Académique Documents
Professionnel Documents
Culture Documents
Disusun Oleh :
Hosea Yunior M.
(041511233026)
Harisma Andi A. H.
(041511233143)
M. Khoirul Umam
(041511233157)
M. Syarif H.
(041511233163)
Ade Kusuma A.
(041511233187)
UNIVERSITAS AIRLANGGA
Pendahuluan
Sama dengan analisis factor, analisis cluster (cluster analysis) termasuk pada
Interdependes Techniques. Namun ada perbedaan mendasar di antara kedua alat analisis
multivariate ini. Jika analisis factor (R factor analysis) bertujuan mereduksi variabel,
analisis cluster (Q factor analysis) lebih bertujuan mengelompokkan isi variabel,
walaupun bisa juga disertai dengan pengelompokan variabel. Dalam terminology SPSS,
analisis factor adalah perlakuan terhadap kolom, sedangkan analisis cluster adalah
perlakuan terhadap baris.
Tujuan utama analisis cluster adalah mengelompokkan objek-objek berdasarkan
kesamaan karakteristik di antara objek-objek tersebut. Objek bisa berupa produk (barang
dan jasa), benda (tumbuhan atau lainnya), serta orang (responden, konsumen atau yang
lain). Objek tersebut akan diklasifikasikan ke dalam satu atau lebih cluster (kelompok)
sehingga objek-objek yang berada dalam satu cluster akan mempunyai kemiripan satu
dengan yang lain.
Jadi definisi analisis cluster:
Analisis cluster adalah teknik multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek-objek/cases berdasarkan karakteristik yang dimilikinya. Analisis
cluster mengklasifikasi objek sehingga setiap objek yang memiliki sifat yang mirip
(paling dekat kesamaannya) akan mengelompok kedalam satu cluster (kelompok) yang
sama.
Correlatioal Measures
The Interobject Measures Similarity dapat diukur dengan corelation coefficient
antara pasangan obyek-obyek yang diukur dalam beberapa variabel. Tingginya
korelasi menujukkan kesamaan dan rendahnya korelasi menunjukkan ketidaksamaan.
Distance Measures
Distance Measures merupakan ukuran ketidaksamaan. Semakin tinggi nilainya
semakin rendah kesamaan dalam pasangan obyek.
Association Measures
Association Measuresbi of Similarity digunakan bila obyek-obyek yang diamati
bertipe non-metic (tipe nominal atau ordinal). Misalnya, responden hanya menjawab
ya atau tidakdalam sebuah pertanyaan.
Standarisasi Data
Sama halnya dengan seleksi kesamaan ukuran, dalam standarisasi data ni peneliti
harus menjawab sebuah pertanyaan, yaitu : Apakah data yang tersedia harus
distandarisasi? Dalam menjawab pertanyaan ini, penelti harus memperhatikan
beberapa masalah, misalnya, jarak nilai dari masing-masing variabel karena
perbedaan skala. Secara umum, variabel dengan penyebaran nilai yang tinggi
mempunyai dampak yang lebih pada hasil akhir. Karena itu, peneliti diharapkan
mengetahui secara lengkap pengukuran dari variabel-variabel. Proses standarisasi
dalam analisi cluster ada dua, yaitu : standarisasi berdasarkan variabel dan
standarisasi berdasarkan observasi.
Complete
Linkage,
berlawanan
dengan
Single
Linkage
prosedur
ini
terdekat. Pada saat proses berlangsung, jarak antar muka dapat ditentukan untuk
memasukkan beberapa objek ke dalam cluster-cluster. Juga beberapa variasi pada
metode ini, yaitu sisa objek-objek tidak dikelompokkan jika berada di luar jarak
tertentu dari sejumlah cluster.
Optimization, Metode ketiga adalah serupa dengan kedua metode sebelumnya
kecuali bahwa metode ini memungkinkan untuk menempatkan kembali objek-objek
ke dalam cluster yang lebih dekat.
Kapan Kita Menggunakan Metode Hirarki atau metode Non-Hirarki ?
Jawaban pasti tidak untuk pertanyaan tersebut tidak ada karena dua alasan. Pertama,
penelitian yang sedang diamati dimungkinkan dapat diselesaikan dengan kedua
metode (hirarki atau non-hirarki). Kedua, penelitian yang diamati mungkin
sebaiknya diselesaikan dengan suatu metode yang selanjutnya dengan metode yang
lainnya.
Berapa Cluster yang Akan Dibentuk ?
Banyaknya cluster yang akan dibentuk tidak dapat ditentukan secara sembarang.
Penentuan banyaknya cluster yang akan dibentuk harus berdasarkan suatu teori yang
akan mempengaruhi jumlah cluster secara langsung atau alami.
tidak pernah
PROPINSI
sekolah/tamat
SD
makan
makan
makanan
lauk pauk
pokok
berprotein
<21X
tinggi<4X
dalam
dalam
tidak
memiliki mempunyai
pakaian
tempat
<4 stel
tetap untuk
tidur
seminggu seminggu
SUMATERA
UTARA
SUMATERA
BARAT
RIAU
bila
sakit
tidak
diobati
63,13
38,67
35,70
16,79
2,48
3,33
57,48
48,23
17,48
20,60
0,90
4,05
67,72
50,59
18,43
9,95
1,58
3,34
JAMBI
SUMATERA
SELATAN
BENGKULU
LAMPUNG
DKI JAKARTA
JAWA BARAT
JAWA TENGAH
D.I.
YOGYAKARTA
JAWA TIMUR
BALI
NUSA
TENGGARA
75,99
44,10
29,77
27,94
1,76
2,55
65,69
58,39
27,90
24,67
5,57
5,18
71,37
80,64
37,80
70,84
79,30
52,02
35,59
56,38
70,48
35,99
35,60
41,56
12,28
31,37
16,25
30,64
34,15
87,24
17,17
19,36
2,17
1,48
1,45
1,82
1,89
4,29
2,78
6,78
5,32
3,97
76,05
46,27
11,35
17,45
1,17
4,72
82,76
77,96
30,86
42,28
15,13
6,28
30,77
25,74
2,01
0,34
3,55
4,87
86,92
33,09
23,48
48,28
3,20
4,64
87,36
56,75
58,67
49,77
1,42
9,31
83,48
54,34
38,60
29,46
3,87
7,51
60,37
50,29
18,78
28,13
6,69
2,68
76,93
38,72
16,65
29,37
2,77
7,07
73,43
52,45
18,18
12,72
1,11
1,01
51,30
58,14
25,58
11,08
1,84
2,89
66,01
54,47
16,29
32,81
2,47
8,66
77,62
58,74
10,93
24,03
3,70
6,89
74,65
72,91
3,19
17,78
1,07
8,78
52,32
70,04
30,37
16,84
6,58
18,62
BARAT
NUSA
TENGGARA
TIMUR
KALIMANTAN
BARAT
KALIMANTAN
TIMUR
KALIMANTAN
SELATAN
KALIMANTAN
TENGAH
SULAWESI
UTARA
SULAWESI
TENGAH
SULAWESI
SELATAN
SULAWESI
TENGGARA
IRIAN JAYA
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 propinsi0propinsi lainnya dapat dilihat dengan melihat
kedekatan jaraknya. Semakin dekat jaraknya berarti semakin mirip.
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
Agglomeration Schedule
Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Cluster Combined
Cluster 1
Cluster 2
3
19
10
12
11
13
4
6
10
18
2
20
5
17
21
22
1
4
1
7
2
3
10
14
9
16
21
23
10
11
9
21
1
2
5
9
1
10
5
15
5
24
5
8
1
5
Coefficients
.390
.788
1.188
1.759
2.758
3.828
4.909
6.047
7.473
9.159
11.209
13.356
16.215
19.278
22.930
28.014
35.627
45.231
56.362
69.666
86.659
108.660
138.000
Next Stage
11
5
15
9
12
11
18
14
10
17
17
15
16
16
19
18
19
20
23
21
22
23
0
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
Cluster Membership
Case
4 Clusters
1:SUMATERA UTARA
1
2:SUMATERA BARAT
1
3:RIAU
1
4:JAMBI
1
5:SUMATERA SELATAN
2
6:BENGKULU
1
7:LAMPUNG
1
8:DKI JAKARTA
3
9:JAWA BARAT
2
10:JAWA TENGAH
1
11:D.I. YOGYAKARTA
1
12:JAWA TIMUR
1
13:BALI
1
14:NUSA TENGGARA
1
BARAT
15:NUSA TENGGARA
2
TIMUR
16:KALIMANTAN BARAT
2
17:KALIMANTAN TIMUR
2
18:KALIMANTAN
1
SELATAN
19:KALIMANTAN TENGAH
1
20:SULAWESI UTARA
1
21:SULAWESI TENGAH
2
22:SULAWESI SELATAN
2
23:SULAWESI
2
TENGGARA
24:IRIAN JAYA
4
3 Clusters
1
1
1
1
2
1
1
3
2
1
1
1
1
2 Clusters
1
1
1
1
2
1
1
2
2
1
1
1
1
2
2
2
2
1
1
2
2
1
1
2
2
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 masingmasing wilayah propinsi.
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.