04 Desember 2011

ANALISIS HIERARCHICAL CLUSTER

" Cluster analysis is technique for grouping individual or object into clusters so that object in same cluster are more like one another than they are like object in other cluster. Specifically the objective is to clasify a sample of entities (individual or object) into a small number mutually exclusive groups based on the similarites among the entities. Cluster analysis usually involves at least two step. The first is the measurement of some form of similarity or association between the entties to determine how many groups really exist in the sample. The second step is to profile the person or variable to determine their composition " (Hair, Anderson, Black, 1995)
 
 
Analisis kluster adalah teknik untuk mengelompokkan individu atau objek menjadi beberapa kelompok tertentu dimana setiap objek yang berada dalam kluster yang sama mempunyai kemiripan satu dengan yang lain dibandingkan dengan anggota kluster yang lain. Secara khusus, tujuan analisis kluster adalah untuk menklasifikasikan entitas sampel (individu atau objek) menjadi sejulah kecil kelompok khusus yang didasarkan pada kemiripan antar entitas. Analisis kluster umumnya membutuhkan dua tahapan. Pertama, mengukur kemiripan atau asosiasi diantara entitas untuk menentukan berapa banyak kelompok yang akan dipakai pada sampel . Kedua, memprofilkan orang atau variabel untuk menentukan posisinya (Hair, Anderson, Tatham, Black, 1995)
Sumber : Yamin dan Kurniawan, 2009


Analisis kluster adalah teknik statistik yang berguna untuk megelompokkan objek atau variabel ke dalam beberapa kelompok tertentu dimana setiap objek memiliki sifat dan karakteristik yang berdekatan. Pada riset pemasaran, analisis kluster biasanya digunakan untuk melakukan proses segmentasi sejumlah responden dalam hal ini konsumen berdasarkan ciri-ciri sejumlah atribut yang ada. Analisis kluster dapat dibagi menjadi 2 jenis, yaitu : Hierarchical Cluster dan K-Mean Cluster. Hierarchical Cluster biasanya digunakan untuk jumlah sampel (data) yang relatif sedikit (< 100) sedangkan K-Mean Cluster digunakan untuk data yang relatif banyak (> 100). Hierarchical berupaya mengelompokkan responden berdasar kemiripan yang ada (persepsi) mereka. Hal ini disebabkan kluster secara hierarki akan melakukan proses dengan membandingkan setiap pasang kasus yang tentunya untuk jumlah kasus yang sedikit.

Contoh kasus Analisis Hierarchical Cluster.
Manajemen penerbitan koran A ingin melakukan segmetasi untuk memperjelas stategi pemasaran. Strategi ini didasarkan pada atribut-atribut dengan pesaing-pesaing sejenis dari penerbit lainnnya, sehingga akan terbentuk cluster persepsi konsumen. atribut tersebut meliputi : berita nasional, ekonomi, internasional, olah raga, metropolitan dan politik. Data sebagai berikut :

Penilaian Atribut Koran

Langkah-langkah analisis :
  1. Dari menu SPSS, pilh Analyze > Classify > Hierarchical Cluster
  2. Masukkan variabel nasional, ekonomi, internasional,olahraga, metropolitan dan politik ke dalam kolom variabel (s)
  3. Masukkan variabel koran ke bagian Label Case by
  4. Klik Statistics, pada bagian cluster membership aktifkan range of solution dan isi from dengan 2 lalu throug dengan 4. Hal ini berarti akan dibuat kemungkinana 2-4 cluster. Lalu tekan continue
  5. Klik ikon plot. Klik Dendogram. Ini berfungsi untuk memperlihatkan terjadinya proses cluster secara grafis. Tekan Continue.
  6. Klik methode pada cluster metode pilih Ward's methode
  7. Tekan Continue lalu OK.

 

Agglomeration Schedule


Dendogram
 
Pada tabel agglomerasi dan diagram dendogram akan mengelompokkan secara satu persatu :
  1. Tahap 1 (stage 1) terdiri dari  koran 3 dan koran 4, koran tersebut adalah paling mirip yang kemudian menjadi 1 kelompok. perhatikan tombol next page pada tabel agglomeration schedule terlihat stage 7 yang berarti proses dilanjutkan ke stage 7. Dengan demikian sekarang ada 3 anggota yang sudah diketahui klusternya.
  2. Tahap 2 (stage 2) terdiri dari koran 2 dan 8. Next page 6, pada lanjutan ini didapat koran 1.
  3. Tahap 3 (stage 3) terdiri dari koran 5 dan koran 6. Next page 4, didapat koran 12.
  4. Tahap 4 (stage 4) terdiri dari koran 5 dan 12. Next page 5, didapat koran 9.
  5. Tahap 5 (stage 5) terdiri dari koran 5 dan 9. Next page 8, didapat koran 10.
  6. Tahap 6 (stage 6) terdiri dari koran 1 dan 2. Next page 7, didapat koran 3.
  7. Tahap 7 (stage 7) terdiri dari koran 1 dan 3. Next page 10, didapat koran 11.
  8. Tahap 8 (stage 8) terdiri dari koran 5 dan 10. Next page 9, didapat koran 7.
  9. Tahap 9 (stage 9) terdiri dari koran 5 dan 7. Next page 11,didapat koran 5
  10. Tahap 10 (stage 10) terdiri dari koran 1 dan 11. Next page 11, didapat koran 5.
  11. Tahap 11 (stage 11) terdiri dari koran 1 dan 5. Next page 0.
Demikian penafsiran untuk agglomerasi dan dendogram dengan catatan jumlah kluster yang ada lebih sedikit dari jumlah kasus (case).

Cluster Membership
 
Tabel cluster membership seperti pada proses input kluster akan dibuat 2-4 kluster. Kluster membership memberikan informasi anggota tiap kluster jika dibuat 2,3 dan 4 kluster. Masing-masing anggota kluster sebagai berikut :
  1. Jika 4 kluster : Kluster 1 terdiri dari (koran A, B, C, D dan H), kluster 2 terdiri dari (koran E, F, I, J,dan L), kluster 3 terdiri dari hanya koran G dan kluster 4 terdiri hanya koran K.
  2. Jika 3 kluster : kluster 1 terdiri dari (koran A, B, C, D dan H), kluster 2 terdiri dari (koran E, F, G,I, J dan L), kluster 3 terdiri hanya dari koran K.
  3. Jika 2 kluster : kluster 1 terdiri dari (koran A, B, C, D, H dan K), kluster 2 terdiri dari (koran E, F, G, I, J dan L)
Hasil selengkapnya download artikel [PDF]