Setup Menus in Admin Panel

Analisis Cluster

Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Tujuan utama analisis cluster adalah mempartisi suatu set objek menjadi dua kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.

Konsep kesamaan adalah hal yang fundamental dalam analisis cluster. Kesamaan antar objek merupakan ukuran korespondensi antar objek. Salah satu metode yang diterapkan adalah ukuran jarak. Ada beberapa tipe ukuran jarak antara lain jarak Euclidian, jarak city-Box, dan jarak Mahalanobis.

Algoritma cluster harus dapat memaksimalkan perbedaan relatif cluster terhadap variasi dalam cluster. Dua metode paling umum dalam algoritma cluster adalah metode hirarkhi dan metode non hirarkhi. Penentuan metode mana yang akan dipakai tergantung kepada peneliti dan konteks penelitian dengan tidak mengabaikan substansi, teori dan konsep yang berlaku.

Tipe dasar dalam metode hirarki adalah aglomerasi dan pemecahan. Dalam metode aglomerasi tiap observasi pada mulanya dianggap sebagai cluster tersendiri sehingga terdapat cluster sebanyak jumlah observasi. Kemudian dua cluster yang terdekat kesamaannya digabung menjadi suatu cluster baru, sehingga jumlah cluster berkurang satu pada tiap tahap. Sebaliknya pada metode pemecahan dimulai dari satu cluster besar yang mengandung seluruh observasi, selanjutnya observasi-observasi yang paling tidak sama dipisah dan dibentuk cluster-cluster yang lebih kecil. Proses ini dilakukan hingga tiap observasi menjadi cluster sendiri-sendiri. Hal penting dalam metode hirarkhi adalah bahwa hasil pada tahap sebelumnya selalu bersarang di dalam hasil pada tahap berikutnya, membentuk sebuah pohon. Ada beberapa metode aglomerasi dalam pembentukan cluster yaitu, Pautan Tunggal (Single Linkage), Pautan Lengkap (Complete Linkage), Pautan Rata-rata (Average Linkage), Metode Ward (Ward’s Method) dan Centroid Linkage.

Salah satu metode dalam metode pengelompokkan tak berhirarki yaitu metode k-means. Algoritma dari metode ini sebagai berikut pertama tentukan besarnya k (yaitu banyaknya cluster, dan tentukan juga centroid di tiap cluster), kedua hitung jarak antara setiap objek dengan setiap centroid, ketiga hitung kembali rataan (centroid) untuk cluster yang baru terbentuk dan keempat ulangi langkah 2 sampai tidak ada lagi pemindahan objek antar cluster.

Pengantar Clustering

  • => Konsep dasar cluster
  • => Ukuran kemiripan
  • => Asumsi cluster
  • => Metode analisis (Hirarki dan Non Hirarki)

Pengelompokkan Hirarki

  • => Konsep dasar pengelompokkan hirarki
  • => Langkah-langkah
  • => Contoh pengelompokkan hirarki

Penerapan Pengelompokkan Hirarki dengan Menggunakan Aplikasi Statistik

Pengelompokkan Non Hirarki

  • => Konsep dasar pengelompokkan non hirarki
  • => Langkah-langkah
  • => Contoh pengelompokkan non hirarki

Penerapan Pengelompokkan Hirarki dengan Menggunakan Aplikasi Statistik

Lama Pelatihan : 2 Jam

Copyright © 2018 PT. Angsa Statistika Indonesia