penerapan data mining pada swalayan koperasi …

PENERAPAN DATA MINING PADA SWALAYAN KOPERASI PEGAWA I

NEGERI (KPN) LENGAYANG DENGAN MENGGUNAKAN PENDEKATA N

CLUSTERING

LAPORAN KERJA PRAKTEK LAPANGAN

TEKNIK INFORMATIKA STRATA 1

OLEH :

Baegoes Edi : 07101152630212

Nugraha Rahmansyah : 07101152630245

Shary Armonitha Lusinia : 07101152630262

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS PUTRA INDONESIA “YPTK”

PADANG

2010

ii

LEMBARAN PENGESAHAN PENGUJI

Baegoes Edi : 07101152630212

Nugraha Rahmansyah : 07101152630245

Shary Armonitha Lusinia : 07101152630262

PROGRAM STUDI TEKNIK INFORMATIKA

Praktek Kerja Lapangan ini telah dinyatakan LULUS oleh

Penguji Materi Program Studi Strata 1 Ilmu Komputer

Program Studi Teknik Informatika

Universitas Putra Indonesia “YPTK” Padang

Padang, Juni 2010

Mengetahui, Disetujui Oleh

Ketua Program Studi, Penguji Materi,

(Abulwafa Muhammad, S.Kom, M.Kom) (Eka Praja Wiyata Mandala, S.Kom)

NIDN : 1021098101 NIDN : 1014088502

iii

ABSTRACT

APPLICATION OF DATA MINING IN THE STATE EMPLOYEES

COOPERATIVE SUPERMARKETS (KPN) LENGAYANG APPROACH

USING CLUSTERING

The purpose of this study is to classify the types of products based on the

level of purchases and to find out which products have a low level of purchases,

medium and high on Civil Servants Cooperative Supermarkets (KPN) Lengayang.

The research method used is 5, determination of the problem, problem

formulation, literature review, problem solving and conclusion. In this study,

hierarchical clustering process using a single link or single linkage. Computational

process that is used to process the data is SPSS 16 for windows. Data were collected

from Supermarkets Servants Cooperative (KPN) Lengayang is data about the

purchases, sales and product remaining.

Based on the research and discussion, it can be concluded that based on the

level of purchases of the sixteen products can be grouped into three clusters, namely

the first cluster: type of product has an average of more than two clusters and less

than a third cluster, so that we can classify a group of products with purchase of

medium level, members are sugar, coffee, jasmine, coffee nur, bone folder,

Pepsodent, Lux soap, and staples, The second cluster: type of product has the lowest

average among the other clusters, so that we can classify a group of products with

low-level purchases, members are economic, plain manila, Daia soap and Sunsilk

shampoo. The third cluster: type of product has the largest average among the other

iv

clusters, so that we can classify a group of products with the highest purchase level,

members are paperlin B envelope, envelopes viva K, and the contents of 18 books.

Keywords: Data Mining and Cluster Analysis.

v

ABSTRAK

PENERAPAN DATA MINING PADA SWALAYAN KOPERASI PEGAWA I

NEGERI (KPN) LENGAYANG DENGAN MENGGUNAKAN PENDEKATA N

CLUSTERING

Tujuan penelitian ini adalah untuk mengelompokkan jenis produk

berdasarkan dari tingkat pembelian dan untuk mengetahui produk mana yang

memiliki tingkat pembelian yang rendah, sedang dan tinggi pada Swalayan Koperasi

Pegawai Negeri (KPN) Lengayang.

Metode penelitian yang digunakan ada 5 yaitu penentuan masalah, perumusan

masalah, kajian pustaka, pemecahan masalah dan penarikan kesimpulan. Dalam

penelitian ini proses clustering secara hirarki menggunakan metode pautan tunggal atau

single linkage. Proses komputasi yang digunakan untuk mengolah data adalah program

SPSS 16 for windows. Data di ambil dari Swalayan Koperasi Pegawai Negeri (KPN)

Lengayang yaitu data tentang pembelian, penjualan dan produk yang tersisa.

Berdasarkan hasil penelitian dan pembahasan dapat disimpulkan bahwa

berdasarkan tingkat pembelian dari ke enam belas produk dapat dikelompokkan

menjadi tiga kelompok cluster, yaitu cluster pertama : jenis produk memiliki rata-rata

lebih dari cluster kedua dan kurang dari cluster ketiga, sehingga dapat kita golongkan

menjadi kelompok produk dengan tingkat pembelian sedang, anggotanya adalah gula

pasir, kopi melati, kopi nur, map tulang, pepsodent, sabun lux, dan staples, cluster

kedua : jenis produk memiliki rata-rata terkecil diantara cluster yang lain, sehingga

dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian rendah,

anggotanya adalah ekonomi, map polos, sabun daia, dan sampo sunsilk. cluster

vi

ketiga : jenis produk memiliki rata-rata terbesar diantara cluster yang lain, sehingga

dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian tertinggi,

anggotanya adalah amplop paperlin B, amplop viva K, dan buku isi 18.

Kata Kunci : Data Mining dan Analisis Cluster.

vii

KATA PENGANTAR

Bismillahirahmaanirrohiim

Puji dan syukur kehadirat ALLAH SWT yang telah melimpahkan rahmat dan

karunia-Nya sehingga penulis dapat menyelesaikan KP ini dengan judul

:“Penerapan Data Mining Pada Swalayan Koperasi Pegawai Negeri (Kpn)

Lengayang Dengan Menggunakan Pendekatan Clustering”. Shalawat beriringan

salam tak lupa penulis haturkan kepada junjungan kita Nabi besar Muhammad SAW

yang telah menjadi tauladan bagi umat manusia.

Penyusunan laporan ini merupakan salah satu persyaratan mahasiwa untuk

menyelesaikan studi program Strata 1 (S1) pada Fakultas Ilmu Komputer (FILKOM)

Universitas Putra Indonesia “YPTK” Padang.

Dalam menyelesaikan skripsi ini penulis banyak mendapat bantuan dan

dorongan serta kemudahan dari berbagai pihak. Untuk itu dengan tulus dan ikhlas

penulis mengucapkan terima kasih kepada :

1. Bapak H. Herman Nawas, selaku ketua Yayasan Universitas Putra Indonesia

(UPI) “YPTK” Padang.

2. Bapak Dr. Sarjon Defit, M.Sc, selaku Rektor Universitas Putra Indonesia (UPI)

“YPTK” Padang.

3. Bapak Julius Santoni, S.Kom, M.Kom, selaku Dekan Fakultas Ilmu Komputer

(FILKOM) UPI “YPTK” Padang.

4. Bapak Abulwafa Muhammad, S.Kom, M.Kom selaku Ketua Program Studi

Teknik Informatika Universitas Putra Indonesia “YPTK” Padang.

5. Seluruh staff Dosen dan Karyawan/ti Universitas Putra Indonesia (UPI) “YPTK”

Padang.

viii

6. Keluargaku tersayang yang senantiasa mendukung langkahku dengan iringan doa

dan belain kasih sayang

7. Seseorang yang secara tidak langsung telah memberikan perhatian, kasih sayang

dan doanya

8. Sahabat-sahabatku yang telah banyak membantu.

9. Teman-teman Teknik Informatika angkatan 2006 dan 2007 atas doa, bantuan,

dan dukungan yang telah diberikan.

10. Semua pihak yang telah memberikan bantuan dan motivasi dalam penyelesaian

skripsi ini.

Akhir kata dengan segala kerendahan hati penulis bersedia menerima kritik

dan saran dari pembaca untuk kesempurnaan laporan PKL ini. Semoga apa yang

telah penulis buat dapat bermanfaat bagi kita semua. Amin Yaa Robaal ‘Alamin…

Padang, Mei 2010

Penulis

ix

DAFTAR ISI

HALAMAN JUDUL i

HALAMAN PENGESAHAN PENGUJI ii

ABSTRACT iii

ABSTRAK v

KATA PENGANTAR vii

DAFTAR ISI ix

DAFTAR GAMBAR xi

DAFTAR LAMPIRAN xii

BAB I PENDAHULUAN

1.1 Latar Belakang 1

1.2 Batasan Masalah 2

1.3 Perumusan Masalah 2

1.4 Hipotesa 2

1.5 Tujuan Penelitian 3

1.6 Manfaat Penelitian 3

BAB II LANDASAN TEORI

2.1 Pengertian Data Mining 4

2.1.1 Siklus Hidup Data Mining 4

2.1.2 Pengelompokan Data Mining 6

2.2 Analisis Cluster 8

2.2.1 Tujuan Analisis Cluster 10

2.2.2 Konsep Dasar Analisis Cluster 10

2.2.3 Proses Analisis Cluster 11

x

BAB III METODOLOGI PENELITIAN

3.1 Waktu Penelitian 16

3.2 Tempat Penelitian 16

3.3 Metode Penelitian 16

3.3.1 Penentuan Masalah 16

3.3.2 Perumusan Masalah 17

3.3.3 Kajian Pustaka 17

3.3.4 Pemecahan Masalah 17

3.3.5 Penarikan Kesimpulan 18

BAB IV ANALISA DAN HASIL

4.1 Proses Analisis Cluster 19

4.1.1 Menentukan Ukuran Ketakmiripan Antar Dua Objek 19

4.1.2 Membuat Cluster 20

BAB V TESTING DAN IMPLEMENTASI

5.1 Spesifikasi Minimum Sistem 55

5.2 Menu Utama SPSS 16 56

5.3 Proses Entry Data Analisis Cluster 65

BAB VI PENUTUP

6.1 Kesimpulan 69

6.2 Keterbatasan Sistem 69

6.3 Saran 70

DAFTAR PUSTAKA

LAMPIRAN

xi

DAFTAR GAMBAR

Gambar 5.1. Menu Utama 56

Gambar 5.2. Menu File 57

Gambar 5.3. Menu Edit 58

Gambar 5.4. Menu View 59

Gambar 5.5. Menu Data 61

Gambar 5.6. Menu Transform 62

Gambar 5.7. Menu Analyze 63

Gambar 5.8. Menu Graphs 64

Gambar 5.9. Menu Utilities 65

Gambar 5.10. Menu Add-ons 65

Gambar 5.11. Menu Help 66

Gambar 5.12. Defenisi Variabel 68

Gambar 5.13. Data Pada “Data View” 68

Gambar 5.14. Herarchical Cluster 69

xii

DAFTAR LAMPIRAN

Lampiran 1. Stock Barang Keadaan Bulan Desember 2009

Lampiran 2. Tabel Proximity Matrix

Tabel 2

Tabel 3

Tabel 4

Tabel 5

Tabel 6

Tabel 7

Tabel 8

Tabel 9

Tabel 10

Tabel 11

Tabel 12

Tabel 13

Tabel 14

Tabel 15

BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam era globalisasi, perkembangan kecanggihan teknologi yang semakin

pesat merupakan aspek yang dpat dimanfaatkan untuk mencapai kemudahan-

kemudahan, tidak terkecuali dalam arus informasi. Kecanggihan teknologi

tersebut terlihat semakin marak dengan penggunaan komputer yang memang

sudah sangat luas diberbagai bidang kehidupan misalnya di bidang pendidikan,

kesehatan,hiburan, terlebih pada bidang bisnis yang semuanya itu menuntut

penggunaan dari komputer.

Dalam swalayan masih ada proses-proses yang dilakukan secara manual

sehingga sering terjadi kesalahan dalam pecatatan data-data yang ada dan juga

kurangnya efesiensi waktu yang diperlukan. Dari latar belakang tersebut maka

dibutuhkan system informasi terkomputerisasi yang menunjang arus data dan

informasi sesuai dengan kebutuhan dari proses-proses tersebut.

Berdasarkan kebutuhan di atas, penulis mencoba memberi alternatif bantuan

yang diwujudkan dalam Laporan Kerja Praktek yang berjudul :

“Penerapan Data Mining Pada Swalayan Koperasi Pegawai Negeri (KPN)

Lengayang Dengan Menggunakan Pendekatan Clustering”

2

1.2 Batasan Masalah

Agar pemecahan dari permasalahan yang dihadapi dapat sesuai dan tidak

menyimpang dari yang diharapkan, maka penulis memberikan batasan-batasan

penelitian agar masalah yang dihadapi tidak terlalu luas dalam pembahasannya dan

penulisan laporan kerja praktek ini dapat lebih terarah.

Adapun batasan-batasan yang dimaksud adalah :

1. Penulisan disini hanya membahas tentang pengolahan data yan g belum

terdistribusi.

2. Mempelajari dan menganalisa sistem yang sedang berjalan dan melihat

kendala-kendala yang ada sehingga dapat membantu dalam memperbaiki

sistem tersebut dengan melakukan pengembangan atau membuat

rancangan sistem yang baru.

1.3 Perumusan Masalah

Berdasarkan analisa dan pengamatan yang penulis lakukan pada Swalayan

terdapat beberapa masalah yang dapat penulis rumuskan sebagai berikut :

1. Bagaimana cara mengoptimalkan penerapan sistem teknologi informasi

dalam proses pengolahan data?

2. Bagaimana cara mengefektifkan kinerja suatu swalayan yang masih

cenderung lambat?

1.4 Hipotesa

Dari rumusan masalah diatas maka dapat dikemukakan hipotesa yaitu,

dengan menganalisa data penjualan produk pada Swalayan Koperasi Pegawai

Negeri (KPN) Lengayang diharapkan dapat membantu pihat swalayan dalam

3

menganalisa dan mengambil keputusan serta dapat mengoptimalkan dan

mengefektifkan kinerja swalayan tersebut.

1.5 Tujuan Penelitian

Adapun tujuan penelitian yang penulis lakukan pada swalayan KPN ini

adalah sebagai berikut :

1. Untuk dapat menghasilkan suatu Sistem Informasi yang tepat dan jelas.

2. Dengan adanya Sistem Informasi yang baru , maka karyawan dapat

dengan cepat dan mudah melakukan pengolahan data barang.

3. Memudahkan dalam pengecekan barang.

1.6 Manfaat Penelitian

Adapun manfaat dari penelitian yang penulis lakukan pada swalayan ini

adalah :

1. Dapat menerapkan secara langsung teori-teori yang di dapat selama

kuliah dan mendalaminya pada saat di lapangan.

2. Dapat membangun komunikasi dan hubungan yang baik guna kelancaran

dalam mencari peluang kerja.

3. Memberi pengetahuan dan pengalaman kepada mahasiswa tentang dunia

kerja sehingga dapat melatih diri sesuai kebutuhan untuk masa yang akan

datang.

4. Membantu memecahkan suatu permasalah dalam pengolahan data yang

belum terdistribusi dengan efektif dan efisien.

BAB II

LANDASAN TEORI

2.1 Pengertian Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan

penemuan pengetahuan di dalam database. Data mining adalah proses yang

menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine

learning intuk mengekstraksi dan mengidentifikasi informasi yang bermamfaat

dan pengetahuan yang terakit dari berbagai database (Turban,dkk. 2005).

2.1.1 Siklus Hidup Data Mining

Data mining memiliki siklus hidup yang terbagi dalam 6 fase menurut

CRISP-DM.

Keseluruhan fase berurutan yang ada tersebut bersifat adaptif, fase berikutnya

dalam urutan bergantung kepada keluaran dari fase sebelumnya, yang dapat

dilihat pada gambar berikut:

1. Fase pemahaman bisnis

a. Penentuan tujuan proyek dan kebutuhan secara detail dalam lingkup

bisnis atau unit penelitian secara keseluruhan.

b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan

data mining.

c. Menyiapakan strategi awal untuk mencapai tujuan.

2. Fase pemahaman data

a. Mengumpulkan data.

b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut

data dan pencarian pengetahuan awal.

5

c. Mengevaluasi kualitas data.

d. Jika di inginkan, pilih sebagian kecil group data yang mengandung pola

dari permasalahan.

3. Fase pengolahan data

a. Siapkan data awal, kumpulan data yang akan digunakan untuk

keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat yang

perlu di kerjakan secara intensif.

b. Pilih kasus dan variable yang ingin di analisis dan yang sesuai analisis

yang akan digunakan.

c. Melakukan perubahan pada beberapa variable jika dibutuhkan.

d. Siapkan data awal sehingga siap untuk perangkat permodelan.

4. Fase pemodelan

a. Pilih dan aplikasikan teknik pemodelan yang sesuai.

b. Kalibrasi aturan model untuk mengoptimalkan hasil.

c. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada

permasalahan data mining yang sama.

d. Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk

menjadikan data kedalam bentuk yang sesuai dengan spesifikasi

kebutuhan teknik data mining tertentu.

5. Fase evaluasi

a. Mengevaluasi satu atau lebih model yang digunakan dalam fase

permodelan untuk mendapatkan kualitas dan efektifitas sebelum

disebarkan untuk digunakan.

6

b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase

awal.

c. Menentukan apakah terdapat permasalahan penting dari bisnis atau

penelitian yang tidak tertangani dengan baik.

d. Mengambil keputusan berkaitan dengan penggunaan hasil dari data

mining.

6. Fase penyebaran

a. Menggunakan model yang dihasilkan. Terbentuknya model tidak

menandakan telah terselesaikannya proyek.

b. Contoh sederhana penyebaran: pembuatan laporan.

c. Contoh komplek penyebaran: penerapan proses data mining secara paralel

pada departemen lain.

2.1.2 Pengelompokan Data Mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dapat dilakukan, yaitu:

1. Deskripsi

Deskripsi menggambarkan pola dan kecendrungan yang terdapat

dalam data, sebagai contoh, petuga pengumpul suara mungkin tidak dapat

menemukan keterangan atau fakta bahwa siapa yang tidak cukup

provisional akan sedikit di dukung dalam memilihan presiden .

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target

estimasi lebih kea rah numeric dari pada kearah kategori. Model dibangun

menggunakan record lengkap yang menyediakan nilai dari variable target

7

sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi

nilai dari variable target dibuat berdasarkan variable prediksi. Sebagai

contoh, estimasi nilai indeks prestasi kumulatif mahasiswa program

pascasarjana dengan melihat inddeks prestasi nilai mahasiswa tersebut

pada saat mengikuti program sarjana.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa

dalam prediksi nilai dari hasil akan ada di masa mendatang. Sebagai

contoh, prediksi harga beras dalam 3 bulan yang akan dating.

4. Klasifikasi

Dalam klasifikasi, teradapat target variable kategori. Sebagai contoh,

penggolongan pendapatan dapat di pisahkan dalam 3 kategori, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengkluteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau

memperhatikan kelas objek-objek yang memiliki kemiripan. Klusteran

adalah kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan memiliki ketidak miripan dengan record-record dalam kluster

lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variable

target dalam pengklusteran. Pengklusteran tidak mencoba untuk

melakukan pembagian terhadap keseluruhan data menjadi kelompok-

kelompok yang memiliki kemiripan, yang mana kemiripan record akan

bernilai maksimal, sedangkan kemiripan dalam record dalam kelompok

lain akan bernilai minimal.

8

Sebagai contoh, mendapatkan kelompok-kelompokkonsumen untuk target

pemasran dari suatu produk bagi perusahaan yang tidak memiliki dana

pemasaran yang besar

6. Asosiasi

Menemukan atribut dalam satu waktu. Dalam dunia bisnis lebih umum di

sebut analisis keranjang belanja. Sebagai contoh, menemukan barang

dalam supermarket yang di beli secara bersamaan dan barang yang tidak

pernah di beli secara bersamaan.

2.2. Analisis Cluster

Analisis Cluster adalah teknik yang digunakan untuk mengidentifikasi objek

atau individu yang serupa dengan memperhatikan beberapa kriteria (Kuncoro,

2003:242).

Analisis cluster yaitu analisis untuk mengelompokkan elemen yang mirip

sebagai objek penelitian menjadi kelompok (cluster) yang berbeda dan

mutually exclusive (Supranto, 2004:26).

Analisis cluster termasuk dalam analisis statistik multivariat metode

interdependen. Sebagai alat analisis interdependen maka tujuan analisis cluster

tidak untuk menghubungkan ataupun membedakan dengan sampel/variabel

lain. Analisis cluster merupakan salah satu alat analisis yang berguna sebagai

peringkas data. Dalam meringkas data ini dapat dilakukan dengan jalan

mengelompokkan objek-objek berdasarkan kesamaan karakteristik tertentu di

antara objek-objek yang hendak diteliti (Tim Penelitian dan Pengembangan,

2005:120).

9

Analisis cluster adalah suatu alat untuk mengelompokkan sejumlah n obyek

berdasarkan p variat yang secara relatif mempunyai kesamaan karakteristik

diantara obyek – obyek tersebut, sehingga keragaman di dalam suatu kelompok

tersebut lebih kecil dibandingkan keragaman antar kelompok. Obyek dapat

berupa barang, jasa, tumbuhan, binatang dan orang (responden, konsumen, atau

yang lainnya). Obyek tersebut akan diklasifikasikan ke dalam satu atau lebih

cluster (kelompok) sehingga obyek–obyek yang berada dalam satu cluster akan

mempunyai kemiripan atau kesamaan karakter.

Adapun ciri-ciri cluster adalah:

1. Homogenitas (kesamaan) yang tinggi antar anggota dalam satu cluster

(within-cluster).

2. Heterogenitas (perbedaan) yang tinggi antar cluster yang satu dengan

cluster yang lainnya (between-cluster).

Analisis cluster mempunyai beberapa istilah penting, antara lain:

1. Skedul aglomerasi (agalomeration schedule), ialah jadwal yang

memberikan informasi tentang objek atau kasus yang akan

dikelompokkan pada setiap tahap pada suatu proses analisis cluster yang

hierarkis.

2. Rata-rata cluster (cluster centroid), ialah nilai rata-rata variabel dari

semua objek atau observasi dalam cluster tertentu.

10

3. Pusat cluster (cluster centers), ialah titik awal dimulainya

pengelompokkan di dalam cluster nonhierarki.

4. Keanggotaan cluster (cluster membership), ialah keanggotaan yang

menunjukkan cluster untuk setiap objek yang menjadi anggotanya.

5. Dendogram, disebut juga grafik pohon, output SPSS yang

memvisualisasikan hasil analisis cluster yang dilakukan peneliti. Garis

vertikal atau tegak menunjukkan cluster yang digabung bersama. Posisi

garis pada pada skala menunjukkan jarak untuk mana cluster digabung.

Dendogram harus dibaca dari kiri ke kanan.

6. Distances between cluster centers, ialah jarak yang menunjukkan

bagaimana terpisahnya pasangan individu cluster.

2.2.1 Tujuan Analisis Cluster

Setelah mengelompokkan n buah obyek pengamatan kedalam m kelompok

berdasarkan p variat dapat diketahui bahwa tujuan utama dari pengclusteran

obyek adalah untuk mendapatkan kelompok obyek yang memiliki nilai relatif

sama. Sehingga kelak dalam interpretasi, obyek-obyek yang berada pada satu

cluster memiliki peluang yang cukup tinggi akan muncul bersamaan pada satu

individu.

2.2.2 Konsep Dasar dalam Analisis Cluster

Analisis cluster merupakan suatu kelas teknik, dipergunakan untuk

mengklasifikasi obyek atau kasus ke dalam kelompok yang relatif homogen,

yang disebut cluster. Obyek dalam setiap kelompok cenderung mirip satu sama

lain dan berbeda jauh (tidak sama) dengan obyek dari cluster lainnya.

11

Pengelompokkan dilakukan berdasarkan kemiripan (similarity) antar obyek.

Kemiripan diperoleh dengan meminimalkan jarak antar obyek dalam kelompok

(within-cluster) dan memaksimalkan jarak antar kelompok (between-cluster).

2.2.3 Proses Analisis Cluster

Untuk melakukan analisis cluster ada beberapa proses yang harus dilakukan .

Proses analisis cluster tersebut meliputi :

1. Menentukan ukuran ketakmiripan antar dua objek.

Sesuai prinsip daftar cluster yaitu mengelompokkan objek yang mempunyai

kemiripan, maka proses pertama adalah mengukur seberapa jauh ada

kesamaan antar objek. Dengan memiliki sebuah ukuran kuantitatif untuk

mengatakan bahwa dua obyek tertentu lebih mirip dibandingkan dengan

obyek lain, akan menghilangkan kebingungan dan mempermudah proses

formal dalam pengclusteran. Salah satu yang jelas bisa menjadi ukuran

ketakmiripan adalah fungsi jarak antara objek a dan b, yang biasa

dinotasikan dengan d(a,b).

Sifat – sifat ukuran ketakmiripan adalah :

1) d(a.b) ≥ 0

2) d(a,a) = 0

12

3) d(a,b) = d(b,a)

4) (a,b) meningkat seiring semakin tidak mirip kedua objek a dan b.

5) d(a,c) ≤ d(a,b) + d(b,c) (Sartono, 2003:216).

Jarak yang paling umum digunakan adalah jarak euclidean. Ukuran

jarak atau ketidaksamaan antar obyek ke-i dengan obyek ke-h, disimbolkan

dengan dih. Nilai d

ih diperoleh melalui perhitungan jarak kuadrat Euclidean

sebagai berikut

dimana:

dih

= jarak kuadrat Euclidean antar obyek ke-i dengan obyek ke-h.

p = jumlah variabel cluster.

xij = nilai atau data dari obyek ke-i pada variabel ke-j.

xhj

= nilai atau data dari obyek ke-h pada variabel ke-j (Everitt, 1993).

2. Membuat Cluster

Proses cluster atau pengelompokan data bisa dilakukan dengan dua metode:

a. Metode Hirarki

Metode ini memulai pengelompokan dengan dua atau lebih objek yang

mempunyai kesamaan paling dekat. Kemudiaan operasi diteruskan ke

objek lain yang mempunyai kedekatan kedua. Demikian seterusnya

13

sehingga cluster akan membentuk semacam ‘pohon’ dimana ada hirarki

(tingkatan) yang jelas antar objek, dari yang paling mirip sampai paling

tidak mirip.

Metode yang digunakan untuk proses Clustering secara hirarki adalah

Single Linkage (Pauatan Tunggal). Metode ini akan mengelompokan

dua objek yang mempunyai jarak terdekat dahulu. Jadi pada setiap

tahapan, banyaknya cluster berkurang satu. Secara formal, dua buah

cluster Br dan B

s, jarak antara B

r dan B

s misalkan h(B

r,B

s) didefinisikan

sebagai :

h(Br,B

s) = min{d(x

i,x

j); x

i anggota B

r, x

j anggota B

s}

Hasil berupa single linkage clustering dapat disajikan dalam bentuk

suatu dendogram atau diagram pohon. Cabang-cabang pohon

menunjukkan cluster/kelompok. Cabang-cabang tersebut bertemu

bersama-sama (menggabung) pada simpul yang posisinya sepanjang

suatu sumbu jarak (kemiripan) menunjukkan tingkat dimana

penggabungan terjadi.

b. Metode Non-hirarki

Metode ini dimulai dengan proses penentuan jumlah cluster terlebih

dahulu. Metode Non-hirarki yang digunakan adalah k-means. Metode k-

means digunakan sebagai alternatif metode cluster untuk data dengan

ukuran yang besar karena memiliki kecepatan yang lebih tinggi

dibandingkan metode hirarki.

14

Mac Queen menyarankan bahwa penggunaan k-means untuk

menjelaskan algoritma dalam penentuan suatu objek ke dalam cluster

tertentu berdasarkan rataan terdekat. Proses Pengelusteran dengan

metode k-means adalah :

1) Menetukan besarnya k, yaitu banyaknya cluter dan menentukan

centroid di tiap cluster.

2) Menghitung jarak tiap objek dengan setiap centroid.

3) Menghitung kembali rataan (centroid) untuk cluster yang baru

terbentuk.

4) Mengulangi langkah 2 sampai tidak ada lagi pemindahan objek

antar cluster (Sartono, 2003: 230).

3. Setelah cluster terbentuk, baik dengan metode hirarki maupun non hirarki,

langkah selanjutnya melakukan interpretasi terhadap cluster yang

terbentuk,yang pada intinya memberi nama spesifik untuk menggambar isi

cluster tersebut.

4. Melakukan validasi cluster.

Untuk menguji validasi cluster digunakan uji parsial F.

15

Hipotesis:

H0: variabel i bukan variabel pembeda dalam pengclusteran.

H1: variabel i merupakan variabel pembeda dalam pengclusteran

Taraf signifikansi α

Statistik uji

F=

Kriteria Uji :

Tolak H0 jika F > F

α, k-1,n-k

BAB III

METODOLOGI PENELITIAN

3.1 Waktu Penelitian

Penelitian yang penulis lakukan dilaksanakan pada :

Hari : Rabu

Tanggal : 22 April 2010

3.2 Tempat Penelitian

Penelitian yang penulis lakukan bertempat di

Tempat : Swalayan Kopersi Pegawai Negeri (KPN) Lengayang

Alamat : Jalan Pasar Miskin – Pasar Kambang, Kecamatan

Lengayang, Kabupaten Pesisir Selatan, Painan.

Direktur/Ketua : Zainal Panai, S.Pd

3.3 Metode Penelitian

Pada penelitian ini prosedur-prosedur atau langkah-langkah yang digunakan

adalah sebagai berikut:

3.3.1. Penentuan Masalah

Masalah dimulai dari studi pustaka. Studi pustaka merupakan sumber pustaka

yang relevan dan digunakan untuk mengumpulkan informasi yang diperlukan

dalam penelitian setelah sumber pustaka terkumpul dilanjutkan dengan

penelahaan isi sumber pustaka tersebut. Dari penelahaan yang dilakukan

17

muncul ide dan dijadikan landasan untuk melakukan penelitian. Permasalahan

yang muncul adalah tentang analisis cluster.

3.3.2. Perumusan Masalah

Perumusan masalah dimaksudkan untuk membatasi permasalahan sehingga

diperoleh bahan kajian yang jelas. Dan selanjutnya dirumuskan permasalahan

sebagai berikut:

1. Bagaimana cara mengoptimalkan penerapan sistem teknologi informasi

dalam proses pengolahan data?

2. Bagaimana cara mengefektifkan kinerja suatu swalayan yang masih

cenderung lambat?

3.3.3. Kajian Pustaka

Pada tahap ini dilakukan kajian pustaka, yakni mengkaji permasalahan secara

teoritis berdasarkan sumber-sumber pustaka yang relevan. Kemudian

mengumpulkan, memilih dan menganalisis dari beberapa sumber bacaan yang

berkaitan dengan analisis cluster.

3.3.4. Pemecahan Masalah

Tahap pemecahan masalah dimaksudkan untuk memberikan solusi- solusi dari

permasalahan yang telah ditentukan seperti yang dikemukakan diatas.

Langkah-langkah yang akan dilakukan dalam menentukan analisis cluster

adalah sebagai berikut:

1. Menentukan ukuran ketakmiripan antar dua obyek, dalam hal ini dihitung

menggunakan jarak Euclidean.

18

2. Membuat cluster, proses cluster ini dilakukan dengan dua metode yaitu secara

hirarki dan non hirarki.

3. Memberi nama spesifik setelah cluster terbentuk, untuk menggambarkan isi

cluster tersebut.

4. Melakukan validasi cluster.

3.3.5 Penarikan Kesimpulan

Tahap ini merupakan tahap akhir dari penelitian. Penarikan kesimpulan

didasarkan pada pembahasan permasalahan dengan menggunakan kajian

pustaka.

BAB IV

ANALISA DAN HASIL

Data dalam penelitian ini yang diambil dari Swalayan Koperasi Pegawai

Negeri (KPN) Lengayang yaitu data tentang stock barang pada bulan Desember

2009. Data yang digunakan dalam permasalahan ini ada 2 variabel, dimana variabel-

variabel tersebut adalah jumlah barang atau stock barang dan banyaknya barang yang

terjual, sedangkan obyek-obyek yang digunakan 16 jenis produk atau barang seperti

Gula Pasir, Kopi Nur, Kopi Melti, Pepsodent M, Sampo Sunsilk M, Sabun Lux,

Sabun Daia 1kg, Rinso ½ Kg, Ekonomi/Wing Cream, Plastic Pres Ktp, Staples, Map

Biasa, Map Tulang, Amplop Viva K, Amplop Paperlin B, Buku Isi 18. Data dapat

dilihat pada lampiran 1.

Proses clustering dapat dilakukan secara hirarki dan juga non hirarki, kedua

metode tersebut digunakan secara berdampingan. Dalam penelitian ini proses

clustering secara hirarki menggunakan metode pautan tunggal atau single linkage.

4.1. Proses Analisis Cluster

Proses yang dilakukan dalam analisis cluster, meliputi:

4.1.1. Menentukan ukuran ketakmiripan antar dua objek

Jarak tiap objek (jenis industri) yang dihitung dengan jarak euclidean ditampilkan

dalam tabel Proximity Matrix pada lampiran 2. Sebagai contoh jarak antara Buku Isi

18 dengan Amplop Viva K sebesar 2.465.000 , sedangkan jarak antara Buku Isi 18

dengan Ekonomi/Wing Cream sebesar 165.565.000. Hal ini menunjukkan bahwa

20

Buku Isi 18 lebih mirip karakteristiknya dengan Amplop Viva K. Demikian

seterusnya untuk penafsiran obyek-obyek yang lain. Semakin kecil nilai jarak antara

dua obyek, maka semakin mirip kedua obyek tersebut.

4.1.2. Membuat cluster

a) Proses clustering secara hirarki

Proses penggabungan dua obyek atau lebih dapat dilakukan dengan

tahapan sebagai berikut :

� Pada Stage (tahap) 1, terbentuk satu cluster antara kopi melati dengan

kopi nur, dengan nilai koefisien sebesar 40,000 yang menunjukkan

besarnya jarak antara kopi melati (6) dengan kopi nur (7). Proses

Agglomerasi dimulai dengan jarak antar obyek yang paling dekat, yaitu

jarak antara kopi melati dengan kopi nur yang memiliki jarak terdekat

dari 16 kombinasi jarak antar obyek yang ada. Kemudian jika dilihat

pada kolom tahap selanjutnya (next stage) terlihat angka 2. Hal ini berarti

langkah clustering selanjutnya dilakukan dengan melihat tahap (stage) 2,

dengan penjelasan sebagai berikut.

� Pada Stage (tahap) 2, dapat dilihat terbentuknya cluster antara rinso (12)

dengan kopi nur (7), dengan nilai koefisien sebesar 2.000 yang

menunjukkan besarnya jarak terdekat antara rinso dengan kedua produk

sebelumnya (kopi melati dan kopi nur).

Dengan terbentuknya cluster tersebut, maka sekarang cluster terdiri dari

3 obyek, yaitu industri kopi melati, kopi nur dan rinso. Kemudian pada

21

kolom tahap selanjutnya (next stage) terlihat angka 3. Hal ini berarti

langkah clustering selanjutnya dilakukan dengan melihat tahap (stage) 3,

dengan penjelasan sebagai berikut.

� Pada Stage (tahap) 3, dapat dilihat terbentuknya cluster antara pepsodent

(10) dengan rinso (12), dengan nilai koefisien sebesar 146.000, yang

menunjukkan besarnya jarak terdekat antara pepsodent dengan ketiga

produk sebelumnya (rinso, kopi melati dan kopi nur).


4 obyek, yaitu industri kopi melati, kopi nur , rinso dan pepsodent.

Kemudian pada kolom tahap selanjutnya (next stage) terlihat angka 4.

Hal ini berarti langkah clustering selanjutnya dilakukan dengan melihat

tahap (stage) 4, dengan penjelasan sebagai berikut.

� Pada Stage (tahap) 4, dapat dilihat terbentuknya cluster antara staples (16)

dengan pepsodent (10), dengan nilai koefisien sebesar 733.000, yang

menunjukkan besarnya jarak terdekat antara staples dengan keempat

produk sebelumnya (rinso, pepsodent, kopi melati dan kopi nur).


5 obyek, yaitu produk kopi melati, kopi nur , rinso, pepsodent, staples.

Kemudian pada kolom tahap selanjutnya (next stage)tahap ke 5 dengan

penjelasan sebagai berikut.

� Pada Stage (tahap) 5, terbentuk cluster antara sabun daia (13) dengan

staples (16), dengan nilai koefisien sebesar 773.000 yang menunjukkan

22

besar jarak terdekat antara prosuk sabun daia dengan kelima obyek cluster

sebelumnya (kopi melati, kopi nur, rinso, pepsodent, dan staples).


6 obyek, yaitu kopi melati, kopi nur, rinso, pepsodent, staples, sabun

daia.

� Proses cluster berlanjut hingga pada tahap selanjutnya menunjukkan nilai

tahap 0, yang berarti proses cluster berhenti. Kemudian proses dilanjutkan

ke tahap yang belum di proses sampai proses cluster berhenti.

Sedangkan proses pengclusteran dengan menggunakan matriks jarak dilakukan

proses pengclusteran sebagai berikut(lampiran 2):

� Pada awal proses kita memiliki enam belas cluster. Tahap pertama yang

dilakukan adalah mencari jarak yang terdekat antara dua objek dari sekian

banyak kombinasi jarak dari enam belas objek yang ada (pada tabel 1). Jarak

antara kopi melati dan kopi nur merupakan jarak yang terdekat yaitu sebesar

40.000, sehingga kedua barang tersebut menjadi satu cluster. Sekarang tersisa

lima belas cluster.

� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan

tunggal dengan persamaan :

h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}

Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru

(cluster yang anggotanya kopi melati dan kopi nur) sehingga di peroleh:

h{(6,7),(1)} =min{d(6,1),d(7,1)}

23

=min{350.849.000, 343.397.000}

= 343.397.000

h{(6,7),(2)} =min{d(6,2),d(7,2)}

=min{372.649.000, 364.997.000}

= 364.997.000

h{(6,7),(3)} =min{d(6,3),d(7,3)}

=min{314.698.000, 307.674.000}

= 307.674.000

h{(6,7),(4)} =min{d(6,4),d(7,4)}

=min{29.609.000, 27.565.000}

= 27.565.000

h{(6,7),(5)} =min{d(6,5),d(7,5)}

=min{15.592.000, 14.096.000}

= 14.096.000

h{(6,7),(8)} =min{d(6,8),d(7,8)}

=min{4.904.000, 4.112.000}

= 4.112.000

24

h{(6,7),(9)} =min{d(6,9),d(7,9)}

=min{3.380.000, 2.788.000}

= 2.788.000

h{(6,7),(10)} =min{d(6,10),d(7,10)}

=min{244.000, 116.000}

= 116.000

h{(6,7),(11)} =min{d(6,11),d(7,11)}

=min{149.045.000, 144.425.000}

= 144.425.000

h{(6,7),(12)} =min{d(6,12),d(7,12)}

=min{26.000, 2.000}

= 2.000

h{(6,7),(13)} =min{d(6,13),d(7,13)}

=min{2.529.000, 1.933.000}

= 1.933.000

h{(6,7),(14)} =min{d(6,14),d(7,14)}

=min{116.010.000, 111.850.000}

= 111.850.000

25

h{(6,7),(15)} =min{d(6,15),d(7,15)}

=min{4.241.000, 3.485.000}

= 3.485.000

h{(6,7),(16)} =min{d(6,16),d(7,16)}

=min{730.000, 450.000}

= 450.000

Dengan demikian matrik jarak menjadi seperti dalam tabel 2.

Dari matrik jarak dalam tabel 2 kembali mencari jarak terdekat. Jarak

terdekat adalah antara rinso dengan cluster yang anggotanya kopi melati

dengan kopi nur yaitu sebesar 2.000, sehingga produk-produk tersebut

menjadi satu cluster. Sekarang tersisa 13 cluster.





(cluster yang anggotanya kopi melati, kopi nur, dan rinso) sehingga di

peroleh:

h{(6,7,12),(1)} =min{d(6,1),d(7,1),d(12,1)}

=min{350.849.000, 343.397.000, 344.889.000}

= 344.889.000

26

h{(6,7,12),(2)} =min{d(6,2),d(7,2),d(12,2)}

=min{372.649.000, 364.997.000, 366.589.000}

= 366.589.000

h{(6,7,12),(3)} =min{d(6,3),d(7,3),d(12,3)}

=min{314.698.000, 307.674.000, 309.140.000}

= 309.140.000

h{(6,7,12),(4)} =min{d(6,4),d(7,4),d(12,4)}

=min{29.609.000, 27.565.000, 27.905.000}

= 27.905.000

h{(6,7,12),(5)} =min{d(6,5),d(7,5),d(12,5)}

=min{15.592.000, 14.096.000, 14.426.000}

= 14.426.000

h{(6,7,12),(8)} =min{d(6,8),d(7,8),d(12,8)}

=min{4.904.000, 4.112.000, 4.234.000}

= 4.234.000

h{(6,7,12),(9)} =min{d(6,9),d(7,9),d(12,9)}

=min{3.380.000, 2.788.000, 2.938.000}

= 2.938.000

h{(6,7,12),(10)} =min{d(6,10),d(7,10),d(12,10)}

=min{244.000, 116.000, 146.000}

27

= 146.000

h{(6,7,12),(11)} =min{d(6,11),d(7,11),d(12,11)}

=min{149.045.000, 144.425.000, 145.197.000}

= 145.197.000

h{(6,7,12),(13)} =min{d(6,13),d(7,13),d(12,13)}

=min{2.529.000, 1.933.000, 2.045.000}

= 2.045.000

h{(6,7,12),(14)} =min{d(6,14),d(7,14),d(12,14)}

=min{116.010.000, 111.850.000, 112.580.000}

= 112.580.000

h{(6,7,12),(15)} =min{d(6,15),d(7,15),d(12,15)}

=min{4.241.000, 3.485.000, 3.609.000}

= 3.609.000

h{(6,7,12),(16)} =min{d(6,16),d(7,16),d(12,16)}

=min{730.000, 450.000, 512.000}

= 512.000



terdekat adalah antara pepsodent dengan cluster yang anggotanya rinso, kopi

28

melati dengan kopi nur yaitu sebesar 146.000, sehingga produk-produk

tersebut menjadi satu cluster. Sekarang tersisa 12 cluster.





(cluster yang anggotanya kopi melati, kopi nur, pepsodent dan rinso)

sehingga di peroleh:

h{(6,7,10,12),(1) =min{d(6,1),d(7,1),d(10,1),d(12,1)}

=min{350.849.000, 343.397.000, 335.261.000,

344.889.000}

= 335.261.000

h{(6,7,10,12),(2) =min{d(6,2),d(7,2),d(10,2),d(12,2)}

=min{372.649.000, 364.997.000, 355.861.000,

366.589.000}

= 355.861.000

h{(6,7,10,12),(3) =min{d(6,3),d(7,3),d(10,3),d(12,3)}

29

=min{314.698.000, 307.674.000, 299.234.000,

309.140.000}

= 299.234.000

h{(6,7,10,12),(4) =min{d(6,4),d(7,4),d(10,4),d(12,4)}

=min{29.609.000, 27.565.000, 26.293.000,

27.905.000}

= 26.293.000

h{(6,7,10,12),(5) =min{d(6,5),d(7,5),d(10,5),d(12,5)}

=min{15.592.000, 14.096.000, 12.132.000,

14.426.000}

= 12.132.000

h{(6,7,10,12),(8) =min{d(6,8),d(7,8),d(10,8),d(12,8)}

=min{4.904.000, 4.112.000, 3.796.000, 4.234.000}

= 3.796.000

h{(6,7,10,12),(9) =min{d(6,9),d(7,9),d(10,9),d(12,9)}

=min{3.380.000, 2.788.000, 1.808.000, 2.938.000}

= 1.808.000

h{(6,7,10,12),(11) =min{d(6,11),d(7,11),d(10,11),d(12,11)}

30

=min{149.045.000, 144.425.000, 141.401.000,

145.197.000}

= 141.401.000

h{(6,7,10,12),(13) =min{d(6,13),d(7,13),d(10,13),d(12,13)}

=min{2.529.000, 1.933.000, 1.453.000, 2.045.000}

= 1.453.000

h{(6,7,10,12),(14) =min{d(6,14),d(7,14),d(10,14),d(12,14)}

=min{116.010.000, 111.850.000, 108.682.000,

112.580.000}

= 108.682.000

h{(6,7,10,12),(15) =min{d(6,15),d(7,15),d(10,15),d(12,15)}

=min{4.241.000, 3.485.000, 3.089.000, 3.609.000}

= 3.089.000

h{(6,7,10,12),(16) =min{d(6,16),d(7,16),d(10,16),d(12,16)}

=min{730.000, 730.000, 146.000, 512.000}

= 146.000



terdekat adalah antara stapler dengan cluster yang anggotanya pepsodent,

31

rinso, kopi melati dengan kopi nur yaitu sebesar 146.000, sehingga produk-

produk tersebut menjadi satu cluster. Sekarang tersisa 11 cluster.





(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler dan rinso)

sehingga di peroleh:

h{(6,7,10,12,16),(1)} =min{d(6,1),d(7,1),d(10,1),d(12,1),d(16,1)}

=min{350.849.000, 343.397.000, 335.261.000,

344.889.000, 321.497.000}

= 321.497.000

h{(6,7,10,12,16),(2)} =min{d(6,2),d(7,2),d(10,2),d(12,2),d(16,2)}

=min{372.649.000, 364.997.000, 355.861.000,

366.589.000, 341.597.000}

= 341.597.000

h{(6,7,10,12,16),(3)} =min{d(6,3),d(7,3),d(10,3),d(12,3),d(16,3)}

=min{314.698.000, 307.674.000, 299.234.000,

309.140.000, 286.164.000}

= 286.164.000

h{(6,7,10,12,16),(4)} =min{d(6,4),d(7,4),d(10,4),d(12,4),d(16,4)}

32

=min{29.609.000, 27.565.000, 26.293.000,

27.905.000, 22.945.000}

= 22.945.000

h{(6,7,10,12,16),(5)} =min{d(6,5),d(7,5),d(10,5),d(12,5),d(16,5)}

=min{15.592.000, 14.096.000, 12.132.000,

14.426.000, 9.626.000}

= 9.626.000

h{(6,7,10,12,16),(8)} =min{d(6,8),d(7,8),d(10,8),d(12,8),d(16,8)}

=min{4.904.000, 4.112.000, 3.796.000, 4.234.000,

2.762.000}

= 2.762.000

h{(6,7,10,12,16),(9)} =min{d(6,9),d(7,9),d(10,9),d(12,9),d(16,9)}

=min{3.380.000, 2.788.000, 1.808.000, 2.938.000,

1.018.000}

= 1.018.000

h{(6,7,10,12,16),(11) =min{d(6,11),d(7,11),d(10,11),d(12,11),d(16,11)}

=min{149.045.000, 144.425.000, 141.401.000,

145.197.000, 133.325.000}

= 133.325.000

h{(6,7,10,12,16),(13)}=min{d(6,13),d(7,13),d(10,13),d(12,13),d(16,13)}

33

=min{2.529.000, 1.933.000, 1.453.000, 2.045.000,

733.000}

= 733.000

h{(6,7,10,12,16),(14)}=min{d(6,14),d(7,14),d(10,14),d(12,14),d(16,14)}

=min{116.010.000, 111.850.000, 108.682.000,

112.580.000, 101.380.000 }

= 101.380.000

h{(6,7,10,12,16),(15)}=min{d(6,15),d(7,15),d(10,15),d(12,15),d(16,15)}

=min{4.241.000, 3.485.000, 3.089.000, 3.609.000,

2.105.000}

= 2.105.000



terdekat adalah antara sabun daia dengan cluster yang anggotanya stapler,

pepsodent, rinso, kopi melati dengan kopi nur yaitu sebesar 733.000,

sehingga produk-produk tersebut menjadi satu cluster. Sekarang tersisa 10

cluster.




34


(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun daia

dan rinso) sehingga di peroleh:

h{(6,7,10,12,13,16),(1)}=min{d(6,1),d(7,1),d(10,1),d(12,1),d(13,1),d(16,1)}

=min{350.849.000, 343.397.000, 335.261.000,

344.889.000, 293.828.000, 321.497.000}

= 293.828.000

h{(6,7,10,12,13,16),(2)}=min{d(6,2),d(7,2),d(10,2),d(12,2),d(13,2),d(16,2)}

=min{372.649.000, 364.997.000, 355.861.000,

366.589.000, 314.128.000, 341.597.000}

= 314.128.000

h{(6,7,10,12,13,16),(3)}=min{d(6,3),d(7,3),d(10,3),d(12,3),d(13,3),d(16,3)}

=min{314.698.000, 307.674.000, 299.234.000,

309.140.000, 261.169.000, 286.164.000}

= 261.169.000

h{(6,7,10,12,13,16),(4)}=min{d(6,4),d(7,4),d(10,4),d(12,4),d(13,4),d(16,4)}

=min{29.609.000, 27.565.000, 26.293.000,

27.905.000, 15.476.000, 22.945.000}

= 15.476.000

h{(6,7,10,12,13,16),(5)}=min{d(6,5),d(7,5),d(10,5),d(12,5),d(13,5),d(16,5)}

35

=min{15.592.000, 14.096.000, 12.132.000,

14.426.000, 5.965.000, 9.626.000}

= 5.965.000

h{(6,7,10,12,13,16),(8)}=min{d(6,8),d(7,8),d(10,8),d(12,8),d(13,8),d(16,8)}

=min{4.904.000, 4.112.000, 3.796.000, 4.234.000,

773.000, 2.762.000}

= 773.000

h{(6,7,10,12,13,16),(9)}=min{d(6,9),d(7,9),d(10,9),d(12,9),d(13,9),d(16,9)}

=min{3.380.000, 2.788.000, 1.808.000, 2.938.000,

941.000, 1.018.000}

= 941.000

h{(6,7,10,12,13,16),(11)}=min{d(6,11),d(7,11),d(10,11),d(12,11),d(13,11),d(

16,11)}

=min{149.045.000, 144.425.000, 141.401.000,

145.197.000, 114.308.000, 133.325.000}

= 114.308.000

h{(6,7,10,12,13,16),(14)}=min{d(6,14),d(7,14),d(10,14),d(12,14),d(13,14),d(

16,14)}

=min{116.010.000, 111.850.000, 108.682.000,

112.580.000, 85.005.000, 101.380.000}

= 85.005.000

36

h{(6,7,10,12,13,16),(15)}=min{d(6,15),d(7,15),d(10,15),d(12,15),d(13,15),d(

16,15)}

=min{4.241.000, 3.485.000, 3.089.000, 3.609.000,

410.000, 2.105.000}

= 410.000



terdekat adalah antara map polos dengan cluster yang anggotanya sabun daia,

stapler, pepsodent, rinso, kopi melati dengan kopi nur yaitu sebesar 773.000,

sehingga produk-produk tersebut menjadi satu cluster. Sekarang tersisa 9

cluster.





(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun

daia, map polos dan rinso) sehingga di peroleh:

h{(6,7,8,10,12,13,16),(1)}=min{d(6,1),d(7,1),d(8,1),d(10,1),d(12,1),d(13,1),d

(16,1)}

=min{350.849.000, 343.397.000, 278.125.000,

335.261.000, 344.889.000, 293.828.000,

321.497.000}

= 278.125.000

37

h{(6,7,8,10,12,13,16),(2)}=min{d(6,2),d(7,2),d(8,2),d(10,2),d(12,2),d(13,2),d

(16,2)}

=min{372.649.000, 364.997.000, 300.125.000,

355.861.000, 366.589.000, 314.128.000,

341.597.000}

= 300.125.000

h{(6,7,8,10,12,13,16),(3)}=min{d(6,3),d(7,3),d(8,3),d(10,3),d(12,3),d(13,3),d

(16,3)}

=min{314.698.000, 307.674.000, 248.690.000,

299.234.000, 309.140.000, 261.169.000,

286.164.000}

= 248.690.000

h{(6,7,8,10,12,13,16),(4)}=min{d(6,4),d(7,4),d(8,4),d(10,4),d(12,4),d(13,4),d

(16,4)}

=min{29.609.000, 27.565.000, 10.453.000,

26.293.000, 27.905.000, 15.476.000, 22.945.000}

= 10.453.000

h{(6,7,8,10,12,13,16),(5)}=min{d(6,5),d(7,5),d(8,5),d(10,5),d(12,5),d(13,5),d

(16,5)}

=min{15.592.000, 14.096.000, 5.920.000,

12.132.000, 14.426.000, 5.965.000, 9.626.000}

= 5.920.000

38

h{(6,7,8,10,12,13,16),(9)}=min{d(6,9),d(7,9),d(8,9),d(10,9),d(12,9),d(13,9),d

(16,9)}

=min{3.380.000, 2.788.000, 3.140.000, 5.920.000,

1.808.000, 2.938.000, 941.000, 1.018.000}

= 3.140.000

h{(6,7,8,10,12,13,16),(11)}=min{d(6,11),d(7,11),d(8,11),d(10,11),d(12,11),

d(13,11),d(16,11)}

=min{149.045.000, 144.425.000, 99.937.000,

141.401.000, 145.197.000, 114.308.000,

133.325.000}

= 99.937.000

h{(6,7,8,10,12,13,16),(14)}=min{d(6,14),d(7,14),d(8,14),d(10,14),d(12,14),

d(13,14),d(16,14)}

=min{116.010.000, 111.850.000, 73.586.000,

108.682.000, 112.580.000, 85.005.000,

101.380.000}

= 73.586.000

h{(6,7,8,10,12,13,16),(15)}=min{d(6,15),d(7,15),d(8,15),d(10,15),d(12,15),d

(13,15),d(16,15)}

=min{4.241.000, 3.485.000, 61.000, 3.089.000,

3.609.000, 410.000, 2.105.000}

39

= 61.000



terdekat adalah antara sampo sunsilk dengan cluster yang anggotanya map

polos, sabun daia, stapler, pepsodent, rinso, kopi melati dengan kopi nur yaitu

sebesar 61.000, sehingga produk-produk tersebut menjadi satu cluster.

Sekarang tersisa 8 cluster.






daia, map polos, sampo sunsilk dan rinso) sehingga di peroleh:

h{(6,7,8,10,12,13,15,16),(1)}=min{d(6,1),d(7,1),d(8,1),d(10,1),d(12,1),

d(13,1),d(15,1),d(16,1)}

=min{350.849.000, 343.397.000, 278.125.000,

335.261.000, 344.889.000, 293.828.000,

280.746.000, 321.497.000}

= 280.746.000

h{(6,7,8,10,12,13,15,16),(2)}=min{d(6,2),d(7,2),d(8,2),d(10,2),d(12,2),

d(13,2),d(15,2),d(16,2)}

40

=min{372.649.000, 364.997.000, 300.125.000,

355.861.000, 366.589.000, 314.128.000,

302.146.000, 341.597.000}

= 302.146.000

h{(6,7,8,10,12,13,15,16),(3)}=min{d(6,3),d(7,3),d(8,3),d(10,3),d(12,3),

d(13,3),d(15,3),d(16,3)}

=min{314.698.000, 307.674.000, 248.690.000,

299.234.000, 309.140.000, 261.169.000,

250.433.000, 286.164.000}

= 250.433.000

h{(6,7,8,10,12,13,15,16),(4)}=min{d(6,4),d(7,4),d(8,4),d(10,4),d(12,4),

d(13,4),d(15,4),d(16,4)}

=min{29.609.000, 27.565.000, 10.453.000,

26.293.000, 27.905.000, 15.476.000,

11.450.000, 22.945.000}

= 11.450.000

h{(6,7,8,10,12,13,15,16),(5)}=min{d(6,5),d(7,5),d(8,5),d(10,5),d(12,5),

d(13,5),d(15,5),d(16,5)}

=min{15.592.000, 14.096.000, 5.920.000,

12.132.000, 14.426.000, 5.965.000,

5.525.000, 9.626.000}

= 5.525.000

41

h{(6,7,8,10,12,13,15,16),(9)}=min{d(6,9),d(7,9),d(8,9),d(10,9),d(12,9),

d(13,9),d(15,9),d(16,9)}

=min{3.380.000, 2.788.000, 3.140.000,

5.920.000, 1.808.000, 2.938.000, 941.000,

2.329.000, 1.018.000}

= 2.329.000

h{(6,7,8,10,12,13,15,16),(11)}=min{d(6,11),d(7,11),d(8,11),d(10,11),

d(12,11),d(13,11),d(15,11),d(16,11)}

=min{149.045.000, 144.425.000,

99.937.000, 141.401.000, 145.197.000,

114.308.000, 103.050.000, 133.325.000}

= 103.050.000

h{(6,7,8,10,12,13,15,16),(14)}=min{d(6,14),d(7,14),d(8,14),d(10,14),

d(12,14),d(13,14),d(15,14),d(16,14)}

=min{116.010.000, 111.850.000,

73.586.000, 108.682.000, 112.580.000,

85.005.000, 75.917.000, 101.380.000}

= 75.917.000



terdekat adalah antara map tulang dengan cluster yang anggotanya sampo

42

sunsilk, map polos, sabun daia, stapler, pepsodent, rinso, kopi melati dengan

kopi nur yaitu sebesar 2.329.000, sehingga produk-produk tersebut menjadi

satu cluster. Sekarang tersisa 7 cluster.





(cluster yang buku isi 18) sehingga di peroleh:

h{(6,7,8,9,10,12,13,15,16),(1)=min{d(6,1),d(7,1),d(8,1),d(9,1),d(10,1),

d(12,1),d(13,1),d(15,1),d(16,1)}

=min{350.849.000, 343.397.000,

278.125.000, 294.685.000, 335.261.000,

344.889.000, 293.828.000, 280.746.000,

321.497.000}

= 294.685.000

h{(6,7,8,9,10,12,13,15,16),(2)}=min{d(6,2),d(7,2),d(8,2),d(9,2),d(10,2),

d(12,2),d(13,2),d(15,2),d(16,2)}

=min{372.649.000, 364.997.000,

300.125.000, 312.085.000, 355.861.000,

366.589.000, 314.128.000, 302.146.000,

341.597.000}

= 312.085.000

43

h{(6,7,8,9,10,12,13,15,16),(3)=min{d(6,3),d(7,3),d(8,3),d(9,3),d(10,3),

d(12,3),d(13,3),d(15,3),d(16,3)}

=min{314.698.000, 307.674.000,

248.690.000, 259.114.000, 299.234.000,

309.140.000, 261.169.000, 250.433.000,

286.164.000}

= 259.114.000

h{(6,7,8,9,10,12,13,15,16),(4)}=min{d(6,4),d(7,4),d(8,4),d(9,4),d(10,4),

d(12,4),d(13,4),d(15,4),d(16,4)}

=min{29.609.000, 27.565.000, 10.453.000,

19.477.000, 26.293.000, 27.905.000,

15.476.000, 11.450.000, 22.945.000}

= 19.477.000

h{(6,7,8,9,10,12,13,15,16),(5)}=min{d(6,5),d(7,5),d(8,5),d(9,5),d(10,5),

d(12,5),d(13,5),d(15,5),d(16,5)}

=min{15.592.000, 14.096.000, 5.920.000,

5.108.000, 12.132.000, 14.426.000,

5.965.000, 5.525.000, 9.626.000}

= 5.108.000

44

h{(6,7,8,9,10,12,13,15,16),(11)}=min{d(6,11),d(7,11),d(8,11),d(9,11),

d(10,11),d(12,11),d(13,11),d(15,11),d(16,

11)}

=min{149.045.000, 144.425.000,

99.937.000, 122.473.000, 141.401.000,

145.197.000, 114.308.000, 103.050.000,

133.325.000}

= 122.473.000

h{(6,7,8,9,10,12,13,15,16),(14)}=min{d(6,14),d(7,14),d(8,14),d(9,14),

d(10,14),d(12,14),d(13,14),d(15,14),d(16,

14)}

=min{116.010.000, 111.850.000,

73.586.000, 90.722.000, 108.682.000,

112.580.000, 85.005.000, 75.917.000,

101.380.000}

= 90.722.000



terdekat adalah antara amplop viva K dengan cluster yang anggotanya buku

isi 18 yaitu sebesar 2.465.000, sehingga produk-produk tersebut menjadi satu

cluster. Sekarang tersisa 7 cluster.



45



(cluster yang anggotanya sabun lux) sehingga di peroleh:

h{(2,3),(1)} =min{d(2,1),d(3,1)}

=min{2.500.000, 3.365.000}

= 3.365.000

h{(2,3),(4)} =min{d(2,4),d(3,4)}

=min{207.188.000, 165.565.000}

= 165.565.000

h{(2,3),(5)} =min{d(2,5),d(3,5)}

=min{237.445.000, 191.570.000}

= 191.570.000

h{(2,3),(6,7,8,9,10,12,13,15,16)}=min{d(2,6),d(2,7),d(2,8),d(2,9),d(2,10),

d(2,12),d(2,13),d(2,15),d(2,16),d(3,6),d(3,

7),d(3,8),d(3,9),d(3,10),d(3,12),d(3,13),d(

3,15),d(3,16)}

=min{372.649.000,364.997.000,

300.125.000, 312.085.000, 355.861.000,

366.589.000, 314.128.000, 302.146.000,

341.597.000, 314.698.000, 07.674.000,

248.690.000, 259.114.000, 299.234.000,

309.140.000, 250.433.000, 286.164.000,}

46

= 259.114.000

h{(2,3),(11)} =min{d(2,11),d(3,11)}

=min{85.972.000, 64.529.000}

= 64.529.000

h{(2,3),(14)} =min{d(2,14),d(3,14)}

=min{92.941.000, 67.912.000}

= 67.912.000



terdekat adalah antara plastic pres KTP dengan cluster yang anggotanya

sabun lux yaitu sebesar 2.885.000, sehingga produk-produk tersebut menjadi

satu cluster. Sekarang tersisa 6 cluster.





(cluster yang anggotanya sabun lux dan plastic pres KTP) sehingga di

peroleh:

h{(11,14),(1)} ={d(11,1),d(14,1)}

={64.872.000, 74.441.000}

= 74.441.000

h{(11,14),(2,3)} ={d(11,2),d(11,3),d(14,2),d(14,3)}

47

={85.972.000, 64.529.000, 92.941.000, 67.912.000}

= 67.912.000

h{(11,14),(4)} ={d(11,4),d(14,4)}

={45.800.000, 28.673.000}

= 28.673.000

h{(11,14),(5)} ={d(11,5),d(14,5)}

={81.881.000, 55.378.000}

= 55.378.000

h{(11,14),(6,7,8,9,10,12,13,15,16)}={d(11,6),d(11,7),d(11,8),d(11,9),d(11,10

),d(11,12),d(11,13),d(11,15),d(11,16)d(

14,6),d(14,7),d(14,8),d(14,9),d(14,10),

d(14,12),d(14,13),d(14,15),d(14,16)}

={149.045.000, 144.425.000,

9.937.000,

122.473.000,141.401.000,145.197.000,

114.308.000,103.050.000,133.325.000,

116.010.000, 111.850.000, 73.586.000,

90.722.000, 108.682.000, 112.580.000,

85.005.000, 75.917.000, 101.380.000}

= 90.722.000


48


terdekat adalah antara ekonomi dengan cluster yang anggotanya plastic pres

KTP dan sabun lux yaitu sebesar 28.673.000, sehingga produk-produk

tersebut menjadi satu cluster. Sekarang tersisa 5 cluster.





(cluster yang anggotanya amplop viva K dan buku isi 18) sehingga di

peroleh:

h{(4,11,14),(1)} ={d(4,1),d(12,1),d(14,1)}

={185.888.000, 344.889.000, 74.441.000}

= 185.888.000

h{(4,11,14),(2,3)} ={d(4,2),d(11,2),d(14,2),d(4,3),d(11,3),d(14,3)}

={207.188.000, 85.972.000, 92.941.000, 165.565.000,

64.529.000, 67.912.000}

= 165.565.000

h{(4,11,14),(5)} ={d(4,5),d(11,5),d(14,5)}

={8.077.000, 81.881.000, 55.378.000}

= 8.077.000

49

h{(4,11,14),(6,7,8,9,10,12,13,15,16)}={d(4, 6),d(4, 7),d(4, 8),d(4, 9),d(4,

10),d(4, 12),d(4, 13),d(4, 15),d(4,

16),d(11,6),d(11,7),d(11,8),d(11,9),d

(11,10),d(11,12),d(11,13),d(11,15),d

(11,16),d(14,6),d(14,7),d(14,8),d(14,

9),d(14,10),d(14,12),d(14,13),d(14,1

5),d(14,16)}

={29.609.000,27.565.000,10.453.0

00, 19.477.000, 26.293.000,

27.905,000, 15.476,000,

11.450,000, 22.945,000,

149.045.000, 144.425.000,

99.937.000, 122.473.000,

141.401.000, 145.197.000,

114.308.000, 103.050.000,

133.325.000, 116.010.000,

111.850.000, 73.586.000,

90.722.000, 108.682.000,

112.580.000, 85.005.000,

75.917.000, 101.380.000}

= 19.477.000



terdekat adalah antara amplop paperli B dengan cluster yang anggotanya

50

amplop viva K dan buku isi 18 yaitu sebesar 3.365.000, sehingga produk-

produk tersebut menjadi satu cluster. Sekarang tersisa 4 cluster.






daia, map polos, sampo sunsilk, map tulang, dan rinso) sehingga di peroleh:

h{(1,2,3),(4,11,14)}={d(1,4),d(1,11),d(1,14),(2,4),d(2,11),d(2,14),d(3,4),

d(3,11),d(3,14)}

={185.888,000, 64.872,000, 74.441,000, 207.188,000,

85.972,000, 92.941,000, 165.565,000, 64.529,000,

67.912,000}

= 185.888,000

h{(1,2,3),(5) ={d(1,5),d(2,5),d(3,5)}

={222.245.000, 237.445.000, 191.565.000}

= 222.245.000

h{(1,2,3),(6,7,8,9,10,12,13,15,16)}={d(1,6),d(1,7),d(1,8),d(1,9),d(1,10),

d(1,12),d(1,13),d(1,15),d(1,16),d(2,6),d

(2,7),d(2,8),d(2,9),d(2,10),d(2,12),d(2,1

3),d(2,15),d(2,16),d(3,6),d(3,7),d(3,8),d

51

(3,9),d(3,10),d(3,12),d(3,13),d(3,15),d(

3,16)

={ 350.849.000, 343.397.000,

278.125.000, 294.685.000,

335.261.000, 344.889.000,

293.828.000, 280.746.000,

321.497,000, 372.649.000,

364.997.000, 300.125.000,

312.085.000, 355.861.000,

366.589.000, 314.128.000,

302.146.000, 341.597.000,

314.698,000, 307.674,000,

248.690,000, 259.114,000,

299.234,000, 309.140,000,

261.169,000, 250.433,000,

286.164,000}

= 294.685.000



terdekat adalah antara gula pasir dengan cluster yang anggotanya kopi melati,

kopi nur, pepsodent, stapler, sabun daia, map polos, sampo sunsilk, map

tulang, dan rinso yaitu sebesar 5.108.000, sehingga produk-produk tersebut

menjadi satu cluster. Sekarang tersisa 3 cluster.

52






daia, map polos, sampo sunsilk, map tulang, gula pasir dan rinso) sehingga di

peroleh:

h{(5,6,7,8,9,10,12,13,15,16),(1,2,3)={d(5,1),d(6,1),d(7,1),d(8,1),d(9,1),d(10,

1),d(12,1),d(13,1),d(15,1),d(16,1),d(5,

2),d(6,2),d(7,2),d(8,2),d(9,2),d(10,2),

d(12,2),d(13,2),d(15,2),d(16,2),d(5,3),

d(6,3),d(7,3),d(8,3),d(9,3),d(10,3),d(1

2,3),d(13,3),d(15,3),d(16,3)

={222.245,000, 350.849,000,

343.397,000, 278.125,000,

294.685,000, 335.261,000,

344.889,000, 293.828,000,

280.746,000, 321.497,000,

237.445,000, 372.649,000,

364.997,000, 300.125,000,

312.085,000, 355.861,000,

366.589,000, 314.128,000,

302.146,000, 341.597,000,

191.570,000, 314.698,000,

307.674,000, 248.690,000,

53

259.114,000, 299.234,000,

309.140,000, 261.169,000,

250.433,000, 286.164,000}

= 222.245,000

h{(5,6,7,8,9,10,12,13,15,16),(4,11,14)}={d(5,4),d(6,4),d(7,4),d(8,4),d(9,4),

d(10,4),d(12,4),d(13,4),d(15,4),d(1

6,4),d(5,11),d(6,11),d(7,11),d(8,11

),d(9,11),d(10,11),d(12,11),d(13,11

),d(15,11),d(16,11),d(5,14),d(6,14)

,d(7,14),d(8,14),d(9,14),d(10,14),d

(12,14),d(13,14),d(15,14),d(16,14)

={ 8.077,000, 29. 609,000, 27.

565,000, 10.453,000, 19. 477,000,

26. 293,000, 27. 905,000, 15.

476,000, 11. 450,000, 22. 945,000,

81.881,000, 149.045,000,

144.425,000, 99.937,000,

122.473,000, 141.401,000,

145.197,000, 114.308,000,

103.050,000, 133.325,000,

55.378,000, 116.010,000,

111.850,000, 73.586,000, 90.

722,000, 108.682,000, 112.580,000,

54

85. 005,000, 75. 917,000,

101.380,000

= 8.077,000



terdekat adalah antara ekonomi, plastic pres KTP dan sabun lux dengan

cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun daia,

map polos, sampo sunsilk, map tulang, gula pasir dan rinso yaitu sebesar

8.077.000, sehingga produk-produk tersebut menjadi satu cluster. Sekarang

tersisa 2 cluster yang dapat dilihat pada tabel 15.

Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk

menggambarkan isi cluster tersebut. Dari ketiga cluster yang terbentuk kita dapat

mengklasifikasikan sebagai berikut :

Cluster pertama : jenis produk memiliki rata-rata lebih dari cluster kedua dan kurang

dari cluster ketiga, sehingga dapat kita golongkan menjadi kelompok produk dengan

tingkat pembelian sedang, anggotanya adalah gula pasir, kopi melati, kopi nur, map

tulang, pepsodent, sabun lux, dan staples.

Cluster kedua : Jenis produk memiliki rata-rata terkecil diantara cluster yang lain,

sehingga dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian

rendah, anggotanya adalah ekonomi, map polos, sabun daia, dan sampo sunsilk.

Cluster ketiga : Jenis produk memiliki rata-rata terbesar diantara cluster yang lain,

sehingga dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian

tertinggi, anggotanya adalah amplop paperlin B, amplop viva K, dan buku isi 18.

BAB V

TESTING DAN IMPLEMENTASI

5.1 Spesifikasi Minimum Sistem

Metode ini dilakukan untuk menguji konsep-konsep yang ada dengan

menggunakan alat yang sesuai. Adapun spesifikasi hardware dan software yang

digunakan dalam penulisan ini adalah sebagai berikut:

a. Hardware

- Motherboard Intel dengan Processor Intel Pentium Dual Core 3.0

GHz

- Monitor Samsung 17 inchi

- Memory 2048 Mbyte dan Hard Disk 80 Gbyte

- Keyboard BenQ dan Mouse BenQ

- Printer HP Deskjet D2466

b. Software

- Sistem Opersai Windows XP SP 2

- Microsoft Office 2007

- SPSS 16 for Windows

56

5.2 Menu Utama SPSS 16

Pada bab ini akan dijelaskan mengenai SPSS 16 dan beberapa sub menu

utama. Bagian dari menu utama menjalankan sub-sub menu dalam menu

tersebut. Keseluruhan sub-sub menu tersebut di eksekusi dalam menu utama.

Untuk lebih jelas dapat dilihat pada gambar 1.

Gambar 5.1. Menu Utama

Menu utama terdiri dari sebelas bagian menu yaitu:

a. Menu File

Menu file dipergunakan untuk membuka data, menutup data, dan lain-lain

yang berkaitan dengan pemrosesan file.

Sub menu yang sering digunakan ialah:

• New : Untuk membuka file baru.

• Open : Untuk membuka file lama.

• Open Database : Untuk membuka database yang sudah ada.

• Save : Untuk menyimpan data, output, dan sintaks.

• Save As : Untuk menyimpan data bedanya dengan Save perintah ini

dapat di gunakan untuk menyimpan dengan nama file baru.

• Print : Untuk mencetak data dan output.

• Exit : Untuk keluar dari program SPSS.

Berikut sub menu file yang tampak pada gambar 2

57

Gambar 5.2. Menu File

b. Menu Edit

Menu edit dipergunakan untuk proses editing, misalnya copy, delete, undo,

dan lain-lain. Submenu yang sering digunakan di antaranya:

• Undo : Untuk membatalkan suatu perintah yang sudah dilaksanakan.

• Redo : untuk melakukan kembali perintah yang sudah dilaksanakan.

• Copy : Untuk melakukan pengopian nama variable ataupun nilai

variable.

• Cut : Untuk memotong teks baik berupa isi variable ataupun nama

variable.

58

• Paste : Untuk meletakkan/menempel sesuatu yang sudah diberikan

perintah copy terlebih dahulu.

• Clear : Untuk menghapus.

• Find : untuk variabel nama variabel (kolom) ataupun isi kasus (baris).

Berikut sub menu edit yang tampak pada gambar 3

Gambar 5.3. Menu Edit

c. Menu View

Menu view dipergunakan untuk melihat isi tampilan SPSS. Submenu utama

ialah :

• Status Bar : Untuk mengatur status bar yang diinginkan.

• Tools Bar : Untuk memunculkan kotak dialog tools bar.

• Font : Untuk memunculkan kotak dialog perinttah fonts.

59

• Value Labels : Untuk melihat label pada variable-variabel yang sudah

dibuat.

Berikut sub menu view yang tampak pada gambar 4

Gambar 5.4. Menu View

d. Menu Data

Menu data digunakan untuk melakukan pemrosesan data. Submenu yang

digunakan ialah :

• Insert Variabel : Untuk menyisipkan variabel baru di antara variable-

variabel lama yang sudah dibuat.

• Insert Case : Untuk menyisipkan kasus baru di antara kasus-kasus

lama yang sudah dibuat.

• Go to Case : Perintah untuk menuju ke kasus (baris) tertentu.

• Select Case : Perintah untuk melakukan seleksi kasus.

60

• Split File : Untuk membuat kategori file didasarkan pada metode

tertentu.

• Dan lain-lain

Berikut sub menu data yang tampak pada gambar 5

Gambar 5.5. Menu Data

e. Menu Transform

Menu transform digunakan untuk melakukan perubahan-perubahan atau

penambahan data. Submenu di antaranya :

• Replace Missing Values : Untuk mengganti nilai yang hiang (missing

values).

61

• Create Time Series : Untuk membuat data times series.

• Compute : Untuk menghitung, misalnya melakukan proses aritmatika

untuk dua varibel.

• Dan lain-lain.


Gambar 5.6. Menu Transform

f. Menu Analyze

Menu analyze merupakan menu dimana kita melakukan analisis data yang

telah kita masukkan ke dalam komputer. Submenu diantaranya :

• Report

• Descriptive Statistics

• Table

62

• Compare Means

• General Linear Model

• Dan lain-lain


Gambar 5.7. Menu Analyze

g. Menu Graphs

Menu graphs digunakan untuk membuat grafik, di antaranya:

• Gallery : Berisi galeri grafik yang dapat dipilih sesuai dengan maslah

yang dianalisis.

• Interactive : Membuat grafik bersifat interaktif

• Map : Membuat grafik dengan model peta

• Bar : Jenis grafik dengan model batang

• Line : Jenis grafik dengan model garis

63

• Area : Jenis grafik dengan model area

• Pie : Jenis grafik dengan midel bulatan

• Dot : Jenis grafik dengan model titik

• Dan lain-lain


Gambar 5.8. Menu Graphs

h. Menu Utilities

Menu utilities dipergunakan untuk mengetahui informasi variable, informasi

file, dan lain-lain. Contoh : utilities, variables memilih variable, melihat

variable, atau mencari variable (go o case).


64

Gambar 5.9. Menu Utilities

i. Menu Add-ons

Digunakan untuk memberikan perintah kepada SPSS jika kita ingin

menggunakan aplikasi tambahan, misalnya menggunakan aplikasi Amos, SPS

data entry, text analyzes, dan sebagainya.


Gambar 5.10. Menu Add-ons

65

j. Menu Windows

Menu windows dipergunakan untuk melakukan perpindahan (switch) dari

file ke file lainnya. Perlu diketahui SPSS versi 14 dapat membuka jendela

baru sehingga mempermudah untuk proses transfer data atau kopi data.

k. Menu Help

Menu help digunakan untuk membuat pengguna dalam memahami perintah-

perintah SPSS jika pengguna mengalami kesulitan.


Gambar 5.11. Menu Help

5.3 Proses Entry Data Analisis Cluster

Proses entry bertujuan untuk memasukkan data-data yang diperlukan dalam

mendisain dan menyusun variabel. Cara memulainya ialah sebagai berikut :

a. Pilih menu Start dari windows.

b. Selajutnya, pilih menu Programs.

c. Pilih SPSS 16.

66

d. SPSS siap digunakan. Jika ingin membuka file, silahkan pilih nam file

dan klik Open. Jika akan memulai dmendesain variabel dan memasukan

data, pilihlah Cancel.

e. Susunlah definisi variabel pada “Variabel View” yang terletak di

sebelah kiri bawah. Berikut keterangan dalam menyusun varabel :

• Name : masukkan nama variabel tertentu atau yang telah

ditetapkan.

• Type : masukkan type variabel untuk mendefinisikan apakah itu

bersifat numeric atau string.

• Width : untuk menuliskan panjang pendek variabel.

• Decimal : untuk menuliskan jumlah decimal di belakang koma.

• Label : untuk menuliskan label variabel.

• Values : untuk menuliskan nilai kuantitatif dari variabel yang

skala pengukurannya ordinal dan nominal bukan scale.

• Missing : untuk menuliskan ada dan tidaknya jawaban kosong.

• Collumns : untuk menuliskan lebar kolom.

• Align : untuk menuliskan rata kanan, kiri, atau tengah

penempatan teks atau angka di Data View.

• Measure : untuk menentukan skala pengukuran variabel,

misalnya nominal, ordinal, atau scale.

Contoh pengisian data defenisi variabel ang tampak pada gambar 12:

67

Gambar 5.12. Defenisi Variabel

f. Masukkan data yang akan kita teliti pada “Data View”. Setelah itu

masukkan data mulai dari data ke-1 sampai data ke-n.

Contoh pengisian data pada data view yang tampak pada gambar 13:

Gambar 5.13. Data pada “Data View”

g. Setelah semua data dimasukkan, kita dapat menganalisa data dengan

tahapan sebagai berikut :

• Klik “Analyze” .

• Selanjutnya pilih “Classify”.

• Pilih “Herarchical Cluster”, maka akan muncul tampilan

jendela baru.

• Pilihlah data yang akan dijadikan variabel dan label cases.

68

Contoh penempatan data dapat dilihat pada gambar 14 :

Gambar 5.14. Herarchical Cluster

• Klik “Statistics”.

• Lakukan centang (v) pada pilihan “Proximity Matrix”, lalu klik

“Continue”

• Selanjutnya klik “OK”

BAB VI

PENUTUP

6.1 Kesimpulan

Berdasarkan uraian pada bab-bab sebelumnya, maka penulis dapat

mengemukakan beberapa kesimpulan :

1. Proses cluster secara hirarki dengan menggunakan metode single linkage

mampu menunjukkan keterkaitan setiap produk.

2. Hasil analisis cluster dari 16 jenis produk yang dapat dikelompokkan

menjadi tiga cluster, yaitu: cluster pertama adalah kelompok produk

pembelian sedang, cluster kedua adalah kelompok produk pembelian

rendah dan cluster ke tiga adalah kelompok produk pembelian tinggi

6.2 Keterbatasan Sistem

Dalam melakukan penganalisaan dengan menggunakan SPSS 16 For

Windows, penulis masih menemukan keterbatasan sistem yang digunakan,

diantaranya :

1. Sistem hanya mampu melakukan proses komputasi terhadap data yang di

input – kan.

2. Penulis masih menggunakan cara manual dalam mencari hubungan dari

setiap produk.

70

6.3 Saran

1. Setelah mengetahui tingkat pembelian produk, diharapkan para pelaku

swalayan lebih memperhatikan produk.

2. Untuk peneliti selanjutnya diharapkan dapat menggunakan analisis

statistik yang lain dalam pengolahan data.

DAFTAR PUSTAKA

---------, 2010. Analisis Cluster

http://pskmp.site88.net/tugas/ktp_agus_m2.pdf [28 April 2010]

Jonatan, S. Statistik Itu Mudah. Yogyakarta: Andi Offset

Kusrini, dkk. 2009. Algoritma Data Mining. Yogyakarta: Andi Offset

abel 2

Squared Euclidean Distance Case 1,00 2,00 3,00 4,00 5,00 6,70 8,00 9,00 10,00 11,00 12,00 13,00 14,00 15,00 16,00 1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 343.397,000 278.125,000 294.685,000 335.261,000 64.872,000 344.889,000 293.828,000 74.441,000 280.746,000 321.497,000 2,00 0,000 2.465,000 207.188,000 237.445,000 364.997,000 300.125,000 312.085,000 355.861,000 85.972,000 366.589,000 314.128,000 92.941,000 302.146,000 341.597,000 3,00 0,000 165.565,000 191.570,000 307.674,000 248.690,000 259.114,000 299.234,000 64.529,000 309.140,000 261.169,000 67.912,000 250.433,000 286.164,000 4,00 0,000 8.077,000 27.565,000 10.453,000 19.477,000 26.293,000 45.800,000 27.905,000 15.476,000 28.673,000 11.450,000 22.945,000 5,00 0,000 14.096,000 5.920,000 5.108,000 12.132,000 81.881,000 14.426,000 5.965,000 55.378,000 5.525,000 9.626,000 6,70 0,000 4.112,000 2.788,000 116,000 144.425,000 2,000 1.933,000 111.850,000 3.485,000 450,000 8,00 0,000 3.140,000 3.796,000 99.937,000 4.234,000 773,000 73.586,000 61,000 2.762,000 9,00 0,000 1.808,000 122.473,000 2.938,000 941,000 90.722,000 2.329,000 1.018,000 10,00 0,000 141.401,000 146,000 1.453,000 108.682,000 3.089,000 146,000 11,00 0,000 145.197,000 114.308,000 2.885,000 103.050,000 133.325,000 12,00 0,000 2.045,000 112.580,000 3.609,000 512,000 13,00 0,000 85.005,000 410,000 733,000 14,00 0,000 75.917,000 101.380,000 15,00 0,000 2.105,000 16,00 0,000

tabel 3

Squared Euclidean Distance Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 10,00 11,00 6,7,12 13,00 14,00 15,00 16,00 1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 278.125,000 294.685,000 335.261,000 64.872,000 344.889,000 293.828,000 74.441,000 280.746,000 321.497,000

2,00 0,000 2.465,000 207.188,000 237.445,000 300.125,000 312.085,000 355.861,000 85.972,000 366.589,000 314.128,000 92.941,000 302.146,000 341.597,000 3,00 0,000 165.565,000 191.570,000 248.690,000 259.114,000 299.234,000 64.529,000 309.140,000 261.169,000 67.912,000 250.433,000 286.164,000

4,00 0,000 8.077,000 10.453,000 19.477,000 26.293,000 45.800,000 27.905,000 15.476,000 28.673,000 11.450,000 22.945,000

5,00 0,000 5.920,000 5.108,000 12.132,000 81.881,000 14.426,000 5.965,000 55.378,000 5.525,000 9.626,000

8,00 0,000 3.140,000 3.796,000 99.937,000 4.234,000 773,000 73.586,000 61,000 2.762,000

9,00 0,000 1.808,000 122.473,000 2.938,000 941,000 90.722,000 2.329,000 1.018,000

10,00 0,000 141.401,000 146,000 1.453,000 108.682,000 3.089,000 146,000

11,00 0,000 145.197,000 114.308,000 2.885,000 103.050,000 133.325,000

6,7,12 0,000 2.045,000 112.580,000 3.609,000 512,000

13,00 0,000 85.005,000 410,000 733,000

14,00 0,000 75.917,000 101.380,000

15,00 0,000 2.105,000

16,00 0,000

tabel 4

Squared Euclidean Distance Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 6,7,12,10 11,00 13,00 14,00 15,00 16,00 1,00 0,000 2.500,00

0 3.365,00

0 185.888,00

0 222.245,00

0 278.125,00

0 294.685,000 335.261,00

0 64.872,000 293.828,000 74.441,000 280.746,00

0 321.497,00

0 2,00 0,000 2.465,00

0 207.188,00

0 237.445,00

0 300.125,00

0 312.085,000 355.861,000 85.972,000 314.128,000 92.941,000 302.146,00

0 341.597,00

0 3,00 0,000 165.565,00

0 191.570,00

0 248.690,00

0 259.114,000 299.234,00

0 64.529,000 261.169,000 67.912,000 250.433,00

0 286.164,00

0 4,00 0,000 8.077,000 10.453,000 19.477,000 26.293,000 45.800,000 15.476,000 28.673,000 11.450,000 22.945,000

5,00 0,000 5.920,000 5.108,000 12.132,000 81.881,000 5.965,000 55.378,000 5.525,000 9.626,000

8,00 0,000 3.140,000 3.796,000 99.937,000 773,000 73.586,000 61,000 2.762,000

9,00 0,000 1.808,000 122.473,000

941,000 90.722,000 2.329,000 1.018,000

6,7,12,10 0,000 141.401,000 1.453,000 108.682,00

0 3.089,000 146,000

11,00 0,000 114.308,000 2.885,000 103.050,000

133.325,000

13,00 0,000 85.005,000 410,000 733,000

14,00 0,000 75.917,000 101.380,000

15,00 0,000 2.105,000

16,00 0,000

tabel 5

Squared Euclidean Distance

Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 11,00 13,00 14,00 15,00 6,7,12,10,1

6

1,00 0,000 2.500,000

3.365,000

185.888,000

222.245,000

278.125,000

294.685,000 64.872,000 293.828,000

74.441,000 280.746,000

321.497,000

2,00 0,000 2.465,000

207.188,000

237.445,000

300.125,000

312.085,000 85.972,000 314.128,000

92.941,000 302.146,000

341.597,000

3,00 0,000 165.565,000

191.570,000

248.690,000

259.114,000 64.529,000 261.169,000

67.912,000 250.433,000

286.164,000

4,00 0,000 8.077,000 10.453,000 19.477,000 45.800,000 15.476,000 28.673,000 11.450,000 22.945,000

5,00 0,000 5.920,000 5.108,000 81.881,000 5.965,000 55.378,000 5.525,000 9.626,000

8,00 0,000 3.140,000 99.937,000 773,000 73.586,000 61,000 2.762,000

9,00 0,000 122.473,000

941,000 90.722,000 2.329,000 1.018,000

11,00 0,000 114.308,000

2.885,000 103.050,000

133.325,000

13,00 0,000 85.005,000 410,000 733,000

14,00 0,000 75.917,000 101.380,000

15,00 0,000 2.105,000

6,7,12,10,16 0,000

tabel 6


Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 11,00 6,7,12,10,16,

13 14,00 15,00

1,00 0,000 2.500,000

3.365,000 185.888,000

222.245,000

278.125,000 294.685,000

64.872,000 293.828,000 74.441,000 280.746,000

2,00 0,000 2.465,000 207.188,000

237.445,000

300.125,000 312.085,000

85.972,000 314.128,000 92.941,000 302.146,000

3,00 0,000 165.565,000

191.570,000

248.690,000 259.114,000

64.529,000 261.169,000 67.912,000 250.433,000

4,00 0,000 8.077,000 10.453,000 19.477,000 45.800,000 15.476,000 28.673,000 11.450,000

5,00 0,000 5.920,000 5.108,000 81.881,000 5.965,000 55.378,000 5.525,000

8,00 0,000 3.140,000 99.937,000 773,000 73.586,000 61,000

9,00 0,000 122.473,000

941,000 90.722,000 2.329,000

11,00 0,000 114.308,000 2.885,000 103.050,000

6,7,12,10,16,13 0,000 85.005,000 410,000

14,00 0,000 75.917,000

15,00 0,000

tabel 7


Case 1,00 2,00 3,00 4,00 5,00 6,7,8,10,12,13,

16 9,00 11,00 14,00 15,00

1,00 0,000 2.500,000 3.365,000 185.888,00

0 222.245,00

0 278.125,000 294.685,000 64.872,000 74.441,000 280.746,00

0

2,00 0,000 2.465,000 207.188,000

237.445,000

300.125,000 312.085,000

85.972,000 92.941,000 302.146,000

3,00 0,000 165.565,000

191.570,000 248.690,000 259.114,00

0 64.529,000 67.912,000 250.433,000

4,00 0,000 8.077,000 10.453,000 19.477,000 45.800,000 28.673,000 11.450,000

5,00 0,000 5.920,000 5.108,000 81.881,000 55.378,000 5.525,000

6,7,8,10,12,13,16 0,000 3.140,000 99.937,000 73.586,000 61,000

9,00 0,000 122.473,000 90.722,000 2.329,000

11,00 0,000 2.885,000 103.050,000

14,00 0,000 75.917,000

15,00 0,000

tabel 8

Squared Euclidean Distance Case

1,00 2,00 3,00 4,00 5,00 9,00 11,00 14,00 6,7,8,10,12,13,15,16

1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 294.685,000 64.872,000 74.441,000 280.746,000

2,00 0,000 2.465,000 207.188,000 237.445,000 312.085,000 85.972,000 92.941,000 302.146,000

3,00 0,000 165.565,000 191.570,000 259.114,000 64.529,000 67.912,000 250.433,000

4,00 0,000 8.077,000 19.477,000 45.800,000 28.673,000 11.450,000

5,00 0,000 5.108,000 81.881,000 55.378,000 5.525,000

9,00 0,000 122.473,000 90.722,000 2.329,000

11,00 0,000 2.885,000 103.050,000

14,00 0,000 75.917,000

6,7,8,10,12,13,15,16 0,000

tabel 9


1,00 2,00 3,00 4,00 5,00 6,7,8,9,10,12,13,15,16 11,00 14,00

1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 294.685,000 64.872,000 74.441,000

2,00 0,000 2.465,000 207.188,000 237.445,000 312.085,000 85.972,000 92.941,000

3,00 0,000 165.565,000 191.570,000 259.114,000 64.529,000 67.912,000

4,00 0,000 8.077,000 19.477,000 45.800,000 28.673,000

5,00 0,000 5.108,000 81.881,000 55.378,000

6,7,8,9,10,12,13,15,16 0,000 122.473,000 90.722,000

11,00 0,000 2.885,000

14,00 0,000

tabel 10


1,00 2,30 4,00 5,00 6,7,8,9,10,12,13,15,16 11,00 14,00

1,00 0,000 3.365,000 185.888,000 222.245,000 294.685,000 64.872,000 74.441,000

2,30 0,000 165.565,000 191.570,000 259.114,000 64.529,000 67.912,000

4,00 0,000 8.077,000 19.477,000 45.800,000 28.673,000

5,00 0,000 5.108,000 81.881,000 55.378,000

6,7,8,9,10,12,13,15,16 0,000 122.473,000 90.722,000

11,00 0,000 2.885,000

14,00 0,000

tabel 11


Case 1,00 2,30 4,00 5,00 6,7,8,9,10,12,13,15,16 11,14

1,00 0,000 3.365,000 185.888,000 222.245,000 294.685,000 74.441,000

2,30 0,000 165.565,000 191.570,000 259.114,000 67.912,000

4,00 0,000 8.077,000 19.477,000 28.673,000

5,00 0,000 5.108,000 55.378,000

6,7,8,9,10,12,13,15,16 0,000 90.722,000

11,14 0,000

tabel 12


Case 1,00 2,30 4,11,14 5,00 6,7,8,9,10,12,13,15,16

1,00 0,000 3.365,000 185.888,000 222.245,000 294.685,000

2,30 0,000 165.565,000 191.570,000 259.114,000

4,11,14 0,000 8.077,000 19.477,000

5,00 0,000 5.108,000

6,7,8,9,10,12,13,15,16 0,000

tabel 13


Case 1,2,3 4,11,14 5,00 6,7,8,9,10,12,13,15,16

1,2,3 0,000 185.888,000 222.245,000 294.685,000

4,11,14 0,000 8.077,000 19.477,000

5,00 0,000 5.108,000

6,7,8,9,10,12,13,15,16 0,000

tabel 14


Case 1,2,3 4,11,14 5,6,7,8,9,10,12,13,15,16

1,2,3 0,000 185.888,000 222.245,000

4,11,14 0,000 8.077,000

5,6,7,8,9,10,12,13,15,16 0,000

tabel 15


Case 1,2,3 4,11,14,5,6,7,8,9,10,12,13,15,16

1,2,3 0,000 222.245,000

4,11,14,5,6,7,8,9,10,12,13,15,16 0,000

penerapan data mining pada swalayan koperasi …

Documents