tnr 12 modul vi space 2 - lsoupnjatim.files.wordpress.com · mengelompokkan objek-objek berdasarkan...
Post on 19-May-2019
227 Views
Preview:
TRANSCRIPT
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
LAPORAN RESMI
MODUL VI
ANALISIS CLUSTER
I. Pendahuluan
A. Latar Belakang
(Minimal 4 Paragraf dan 1 halaman)
B. Rumusan Masalah
Dalam praktikum statistik ini, kita akan merumuskan masalah tentang :
“Bagaimana mengelompokan objek-objek berdasarkan karakteristik
diantara objek-objek tersebut?”
C. Tujuan Praktikum
Adapun tujuan dari praktikum ini, adalah :
1. Mengelompokkan objek-objek berdasarkan kesamaan karakteristik diantara
objek-objek tersebut.
2. Melakukan proses segmentasi responden kuisioner berdasarkan ciri-ciri
sejumlah atribut yang ada.
D. Batasan Masalah
Batasan masalah yang timbul dari ruang lingkup yang ada pada praktikum
ini khususnya pada statistik, yaitu :
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
TNR 12
Space 2.0
TNR 12 space 1.15
For all :
TNR 12
Space 2.0
Before After 0
For Tabel :
TNR 11
Space 1,0
Before After 0
AutoFit Window
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
1. Data yang dianalisis variabel kenyamanan, keheningan, kebersihan,
pencahayaan, keamanan, kelengkapan, pelayanan, wifi, kondisi toilet, lokasi
strategis dan kepuasan.
2. Dalam menselesaikan data tersebut dengan program SPSS hanya
menggunakan Classify yaitu Hierarchichal Cluster
E. Asumsi-asumsi
Asumsi-asumsi yang digunakan dalam praktikum dan penyusun laporan ini
adalah:
1. Semua data yang ada merupakan data yang siap untuk diolah analisa cluster.
2. Software ini mampu membuat hasil yang representatif karena telah tersebar
diseluruh dunia dan telah diuji kevalid-annya yaitu dengan mengukurnya
secara manual.
F. Manfaat Praktikum
Adapun manfaat dari praktikum adalah :
1. Dapat meengelompokkan objek-objek berdasarkan kesamaan karakteristik
diantara objek-objek yang ada.
2. Dapat melakukan proses segmentasi responden kuisioner berdasarkan ciri-
ciri sejumlah atribut yang ada.
II. Tinjauan Pustaka
A. Analisis Cluster
B. K-Means cluster
C. Hierarchical cluster
Minimal 10Halaman
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
III. Pengumpulan Data
A. Identifikasi Variabel
1. Variabel Terikat
Variabel terikat adalah variabel yang perubahannya dipengaruhi oleh
variabel lain, dalam hal ini variabel terikatnya adalah .............
2. Variabel bebas
Variabel bebas adalah variabel yang mempengaruhi variabel terikat. Adapun
variabel yang berpengaruhi dalam hal ini adalah ..................
B. Soal Laporan Resmi
Sebuah rumah makan masakan Padang yang bernama “Rm.Sederhana”
melakukan riset pasar untuk mengetahui apa saja yang mendorong seseorang
konsumen untuk mengunjungi “Rm.Sederhana”tersebut. Untuk itu, kepada setiap
responden diberikan daftar kuesioner yang memuat pertanyaan tentang pendapat
responden terhadap atribut-atribut “Rm.Sederhana”
• Beberapa atribut yang digunakan :
1. Tempat “Rm.Sederhana”(Lokasi)
2. Macam-macam makanan (Kelengkapan)
3. Keamanan pelanggan (Safety)
4. Kenyamanan di “Rm.Sederhana”
5. Pelayanan karyawan (Pelayanan)
6. Kebisingan di “Rm.Sederhana”
7. Promosi oleh “Rm.Sederhana”(Promosi)
8. Citra “Rm.Sederhana”di mata responden (Image)
9. Kebersihan “Rm.Sederhana”(Kebersihan)
Jenis kelamin :
P = Pria
W= Wanita
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
10. Keamanan parkir (Kea_Parkir)
11. Kebersihan kamar mandi (Toilet)
12. Harga di “Rm.Sederhana”
13. Layout “Rm.Sederhana”
14. Pencahayaan ruangan “Rm.Sederhana”
• Skala likert (Skala jawaban) :
1 = sangat puas
2 = puas
3 = cukup puas
4 = tidak puas
6 = sangat tidak puas
Tabel 6… Soal Awal
No
Nam
a
Lo
ka
si
Kel
eng
ka
pa
n
Sa
fety
Ken
ya
ma
na
n
Pel
ay
an
an
Keb
isin
ga
n
Pro
mo
si
Ima
ge
Keb
ersi
ha
n
Kea
_p
ark
ir
To
ilet
Ha
rga
layo
ut
pen
cah
ay
aa
n
Gen
der
Usi
a
Pek
erja
an
1 Nadia 3 4 3 3 4 3 4 3 6 6 2 3 4 2 W 17 Pelajar
2 Ajeng 4 4 4 4 6 2 3 3 3 4 3 3 4 2 W 19 Mahasiswa
3 Irfan 4 4 4 4 4 3 4 3 4 4 4 3 3 3 P 13 Pelajar
4 Mamik 4 4 4 4 4 3 4 3 6 4 3 4 4 4 W 40 PNS
6 Riyadh 3 3 3 4 3 3 4 3 6 4 3 3 4 6 P 43 PNS
6 Nur Anda 3 3 4 6 6 3 4 3 6 6 6 4 3 4 W 47 Lain-lain
7 Ferdy 4 3 4 3 3 4 4 6 4 6 4 4 4 6 P 21 Mahasiswa
8 Firman 2 3 3 3 4 3 4 2 3 4 3 4 3 3 P 26 Swasta
9 Wahub 3 4 6 4 4 3 4 4 3 3 4 4 3 4 P 16 Pelajar
10 Nadlifah 3 4 3 4 3 4 3 4 3 3 3 4 4 4 W 18 Mahasiswa
11 Dianita 3 4 4 4 4 3 4 3 3 3 2 4 3 3 W 36 PNS
12 Diyah 3 4 2 4 4 2 3 4 6 3 4 3 3 3 W 19 Mahasiswa
13 Widya 4 4 4 6 6 3 4 3 6 6 3 3 4 4 W 24 Swasta
14 Sarah 3 4 6 6 3 3 3 4 6 3 6 3 3 6 W 21 Mahasiswa
16 Nur Akma 3 4 6 6 4 4 4 6 6 4 3 6 3 6 W 18 Mahasiswa
Pekerjaan:
1. Mahasiswa
2. Pelajar
3. PNS
4. Swasta
5.Ibu Rumah Tangga
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
16 Afika 4 3 3 4 6 3 3 3 6 6 6 4 6 6 W 19 Mahasiswa
17 Robby 3 4 4 6 6 4 4 4 6 4 4 6 4 6 P 20 Mahasiswa
18 Yulianto 3 3 4 3 4 6 3 2 3 4 2 2 3 3 P 29 PNS
19 Ririd 3 4 6 3 4 2 4 6 3 4 3 3 3 3 W 20 Mahasiswa
20 Isna 3 4 6 3 3 4 6 3 2 4 6 3 4 3 W 20 Mahasiswa
21 Sumari 4 3 4 3 4 3 4 3 4 3 4 3 4 3 P 29 PNS
22 Andrean 3 2 4 2 6 3 4 1 1 3 4 3 2 6 P 20 Mahasiswa
23 Nila 3 4 4 3 3 3 4 3 4 4 4 3 4 4 W 18 Pelajar
24 Shodikun 3 3 4 3 6 3 4 6 3 2 3 6 4 4 P 20 Mahasiswa
26 Tulus 4 4 3 3 4 3 4 4 6 3 4 3 6 6 P 16 Pelajar
26 M. Jullyo 4 2 1 4 6 1 3 4 6 4 4 3 6 6 P 19 Mahasiswa
27 Rima 4 3 3 4 4 3 4 3 6 3 4 4 6 6 W 19 Mahasiswa
28 Ralfian 3 4 4 6 6 4 3 3 4 4 4 4 3 6 P 21 Mahasiswa
29 Derry 3 6 6 6 6 4 3 4 4 4 3 4 4 6 W 20 Mahasiswa
30 Fandi 4 4 6 6 6 4 3 4 4 6 6 4 4 4 P 16 Pelajar
31 Erina 4 6 6 6 4 4 4 3 4 4 4 4 3 4 W 19 Mahasiswa
32 Suryati 4 4 3 4 4 2 3 2 2 3 3 3 2 4 W 26 Wiraswasta
33 Neny 3 4 4 4 4 3 4 3 3 3 3 4 3 4 W 19 Mahasiswa
34 Dinda 4 4 4 4 4 4 4 4 4 6 4 4 6 4 W 12 Pelajar
36 Fellya 3 6 4 6 6 6 4 6 6 6 6 4 6 6 W 13 Pelajar
36 Fajar 3 4 3 6 4 4 4 3 4 4 3 3 6 6 P 16 Pelajar
37 Mica 4 2 2 4 6 2 3 4 6 3 4 3 6 3 W 20 Lain-lain
38 Aning 3 3 3 3 4 3 3 3 4 3 2 4 4 3 W 26 Swasta
39 Praswari 4 3 3 3 4 3 3 4 4 3 3 3 4 3 W 14 Pelajar
40 Herlinda 4 4 4 3 4 3 3 3 4 3 2 3 4 4 W 47 Lain-lain
41 Haydar 3 4 4 4 6 4 4 4 6 6 4 4 4 6 P 20 Mahasiswa
42 Ilham 3 4 4 6 6 3 3 4 4 6 4 6 4 6 P 21 Mahasiswa
43 Yuanita 6 4 3 6 6 3 6 3 6 4 4 4 6 6 W 20 Mahasiswa
44 Mufid 2 3 3 4 4 1 3 4 6 6 6 6 6 6 W 17 Mahasiswa
46 Ana 3 2 2 3 3 2 3 2 3 3 3 3 3 3 W 24 Swasta
46 F. Daniel 2 2 4 4 4 3 6 2 1 6 3 6 4 6 P 20 Mahasiswa
47 M. Nabil 3 4 4 6 6 4 4 4 6 6 4 6 4 6 P 16 Pelajar
48 Amanda 4 4 4 4 4 3 4 4 4 4 4 4 4 4 W 17 Pelajar
49 Novi 3 3 3 3 4 4 3 4 3 3 2 3 4 3 W 21 Mahasiswa
60 Dhira 4 4 4 4 4 4 4 4 4 4 4 4 4 4 W 20 Mahasiswa
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
C. Tabel Pengumpulan Data
Tabel 6.. Tabel Pengumpulan Data
No
Na
ma
Lo
ka
si
Kel
eng
ka
pa
n
Sa
fety
Ken
ya
ma
na
n
Pel
ay
an
an
Keb
isin
ga
n
Pro
mo
si
Ima
ge
Keb
ersi
ha
n
Kea
_p
ark
ir
To
ilet
Ha
rga
layo
ut
pen
cah
ay
aa
n
Gen
der
Usi
a
Pek
erja
an
1 Nadia 3 4 3 3 4 3 4 3 6 6 2 3 4 2 W 17 Pelajar
2 Ajeng 4 4 4 4 6 2 3 3 3 4 3 3 4 2 W 19 Mahasiswa
3 Irfan 4 4 4 4 4 3 4 3 4 4 4 3 3 3 P 13 Pelajar
4 Mamik 4 4 4 4 4 3 4 3 6 4 3 4 4 4 W 40 PNS
6 Riyadh 3 3 3 4 3 3 4 3 6 4 3 3 4 6 P 43 PNS
6 Nur Anda 3 3 4 6 6 3 4 3 6 6 6 4 3 4 W 47 Lain-lain
7 Ferdy 4 3 4 3 3 4 4 6 4 6 4 4 4 6 P 21 Mahasiswa
8 Firman 2 3 3 3 4 3 4 2 3 4 3 4 3 3 P 26 Swasta
9 Wahub 3 4 6 4 4 3 4 4 3 3 4 4 3 4 P 16 Pelajar
10 Nadlifah 3 4 3 4 3 4 3 4 3 3 3 4 4 4 W 18 Mahasiswa
11 Dianita 3 4 4 4 4 3 4 3 3 3 2 4 3 3 W 36 PNS
12 Diyah 3 4 2 4 4 2 3 4 6 3 4 3 3 3 W 19 Mahasiswa
13 Widya 4 4 4 6 6 3 4 3 6 6 3 3 4 4 W 24 Swasta
14 Sarah 3 4 6 6 3 3 3 4 6 3 6 3 3 6 W 21 Mahasiswa
16 Nur Akma 3 4 6 6 4 4 4 6 6 4 3 6 3 6 W 18 Mahasiswa
16 Afika 4 3 3 4 6 3 3 3 6 6 6 4 6 6 W 19 Mahasiswa
17 Robby 3 4 4 6 6 4 4 4 6 4 4 6 4 6 P 20 Mahasiswa
18 Yulianto 3 3 4 3 4 6 3 2 3 4 2 2 3 3 P 29 PNS
19 Ririd 3 4 6 3 4 2 4 6 3 4 3 3 3 3 W 20 Mahasiswa
20 Isna 3 4 6 3 3 4 6 3 2 4 6 3 4 3 W 20 Mahasiswa
21 Sumari 4 3 4 3 4 3 4 3 4 3 4 3 4 3 P 29 PNS
22 Andrean 3 2 4 2 6 3 4 1 1 3 4 3 2 6 P 20 Mahasiswa
23 Nila 3 4 4 3 3 3 4 3 4 4 4 3 4 4 W 18 Pelajar
24 Shodikun 3 3 4 3 6 3 4 6 3 2 3 6 4 4 P 20 Mahasiswa
26 Tulus 4 4 3 3 4 3 4 4 6 3 4 3 6 6 P 16 Pelajar
26 M. Jullyo 4 2 1 4 6 1 3 4 6 4 4 3 6 6 P 19 Mahasiswa
27 Rima 4 3 3 4 4 3 4 3 6 3 4 4 6 6 W 19 Mahasiswa
28 Ralfian 3 4 4 6 6 4 3 3 4 4 4 4 3 6 P 21 Mahasiswa
29 Derry 3 6 6 6 6 4 3 4 4 4 3 4 4 6 W 20 Mahasiswa
30 Fandi 4 4 6 6 6 4 3 4 4 6 6 4 4 4 P 16 Pelajar
31 Erina 4 6 6 6 4 4 4 3 4 4 4 4 3 4 W 19 Mahasiswa
32 Suryati 4 4 3 4 4 2 3 2 2 3 3 3 2 4 W 26 Wiraswasta
33 Neny 3 4 4 4 4 3 4 3 3 3 3 4 3 4 W 19 Mahasiswa
34 Dinda 4 4 4 4 4 4 4 4 4 6 4 4 6 4 W 12 Pelajar
36 Fellya 3 6 4 6 6 6 4 6 6 6 6 4 6 6 W 13 Pelajar
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
36 Fajar 3 4 3 6 4 4 4 3 4 4 3 3 6 6 P 16 Pelajar
37 Mica 4 2 2 4 6 2 3 4 6 3 4 3 6 3 W 20 Lain-lain
38 Aning 3 3 3 3 4 3 3 3 4 3 2 4 4 3 W 26 Swasta
39 Praswari 4 3 3 3 4 3 3 4 4 3 3 3 4 3 W 14 Pelajar
40 Herlinda 4 4 4 3 4 3 3 3 4 3 2 3 4 4 W 47 Lain-lain
41 Haydar 3 4 4 4 6 4 4 4 6 6 4 4 4 6 P 20 Mahasiswa
42 Ilham 3 4 4 6 6 3 3 4 4 6 4 6 4 6 P 21 Mahasiswa
43 Yuanita 6 4 3 6 6 3 6 3 6 4 4 4 6 6 W 20 Mahasiswa
44 Mufid 2 3 3 4 4 1 3 4 6 6 6 6 6 6 W 17 Mahasiswa
46 Ana 3 2 2 3 3 2 3 2 3 3 3 3 3 3 W 24 Swasta
46 F. Daniel 2 2 4 4 4 3 6 2 1 6 3 6 4 6 P 20 Mahasiswa
47 M. Nabil 3 4 4 6 6 4 4 4 6 6 4 6 4 6 P 16 Pelajar
48 Amanda 4 4 4 4 4 3 4 4 4 4 4 4 4 4 W 17 Pelajar
49 Novi 3 3 3 3 4 4 3 4 3 3 2 3 4 3 W 21 Mahasiswa
50 Dhira 4 4 4 4 4 4 4 4 4 4 4 4 4 4 W 20 Mahasiswa
IV. Pengolahan Data
A. Print Out dan Analisa Output
1. Non-Hirarki Cluster (K-Means Cluster)
Gambar 6….
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Analisa :
Tabel diatas merupakan tampilan pertama proses clustering data sebelum
dilakukan iterasi.
Pada cluster 1, variabel kelengkapan, kenyamanan, pelayannan, kebisingan,
image, keberaihan, kea_parkir, toilet, layout, pencahayaan bernilai 5. Sedangkann
variabel safety, promosi, harga bernilai 4.
(IDEM)
Iteration Historya
Iteration
Change in Cluster
Centers
1 2
1 3.408 3.977
2 .284 .436
3 .194 .220
4 .099 .111
5 .000 .000
a. Convergence achieved due to
no or small change in cluster
centers. The maximum absolute
coordinate change for any center
is ,000. The current iteration is 5.
The minimum distance between
initial centers is 8,307.
Gambar 6…
Analisa :
Tabel diatas menunjukkan bahwa proses clustering yang dilakukan melalui
5 tahapan iterasi untuk mendapatkan nilai yang optimum
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Final Cluster Centers
Cluster
1 2
KELENGKAPAN 4 3
SAFETY 4 4
KENYAMANAN 4 3
PELAYANAN 4 4
KEBISINGAN 3 3
PROMOSI 4 4
IMAGE 4 3
KEBERSIHAN 5 3
KEA_PARKIR 4 3
TOILET 4 3
HARGA 4 3
LAYOUT 4 3
PENCAHAYAAN 5 3
Gambar 6…
Analisa :
Tabel diatas merupakan tampilan akhir proses clustering data setelah
dilakukan 5 tahapan iterasi.
Pada cluster 1, variabel kelengkapan, safety, kenyamanan, pelayanan,
promosi, image, kea_parkir, toilet, harga, dan layout bernilai 4. Pada variabel
kebersihan, dan pencahayaan bernilai 5. Sedangkan variabel kebisingan bernilai 3.
Pada cluster 2, (IDEM)
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
ANOVA
Cluster Error
F Sig. Mean Square df Mean Square df
KELENGKAPAN 1.432 1 .554 48 2.587 .114
SAFETY .029 1 .801 48 .036 .849
KENYAMANAN 15.190 1 .367 48 41.357 .000
PELAYANAN 2.367 1 .409 48 5.787 .020
KEBISINGAN .711 1 .722 48 .985 .326
PROMOSI .000 1 .352 48 .000 .985
IMAGE 6.115 1 .671 48 9.115 .004
KEBERSIHAN 29.673 1 .547 48 54.266 .000
KEA_PARKIR 7.111 1 .545 48 13.044 .001
TOILET 11.225 1 .562 48 19.990 .000
HARGA 2.883 1 .500 48 5.767 .020
LAYOUT 5.837 1 .518 48 11.259 .002
PENCAHAYAAN 16.645 1 .504 48 33.048 .000
The F tests should be used only for descriptive purposes because the clusters have been chosen to
maximize the differences among cases in different clusters. The observed significance levels are not
corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are
equal.
Gambar 6…
Analisa :
Pada tabel ANOVA diatas variabel yang paling menunjukkan adanya
perbedaan adalah variabel kebersihan. Hal ini ditunjukkan dengan nilai F=54,266
dan Sig=0,000. Sedangkan variabel yang paling menunjukkan adanya persamaan
adalah variabel promosi tempat dengan nilai F=0,000 dan Sig=0,985
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Number of Cases in each
Cluster
Cluster 1 28.000
2 22.000
Valid 50.000
Missing .000
Gambar 6…
Analisa :
Tabel diatas menunjukkan bahwa cluster 1 beranggotakan 28 responden,
cluster 2 beranggotakan 22 responden. Maka didapat semua responden bertotal
(N) 50 orang dengan 0 data yang hilang (Missing)
2. Hirarki Cluster (Hierarchical Cluster)
Case Processing Summarya,b
Cases
Valid Missing Total
N Percent N Percent N Percent
50 100.0 0 .0 50 100.0
a. Squared Euclidean Distance used
b. Average Linkage (Between Groups)
Gambar 6…
Analisa :
Dengan jumlah data atau case (N) 50 data atau case yang valid adalah
100,0%. Tidak ada data atau case yang keluar atau missing atau tidak valid karena
nilai yang ditunjukkan jumlah data atau case (N) 0 dengan presentase 0%. Maka
total jumlah data atau case (N) adalah 50 dengan total presentase 100%.
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Gambar 6. ...
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Analisa :
Responden dengan nilai proximity matrix terkecil adalah Robby (17) –
Nabil (47), Nabil (47) – Robby (17), Amanda (48) – Dhira (50), dan Dhira (50) –
Amanda (48) dengan nilai koefisien 1,000. Semakin kecil nilai koefisien maka
semakin mempunya selera yang sama atau kesamaan dalam pemilihan. Maka
Robby (17) – Nabil (47), Nabil (47) – Robby (17), Amanda (48) – Dhira (50), dan
Dhira (50) – Amanda (48)memiliki selera yang sama dalam pemilihan kuisioner
mengenai Rm.Sederhana.
Agglomeration Schedule
Stage
Cluster Combined
Coefficients
Stage Cluster First Appears
Next Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2
1 48 50 1.000 0 0 4
2 17 47 1.000 0 0 5
3 11 33 2.000 0 0 15
4 34 48 2.500 0 1 17
5 17 41 2.500 2 0 8
6 39 49 3.000 0 0 7
7 38 39 3.500 0 6 13
8 17 42 4.000 5 0 17
9 25 27 4.000 0 0 19
10 21 23 4.000 0 0 11
11 3 21 4.000 0 10 27
12 4 13 4.000 0 0 24
13 38 40 5.000 7 0 26
14 28 31 5.000 0 0 16
15 9 11 5.000 0 3 27
16 28 29 5.500 14 0 25
17 17 34 5.833 8 4 20
18 36 43 6.000 0 0 24
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
19 5 25 6.000 0 9 28
20 17 30 6.143 17 0 25
21 8 45 7.000 0 0 32
22 16 44 7.000 0 0 43
23 26 37 7.000 0 0 37
24 4 36 7.000 12 18 28
25 17 28 7.125 20 16 29
26 10 38 7.250 0 13 30
27 3 9 7.556 11 15 30
28 4 5 8.333 24 19 36
29 15 17 8.636 0 25 31
30 3 10 9.200 27 26 35
31 6 15 9.417 0 29 34
32 8 32 9.500 21 0 38
33 2 19 10.000 0 0 35
34 6 35 10.769 31 0 36
35 2 3 11.091 33 30 38
36 4 6 11.776 28 34 39
37 12 26 12.500 0 23 48
38 2 8 13.000 35 32 40
39 4 7 13.095 36 0 41
40 1 2 14.688 0 38 42
41 4 14 14.773 39 0 43
42 1 18 15.353 40 0 44
43 4 16 15.413 41 22 46
44 1 24 17.056 42 0 45
45 1 20 19.105 44 0 46
46 1 4 19.726 45 43 48
47 22 46 20.000 0 0 49
48 1 12 23.015 46 37 49
49 1 22 33.250 48 47 0
Gambar 6. ...
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Analisa :
Tabel diatas merupakan hasil proses clustering dengan metode Between
Group Linkage dan jarak antar variabel diukur (Measure) dengan Euclidean,
maka dilakukan pengelompokan yang dilakukan secara bertingkat.
• Pada stage 1, membentuk cluster yang beranggotakan Amanda (48) dan
Dhira (50) dengan jarak 1,000. Selanjutnya dilanjutkan dengan stage 4
(Next Stage). Pada stage 4, terlihat Dinda (34) dan Amanda (48) membentuk
cluster dengan jarak 2,500. Selanjutnya dilanjutkan dengan stage 17 (Next
Stage). Pada stage 17 Robby (17) dan Dinda (34) membentuk cluster
dengan jarak 5,833. Selanjutnya dilanjutkan dengan stage 20 (Next Stage).
Pada stage 20 Robby (17) dan Fandi (30) membentuk cluster dengan jarak
6,143. Selanjutnya dilanjutkan dengan stage 25 (Next Stage). Pada stage 25
Robby (17) dan Ralfian (28) membentuk cluster dengan jarak 7,125.
Selanjutnya dilanjutkan dengan stage 29 (Next Stage). Pada stage 29 Robby
(17) dan Nur Akma (15) membentuk cluster dengan jarak 8,636.
Selanjutnya dilanjutkan dengan stage 31 (Next Stage). Pada stage 31 Nur
Anda (6) dan Widya (13) membentuk cluster dengan jarak 9,417.
Selanjutnya dilanjutkan dengan stage 34 (Next Stage). Pada stage 34 Nur
Anda (6) dan Fellya (35) membentuk cluster dengan jarak 10,769.
Selanjutnya dilanjutkan dengan stage 36 (Next Stage). Pada stage 36 Fajar
(4) dan Nur Anda (6) membentuk cluster dengan jarak 11,776. Selanjutnya
dilanjutkan dengan stage 39 (Next Stage). Pada stage 39 Mamik (4) dan
Ferdy (7) membentuk cluster dengan jarak 13,095. Selanjutnya dilanjutkan
dengan stage 41 (Next Stage). Pada stage 41 Mamik (4) dan Sarah (14)
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
membentuk cluster dengan jarak 14,773. Selanjutnya dilanjutkan dengan
stage 43 (Next Stage). Pada stage 43 Mamik (4) dan Afika (16) membentuk
cluster dengan jarak 15,413. Selanjutnya dilanjutkan dengan stage 46 (Next
Stage). Pada stage 46 Nadia (1) dan Mamik (4) membentuk cluster dengan
jarak 19,726. Selanjutnya dilanjutkan dengan stage 48 (Next Stage). Pada
stage 48 Nadia (1) dan Diyah (12) membentuk cluster dengan jarak 23,015.
Selanjutnya dilanjutkan dengan stage 49 (Next Stage). Pada stage 49 Nadia
(1) dan Andrean (22) membentuk cluster dengan jarak 53,016 Dengan
demikian, cluster terdiri dari 17 orang Amanda (48), Dhira (50), Dinda (34),
Robby (17), Fandi (30), Ralfian (28), Nur Akma (15), Nur Anda (6), Widya
(13), Fellya (35), Fajar (36), Mamik (4), Ferdy (7), Sarah (14), Afika (16),
Nadia (1), dan Diyah (12)
• (IDEM)
Cluster Membership
Case 4 Clusters 3 Clusters 2 Clusters
1:Nadia 1 1 1
2:Ajeng 1 1 1
3:Irfan 1 1 1
4:Mamik 1 1 1
5:Riyadh 1 1 1
6:Nur Anda 1 1 1
7:Ferdy 1 1 1
8:Firman 1 1 1
9:Wahub 1 1 1
10:Nadlifah 1 1 1
11:Dianita 1 1 1
12:Diyah 2 2 1
13:Widya 1 1 1
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
14:Sarah 1 1 1
15:Nur Akma 1 1 1
16:Afika 1 1 1
17:Robby 1 1 1
18:Yulianto 1 1 1
19:Ririd 1 1 1
20:Isna 1 1 1
21:Sumari 1 1 1
22:Andrean 3 3 2
23:Nila 1 1 1
24:Shodikun 1 1 1
25:Tulus 1 1 1
26:M. Jullyo 2 2 1
27:Rima 1 1 1
28:Ralfian 1 1 1
29:Derry 1 1 1
30:Fandi 1 1 1
31:Erina 1 1 1
32:Suryati 1 1 1
33:Neny 1 1 1
34:Dinda 1 1 1
35:Fellya 1 1 1
36:Fajar 1 1 1
37:Mica 2 2 1
38:Aning 1 1 1
39:Praswari 1 1 1
40:Herlinda 1 1 1
41:Haydar 1 1 1
42:Ilham 1 1 1
43:Yuanita 1 1 1
44:Mufid 1 1 1
45:Ana 1 1 1
46:F. Daniel 4 3 2
47:M. Nabil 1 1 1
48:Amanda 1 1 1
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
49:Novi 1 1 1
50:Dhira 1 1 1
Gambar 6. ..
Analisa :
Untuk cluster membership dengan 4 cluster yang termasuk dalam cluster 1
adalah nadia, ajeng, irfan, mamik, riyadh, nur anda, ferdy, firman, wahub,
nadlifah, dianita, widya, sarah, nur akma, afika, robby, yulianto, ririd, isna,
sumari, nila, shodikun, tulus, rima, ralfian, derry, fandi, erina, suryati, neny,
dinda, ilham, yuanita, mufid, ana, nabil, amanda, novi, dhira. Yang termasuk
cluster 2 adalah juliyo, mica, dan diyah. Yang termasuk cluster 3 adalah andrean.
Sedangkan yang termasuk cluster 4 adalah f.daniel.
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Gambar 6. ...
V. Kesimpulan dan Saran
A Kesimpulan
• Non-Hirarki Cluster (K-Means Cluster)
Dari pengklasifikasian dengan Non-Hirarki Cluster maka didapat tampilan
akhir proses clustering data setelah dilakukan 5 tahapan iterasi.
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI
MODUL VI (ANALISYS CLUSTER)
SESI / MEJA
TNR 10
Space 1.0
Bold, Italic
Pada cluster 1, variabel kelengkapan, safety, kenyamanan, pelayanan,
promosi, image, kea_parkir, toilet, harga, dan layout bernilai 4. Pada variabel
kebersihan, dan pencahayaan bernilai 5. Sedangkan variabel kebisingan bernilai 3.
Pada cluster 2, (IDEM).
Dan didapat semua responden bertotal (N) 50 orang dengan 0 data yang
hilang (Missing) dengan variabel yang paling menunjukkan adanya perbedaan
adalah macam makanan. Hal ini ditunjukkan dengan nilai F=54,266 dan
Sig=0,000. Sedangkan variabel yang paling menunjukkan adanya persamaan
adalah keamanan tempat dengan nilai F=0,000 dan Sig=0,985.
• Hirarki Cluster (Hierarchical Cluster)
Pada Hirarki Cluster (Hierarchical Cluster) diperoleh hasil bahwa dengan
jumlah data atau case (N) 50 data atau case yang valid adalah 100,0%. Tidak ada
data atau case yang keluar atau missing atau tidak valid karena nilai yang
ditunjukkan jumlah data atau case (N) 0 dengan presentase 0%. Maka total jumlah
data atau case (N) adalah 50 dengan total presentase 100%.
Responden dengan nilai proximity matrix terkecil adalah Makruf (41) -
Melinda (1), Robby (17) - Makruf (41), Evita (28) - Regina (17), Regina (17) -
Evita (28), Silvia (23) – Evita (28), dan Evita (28) - Silvia (23) dengan nilai
koefisien 1,000. Semakin kecil nilai koefisien maka semakin mempunya selera
yang sama atau kesamaan dalam pemilihan. Maka Makruf (41) - Melinda (1),
Robby (17) - Makruf (41), Evita (28) - Regina (17), Regina (17) - Evita (28),
Silvia (23) – Evita (28), dan Evita (28) - Silvia (23) memiliki selera yang sama
dalam pemilihan kuisioner mengenai Rm.Sederhana.
top related