketika kelompok yang dibentuk sebanyak 5 kelompok,

dan menjadi anggota cluster 4 ketika kelompok yang dibentuk sebanyak 4 kelompok , dan

menjadi anggota cluster 2 ketika kelompok yang dibentuk sebanyak 3 kelompok, dan menjadi

anggota cluster 1 ketika kelompok yang dibentuk sebanyak 2 kelompok. Hasil ini membantu

anda dalam menentukan cluster berdasarkan metode cut off pada hasil dendogram.


MATERI PRAKTIKUM


OUTPUT 3 Dendogram

Hasil dendogram menunjukkan bahwa penggabungan setip anggota berdasarkan jarak

yang paling dekat, sehingga membentuk satu cluster yang sangat besar. Hasil dendogram

ini akan mudah dibaca jika pembacaannya dibantu oleh hasil Agglomerative Schedule

Pembentukkan jumlah cluster dapat dibentuk dengan metode cut off pada hasil

dendogram. Sebagai contoh:

a) Melakukan cut off pada angka 6.

b) Akan terlihat cluster yang terbentuk sebanyak 5 cluster dengan 3 Outlier ,


MATERI PRAKTIKUM


c) Untuk melihat anggota masing-masing cluster dapat dilihat dari gambar berikut

ini:

Cluster 3, 4 dan 5 merupakan outlier.

Cluster yang terbentuk jika menggunakan metode Cut Off, sebagai berikut:

Jarak Cut Off Cluster yang terbentuk Outlier yang terbentuk

5 9 6

6 5 3

8 3 2

Cut-off line pada 6

1 2

3 4 5


MATERI PRAKTIKUM


3. Tahap pengujian crosstab

- Pada Data View menambah variabel baru yaitu variabel Cluster.

- Kemudian pada variabel cluster, mengganti measure- nya menjadi nominal

- Mengganti label value variabel cluster seperti gambar dibawah ini:


MATERI PRAKTIKUM


- Pada Data View mengisi data untuk variabel cluster berdasarkan masing-anggota pada

setiap kelompok seperti gambar dibawah.

- Pilih Analyze >> Descriptive Statistics >> Crosstab


MATERI PRAKTIKUM


- Memindahkan seluruh variabel Z score pada kotak dialog Row(s)

- Memindahkan variabel cluster pada kotak dialog Coloumn (s).

- Pada menu Statistics beri tanda centang pada Correlations

- Klik Continue


MATERI PRAKTIKUM


- Pada menu cell display beri centang pada Observed dan Total

- Klik Continue

- Klik OK, maka Output SPSS akan muncul.


MATERI PRAKTIKUM


a) Output Crosstab pertama (Kadar SO2)

Crosstab

Cluster

Total Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5

Zscore(SO2) -,93935 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,89675 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,85415 Count 1 3 0 0 0 4

% of Total 2,4% 7,3% 0,0% 0,0% 0,0% 9,8%

-,81154 Count 0 1 1 0 0 2

% of Total 0,0% 2,4% 2,4% 0,0% 0,0% 4,9%

-,76894 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,72634 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,68373 Count 0 3 0 0 0 3

% of Total 0,0% 7,3% 0,0% 0,0% 0,0% 7,3%

-,59853 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,55592 Count 0 1 1 0 0 2

% of Total 0,0% 2,4% 2,4% 0,0% 0,0% 4,9%

-,51332 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,30030 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,25770 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,17249 Count 0 2 0 0 0 2


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,08729 Count 0 1 1 0 0 2

% of Total 0,0% 2,4% 2,4% 0,0% 0,0% 4,9%

-,04468 Count 0 3 0 0 0 3

% of Total 0,0% 7,3% 0,0% 0,0% 0,0% 7,3%

-,00208 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,04053 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

,21094 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,25354 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,67958 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,72218 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,10561 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

1,31863 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,48904 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,65946 Count 0 0 0 0 1 1

% of Total 0,0% 0,0% 0,0% 0,0% 2,4% 2,4%

2,72454 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

3,40620 Count 0 0 0 1 0 1

% of Total 0,0% 0,0% 0,0% 2,4% 0,0% 2,4%

Total Count 1 34 4 1 1 41

% of Total 2,4% 82,9% 9,8% 2,4% 2,4% 100,0%

b) Output Crosstab yang ke 2 (Temperatur)

Crosstab

Cluster


Zscore(Temperatur) -1,69672 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,39234 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,19864 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,12946 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,93576 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,92193 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,83891 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,81124 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


MATERI PRAKTIKUM


Crosstab

Cluster


-,79740 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,74206 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,71439 Count 0 0 0 1 0 1

% of Total 0,0% 0,0% 0,0% 2,4% 0,0% 2,4%

-,65905 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,64521 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,58987 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,53453 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,47919 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,24398 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,17480 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,16097 Count 0 0 0 0 1 1

% of Total 0,0% 0,0% 0,0% 0,0% 2,4% 2,4%

-,10562 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,07795 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


MATERI PRAKTIKUM


Crosstab

Cluster


-,02261 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,01890 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,11575 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,12958 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

,14342 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

,21260 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,28177 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,48931 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,50314 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,72451 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,79369 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,80753 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,44397 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


MATERI PRAKTIKUM


Crosstab

Cluster


1,73452 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,74835 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,81753 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

2,01123 Count 1 0 0 0 0 1

% of Total 2,4% 0,0% 0,0% 0,0% 0,0% 2,4%

2,73068 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


% of Total 2,4% 82,9% 9,8% 2,4% 2,4% 100,0%

c) Output Crosstab yang ke 3 (Jumlah Industri)

Crosstab

Cluster


Zscore(Industri) -,75975 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,74377 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,74023 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,67989 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,66036 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,65149 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,63729 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,60002 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,58050 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,57873 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,50064 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,47224 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,45982 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,45450 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,44385 Count 1 0 0 0 0 1

% of Total 2,4% 0,0% 0,0% 0,0% 0,0% 2,4%

-,34979 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,33382 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,30542 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,22379 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,21314 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,20604 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,18119 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,16877 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,14925 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,14570 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,12795 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,09068 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,05164 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,01792 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,01615 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,00195 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,18795 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,28733 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,31572 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,41866 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,45770 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,55353 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,96527 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,06642 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

2,18094 Count 0 0 0 0 1 1

% of Total 0,0% 0,0% 0,0% 0,0% 2,4% 2,4%

5,11275 Count 0 0 0 1 0 1

% of Total 0,0% 0,0% 0,0% 2,4% 0,0% 2,4%


% of Total 2,4% 82,9% 9,8% 2,4% 2,4% 100,0%


MATERI PRAKTIKUM


d) Output Crosstab yang ke 4 (Populasi)

Crosstab

Cluster


Zscore(Populasi) -,92833 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,91279 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,85063 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,82300 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,77810 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,74702 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,74184 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,70385 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,62960 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,57262 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,53463 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,51909 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,47246 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,45174 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,42757 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,27734 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,26870 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,25144 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,19273 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,17546 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,16164 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,15301 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,13747 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,13401 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,11847 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,04595 Count 1 0 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 2,4% 0,0% 0,0% 0,0% 0,0% 2,4%

-,02695 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,02312 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,02658 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,18544 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

,18717 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,23379 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,23724 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,24588 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,25624 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,40647 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,51180 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,07818 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,56168 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

2,31628 Count 0 0 0 0 1 1

% of Total 0,0% 0,0% 0,0% 0,0% 2,4% 2,4%

4,76658 Count 0 0 0 1 0 1

% of Total 0,0% 0,0% 0,0% 2,4% 0,0% 2,4%


% of Total 2,4% 82,9% 9,8% 2,4% 2,4% 100,0%

e) Output Crosstab yang ke 5 (Kecepatan Angin)

Crosstab

Cluster


Zscore(Kecepatan_angin) -2,41061 Count 1 0 0 0 0 1

% of Total 2,4% 0,0% 0,0% 0,0% 0,0% 2,4%

-2,06063 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,64065 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,29067 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,08068 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,87069 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,80069 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,73069 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,59070 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,52071 Count 0 0 2 0 0 2

% of Total 0,0% 0,0% 4,9% 0,0% 0,0% 4,9%

-,45071 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,38071 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,31072 Count 0 3 1 0 0 4

% of Total 0,0% 7,3% 2,4% 0,0% 0,0% 9,8%

-,24072 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,17072 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,10073 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,03073 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

,03927 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,10926 Count 0 1 0 0 1 2

% of Total 0,0% 2,4% 0,0% 0,0% 2,4% 4,9%

,17926 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,38925 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,45924 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,66923 Count 0 0 0 1 0 1

% of Total 0,0% 0,0% 0,0% 2,4% 0,0% 2,4%

,80923 Count 0 3 0 0 0 3

% of Total 0,0% 7,3% 0,0% 0,0% 0,0% 7,3%

,94922 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,01922 Count 0 3 0 0 0 3

% of Total 0,0% 7,3% 0,0% 0,0% 0,0% 7,3%

1,22921 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,64918 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

2,06916 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

2,27915 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


% of Total 2,4% 82,9% 9,8% 2,4% 2,4% 100,0%


MATERI PRAKTIKUM


f) Output Crosstab yang ke 6 (Presipitasi)

Crosstab

Cluster


Zscore(Presipitasi) -2,52465 Count 1 0 0 0 0 1

% of Total 2,4% 0,0% 0,0% 0,0% 0,0% 2,4%

-2,46348 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-2,02344 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-1,83485 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-1,36847 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,91993 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,65404 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,55974 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,52576 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,50282 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,49348 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,28960 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,19785 Count 0 0 0 1 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 0,0% 0,0% 2,4% 0,0% 2,4%

-,15113 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,07467 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,07043 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,05598 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,04664 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,01962 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,02047 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,16744 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,17168 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,18018 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,19292 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,26853 Count 0 0 0 0 1 1

% of Total 0,0% 0,0% 0,0% 0,0% 2,4% 2,4%

,29571 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,33819 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,38576 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,49450 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,50809 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,53867 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,56076 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,67204 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,78418 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,97022 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,98296 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,99825 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,04752 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,50371 Count 0 1 0 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster


% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,69909 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,95649 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


% of Total 2,4% 82,9% 9,8% 2,4% 2,4% 100,0%

g) Output Crosstab yang ke 7 (Jumlah Hari)

Crosstab

Cluster


Zscore(Hari) -2,93900 Count 1 0 0 0 0 1

% of Total 2,4% 0,0% 0,0% 0,0% 0,0% 2,4%

-2,10902 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-1,76947 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-1,35448 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,20357 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-1,05267 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%

-,93949 Count 0 0 1 0 0 1

% of Total 0,0% 0,0% 2,4% 0,0% 0,0% 2,4%


MATERI PRAKTIKUM


Crosstab

Cluster


-,59995 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,56222 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,52449 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

-,41131 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,33586 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,10950 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

-,03405 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,00368 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,04141 Count 0 2 0 0 1 3

% of Total 0,0% 4,9% 0,0% 0,0% 2,4% 7,3%

,07913 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

,19231 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,26777 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,30549 Count 0 0 0 1 0 1

% of Total 0,0% 0,0% 0,0% 2,4% 0,0% 2,4%


MATERI PRAKTIKUM


Crosstab

Cluster


,34322 Count 0 2 0 0 0 2

% of Total 0,0% 4,9% 0,0% 0,0% 0,0% 4,9%

,41867 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,49413 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,53185 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,56958 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,68276 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,75821 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,79594 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

,87140 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,24866 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,28639 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,55048 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%

1,89002 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


MATERI PRAKTIKUM


Crosstab

Cluster


1,96547 Count 0 1 0 0 0 1

% of Total 0,0% 2,4% 0,0% 0,0% 0,0% 2,4%


% of Total 2,4% 82,9% 9,8% 2,4% 2,4% 100,0%

Berikut ini merupakan pedoman ketentuan untuk menafsirkan tabel hasil analisis pada

hasil crosstab:

1. Jika terdapat kriteria yang angkanya menunjukkan angka negatif, berarti cluster yang

bersangkutan ada di bawah rata-rata total.

2. Jika terdapat kriteria yang angkanya menunjukkan angka positif, berarti cluster yang

bersangkutan ada di atas rata-rata total.

Dari seluruh hasil crosstab diatas, dapat diketahui karakteristik masing-masing cluster

berdasarkan karakteristik anggota cluster yang dominan, dapat dilihat dari tabel berikut ini:

Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5

Kadar SO2

- 0,85415

(2,4%)

Untuk kriteria

kadar SO2 pada

cluster 2

dominan

dibawah rata-

rata total.

Untuk kriteria

kadar SO2 pada

cluster 2

dominan

dibawah rata-rata

total

3,40620

(2,4%)

1,65946

(2,4%)

Temperatur 2,01123

(2,4%)

-0,24398

(4,9%)

Untuk kriteria

temperatur pada

cluster 3

dominan

dibawah dan

diatas rata-rata

total

-0,71439

(2,4%)

-0,16097

(2,4%)

Jumlah -0,44385 Untuk kriteria Untuk kriteria 5,11275 2,18094


MATERI PRAKTIKUM

Fakultas : Teknologi Industri Pertemuan ke : 3 Jurusan/Program Studi : Teknik Industri Modul ke : 3 Kode Mata Kuliah : 52224603 Jumlah Halaman : 60 Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2018 Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5

Industri (2,4%) jumlah industri

pada cluster 2

dominan

dibawah dan

diatas rata-rata

total

jumlah industri

pada cluster 3

dominan

dibawah rata-rata

total

(2,4%) (2,4%)

Populasi - 0,04595

(2,4%)

Untuk kriteria

populasi pada

cluster 2

dominan

dibawah dan

diatas rata-rata

total

Untuk kriteria

populasi pada

cluster 3

dominan

dibawah dan

diatas rata-rata

total

4,76658

(2,4%)

2,31628

(2,4%)

Kecepatan

angin

-2,41061

(2,4%)

Untuk kriteria

kecepatan angin

pada cluster 2

dominan

dibawah dan

diatas rata-rata

total

-0,52071

(4,9%)

0,66923

(2,4%)

0,10926

(2,4%)

Presipitasi -2,52465

(2,4%)

Untuk kriteria

presipitasi pada

cluster 2

dominan

dibawah dan

diatas rata-rata

total

Untuk kriteria

presipitasi pada

cluster 3

dominan

dibawah rata-rata

total

-0,19785

(2,4%)

0,26853

(2,4%)

Jumlah Hari -2,93900

(2,4%)

Untuk kriteria

jumlah hari pada

cluster 2

dominan

dibawah dan

diatas rata-rata

total

Untuk kriteria

jumlah hari pada

cluster 3

dominan

dibawah rata-rata

total

0,30549

(2,4%)

0,04141

(2,4%)

Dari tabel rekapitulasi diatas, maka dapatlah dilihat masing-masing cluster sebagai berikut:

1. Dalam cluster-1 terdiri dari kota dengan karakteristik kadar SO2 dominan dibawah rata-rata

total, temperature dominan dibawah rata-rata total, jumlah industri manufaktur dominan

dibawah rata-rata total, populasi dominan dibawah rata-rata total, kecepatan angin dominan

dibawah rata-rata total, presipitasi dominan dibawah rata-rata total dan jumlah hari hujan


MATERI PRAKTIKUM


dalam setahun dominan dibawah rata-rata total.

Sehingga, cluster-1 termasuk kelompok kota target pemasaran yang paling potensial dan

diberikan strategi pemasaran berupa potongan harga setiap transaksi dan notifikasi

penawaran produk setiap bulannya.

2. Dalam cluster-2 terdiri dari kota dengan karakteristik kadar SO2 dominan dibawah rata-rata

total, temperature dominan dibawah rata-rata total, jumlah industri manufaktur dominan

dibawah dan diatas rata-rata total, populasi dominan dibawah dan diatas rata-rata total,

kecepatan angin dominan dibawah dan diatas rata-rata total, presipitasi dominan dibawah

dan diatas rata-rata total dan jumlah hari hujan dalam setahun dominan dibawah dan diatas

rata-rata total.

Sehingga, cluster-2 termasuk kelompok kota target pemasaran yang kurang potensial

dan diberikan strategi pemasaran berupa promosi produk dengan mengirimkan katalog

dengan desain menarik melalui email.

Sedangkan cluster 3,4, dan 5 merupakan outlier, dikarenakan pada studi kasus ini perusahaan

ingin mengelompokkan kota target pemasaran serta memberikan strategi pemasaran yang

tepat. Sehingga 3 outlier dapat dimasukan pada kelompok kota target pemasaran dan strategi

pemasaran yang tepat berdasarkan pada karakteristik outlier tersebut, seperti penjelasan

berikut:

3. Cluster-3 merupakan outlier, yaitu kota dengan karakteristik kadar SO2 dominan dibawah

rata-rata total, temperature dominan dibawah dan diatas rata-rata total, jumlah industri

manufaktur dominan dibawah rata-rata total, populasi dominan dibawah dan diatas rata-rata

total, kecepatan angin dominan dibawah rata-rata total, presipitasi dominan dibawah rata-

rata total dan jumlah hari hujan dalam setahun dominan dibawah rata-rata total.

Sehingga, cluster-3 termasuk kelompok kota target pemasaran yang paling potensial dan


MATERI PRAKTIKUM


diberikan strategi pemasaran berupa potongan harga setiap transaksi dan notifikasi

penawaran produk setiap bulannya.

4. Cluster-4 merupakan outlier, yaitu kota dengan karakteristik kadar SO2 dominan diatas rata-

rata total, temperature dominan dibawah rata-rata total, jumlah industri manufaktur dominan

diatas rata-rata total, populasi dominan diatas rata-rata total, kecepatan angin dominan diatas

rata-rata total, presipitasi dominan dibawah rata-rata total dan jumlah hari hujan dalam

setahun dominan diatas rata-rata total.

Sehingga, cluster-4 termasuk kelompok kota target pemasaran yang cukup potensial dan

diberikan strategi pemasaran berupa potongan harga produk pada periode tertentu.

5. Cluster-5 merupakan outlier, yaitu kota dengan karakteristik kadar SO2 dominan diatas rata-

rata total, temperature dominan dibawah rata-rata total, jumlah industri manufaktur dominan

diatas rata-rata total, populasi dominan diatas rata-rata total, kecepatan angin dominan diatas

rata-rata total, presipitasi dominan diatas rata-rata total dan jumlah hari hujan dalam setahun

dominan diatas rata-rata total.

Sehingga, cluster-5 termasuk kelompok kota target pemasaran yang cukup potensial dan

diberikan strategi pemasaran berupa potongan harga produk pada periode tertentu.


MATERI PRAKTIKUM


Metode Non Hierarki (K-Means Cluster)

Langkah Penyelesaian 1. Standarisasi Data

Karena data yang dikumpulkan berada dalam satuan yang berbeda maka terlebih dahulu

dilakukan proses standarisasi (normalisasi) data. Jika data sudah berada dalam satuan yg sama

atau tidak memiliki satuan maka langkah ini dapat diabaikan.

Masukkan seluruh data ke dalam spss :

a. Klik Analyze > Descriptive Statistics > Descriptives

b. Pindahkan variabel dikolom kiri ke kolom Variable (s). Aktifkan Save Standardized as

Variables Klik OK


MATERI PRAKTIKUM


c. Hasil SPSS

Setelah tahap tersebut dilakukan, maka akan muncul tabel Descriptive Statistics yang

akan digunakan untuk membantu menganalisis pengelompokan cluster nantinya.

Pastikan tampilan pada data view telah berubah seperti gambar berikut ini:

Perhatikan pada variabel data asli akan muncul 5 kriteria dengan awalan “Z”


MATERI PRAKTIKUM


2. Analisis Cluster Metode K-Means Cluster

a. Pada Analyze Classify K-Means Cluster

b. Pindahkan Variabel yang berawalan “Z” ke kolom Variable (s). Selanjutnya tentukan

jumlah Cluster dengan mengisikan angka 3 pada Number of Cluster


MATERI PRAKTIKUM


c. Pilih Save dan aktifkan Cluster Membership dan Distance from Cluster center, kemudian

Continue

d. Pilih Option, aktifkan Initial Cluster center dan Anova Table

e. Klik OK. Langkah tersebut akan menghasilkan tabel Initial Cluster.


MATERI PRAKTIKUM


Tabel Initial Cluster Centers menunjukkan hasil proses sementara pengelompokan

data yang di lakukan.

Initial Cluster Centers

Cluster

1 2 3

Zscore(SO2) -,85415 -,81154 3,40620

Zscore(Temperatur) 2,01123 -1,19864 -,71439

Zscore(Industri) -,44385 -,12795 5,11275

Zscore(Populasi) -,04595 -,25144 4,76658

Zscore(Kecepatan_angin) -2,41061 2,06916 ,66923

Zscore(Presipitasi) -2,52465 -,05598 -,19785

Zscore(Hari) -2,93900 1,96547 ,30549

Tabel diatas merupakan tampilan pertama proses clustering data sebelum dilakukan iterasi.

Untuk mendeteksi berapa kali proses iterasi dilakukan dalam proses clustering

menggunakan 41 data objek dapat dilihat tampilan output berikut:

Iteration Historya

Iteration

Change in Cluster Centers

1 2 3

1 2,730 2,992 2,154

2 ,000 ,000 ,000

a. Convergence achieved due to no or

small change in cluster centers. The

maximum absolute coordinate change

for any center is ,000. The current

iteration is 2. The minimum distance

between initial centers is 7,789.

Ternyata proses clustering dilakukan melalui 2 iterasi untuk menentukan cluster yang

tepat. Dari tabel diatas disebutkan bahwa jarak minimum antar pusat cluster yang terjadi

dari hasil iterasi adalah 7,789.


MATERI PRAKTIKUM


Cluster Membership


MATERI PRAKTIKUM


Cluster Membership

Kota QCL_1 QCL_2

Phoenix 1 2,73018

Little Rock 2 1,92021

San Fransisco 1 0,95615

Denver 1 1,21389

Hartford 2 1,69366

Wilmington 2 1,09831

Washington 2 0,64947

Jacksonville 2 2,33024

Miami 2 3,36164

Atlanta 2 1,14349

Chicago 3 2,15393

Indianapolis 2 0,64211

Des Moines 2 1,99518

Wichita 2 2,94779

Loiusville 2 0,95906

New Orleans 2 2,57302

Baltimore 2 1,19083

Detroit 2 2,46521

Minneapolis 2 2,39402


MATERI PRAKTIKUM


Kota QCL_1 QCL_2

Kansas 2 1,11335

St Louis 2 1,54535

Omaha 2 1,79752

Albuquerque 1 0,89967

Albany 2 1,88657

Buffalo 2 2,99178

Cincinnati 2 1,8375

Cleveland 2 2,69658

Columbus 2 1,09706

Philadelphia 3 2,15393

Pitssburgh 2 1,89082

Terlihat dari tabel diatas menunjukkan tiap kota masuk ke dalam masing-masing cluster yang

dibentuk. Seperti kota Phoenix masuk dalam cluster 1, nilai distance sebesar 2,73018.

Final Cluster Centers

Cluster

1 2 3

Zscore(SO2) -,61557 -,05847 2,53283

Zscore(Temperatur) ,21813 -,00633 -,43768

Zscore(Industri) -,35937 -,16167 3,64685

Zscore(Populasi) -,27975 -,16718 3,54143

Zscore(Kecepatan_angin) -,82869 ,09897 ,38925

Zscore(Presipitasi) -2,04298 ,29836 ,03534

Zscore(Hari) -1,76193 ,24890 ,17345


MATERI PRAKTIKUM


Tabel Final Cluster Centers menunjukkan hasil analisisnya untuk masing-masing krieria dan

cluster yang dibentuk.

Berikut ini merupakan pedoman ketentuan untuk menafsirkan tabel hasil analisis pada

Final Cluster Centers:

1. Jika hasil perhitungan ditemukan negatif, berarti cluster yang bersangkutan ada di bawah

rata-rata total.

2. Jika hasil perhitungan ditemukan positif, berarti cluster yang bersangkutan ada di atas

rata-rata total.

Number of Cases in each

Cluster

Cluster 1 5,000

2 34,000

3 2,000

Valid 41,000

Missing ,000

Tabel Number of cases in each cluster menunjukkan jumlah mahasiswa yang masuk ke

dalam tiap cluster. Cluster 1 (5 kota), cluster 2 (34 kota) dan cluster 3 (2 kota).

Dari tabel output Final Cluster Centers, dengan ketentuan yang telah dijabarkan diatas

pula, dapat didefinisikan sebagai berikut :

1. Cluster 1

Dalam cluster-1 terdiri dari kota dengan karakteristik kadar SO2 dominan dibawah rata-

rata total, temperature dominan diatas rata-rata total, jumlah industri manufaktur

dominan dibawah rata-rata total, populasi dominan dibawah rata-rata total, kecepatan

angin dominan dibawah rata-rata total, presipitasi dominan dibawah rata-rata total dan

jumlah hari hujan dalam setahun dominan dibawah rata-rata total. Sehingga, cluster-1

termasuk kelompok kota target pemasaran yang paling potensial dan diberikan strategi


MATERI PRAKTIKUM


pemasaran berupa potongan harga setiap transaksi dan notifikasi penawaran produk

setiap bulannya.

2. Cluster 2

Dalam cluster-2 terdiri dari kota dengan karakteristik kadar SO2 dominan dibawah rata-

rata total, temperature dominan dibawah rata-rata total, jumlah industri manufaktur

dominan dibawah rata-rata total, populasi dominan dibawah rata-rata total, kecepatan

angin dominan diatas rata-rata total, presipitasi dominan diatas rata-rata total dan jumlah

hari hujan dalam setahun dominan diatas rata-rata total. Sehingga, cluster-2 termasuk

kelompok kota target pemasaran yang kurang potensial dan diberikan strategi

pemasaran berupa promosi produk dengan mengirimkan katalog dengan desain menarik

melalui email.

3. Cluster 3

Dalam cluster-3 terdiri dari kota dengan karakteristik kadar SO2 dominan diatas rata-

rata total, temperature dominan dibawah rata-rata total, jumlah industri manufaktur

dominan diatas rata-rata total, populasi dominan diatas rata-rata total, kecepatan angin

dominan diatas rata-rata total, presipitasi dominan diatas rata-rata total dan jumlah hari

hujan dalam setahun dominan diatas rata-rata total.

Sehingga, cluster-5 termasuk kelompok kota target pemasaran yang cukup potensial

dan diberikan strategi pemasaran berupa potongan harga produk pada periode tertentu.


MATERI PRAKTIKUM


Dalam menghitung nilai rata-rata setiap faktor pada masing-masing cluster, rumus umum

yang digunakan yaitu :

𝑥 = µ + 𝑧. 𝜎

Dimana :

x : rata-rata sampel (variabel dalam cluster)

µ : rata-rata populasi

z : nilai standardisasi

𝜎 : standar deviasi

Sebagai contoh, apabila ingin mengetahui rata-rata kadar SO2 pada cluster 1 yaitu :

𝑥 = µ + 𝑧. 𝜎

𝑥 = 30,0488 + (−0,61557). (23,47227)

𝑥 = 15,6

Jadi rata-rata kadar SO2 pada cluster 1 adalah 15,6 mg/m3.

Rata-rata setiap kriteria cluster dapat diketahui berdasarkan hasil spss seperti pada tabel

berikut:

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

SO2 41 8,00 110,00 30,0488 23,47227

Temperatur 41 43,50 75,50 55,7634 7,22772

Industri 41 35,00 3344,00 463,0976 563,47395

Populasi 41 71,00 3369,00 608,6098 579,11302

Kecepatan_angin 41 6,00 12,70 9,4439 1,42864

Presipitasi 41 7,05 59,80 36,7690 11,77155

Hari 41 36,00 166,00 113,9024 26,50642

Valid N (listwise) 41


MATERI PRAKTIKUM


Informasi nilai rata-rata setiap cluster dapat dilihat pada tabel berikut:

Cluster

1 2 3

Kadar SO2 15,600 28,676 89,500

Temperature 57,340 55,718 52,600

Jumlah Industri Manufaktur 260,600 372,000 2518,000

Populasi 446,600 511,794 2659,500

Kecepatan Angin 8,260 9,585 10,000

Presipitasi 12,720 40,281 37,185

Jumlah Hari Hujan dalam Setahun 67,200 120,500 118,500

Nilai tersebut menunjukan nilai rata-rata pada setiap cluster berdasarkan masing-masing

faktor. Misalnya:

Cluster-1 terdiri dari kota dengan karakteristik kadar SO2 sebesar 15,6 mg/m3 dimana

dibawah rata-rata total, temperature sebesar 57,340F dimana diatas rata-rata total,

jumlah industri manufaktur sebanyak 260,6 buah dimana dibawah rata-rata total,

populasi sebanyak 446.600 orang dimana dibawah rata-rata total, kecepatan angin

sebesar 8,26 m/h dimana dibawah rata-rata total, presipitasi sebesar 12,720 inch dimana

dibawah rata-rata total dan jumlah hari hujan dalam setahun sebanyak 62,7 hari dimana

dibawah rata-rata total. Sehingga, cluster-1 termasuk kelompok kota target pemasaran

yang paling potensial dan diberikan strategi pemasaran berupa potongan harga setiap

transaksi dan notifikasi penawaran produk setiap bulannya.


MATERI PRAKTIKUM


DAFTAR PUSTAKA

Bertalya. 2009. Konsep Data Mining. Universitas Gunadarma.

Fayyad, Usama. 1996. Advances in Knowledge Discovery and Data Mining. MIT Press.

Susanto, Hery Tri. 2009. Cluster Analysis. Seminar Nasional Matematika dan

Pendidikan Matematika. Yogyakarta: Universitas Negeri Yogyakarta.

Turban, Efraim et al. 2005. Decision Support Systems and Intelligent Systems.

Yogyakarta: Andi Offset

Walpole, Ronald E. dan Myers, Raymond H. 1986. Ilmu Peluang dan Statistik Untuk

Insinyur Dan Ilmuwan. Bandung: ITB Press.

materi praktikum - industrial.uii.ac.idindustrial.uii.ac.id/.../11/modul-praktikum...2018.pdf ·...

Documents