tugas research logy 7mei2012 fitri&souvenir
TRANSCRIPT
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
1/12
TUGAS RESEARCH METODOLOGY07 Mei 2012
Fitri Rahayu Pasaribu (109400017)
Souvenir Iddha Wulandari (109400045)
Kelas A 2009
-------------------------------------------------------------------
CLUSTER ANALYSIS
1. PengertianAnalisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis
cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya
dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk
memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi.
Berbeda dengan teknik multivariat lainnya, analisis ini tidak mengestimasi set variabel
secara empiris sebaliknya menggunakan set variabel yang ditentukan oleh peneliti itu
sendiri. Fokus dari analisis cluster adalah membandingkan objek berdasarkan set variabel,
hal inilah yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis
dalam analisis cluster. Set variabel cluster adalah suatu set variabel yang
merepresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan analisis
faktor adalah bahwa analisis cluster terfokus pada pengelompokan objek sedangkan
analisis faktor terfokus pada kelompok variabel.
Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap
penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa solusi yang
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
2/12
berbeda dapat diperoleh dengan mengubah satu elemen atau lebih. Solusi cluster secara
keseluruhan bergantung pada variabel-variaabel yang digunakan sebagai dasar untuk
menilai kesamaan. Penambahan atau pengurangan variabel-variabel yang relevan dapat
mempengaruhi substansi hasil analisis cluster.
2. Langkah-Langkah PengerjaanSebagaimana teknik multivariat lain proses analisis cluster dapat dijelaskan dalam enam tahap
sebagai berikut :
Tahap Pertama : Tujuan Analisis Cluster
Tujuan utama analisis cluster adalah mempartisi suatu set objek menjadi dua kelompok atau
lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.
Dalam pembentukan kelompok/cluster dapat dicapai tiga tujuan, yaitu :
A. Deskripsi klasifikasi (taxonomy description)
Penerapan analisis cluster secara tradisisonal bertujuan mengeksplorasi dan membentuk suatu
klasisfikasi/taksonomi secara empiris. Karena kemampuan partisinya analisis cluster dapat
diterapkan secara luas. Meskipun secara empiris merupakan teknik eksplorasi analisis cluster
dapat pula digunakan untuk tujuan konfirmasi.
a. Penyederhanaan DataPenyederhanaan data merupakan bagian dari suatu taksonomi. Dengan struktur yang terbatas
observasi/objek dapat dikelompokkan untuk analisis selanjutnya.
b. Identifikasi Hubungan (Relationship Identification)Hubungan antar objek diidentifikasi secara empiris. Struktur analisis cluster yang sederhana dapat
menggambarkan adanya hubungan atau kesamaan dan perbedaan yang tidak dinyatakan
sebelumnya.
Pemilihan pada Pengelompokan Variabel
Tujuan analisis cluster tidak dapat dipisahkan dengan pemilihan variabel yang digunakan
untuk menggolongkan objek ke dalam clucter-cluster. Cluster yang terbentuk merefleksikan
struktur yang melekat pada data seperti yang didefinisikan oleh variabel-variabel. Pemilihan
variabel harus sesuai dengan teori dan konsep yang umum digunakan dan harus rasional.
Rasionalitas ini didasarkan pada teori-teori eksplisit atau penelitian sebelumnya. Variabel-
variabel yang dipilih hanyalah variabel yang dapat mencirikan objek yang akan dikelompokkan
dan secara spesifik harus sesuai dengan tujuan analisis cluster.
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
3/12
Tahap Kedua : Desain Penelitian dalam Analisis Cluster
Tiga hal penting dalam tahap ini adalah pendeteksian outlier, mengukur kesamaan, dan
standarisasi data.
A. Pendeteksian Outlier
Outlier adalah suatu objek yang sangat berbeda dengan objek lainnya. Outlier dapat digambarkan
sebagai observasi yang secara nyata kebiasaan, tidak mewakili populasi umum, dan adanya
undersampling dapat pula memunculkan outlier. Outlier menyebabkan menyebabkan struktur
yang tidak benar dan cluster yang terbentuk menjadi tidak representatif.
B. Mengukur Kesamaan antar Objek
Konsep kesamaan adalah hal yang fundamental dalam analisis cluster. Kesamaan antar objek
merupakan ukuran korespondensi antar objek. Ada tiga metode yang dapat diterapkan, yaitu
ukuran korelasi, ukuran jarak, dan ukuran asosiasi.
a. Ukuran KorelasiUkuran ini dapat diterapkan pada data dengan skala metrik, namun jarang digunakan karena
titik bertnya pada nilai suatu pola tertentu, padahal tisik berat analisis cluster adalah besarnya
objek. Kesamaan antar objek dapat dilihat dari koefisien korelasi antar pasangan objek yang
diukur dengan beberapa variabel.
b. Ukuran JarakMerupakan ukuran yang paling sering digunakan. Diterapkan untuk data berskala metrik.
Sebenarnya merupakan ukuran ketidakmiripan, dimana jarak yang besar menunjukkan sedikit
kesamaan sebaliknya jarak yang pendek/kesil menunjukkan bahwa suatu objek makin mirip
dengan objek lain. Bedanya dengan ukuran korelasi adalah bahwa ukuran jarak fokusnya pada
besarnya nilai. Cluster berdasarkan ukuran korelasi bisa saja tidak memiliki kesamaan nilai tapi
memiliki kesamaan pola, sedangkan cluster diberdasarkan ukuran jarak lebih memiliki kesamaan
nilai meskipun polanya berbeda.
Ada beberapa tipe ukuran jarak antara lain jarak Euklidian, jarak city-Box, dan jarak
Mahalanobis. Ukuran yang paling sering digunakan adalah jarak Euklidian. Jarak Euklidian
adalah besarnya jarak suatu garis lurus yang menghubungkan antar objek. Misalkan ada dua objek
yaitu A dengan koordinat ( ) dan B dengan koordinat ( ) maka jarak antar kedua objek tersebut
dapat diukur dengan rumus ....
c. Ukuran AsosiasiUkuran asosiasi dipakai untuk mengukur data berskala nonmetrik (nominal atau ordinal).
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
4/12
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
5/12
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
6/12
Dalam metode ini jarak antara dua cluster adalah jumlah kuadrat antara dua cluster untuk
seluruh variabel. Metode ini cenderung digunakan untuk mengkombinasi cluster-cluster dengan
jumlah kecil.
e. Metode Centroid
Jarak antara dua cluster adalah jarak antar centroid cluster tersebut. Centroid cluster
adalah nilai tengah observasi pada variabel dalam suatu set variabel cluster. Keuntungannya
adalah outlier hanya sedikit berpengaruh jika dibandingkan dengan metode lain.
B. Metode Non Hirarkhi
Masalah utama dalam metoda non hirarkhi adalah bagaimana memilih bakal cluster.
Harus disadari pengaruh pemilihan bakal cluster terhadap hasil akhir analisis cluster. Bakal
cluster pertama adalah observasi pertama dalam set data tanpa missing value. Bakal kedua adalah
observasi lengkap berikutnya (tanpa missing data) yang dipisahkan dari bakal pertama oleh jarak
minimum khusus.
Ada tiga prosedur dalam metode non hirarkhi, yaitu :
a. Sequential thresholdMetode ini dimulai dengan memilih bakal cluster dan menyertakan seluruh objek dalam jarak
tertentu. Jika seluruh objek dalam jarak tersebut disertakan, bakal cluster kedua terpilih,kemudian proses terus berlangsung seperti sebelumnya.
b. Parallel ThresholdMetode ini memilih beberapa bakal cluster secara simultan pada permulaannya dan menandai
objek-objek dengan jarak permulaan ke bakal terdekat.
c. OptimalisasiMetode ketiga ini mirip dengan kedua metode sebelumnya kecuali pada penandaan ulang
terhadap objek-objek.
Hal penting lain dalam tahap keempat adalah menentukan jumlah cluster yang akan dibentuk.
Sebenarnya tidak ada standar, prosedur pemilihan tujuan eksis. Karena tidak ada kriteria statistik
internal digunakan untuk inferensia, seperti tes signifikansi pada teknik multivariat lainnya, para
peneliti telah mengembangkan beberapa kriteria dan petunjuk sebagai pendekatan terhadap
permasalahan ini dengan memperhatikan substansi dan aspek konseptual.
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
7/12
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. Proses ini dimulai
dengan suatu ukuran yang sering digunakan yaitu centroid cluster.
Membuat profil dan interpretasi cluster tidak hanya untuk memperoleh suatu gambaran saja
melainkan pertama, menyediakan suatu rata-rata untuk menilai korespondensi pada cluster yang
terbentuk, kedua, profil cluster memberikan arahan bagi penilaian terhadap signifikansi praktis.
Tahap Keenam: Proses Validasi dan Pembuatan Profil (PROFILING) Cluster
A. 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.
B. Pembuatan Profil (PROFILING) Solusi Cluster
Tahap ini menggambarkan karakteristik tiap cluster untuk menjelaskan cluster-cluster tersebut
dapat dapat berbeda pada dimensi yang relevan. Titik beratnta pada karakteristik yang secara
signifikan berbeda antar clustre dan memprediksi anggota dalam suatu cluster khusus.
Secara keseluruhan proses analisis cluster berakhir setelah keenam tahap ini dilalui. Hasil
analisis cluster dapat digunakan untuk berbagai kepentingan sesuai dengan materi yang dianalisis.
3. Aplikasi Segmentasi Pasar Konsumen Memahami Perilaku Pembeli. Mengidentifikasi peluang produk baru Memilih pasar mana yang akan dituju (targeting). Meringkas data atau Mereduksi data.
4. Contoh-contohContoh: Berdasarkan data BPS pada laporan Sosial Indonesia dari Supas dan Sakernas 1995
didapatkan data seperti pada tabel 1.
Mengingat penduduk lansia semakin lama semakin banyak, didasarkan perkiraan BPS pada
tahun 2005 penduduk lansia cenderung bertambah atau ada perubahan struktur dari struktur penduduk
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
8/12
muda ke struktur penduduk tua. Maka dari itu perlu adanya perhatian ekstra dari pihak pemerintah
untuk permsalahan ini.
Pembentukan wilayah pembinaan untuk permasalahan lansia dapat dilakukan dengan
membentuk wilayah konsentrasi berdasarkan data pada tabel 1. Model analisis cluster sangat
mendukung penbentukan wilayah tersebut.
Tabel. 1
Enam Kriteria Keterlantara Lansia Menurut Propinsi
PROPINSI
tidak pernah
sekolah/tamat
SD
makan
makanan
pokok
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
9/12
TENGGARA
TIMUR
KALIMANTAN
BARAT83,48 54,34 38,60 29,46 3,87 7,51
KALIMANTAN
TIMUR60,37 50,29 18,78 28,13 6,69 2,68
KALIMANTAN
SELATAN76,93 38,72 16,65 29,37 2,77 7,07
KALIMANTAN
TENGAH73,43 52,45 18,18 12,72 1,11 1,01
SULAWESI
UTARA51,30 58,14 25,58 11,08 1,84 2,89
SULAWESI
TENGAH66,01 54,47 16,29 32,81 2,47 8,66
SULAWESI
SELATAN77,62 58,74 10,93 24,03 3,70 6,89
SULAWESI
TENGGARA74,65 72,91 3,19 17,78 1,07 8,78
IRIAN JAYA 52,32 70,04 30,37 16,84 6,58 18,62
Dalam melakukan analisis cluster terdapat dua metode yaitu metode kelompok hiraki dan
metode kelompok non hirarki.
Dalam hal ini metode yang digunakan adalah metode hiraki karena paling banyak digunakan
oleh para peneliti dan memiliki keunggulan tersendiri, yaitu pengelompokan yang terbentuk dapat
terjadi secara alamiah.
Berdasarkan hasil pengolahan didapatkan Hasil sebagai berikut:
Dilihat dari kemiripan dalam melakukan pengklusteran propinsi Jambi dengan Sumatera
Utara mempunyai jarak 2,241. sedang propinsi Jambi dengan Sumatera Selatan berjarak 7,830. Jadi
karakteristik lansia terlantar di propinsi Jambi dengan Sumatera Utara lebih mirip bila dibandingkan
dengan propinsi Jambi dengan Sumatera Selatan. Demikian pula kemiripan propinsi-propinsi lainnya
dapat dilihat dengan melihat kedekatan jaraknya. Semakin dekat jaraknya berarti semakin mirip.
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
10/12
Agglom eration Schedule
3 19 .390 0 0 11
10 12 .788 0 0 5
11 13 1.188 0 0 15
4 6 1.759 0 0 9
10 18 2.758 2 0 12
2 20 3.828 0 0 11
5 17 4.909 0 0 18
21 22 6.047 0 0 14
1 4 7.473 0 4 10
1 7 9.159 9 0 17
2 3 11.209 6 1 1710 14 13.356 5 0 15
9 16 16.215 0 0 16
21 23 19.278 8 0 16
10 11 22.930 12 3 19
9 21 28.014 13 14 18
1 2 35.627 10 11 19
5 9 45.231 7 16 20
1 10 56.362 17 15 23
5 15 69.666 18 0 21
5 24 86.659 20 0 22
5 8 108.660 21 0 231 5 138.000 19 22 0
Stage1
2
3
4
5
6
7
8
9
10
1112
13
14
15
16
17
18
19
20
21
2223
Cluster 1 Cluster 2
Cluster Combined
Coeff icients Cluster 1 Cluster 2
Stage Cluster First
Appears
Next Stage
Dari tabel 3., kita bisa melihat bahwa aglomerasi melakukan pengelompokkan secara satu
demi satu. Pada tahap 1 (stage 1) kasus nomor 3 (propinsi ke 3) dan 19 (propinsi ke 19) adalah yang
paling mirip, maka mereka menjadi kelompok terlebih dahulu. Kemudian lihat kolom next stage pada
baris pertama, yang merupakan kelanjutan stage untuk cluster. Terlihat stage 14 yang berarti stage
dilanjutkan ke stage 14.
Pada stage 14 terlihat bahwa angka 3 (propinsi 3) dan 11 (propinsi 11) hal ini berarti bahwa
propinsi 11 masuk pada kelompok 1 yang terbentuk yaitu 3 dan 19. dengan demikian sudah diketahui
bahwa ada 3 anggota yang sudah diketahui clusternya. Kemudian lihat next stage pada baris ke 14.
dimana cluster terakhir dilakukan. Terlihat angka 17, yang berarti proses cluster dilanjutkan ke stage
17. demikian selanjutnya sampai semua cluster terbentuk.
Tabel 3.
Agglomerasion Schedule
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
11/12
Bila melihat keanggotaan kluster, terdapat perubahan letak propinsi dalam cluster, seperti
propinsi Irian jaya yang semula berada dalam kelompok 4 manjadi kelompok 2 dalam cluster 3.
Sedang untuk jumlah cluster 2 terdapat perubahan cluster untuk propinsi Jakarta yang semula ada
pada cluster 3 menjadi cluster 2.
Perubahan-perubahan ini dapat dilihat pada tabel dibawah ini.
Tabel 4
Keanggotaan Kluster
Secara visual hasil pengelompokan dapat dilihat pada dendogram di tabel 5. Pengelompokan
propinsi propinsi untuk lansia terlantar dapat dibagi atas beberapa kelompok. Penentuan banyaknya
kelompok dapat dilihat dari karakteristik masing-masing wilayah propinsi.
Cluster Mem bers hip
1 1 1
1 1 1
1 1 1
1 1 1
2 2 2
1 1 1
1 1 1
3 3 2
2 2 2
1 1 1
1 1 1
1 1 1
1 1 1
1 1 1
2 2 2
2 2 2
2 2 2
1 1 1
1 1 11 1 1
2 2 2
2 2 2
2 2 2
4 2 2
Case
1:SUMATERA UTARA
2:SUMATERA BARAT
3:RIAU
4:JAMBI
5:SUMATERA SELATAN
6:BENGKULU
7:LAMPUNG
8:DKI JAKARTA
9:JAWA BARAT
10:JAWA TENGAH
11:D.I. YOGYAKARTA
12:JAWA TIMUR
13:BALI
14:NUSA TENGGARA
BARAT
15:NUSA TENGGARA
TIMUR
16:KALIMANTAN BARAT
17:KALIMANTAN TIMUR
18:KALIMANTAN
SELATAN
19:KALIMANTAN TENGAH20:SULAWESI UTARA
21:SULAWESI TENGAH
22:SULAWESI SELATAN
23:SULAWESI
TENGGA RA
24:IRIAN JAYA
4 Clusters 3 Clusters 2 Clusters
-
7/31/2019 Tugas Research logy 7mei2012 Fitri&Souvenir
12/12
Melihat dari karakteristik masing-masing wilayah ada beberapa 3 pengelompokan, yaitu:
1. Jumlah 2 Kelompok yang terdiri dari kelompok pertama meliputi propinsi Sumatera Utara,Sumatera Barat, Riau, Jambi, Bengkulu, Lampung, Jawa Tengah, DI yokyakarta, Jawa Timur,
Bali, NTB, Kal Teng, Kal Sel, Sulutdan kelompok kedua meliputi propinsi Sumatera Selatan,
DKI jakarta, Jawa Barat, NTT, Kal bar, Kal Tim, Sulteng, Sultra dan Irian jaya
2. Jumlah 3 Kelompok yang terdiri dari kelompok pertama meliputi propinsi Sumatera Utara,Sumatera Barat, Riau, Jambi, Bengkulu, Lampung, Jawa Tengah, DI yokyakarta, Jawa Timur,
Bali, NTB, Kal Teng, Kal Sel, Sulut dan kelompok kedua meliputi propinsi Sumatera Selatan,
Jawa Barat, NTT, Kal bar, Kal Tim, Sulteng, Sultra dan Irian jaya. Untuk Kelompok ketiga
adalah propinsi DKI Jakarta.
3. Jumlah 4 Kelompok yang terdiri dari kelompok pertama meliputi propinsi Sumatera Utara,Sumatera Barat, Riau, Jambi, Bengkulu, Lampung, Jawa Tengah, DI yokyakarta, Jawa Timur,
Bali, NTB, Kal Teng, Kal Sel, Sulut dan kelompok kedua meliputi propinsi Sumatera
Selatan,Jawa Barat, NTT, Kal bar, Kal Tim, Sulteng, Sultra. Kelompok Ketiga adalad DKI
jakarta dan kelompok keempat adalah propinsi paling timur Irian Jaya.
Dengan melihat hasil pengelompokan diatas maka lebih baik pengelompokan yang diambil
adalah dengan jumlah 4 kelompok. Pengambilam 4 kelompok didasarkan pada karakteristik propinsi
DKI Jakarta pada kelompok tiga berbeda dengan propinsi lainnya, juga perbedaan karakteristik untuk
propinsi Irian Jaya pada kelompok keempat.