tugas research logy 7mei2012 fitri&souvenir

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


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.


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).


4/12


5/12


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.


7/12

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


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


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.


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


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


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


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.


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.

tugas research logy 7mei2012 fitri&souvenir

Documents