Institut Teknologi Sepuluh Nopember

www.its.ac.id

Institut Teknologi Sepuluh Nopember

www.its.ac.id

CLUSTER ANALYSIS

DEPARTMENT OF URBAN AND REGIONAL

PLANNING

2019

1. PENGERTIAN:

• Definisi:

➢ Teknik statistik multivariat untuk mengidentifikasi sekelompok objek (case) yang memiliki kemiripan karakteristik tertentu sehingga dapat dipisahkan dari kelompok objek lainnya.

• Tujuan:

➢Menemukan kelompok objek/cluster berdasarkan karakteristik yang dimilikinya

➢Memudahkan interpretasi, analisis lanjut, dan penanganan

➢Mereduksi data

Kasus 1:

Individu Asal Hoby Makanan favorit

A Surabaya Baca Nasi Goreng

B Denpasar Travel Chinese

C Malang Nonton Chinese

D Semarang Baca Padang

E Kupang Olah raga Burger

▪ Kelompok berdasarkan asal daerah:

I : A, C, D -------------- II : B, E

Kelompok berdasarkan hoby:

I : A, D --------------- II : B, C, E

Kelompok berdasarkan makanan

I : B, C, E --------------- II : A, D

Cluster Analysis:

Kelompok berdasarkan asal, hoby,

makanan favorit??

2. PRINSIP-PRINSIP DASAR:Prinsip:

• Pengelompokan berdasarkan similarity (kesamaan) antar objek

• Meminimalkan jarak antar objek dalam cluster (within cluster)

• Memaksimalkan jarak antar kelompok (between cluster)

Pertanyaan dasar:1. Bagaimana mengukur similarity antar objek?

2. Bagaimana prosedur membentuk cluster berdasarkan hasil pengukuran similarity-nya?

WITHIN AND BETWEEN CLUSTER

3. MENGUKUR SIMILARITY:

Prinsip pengukuran:

mengukur atau memperkirakan kesamaan antara

pasangan-pasangan objek dalam data, berdasarkan jarak

(distance) atau perbedaan (difference) antara sepasang

objek

Metode:

•Correlation coefficients: nilai korelasi antara sepasang

objek yang diukur berdasarkan variabel-variabelnya

•Euclidean Distances:berdasarkan jarak terdekat antara

dua objek yang diukur berdasarkan nilai variabel-

variabelnya

•Matching-type measure of similarity: mencocokkan

kesamaan antar objek (untuk objek-objek kualitatif)

Pertimbangan pemilihan metode:

• Correlation coefficients:

• Euclidean Distances

• Matching-type

measure of

similarity:

• Karakter variabel

(diskrit, continyu,

binary)

• Skala pengukuran

variabel (nominal,

ordinal, interval, ratio)

Euclidean Distances:

Matching-type measure of similarity:

4. PROSEDUR

PEMBENTUKAN CLUSTER

METODE:

- Non Hierarchical Cluster:

- Hierarchical Cluster:

Pertanyaan dasar:

Berapa banyak cluster yang akan

dibentuk??

Siapa saja anggotanya??

PROSEDUR PEMBENTUKAN CLUSTER:

Data:

Objek dengan

karakteristiknya

Matrik

similarity

Cluster

yang

terbentuk

•Euclidean Distance

•Correlation

•Matching type

•Hierarchical

cluster

•Non-Hierarchical

cluster

•Cluster 1: O1, O2, O3

•Cluster 2: 04

ProsedurPengklasteran

Hierarchical Methods

pembagian kelompok dilakukan berdasarkan hirarki

yang ada sehingga jumlah kelompok data yang

terbentuk sangat bergantung pada karakteristik data

Non-hierarchical/Partitioning Methods/K-means Clustering

jumlah cluster ditentukan dahulu baru kemudian

data dibagi sesuai dengan jumlah kelompok yang telah

ditetapkan

Prosedur Pengklasteran

Pengklasteran hierarki ditandai dengan pengembangan

suatu hierarki atau struktur mirip pohon (tree like structure)

Pengelompokan objek secara bertahap dan bertingkat

sesuai dengan skala similarity-nya

Jika suatu objek dikelompokkan ke dalam suatu cluster, maka

objek tersebut tetap berada pada kelompok tersebut, sehingga jika

ketika objek tadi akan dikelompokkan dengan objek lain, maka

culster-nya akan dikelompokkan juga

Penentuan jumlah cluster ditentukan kemudian sesuai

dengan keinginan peneliti

Dimodelkan dengan DENDOGRAM

Contoh dendogram:

Posisi objek dalam suatu cluster tidak tetap, meskipun

objek telah masuk dalam suatu cluster, objek tersebut

dapat mengalami relokasi ke dalam cluster lain.

Umumnya digunakan untuk objek dalam jumlah yang

besar (> 200)

Pengklasteran aglomeratif dimulai dengan

mengelompokkan objek dalam suatu cluster yang terpisah,

hingga semua objek menjadi anggota dari suatu klaster

tunggal.

Pengklasteran devisive dimulai dengan semua objek

dikelompokkan menjadi cluster tunggal, kemudian

dipisahkan hingga setiap objek berada dalam cluster yang

terpisah.

Single Linkage

Complete Linkage

Average Linkage

Linkage Method of Clustering

Single Linkage minimum distance or nearest

neighbor mengelompokkan objek dengan teknik

jarak terdekat

Complete linkage maximum distance or

furthest neighbor) mengelompokkan objek

dengan teknik jarak terjauh

Average linkage average distance

pengelompokan objek berdasarkan jarak rata-rata

antara dua kelompok cluster

Pengklasteran Ideal

Pengklasteran dalam Praktek

A Schematic Diagram of the Discipline of Statistical Analysis

SEKIAN, TERIMA KASIH