ANALISIS MULTIVARIAT

ANALISIS CLUSTER DENGAN METODE K-MEANS

(TEORI DAN CONTOH STUDY KASUS)
Oleh :
Rizka Fauzia 1311 100 126
Dosen Penga!":
Santi Wulan Purnami S.Si., M.Si.
PROGRAM STUDI SAR#ANA
#URUSAN STATISTIKA
$AKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEM%ER
SURA%AYA
&'()
1
(* CLUSTERING
Pen+ah"l"an
Clustering adalah suatu metode engelomokan !erdasarkan ukuran
kedekatan"kemirian#.Clustering !eda dengan grou, kalau grou !erarti kelomok $ang
sama,kondisin$a kalau tidak $a asti !ukan kelomokn$a.%etai kalau &luster tidak harus
sama akan tetai engelomokann$a !erdasarkan ada kedekatan dari suatu karakteristik
samle $ang ada, salah satun$a dengan menggunakan rumus 'arak e&luidean.(likasin$a
&luster ini sangat !an$ak, karena hamer dalam mengidenti)ikasi ermasalahan atau
engam!ilan keutusan selalu tidak sama ersis akan tetai &enderung memiliki
kemirian sa'a.
Man,aa-
*denti)ikasi o!$ek "Re&ognition# +
,alam !idang mage Pro&essing , Comuter -ision atau ro!ot .ision
,e&ission Suort S$stem dan data mining
Segmentasi asar, emetaan /ila$ah, Mana'emen marketing dll.
P./ns/! +asa. :
Similarit$ Measures "ukuran kedekatan#
,istan&es dan Similarit$ Coe)i&ients untuk !e!eraa seasang dari item
0&luidean ,istan&e+
2 2
2 2
2
1 1
# " ... # " # " # , "
p p
y x y x y x y x d + + + =
(tau +
2 1 1
2
1
2 2 # , "

=

=
i
p
i
i
y x y x d
2
&* TIN#AUAN PUSTAKA
&*( Anal/s/s Kelo!o0 (Cl"s-e. Anal/s/s)
(nalisis kelomok "Cluster analiysis# meruakan se!uah metode analisis untuk
mengelomokan o!'ek3o!'ek engamatan men'adi !e!eraa kelomok sehingga akan
dieroleh kelomok dimana o!'ek3o!'ek dalam satu kelomok memun$ai !an$ak
ersamaan sedangkan dengan anggota kelomok $ang lain memun$ai !an$ak er!edaan
"4ohnson dan Wi&hern, 2005#. Prosedur engelomokan ada dasarn$a ada dua, $aitu
engelomokan dengan rosedur hierarki dan tak !erhierarki. Pada enelitian ini metode
$ang diakai adalah rosedur hierarki karena 'umlah kelomok $ang akan di!entuk
!elum ditentukan.
&*& Anal/s/s Cluster H/e.a.0/
Pada metode ini terdaat n o!'ek dan k kelomok, tetai kelomok $ang akan
ter!entuk tidak ditentukan terle!ih dahulu. Pem!entukan kelomok dilakukan dengan
emotongan dendogram $ang dihasilkan dari analisis. ,alam em!entukan kelomok
ditentukan 'arak antara dua o!'ek $ang nantin$a diga!ungkan men'adi satu.Single
Linkage Method, Complete Linkage Method, Average Linkage Method, dan Ward`s
Method meruakan meruakan metode hirarki, !agian dari metode agglomerative $ang
memiliki ukuran kemirian $ang !er!eda saat engklasteran. Single Linkage Method
engelomokann$a didasarkan ada 'arak terdekat antar cluster, Complete Linkage
Method engelomokann$a didasarkan ada 'arak ter'auh antar cluster, Average Linkage
Method engelomokann$a didasarkan ada 'arak rata3rata antar cluster, sedangkan
Ward`s Method engklasteran didasarkan ada error sum of square "0SS# $ang minimum
"4ohnson dan Wi&hern, 2005#. 6e!eraa ma&am 'arak $ang !iasa diakai di dalam
analisis cluster adalah se!agai !erikut.
3
Ta1el &*( Ma&am3Ma&am 4arak $ang ,igunakan
7o. 4arak Formula
1. 0u&lidean
2. Manhattan
3. Pearson
&*2 Anal/s/s Cluster Nonh/.a.0/
Metode cluster nonhirarki dia/ali dengan roses enentuan 'umlah cluster terle!ih
dahulu. Se&ara umum metode ini meminimumkan )ungsi o!'ekti) atau kriteria otimal
sehingga daat mengatasi masalah otimasi untuk memenuhi kriteria otimal.
6erdasarkan karakteristik datan$a metode non3hirarki di!agi men'adi !e!eraa model,
$aitu partitioning clustering, overlapping clustering dan model hybrid. artitioning
clustering meruakan metode rekontrukti) $ang !erusaha meminimumkan )ungsi
o!'ekti). Contoh dari partitioning clustering antara lain algoritma !"Means clustering
dan (nalisis Residual. #verlappingclustering !iasan$a digunakan ketika se'umlah data
mengalami tumang tindih "overlap# sehingga setia data termasuk ke dalam !e!eraa
cluster. Contoh dari o.erlaing clustering antara lain $u%%y C"Means, $u%%y
Substractiveclustering dan &aussian Mixture Model. Sedangkan model hybrid $aitu suatu
metode clustering dimana metode terse!ut mengga!ungkan karakteristik dari
artitioning, o.erlaing, dan hirarki. "4ohnson dan Wi&hern, 2005#
8
2* METODE K-MEANS
Metode !"Means ertama dierkenalkan oleh 4ames 6 Ma&9ueen ada tahun
1:65 dalam proceeding of the '
th
berkeley symposium on Mathematical Statistic and
robability. ,asar engelomokkan dalam metode ini adalah menematkan o!'ek
!erdasarkan rata3rata cluster terdekat. ;leh karena itu, metode ini !ertu'uan untuk
meminimumkan error aki!at artisi n o!'ek ke dalam k cluster. 0rror artisi dise!ut
se!agai )ungsi o!'ekti).
Misalkan < = ><i?, i = 1,2, ...,n meruakan titik3titik dalam ruang !erdimensi n
"R
n
# dan titik terse!ut dikelomokkan ke dalam i cluster, Ci, i = 1,2, ..., k. Misalkan &i
&entroid dari cluster &i sehingga 'umlah kuadrat antara &i dan titik di dalam cluster $aitu
@i, dide)inisikan se!agai !erikut.

=

2
# " # "
i i ci xi k
x c c (
"2.8#
Prinsi dasar metode !"Means adalah meminimumkan 'umlah kuadrat error dari
seluruh i cluster adalah se!agai !erikut.

=

=
k
i
ci xi
xi ci SS)
1
2
# "
"2.A#
"Bair dkk, 2010#
&*2*( Ko!onen K-Means
(lgoritma !"Means memerlukan 3 komonen adalah se!agai !erikut "Bair dkk,
2010#.
1. 4umlah Cluster C
!"Means meruakan !agian dari metode non3hirarki sehingga dalam metode ini
'umlah C harus ditentukan terle!ih dahulu. 4umlah cluster daat ditentukan melalui
endekatan metode hirarki. 7amun erlu dierhatikan !ah/a tidak terdaat aturan
khusus dalam menentukan 'umlah cluster C, terkadang 'umlah cluster $ang diinginkan
tergantung ada su!'ekti) seseorang.
2. Cluster (/al
Cluster a/al $ang diilih !erkaitan dengan enentuan usat cluster a/al "&entroid
a/al#. ;leh karena adan$a emilihan cluster a/al $ang !er!eda ini maka kemungkinan
!esar solusi cluster $ang dihasil akan !er!eda ula.
A
start
Banyaknya
cluster K
Tentukan pusat
Hitung jarak obyek ke
pusat
Kelompokkan obyek
berdasar jarak minimum
Ada obyek
yang harus
dipindah?
ya
tidak
end
Gambar 1. Flowchart algoritma K-Means
3. Dkuran 4arak
,alam hal ini, ukuran 'arak digunakan untuk menentukan o!ser.asi ke dalam
cluster !erdasarkan &entroid terdekat. Dkuran 'arak $ang digunakan dalam metode !"
Means adalah 'arak 0u&lidean.
&*2*& Algo./-a K-Means
(daun algoritma !"Means dalam em!entukan cluster se!agai !erikut.
1. Matriks data * = >@i'? !erukuran n@ dengan i = 1,2, ...,n, ' = 1,2,..., dan
asumsikan 'umlah cluster a/al C
2. %entukan usat cluster
3. Menghitung 'arak setia o!'ek ke setia &entroid dengan menggunakan 'arak
0u&lidean atau daat ditulis se!agai !erikut.
2
# " # , "
i i i i
c x c x d = "2.6#
8. Setia o!'ek disusun ke &entroid terdekat dan kumulan o!'ek terse!ut akan
mem!entuk cluster.
6
A. Menentukan &entroid !aru dari cluster $ang !aru ter!entuk, dimana &entroid !aru
itu dieroleh dari rata3rata setia o!'ek $ang terlatak ada cluster $ang sama.
6. Mengulang langkah 3, 'ika &entroid a/al dan !aru tidak sama.
"Bair dkk, 2010#
Eam!ar 1 !erikut menun'ukkan diagram alir dari algoritma C3Means.
5
)* CONTOH PENGHITUNGAN DENGAN METODE K3MEANS
%a!el 8.1 ,a)tar o!$ek $ang akan diolah dalam clustering
;!$ek atri!ut1 "<#+ indeks
!erat
atri!ut 2 "F#+ B
;!at ( 1 1
;!at 6 2 1
;!at C 8 3
;!at , A 8
2. Menghitung 'arak o!$ek ke &entroid dengan menggunakan rumus 'arak 0u&lid.
Misaln$a 'arak o!$ek uuk C="8,3# ke centroid ertama adalah
dan 'arakn$a dengan &entroid kedua adalah
.
Basil erhitungan 'arak ini disiman dalam !entuk matriks k @ n, dengan k !an$akn$a
&luster dan n !an$ak o!$ek. Setia kolom dalam matriks terse!ut menun'ukkan o!$ek
sedangkan !aris ertama menun'ukkan 'arak ke centroid ertama, !aris kedua
menun'ukkan 'arak ke centroid kedua. Matriks 'arak setelah iterasi ke30 adalah
se!agai !erikut+
3. Clustering o!$ek + Memasukkan setia o!$ek ke dalam &luster "gru# !erdasarkan
'arak minimumn$a. 4adi o!at ( dimasukkan ke gru 1, dan o!at 6, C dan ,
dimasukkan ke gru 2. Ceanggotaan o!$ek ke dalam gru din$atakan dengan matrik,
elemen dari matriks !ernilai 1 'ika se!uah o!$ek men'adi anggota gru.
G
8. *terasi31+ menetukan centroid + 6erdasarkan anggota masing3masing gru, selan'utn$a
ditentukan centroid !aru. Eru 1 han$a !erisi 1 o!$ek, sehingga centroidn$a teta
. Eru 2 memun$ai 3 anggota, sehingga centroidn$a ditentukan !erdasarkan
rata3rata koordinat ketiga anggota terse!ut+ .
A. *terasi31, menghitung 'arak o!$ek ke centroid+ selan'utn$a, 'arak antara centroid !aru
dengan seluruh o!$ek dalam gru dihitung kem!ali sehingga dieroleh matriks 'arak
se!agai !erikut+
6. *terasi31+ clustering o!$ek, langkah ke33 diulang kem!ali, menentukan keanggotaan
gru !erdasarkan 'arakn$a. 6erdasarkan matriks 'arak $ang !aru, maka o!at 6 harus
diindah ke gru 2.
5. *terasi32, menentukan centroid, langkah ke38 diulang kem!ali untuk menentukan
&entroid !aru !erdasarkan keanggotaan gru $ang !aru. Eru 1 dan gru 2 masing3
masing memun$ai 2 anggota, sehingga &entroidn$a men'adi
dan
G. *terasi32, menghitung 'arak o!$ek ke centroid + ulangi langkah ke32, sehingga
dieroleh matriks 'arak se!agai !erikut+
:
:. *terasi32+ clustering o!$ek, mengelomokkan tia3tia o!$ek !erdasarkan 'arak
minimumn$a, dieroleh+
Basil engelomokkan ada iterasi terakhir di!andingkan dengan hasil
se!elumn$a, dieroleh . Basil ini menun'ukkan !ah/a tidak ada lagi o!$ek $ang
!erindah gru, dan algoritma telah sta!il. Basil akhir clustering ditun'ukkan dalam
%a!el 2.
%a!el 8.2 Basil clustering
;!$ek atri!ut1 "<#+ indeks
!erat
atri!ut 2 "F#+ B Eru hasil
;!at ( 1 1 1
;!at 6 2 1 1
;!at C 8 3 2
;!at , A 8 2
Kele1/han +an Keleahan algo./-a K3eans
(lgoritma C3means dinilai &uku e)isien, $ang ditun'ukkan dengan
komleksitasn$a O(-0n), dengan &atatan n adalah !an$akn$a o!$ek data, 0 adalah
'umlah &luster $ang di!entuk, dan - !an$akn$a iterasi. 6iasan$a, nilai k dan t 'auh le!ih
ke&il dariada nilai n. Selain itu, dalam iterasin$a, algoritma ini akan !erhenti dalam
kondisi otimum lokal.
Bal $ang diangga se!agai kelemahan algoritma ini adalah adan$a keharusan
menetukan !an$akn$a &luster $ang akan di!entuk, han$a daat digunakan dalam data
$ang mean3n$a daat ditentukan, dan tidak mamu menangani data $ang memun$ai
10
en$imangan3en$imangan "noisy data dan outlier#. 6e!eraa kelemahan algoritma
C3means adalah+ "1# sangat !ergantung ada emilihan nilai a/al &entroid, "2# tidak 'elas
!eraa !an$ak &luster k $ang ter!aik, "3# han$a !eker'a ada atri!ut numerik.
Similarity +an Dissimilarity
Memerhatikan inut dalam algoritma C3Means, daat dikatakan !ah/a
algoritma ini han$a mengolah data kuantitati). (lgoritma C3means han$a daat mengolah
atri!ut numerik.
Se!uah !asis data, tidak mungkin han$a !erisi satu ma&am t$e data sa'a, akan
tetai !eragam t$e. Se!uah !asis data daat !erisi data3data dengan t$e se!agai
!erikut+ symmetric binary+ asymmetric binary+ nominal+ ordinal+ interval dan ratio.
6er!agai ma&am atri!ut dalam !asis data $ang !er!eda t$e harus diolah terle!ih
dahulu men'adi data numerik, sehingga daat di!erlakukan algoritma C3means dalam
em!entukan &lustern$a. Pengukuran similarity dan dissimilarity daat digunakan untuk
engolahan data terse!ut
(tri!ut $ang !er!eda tie sama artin$a dengan adan$a ketidaksamaan
"dissimilarity- antar atri!ut terse!ut. Cetidaksamaan "dissimilarity- antara dua o!$ek
daat diukur dengan menghitung 'arak antar o!$ek !erdasarkan !e!eraa si)atn$a.
Bu!ungan dissimilarity antara 2 !uah data o!$ek a="a1,a2,HH,a# dan !="!1,!2,
H.,!# daat din$atakan dengan engukuran 'arak antara 2 o!$ek terse!ut. 6e!eraa
si)at 'arak "dissimilarity- adalah se!agai !erikut d"a, !# 0 , 'arak kedua o!$ek selalu
ositi) atau nol,
d"a, a# = 0, 'arak terhada diri sendiri adalah nol,
d"a, !# = d"!, a# , 'arak kedua o!$ek adalah simetri,
d"a, !# d"a, &# I d"&, !#, 'arak memenuhi ketidaksamaan segitiga.
Misalkan dissimilarity antara o!$ek / dan o!$ek 4 din$atakan dengan +/4 dan
similarity din$atakan dengan s/4. Bu!ungan antara relationship dissimilarit$ dengan
similarity din$atakan dengan s/4.=(3 +/4, dengan similarity ter!atas ada 0 dan 1 "JAK#. 4ika
similarity !ernilai satu "!enar3!enar sama#, maka dissimilarity nol, dan 'ika similarity
!ernilai nol "sangat !er!eda#, dissimilarity !ernilai satu. Setelah erhitungan 'arak atau
11
dissimilarity dari setia .aria!el, maka seluruh hasil dikumulkan men'adi se!uah indeks
similarity "atau dissimilarity# antara dua o!$ek "JAK#. Selan'utn$a hasil terse!ut daat
diolah men'adi o!$ek3o!$ek $ang akan dikelomokkan dalam &luster3&luster oleh
algoritma C3means.
12
ANALISIS CLUSTER NON3HIERARKI K-MEANS CLUSTERING
STUDI KASUS $AKTOR PERCERAIAN DI KA%UPATEN5KOTA
DI #A6A TIMUR DENGAN %ANTUAN SPSS
-aria!el enelitian $ang digunakan dalam raktikum ini dengan menggunakan
data engelomokan ka!uaten 1 kota di 'a/a timur !erdasarkan )aktor3)aktor en$e!a!
er&eraian tahun 2010 adalah se!agai !erikut.
Va./a1el Penel/-/an "n-"0 Me-o+e Anal/s/s Cluster
Va./a1el Pen4elasan
<1
"Moral#
Persentase en$e!a! utama er&eraian karena moral er
ka!uaten1kota. -aria!el ini diukur !erdasarkan rasio 'umlah
er&eraian karena oligami tidak sehat, krisis akhlak, dan
&em!uru terhada total er&eraian ada ka!uaten1kota.
<2
"Meninggalkan
Ce/a'i!an#
Persentase en$e!a! utama er&eraian karena meninggalkan
ke/a'i!an er ka!uaten1kota. -aria!el ini diukur !er3dasarkan
rasio 'umlah er&eraian karena ka/in aksa, ekonomi, dan tidak
tanggung 'a/a! terhada total er&eraian ada ka!uaten1kota.
<3
"Ca/in ,i!a/ah Dmur#
Persentase en$e!a! utama er&eraian karena ka/in di !a/ah
umur er ka!uaten1kota. -aria!el ini diukur !erdasarkan rasio
'umlah er&eraian karena ka/in di!a/ah umur terhada total
er&eraian ada ka!uaten1kota.
<8
"Pengania$aan#
Persentase en$e!a! utama er&eraian karena engania$aan er
ka!uaten1kota. -aria!el ini diukur !erdasarkan rasio 'umlah
er&eraian karena keke'aman mental dan keke'aman )isik
terhada total er&eraian ada ka!uaten1kota.
<A
",ihukum#
Persentase en$e!a! utama er&eraian karena dihukum er
ka!uaten1kota. -aria!el ini diukur !erdasarkan rasio 'umlah
er&eraian karena dihukum terhada total er&eraian ada
ka!uaten1kota.
<6
"Ca&at 6iologis#
Persentase en$e!a! utama er&eraian karena &a&at !iologis er
ka!uaten1kota. -aria!el ini diukur !erdasarkan rasio 'umlah
er&eraian karena &a&at !iologis terhada total er&eraian ada
ka!uaten1kota.
<5
"Sering 6erselisih#
Persentase en$e!a! utama er&eraian karena terus menerus
!erselisih er ka!uaten1kota. -aria!el ini diukur !er3dasarkan
rasio 'umlah er&eraian karena olitis, gangguan ihak ketiga,
tidak ada keharmonisan terhada total er3&eraian ada
ka!uaten1kota.
13
Carena 'umlah data Ca!uaten1Cota di 4a/a %imur !erdasarkan )aktor er&eraian
!an$ak maka, !erdasarkan teori akan le!ih e)isien 'ika menggunakan analisis cluster non3
hierarki dengan metode !"Means. Basil analisis $ang dieroleh adalah se!agai !erikut.
)*( Pengelo!o0an Ka1"!a-en5Ko-a +engan Mengg"na0an & cluster
,engam menggunakan analisis cluster non3herarki daat ditemtukan 'umalh
cluster $ang akan digunakan. (lternati) ertama $akni dengan menggunakan 2 cluster
didaatkan hasil engelomokan se!agai !erikut.
Ta1el )*24arak Pusat dengan 2 Cluster
Va./a1el
Cluster
( &
Moral 31,G8 1,3:
Meninggalkan
Ce/a'i!an
1,G0 6G,58
Ca/in ,i!a/ah Dmur 0,A0 0,38
Pengania$aan 0,G0 0,2A
,ihukum 8,5: 0,21
Ca&at 6iologis 0,A0 0,21
Sering 6erselisih A:,5G 2G,GA
6erdasarkan %a!el 8.3, daat diketahui 'arak usat $ang dihasilkan se!elum
dilakukan iterasi. Dntuk cluster ertama, ada .aria!el "moral# didaatkan 'arak
usatse!esar 31,G8. Dntuk .aria!el meninggalkan ke/a'i!an# didatakan 'arak usat
se!esar 1,G0. Pada .aria!el "ka/in di!a/ah umur# didaatkan 'arak usatse!esar 0,A0.
Pada .aria!el "engania$aan didaatkan 'arak usatse!esar 0,G0. Pada .aria!el
"dihukum# didaatkan 'arak usatse!esar 8,5:. Pada .aria!el "&a&at !iologis#
didaatkan 'arak usatse!esar 0,A0. Pada .aria!el "sering !erselisish# didaatkan 'arak
usatse!esar A:,5G. Dntuk cluster kedua, ada .aria!el "moral# didaatkan 'arak
usatse!esar 1,3:. Dntuk .aria!el meninggalkan ke/a'i!an# didatakan 'arak usat
18
se!esar 6G,58. Pada .aria!el "ka/in di!a/ah umur# didaatkan 'arak usatse!esar
0,38. Pada .aria!el "engania$aan# didaatkan 'arak usatse!esar 0,2A. Pada .aria!el
"dihukum# didaatkan 'arak usatse!esar 0,21. Pada .aria!el "&a&at !iologis#
didaatkan 'arak usatse!esar 0,21. Pada .aria!el "sering !erselisish# didaatkan 'arak
usatse!esar 2G,GA.
Dntuk mendeteksi !eraa kali roses iterasi $ang dilakukan dalam roses
clustering dari 35 kasus $ang diteliti ada 5 .aria!el di atas, daat dilihat 'umlah iterasi
$ang dihasilkan adalah se!agai !erikut.
Ta1el )*) 4umlah *terasi untuk 2 Cluster
I-e.as/
Pe."1ahan #a.a0 P"sa-
Cluster
( &
1 30,1AG 23,::A
2 1,G:G 0,5A3
3 1,623 0,628
8 1,36A 0,6A5
A 1,253 0,665
6 0,000 0,000
6erdasarkan %a!el 8.8 di atas daat men'elaskan !ah/a roses clustering $ang
dilakukan ada data )aktor er&eraian di Pro.insi 4a/a %imur ada %ahun 2010 melalui 6
tahaan iterasi untuk mendaatkan cluster $ang teat. *terasi ertama menghasilkan
cluster usat 1 se!esar 30,1AG dan cluster usat 2 adalah se!esar 223,::A. *terasi kedua
menghasilkan cluster usat 1 se!esar 1,G:G dan cluster usat 2 adalah se!esar 0,5A3.
*terasi ketiga menghasilkan cluster usat 1 se!esar 1,623 dan cluster usat 2 adalah
se!esar 0,5A3. *terasi keemat menghasilkan cluster usat 1 se!esar 1,36A dan cluster
usat 2 adalah se!esar 0,6A5. *terasi kelima menghasilkan cluster usat 1 se!esar 1,253
dan cluster usat 2 adalah se!esar 0,665. Sedangkan, ada iterasi keenam menghasilkan
cluster usat 1 se!esar 0,000 dan cluster usat 2 adalah se!esar 0,000.
1A
Basil akhir dari roses clustering dengan menggunakan 2 clustersetelah dilakukan
iterasi adalah se!agai !erikut.
Ta1el )*7$inal Centersdengan 2 cluster
Va./a1el
Cluster
( &
Moral 10,26 :,2G
Meninggalkan
Ce/a'i!an
2G,12 A0,31
Ca/in ,i!a/ah Dmur 0,8: 0,62
Pengania$aan 1,06 1,2:
,ihukum 0,:5 0,8A
Ca&at 6iologis 0,GA 0,GA
Sering 6erselisih AG,2A 35,20
6erdasarkan %a!el 8.A, daat diketahui )inal 'arak usat clustering $ang
dihasilkan setelah dilakukan iterasi. Dntuk cluster ertama, ada .aria!el "moral#
didaatkan 'arak usatse!esar 10,26. Dntuk .aria!el meninggalkan ke/a'i!an#
didatakan 'arak usat se!esar 2G,12. Pada .aria!el "ka/in di!a/ah umur# didaatkan
'arak usatse!esar 0,8:. Pada .aria!el "engania$aan didaatkan 'arak usatse!esar
1,06. Pada .aria!el "dihukum# didaatkan 'arak usatse!esar 0,:5. Pada .aria!el
"&a&at !iologis# didaatkan 'arak usatse!esar 0,GA. Pada .aria!el "sering !erselisish#
didaatkan 'arak usatse!esar AG,2A. Dntuk cluster kedua, ada .aria!el "moral#
didaatkan 'arak usatse!esar :,2G. Dntuk .aria!el meninggalkan ke/a'i!an#
didatakan 'arak usat se!esar A0,31. Pada .aria!el "ka/in di!a/ah umur# didaatkan
'arak usatse!esar 0,62. Pada .aria!el "engania$aan# didaatkan 'arak usatse!esar
1,2:. Pada .aria!el "dihukum# didaatkan 'arak usatse!esar 0,8A. Pada .aria!el
"&a&at !iologis# didaatkan 'arak usatse!esar 0,GA. Pada .aria!el "sering !erselisish#
16
didaatkan 'arak usatse!esar 35,20. 4arak antara 'arak usat )inal terdekat !erdasarkan
"Lamiran 3.# adalah se!esar 30,611.
6erikut ini meruakan hasil ngelomokkan Ca!uaten1Cota di 4a/a %imur
!erdasarkan )aktor en$e!a! er&eraian ada tahun 2010.
15
Ta1el )*8 Basil Pengelomokkan 2 cluster
Cluster Anggo-a To-al
Cluster
1
6angil, 6angkalan, Craksaan, Magetan, Malang "Ca!#, Malang
"Cota#, Pamekasan, Pasuruan, Pro!olinggo, Samang,
Situ!ondo, Sura!a$a
12
(nggota
Cluster
2
6an$u/angi, 6a/ean, 6litar, 6o'onegoro, 6ondo/oso, Eresik,
4em!er, 4om!ang, Cangean, Cediri "Ca!#, Cediri "Cota#,
Lamongan, Luma'ang, Madiun "Ca!#, Madiun "Cota#,
Mo'okerto, 7gan'uk, 7ga/i, Pa&itan, Ponorogo, Sidoar'o,
Sumene, %renggalek, %u!an, %ulungagung
2A
(nggota
6erdasarkan %ae!l 8.6,daat diketahui !ah/a anggota cluster 1 adalah 6angil,
6angkalan, Craksaan, Magetan, Malang "Ca!#, Malang "Cota#, Pamekasan, Pasuruan,
Pro!olinggo, Samang, Situ!ondo, Sura!a$a. Sedangkan anggota cluster 2 adalah
6an$u/angi, 6a/ean, 6litar, 6o'onegoro, 6ondo/oso, Eresik, 4em!er, 4om!ang,
Cangean, Cediri "Ca!#, Cediri "Cota#, Lamongan, Luma'ang, Madiun "Ca!#, Madiun
"Cota#, Mo'okerto, 7gan'uk, 7ga/i, Pa&itan, Ponorogo, Sidoar'o, Sumene, %renggalek,
%u!an, %ulungagung.
(nalisis !erikutn$a meruakan analisis of variance "(7;-(# ada cluster 1 dan
2 $ang !ertu'uan untuk mengetahui aakan .aria!el $ang digunakan !erkontri!usi
terhada em!entukan cluster. 4ika didaatkan p"value untuk masing3masing .aria!el
kurang dari M=0,0A maka daat dikatakan .aria!el terse!ut signi)ikan atau !erkontri!usi
terhada em!entukan cluster. Basil analisis keragaman ada 2 &luster adalah se!agai
!erikut.
1G
Ta1el )*9(nalisis Ceragaman "(7;-(# dengan 2 Cluster
Va./a1el
Cluster E..o.
$ P-value
Mean
Square +1
Mean
Square +1
Moral 5,G31 1 36,258 3A 0,216 0,68A
Meninggalkan
Ce/a'i!an
3::2,8:5 1 GA,213 3A 86,GA3 0,000
Ca/in ,i!a/ah Dmur 0,13: 1 0,38: 3A 0,800 0,A31
Pengania$aan 0,883 1 0,:5: 3A 0,8A2 0,A06
,ihukum 2,12G 1 0,A6: 3A 30,53G 0,061
Ca&at 6iologis 0,000 1 0,A31 3A 0,000 0,::3
Sering 6erselisih 3A:8,A10 1 8A,356 3A 5:,215 0,000
6erdasarkan %a!el 8.5, daat diketahuiuntuk .aria!el "moral#, "ka/in di!a/ah
umur#, "engania$aan#, "dihukum#, dan "&a&at !iologis# didaatkan 3.alue
masing3masing se!esar 0,68AN 0,A31N 0,A06N 0,061N 0,::3 $ang le!ih !esar
di!andingkan M=0,0A. Sehingga daat disimulkan .aria!el , , , dan
tidak signi)ikan atau tidak !erkontri!usi terhada em!entukan cluster. Sedangkan
untuk .aria!el "meninggalkan ke/a'i!an# dan "sering !erselisih# menghasilkan
3.alue masing3masing se!esar 0,000 $ang le!ih ke&il di!andingkan M=0,0A.
Sehingga daat disimulkan .aria!el dan signi)ikan atau !erkontri!usi
terhada em!entukan cluster.
1: