materi praktikum -...

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 : 2016

PRAKTIKUM 3

ANALISA CLUSTER

Definisi Cluster

Analisis cluster merupakan pengelompokan objek berdasarkan informasi yang diperoleh dari suatu

data yang menjelaskan hubungan antar objek satu dengan objek lainnya. Tujuannya untuk

mengelompokan objek yang memiliki kesamaan karakteristik dengan objek lainnya dalam satu

kelompok dan memiliki perbedaan karakteristik dengan objek kelompok lain ( Steinbach et al,

2006)

Tujuan Praktikum Cluster

1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam melakukan dan

menerapkan analisis Cluster

2. 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 proses semi otomatik yang menggunakan teknik statistik, matematika,

kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi

pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar.

(Turban et al, 2005 ). 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.Istilah data mining dan Knowledge

Discovery in Database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses


MATERI PRAKTIKUM


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 (Fayyad, 1996).

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.

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.


MATERI PRAKTIKUM


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.

Konsep Cluster

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 malekukan 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


MATERI PRAKTIKUM


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

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


MATERI PRAKTIKUM


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.

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.


MATERI PRAKTIKUM


Gambar 1. Ilustrasi Pengukuran jarak

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 ckuster 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 Clusterdan

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


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 Clusterditentukan, maka proses Cluster dilakukan dengan tanpa

mengikuti proses hirarki. Metode ini biasa disebut “K-Means Cluster”.

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.


MATERI PRAKTIKUM


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) yangjelas 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.

c). Menghitung jarak antara Cluster dengan obyek lainnya.


MATERI PRAKTIKUM


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

menjadi satu Cluster.

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


MATERI PRAKTIKUM


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

menjadi satu Cluster

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

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


MATERI PRAKTIKUM


• 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

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

masing-masing obyek dengan group splinter dengan groupnya sendiri. Apabila suatu

obyek mempunyai jarak yang lebih dekat ke group splinter daripada ke groupnya

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


MATERI PRAKTIKUM


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

groupnya selalu lebih kecil daripada jarak obyek itu ke group splinter, maka proses

berhenti dan dilanjutkan dengan tahap pemisahan dalam group.

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 group utama dan membentuk group splinter.

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


MATERI PRAKTIKUM


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

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

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

group splinter.

c) Perhitungan jarak rata-rata

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

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

group splinter, maka komposisinya sudah stabil.

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 araha 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.


MATERI PRAKTIKUM


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 manufacturing yang bergerak di bidang produksi

makanan ringan. Salah satu strategi perusahaan dalam menjaga masa pakai mesin dan

mempertahankan produktivitas yaitu pengadaan maintenance mesin secara rutin setiap periode

tertertu. Dalam maintenance mesin perusahaan ABC ingin mengelompokan maintenance mesin

pada 3 periode yaitu periode 1, periode 2, dan periode 3. Urutan periode maintenance mesin

berdasarkan pada urutan prioritas mesin berdasarkan beberapa faktor yang telah ditentukan.

Penentuan pengelompokan mesin berdasarkan beberapa faktor diantaranya umur mesin, output

yang dihasilkan perhari, jumlah defect produk, waktu set up/menit, dan down time mesin.

Berikut adalah data historis yang telah diperoleh dari 30 mesin :

No Mesin Umur Mesin

Output yang

dihasilkan

perhari

Jumlah Defect

Produk

Waktu Set

up/menit

Down

Time

Mesin

1 Mesin 1 80 240 8 15 4

2 Mesin 2 78 243 7 15 5

3 Mesin 3 70 248 7 14 3

4 Mesin 4 44 285 6 11 0

5 Mesin 5 78 242 7 15 4

6 Mesin 6 110 208 13 19 5

7 Mesin 7 98 212 11 17 5

8 Mesin 8 85 218 10 16 5

9 Mesin 9 120 201 14 20 5

10 Mesin 10 119 201 14 20 5

11 Mesin 11 116 203 14 20 2

12 Mesin 12 32 295 3 8 0

13 Mesin 13 63 252 6 11 3

14 Mesin 14 23 297 2 6 0

15 Mesin 15 82 235 10 15 3

16 Mesin 16 90 215 11 16 3

17 Mesin 17 41 275 5 10 1

18 Mesin 18 66 249 6 12 2

19 Mesin 19 65 250 6 12 1


MATERI PRAKTIKUM


No Mesin Umur Mesin

Output yang

dihasilkan

perhari

Jumlah Defect

Produk

Waktu Set

up/menit

Down

Time

Mesin

20 Mesin 20 101 210 13 19 3

21 Mesin 21 29 296 3 7 0

22 Mesin 22 40 270 5 10 0

23 Mesin 23 116 205 13 20 4

24 Mesin 24 120 202 15 20 4

25 Mesin 25 107 210 13 18 5

26 Mesin 26 73 252 7 12 1

27 Mesin 27 98 224 11 17 3

28 Mesin 28 36 282 4 4 2

29 Mesin 29 107 216 11 18 2

30 Mesin 30 37 288 4 9 1

Metode Hirarki

Langkah Penyelesaian :

1. Tahap Standarisasi Data

- Input Data pada Variable View

Mengisi data view seperti gambar dibawah ini


MATERI PRAKTIKUM


- Mengganti type dari variabel nama menjadi “String”

- Pada Data View Pilih descriptive statistics , kemudian pilih descriptives


MATERI PRAKTIKUM


- Pindahkan semua variabel ke kolom variable (S)

- Centang pada save standardized values as variables

- Kenudian klik OK

- Output normalisasi data


MATERI PRAKTIKUM


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 9 10 ,001 0 0 8

2 12 21 ,057 0 0 6

3 6 25 ,059 0 0 8

4 1 5 ,073 0 0 11

5 19 26 ,135 0 0 12

6 12 14 ,150 2 0 20

7 16 27 ,189 0 0 21

8 6 9 ,242 3 1 17

9 23 24 ,286 0 0 17

10 17 30 ,287 0 0 14

11 1 2 ,308 4 0 19

12 18 19 ,310 0 5 16

13 7 8 ,321 0 0 18

14 17 22 ,332 10 0 15

15 4 17 ,340 0 14 20

16 13 18 ,372 0 12 22

17 6 23 ,374 8 9 18

18 6 7 ,395 17 13 25

19 1 3 ,454 11 0 22

20 4 12 ,491 15 6 28

21 16 29 ,498 7 0 23

22 1 13 ,548 19 16 24

23 15 16 ,554 0 21 24

24 1 15 ,596 22 23 26

25 6 20 ,611 18 0 26


MATERI PRAKTIKUM


Agglomeration Schedule

Stage

Cluster Combined

Coefficients

Stage Cluster First Appears

Next Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2

26 1 6 ,640 24 25 27

27 1 11 ,699 26 0 28

28 1 4 1,437 27 20 29

29 1 28 1,499 28 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 mesin 19 bergabung dengan mesin 10 pada jarak yang terdekat

pertama yaitu (lihat pada kolom coefficients) 0,001. Dimana mesin 19 dan mesin

10 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 8.

b) Pada stage 2 mesin 6 bergabung dengan mesin 9 pada jarak yaitu (lihat pada kolom

coefficients) 0,242. Dimana anggota 6 pernah bergabung sebelumnya (nilai 3) dan

anggota 9 pernah bergabung sebelumnya ditandai dengan nilai 1 (lihat pada kolom

stage cluster first appears. Untuk melihat penggabungan anggota yang terlibat pada

stage berikutnya lihat pada kolom next stage 17.

c) Dan seterusnya.


MATERI PRAKTIKUM


OUTPUT 2 Cluster Membership

Cluster Membership

Case 5 Clusters 4 Clusters 3 Clusters 2 Clusters

1:1 1 1 1 1

2:2 1 1 1 1

3:3 1 1 1 1

4:4 2 2 2 1

5:5 1 1 1 1

6:6 3 1 1 1

7:7 3 1 1 1

8:8 3 1 1 1

9:9 3 1 1 1

10:10 3 1 1 1

11:11 4 3 1 1

12:12 2 2 2 1

13:13 1 1 1 1

14:14 2 2 2 1

15:15 1 1 1 1

16:16 1 1 1 1

17:17 2 2 2 1

18:18 1 1 1 1

19:19 1 1 1 1

20:20 3 1 1 1

21:21 2 2 2 1

22:22 2 2 2 1

23:23 3 1 1 1

24:24 3 1 1 1

25:25 3 1 1 1

26:26 1 1 1 1

27:27 1 1 1 1

28:28 5 4 3 2

29:29 1 1 1 1

30:30 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


MATERI PRAKTIKUM


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 11 menjadi anggota cluster 4 ketika kelompok yang dibentuk sebanyak 5

kelompok, dan menjadi anggota cluster 3 ketika kelompok yang dibentuk sebanyak 4

kelompok , dan menjadi anggota cluster 1 ketika kelompok yang dibentuk sebanyak 3

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 11

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

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


MATERI PRAKTIKUM


Cluster 2,4, dan 6 merupakan outlier.


MATERI PRAKTIKUM


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

Jarak Cut Off Cluster yang terbentuk Outlier yang terbentuk

10 5 4

15 2 1

20 2 1

3. Tahap pengujian crosstab

- Pada Data View menambah variabel baru yaitu variabel Cluster.

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


MATERI PRAKTIKUM


- Mengganti label value variabel cluster seperti gambar dibawah ini:

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

setiap kelompok seperti gambar dibawah.


MATERI PRAKTIKUM


- Pilih Analyze >> Descriptive Statistics >> Crosstab

- 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


MATERI PRAKTIKUM


- Klik Continue

- 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 (Umur Mesin)

Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

Zscore(Umur_Me

sin)

-

1,75540

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,56203

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,46534

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,33642

Count 0 0 0 0 0 1 1

% of

Total 0,0% 0,0% 0,0% 0,0% 0,0% 3,3% 3,3%

-

1,30420

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,20751

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,17528

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,07859

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-,46624 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

-,40179 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

-,36956 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

-,24064 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

-,14396 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,01719 Count 0 0 2 0 0 0 2

% of

Total 0,0% 0,0% 6,7% 0,0% 0,0% 0,0% 6,7%

,08165 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,14610 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,24279 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

,40394 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,66177 Count 1 0 1 0 0 0 2

% of

Total 3,3% 0,0% 3,3% 0,0% 0,0% 0,0% 6,7%

,75845 Count 0 1 0 0 0 0 1

% of

Total 0,0% 3,3% 0,0% 0,0% 0,0% 0,0% 3,3%

,95183 Count 1 0 1 0 0 0 2


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

% of

Total 3,3% 0,0% 3,3% 0,0% 0,0% 0,0% 6,7%

1,04851 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

1,24189 Count 1 0 0 1 0 0 2

% of

Total 3,3% 0,0% 0,0% 3,3% 0,0% 0,0% 6,7%

1,33857 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

1,37080 Count 2 0 0 0 0 0 2

% of

Total 6,7% 0,0% 0,0% 0,0% 0,0% 0,0% 6,7%

Total Count 8 1 12 1 7 1 30

% of

Total 26,7% 3,3% 40,0% 3,3% 23,3% 3,3% 100,0%

b) Output Crosstab yang ke 2 (Output yang dihasilkan perhari)

Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

Zscore(Outpu

t)

-1,22108 Count 2 0 0 0 0 0 2

% of

Total 6,7% 0,0% 0,0% 0,0% 0,0% 0,0% 6,7%

-1,19040 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

-1,15972 Count 0 0 0 1 0 0 1


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

% of

Total 0,0% 0,0% 0,0% 3,3% 0,0% 0,0% 3,3%

-1,09836 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

-1,00632 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

-,94496 Count 1 1 0 0 0 0 2

% of

Total 3,3% 3,3% 0,0% 0,0% 0,0% 0,0% 6,7%

-,88360 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

-,79156 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

-,76087 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

-,69951 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

-,51543 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

-,17795 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

-,02454 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

,03682 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,06750 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,22090 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,25158 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,28226 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,34362 Count 0 0 2 0 0 0 2

% of

Total 0,0% 0,0% 6,7% 0,0% 0,0% 0,0% 6,7%

,89587 Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

1,04927 Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

1,26403 Count 0 0 0 0 0 1 1

% of

Total 0,0% 0,0% 0,0% 0,0% 0,0% 3,3% 3,3%

1,35608 Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

1,44812 Count 0 0 0 0 1 0 1


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

1,66288 Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

1,69356 Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

1,72424 Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

Total Count 8 1 12 1 7 1 30

% of

Total 26,7% 3,3% 40,0% 3,3% 23,3% 3,3% 100,0%

c) Output Crosstab yang ke 3 (Defect produk)

Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

Zscore(Jumlah_Defect) -

1,69343

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,43814

Count 0 0 0 0 2 0 2

% of

Total 0,0% 0,0% 0,0% 0,0% 6,7% 0,0% 6,7%

Count 0 0 0 0 1 1 2


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

-

1,18285

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 3,3% 6,7%

-,92756 Count 0 0 0 0 2 0 2

% of

Total 0,0% 0,0% 0,0% 0,0% 6,7% 0,0% 6,7%

-,67227 Count 0 0 3 0 1 0 4

% of

Total 0,0% 0,0% 10,0% 0,0% 3,3% 0,0% 13,3%

-,41698 Count 0 0 4 0 0 0 4

% of

Total 0,0% 0,0% 13,3% 0,0% 0,0% 0,0% 13,3%

-,16168 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,34890 Count 1 0 1 0 0 0 2

% of

Total 3,3% 0,0% 3,3% 0,0% 0,0% 0,0% 6,7%

,60419 Count 1 0 3 0 0 0 4

% of

Total 3,3% 0,0% 10,0% 0,0% 0,0% 0,0% 13,3%

1,11477 Count 3 1 0 0 0 0 4

% of

Total 10,0% 3,3% 0,0% 0,0% 0,0% 0,0% 13,3%

1,37006 Count 2 0 0 1 0 0 3

% of

Total 6,7% 0,0% 0,0% 3,3% 0,0% 0,0% 10,0%


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

1,62535 Count 1 0 0 0 0 0 1

% of

Total 3,3% 0,0% 0,0% 0,0% 0,0% 0,0% 3,3%

Total Count 8 1 12 1 7 1 30

% of

Total 26,7% 3,3% 40,0% 3,3% 23,3% 3,3% 100,0%

d) Output Crosstab yang ke 4 (Set up mesin)

Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

Zscore(Waktu_Set_Up) -

2,19399

Count 0 0 0 0 0 1 1

% of

Total 0,0% 0,0% 0,0% 0,0% 0,0% 3,3% 3,3%

-

1,76380

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,54870

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-

1,33360

Count 0 0 0 0 1 0 1

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

Count 0 0 0 0 1 0 1


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

-

1,11850

% of

Total 0,0% 0,0% 0,0% 0,0% 3,3% 0,0% 3,3%

-,90341 Count 0 0 0 0 2 0 2

% of

Total 0,0% 0,0% 0,0% 0,0% 6,7% 0,0% 6,7%

-,68831 Count 0 0 1 0 1 0 2

% of

Total 0,0% 0,0% 3,3% 0,0% 3,3% 0,0% 6,7%

-,47321 Count 0 0 3 0 0 0 3

% of

Total 0,0% 0,0% 10,0% 0,0% 0,0% 0,0% 10,0%

-,04302 Count 0 0 1 0 0 0 1

% of

Total 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 3,3%

,17208 Count 0 0 4 0 0 0 4

% of

Total 0,0% 0,0% 13,3% 0,0% 0,0% 0,0% 13,3%

,38717 Count 1 0 1 0 0 0 2

% of

Total 3,3% 0,0% 3,3% 0,0% 0,0% 0,0% 6,7%

,60227 Count 1 0 1 0 0 0 2

% of

Total 3,3% 0,0% 3,3% 0,0% 0,0% 0,0% 6,7%

,81737 Count 1 0 1 0 0 0 2

% of

Total 3,3% 0,0% 3,3% 0,0% 0,0% 0,0% 6,7%

1,03247 Count 1 1 0 0 0 0 2

% of

Total 3,3% 3,3% 0,0% 0,0% 0,0% 0,0% 6,7%


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

1,24756 Count 4 0 0 1 0 0 5

% of

Total 13,3% 0,0% 0,0% 3,3% 0,0% 0,0% 16,7%

Total Count 8 1 12 1 7 1 30

% of

Total 26,7% 3,3% 40,0% 3,3% 23,3% 3,3% 100,0%

e) Output Crosstab yang ke 5 (down time)

Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

Zscore(Down_Time) -

1,49729

Count 0 0 0 0 5 0 5

% of

Total 0,0% 0,0% 0,0% 0,0% 16,7% 0,0% 16,7%

-,94274 Count 0 0 2 0 2 0 4

% of

Total 0,0% 0,0% 6,7% 0,0% 6,7% 0,0% 13,3%

-,38819 Count 0 0 2 1 0 1 4

% of

Total 0,0% 0,0% 6,7% 3,3% 0,0% 3,3% 13,3%

,16637 Count 0 1 5 0 0 0 6

% of

Total 0,0% 3,3% 16,7% 0,0% 0,0% 0,0% 20,0%

,72092 Count 2 0 2 0 0 0 4

% of

Total 6,7% 0,0% 6,7% 0,0% 0,0% 0,0% 13,3%

1,27547 Count 6 0 1 0 0 0 7

% of

Total 20,0% 0,0% 3,3% 0,0% 0,0% 0,0% 23,3%


MATERI PRAKTIKUM


Crosstab

Cluster

Total

Cluster

1

Cluster

2

Cluster

3

Cluster

4

Cluster

5

Cluster

6

Total Count 8 1 12 1 7 1 30

% of

Total 26,7% 3,3% 40,0% 3,3% 23,3% 3,3% 100,0%

Berikut ini merupakan pedoman ketentuan untuk menafsirkan tabel hasil analisis pada

hasil crosstab:

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

bersangkutan ada di bawah rata-rata total.

2. Jika terdapat karakter 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 anggota cluster yang dominan, dapat dilihat dari tabel berikut

ini:

Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6

Umur

Mesin • 1,37080

(6,7%)

• 0,75845

(3,3%)

• 0,01719

(6,7%)

• 1,24189

(3,3%)

Untuk

kriteria

Umur

Mesin pada

cluster ini

dominan

dibawah

rata-rata

total

• -

1,33642

(3,3%)

Output • -

1,22108

(6,7%)

• -

0,94496

(3,3%)

• 0,34362

(6,7%)

• -1,15972

(3,3%)

Untuk

kriteria

Output pada

cluster ini

• 1,26403

(3,3%)


MATERI PRAKTIKUM


Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6

dominan

diatas rata-

rata total

Jumlah

Defect • 1,11477

(10%)

• 1,11477

(3,3%)

• -

0,41698

(13,3%)

• 1,37006

(3,3%)

Untuk

kriteria

Jumlah

Defect pada

cluster ini

dominan

dibawah

rata-rata

total

• -

1,18285

(3,3%)

Waktu

Set Up • 1,24756

(13,3%)

• 1,03247

(3,3%)

• 0,17208

(13,3%)

• 1,24756

(3,3%)

• -

0,90341

(6,7%)

• -

2,19399

(3,3%)

Down

Time • 1,27547

(20%)

• 0,16637

(3,3%)

• 0,16637

(16,7%)

• -0,38819

(3,3%)

• -

1,49729

(16,7%)

• -

0,38819

(3,3%)

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

1. Dalam cluster-1 terdiri dari mesin dengan dominan umur mesin diatas rata-rata total, output

yang dihasilkan dibawah rata-rata total, defect produk diatas rata-rata total, waktu set up diatas

rata-rata total, dan down time diatas rata-rata total.

Sehingga, cluster-1 diprioritaskan untuk dilakukan maintenance pada periode pertama.

2. Dalam cluster-3 terdiri dari mesin dengan dominan umur mesin diatas rata-rata total, output

yang dihasilkan diatas rata-rata total, defect produk dibawah rata-rata total, waktu set up diatas

rata-rata total, dan down time diatas rata-rata total.

Sehingga, cluster-3 diprioritaskan untuk dilakukan maintenance pada periode kedua.

3. Dalam cluster-5 terdiri dari mesin dengan dominan umur mesin dibawah rata-rata total, output

yang dihasilkan diatas rata-rata total, defect produk dibawah rata-rata total, waktu set up

dibawah rata-rata total, dan down time dibawah rata-rata total.


MATERI PRAKTIKUM


Sehingga, cluster-5 diprioritaskan untuk dilakukan maintenance pada periode ketiga.

Sedangkan cluster 2,4, dan 6 merupakan outlier, dikarenakan pada studi kasus ini perusahaan

ingin mengadakan maintenance pada 3 periode. Sehingga 3 outlier dapat dimasukan pada

periode yang berdasarkan pada karakteristik outlier tersebut, seperti penjelasan berikut:

1. Dalam cluster-2 terdiri dari mesin dengan umur mesin diatas rata-rata total, output yang

dihasilkan dibawah rata-rata total, defect produk dibawah rata-rata total, waktu set up

diatas rata-rata total, dan down time diatas rata-rata total.

Sehingga, cluster-2 diprioritaskan untuk dilakukan maintenance pada periode kedua.

2. Dalam cluster-4 terdiri dari mesin dengan umur mesin diatas rata-rata total, output yang

dihasilkan dibawah rata-rata total, defect produk diatas rata-rata total, waktu set up diatas

rata-rata total, dan down time dibawah rata-rata total.

Sehingga, cluster-4 diprioritaskan untuk dilakukan maintenance pada periode pertama.

3. Dalam cluster-6 terdiri dari mesin dengan umur mesin dibawah rata-rata total, output yang

dihasilkan diatas rata-rata total, defect produk dibawah rata-rata total, waktu set up

dibawah rata-rata total, dan down time dibawah rata-rata total.

Sehingga, cluster-6 diprioritaskan untuk dilakukan maintenance pada periode ketiga.


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


MATERI PRAKTIKUM


b. Pindahkan variabel dikolom kiri ke kolom Variable (s)

c. Aktifkan Save Standardized as Variables


MATERI PRAKTIKUM


d. Klik OK

e. 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”

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

umur_mesin 30 23,00 120,00 77,4667 31,02806

Output 30 201,00 297,00 240,8000 32,59405

deffect 30 2,00 15,00 8,6333 3,91710

setup 30 4,00 20,00 14,2000 4,64906

downtime 30 ,00 5,00 2,7000 1,80325

Valid N (listwise) 30


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)


MATERI PRAKTIKUM


c. Tentukan jumlah Cluster dengan mengisikan angka 5 pada Number of Cluster

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

Continue


MATERI PRAKTIKUM


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

f. Klik OK

Langkah tersebut akan menghasilkan tabel Initial Cluster seperti pada gambar di bawah

ini. Tabel Initial Cluster Centers menunjukkan hasil proses sementara pengelompokan

data yang di lakukan.

Initial Cluster Centers

Cluster

1 2 3

Zscore(umur_mesin) -1,75540 1,37080 -,24064

Zscore(Output) 1,72424 -1,22108 ,22090

Zscore(deffect) -1,69343 1,37006 -,41698

Zscore(setup) -1,76380 1,24756 -,04302

Zscore(downtime) -1,49729 1,27547 ,16637

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

Untuk mendeteksi berapa kali proses iterasi dilakukan dalam proses clustering menggunakan


MATERI PRAKTIKUM


30 data objek dapat dilihat tampilan output berikut:

Iteration Historya

Iteration

Change in Cluster Centers

1 2 3

1 ,903 ,712 ,448

2 ,000 ,102 ,116

3 ,000 ,180 ,285

4 ,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 4. The minimum

distance between initial centers is 3,281.

Ternyata proses clustering dilakukan melalui 4 iterasi untuk menentukan cluster yang tepat.

Dari tabel diatas disebutkan bahwa jarak minimum antar pusat cluster yang terjadi dari hasil

iterasi adalah 2,516.


MATERI PRAKTIKUM


Cluster Membership

Mesin QCL_1 QCL_2

Mesin 1 3 0,7922

Mesin 2 3 1,2322

Mesin 3 3 0,1789

Mesin 4 1 0,8947

Mesin 5 3 0,7304

Mesin 6 2 0,6307

Mesin 7 2 0,8328

Mesin 8 2 1,2696

Mesin 9 2 0,9269

Mesin 10 2 0,9125


MATERI PRAKTIKUM


Mesin QCL_1 QCL_2

Mesin 11 2 1,2318

Mesin 12 1 0,4796

Mesin 13 3 0,7055

Mesin 14 1 0,9035

Mesin 15 3 0,9247

Mesin 16 2 1,0067

Mesin 17 1 0,673

Mesin 18 3 0,6915

Mesin 19 3 1,1639

Mesin 20 2 0,5685

Mesin 21 1 0,5791

Mesin 22 1 0,7544

Mesin 23 2 0,485

Mesin 24 2 0,863

Mesin 25 2 0,617

Mesin 26 3 1,1101

Mesin 27 2 0,8879

Mesin 28 1 1,2226

Mesin 29 2 1,1575

Mesin 30 1 0,3453

Terlihat dari gambar diatas menunjukkan tiap mesin masuk kedalam masing-masing cluster

yang dibentuk. Seperti mesin 1 masuk dalam cluster 3, nilai distance sebesar 0,7922.


MATERI PRAKTIKUM


Final Cluster Centers

Cluster

1 2 3

Zscore(umur_mesin) -1,36060 ,94191 -,15112

Zscore(Output) 1,38676 -,95676 ,14931

Zscore(deffect) -1,18285 ,99694 -,38861

Zscore(setup) -1,30671 ,91664 -,16252

Zscore(downtime) -1,22002 ,67826 ,10475

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.


MATERI PRAKTIKUM


Number of Cases in each

Cluster

Cluster 1 8,000

2 13,000

3 9,000

Valid 30,000

Missing ,000

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

dalam tiap cluster. Cluster 1 (8 mesin), cluster 2 (13 mesin) dan cluster 3 (9 mesin).

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 mesin dengan dominan umur mesin dibawah rata-rata total,

output yang dihasilkan perhari diatas rata-rata total, defect produk dibawah rata-rata total,

set up mesin dalam menit dibawah rata-rata total, dan down time dibawah rata-rata total.

Sehingga, cluster-1 yang terdiri dari 8 mesin diprioritaskan untuk dilakukan

maintenance pada periode 3.

2. Cluster 2

Dalam cluster-1 terdiri dari mesin dengan dominan umur mesin diatas rata-rata total,

output yang dihasilkan perhari dibawah rata-rata total, defect produk diatas rata-rata total,

set up mesin dalam menit diatas rata-rata total, dan down time diatas rata-rata total.




MATERI PRAKTIKUM


3. Cluster 3

Dalam cluster-1 terdiri dari mesin dengan dominan umur mesin dibawah rata-rata total,

output yang dihasilkan perhari diatas rata-rata total, defect produk dibawah rata-rata total,

set up mesin dalam menit dibawah rata-rata total, dan down time diatas rata-rata total.



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

Cluster

1 2 3

Umur mesin 35,24992 106,6923 72,77774

output 286,0001 209,6153 245,6666

deffect 3,999958 12,53841 7,111076

setup 8,125027 18,46151 13,44443

downtime 0,499999 3,923072 2,88889

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

faktor. Misalnya:

Cluster 1 memiliki rata-rata umur mesin sebesar 38,24992 bulan dimana dibawah

rata-rata total, rata-rata output yang dihasilkan perjam sebanyak 286 produk diatas rata-

rata total, rata-rata defect produk sebanyak 3,999958 dibawah rata-rata total, rata-rata set

up mesin selama 8,125027 dibawah rata-rata total, dan rata-rata waktu downtime selama

0,49999 menit dibawah rata-rata total.


MATERI PRAKTIKUM


Rata-rata total dapat diketahui berdasarkan hasil spss seperti pada tabel berikut:

N Minimum Maximum Mean Std.

Deviation

umur_mesin 30 23 120 77,4667 31,02806

Output 30 201 297 240,8 32,59405

deffect 30 2 15 8,6333 3,9171

setup 30 4 20 14,2 4,64906

downtime 30 0 5 2,7 1,80325

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 umur mesin pada cluster 1 yaitu :

𝑥 = µ + 𝑧. 𝜎

𝑥 = 77,4667 + (−1,36060). (31,02806)

𝑥 = 35,24992

Jadi rata-rata jumlah umur mesin pada cluster 1 adalah 35,24992 bulan.

.


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 -...

Documents