DENDOGRAM – ANALISIS CLUSTER METODE HIERARKI

Yaap,, lama banget tidak bersua  ya readers. Hoaaah rasanya kangen ketak-ketik ini itu dan ini itu, tapi kadang niat sama pengaplikasian sering gak berkesinambungan. Oke kali ini saya akan share mengenai dunia statistik yang gak pernah terpisah dari penggunaan SPSS. Bahasan kali ini mengenai Dendogram.

Analisis Cluster

Analisis cluster merupakan teknik multivariat yang bertujuan untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki objek. Analisis cluster mengklasifikasi objek sehingga setiap objek dengan objek lain yang paling dekat kesamaannya berada dalam satu cluster. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi.

Fokus dari analisis cluster adalah membandingkan objek berdasarkan set variabel, inilah yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis dalam analisis cluster. Set variabel cluster adalah suatu set variabel yang merepresentasikan karakteristik yang dipakai oleh objek-objek.

Solusi cluster secara keseluruhan bergantung pada variabel –variabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau pengurangan variabel yang relevan dapat mempengaruhi substansi hasil analisis cluster. Tiap penyelesaian tergantung pada beberapa elemen prosedur dan beberapa penyelesaian yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih.

Tujuan Analisis Cluster adalah mengelompokkan objek berdasarkan kesamaan arakteristik objek. Ciri-ciri cluster yang baik yaitu:

Ø  Homogenitas internal (within cluster), yaitu kesamaan antar anggota dalam satu cluster;

Ø  Heterogenitas cluster (between cluster), yaitu perbedaan antar cluster yang satu dengan cluster lainnya.

Metode Pengelompokan Analisis Cluster

Pengelompokan dalam analisis cluster mencakup 3 hal:

1.       Mengukur kesamaan jarak,

2.       Membentuk cluster secara hierarki,

3.       Menentukan jumlah cluster.

Dalam analisis cluster terdapat 2 metode, yaitu:

1. Metode hierarki

Dimulai dengan pengelompokan dengan dua atau lebih objek yang mempunyai kesamaan paling dekat , kemudian diteruskan dengan objek yang lain dan seterusnya. Nantinya cluster akan membentuk semacam tingkatan (hierarki) yang jelas dan menghubungkan antar objek yang berkaitan. Mulai dari antar objek yang paling mirip hingga yang paling tidak mirip. Dalam SPSS menggunakan plot Dendogram untuk membantu memperjelas proses hierarkinya.

2. Metode Non-Hieraki

Dimulai dengan menentukan jumlah clusternya terlebih dahulu sesuai yang diinginkan (dua, tiga, atau lainnya). Setelah menentukan jumlah cluster selanjutnya proses cluster dilakukan tanpa mengikuti proses hierarki. Dalam SPSS meggunakan metode K-Means Cluster.

Konsep metode hieraki ini dimulai dengan menggabungkan 2 objek yang paling mirip (tingkatan paling dasar/awal) kemudian gabungan 2 objek tersebut akan bergabung lagi dengan satu atau lebih objek yang mirip lainnya (tingkatan kedua, ketiga, atau lainnya). Proses clustering ini pada akhirnya akan mengerucut menjadi satu cluster besar  (tingkatan paling atas/akhir) yang mencakup semua objek. Metode ini disebut juga sebagai metode Aglomerativ yang digambarkan denga dendogram.

Asumsi yang harus dipenuhi dalam analisis cluster adalah:

-          Sampel yang diambil harus benar-benar dapat mewakili populasi yang ada (representativeness of sample),

-          Multi-kolinieritas.

 Studi kasus akan dibahas pada postingan selanjutnya.

Semoga bermanfaat