Laporan Vers 1
-
Upload
yohana-betania -
Category
Documents
-
view
245 -
download
0
description
Transcript of Laporan Vers 1
PENGOLAHAN DATA
HASIL SURVEY STARBUCKS
MR3001 – Riset Pasar
Oleh :
AYUNDA RAHMADINI – 14413005MUCHAMMAD IKRAR ATHALLA PUTRA – 14413011
YOHANA BETANIA – 14413020PUTU NOISY ADE ANGGRY LIA – 14413036
MANAJEMEN REKAYASA INDUSTRIINSTITUT TEKNOLOGI BANDUNG
2015
A. Pemeriksaan Data Awal
1. Deteksi OutlierLangkah pertama yang harus dilakukan pada pemeriksaan data awal adalah mendeteksi ada tidaknya outlier pada data yang telah dikumpulkan sebelumnya. Pendeteksian outlier dapat dilakukan dengan menggunakan software SPSS. Berikut adalah hasil deteksi outlier dengan indikator metrik :
a. Q2 : Average expenditure per visitb. Q5 : Importance of nutritional informationc. Q7 : Importance of sales and promotionsd. Q11 : Cups of coffee in a typical weeke. Q13 : Agree with no guns policyf. Q16 : Income of respondents
Gambar 1 : Hasil outlier indikator metrik
Berdasarkan hasil deteksi outlier pada Gambar 1, tidak terdapat outlier pada data hasil survey Starbucks.
2. Deteksi Missing DataLangkah selanjutnya pada pemeriksaan data awal adalah mendeteksi ada tidaknya missing data. Pendeteksian missing data dilakukan dengan menggunakan software SPSS.
A. Menentukan tipe missing data
Terdapat 2 tipe missing data yang ada pada data hasil survey Starbucks ini.
- Ignorable Missing Data
Pada data hasil survey Starbucks ini, terdapat missing data yang dapat diabaikan oleh peneliti. Missing data tersebut dapat diabaikan karena ada bagian kuesioner
yang memang tidak harus diisi oleh responden. Hal ini dikarenakan responden yang menjawab “Never” pada pertanyaan nomor 1 tidak perlu menjawab beberapa pertanyaan selanjutnya. Pertanyaan-pertanyaan tersebut adalah :
a. Q2b. Q3c. Q4d. Q9e. Q10f. Q12
Missing data pada pertanyaan-pertanyaan tersebut akan diabaikan oleh penulis.
Berdasarkan Rules of Thumb 1 (Heir) diketahui bahwa missing data dibawah 10% kasus individual atau observasi dapat diabaikan. Sedangkan, variabel dengan 15% missing data sebaiknya dihapus. Namun, tingkat hasil deteksi missing data yang lebih tinggi, yaitu sekitar 20%-30% sering dapat diremidi sehingga tidak perlu dihapus.
Berikut adalah tabel missing returns, dimana data dengan persentase missing data <10% telah dihilangkan :
No Case %Missing No Case %Missing1 109 11,8 16 35 17,6
2 141 11,8 17 31 17,6
3 172 11,8 18 15 17,6
4 180 11,8 19 19 23,5
5 107 11,8 20 121 17,6
6 118 17,6 21 162 17,6
7 77 17,6 22 188 17,6
8 159 17,6 23 102 17,6
9 185 17,6 24 103 23,5
10 126 23,5 25 43 29,4
11 34 23,5 26 62 41,2
12 66 23,5 27 115 41,2
13 6 23,5 28 33 35,3
14 128 17,6 29 29 35,3
15 156 17,6 30 32 52,9
Tabel 1 : Tabel Missing Returns
Berdasarkan tabel 1 tersebut, terdapat 30 indikator yang memiliki persentase missing data > 10%.
- Non ignorable missing data
Pada data hasil survey Starbucks, terdapat missing data yang tidak dapat diabaikan oleh penulis. Missing data tersebut adalah pertanyaan yang tidak dijawab oleh responden padahal jawaban tersebut dapat dijawab dan tidak bergantung pada jawaban atas pertanyaaan nomor 1.
Berikut adalah tabel missing data dari responden-responden dengan persentase missing data > 10% :
Indikator
Q1Q2
Q3 Q4Q5
Q6 Q7Q8
Q9 Q10 Q11 Q12 Q13 Q14 Q15 Q16Q17
109 1 x x141 0 x x172 0 x x180 0 x x107 0 x x118 0 x x x77 0 x x x
159 0 x x x185 0 x x x126 0 x x x x34 0 x x x x66 0 x x x x6 0 x x x x
128 0 x x x156 0 x x x35 0 x x x31 0 x x x15 0 x x x19 0 x x x x
121 0 x x x162 0 x x x188 0 x x x102 0 x x x103 0 x x x x x43 0 x x x x x62 0 x x x x x x x x
115 0 x x x x x x x33 0 x x x x x x29 0 x x x x x32 0 x x x x x x x x x
Tabel 2 : Tabel Missing Data
Berdasarkan tabel 2, terdapat beberapa responden yang tidak mengisi pertanyaan yang seharusnya dapat diisi meskipun responden menjawab “Never” pada pertanyaan pertama. Responden-responden tersebut adalah :
a. ID 19b. ID 103c. ID 62
d. ID 115e. ID 33f. ID 29
g. ID 32
B. Menentukan derajat missing data- Responden ID 19 dan ID 29 memiliki persentase missing data 5,8% < 10% sehingga
dapat diabaikan- Responden ID 103 dan ID 33 memiliki persentase missing data 11,7% > 10%
sehingga lebih baik bila data dihapus- Responden ID 62 dan ID 115 memiliki persentase missing data 17,6% >10%
sehingga lebih baik bila data dihapus- Responden ID 32 memiliki persentase missing data 23,52% dimana berdasarkan
Rules of Thumb 1, tingkat missing data sebesar 20-30% dapat diremidi. Sehingga, data responden ID 32 tidak perlu dihapus.
C. Mendiagnosis kerandoman dari missing data Penulis akan melakukan diagnosis derajat kerandoman missing data untuk menentukan besar remidi yang harus dilakukan. Untuk mendiagnosis derajat kerandoman, penulis menggunakan software SPSS.
Gambar 2 : Tabel EM Means
Berdasarkan gambar 2 diatas, dapat dilihat nilai signifikansi 0,159 > 0,005. Berdasarkan nilai signifikansi diatas 0,05 dapat disimpulkan bahwa kerandoman data bersifat MCAR (Missing Completely at Random) Data yang memiliki kerandoman yang bersifat MCAR dapat diimputasi dengan menggunakan metode regression.
D. Memilih metode imputasiDikarenakan data yang memiliki kerandoman yang bersifat MCAR, metode imputasi yang dipilih adalah uji regresi.
Data yang telah diamputasi selanjutnya dapat digunakan untuk menjawab pertanyaan.
B. Pengolahan Data Dasar
1. Analisis perbedaan rata-rata jumlah kopi (dalam cup) yang diminum terhadap kelompok tertentu yang telah ditentukanAnalisis perbedaan rata-rata jumlah kopi (dalam cup) yang diminum berdasarkan perbandingan terhadap kelompok gender dan ras dilakukan melalui analisis statistika deskriptif, yakni uji frekuensi. Pengujian statistika deskriptif dilakukan dengan menggunakan program SPSS. Berdasarkan metode pengujian yang berlaku, jumlah kopi (dalam cup) ditetapkan sebagai dependent list sedangkan jenis kelamin dan ras ditetapkan sebagai factor list.
a. Gender (antara Laki-laki vs perempuan) Berdasarkan output hasil pengujian program SPSS, ditemukan bahwa terdapat perbedaan mean jumlah kopi (dalam cup) yang diminum antara jenis kelamin laki-laki dan perempuan. Output program SPSS menunjukkan bahwa mean jumlah kopi yang diminum oleh perempuan dalam seminggu adalah 3.32 cup dan mean jumlah kopi yang diminum oleh perempuan dalam seminggu adalah 6.71 cup.Melalui analisis output pengujian SPSS, diketahui bahwa jenis kelamin laki-laki mengkonsumsi kopi lebih banyak dibandingkan perempuan. (Hasil pengolahan data SPSS dilampirkan pada lampiran 1)
b. Ras (antar etnis yang berbeda)Ras dalam analisis laporan ini dibagi menjadi empat etnis berbeda yakni, White, Hispanic/Latino, African-American, dan etnis lainnya. Berdasarkan output hasil pengujian program SPSS, ditemukan bahwa terdapat perbedaan mean jumlah kopi (dalam cup) yang diminum antar ras dalam seminggu. Output program SPSS menunjukkan bahwa mean jumlah kopi yang diminum oleh setiap ras dalam seminggu adalah sebagai berikut: Ras White : 5.35 Ras Hispanic/Latino : 3.93 Ras African-American ; 4.02 Ras Lainnya : 4.65
Berdasarkan analisis output pengujian SPSS tersebut, diketahui bahwa etnis White mengkonsumsi kopi paling banyak dalam seminggu dibandingkan dengan ketiga etnis lainnya,etnis lain-lain (di luar tiga etnis yang diketahui) pada posisi kedua setelah etnis White, ras African-American pada posisi ketiga dan etnis Hispanic/Latino adalah etnis yang mengkonsumsi kopi paling sedikit dalam seminggu.
(Hasil pengolahan data SPSS dilampirkan pada lampiran 2)
2. Analisis perbedaan tingkat kepentingan informasi nutrisi dalam keputusan pembelian berdasarkan kelompok tertentuUntuk melihat apakah terdapat perbedaan tingkat kepentingan informasi nutrisi dalam pembelian antar kelompok usia dan antar kelompok income, analisis dilakukan menggunakan uji compare means pada tabel report di program SPSS untuk melihat perbedaan rata-rata antar tiap kelompok pada variabel dan menggunakan uji cross tabulation pada tabel count di program SPSS untuk melihat frekuensi pemilihan tiap kelompok untuk melihat modus.
a. Antar kelompok usia
Gambar 3 Tabel Report SPSS Uji Compare Means UsiaBerdasarkan output tabel report pada program SPSS, ditemukan bahwa terdapat perbedaan mean, median, dan standard deviasi antar kelompok usia. Tabel menunjukkan bahwa mean tingkat kepentingan informasi nutrisi oleh kelompok usia 55+ ke atas adalah yang paling besar diantara kelompok usia lain diikuti dengan kelompok usia 45 - 54. Artinya kelompok usia 55+ adalah kelompok usia yang paling mementingkan informasi nutrisi.
Gambar 4 Tabel Output SPSS Uji Cross Tabulation Usia dan Kepentingan Nutrisi
Berdasarkan output tabel count pada program SPSS, dapa dilihat bahwa kelompok usia 18 – 24 tahun paling banyak memilih tingkat kepentingan ‘Unimportant’, kelompok usia 25 – 34 tahun paling banyak memilih tingkat kepentingan ‘Very
Unimportant’, kelompok usia 35 – 44 tahun paling banyak memilih tingkat kepentingan ‘Important’, kelompok usia 45 – 44 tahun paling banyak memilih tingkat kepentingan ‘Important & Very Important’, dan kelompok usia 55+ paling banyak memilih tingkat kepentingan ‘Important’
b. Antar kelompok income
Gambar 5 Tabel Output SPSS Uji Compare Means Income
Berdasarkan output tabel report pada program SPSS, ditemukan bahwa terdapat perbedaan mean, median, dan standard deviasi antar kelompok income. Tabel menunjukkan bahwa mean tingkat kepentingan informasi nutrisi oleh kelompok income $75,000+ ke atas adalah yang paling besar diantara kelompok usia lain diikuti dengan kelompok income $25,000 - $49,999. Artinya kelompok income $75,000+ adalah kelompok usia yang lebih mementingkan informasi nutrisi.
Gambar 6 Tabel Output SPSS Uji Cross Tabulation Income dan Kepentingan Nutrisi
Berdasarkan output tabel count pada program SPSS, dapa dilihat bahwa kelompok income < $25,000 paling banyak memilih tingkat kepentingan ‘Unimportant’, kelompok income $25,000 - $49,999 paling banyak memilih tingkat kepentingan ‘Important’, kelompok income $50,000 - $74,999 paling banyak memilih tingkat
kepentingan ‘Unimportant’, kelompok income $75,000+ paling banyak memilih tingkat kepentingan ‘Very Important’.
3. Analisis adanya hubungan antar indikatorAnalisis untuk mengetahui adanya hubungan antara dua indikator menggunakan pengujian melalui program SPSS yakni menggunakan metode crosstabs. Teknik statistika ini menjelaskan hubungan antar indikator. Pada pengolahan data ini menggunakan uji Chi SquareDalam menganalisis uji chi-square, penulis menggunakan asumsi hipotesis sebagai berikut:
Ho : tidak ada hubungan antara kedua variableH1 : adanya hubungan antar variabel
Apabila nilai signifikansi berdasarkan hasil pengolahan data didapatkan lebih dari 0.05 maka terima Ho dan apabila nilai signifikansi kurang dari 0.05 maka tolak Ho. Berikut adalah hasil pengujian tabulasi silang yang menggambarkan adanya hubungan antara indikator yang telah ditentukan.a. Frekuensi mengunjungi Starbucks dengan evaluasi terhadap pelayanan di
Starbucks
Gambar 7 Output SPSS Uji Chi-Square Frekuensi Mengunjungi Starbucks dan Pelayanan
Berdasarkan gambar 7, nilai signifikansi Pearson Chi Square kurang dari 0.05,yakni 0.000, maka tolak Ho. Hal ini menunjukkan bahwa terdapat hubungan antara frekuensi mengunjungi Starbucks dengan evaluasi terhadap pelayanan di Starbucks.
b. Frekuensi mengunjungi Starbucks dengan pendapatan
Gambar 8 Output SPSS Uji Chi-Square Frekuensi Mengunjungi Starbucks dan Pendapatan
Berdasarkan gambar 8, nilai signifikansi Pearson Chi Square lebih dari 0.05, yakni 0.157, maka terima Ho. Hal ini menunjukkan bahwa tidak terdapat hubungan antara frekuensi mengunjungi Starbucks dengan pendapatan pengunjung.
c. Jumlah uang yang dibelanjakan dengan penilaian atmosfer Starbucks
Gambar 9 Output SPSS Uji Chi-Square Jumlah Pengeluaran dan Atmosfer
Berdasarkan gambar 9, nilai signifikansi Pearson Chi Square kurang dari 0.05,yakni 0.000, maka tolak Ho. Hal ini menunjukkan bahwa terdapat hubungan antara jumlah uang yang dibelanjakan dengan penilaian atmosfer Starbucks.
d. Jenis minuman/makanan yang dibeli dengan kelompok umur
Gambar 10 Output SPSS Uji Chi-Square Jenis Makanan/Minuman Dibeli dan Kelompok Umur
Berdasarkan gambar 10, nilai signifikansi Pearson Chi Square lebih dari 0.05, yakni 0.209, maka terima Ho. Hal ini menunjukkan bahwa tidak terdapat hubungan antara jenis makanan/minuman yang dibeli dengan kelompok umur.
C. Analisis Clustering
Penulis akan mengidentifikasi kelompok konsumen Starbucks bedasarkan variabel jenis kelamin, usia, etnis, dan pendapatan dengan analisis cluster hierarkis agglomerative. Teknik ini dipilih karena variabel yang akan dikelompokkan merupakan variabel yang tidak sejenis (heterogen).
Untuk tahap hierarkis, pertama data harus distandardisasi terlebih dahulu karena memiliki variasi dalam satuannya.Nilai z-score yang akan didapat setelah melakukan standardisasi ini yang nantinya akan dipakai untuk analisis cluster. Dari tahapan ini didapat hasil sebagai berikut :
Gambar 11 Tabel Descriptive Statistics
Selanjutnya akan dilihat kelayakan data dengan melihat adanya missing value.
Gambar 12
Dari 197 data ternyata ada 12 data yang hilang. Namun karena data yang hilang kurang dari 10% dan seluruh variabel dibutuhkan dalam analisis cluster maka missing data ini dapat diabaikan dan analisis cluster pun masih bisa dilakukan, sehingga menghasilkan data pada Lampiran 3, Lampiran 4, dan Lampiran 5
Pada Lampiran 3, dapat dilihat stage 180 dan 181 memiliki perbedaan koefisien yang cukup besar, sehingga iterasi akan dihentikan hanya sampai tahap 180. Dengan melihat diagram
dendogram, terlihat pada tahap 180 telah terbentuk 5 cluster dengan anggota seperti pada Lampiran 5.
Dari data pada Lampiran 3, Lampiran 4, dan Lampiran 5 didapat pembagian cluster untuk segmentasi pasar konsumen Starbucks sebagai berikut :
Cluster 1 : Konsumen perempuan berusia 18-24 tahun dengan etnis White Caucassian dan memiliki pemasukan $25,000-$49,999. Total terdapat 49 responden yang masuk dalam cluster ini.
Cluster 2 : Konsumen laki-laki berusia 18-24 tahun dengan etnis White Caucassian dan memiliki pemasukan $0-$49,999. Total terdapat 41 responden yang masuk dalam cluster ini.
Cluster 3 : Konsumen laki-laki berusia 45-54 tahun dengan etnis White Caucassian dan Hispanic / Latino serta memiliki pemasukan >$75,000. Total terdapat 32 responden yang masuk dalam cluster ini.
Cluster 4 : Konsumen perempuan berusia 45-54 tahun dengan etnis White Caucassian dan Hispanic / Latino serta memiliki pemasukan $50,000- >$75,000. Total terdapat 43 responden yang masuk dalam cluster ini.
Cluster 5 : Konsumen perempuan berusia 18-24 tahun dengan etnis Hispanic/Latino serta memiliki pemasukan <$25,000. Total terdapat 20 responden yang masuk dalam cluster ini.
LAMPIRAN
Lampiran 1 Pengolahan data jumlah kopi dikonsumsi seminggu terhadap jenis kelamin
Lampiran 2 Pengolahan data jumlah kopi dikonsumsi seminggu terhadap ras
Agglomeration Schedule
Stage Cluster Combined Coefficients Stage Cluster First Appears Next Stage
Cluster 1 Cluster 2 Cluster 1 Cluster 2
1 172 185 ,000 0 0 133
2 56 184 ,000 0 0 127
3 55 183 ,000 0 0 136
4 171 182 ,000 0 0 14
5 53 181 ,000 0 0 137
6 109 180 ,000 0 0 59
7 119 179 ,000 0 0 51
8 153 178 ,000 0 0 28
9 114 177 ,000 0 0 55
10 175 176 ,000 0 0 11
11 47 175 ,000 0 10 92
12 94 174 ,000 0 0 71
13 149 173 ,000 0 0 32
14 54 171 ,000 0 4 75
15 150 170 ,000 0 0 31
16 148 169 ,000 0 0 164
17 131 168 ,000 0 0 118
18 79 167 ,000 0 0 118
19 129 166 ,000 0 0 126
20 157 165 ,000 0 0 27
21 156 164 ,000 0 0 117
22 115 163 ,000 0 0 54
23 125 162 ,000 0 0 47
24 158 161 ,000 0 0 26
25 73 159 ,000 0 0 129
26 50 158 ,000 0 24 64
27 4 157 ,000 0 20 45
28 68 153 ,000 0 8 112
29 123 152 ,000 0 0 167
30 143 151 ,000 0 0 36
31 22 150 ,000 0 15 81
32 20 149 ,000 0 13 104
33 146 147 ,000 0 0 34
34 108 146 ,000 0 33 139
35 107 145 ,000 0 0 60
36 14 143 ,000 0 30 86
37 44 142 ,000 0 0 130
38 139 141 ,000 0 0 120
39 111 137 ,000 0 0 57
40 85 135 ,000 0 0 78
41 92 134 ,000 0 0 72
42 87 133 ,000 0 0 76
43 118 132 ,000 0 0 139
44 74 130 ,000 0 0 144
45 4 127 ,000 27 0 153
46 63 126 ,000 0 0 88
47 69 125 ,000 0 23 114
48 102 124 ,000 0 0 64
49 67 122 ,000 0 0 86
50 99 120 ,000 0 0 67
51 51 119 ,000 0 7 69
52 57 117 ,000 0 0 91
53 103 116 ,000 0 0 63
54 5 115 ,000 0 22 110
55 49 114 ,000 0 9 145
56 48 112 ,000 0 0 92
57 93 111 ,000 0 39 135
58 24 110 ,000 0 0 104
59 52 109 ,000 0 6 123
60 10 107 ,000 0 35 68
61 46 105 ,000 0 0 93
62 97 104 ,000 0 0 68
63 39 103 ,000 0 53 89
64 50 102 ,000 26 48 113
65 35 101 ,000 0 0 98
66 12 100 ,000 0 0 119
67 19 99 ,000 0 50 125
68 10 97 ,000 60 62 124
69 51 96 ,000 51 0 138
70 37 95 ,000 0 0 148
71 45 94 ,000 0 12 114
72 78 92 ,000 0 41 127
73 84 91 ,000 0 0 79
74 86 89 ,000 0 0 77
75 54 88 ,000 14 0 123
76 60 87 ,000 0 42 130
77 36 86 ,000 0 74 143
78 2 85 ,000 0 40 84
79 8 84 ,000 0 73 83
80 81 83 ,000 0 0 81
81 22 81 ,000 31 80 105
82 72 75 ,000 0 0 83
83 8 72 ,000 79 82 126
84 2 71 ,000 78 0 121
85 61 70 ,000 0 0 89
86 14 67 ,000 36 49 102
87 43 66 ,000 0 0 94
88 26 63 ,000 0 46 116
89 39 61 ,000 63 85 122
90 28 58 ,000 0 0 101
91 7 57 ,000 0 52 117
92 47 48 ,000 11 56 115
93 13 46 ,000 0 61 128
94 6 43 ,000 0 87 103
95 41 42 ,000 0 0 132
96 38 40 ,000 0 0 97
97 34 38 ,000 0 96 116
98 1 35 ,000 0 65 100
99 25 32 ,000 0 0 103
100 1 29 ,000 98 0 115
101 15 28 ,000 0 90 125
102 14 27 ,000 86 0 140
103 6 25 ,000 94 99 108
104 20 24 ,000 32 58 152
105 22 23 ,000 81 0 141
106 9 17 ,000 0 0 140
107 11 16 ,000 0 0 108
108 6 11 ,000 103 107 135
109 80 106 ,001 0 0 159
110 5 155 ,017 54 0 131
111 18 62 ,077 0 0 131
112 68 128 ,328 28 0 166
113 50 76 ,513 64 0 163
114 45 69 ,513 71 47 147
115 1 47 ,513 100 92 150
116 26 34 ,513 88 97 158
117 7 156 ,513 91 21 162
118 79 131 ,513 18 17 150
119 12 140 ,513 66 0 143
120 59 139 ,513 0 38 156
121 2 138 ,513 84 0 142
122 39 90 ,513 89 0 141
123 52 54 ,513 59 75 151
124 10 21 ,513 68 0 152
125 15 19 ,513 101 67 148
126 8 129 ,513 83 19 149
127 56 78 ,513 2 72 145
128 13 77 ,513 93 0 157
129 31 73 ,513 0 25 144
130 44 60 ,513 37 76 149
131 5 18 ,547 110 111 155
132 41 144 ,590 95 0 146
133 30 172 ,824 0 1 178
134 64 113 ,824 0 0 165
135 6 93 ,824 108 57 162
136 3 55 ,824 0 3 173
137 53 160 ,824 5 0 161
138 51 136 ,848 69 0 164
139 108 118 ,848 34 43 172
140 9 14 ,848 106 102 154
141 22 39 ,910 105 122 156
142 2 65 ,951 121 0 160
143 12 36 1,019 119 77 160
144 31 74 1,019 129 44 157
145 49 56 1,030 55 127 161
146 41 154 1,045 132 0 168
147 33 45 1,081 0 114 163
148 15 37 1,081 125 70 158
149 8 44 1,103 126 130 159
150 1 79 1,105 115 118 165
151 52 82 1,142 123 0 154
152 10 20 1,252 124 104 155
153 4 121 1,338 45 0 168
154 9 52 1,346 140 151 169
155 5 10 1,393 131 152 167
156 22 59 1,446 141 120 170
157 13 31 1,497 128 144 173
158 15 26 1,516 148 116 177
159 8 80 1,564 149 109 179
160 2 12 1,619 142 143 171
161 49 53 1,680 145 137 172
162 6 7 1,706 135 117 171
163 33 50 1,836 147 113 174
164 51 148 1,871 138 16 166
165 1 64 1,897 150 134 170
166 51 68 2,005 164 112 180
167 5 123 2,038 155 29 176
168 4 41 2,157 153 146 175
169 9 98 2,239 154 0 178
170 1 22 2,399 165 156 176
171 2 6 2,503 160 162 177
172 49 108 2,984 161 139 174
173 3 13 3,466 136 157 175
174 33 49 3,979 163 172 179
175 3 4 4,276 173 168 180
176 1 5 4,348 170 167 181
177 2 15 5,196 171 158 181
178 9 30 5,453 169 133 183
179 8 33 5,552 159 174 182
180 3 51 5,967 175 166 182
181 1 2 7,231 176 177 183
182 3 8 8,089 180 179 184
183 1 9 8,192 181 178 184
184 1 3 10,137 183 182 0
Lampiran 3 Tabel Agglomeration Schedule
Lampiran 4 Dendogram using Average Links
Cluster Membership
Case 5 Clusters
1: 1 1
2: 2 2
3: 4 3
4: 5 3
5: 6 1
6: 7 2
7: 8 2
8: 9 4
9: 10 5
10: 11 1
11: 12 2
12: 13 2
13: 14 3
14: 15 5
15: 16 2
16: 17 2
17: 18 5
18: 19 1
19: 20 2
20: 21 1
21: 22 1
22: 24 1
23: 25 1
24: 26 1
25: 27 2
26: 28 2
27: 29 5
28: 30 2
29: 31 1
30: 32 5
31: 34 3
32: 35 2
33: 36 4
34: 37 2
35: 38 1
36: 39 2
37: 40 2
38: 41 2
39: 42 1
40: 43 2
41: 44 3
42: 45 3
43: 46 2
44: 47 4
45: 48 4
46: 49 3
47: 50 1
48: 51 1
49: 52 4
50: 53 4
51: 54 3
52: 55 5
53: 56 4
54: 57 5
55: 58 3
56: 59 4
57: 61 2
58: 63 2
59: 64 1
60: 65 4
61: 66 1
62: 67 1
63: 68 2
64: 69 1
65: 71 2
66: 72 2
67: 73 5
68: 75 3
69: 76 4
70: 77 1
71: 78 2
72: 79 4
73: 80 3
74: 81 3
75: 82 4
76: 83 4
77: 84 3
78: 85 4
79: 86 1
80: 87 4
81: 88 1
82: 89 5
83: 90 1
84: 91 4
85: 92 2
86: 93 2
87: 94 4
88: 95 5
89: 96 2
90: 97 1
91: 98 4
92: 99 4
93: 100 2
94: 101 4
95: 102 2
96: 105 3
97: 106 1
98: 107 5
99: 108 2
100: 109 2
101: 110 1
102: 111 4
103: 112 1
104: 113 1
105: 114 3
106: 116 4
107: 117 1
108: 118 4
109: 119 5
110: 121 1
111: 122 2
112: 123 1
113: 124 1
114: 125 4
115: 126 1
116: 127 1
117: 128 2
118: 129 4
119: 130 3
120: 131 2
121: 132 3
122: 133 5
123: 134 1
124: 135 4
125: 136 4
126: 137 2
127: 139 3
128: 140 3
129: 141 4
130: 142 3
131: 143 1
132: 144 4
133: 145 4
134: 146 4
135: 147 2
136: 148 3
137: 149 2
138: 151 2
139: 152 1
140: 153 2
141: 154 1
142: 155 4
143: 156 5
144: 157 3
145: 158 1
146: 159 4
147: 160 4
148: 161 3
149: 162 1
150: 163 1
151: 164 5
152: 165 1
153: 166 3
154: 167 3
155: 168 1
156: 169 2
157: 170 3
158: 171 4
159: 172 3
160: 173 4
161: 174 4
162: 175 4
163: 176 1
164: 177 2
165: 178 3
166: 180 4
167: 181 1
168: 182 1
169: 183 3
170: 184 1
171: 185 5
172: 187 5
173: 188 1
174: 189 4
175: 191 1
176: 192 1
177: 193 4
178: 194 3
179: 195 3
180: 196 5
181: 197 4
182: 198 5
183: 199 3
184: 200 4
185: 201 5
Lampiran 5 Tabel Cluster Membership