A.

Pengertian Analisis Klaster

Analisis klaster meneliti seluruh hubungan interdependensi, tidak ada

pembedaan variabel bebas dan tak bebas (independent and dependent variabels)
dalam analisis klaster ini. Pembedaan variabel bebas dan tidak bebas terjadi dalam
analisis regresi berganda, analisis varian, analisis diskriminan, di mana kita ingin
mengetahui pengaruh dari setiap variabel bebas, baik secara individu maupun
bersama-sama terhadpap variabel tak bebas.

Tujuan utama analisis klaster ialah mengklasifikasi objek (kasus/elemen)

seperti orang, produk (barang), toko, perusahaan ke dalam kelompok-kelompok yang
relatif homogeny didasarkan pada suatu set variabel yang dipertimbangkan untuk
diteliti. Objek di dalam setiap kelompok harus relatif mirip/sama (relatively similar).

Cluster yang baik adalah cluster yang mempunyai anggota-anggota yang

semirip mungkin satu dengan yang lain, namun sangat tidak mirip dengan anggota-
anggota cluster yang lain

Pada umumnya suatu objek dimasukkan ke dalam suatu klaster atau kelompok
sedemikian rupa sehingga lebih berhubungan (berkorelasi) dengan objek lainnya di
dalam klasternya daripada dengan objek dari klaster lain. Pembentukan klastre
didasarkan pada kuat tidaknya hubungan antar-objek. Cara ini dsebut hierarkis, sebab
pemecahan disajikan pada berbagai tingkat (level) kuatnya korelasi/hubungan.

Analisis klaster merupakan suatu kelas teknik, dipergunakan untuk

mengklasifikasi objek atau kasus (responden) ke dalam kelompok yang relatif
homogeny, yang disebut klaster (clusters). Objek/kasus dalam setiap kelompok
cenderung mirip satu sama lain dan berbeda jauh (tidak sama) dengan objek dari
klaster lainnya. Analisis klaster juga disebut analisis klasifikasi atau taksonomi
numeric (numerical taxonomy).
B. Langkah-langkah dan Studi Kasus Analisis klaster

( diisi data angket)

1. Tandardisasi/Transformasi Data

Mengingat data yang terkumpul mempunyai variasi satuan, maka perlu dilakukan langkah
standardisasi atau transformasi terhadap variabel yang relevan ke bentuk zscore,

sebagai berikut :

1. Setelah keseluruhan data yang dikumpulkan diinput dalam program SPSS, selanjutnya
klik menu “analyze” dan pilih sub menu “DescriptivesStatistics” lalu
“Descriptives”.
2. Masukkan ke dalam kotak VARIABLES seluruh variabel instrumen, yaitu variabel
semester sampai dengan variabel mengajar,dalam hal ini variabel mahasiswa tidak
dimasukkan karena data bertipe string. Kemudian aktifkan bagian “Save
standardized values as variables”. Abaikan bagian yang lain lalu tekan OK untuk
menampilkan output aplikasi program SPSS. Output yang didapat yaitu deskripsi dari
keseluruhan variabel yang meliputi nilai maksimum, nilai minimun, rataan, dan
standar deviasi dari masing-masing variabel.

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

VAR00002 50 4,00 8,00 5,7600 ,77090

VAR00003 50 17,00 24,00 21,0200 2,49481

VAR00004 50 4,00 19,00 8,5400 1,88669

VAR00005 50 ,00 3,00 ,6200 ,90102

VAR00006 50 ,30 11,00 2,9620 2,55174

VAR00007 50 19,00 23,00 20,2800 ,75701

VAR00008 50 1,00 11,00 6,1000 2,45157

VAR00009 50 ,50 21,00 6,7400 5,34354

VAR00010 50 ,00 12,00 1,9100 2,79155

Valid N (listwise) 50

Namun, deskripsi di atas digunakan sebagai dasar perhitungan z-score yang diperoleh.
Selanjutnya buka tampilan “data view” dari tabel data. Hal yang akan

dijumpai sebagai berikut :

Untuk selanjutnya, hasil z-score inilah yang akan dipakai sebagai dasar analisis klaster.

2. Analisis Lanjutan
1. Dari tampilan data yang tertera (hasil standardisasi/transformasi), buka menu
“Analyze”, lalu pilih sub menu “Classify” dan pilih “K-Means Cluster…” hingga
tampak pada layar sebagai berikut :
 Masukkan seluruh variabel Z-Score ke dalam kotak VARIABLES. Kemudian
variabel mahasiswa dimasukkan dalam kotak “Label Cases by..”. Number of
Clusters dalam hal ini diisi menurut jumlah cluster yang akan dibentuk dalam
penelitian yang dimaksud. Dalam hal ini diisi 2, berarti diharapkan akan dibentuknya
2 cluster.
2. Kemudian klik “Save…” hingga muncul tampilan seperti berikut ini :
 3. Aktifkan kedua kotak dalam menu Save, yaitu “Cluster membership” dan “Distance
from cluster center”. Selanjutnya tekan tombol “Continue” untuk kembali ke menu
utama.
4. Kemudian klik “Options…” hingga tampak tampilan berikut ini pada bagian
Statistics, aktifkan “Initial cluster centers” dan “ANOVA table”. Abaikan bagian
yang lain, lalu tekan “Continue” untuk kembali ke menu utama.
5. Dari tampilan menu utama cluster, abaikan bagian yang lain lalu tekan tombol OK
untuk dapat menampilkan output aplikasi program SPSS seperti berikut ini.

Initial Cluster Centers

Cluster

1 2

semester 8,00 6,00

Zscore(semester) 2,90570 ,31132

Zscore(sks) -,80968 1,19448

Zscore(matakuliah) -2,40633 5,54411

Zscore(organisasi) 1,53160 ,42174

Zscore(jarak) ,79867 -,84726

Zscore(usia) ,95111 ,95111

Zscore(jumlahbuku) -,04079 -,44869

Zscore(belajar) -,32563 ,04866

Zscore(mengajar) -,68421 -,68421

Tabel diatas merupakan tampilan pertama proses clustering data sebelum dilakukan iterasi.
Untuk mendeteksi berapa kali proses iterasi yang dilakukan dalam proses

clustering dari 50 mahasiswa yang diteliti, dapat dilihat dari tampilan output berikut ini :

Iteration Historya

Iteration Change in Cluster Centers

1 2

1 4,386 5,522

2 ,243 ,693

3 ,000 ,000

a. Convergence achieved due to no or small change in

cluster centers. The maximum absolute coordinate change

for any center is ,000. The current iteration is 3. The

minimum distance between initial centers is 9,067.

proses clustering yang dilakukan melalui 3 tahapan iterasi untuk mendapatkan cluster yang
tepat. Dari tabel diatas disebutkan bahwa jarak minimum antar pusat cluster yang terjadi dari
hasil iterasi adalah 9,067. Adapun hasil akhir dari proses clustering digambarkan berikut ini :
 Final Cluster Centers

Cluster

1 2

Semester 6,05 4,92

Zscore(semester) ,38144 -1,08565

Zscore(sks) -,35468 1,00948

Zscore(matakuliah) -,25757 ,73307

Zscore(organisasi) -,29816 ,84861

Zscore(jarak) ,02548 -,07253

Zscore(usia) ,23706 -,67472

Zscore(jumlahbuku) -,27230 ,77501

Zscore(belajar) -,20930 ,59569

Zscore(mengajar) -,17108 ,48691

Output Final Cluster Centers pada z-score dengan ketentuan sebagai berikut :

 Nilai negatif (-) berarti data berada di bawah rata-rata total.

 Nilai positif (+) berarti data berada di atas rata-rata total.

Cluster-1
Dalam cluster-1 ini berisikan mahasiswa dengan jumlah sks yang diambil,matakuliah, jumlah
organisasi yang diikuti, jumlah buku, jumlah belajar, dan jumlah mengajar yang kurang dari
dari rata-rata populasi mahasiswa. Hal ini terbukti dari nilai positif (-) yang terdapat pada
tabel Final Cluster Centers dalam keseluruhan variabel.
Cluster-2

Dalam cluster-1 ini berisikan mahasiswa dengan semester, jarak dan usia yang kurang dari
dari rata-rata populasi mahasiswa. Hal ini terbukti dari nilai positif (-) yang terdapat pada
tabel Final Cluster Centers dalam keseluruhan variabel.
Tahapan selanjutnya yang perlu dilakukan yaitu melihat perbedaan variabel pada cluster
yang terbentuk. Dalam hal ini dapat dilihat dari nilai F dan nilai probabilitas (sig) masing-
masing variabel, seperti tampak dalam tabel berikut.

ANOVA

Cluster Error F Sig.

Mean Square df Mean Square df

Semester 12,305 1 ,350 48 35,126 ,000

Zscore(semester) 20,706 1 ,589 48 35,126 ,000

Zscore(sks) 17,902 1 ,648 48 27,632 ,000

Zscore(matakuliah) 9,441 1 ,824 48 11,455 ,001

Zscore(organisasi) 12,651 1 ,757 48 16,706 ,000

Zscore(jarak) ,092 1 1,019 48 ,091 ,765

Zscore(usia) 7,998 1 ,854 48 9,363 ,004

Zscore(jumlahbuku) 10,552 1 ,801 48 13,173 ,001

Zscore(belajar) 6,234 1 ,891 48 6,997 ,011

Zscore(mengajar) 4,165 1 ,934 48 4,459 ,040

The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among cases in different

clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are

equal.

Semakin besar nilai F dan (sig < 0,05), maka semakin besar perbedaan variabel

pada cluster yang terbentuk.

Dalam hal ini, mahasiswa dengan variabel semester yang dijalani yang paling menunjukkan
adanya perbedaan diantara mahasiswa-mahasiswa pada kedua cluster yang terbentuk. Hal ini
dengan ditunjukkannya nilai F = 35,126 dan sig = 0,00. Dan untuk variabel yang lain pun
dapat didefinisikan lebih lanjut.
Selanjutnya untuk mengetahui jumlah anggota masing-masing cluster yang terbentuk dapat
dilihat pada tabel output berikut ini :

Number of Cases in each Cluster

 1 37,000
Cluster
2 13,000

Valid 50,000

Missing ,000

Nampak jelas bahwa cluster-1 beranggotakan 37 mahasiswa dan cluster-2 berisi 13

mahasiswa. Dan untuk mengetahui mahasiswa mana saja yang masuk dalam kategori tiap-
tiap cluster dapat kembali dibuka tampilan “data view” pada kolom terakhir akan nampak
sebagai berikut ini :

Perhatikan 2 kolom terakhir pada tabel di atas. “qcl_1” menunjukkan nomor cluster dari
keberadaan kota, dan “qcl_2” merupakan jarak antara obyek dengan pusat cluster. Dengan
demikian:

 Cluster-2 : berisikan mahasiswa ke-2,ke-8, ke-16 dan seterusnya, dengan masing-masing

jarak terhadap pusat cluster-2 adalah 3,09135;5,73459; 2,66053 dan seterusnya.Begitu
juga dengan pola mahasiswa pada cluster-2.