Analisis cluster digunakan untuk mengelompokkan n unit pengamatan
menjadi k cluster dimana n > k. Pengelompokan didasarkan pada
kesamaan sifat masing-masing unit pengamatan, dimana unit-unit dalama
sebuah cluster relatif homogen dan unit-unit antar gerombol relatif
heterogen sehingga mampu menyederhanakan dimensi kasus yang dihadapi.
Ukuran
kedekatan masing-masing objek dalam analisis cluster dinyatakan dengan
’jarak’. Dalam penghitungan jarak diperlukan adanya kesamaan satuan
untuk semua variabel, jika tidak maka perlu dilakukan transformasi
terhadap masing-masing variabel menjadi skor baru yang berfungsi untuk
mengilangkan pengaruh keragaman data, hingga pada akhirnya semua
variabel memberikan kontribusi yang sama terhadap pembentukan jarak
(Manly, 1988 dalam Tanjung, 2005).
Hasil pengelompokan yang terjadi bergantung pada:
- Himpunan objek yang digunkan
- Variabel yang digunakan
- Skala variabel
- Ukuran ketidakmiripan yang digunakan
- Metode pengelompokan
Pada dasarnya, ada beberapa metode pengelompokan yang digunakan dalam analisis cluster, yaitu:
- Metode Pengelompokan Hierarki
Metode ini dibedakan menjadi Metode agglomerative (pemusatan) dan Metode divisive (penyebaran). Dalam metode agglomerative,
setiap obyek atau observasi dianggap sebagai sebuah cluster tersendiri.
Dalam tahap selanjutnya, dua cluster yang mempunyai kemiripan
digabungkan menjadi sebuah cluster baru demikian seterusnya. Sebaliknya,
dalam metode divisive kita beranjak dari sebuah cluster besar yang terdiri dari semua obyek atau observasi.
Dalam agglomerative ada lima metode yang cukup terkenal untuk menggambarkan ukuran ketidakmiripan, yaitu: Single Linkage, Complete Linkage, Average Linkage, Ward’s Method, Centroid Method.
Single Linkage,
prosedur ini didasarkan pada jarak terkecil. Jika dua obyek terpisah
oleh jarak yang pendek maka kedua obyek tersebut akan digabung menjadi
satu cluster dan demikian saterusnya.
- Complete Linkage, berlawanan dengan Single Linkage prosedur ini pengelompokan nya berdasarkan jarak terjauh.
- Average Linkage, prosedure ini hampir sama dengan Single Linkage maupun Complete Linkage, namun kriteria yang digunakan adalah rata-rata jarak seluruh individu dalam suatu cluster dengan jarak seluruh individu dalam cluster yang lain.
- Ward’s Method, jarak antara dua cluster dalam metode ini berdasarkan total sum of square dua cluster pada masing-masing variabel.
- Centroid Method, jarak antara dua cluster dalam metode ini berdasarkan jarak centroid dua cluster yang bersangkutan.
2. Metode Pengelompokan Nonhierarki
Metode
nonhierarki cluster berkaitan dengan K-means custering, dan ada tiga
pendekatan yang digunakan untuk menempatkan masing-masing observasi pada
satu cluster, yaitu:
- Sequential Threshold, Metode Sequential Threshold memulai dengan pemilihan satu cluster dan menempatkan semua objek yang berada pada jarak tertentu ke dalamnya. Jika semua objek yang berada pada jarak tertentu telah dimasukkan, kemudian cluster yang kedua dipilih dan menempatkan semua objek yang berjarak tertentu ke dalamnya. Kemudian cluster ketiga dipilih dan proses dilanjutkan seperti yang sebelumnya.
- Parallel Threshold, Metode Parallel Threshold merupakan kebalikan dari pendekatan yang pertama yaitu dengan memilih sejumlah cluster secara bersamaan dan menempatkan objek-objek kedalam cluster yang memiliki jarak antar muka terdekat. Pada saat proses berlangsung, jarak antar muka dapat ditentukan untuk memasukkan beberapa objek ke dalam cluster-cluster. Juga beberapa variasi pada metode ini, yaitu sisa objek-objek tidak dikelompokkan jika berada di luar jarak tertentu dari sejumlah cluster.
- Optimization ,Metode ketiga adalah serupa dengan kedua metode sebelumnya kecuali bahwa metode ini memungkinkan untuk menempatkan kembali objek-objek ke dalam cluster yang lebih dekat
0 komentar:
Posting Komentar