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