Download - Interpretasi Cluster

Transcript
Page 1: Interpretasi Cluster

Nama : Faradila Martha DeviNIM : 107094003053

1. Pengelompokkan data dengan metode K-Means Cluster (3 Cluster)

a. Perusahaan yang masuk Cluster 1, 2, 3Cluster 1 : Bumi resources, Aneka Tambang, Astra Internasional, Indofood Sukses MakmurCluster 2 : Aqua Golden MississipiCluster 3 : Astra Agro Lestari, Sampoerna Agro, SMART, Adaro Energy,

Resources Alam Indonesia, Elnusa, Holcim Indonesia, Indocement Tunggal, Astra Otoparts, Indomobil Sukses Internasional, Ades Waters Indonesia, Siantara Top, Ultra Jaya Milk, Bentoel Int, Gudang Garam, HM Sampoerna, Indofarma, Kalbe Farma, Merck, Mustika ratu

b. Output dan Interpretasinya

Descriptives

Descriptive Statistics

N Minimum Maximum Mean Std. Deviationassets 25 190 77788 12160,84 17903,472Hi 25 215 129500 13274,40 27400,901Low 25 50 100000 6851,56 20653,768Close 25 50 127000 8624,00 25713,036Freq 25 15 1192213 130952,96 273001,617Valid N (listwise) 25

Page 2: Interpretasi Cluster

Analisis :Tabel ini merupakan table Deskriptif Statistik, yang mendeskriptifkan data-data (minimum, maximum, mean-rataan, standar deviasi) dalam table

Quick ClusterInitial Cluster Centers

Cluster

1

2 3Zscore(assets) 3,66561 -,62473 -,65942Zscore(Hi) ,61953 4,24167 1,44979Zscore(Low) -,01218 4,51000 1,38708Zscore(Close) ,07490 4,60373 1,04523Zscore(Freq) ,49193 -,47962 -,47949

Output ini adalah tampilan pertama (initial) proses clustering data sebelum dilakukan iterasi. Tapi, output ini tidak dianalisis, karena yang akan dianalisis adalah hasil akhir cluster dari proses clustering sesudah iterasi

Iteration History(a)

Iteration

Change in Cluster Centers

1 2 31 2,029 ,000 2,6192 ,685 ,000 ,1373 ,000 ,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 3. The minimum distance between initial centers is 4,821.

Output ini menyatakan telah terjadi 3 kali proses iterasi, hingga menghasilkan Hasil Akhir Cluster (Final Cluster Centers)

Final Cluster Centers

Cluster

1 2 3Zscore(assets) 1,61235 -,62473 -,29123Zscore(Hi) -,05677 4,24167 -,20073Zscore(Low) -,22461 4,51000 -,18058Zscore(Close) -,20433 4,60373 -,18932Zscore(Freq) 1,74156 -,47962 -,32433

Output ini adalah akhir dari proses clustering, dengan analisis :Angka di atas terkait dengan proses standardisasi data sebelumnya, yang mengacu pada angka z, dengan ketentuan berikut :

a. Angka negative berarti data di bawah rata-rata totalb. Angka positif berarti data di atas rata-rata total

Hal itu berarti, data-data di atas berada di atas rata-rata totalMis, angka 1,61235 pada variable Zassets menyatakan rata-rata assets responden pada cluster 1, yaitu :

Page 3: Interpretasi Cluster

X = µ + z.

Dimana :X = Rata-rata sampel (dalam hal ini rata-rata variable pada cluster tertentu)µ = Rata-rata populasiz = Nilai standardisasi yang didapat pada SPSS = Standar deviasi

Contoh Perhitungannya :a. Rata-Rata Assets cluster 1 = 12160,84 + (1,61 x 17903,47) = 40985,43b. Rata-Rata Assets cluster 2 = 12160,84 + (-0,625 x 17903,47) = 971,17c. Rata-Rata Assets cluster 3 = 12160,84 + (-0,29 x 17903,47) = 6968,84

Setelah terbentuk 3 cluster, langkah selanjutnya adalah melihat apakah variable-variabel yang terbentuk mempunyai perbedaan tiap cluster, melalui pengujian output ANOVA

ANOVA

Cluster Error

F Sig.Mean Square df Mean Square dfZscore(assets) 6,243 2 ,523 22 11,927 ,000Zscore(Hi) 9,405 2 ,236 22 39,872 ,000Zscore(Low) 10,597 2 ,128 22 83,086 ,000Zscore(Close) 11,039 2 ,087 22 126,373 ,000Zscore(Freq) 7,233 2 ,433 22 16,690 ,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.

Analisis :Kolom cluster menunjukkan besaran between cluster mean, sedangkan kolom Error menunjukkan besaran within cluster mean, sehingga kolom F :

F = Cluster ErrorContoh :Angka F (pada ZHi) = 9,405/0,236 = 39,85 sebanding dengan 39,872 (perbedaan angka mungkin karena pembulatan)

Pada prinsipnya, semakin besar angka F suatu variable dan angka signifikannya di bawah 0,05, maka semakin besar pula perbedaan variable tersebut pada ketiga cluster yang terbentuk.Sebagai contoh :Pada variable Close, angka F = 126,373 dengan angka sig. 0,000 yang berarti signifikansi adalah nyata, atau dengan kata lain, factor Close sangat memmbedakan karakteristik ketiga cluster

Sekarang kita bandingkan, angka F variable ZAssets (11,927) lebih kecil dari angka F variable ZClose (126,373), hal itu berarti perbedaan assets jauh lebih kecil dari perbedaan Close antar responden pada ketiga cluster

Page 4: Interpretasi Cluster

Number of Cases in each Cluster

Cluster 1 4,0002 1,0003

20,000

Valid 25,000Missing ,000

Analisis :Dari table di atas didapat :

1. Responden yang masuk ke cluster 1 sebanyak 4 responden2. Responden yang masuk ke cluster 2 sebanyak 1 responden3. Responden yang masuk ke cluster 3 sebanyak 20 responden

Tidak ada variable yang hilang (missing), karena semua responden (25 resonden) terpeta pada ketiga cluster.

2. Pengelompokkan data dengan metode Hierarchical Cluster

Output dan Interpretasinya :

ProximitiesCase Processing Summary(a)

Cases

Valid Missing Total

N Percent N Percent N Percent

24 96,0% 1 4,0% 25 100,0%

a Squared Euclidean Distance used

Page 5: Interpretasi Cluster

Output menyatakan bahwa 24 data yang ada telah diproses Cluster

Proximity Matrix

,000 3,891 3,485 2,241 7,087 2,606 3,848 30,141 8,453 4,314 5,945 6,461 8,973 9,020 16,955 7,303 9,438 5,253 5,142 4,649 7,453 9,881

3,891 ,000 1,379 3,990 9,558 4,365 9,288 20,801 6,506 4,650 2,669 7,381 4,106 12,479 22,494 11,840 12,007 5,428 2,824 2,141 3,887 7,183

3,485 1,379 ,000 2,851 7,604 3,737 8,328 30,094 4,548 2,903 1,334 6,170 3,784 11,502 21,701 8,907 10,645 4,653 ,781 2,587 4,664 4,795

2,241 3,990 2,851 ,000 7,830 1,142 1,714 27,570 6,385 2,131 3,037 3,054 4,591 4,571 12,675 5,128 11,034 3,263 2,600 6,738 5,812 6,639

7,087 9,558 7,604 7,830 ,000 5,061 13,047 27,651 6,390 10,671 10,374 13,272 15,238 11,941 18,678 4,461 2,161 7,552 10,018 7,330 5,468 4,167

2,606 4,365 3,737 1,142 5,061 ,000 3,180 23,870 3,444 5,145 5,034 6,811 7,560 6,728 8,743 2,902 9,842 4,471 4,360 5,239 4,101 5,855

3,848 9,288 8,328 1,714 13,047 3,180 ,000 32,739 11,922 4,961 7,998 4,687 9,112 4,376 9,729 6,533 17,033 6,111 7,855 13,162 11,094 13,229

30,141 20,801 30,094 27,570 27,651 23,870 32,739 ,000 29,876 32,886 29,410 31,441 27,563 28,123 35,555 33,008 27,998 25,995 32,593 25,600 17,339 27,582

8,453 6,506 4,548 6,385 6,390 3,444 11,922 29,876 ,000 10,840 7,155 15,135 11,142 16,808 13,167 5,718 13,900 10,153 5,243 4,499 5,411 5,492

4,314 4,650 2,903 2,131 10,671 5,145 4,961 32,886 10,840 ,000 1,236 ,795 1,963 4,574 20,559 8,416 12,310 1,504 3,328 9,767 6,256 5,905

5,945 2,669 1,334 3,037 10,374 5,034 7,998 29,410 7,155 1,236 ,000 3,169 ,800 8,008 21,127 9,103 13,364 2,459 1,795 6,967 4,033 3,909

6,461 7,381 6,170 3,054 13,272 6,811 4,687 31,441 15,135 ,795 3,169 ,000 2,795 2,328 20,901 9,914 13,859 1,889 6,112 14,316 8,169 8,070

8,973 4,106 3,784 4,591 15,238 7,560 9,112 27,563 11,142 1,963 ,800 2,795 ,000 7,734 23,212 12,613 17,799 3,232 3,806 10,817 5,565 6,359

9,020 12,479 11,502 4,571 11,941 6,728 4,376 28,123 16,808 4,574 8,008 2,328 7,734 ,000 14,600 6,977 13,085 3,080 11,511 19,294 9,000 9,130

16,955 22,494 21,701 12,675 18,678 8,743 9,729 35,555 13,167 20,559 21,127 20,901 23,212 14,600 ,000 6,516 29,829 16,616 22,256 24,490 15,665 19,479

7,303 11,840 8,907 5,128 4,461 2,902 6,533 33,008 5,718 8,416 9,103 9,914 12,613 6,977 6,516 ,000 10,719 5,491 10,317 12,486 5,935 5,244

9,438 12,007 10,645 11,034 2,161 9,842 17,033 27,998 13,900 12,310 13,364 13,859 17,799 13,085 29,829 10,719 ,000 9,683 13,025 10,499 9,438 7,452

5,253 5,428 4,653 3,263 7,552 4,471 6,111 25,995 10,153 1,504 2,459 1,889 3,232 3,080 16,616 5,491 9,683 ,000 6,408 10,634 2,909 3,574

5,142 2,824 ,781 2,600 10,018 4,360 7,855 32,593 5,243 3,328 1,795 6,112 3,806 11,511 22,256 10,317 13,025 6,408 ,000 4,332 7,240 6,277

4,649 2,141 2,587 6,738 7,330 5,239 13,162 25,600 4,499 9,767 6,967 14,316 10,817 19,294 24,490 12,486 10,499 10,634 4,332 ,000 6,655 9,066

7,453 3,887 4,664 5,812 5,468 4,101 11,094 17,339 5,411 6,256 4,033 8,169 5,565 9,000 15,665 5,935 9,438 2,909 7,240 6,655 ,000 2,277

9,881 7,183 4,795 6,639 4,167 5,855 13,229 27,582 5,492 5,905 3,909 8,070 6,359 9,130 19,479 5,244 7,452 3,574 6,277 9,066 2,277 ,000

19,110 9,551 8,107 14,137 14,042 12,415 23,536 30,302 6,181 13,344 6,979 17,498 8,701 21,712 25,927 14,142 20,884 11,523 9,382 11,485 5,603 4,726

32,594 32,750 32,605 37,716 17,176 28,737 44,944 43,819 24,166 39,324 35,610 44,954 42,407 41,614 34,638 21,685 24,822 28,659 41,199 28,720 18,936 21,547

Case1: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:DI YOGYAKARTA

12:JAWA TIMUR

13:BALI

14:NTB

15:NTT

16:KALIMANTAN BARAT

17:KALIMANTAN TIMUR

18:KALIMANTANSELATAN

19:KALIMANTAN TENGAH

20:SULUT

21:SUL TENGAH

22:SULSEL

23:SULTENG

24:IRIAN JAYA

1:SUMATERAUTARA

2:SUMATERABARAT 3:RIAU 4:JAMBI

5:SUMATERASELATAN 6:BENGKULU 7:LAMPUNG

8:DKIJAKARTA

9:JAWABARAT

10:JAWATENGAH

11:DIYOGYAKARTA

12:JAWATIMUR 13:BALI 14:NTB 15:NTT

16:KALIMANTAN

BARAT

17:KALIMANTAN

TIMUR

18:KALIMANTAN

SELATAN

19:KALIMANTAN

TENGAH 20:SULUT21:SUL

TENGAH 22:SULSEL

Squared Euclidean Distance

This is a dissimilarity matrix

Analisis :Tabel menyatakan matrix proximity, dengan angka yang tertera adalah jarak (distance) antara 2 buah variableSeperti diketahui, langkah pertama cluster, adalah melakukan pengukuran tterhadap kesamaan (similarity) antar variable, sesuai tujuan cluster untuk mengelompokkan variable yang sama (similar)Contoh :Jarak antara variable 1 (Sumatera Utara) dengan variable 2 (Sumatera Barat) adalah 3, 891Jarak antara variable 1 (Sumatera Utara) dengan variable 3 (Riau) adalah 3, 485

Page 6: Interpretasi Cluster

Average Linkage (Between Groups)

Agglomeration Schedule

3 19 ,781 0 0 6

10 12 ,795 0 0 5

11 13 ,800 0 0 10

4 6 1,142 0 0 9

10 18 1,697 2 0 10

2 3 2,102 0 1 12

5 17 2,161 0 0 20

21 22 2,277 0 0 14

1 4 2,423 0 4 11

10 11 2,476 5 3 13

1 7 2,914 9 0 16

2 20 3,020 6 0 15

10 14 5,145 10 0 17

21 23 5,164 8 0 18

2 9 5,199 12 0 18

1 16 5,467 11 0 17

1 10 6,204 16 13 19

2 21 7,025 15 14 19

1 2 8,221 17 18 20

1 5 10,714 19 7 21

1 15 18,349 20 0 22

1 8 28,552 21 0 23

1 24 32,379 22 0 0

Stage1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

Cluster 1 Cluster 2

Cluster Combined

Coefficients Cluster 1 Cluster 2

Stage Cluster FirstAppears

Next Stage

Analisis : Tabel di atas adalah hasil proses clustering dengan metode Between Group LinkageSetelah jarak antar variable diukur dengan cara Euclidean, maka dilakukan pengelompokkan variable secara hierarki, yaitu pengelompokkan dilakukan secara bertingkat, satu demi satu, atau dari terbentuknya cluster yang banyak, hingga akhirnya terbentuk 1 cluster, dengan cara Agglomerasi

Pada Stage 1 : terbentuk 1 cluster dengan anggotanya variable 3 (Riau) dan 19 (Kalimantan Tengah), dengan coeffisien 0,781, yang menyatakan jarak antar varibel 3 dan 19, dan ini adalah jarak yang terdekat dari sekian banyak kombinasi jarak dari 24 variabel yang ada. Pada kolom Next stage, tertulis angka 6, yang berarti langkah clustering selanjutnya dengan melihat stage 6

Pada Stage 6 : Variabel 3 membentuk cluster dengan variable 2 (Sumatera Barat). Dengan demikian, sekarang cluster terdiri dari 3 variabel, 2 (Sumaera barat), 3 (Riau) dan 19 (Kalimantan Tengah), dengan jarak rata-rata :

- Jarak variable 3 dan 19 (Pada Proximity Matrix) = 0,781

Page 7: Interpretasi Cluster

- Jarak variable 2 dan 3 = 1,379- Jadi, jarak rata-rata = (0,781+1,379)/2 = 1,08

Demikian seterusnya, hingga terbentuk 1 cluster saja (divisualisasikan dalam Dendogram)

Cluster Membership

1 1

1 1

1 1

1 1

1 1

1 1

1 1

2 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

1 1

3 2

Case1: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:DI YOGYAKARTA

12:JAWA TIMUR

13:BALI

14:NTB

15:NTT

16:KALIMANTAN BARAT

17:KALIMANTAN TIMUR

18:KALIMANTANSELATAN

19:KALIMANTAN TENGAH

20:SULUT

21:SUL TENGAH

22:SULSEL

23:SULTENG

24:IRIAN JAYA

3 Clusters 2 Clusters

Jawaban :a. Jika terbentuk 2 cluster

1. Cluster 1 : 23 Provinsi di Irian Jaya2. Cluster 2 : Irian Jaya

b. Jika terbentuk 3 cluster1. Cluster 1 : 22 Provinsi di luar DKI Jakarta dan Irian Jaya2. Cluster 2 : DKI Jakarta3. Cluster 3 : Irian Jaya

Page 8: Interpretasi Cluster

Vertical Icicle

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X X X X X X X X X X X X X X X X

Number of clusters1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24:IRI

AN JA

YA

8:DKI

JAKAR

TA

15:NTT

17:

KALIM

ANTAN

TIMUR

5:S

UMATE

RA SE

LATAN

23:

SULTE

NG

22:SU

LSEL

21:

SUL T

ENGA

H

9:JAW

A BAR

AT

20:SU

LUT

19:KA

LIMAN

TAN TE

NGAH

3:R

IAU

2:SUM

ATERA

BARAT

14:

NTB

13:BA

LI 11:

DI YOG

YAKAR

TA

18:KA

LIMAN

TAN SE

LATAN

12:

JAWA T

IMUR

10:

JAWA T

ENGA

H

16:KA

LIMAN

TAN BA

RAT

7:LAM

PUNG

6:B

ENGK

ULU

4:JAM

BI

1:SUM

ATERA

UTAR

A

Case

Page 9: Interpretasi Cluster

Jawaban c. Analisis Dendogram

Proses Aggloomerasi dimulai pada skala 0, dengan ketentuan jika sebuah garis dekat dengan angka 0, maka variable-variabel yang terwakili dengan garis tersebut semakin mungkin membentuk cluster1. 3 dan 19; 11 dan 13; 10, 12, dan 18; 4 dan 6; membentuk clusternya masing-

masing, sehingga terbentuk 4 cluster pada proses pertama, dan yang lainnya berdiri sendiri

2. Cluster yang terbentuk :- Cluster 3 dan 19 bergabung dengan var 2, 20 membentuk 1 cluster- 21 dan 22- Cluster 11 & 13 bergabung dengan cluster 10, 12, & 18- Cluster 4 & 6 bergabung dengan var 1, 7

Page 10: Interpretasi Cluster

- 5 dan 173. Cluster yang terbentuk pada proses 3 :

- Cluster 3, 19, 20, 2 bergabung dengan var 9- Cluster 21,22 bergabung dengan var 23- Cluser 11, 13, 10, 12, 18 bergabung dengan var 14- Cluster 4, 6, 1, 7 bergabung dengan var 16

Begitu seterusnya hingga terbentuk 1 cluster, yang merupakan gabungan dari cluster sebelumnya dan variable 24 - Irian Jaya

Soal no. 3Produksi Perikanan Laut Yang Dijual Di TPI (Tempat Penjualan Ikan) Menurut Provinsi, 2005-2009 (Ton)

P r o v i n s i 2005 2006 2007 2008 2009

   

1 Nanggroe Aceh  1 841  4 042  4 676  5 629  5 978

2 Sumatera Utara  3 082   93  1 214  1 841  63 004

3 Sumatera Barat   335  5 063  8 650  27 813  4 047

4 R i a u   163   118   90   261   440

5 Lampung  3 259  6 599  3 070  4 507  4 733

6 DKI Jakarta  26 553  24 881  35 348  39 820  30 362

7 Jawa Barat  23 150  48 958  54 092  54 906  34 935

8 Jawa Tengah  152 352  146 284  163 856  159 307  158 961

9 DI. Yogyakarta   623   629  1 851  1 171  1 492

10 Jawa Timur  60 058  41 259  58 799  92 489  104 634

11 Banten  7 689  11 197  7 490  8 071  6 509

12 B a l i  15 828  8 108  20 206  18 821  34 706

13 NTB  4 300  4 610  5 019  6 633  7 678

14 NTT  1 460  2 072  4 053  4 053  4 280

15 Kalimantan Barat  6 320  6 636  10 230  10 869  9 931

16 Kalimantan Sel  8 510  6 579  14 850  15 528  17 931

17 Kalimantan Timur  8 251  6 464  11 141  10 060  8 465

18 Sulawesi Utara   149  2 073  1 983  2 123  2 384

19 Sulawesi Tengah  1 053   469   842  11 252  1 176

Page 11: Interpretasi Cluster

20 Sulawesi Selatan  26 803  23 209  29 779  33 166  35 612

21 Sulawesi Tenggara  2 363  2 760  6 837  3 764  2 428

22 Gorontalo  1 604  3 828  9 413  5 082  4 186

Sumber : http://www.bps.go.id/tab_sub/view.php?tabel=1&daftar=1&id_subyek=56&notab=3

Analisis :QCL_1 menunjukkan provinsi masuk ke cluster manaQCL_2 menunjukkan jaraknyaJadi, dari QCL_1, yang termasuk :Cluster 1 : 19 Provinsi selain Jawa Tengah, Jawa Barat, dan Jawa TimurCluster 2 : Jawa TengahCluster 3 : Jawa Barat dan Jawa Timur

DescriptivesDescriptive Statistics

Page 12: Interpretasi Cluster

N Minimum Maximum Mean Std. Deviationduaribu_lima 22 149 152352 16170,27 33501,246duaribu_enam 22 93 146284 16178,68 31889,626duaribu_tujuh 22 90 163856 20613,14 36007,144duaribu_delapan 22 261 159307 23507,55 37427,815duaribu_sembilan 22 440 158961 24721,45 39081,694Valid N (listwise) 22

Analisis :Tabel ini merupakan table Deskriptif Statistik, yang mendeskriptifkan data-data (minimum, maximum, mean-rataan, standar deviasi) dalam table

Quick ClusterInitial Cluster Centers

Cluster

1 2 3Zscore(duaribu_lima) -,47781 4,06497 1,31003Zscore(duaribu_enam) -,50363 4,07986 ,78647Zscore(duaribu_tujuh) -,56997 3,97818 1,06051Zscore(duaribu_delapan) -,62110 3,62830 1,84305Zscore(duaribu_sembilan)

-,62130 3,43484 2,04476

Output ini adalah tampilan pertama (initial) proses clustering data sebelum dilakukan iterasi. Tapi, output ini tidak dianalisis, karena yang akan dianalisis adalah hasil akhir cluster dari proses clustering sesudah iterasi

Iteration History(a)

Iteration

Change in Cluster Centers

1 2 31 ,568 ,000 1,1702 ,000 ,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 2. The minimum distance between initial centers is 4,550.

Output ini menyatakan telah terjadi 2 kali proses iterasi, hingga menghasilkan Hasil Akhir Cluster (Final Cluster Centers), di bawah ini :

Final Cluster Centers

Cluster

1 2 3Zscore(duaribu_lima) -,29386 4,06497 ,75919Zscore(duaribu_enam) -,31022 4,07986 ,90719Zscore(duaribu_tujuh) -,31413 3,97818 ,99515Zscore(duaribu_delapan) -,33212 3,62830 1,34098Zscore(duaribu_sembilan)

-,30215 3,43484 1,15305

Output ini adalah akhir dari proses clustering, dengan analisis :

Page 13: Interpretasi Cluster

Angka di atas terkait dengan proses standardisasi data sebelumnya, yang mengacu pada angka z, dengan ketentuan berikut :

a. Angka negative berarti data di bawah rata-rata totalb. Angka positif berarti data di atas rata-rata total

Hal itu berarti, data-data di atas berada di atas rata-rata totalMis, angka 4,06497 pada variable Zduaribu_lima (2005) menyatakan rata-rata penjualan ikan pada tahun 2005 responden pada cluster 2, yaitu :

X = µ + z.

Dimana :X = Rata-rata sampel (dalam hal ini rata-rata variable pada cluster tertentu)µ = Rata-rata populasiz = Nilai standardisasi yang didapat pada SPSS = Standar deviasiContoh Perhitungannya :

a. Rata-Rata Assets cluster 1 = 16170,27 + (-0,29 x 33501,25) = 6454.91b. Rata-Rata Assets cluster 2 = 16170,27 + (4,07 x 33501,25) = 152520,36c. Rata-Rata Assets cluster 3 = 16170,27 + (0,76 x 33501,25) = 41631,22

Setelah terbentuk 3 cluster, langkah selanjutnya adalah melihat apakah variable-variabel yang terbentuk mempunyai perbedaan tiap cluster, melalui pengujian output ANOVA

ANOVA

Cluster Error

F Sig.Mean Square df Mean Square DfZscore(duaribu_lima) 9,659 2 ,089 19 109,072 ,000Zscore(duaribu_enam) 10,060 2 ,046 19 217,149 ,000Zscore(duaribu_tujuh) 9,841 2 ,069 19 141,799 ,000Zscore(duaribu_delapan) 9,428 2 ,113 19 83,585 ,000Zscore(duaribu_sembilan)

8,096 2 ,253 19 31,992 ,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.

Analisis :Kolom cluster menunjukkan besaran between cluster mean, sedangkan kolom Error menunjukkan besaran within cluster mean, sehingga kolom F :

F = Cluster ErrorContoh :Angka F (pada Zduaribu_enam) = 10,060/0,046 = 218,7 sebanding dengan 217,149 (perbedaan angka mungkin karena pembulatan)

Pada prinsipnya, semakin besar angka F suatu variable dan angka signifikannya di bawah 0,05, maka semakin besar pula perbedaan variable tersebut pada ketiga cluster yang terbentuk.Sebagai contoh :Pada variable duaribu_enam, angka F = 217,149 dengan angka sig. 0,000 yang berarti signifikansi adalah nyata, atau dengan kata lain, factor Close sangat membedakan karakteristik ketiga cluster

Page 14: Interpretasi Cluster

Sekarang kita bandingkan, angka F variable Zduaribu_sembilan (31,992) lebih kecil dari angka F variable Zduaribu_enam (217,149), hal itu berarti perbedaan pada tahun duaribu_sembilan jauh lebih kecil dari perbedaan pada tahun duaribu_enam antar responden pada ketiga cluster

Number of Cases in each Cluster

Cluster 1 19,000

2 1,000

3 2,000Valid 22,000Missing ,000

Analisis :Dari table di atas didapat :

1. Responden yang masuk ke cluster 1 sebanyak 19 responden

2. Responden yang masuk ke cluster 2 sebanyak 1 responden

3. Responden yang masuk ke cluster 3 sebanyak 2 responden