Penjadwalan kerja kasir di swalayan mitra Sukoharjo dengan ...
PENERAPAN DATA MINING PADA SWALAYAN KOPERASI …
Transcript of PENERAPAN DATA MINING PADA SWALAYAN KOPERASI …
PENERAPAN DATA MINING PADA SWALAYAN KOPERASI PEGAWA I
NEGERI (KPN) LENGAYANG DENGAN MENGGUNAKAN PENDEKATA N
CLUSTERING
LAPORAN KERJA PRAKTEK LAPANGAN
TEKNIK INFORMATIKA STRATA 1
OLEH :
Baegoes Edi : 07101152630212
Nugraha Rahmansyah : 07101152630245
Shary Armonitha Lusinia : 07101152630262
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS PUTRA INDONESIA “YPTK”
PADANG
2010
ii
LEMBARAN PENGESAHAN PENGUJI
Baegoes Edi : 07101152630212
Nugraha Rahmansyah : 07101152630245
Shary Armonitha Lusinia : 07101152630262
PROGRAM STUDI TEKNIK INFORMATIKA
Praktek Kerja Lapangan ini telah dinyatakan LULUS oleh
Penguji Materi Program Studi Strata 1 Ilmu Komputer
Program Studi Teknik Informatika
Universitas Putra Indonesia “YPTK” Padang
Padang, Juni 2010
Mengetahui, Disetujui Oleh
Ketua Program Studi, Penguji Materi,
(Abulwafa Muhammad, S.Kom, M.Kom) (Eka Praja Wiyata Mandala, S.Kom)
NIDN : 1021098101 NIDN : 1014088502
iii
ABSTRACT
APPLICATION OF DATA MINING IN THE STATE EMPLOYEES
COOPERATIVE SUPERMARKETS (KPN) LENGAYANG APPROACH
USING CLUSTERING
The purpose of this study is to classify the types of products based on the
level of purchases and to find out which products have a low level of purchases,
medium and high on Civil Servants Cooperative Supermarkets (KPN) Lengayang.
The research method used is 5, determination of the problem, problem
formulation, literature review, problem solving and conclusion. In this study,
hierarchical clustering process using a single link or single linkage. Computational
process that is used to process the data is SPSS 16 for windows. Data were collected
from Supermarkets Servants Cooperative (KPN) Lengayang is data about the
purchases, sales and product remaining.
Based on the research and discussion, it can be concluded that based on the
level of purchases of the sixteen products can be grouped into three clusters, namely
the first cluster: type of product has an average of more than two clusters and less
than a third cluster, so that we can classify a group of products with purchase of
medium level, members are sugar, coffee, jasmine, coffee nur, bone folder,
Pepsodent, Lux soap, and staples, The second cluster: type of product has the lowest
average among the other clusters, so that we can classify a group of products with
low-level purchases, members are economic, plain manila, Daia soap and Sunsilk
shampoo. The third cluster: type of product has the largest average among the other
iv
clusters, so that we can classify a group of products with the highest purchase level,
members are paperlin B envelope, envelopes viva K, and the contents of 18 books.
Keywords: Data Mining and Cluster Analysis.
v
ABSTRAK
PENERAPAN DATA MINING PADA SWALAYAN KOPERASI PEGAWA I
NEGERI (KPN) LENGAYANG DENGAN MENGGUNAKAN PENDEKATA N
CLUSTERING
Tujuan penelitian ini adalah untuk mengelompokkan jenis produk
berdasarkan dari tingkat pembelian dan untuk mengetahui produk mana yang
memiliki tingkat pembelian yang rendah, sedang dan tinggi pada Swalayan Koperasi
Pegawai Negeri (KPN) Lengayang.
Metode penelitian yang digunakan ada 5 yaitu penentuan masalah, perumusan
masalah, kajian pustaka, pemecahan masalah dan penarikan kesimpulan. Dalam
penelitian ini proses clustering secara hirarki menggunakan metode pautan tunggal atau
single linkage. Proses komputasi yang digunakan untuk mengolah data adalah program
SPSS 16 for windows. Data di ambil dari Swalayan Koperasi Pegawai Negeri (KPN)
Lengayang yaitu data tentang pembelian, penjualan dan produk yang tersisa.
Berdasarkan hasil penelitian dan pembahasan dapat disimpulkan bahwa
berdasarkan tingkat pembelian dari ke enam belas produk dapat dikelompokkan
menjadi tiga kelompok cluster, yaitu cluster pertama : jenis produk memiliki rata-rata
lebih dari cluster kedua dan kurang dari cluster ketiga, sehingga dapat kita golongkan
menjadi kelompok produk dengan tingkat pembelian sedang, anggotanya adalah gula
pasir, kopi melati, kopi nur, map tulang, pepsodent, sabun lux, dan staples, cluster
kedua : jenis produk memiliki rata-rata terkecil diantara cluster yang lain, sehingga
dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian rendah,
anggotanya adalah ekonomi, map polos, sabun daia, dan sampo sunsilk. cluster
vi
ketiga : jenis produk memiliki rata-rata terbesar diantara cluster yang lain, sehingga
dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian tertinggi,
anggotanya adalah amplop paperlin B, amplop viva K, dan buku isi 18.
Kata Kunci : Data Mining dan Analisis Cluster.
vii
KATA PENGANTAR
Bismillahirahmaanirrohiim
Puji dan syukur kehadirat ALLAH SWT yang telah melimpahkan rahmat dan
karunia-Nya sehingga penulis dapat menyelesaikan KP ini dengan judul
:“Penerapan Data Mining Pada Swalayan Koperasi Pegawai Negeri (Kpn)
Lengayang Dengan Menggunakan Pendekatan Clustering”. Shalawat beriringan
salam tak lupa penulis haturkan kepada junjungan kita Nabi besar Muhammad SAW
yang telah menjadi tauladan bagi umat manusia.
Penyusunan laporan ini merupakan salah satu persyaratan mahasiwa untuk
menyelesaikan studi program Strata 1 (S1) pada Fakultas Ilmu Komputer (FILKOM)
Universitas Putra Indonesia “YPTK” Padang.
Dalam menyelesaikan skripsi ini penulis banyak mendapat bantuan dan
dorongan serta kemudahan dari berbagai pihak. Untuk itu dengan tulus dan ikhlas
penulis mengucapkan terima kasih kepada :
1. Bapak H. Herman Nawas, selaku ketua Yayasan Universitas Putra Indonesia
(UPI) “YPTK” Padang.
2. Bapak Dr. Sarjon Defit, M.Sc, selaku Rektor Universitas Putra Indonesia (UPI)
“YPTK” Padang.
3. Bapak Julius Santoni, S.Kom, M.Kom, selaku Dekan Fakultas Ilmu Komputer
(FILKOM) UPI “YPTK” Padang.
4. Bapak Abulwafa Muhammad, S.Kom, M.Kom selaku Ketua Program Studi
Teknik Informatika Universitas Putra Indonesia “YPTK” Padang.
5. Seluruh staff Dosen dan Karyawan/ti Universitas Putra Indonesia (UPI) “YPTK”
Padang.
viii
6. Keluargaku tersayang yang senantiasa mendukung langkahku dengan iringan doa
dan belain kasih sayang
7. Seseorang yang secara tidak langsung telah memberikan perhatian, kasih sayang
dan doanya
8. Sahabat-sahabatku yang telah banyak membantu.
9. Teman-teman Teknik Informatika angkatan 2006 dan 2007 atas doa, bantuan,
dan dukungan yang telah diberikan.
10. Semua pihak yang telah memberikan bantuan dan motivasi dalam penyelesaian
skripsi ini.
Akhir kata dengan segala kerendahan hati penulis bersedia menerima kritik
dan saran dari pembaca untuk kesempurnaan laporan PKL ini. Semoga apa yang
telah penulis buat dapat bermanfaat bagi kita semua. Amin Yaa Robaal ‘Alamin…
Padang, Mei 2010
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL i
HALAMAN PENGESAHAN PENGUJI ii
ABSTRACT iii
ABSTRAK v
KATA PENGANTAR vii
DAFTAR ISI ix
DAFTAR GAMBAR xi
DAFTAR LAMPIRAN xii
BAB I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Batasan Masalah 2
1.3 Perumusan Masalah 2
1.4 Hipotesa 2
1.5 Tujuan Penelitian 3
1.6 Manfaat Penelitian 3
BAB II LANDASAN TEORI
2.1 Pengertian Data Mining 4
2.1.1 Siklus Hidup Data Mining 4
2.1.2 Pengelompokan Data Mining 6
2.2 Analisis Cluster 8
2.2.1 Tujuan Analisis Cluster 10
2.2.2 Konsep Dasar Analisis Cluster 10
2.2.3 Proses Analisis Cluster 11
x
BAB III METODOLOGI PENELITIAN
3.1 Waktu Penelitian 16
3.2 Tempat Penelitian 16
3.3 Metode Penelitian 16
3.3.1 Penentuan Masalah 16
3.3.2 Perumusan Masalah 17
3.3.3 Kajian Pustaka 17
3.3.4 Pemecahan Masalah 17
3.3.5 Penarikan Kesimpulan 18
BAB IV ANALISA DAN HASIL
4.1 Proses Analisis Cluster 19
4.1.1 Menentukan Ukuran Ketakmiripan Antar Dua Objek 19
4.1.2 Membuat Cluster 20
BAB V TESTING DAN IMPLEMENTASI
5.1 Spesifikasi Minimum Sistem 55
5.2 Menu Utama SPSS 16 56
5.3 Proses Entry Data Analisis Cluster 65
BAB VI PENUTUP
6.1 Kesimpulan 69
6.2 Keterbatasan Sistem 69
6.3 Saran 70
DAFTAR PUSTAKA
LAMPIRAN
xi
DAFTAR GAMBAR
Gambar 5.1. Menu Utama 56
Gambar 5.2. Menu File 57
Gambar 5.3. Menu Edit 58
Gambar 5.4. Menu View 59
Gambar 5.5. Menu Data 61
Gambar 5.6. Menu Transform 62
Gambar 5.7. Menu Analyze 63
Gambar 5.8. Menu Graphs 64
Gambar 5.9. Menu Utilities 65
Gambar 5.10. Menu Add-ons 65
Gambar 5.11. Menu Help 66
Gambar 5.12. Defenisi Variabel 68
Gambar 5.13. Data Pada “Data View” 68
Gambar 5.14. Herarchical Cluster 69
xii
DAFTAR LAMPIRAN
Lampiran 1. Stock Barang Keadaan Bulan Desember 2009
Lampiran 2. Tabel Proximity Matrix
Tabel 2
Tabel 3
Tabel 4
Tabel 5
Tabel 6
Tabel 7
Tabel 8
Tabel 9
Tabel 10
Tabel 11
Tabel 12
Tabel 13
Tabel 14
Tabel 15
xiii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam era globalisasi, perkembangan kecanggihan teknologi yang semakin
pesat merupakan aspek yang dpat dimanfaatkan untuk mencapai kemudahan-
kemudahan, tidak terkecuali dalam arus informasi. Kecanggihan teknologi
tersebut terlihat semakin marak dengan penggunaan komputer yang memang
sudah sangat luas diberbagai bidang kehidupan misalnya di bidang pendidikan,
kesehatan,hiburan, terlebih pada bidang bisnis yang semuanya itu menuntut
penggunaan dari komputer.
Dalam swalayan masih ada proses-proses yang dilakukan secara manual
sehingga sering terjadi kesalahan dalam pecatatan data-data yang ada dan juga
kurangnya efesiensi waktu yang diperlukan. Dari latar belakang tersebut maka
dibutuhkan system informasi terkomputerisasi yang menunjang arus data dan
informasi sesuai dengan kebutuhan dari proses-proses tersebut.
Berdasarkan kebutuhan di atas, penulis mencoba memberi alternatif bantuan
yang diwujudkan dalam Laporan Kerja Praktek yang berjudul :
“Penerapan Data Mining Pada Swalayan Koperasi Pegawai Negeri (KPN)
Lengayang Dengan Menggunakan Pendekatan Clustering”
2
1.2 Batasan Masalah
Agar pemecahan dari permasalahan yang dihadapi dapat sesuai dan tidak
menyimpang dari yang diharapkan, maka penulis memberikan batasan-batasan
penelitian agar masalah yang dihadapi tidak terlalu luas dalam pembahasannya dan
penulisan laporan kerja praktek ini dapat lebih terarah.
Adapun batasan-batasan yang dimaksud adalah :
1. Penulisan disini hanya membahas tentang pengolahan data yan g belum
terdistribusi.
2. Mempelajari dan menganalisa sistem yang sedang berjalan dan melihat
kendala-kendala yang ada sehingga dapat membantu dalam memperbaiki
sistem tersebut dengan melakukan pengembangan atau membuat
rancangan sistem yang baru.
1.3 Perumusan Masalah
Berdasarkan analisa dan pengamatan yang penulis lakukan pada Swalayan
terdapat beberapa masalah yang dapat penulis rumuskan sebagai berikut :
1. Bagaimana cara mengoptimalkan penerapan sistem teknologi informasi
dalam proses pengolahan data?
2. Bagaimana cara mengefektifkan kinerja suatu swalayan yang masih
cenderung lambat?
1.4 Hipotesa
Dari rumusan masalah diatas maka dapat dikemukakan hipotesa yaitu,
dengan menganalisa data penjualan produk pada Swalayan Koperasi Pegawai
Negeri (KPN) Lengayang diharapkan dapat membantu pihat swalayan dalam
3
menganalisa dan mengambil keputusan serta dapat mengoptimalkan dan
mengefektifkan kinerja swalayan tersebut.
1.5 Tujuan Penelitian
Adapun tujuan penelitian yang penulis lakukan pada swalayan KPN ini
adalah sebagai berikut :
1. Untuk dapat menghasilkan suatu Sistem Informasi yang tepat dan jelas.
2. Dengan adanya Sistem Informasi yang baru , maka karyawan dapat
dengan cepat dan mudah melakukan pengolahan data barang.
3. Memudahkan dalam pengecekan barang.
1.6 Manfaat Penelitian
Adapun manfaat dari penelitian yang penulis lakukan pada swalayan ini
adalah :
1. Dapat menerapkan secara langsung teori-teori yang di dapat selama
kuliah dan mendalaminya pada saat di lapangan.
2. Dapat membangun komunikasi dan hubungan yang baik guna kelancaran
dalam mencari peluang kerja.
3. Memberi pengetahuan dan pengalaman kepada mahasiswa tentang dunia
kerja sehingga dapat melatih diri sesuai kebutuhan untuk masa yang akan
datang.
4. Membantu memecahkan suatu permasalah dalam pengolahan data yang
belum terdistribusi dengan efektif dan efisien.
BAB II
LANDASAN TEORI
2.1 Pengertian Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan pengetahuan di dalam database. Data mining adalah proses yang
menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine
learning intuk mengekstraksi dan mengidentifikasi informasi yang bermamfaat
dan pengetahuan yang terakit dari berbagai database (Turban,dkk. 2005).
2.1.1 Siklus Hidup Data Mining
Data mining memiliki siklus hidup yang terbagi dalam 6 fase menurut
CRISP-DM.
Keseluruhan fase berurutan yang ada tersebut bersifat adaptif, fase berikutnya
dalam urutan bergantung kepada keluaran dari fase sebelumnya, yang dapat
dilihat pada gambar berikut:
1. Fase pemahaman bisnis
a. Penentuan tujuan proyek dan kebutuhan secara detail dalam lingkup
bisnis atau unit penelitian secara keseluruhan.
b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan
data mining.
c. Menyiapakan strategi awal untuk mencapai tujuan.
2. Fase pemahaman data
a. Mengumpulkan data.
b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut
data dan pencarian pengetahuan awal.
5
c. Mengevaluasi kualitas data.
d. Jika di inginkan, pilih sebagian kecil group data yang mengandung pola
dari permasalahan.
3. Fase pengolahan data
a. Siapkan data awal, kumpulan data yang akan digunakan untuk
keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat yang
perlu di kerjakan secara intensif.
b. Pilih kasus dan variable yang ingin di analisis dan yang sesuai analisis
yang akan digunakan.
c. Melakukan perubahan pada beberapa variable jika dibutuhkan.
d. Siapkan data awal sehingga siap untuk perangkat permodelan.
4. Fase pemodelan
a. Pilih dan aplikasikan teknik pemodelan yang sesuai.
b. Kalibrasi aturan model untuk mengoptimalkan hasil.
c. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada
permasalahan data mining yang sama.
d. Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk
menjadikan data kedalam bentuk yang sesuai dengan spesifikasi
kebutuhan teknik data mining tertentu.
5. Fase evaluasi
a. Mengevaluasi satu atau lebih model yang digunakan dalam fase
permodelan untuk mendapatkan kualitas dan efektifitas sebelum
disebarkan untuk digunakan.
6
b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase
awal.
c. Menentukan apakah terdapat permasalahan penting dari bisnis atau
penelitian yang tidak tertangani dengan baik.
d. Mengambil keputusan berkaitan dengan penggunaan hasil dari data
mining.
6. Fase penyebaran
a. Menggunakan model yang dihasilkan. Terbentuknya model tidak
menandakan telah terselesaikannya proyek.
b. Contoh sederhana penyebaran: pembuatan laporan.
c. Contoh komplek penyebaran: penerapan proses data mining secara paralel
pada departemen lain.
2.1.2 Pengelompokan Data Mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu:
1. Deskripsi
Deskripsi menggambarkan pola dan kecendrungan yang terdapat
dalam data, sebagai contoh, petuga pengumpul suara mungkin tidak dapat
menemukan keterangan atau fakta bahwa siapa yang tidak cukup
provisional akan sedikit di dukung dalam memilihan presiden .
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target
estimasi lebih kea rah numeric dari pada kearah kategori. Model dibangun
menggunakan record lengkap yang menyediakan nilai dari variable target
7
sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi
nilai dari variable target dibuat berdasarkan variable prediksi. Sebagai
contoh, estimasi nilai indeks prestasi kumulatif mahasiswa program
pascasarjana dengan melihat inddeks prestasi nilai mahasiswa tersebut
pada saat mengikuti program sarjana.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Sebagai
contoh, prediksi harga beras dalam 3 bulan yang akan dating.
4. Klasifikasi
Dalam klasifikasi, teradapat target variable kategori. Sebagai contoh,
penggolongan pendapatan dapat di pisahkan dalam 3 kategori, yaitu
pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.
5. Pengkluteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau
memperhatikan kelas objek-objek yang memiliki kemiripan. Klusteran
adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidak miripan dengan record-record dalam kluster
lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variable
target dalam pengklusteran. Pengklusteran tidak mencoba untuk
melakukan pembagian terhadap keseluruhan data menjadi kelompok-
kelompok yang memiliki kemiripan, yang mana kemiripan record akan
bernilai maksimal, sedangkan kemiripan dalam record dalam kelompok
lain akan bernilai minimal.
8
Sebagai contoh, mendapatkan kelompok-kelompokkonsumen untuk target
pemasran dari suatu produk bagi perusahaan yang tidak memiliki dana
pemasaran yang besar
6. Asosiasi
Menemukan atribut dalam satu waktu. Dalam dunia bisnis lebih umum di
sebut analisis keranjang belanja. Sebagai contoh, menemukan barang
dalam supermarket yang di beli secara bersamaan dan barang yang tidak
pernah di beli secara bersamaan.
2.2. Analisis Cluster
Analisis Cluster adalah teknik yang digunakan untuk mengidentifikasi objek
atau individu yang serupa dengan memperhatikan beberapa kriteria (Kuncoro,
2003:242).
Analisis cluster yaitu analisis untuk mengelompokkan elemen yang mirip
sebagai objek penelitian menjadi kelompok (cluster) yang berbeda dan
mutually exclusive (Supranto, 2004:26).
Analisis cluster termasuk dalam analisis statistik multivariat metode
interdependen. Sebagai alat analisis interdependen maka tujuan analisis cluster
tidak untuk menghubungkan ataupun membedakan dengan sampel/variabel
lain. Analisis cluster merupakan salah satu alat analisis yang berguna sebagai
peringkas data. Dalam meringkas data ini dapat dilakukan dengan jalan
mengelompokkan objek-objek berdasarkan kesamaan karakteristik tertentu di
antara objek-objek yang hendak diteliti (Tim Penelitian dan Pengembangan,
2005:120).
9
Analisis cluster adalah suatu alat untuk mengelompokkan sejumlah n obyek
berdasarkan p variat yang secara relatif mempunyai kesamaan karakteristik
diantara obyek – obyek tersebut, sehingga keragaman di dalam suatu kelompok
tersebut lebih kecil dibandingkan keragaman antar kelompok. Obyek dapat
berupa barang, jasa, tumbuhan, binatang dan orang (responden, konsumen, atau
yang lainnya). Obyek tersebut akan diklasifikasikan ke dalam satu atau lebih
cluster (kelompok) sehingga obyek–obyek yang berada dalam satu cluster akan
mempunyai kemiripan atau kesamaan karakter.
Adapun ciri-ciri cluster adalah:
1. Homogenitas (kesamaan) yang tinggi antar anggota dalam satu cluster
(within-cluster).
2. Heterogenitas (perbedaan) yang tinggi antar cluster yang satu dengan
cluster yang lainnya (between-cluster).
Analisis cluster mempunyai beberapa istilah penting, antara lain:
1. Skedul aglomerasi (agalomeration schedule), ialah jadwal yang
memberikan informasi tentang objek atau kasus yang akan
dikelompokkan pada setiap tahap pada suatu proses analisis cluster yang
hierarkis.
2. Rata-rata cluster (cluster centroid), ialah nilai rata-rata variabel dari
semua objek atau observasi dalam cluster tertentu.
10
3. Pusat cluster (cluster centers), ialah titik awal dimulainya
pengelompokkan di dalam cluster nonhierarki.
4. Keanggotaan cluster (cluster membership), ialah keanggotaan yang
menunjukkan cluster untuk setiap objek yang menjadi anggotanya.
5. Dendogram, disebut juga grafik pohon, output SPSS yang
memvisualisasikan hasil analisis cluster yang dilakukan peneliti. Garis
vertikal atau tegak menunjukkan cluster yang digabung bersama. Posisi
garis pada pada skala menunjukkan jarak untuk mana cluster digabung.
Dendogram harus dibaca dari kiri ke kanan.
6. Distances between cluster centers, ialah jarak yang menunjukkan
bagaimana terpisahnya pasangan individu cluster.
2.2.1 Tujuan Analisis Cluster
Setelah mengelompokkan n buah obyek pengamatan kedalam m kelompok
berdasarkan p variat dapat diketahui bahwa tujuan utama dari pengclusteran
obyek adalah untuk mendapatkan kelompok obyek yang memiliki nilai relatif
sama. Sehingga kelak dalam interpretasi, obyek-obyek yang berada pada satu
cluster memiliki peluang yang cukup tinggi akan muncul bersamaan pada satu
individu.
2.2.2 Konsep Dasar dalam Analisis Cluster
Analisis cluster merupakan suatu kelas teknik, dipergunakan untuk
mengklasifikasi obyek atau kasus ke dalam kelompok yang relatif homogen,
yang disebut cluster. Obyek dalam setiap kelompok cenderung mirip satu sama
lain dan berbeda jauh (tidak sama) dengan obyek dari cluster lainnya.
11
Pengelompokkan dilakukan berdasarkan kemiripan (similarity) antar obyek.
Kemiripan diperoleh dengan meminimalkan jarak antar obyek dalam kelompok
(within-cluster) dan memaksimalkan jarak antar kelompok (between-cluster).
2.2.3 Proses Analisis Cluster
Untuk melakukan analisis cluster ada beberapa proses yang harus dilakukan .
Proses analisis cluster tersebut meliputi :
1. Menentukan ukuran ketakmiripan antar dua objek.
Sesuai prinsip daftar cluster yaitu mengelompokkan objek yang mempunyai
kemiripan, maka proses pertama adalah mengukur seberapa jauh ada
kesamaan antar objek. Dengan memiliki sebuah ukuran kuantitatif untuk
mengatakan bahwa dua obyek tertentu lebih mirip dibandingkan dengan
obyek lain, akan menghilangkan kebingungan dan mempermudah proses
formal dalam pengclusteran. Salah satu yang jelas bisa menjadi ukuran
ketakmiripan adalah fungsi jarak antara objek a dan b, yang biasa
dinotasikan dengan d(a,b).
Sifat – sifat ukuran ketakmiripan adalah :
1) d(a.b) ≥ 0
2) d(a,a) = 0
12
3) d(a,b) = d(b,a)
4) (a,b) meningkat seiring semakin tidak mirip kedua objek a dan b.
5) d(a,c) ≤ d(a,b) + d(b,c) (Sartono, 2003:216).
Jarak yang paling umum digunakan adalah jarak euclidean. Ukuran
jarak atau ketidaksamaan antar obyek ke-i dengan obyek ke-h, disimbolkan
dengan dih. Nilai d
ih diperoleh melalui perhitungan jarak kuadrat Euclidean
sebagai berikut
dimana:
dih
= jarak kuadrat Euclidean antar obyek ke-i dengan obyek ke-h.
p = jumlah variabel cluster.
xij = nilai atau data dari obyek ke-i pada variabel ke-j.
xhj
= nilai atau data dari obyek ke-h pada variabel ke-j (Everitt, 1993).
2. Membuat Cluster
Proses cluster atau pengelompokan data bisa dilakukan dengan dua metode:
a. Metode Hirarki
Metode ini memulai pengelompokan dengan dua atau lebih objek yang
mempunyai kesamaan paling dekat. Kemudiaan operasi diteruskan ke
objek lain yang mempunyai kedekatan kedua. Demikian seterusnya
13
sehingga cluster akan membentuk semacam ‘pohon’ dimana ada hirarki
(tingkatan) yang jelas antar objek, dari yang paling mirip sampai paling
tidak mirip.
Metode yang digunakan untuk proses Clustering secara hirarki adalah
Single Linkage (Pauatan Tunggal). Metode ini akan mengelompokan
dua objek yang mempunyai jarak terdekat dahulu. Jadi pada setiap
tahapan, banyaknya cluster berkurang satu. Secara formal, dua buah
cluster Br dan B
s, jarak antara B
r dan B
s misalkan h(B
r,B
s) didefinisikan
sebagai :
h(Br,B
s) = min{d(x
i,x
j); x
i anggota B
r, x
j anggota B
s}
Hasil berupa single linkage clustering dapat disajikan dalam bentuk
suatu dendogram atau diagram pohon. Cabang-cabang pohon
menunjukkan cluster/kelompok. Cabang-cabang tersebut bertemu
bersama-sama (menggabung) pada simpul yang posisinya sepanjang
suatu sumbu jarak (kemiripan) menunjukkan tingkat dimana
penggabungan terjadi.
b. Metode Non-hirarki
Metode ini dimulai dengan proses penentuan jumlah cluster terlebih
dahulu. Metode Non-hirarki yang digunakan adalah k-means. Metode k-
means digunakan sebagai alternatif metode cluster untuk data dengan
ukuran yang besar karena memiliki kecepatan yang lebih tinggi
dibandingkan metode hirarki.
14
Mac Queen menyarankan bahwa penggunaan k-means untuk
menjelaskan algoritma dalam penentuan suatu objek ke dalam cluster
tertentu berdasarkan rataan terdekat. Proses Pengelusteran dengan
metode k-means adalah :
1) Menetukan besarnya k, yaitu banyaknya cluter dan menentukan
centroid di tiap cluster.
2) Menghitung jarak tiap objek dengan setiap centroid.
3) Menghitung kembali rataan (centroid) untuk cluster yang baru
terbentuk.
4) Mengulangi langkah 2 sampai tidak ada lagi pemindahan objek
antar cluster (Sartono, 2003: 230).
3. Setelah cluster terbentuk, baik dengan metode hirarki maupun non hirarki,
langkah selanjutnya melakukan interpretasi terhadap cluster yang
terbentuk,yang pada intinya memberi nama spesifik untuk menggambar isi
cluster tersebut.
4. Melakukan validasi cluster.
Untuk menguji validasi cluster digunakan uji parsial F.
15
Hipotesis:
H0: variabel i bukan variabel pembeda dalam pengclusteran.
H1: variabel i merupakan variabel pembeda dalam pengclusteran
Taraf signifikansi α
Statistik uji
F=
Kriteria Uji :
Tolak H0 jika F > F
α, k-1,n-k
BAB III
METODOLOGI PENELITIAN
3.1 Waktu Penelitian
Penelitian yang penulis lakukan dilaksanakan pada :
Hari : Rabu
Tanggal : 22 April 2010
3.2 Tempat Penelitian
Penelitian yang penulis lakukan bertempat di
Tempat : Swalayan Kopersi Pegawai Negeri (KPN) Lengayang
Alamat : Jalan Pasar Miskin – Pasar Kambang, Kecamatan
Lengayang, Kabupaten Pesisir Selatan, Painan.
Direktur/Ketua : Zainal Panai, S.Pd
3.3 Metode Penelitian
Pada penelitian ini prosedur-prosedur atau langkah-langkah yang digunakan
adalah sebagai berikut:
3.3.1. Penentuan Masalah
Masalah dimulai dari studi pustaka. Studi pustaka merupakan sumber pustaka
yang relevan dan digunakan untuk mengumpulkan informasi yang diperlukan
dalam penelitian setelah sumber pustaka terkumpul dilanjutkan dengan
penelahaan isi sumber pustaka tersebut. Dari penelahaan yang dilakukan
17
muncul ide dan dijadikan landasan untuk melakukan penelitian. Permasalahan
yang muncul adalah tentang analisis cluster.
3.3.2. Perumusan Masalah
Perumusan masalah dimaksudkan untuk membatasi permasalahan sehingga
diperoleh bahan kajian yang jelas. Dan selanjutnya dirumuskan permasalahan
sebagai berikut:
1. Bagaimana cara mengoptimalkan penerapan sistem teknologi informasi
dalam proses pengolahan data?
2. Bagaimana cara mengefektifkan kinerja suatu swalayan yang masih
cenderung lambat?
3.3.3. Kajian Pustaka
Pada tahap ini dilakukan kajian pustaka, yakni mengkaji permasalahan secara
teoritis berdasarkan sumber-sumber pustaka yang relevan. Kemudian
mengumpulkan, memilih dan menganalisis dari beberapa sumber bacaan yang
berkaitan dengan analisis cluster.
3.3.4. Pemecahan Masalah
Tahap pemecahan masalah dimaksudkan untuk memberikan solusi- solusi dari
permasalahan yang telah ditentukan seperti yang dikemukakan diatas.
Langkah-langkah yang akan dilakukan dalam menentukan analisis cluster
adalah sebagai berikut:
1. Menentukan ukuran ketakmiripan antar dua obyek, dalam hal ini dihitung
menggunakan jarak Euclidean.
18
2. Membuat cluster, proses cluster ini dilakukan dengan dua metode yaitu secara
hirarki dan non hirarki.
3. Memberi nama spesifik setelah cluster terbentuk, untuk menggambarkan isi
cluster tersebut.
4. Melakukan validasi cluster.
3.3.5 Penarikan Kesimpulan
Tahap ini merupakan tahap akhir dari penelitian. Penarikan kesimpulan
didasarkan pada pembahasan permasalahan dengan menggunakan kajian
pustaka.
BAB IV
ANALISA DAN HASIL
Data dalam penelitian ini yang diambil dari Swalayan Koperasi Pegawai
Negeri (KPN) Lengayang yaitu data tentang stock barang pada bulan Desember
2009. Data yang digunakan dalam permasalahan ini ada 2 variabel, dimana variabel-
variabel tersebut adalah jumlah barang atau stock barang dan banyaknya barang yang
terjual, sedangkan obyek-obyek yang digunakan 16 jenis produk atau barang seperti
Gula Pasir, Kopi Nur, Kopi Melti, Pepsodent M, Sampo Sunsilk M, Sabun Lux,
Sabun Daia 1kg, Rinso ½ Kg, Ekonomi/Wing Cream, Plastic Pres Ktp, Staples, Map
Biasa, Map Tulang, Amplop Viva K, Amplop Paperlin B, Buku Isi 18. Data dapat
dilihat pada lampiran 1.
Proses clustering dapat dilakukan secara hirarki dan juga non hirarki, kedua
metode tersebut digunakan secara berdampingan. Dalam penelitian ini proses
clustering secara hirarki menggunakan metode pautan tunggal atau single linkage.
4.1. Proses Analisis Cluster
Proses yang dilakukan dalam analisis cluster, meliputi:
4.1.1. Menentukan ukuran ketakmiripan antar dua objek
Jarak tiap objek (jenis industri) yang dihitung dengan jarak euclidean ditampilkan
dalam tabel Proximity Matrix pada lampiran 2. Sebagai contoh jarak antara Buku Isi
18 dengan Amplop Viva K sebesar 2.465.000 , sedangkan jarak antara Buku Isi 18
dengan Ekonomi/Wing Cream sebesar 165.565.000. Hal ini menunjukkan bahwa
20
Buku Isi 18 lebih mirip karakteristiknya dengan Amplop Viva K. Demikian
seterusnya untuk penafsiran obyek-obyek yang lain. Semakin kecil nilai jarak antara
dua obyek, maka semakin mirip kedua obyek tersebut.
4.1.2. Membuat cluster
a) Proses clustering secara hirarki
Proses penggabungan dua obyek atau lebih dapat dilakukan dengan
tahapan sebagai berikut :
� Pada Stage (tahap) 1, terbentuk satu cluster antara kopi melati dengan
kopi nur, dengan nilai koefisien sebesar 40,000 yang menunjukkan
besarnya jarak antara kopi melati (6) dengan kopi nur (7). Proses
Agglomerasi dimulai dengan jarak antar obyek yang paling dekat, yaitu
jarak antara kopi melati dengan kopi nur yang memiliki jarak terdekat
dari 16 kombinasi jarak antar obyek yang ada. Kemudian jika dilihat
pada kolom tahap selanjutnya (next stage) terlihat angka 2. Hal ini berarti
langkah clustering selanjutnya dilakukan dengan melihat tahap (stage) 2,
dengan penjelasan sebagai berikut.
� Pada Stage (tahap) 2, dapat dilihat terbentuknya cluster antara rinso (12)
dengan kopi nur (7), dengan nilai koefisien sebesar 2.000 yang
menunjukkan besarnya jarak terdekat antara rinso dengan kedua produk
sebelumnya (kopi melati dan kopi nur).
Dengan terbentuknya cluster tersebut, maka sekarang cluster terdiri dari
3 obyek, yaitu industri kopi melati, kopi nur dan rinso. Kemudian pada
21
kolom tahap selanjutnya (next stage) terlihat angka 3. Hal ini berarti
langkah clustering selanjutnya dilakukan dengan melihat tahap (stage) 3,
dengan penjelasan sebagai berikut.
� Pada Stage (tahap) 3, dapat dilihat terbentuknya cluster antara pepsodent
(10) dengan rinso (12), dengan nilai koefisien sebesar 146.000, yang
menunjukkan besarnya jarak terdekat antara pepsodent dengan ketiga
produk sebelumnya (rinso, kopi melati dan kopi nur).
Dengan terbentuknya cluster tersebut, maka sekarang cluster terdiri dari
4 obyek, yaitu industri kopi melati, kopi nur , rinso dan pepsodent.
Kemudian pada kolom tahap selanjutnya (next stage) terlihat angka 4.
Hal ini berarti langkah clustering selanjutnya dilakukan dengan melihat
tahap (stage) 4, dengan penjelasan sebagai berikut.
� Pada Stage (tahap) 4, dapat dilihat terbentuknya cluster antara staples (16)
dengan pepsodent (10), dengan nilai koefisien sebesar 733.000, yang
menunjukkan besarnya jarak terdekat antara staples dengan keempat
produk sebelumnya (rinso, pepsodent, kopi melati dan kopi nur).
Dengan terbentuknya cluster tersebut, maka sekarang cluster terdiri dari
5 obyek, yaitu produk kopi melati, kopi nur , rinso, pepsodent, staples.
Kemudian pada kolom tahap selanjutnya (next stage)tahap ke 5 dengan
penjelasan sebagai berikut.
� Pada Stage (tahap) 5, terbentuk cluster antara sabun daia (13) dengan
staples (16), dengan nilai koefisien sebesar 773.000 yang menunjukkan
22
besar jarak terdekat antara prosuk sabun daia dengan kelima obyek cluster
sebelumnya (kopi melati, kopi nur, rinso, pepsodent, dan staples).
Dengan terbentuknya cluster tersebut, maka sekarang cluster terdiri dari
6 obyek, yaitu kopi melati, kopi nur, rinso, pepsodent, staples, sabun
daia.
� Proses cluster berlanjut hingga pada tahap selanjutnya menunjukkan nilai
tahap 0, yang berarti proses cluster berhenti. Kemudian proses dilanjutkan
ke tahap yang belum di proses sampai proses cluster berhenti.
Sedangkan proses pengclusteran dengan menggunakan matriks jarak dilakukan
proses pengclusteran sebagai berikut(lampiran 2):
� Pada awal proses kita memiliki enam belas cluster. Tahap pertama yang
dilakukan adalah mencari jarak yang terdekat antara dua objek dari sekian
banyak kombinasi jarak dari enam belas objek yang ada (pada tabel 1). Jarak
antara kopi melati dan kopi nur merupakan jarak yang terdekat yaitu sebesar
40.000, sehingga kedua barang tersebut menjadi satu cluster. Sekarang tersisa
lima belas cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati dan kopi nur) sehingga di peroleh:
h{(6,7),(1)} =min{d(6,1),d(7,1)}
23
=min{350.849.000, 343.397.000}
= 343.397.000
h{(6,7),(2)} =min{d(6,2),d(7,2)}
=min{372.649.000, 364.997.000}
= 364.997.000
h{(6,7),(3)} =min{d(6,3),d(7,3)}
=min{314.698.000, 307.674.000}
= 307.674.000
h{(6,7),(4)} =min{d(6,4),d(7,4)}
=min{29.609.000, 27.565.000}
= 27.565.000
h{(6,7),(5)} =min{d(6,5),d(7,5)}
=min{15.592.000, 14.096.000}
= 14.096.000
h{(6,7),(8)} =min{d(6,8),d(7,8)}
=min{4.904.000, 4.112.000}
= 4.112.000
24
h{(6,7),(9)} =min{d(6,9),d(7,9)}
=min{3.380.000, 2.788.000}
= 2.788.000
h{(6,7),(10)} =min{d(6,10),d(7,10)}
=min{244.000, 116.000}
= 116.000
h{(6,7),(11)} =min{d(6,11),d(7,11)}
=min{149.045.000, 144.425.000}
= 144.425.000
h{(6,7),(12)} =min{d(6,12),d(7,12)}
=min{26.000, 2.000}
= 2.000
h{(6,7),(13)} =min{d(6,13),d(7,13)}
=min{2.529.000, 1.933.000}
= 1.933.000
h{(6,7),(14)} =min{d(6,14),d(7,14)}
=min{116.010.000, 111.850.000}
= 111.850.000
25
h{(6,7),(15)} =min{d(6,15),d(7,15)}
=min{4.241.000, 3.485.000}
= 3.485.000
h{(6,7),(16)} =min{d(6,16),d(7,16)}
=min{730.000, 450.000}
= 450.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 2.
Dari matrik jarak dalam tabel 2 kembali mencari jarak terdekat. Jarak
terdekat adalah antara rinso dengan cluster yang anggotanya kopi melati
dengan kopi nur yaitu sebesar 2.000, sehingga produk-produk tersebut
menjadi satu cluster. Sekarang tersisa 13 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, dan rinso) sehingga di
peroleh:
h{(6,7,12),(1)} =min{d(6,1),d(7,1),d(12,1)}
=min{350.849.000, 343.397.000, 344.889.000}
= 344.889.000
26
h{(6,7,12),(2)} =min{d(6,2),d(7,2),d(12,2)}
=min{372.649.000, 364.997.000, 366.589.000}
= 366.589.000
h{(6,7,12),(3)} =min{d(6,3),d(7,3),d(12,3)}
=min{314.698.000, 307.674.000, 309.140.000}
= 309.140.000
h{(6,7,12),(4)} =min{d(6,4),d(7,4),d(12,4)}
=min{29.609.000, 27.565.000, 27.905.000}
= 27.905.000
h{(6,7,12),(5)} =min{d(6,5),d(7,5),d(12,5)}
=min{15.592.000, 14.096.000, 14.426.000}
= 14.426.000
h{(6,7,12),(8)} =min{d(6,8),d(7,8),d(12,8)}
=min{4.904.000, 4.112.000, 4.234.000}
= 4.234.000
h{(6,7,12),(9)} =min{d(6,9),d(7,9),d(12,9)}
=min{3.380.000, 2.788.000, 2.938.000}
= 2.938.000
h{(6,7,12),(10)} =min{d(6,10),d(7,10),d(12,10)}
=min{244.000, 116.000, 146.000}
27
= 146.000
h{(6,7,12),(11)} =min{d(6,11),d(7,11),d(12,11)}
=min{149.045.000, 144.425.000, 145.197.000}
= 145.197.000
h{(6,7,12),(13)} =min{d(6,13),d(7,13),d(12,13)}
=min{2.529.000, 1.933.000, 2.045.000}
= 2.045.000
h{(6,7,12),(14)} =min{d(6,14),d(7,14),d(12,14)}
=min{116.010.000, 111.850.000, 112.580.000}
= 112.580.000
h{(6,7,12),(15)} =min{d(6,15),d(7,15),d(12,15)}
=min{4.241.000, 3.485.000, 3.609.000}
= 3.609.000
h{(6,7,12),(16)} =min{d(6,16),d(7,16),d(12,16)}
=min{730.000, 450.000, 512.000}
= 512.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 3.
Dari matrik jarak dalam tabel 3 kembali mencari jarak terdekat. Jarak
terdekat adalah antara pepsodent dengan cluster yang anggotanya rinso, kopi
28
melati dengan kopi nur yaitu sebesar 146.000, sehingga produk-produk
tersebut menjadi satu cluster. Sekarang tersisa 12 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, pepsodent dan rinso)
sehingga di peroleh:
h{(6,7,10,12),(1) =min{d(6,1),d(7,1),d(10,1),d(12,1)}
=min{350.849.000, 343.397.000, 335.261.000,
344.889.000}
= 335.261.000
h{(6,7,10,12),(2) =min{d(6,2),d(7,2),d(10,2),d(12,2)}
=min{372.649.000, 364.997.000, 355.861.000,
366.589.000}
= 355.861.000
h{(6,7,10,12),(3) =min{d(6,3),d(7,3),d(10,3),d(12,3)}
29
=min{314.698.000, 307.674.000, 299.234.000,
309.140.000}
= 299.234.000
h{(6,7,10,12),(4) =min{d(6,4),d(7,4),d(10,4),d(12,4)}
=min{29.609.000, 27.565.000, 26.293.000,
27.905.000}
= 26.293.000
h{(6,7,10,12),(5) =min{d(6,5),d(7,5),d(10,5),d(12,5)}
=min{15.592.000, 14.096.000, 12.132.000,
14.426.000}
= 12.132.000
h{(6,7,10,12),(8) =min{d(6,8),d(7,8),d(10,8),d(12,8)}
=min{4.904.000, 4.112.000, 3.796.000, 4.234.000}
= 3.796.000
h{(6,7,10,12),(9) =min{d(6,9),d(7,9),d(10,9),d(12,9)}
=min{3.380.000, 2.788.000, 1.808.000, 2.938.000}
= 1.808.000
h{(6,7,10,12),(11) =min{d(6,11),d(7,11),d(10,11),d(12,11)}
30
=min{149.045.000, 144.425.000, 141.401.000,
145.197.000}
= 141.401.000
h{(6,7,10,12),(13) =min{d(6,13),d(7,13),d(10,13),d(12,13)}
=min{2.529.000, 1.933.000, 1.453.000, 2.045.000}
= 1.453.000
h{(6,7,10,12),(14) =min{d(6,14),d(7,14),d(10,14),d(12,14)}
=min{116.010.000, 111.850.000, 108.682.000,
112.580.000}
= 108.682.000
h{(6,7,10,12),(15) =min{d(6,15),d(7,15),d(10,15),d(12,15)}
=min{4.241.000, 3.485.000, 3.089.000, 3.609.000}
= 3.089.000
h{(6,7,10,12),(16) =min{d(6,16),d(7,16),d(10,16),d(12,16)}
=min{730.000, 730.000, 146.000, 512.000}
= 146.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 4.
Dari matrik jarak dalam tabel 4 kembali mencari jarak terdekat. Jarak
terdekat adalah antara stapler dengan cluster yang anggotanya pepsodent,
31
rinso, kopi melati dengan kopi nur yaitu sebesar 146.000, sehingga produk-
produk tersebut menjadi satu cluster. Sekarang tersisa 11 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler dan rinso)
sehingga di peroleh:
h{(6,7,10,12,16),(1)} =min{d(6,1),d(7,1),d(10,1),d(12,1),d(16,1)}
=min{350.849.000, 343.397.000, 335.261.000,
344.889.000, 321.497.000}
= 321.497.000
h{(6,7,10,12,16),(2)} =min{d(6,2),d(7,2),d(10,2),d(12,2),d(16,2)}
=min{372.649.000, 364.997.000, 355.861.000,
366.589.000, 341.597.000}
= 341.597.000
h{(6,7,10,12,16),(3)} =min{d(6,3),d(7,3),d(10,3),d(12,3),d(16,3)}
=min{314.698.000, 307.674.000, 299.234.000,
309.140.000, 286.164.000}
= 286.164.000
h{(6,7,10,12,16),(4)} =min{d(6,4),d(7,4),d(10,4),d(12,4),d(16,4)}
32
=min{29.609.000, 27.565.000, 26.293.000,
27.905.000, 22.945.000}
= 22.945.000
h{(6,7,10,12,16),(5)} =min{d(6,5),d(7,5),d(10,5),d(12,5),d(16,5)}
=min{15.592.000, 14.096.000, 12.132.000,
14.426.000, 9.626.000}
= 9.626.000
h{(6,7,10,12,16),(8)} =min{d(6,8),d(7,8),d(10,8),d(12,8),d(16,8)}
=min{4.904.000, 4.112.000, 3.796.000, 4.234.000,
2.762.000}
= 2.762.000
h{(6,7,10,12,16),(9)} =min{d(6,9),d(7,9),d(10,9),d(12,9),d(16,9)}
=min{3.380.000, 2.788.000, 1.808.000, 2.938.000,
1.018.000}
= 1.018.000
h{(6,7,10,12,16),(11) =min{d(6,11),d(7,11),d(10,11),d(12,11),d(16,11)}
=min{149.045.000, 144.425.000, 141.401.000,
145.197.000, 133.325.000}
= 133.325.000
h{(6,7,10,12,16),(13)}=min{d(6,13),d(7,13),d(10,13),d(12,13),d(16,13)}
33
=min{2.529.000, 1.933.000, 1.453.000, 2.045.000,
733.000}
= 733.000
h{(6,7,10,12,16),(14)}=min{d(6,14),d(7,14),d(10,14),d(12,14),d(16,14)}
=min{116.010.000, 111.850.000, 108.682.000,
112.580.000, 101.380.000 }
= 101.380.000
h{(6,7,10,12,16),(15)}=min{d(6,15),d(7,15),d(10,15),d(12,15),d(16,15)}
=min{4.241.000, 3.485.000, 3.089.000, 3.609.000,
2.105.000}
= 2.105.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 5.
Dari matrik jarak dalam tabel 5 kembali mencari jarak terdekat. Jarak
terdekat adalah antara sabun daia dengan cluster yang anggotanya stapler,
pepsodent, rinso, kopi melati dengan kopi nur yaitu sebesar 733.000,
sehingga produk-produk tersebut menjadi satu cluster. Sekarang tersisa 10
cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
34
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun daia
dan rinso) sehingga di peroleh:
h{(6,7,10,12,13,16),(1)}=min{d(6,1),d(7,1),d(10,1),d(12,1),d(13,1),d(16,1)}
=min{350.849.000, 343.397.000, 335.261.000,
344.889.000, 293.828.000, 321.497.000}
= 293.828.000
h{(6,7,10,12,13,16),(2)}=min{d(6,2),d(7,2),d(10,2),d(12,2),d(13,2),d(16,2)}
=min{372.649.000, 364.997.000, 355.861.000,
366.589.000, 314.128.000, 341.597.000}
= 314.128.000
h{(6,7,10,12,13,16),(3)}=min{d(6,3),d(7,3),d(10,3),d(12,3),d(13,3),d(16,3)}
=min{314.698.000, 307.674.000, 299.234.000,
309.140.000, 261.169.000, 286.164.000}
= 261.169.000
h{(6,7,10,12,13,16),(4)}=min{d(6,4),d(7,4),d(10,4),d(12,4),d(13,4),d(16,4)}
=min{29.609.000, 27.565.000, 26.293.000,
27.905.000, 15.476.000, 22.945.000}
= 15.476.000
h{(6,7,10,12,13,16),(5)}=min{d(6,5),d(7,5),d(10,5),d(12,5),d(13,5),d(16,5)}
35
=min{15.592.000, 14.096.000, 12.132.000,
14.426.000, 5.965.000, 9.626.000}
= 5.965.000
h{(6,7,10,12,13,16),(8)}=min{d(6,8),d(7,8),d(10,8),d(12,8),d(13,8),d(16,8)}
=min{4.904.000, 4.112.000, 3.796.000, 4.234.000,
773.000, 2.762.000}
= 773.000
h{(6,7,10,12,13,16),(9)}=min{d(6,9),d(7,9),d(10,9),d(12,9),d(13,9),d(16,9)}
=min{3.380.000, 2.788.000, 1.808.000, 2.938.000,
941.000, 1.018.000}
= 941.000
h{(6,7,10,12,13,16),(11)}=min{d(6,11),d(7,11),d(10,11),d(12,11),d(13,11),d(
16,11)}
=min{149.045.000, 144.425.000, 141.401.000,
145.197.000, 114.308.000, 133.325.000}
= 114.308.000
h{(6,7,10,12,13,16),(14)}=min{d(6,14),d(7,14),d(10,14),d(12,14),d(13,14),d(
16,14)}
=min{116.010.000, 111.850.000, 108.682.000,
112.580.000, 85.005.000, 101.380.000}
= 85.005.000
36
h{(6,7,10,12,13,16),(15)}=min{d(6,15),d(7,15),d(10,15),d(12,15),d(13,15),d(
16,15)}
=min{4.241.000, 3.485.000, 3.089.000, 3.609.000,
410.000, 2.105.000}
= 410.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 6.
Dari matrik jarak dalam tabel 6 kembali mencari jarak terdekat. Jarak
terdekat adalah antara map polos dengan cluster yang anggotanya sabun daia,
stapler, pepsodent, rinso, kopi melati dengan kopi nur yaitu sebesar 773.000,
sehingga produk-produk tersebut menjadi satu cluster. Sekarang tersisa 9
cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun
daia, map polos dan rinso) sehingga di peroleh:
h{(6,7,8,10,12,13,16),(1)}=min{d(6,1),d(7,1),d(8,1),d(10,1),d(12,1),d(13,1),d
(16,1)}
=min{350.849.000, 343.397.000, 278.125.000,
335.261.000, 344.889.000, 293.828.000,
321.497.000}
= 278.125.000
37
h{(6,7,8,10,12,13,16),(2)}=min{d(6,2),d(7,2),d(8,2),d(10,2),d(12,2),d(13,2),d
(16,2)}
=min{372.649.000, 364.997.000, 300.125.000,
355.861.000, 366.589.000, 314.128.000,
341.597.000}
= 300.125.000
h{(6,7,8,10,12,13,16),(3)}=min{d(6,3),d(7,3),d(8,3),d(10,3),d(12,3),d(13,3),d
(16,3)}
=min{314.698.000, 307.674.000, 248.690.000,
299.234.000, 309.140.000, 261.169.000,
286.164.000}
= 248.690.000
h{(6,7,8,10,12,13,16),(4)}=min{d(6,4),d(7,4),d(8,4),d(10,4),d(12,4),d(13,4),d
(16,4)}
=min{29.609.000, 27.565.000, 10.453.000,
26.293.000, 27.905.000, 15.476.000, 22.945.000}
= 10.453.000
h{(6,7,8,10,12,13,16),(5)}=min{d(6,5),d(7,5),d(8,5),d(10,5),d(12,5),d(13,5),d
(16,5)}
=min{15.592.000, 14.096.000, 5.920.000,
12.132.000, 14.426.000, 5.965.000, 9.626.000}
= 5.920.000
38
h{(6,7,8,10,12,13,16),(9)}=min{d(6,9),d(7,9),d(8,9),d(10,9),d(12,9),d(13,9),d
(16,9)}
=min{3.380.000, 2.788.000, 3.140.000, 5.920.000,
1.808.000, 2.938.000, 941.000, 1.018.000}
= 3.140.000
h{(6,7,8,10,12,13,16),(11)}=min{d(6,11),d(7,11),d(8,11),d(10,11),d(12,11),
d(13,11),d(16,11)}
=min{149.045.000, 144.425.000, 99.937.000,
141.401.000, 145.197.000, 114.308.000,
133.325.000}
= 99.937.000
h{(6,7,8,10,12,13,16),(14)}=min{d(6,14),d(7,14),d(8,14),d(10,14),d(12,14),
d(13,14),d(16,14)}
=min{116.010.000, 111.850.000, 73.586.000,
108.682.000, 112.580.000, 85.005.000,
101.380.000}
= 73.586.000
h{(6,7,8,10,12,13,16),(15)}=min{d(6,15),d(7,15),d(8,15),d(10,15),d(12,15),d
(13,15),d(16,15)}
=min{4.241.000, 3.485.000, 61.000, 3.089.000,
3.609.000, 410.000, 2.105.000}
39
= 61.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 7.
Dari matrik jarak dalam tabel 7 kembali mencari jarak terdekat. Jarak
terdekat adalah antara sampo sunsilk dengan cluster yang anggotanya map
polos, sabun daia, stapler, pepsodent, rinso, kopi melati dengan kopi nur yaitu
sebesar 61.000, sehingga produk-produk tersebut menjadi satu cluster.
Sekarang tersisa 8 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun
daia, map polos, sampo sunsilk dan rinso) sehingga di peroleh:
h{(6,7,8,10,12,13,15,16),(1)}=min{d(6,1),d(7,1),d(8,1),d(10,1),d(12,1),
d(13,1),d(15,1),d(16,1)}
=min{350.849.000, 343.397.000, 278.125.000,
335.261.000, 344.889.000, 293.828.000,
280.746.000, 321.497.000}
= 280.746.000
h{(6,7,8,10,12,13,15,16),(2)}=min{d(6,2),d(7,2),d(8,2),d(10,2),d(12,2),
d(13,2),d(15,2),d(16,2)}
40
=min{372.649.000, 364.997.000, 300.125.000,
355.861.000, 366.589.000, 314.128.000,
302.146.000, 341.597.000}
= 302.146.000
h{(6,7,8,10,12,13,15,16),(3)}=min{d(6,3),d(7,3),d(8,3),d(10,3),d(12,3),
d(13,3),d(15,3),d(16,3)}
=min{314.698.000, 307.674.000, 248.690.000,
299.234.000, 309.140.000, 261.169.000,
250.433.000, 286.164.000}
= 250.433.000
h{(6,7,8,10,12,13,15,16),(4)}=min{d(6,4),d(7,4),d(8,4),d(10,4),d(12,4),
d(13,4),d(15,4),d(16,4)}
=min{29.609.000, 27.565.000, 10.453.000,
26.293.000, 27.905.000, 15.476.000,
11.450.000, 22.945.000}
= 11.450.000
h{(6,7,8,10,12,13,15,16),(5)}=min{d(6,5),d(7,5),d(8,5),d(10,5),d(12,5),
d(13,5),d(15,5),d(16,5)}
=min{15.592.000, 14.096.000, 5.920.000,
12.132.000, 14.426.000, 5.965.000,
5.525.000, 9.626.000}
= 5.525.000
41
h{(6,7,8,10,12,13,15,16),(9)}=min{d(6,9),d(7,9),d(8,9),d(10,9),d(12,9),
d(13,9),d(15,9),d(16,9)}
=min{3.380.000, 2.788.000, 3.140.000,
5.920.000, 1.808.000, 2.938.000, 941.000,
2.329.000, 1.018.000}
= 2.329.000
h{(6,7,8,10,12,13,15,16),(11)}=min{d(6,11),d(7,11),d(8,11),d(10,11),
d(12,11),d(13,11),d(15,11),d(16,11)}
=min{149.045.000, 144.425.000,
99.937.000, 141.401.000, 145.197.000,
114.308.000, 103.050.000, 133.325.000}
= 103.050.000
h{(6,7,8,10,12,13,15,16),(14)}=min{d(6,14),d(7,14),d(8,14),d(10,14),
d(12,14),d(13,14),d(15,14),d(16,14)}
=min{116.010.000, 111.850.000,
73.586.000, 108.682.000, 112.580.000,
85.005.000, 75.917.000, 101.380.000}
= 75.917.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 8.
Dari matrik jarak dalam tabel 8 kembali mencari jarak terdekat. Jarak
terdekat adalah antara map tulang dengan cluster yang anggotanya sampo
42
sunsilk, map polos, sabun daia, stapler, pepsodent, rinso, kopi melati dengan
kopi nur yaitu sebesar 2.329.000, sehingga produk-produk tersebut menjadi
satu cluster. Sekarang tersisa 7 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang buku isi 18) sehingga di peroleh:
h{(6,7,8,9,10,12,13,15,16),(1)=min{d(6,1),d(7,1),d(8,1),d(9,1),d(10,1),
d(12,1),d(13,1),d(15,1),d(16,1)}
=min{350.849.000, 343.397.000,
278.125.000, 294.685.000, 335.261.000,
344.889.000, 293.828.000, 280.746.000,
321.497.000}
= 294.685.000
h{(6,7,8,9,10,12,13,15,16),(2)}=min{d(6,2),d(7,2),d(8,2),d(9,2),d(10,2),
d(12,2),d(13,2),d(15,2),d(16,2)}
=min{372.649.000, 364.997.000,
300.125.000, 312.085.000, 355.861.000,
366.589.000, 314.128.000, 302.146.000,
341.597.000}
= 312.085.000
43
h{(6,7,8,9,10,12,13,15,16),(3)=min{d(6,3),d(7,3),d(8,3),d(9,3),d(10,3),
d(12,3),d(13,3),d(15,3),d(16,3)}
=min{314.698.000, 307.674.000,
248.690.000, 259.114.000, 299.234.000,
309.140.000, 261.169.000, 250.433.000,
286.164.000}
= 259.114.000
h{(6,7,8,9,10,12,13,15,16),(4)}=min{d(6,4),d(7,4),d(8,4),d(9,4),d(10,4),
d(12,4),d(13,4),d(15,4),d(16,4)}
=min{29.609.000, 27.565.000, 10.453.000,
19.477.000, 26.293.000, 27.905.000,
15.476.000, 11.450.000, 22.945.000}
= 19.477.000
h{(6,7,8,9,10,12,13,15,16),(5)}=min{d(6,5),d(7,5),d(8,5),d(9,5),d(10,5),
d(12,5),d(13,5),d(15,5),d(16,5)}
=min{15.592.000, 14.096.000, 5.920.000,
5.108.000, 12.132.000, 14.426.000,
5.965.000, 5.525.000, 9.626.000}
= 5.108.000
44
h{(6,7,8,9,10,12,13,15,16),(11)}=min{d(6,11),d(7,11),d(8,11),d(9,11),
d(10,11),d(12,11),d(13,11),d(15,11),d(16,
11)}
=min{149.045.000, 144.425.000,
99.937.000, 122.473.000, 141.401.000,
145.197.000, 114.308.000, 103.050.000,
133.325.000}
= 122.473.000
h{(6,7,8,9,10,12,13,15,16),(14)}=min{d(6,14),d(7,14),d(8,14),d(9,14),
d(10,14),d(12,14),d(13,14),d(15,14),d(16,
14)}
=min{116.010.000, 111.850.000,
73.586.000, 90.722.000, 108.682.000,
112.580.000, 85.005.000, 75.917.000,
101.380.000}
= 90.722.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 9.
Dari matrik jarak dalam tabel 9 kembali mencari jarak terdekat. Jarak
terdekat adalah antara amplop viva K dengan cluster yang anggotanya buku
isi 18 yaitu sebesar 2.465.000, sehingga produk-produk tersebut menjadi satu
cluster. Sekarang tersisa 7 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
45
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya sabun lux) sehingga di peroleh:
h{(2,3),(1)} =min{d(2,1),d(3,1)}
=min{2.500.000, 3.365.000}
= 3.365.000
h{(2,3),(4)} =min{d(2,4),d(3,4)}
=min{207.188.000, 165.565.000}
= 165.565.000
h{(2,3),(5)} =min{d(2,5),d(3,5)}
=min{237.445.000, 191.570.000}
= 191.570.000
h{(2,3),(6,7,8,9,10,12,13,15,16)}=min{d(2,6),d(2,7),d(2,8),d(2,9),d(2,10),
d(2,12),d(2,13),d(2,15),d(2,16),d(3,6),d(3,
7),d(3,8),d(3,9),d(3,10),d(3,12),d(3,13),d(
3,15),d(3,16)}
=min{372.649.000,364.997.000,
300.125.000, 312.085.000, 355.861.000,
366.589.000, 314.128.000, 302.146.000,
341.597.000, 314.698.000, 07.674.000,
248.690.000, 259.114.000, 299.234.000,
309.140.000, 250.433.000, 286.164.000,}
46
= 259.114.000
h{(2,3),(11)} =min{d(2,11),d(3,11)}
=min{85.972.000, 64.529.000}
= 64.529.000
h{(2,3),(14)} =min{d(2,14),d(3,14)}
=min{92.941.000, 67.912.000}
= 67.912.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 10.
Dari matrik jarak dalam tabel 10 kembali mencari jarak terdekat. Jarak
terdekat adalah antara plastic pres KTP dengan cluster yang anggotanya
sabun lux yaitu sebesar 2.885.000, sehingga produk-produk tersebut menjadi
satu cluster. Sekarang tersisa 6 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya sabun lux dan plastic pres KTP) sehingga di
peroleh:
h{(11,14),(1)} ={d(11,1),d(14,1)}
={64.872.000, 74.441.000}
= 74.441.000
h{(11,14),(2,3)} ={d(11,2),d(11,3),d(14,2),d(14,3)}
47
={85.972.000, 64.529.000, 92.941.000, 67.912.000}
= 67.912.000
h{(11,14),(4)} ={d(11,4),d(14,4)}
={45.800.000, 28.673.000}
= 28.673.000
h{(11,14),(5)} ={d(11,5),d(14,5)}
={81.881.000, 55.378.000}
= 55.378.000
h{(11,14),(6,7,8,9,10,12,13,15,16)}={d(11,6),d(11,7),d(11,8),d(11,9),d(11,10
),d(11,12),d(11,13),d(11,15),d(11,16)d(
14,6),d(14,7),d(14,8),d(14,9),d(14,10),
d(14,12),d(14,13),d(14,15),d(14,16)}
={149.045.000, 144.425.000,
9.937.000,
122.473.000,141.401.000,145.197.000,
114.308.000,103.050.000,133.325.000,
116.010.000, 111.850.000, 73.586.000,
90.722.000, 108.682.000, 112.580.000,
85.005.000, 75.917.000, 101.380.000}
= 90.722.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 11.
48
Dari matrik jarak dalam tabel 11 kembali mencari jarak terdekat. Jarak
terdekat adalah antara ekonomi dengan cluster yang anggotanya plastic pres
KTP dan sabun lux yaitu sebesar 28.673.000, sehingga produk-produk
tersebut menjadi satu cluster. Sekarang tersisa 5 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya amplop viva K dan buku isi 18) sehingga di
peroleh:
h{(4,11,14),(1)} ={d(4,1),d(12,1),d(14,1)}
={185.888.000, 344.889.000, 74.441.000}
= 185.888.000
h{(4,11,14),(2,3)} ={d(4,2),d(11,2),d(14,2),d(4,3),d(11,3),d(14,3)}
={207.188.000, 85.972.000, 92.941.000, 165.565.000,
64.529.000, 67.912.000}
= 165.565.000
h{(4,11,14),(5)} ={d(4,5),d(11,5),d(14,5)}
={8.077.000, 81.881.000, 55.378.000}
= 8.077.000
49
h{(4,11,14),(6,7,8,9,10,12,13,15,16)}={d(4, 6),d(4, 7),d(4, 8),d(4, 9),d(4,
10),d(4, 12),d(4, 13),d(4, 15),d(4,
16),d(11,6),d(11,7),d(11,8),d(11,9),d
(11,10),d(11,12),d(11,13),d(11,15),d
(11,16),d(14,6),d(14,7),d(14,8),d(14,
9),d(14,10),d(14,12),d(14,13),d(14,1
5),d(14,16)}
={29.609.000,27.565.000,10.453.0
00, 19.477.000, 26.293.000,
27.905,000, 15.476,000,
11.450,000, 22.945,000,
149.045.000, 144.425.000,
99.937.000, 122.473.000,
141.401.000, 145.197.000,
114.308.000, 103.050.000,
133.325.000, 116.010.000,
111.850.000, 73.586.000,
90.722.000, 108.682.000,
112.580.000, 85.005.000,
75.917.000, 101.380.000}
= 19.477.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 12.
Dari matrik jarak dalam tabel 12 kembali mencari jarak terdekat. Jarak
terdekat adalah antara amplop paperli B dengan cluster yang anggotanya
50
amplop viva K dan buku isi 18 yaitu sebesar 3.365.000, sehingga produk-
produk tersebut menjadi satu cluster. Sekarang tersisa 4 cluster.
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun
daia, map polos, sampo sunsilk, map tulang, dan rinso) sehingga di peroleh:
h{(1,2,3),(4,11,14)}={d(1,4),d(1,11),d(1,14),(2,4),d(2,11),d(2,14),d(3,4),
d(3,11),d(3,14)}
={185.888,000, 64.872,000, 74.441,000, 207.188,000,
85.972,000, 92.941,000, 165.565,000, 64.529,000,
67.912,000}
= 185.888,000
h{(1,2,3),(5) ={d(1,5),d(2,5),d(3,5)}
={222.245.000, 237.445.000, 191.565.000}
= 222.245.000
h{(1,2,3),(6,7,8,9,10,12,13,15,16)}={d(1,6),d(1,7),d(1,8),d(1,9),d(1,10),
d(1,12),d(1,13),d(1,15),d(1,16),d(2,6),d
(2,7),d(2,8),d(2,9),d(2,10),d(2,12),d(2,1
3),d(2,15),d(2,16),d(3,6),d(3,7),d(3,8),d
51
(3,9),d(3,10),d(3,12),d(3,13),d(3,15),d(
3,16)
={ 350.849.000, 343.397.000,
278.125.000, 294.685.000,
335.261.000, 344.889.000,
293.828.000, 280.746.000,
321.497,000, 372.649.000,
364.997.000, 300.125.000,
312.085.000, 355.861.000,
366.589.000, 314.128.000,
302.146.000, 341.597.000,
314.698,000, 307.674,000,
248.690,000, 259.114,000,
299.234,000, 309.140,000,
261.169,000, 250.433,000,
286.164,000}
= 294.685.000
Dengan demikian matrik jarak menjadi seperti dalam tabel 13.
Dari matrik jarak dalam tabel 13 kembali mencari jarak terdekat. Jarak
terdekat adalah antara gula pasir dengan cluster yang anggotanya kopi melati,
kopi nur, pepsodent, stapler, sabun daia, map polos, sampo sunsilk, map
tulang, dan rinso yaitu sebesar 5.108.000, sehingga produk-produk tersebut
menjadi satu cluster. Sekarang tersisa 3 cluster.
52
� Kemudian dilakukan perbaikan matriks jarak menggunakan metode pautan
tunggal dengan persamaan :
h{Br,Bs} = min{(xi,xj; xi anggota Br, xj anggota Bs}
Di sini yang mengalami perubahan adalah jarak yang melibatkan cluster baru
(cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun
daia, map polos, sampo sunsilk, map tulang, gula pasir dan rinso) sehingga di
peroleh:
h{(5,6,7,8,9,10,12,13,15,16),(1,2,3)={d(5,1),d(6,1),d(7,1),d(8,1),d(9,1),d(10,
1),d(12,1),d(13,1),d(15,1),d(16,1),d(5,
2),d(6,2),d(7,2),d(8,2),d(9,2),d(10,2),
d(12,2),d(13,2),d(15,2),d(16,2),d(5,3),
d(6,3),d(7,3),d(8,3),d(9,3),d(10,3),d(1
2,3),d(13,3),d(15,3),d(16,3)
={222.245,000, 350.849,000,
343.397,000, 278.125,000,
294.685,000, 335.261,000,
344.889,000, 293.828,000,
280.746,000, 321.497,000,
237.445,000, 372.649,000,
364.997,000, 300.125,000,
312.085,000, 355.861,000,
366.589,000, 314.128,000,
302.146,000, 341.597,000,
191.570,000, 314.698,000,
307.674,000, 248.690,000,
53
259.114,000, 299.234,000,
309.140,000, 261.169,000,
250.433,000, 286.164,000}
= 222.245,000
h{(5,6,7,8,9,10,12,13,15,16),(4,11,14)}={d(5,4),d(6,4),d(7,4),d(8,4),d(9,4),
d(10,4),d(12,4),d(13,4),d(15,4),d(1
6,4),d(5,11),d(6,11),d(7,11),d(8,11
),d(9,11),d(10,11),d(12,11),d(13,11
),d(15,11),d(16,11),d(5,14),d(6,14)
,d(7,14),d(8,14),d(9,14),d(10,14),d
(12,14),d(13,14),d(15,14),d(16,14)
={ 8.077,000, 29. 609,000, 27.
565,000, 10.453,000, 19. 477,000,
26. 293,000, 27. 905,000, 15.
476,000, 11. 450,000, 22. 945,000,
81.881,000, 149.045,000,
144.425,000, 99.937,000,
122.473,000, 141.401,000,
145.197,000, 114.308,000,
103.050,000, 133.325,000,
55.378,000, 116.010,000,
111.850,000, 73.586,000, 90.
722,000, 108.682,000, 112.580,000,
54
85. 005,000, 75. 917,000,
101.380,000
= 8.077,000
Dengan demikian matrik jarak menjadi seperti dalam tabel 14.
Dari matrik jarak dalam tabel 14 kembali mencari jarak terdekat. Jarak
terdekat adalah antara ekonomi, plastic pres KTP dan sabun lux dengan
cluster yang anggotanya kopi melati, kopi nur, pepsodent, stapler, sabun daia,
map polos, sampo sunsilk, map tulang, gula pasir dan rinso yaitu sebesar
8.077.000, sehingga produk-produk tersebut menjadi satu cluster. Sekarang
tersisa 2 cluster yang dapat dilihat pada tabel 15.
Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk
menggambarkan isi cluster tersebut. Dari ketiga cluster yang terbentuk kita dapat
mengklasifikasikan sebagai berikut :
Cluster pertama : jenis produk memiliki rata-rata lebih dari cluster kedua dan kurang
dari cluster ketiga, sehingga dapat kita golongkan menjadi kelompok produk dengan
tingkat pembelian sedang, anggotanya adalah gula pasir, kopi melati, kopi nur, map
tulang, pepsodent, sabun lux, dan staples.
Cluster kedua : Jenis produk memiliki rata-rata terkecil diantara cluster yang lain,
sehingga dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian
rendah, anggotanya adalah ekonomi, map polos, sabun daia, dan sampo sunsilk.
Cluster ketiga : Jenis produk memiliki rata-rata terbesar diantara cluster yang lain,
sehingga dapat kita golongkan menjadi kelompok produk dengan tingkat pembelian
tertinggi, anggotanya adalah amplop paperlin B, amplop viva K, dan buku isi 18.
BAB V
TESTING DAN IMPLEMENTASI
5.1 Spesifikasi Minimum Sistem
Metode ini dilakukan untuk menguji konsep-konsep yang ada dengan
menggunakan alat yang sesuai. Adapun spesifikasi hardware dan software yang
digunakan dalam penulisan ini adalah sebagai berikut:
a. Hardware
- Motherboard Intel dengan Processor Intel Pentium Dual Core 3.0
GHz
- Monitor Samsung 17 inchi
- Memory 2048 Mbyte dan Hard Disk 80 Gbyte
- Keyboard BenQ dan Mouse BenQ
- Printer HP Deskjet D2466
b. Software
- Sistem Opersai Windows XP SP 2
- Microsoft Office 2007
- SPSS 16 for Windows
56
5.2 Menu Utama SPSS 16
Pada bab ini akan dijelaskan mengenai SPSS 16 dan beberapa sub menu
utama. Bagian dari menu utama menjalankan sub-sub menu dalam menu
tersebut. Keseluruhan sub-sub menu tersebut di eksekusi dalam menu utama.
Untuk lebih jelas dapat dilihat pada gambar 1.
Gambar 5.1. Menu Utama
Menu utama terdiri dari sebelas bagian menu yaitu:
a. Menu File
Menu file dipergunakan untuk membuka data, menutup data, dan lain-lain
yang berkaitan dengan pemrosesan file.
Sub menu yang sering digunakan ialah:
• New : Untuk membuka file baru.
• Open : Untuk membuka file lama.
• Open Database : Untuk membuka database yang sudah ada.
• Save : Untuk menyimpan data, output, dan sintaks.
• Save As : Untuk menyimpan data bedanya dengan Save perintah ini
dapat di gunakan untuk menyimpan dengan nama file baru.
• Print : Untuk mencetak data dan output.
• Exit : Untuk keluar dari program SPSS.
Berikut sub menu file yang tampak pada gambar 2
57
Gambar 5.2. Menu File
b. Menu Edit
Menu edit dipergunakan untuk proses editing, misalnya copy, delete, undo,
dan lain-lain. Submenu yang sering digunakan di antaranya:
• Undo : Untuk membatalkan suatu perintah yang sudah dilaksanakan.
• Redo : untuk melakukan kembali perintah yang sudah dilaksanakan.
• Copy : Untuk melakukan pengopian nama variable ataupun nilai
variable.
• Cut : Untuk memotong teks baik berupa isi variable ataupun nama
variable.
58
• Paste : Untuk meletakkan/menempel sesuatu yang sudah diberikan
perintah copy terlebih dahulu.
• Clear : Untuk menghapus.
• Find : untuk variabel nama variabel (kolom) ataupun isi kasus (baris).
Berikut sub menu edit yang tampak pada gambar 3
Gambar 5.3. Menu Edit
c. Menu View
Menu view dipergunakan untuk melihat isi tampilan SPSS. Submenu utama
ialah :
• Status Bar : Untuk mengatur status bar yang diinginkan.
• Tools Bar : Untuk memunculkan kotak dialog tools bar.
• Font : Untuk memunculkan kotak dialog perinttah fonts.
59
• Value Labels : Untuk melihat label pada variable-variabel yang sudah
dibuat.
Berikut sub menu view yang tampak pada gambar 4
Gambar 5.4. Menu View
d. Menu Data
Menu data digunakan untuk melakukan pemrosesan data. Submenu yang
digunakan ialah :
• Insert Variabel : Untuk menyisipkan variabel baru di antara variable-
variabel lama yang sudah dibuat.
• Insert Case : Untuk menyisipkan kasus baru di antara kasus-kasus
lama yang sudah dibuat.
• Go to Case : Perintah untuk menuju ke kasus (baris) tertentu.
• Select Case : Perintah untuk melakukan seleksi kasus.
60
• Split File : Untuk membuat kategori file didasarkan pada metode
tertentu.
• Dan lain-lain
Berikut sub menu data yang tampak pada gambar 5
Gambar 5.5. Menu Data
e. Menu Transform
Menu transform digunakan untuk melakukan perubahan-perubahan atau
penambahan data. Submenu di antaranya :
• Replace Missing Values : Untuk mengganti nilai yang hiang (missing
values).
61
• Create Time Series : Untuk membuat data times series.
• Compute : Untuk menghitung, misalnya melakukan proses aritmatika
untuk dua varibel.
• Dan lain-lain.
Berikut sub menu data yang tampak pada gambar 6
Gambar 5.6. Menu Transform
f. Menu Analyze
Menu analyze merupakan menu dimana kita melakukan analisis data yang
telah kita masukkan ke dalam komputer. Submenu diantaranya :
• Report
• Descriptive Statistics
• Table
62
• Compare Means
• General Linear Model
• Dan lain-lain
Berikut sub menu data yang tampak pada gambar 7
Gambar 5.7. Menu Analyze
g. Menu Graphs
Menu graphs digunakan untuk membuat grafik, di antaranya:
• Gallery : Berisi galeri grafik yang dapat dipilih sesuai dengan maslah
yang dianalisis.
• Interactive : Membuat grafik bersifat interaktif
• Map : Membuat grafik dengan model peta
• Bar : Jenis grafik dengan model batang
• Line : Jenis grafik dengan model garis
63
• Area : Jenis grafik dengan model area
• Pie : Jenis grafik dengan midel bulatan
• Dot : Jenis grafik dengan model titik
• Dan lain-lain
Berikut sub menu data yang tampak pada gambar 8
Gambar 5.8. Menu Graphs
h. Menu Utilities
Menu utilities dipergunakan untuk mengetahui informasi variable, informasi
file, dan lain-lain. Contoh : utilities, variables memilih variable, melihat
variable, atau mencari variable (go o case).
Berikut sub menu data yang tampak pada gambar 9
64
Gambar 5.9. Menu Utilities
i. Menu Add-ons
Digunakan untuk memberikan perintah kepada SPSS jika kita ingin
menggunakan aplikasi tambahan, misalnya menggunakan aplikasi Amos, SPS
data entry, text analyzes, dan sebagainya.
Berikut sub menu data yang tampak pada gambar 10
Gambar 5.10. Menu Add-ons
65
j. Menu Windows
Menu windows dipergunakan untuk melakukan perpindahan (switch) dari
file ke file lainnya. Perlu diketahui SPSS versi 14 dapat membuka jendela
baru sehingga mempermudah untuk proses transfer data atau kopi data.
k. Menu Help
Menu help digunakan untuk membuat pengguna dalam memahami perintah-
perintah SPSS jika pengguna mengalami kesulitan.
Berikut sub menu data yang tampak pada gambar 11
Gambar 5.11. Menu Help
5.3 Proses Entry Data Analisis Cluster
Proses entry bertujuan untuk memasukkan data-data yang diperlukan dalam
mendisain dan menyusun variabel. Cara memulainya ialah sebagai berikut :
a. Pilih menu Start dari windows.
b. Selajutnya, pilih menu Programs.
c. Pilih SPSS 16.
66
d. SPSS siap digunakan. Jika ingin membuka file, silahkan pilih nam file
dan klik Open. Jika akan memulai dmendesain variabel dan memasukan
data, pilihlah Cancel.
e. Susunlah definisi variabel pada “Variabel View” yang terletak di
sebelah kiri bawah. Berikut keterangan dalam menyusun varabel :
• Name : masukkan nama variabel tertentu atau yang telah
ditetapkan.
• Type : masukkan type variabel untuk mendefinisikan apakah itu
bersifat numeric atau string.
• Width : untuk menuliskan panjang pendek variabel.
• Decimal : untuk menuliskan jumlah decimal di belakang koma.
• Label : untuk menuliskan label variabel.
• Values : untuk menuliskan nilai kuantitatif dari variabel yang
skala pengukurannya ordinal dan nominal bukan scale.
• Missing : untuk menuliskan ada dan tidaknya jawaban kosong.
• Collumns : untuk menuliskan lebar kolom.
• Align : untuk menuliskan rata kanan, kiri, atau tengah
penempatan teks atau angka di Data View.
• Measure : untuk menentukan skala pengukuran variabel,
misalnya nominal, ordinal, atau scale.
Contoh pengisian data defenisi variabel ang tampak pada gambar 12:
67
Gambar 5.12. Defenisi Variabel
f. Masukkan data yang akan kita teliti pada “Data View”. Setelah itu
masukkan data mulai dari data ke-1 sampai data ke-n.
Contoh pengisian data pada data view yang tampak pada gambar 13:
Gambar 5.13. Data pada “Data View”
g. Setelah semua data dimasukkan, kita dapat menganalisa data dengan
tahapan sebagai berikut :
• Klik “Analyze” .
• Selanjutnya pilih “Classify”.
• Pilih “Herarchical Cluster”, maka akan muncul tampilan
jendela baru.
• Pilihlah data yang akan dijadikan variabel dan label cases.
68
Contoh penempatan data dapat dilihat pada gambar 14 :
Gambar 5.14. Herarchical Cluster
• Klik “Statistics”.
• Lakukan centang (v) pada pilihan “Proximity Matrix”, lalu klik
“Continue”
• Selanjutnya klik “OK”
BAB VI
PENUTUP
6.1 Kesimpulan
Berdasarkan uraian pada bab-bab sebelumnya, maka penulis dapat
mengemukakan beberapa kesimpulan :
1. Proses cluster secara hirarki dengan menggunakan metode single linkage
mampu menunjukkan keterkaitan setiap produk.
2. Hasil analisis cluster dari 16 jenis produk yang dapat dikelompokkan
menjadi tiga cluster, yaitu: cluster pertama adalah kelompok produk
pembelian sedang, cluster kedua adalah kelompok produk pembelian
rendah dan cluster ke tiga adalah kelompok produk pembelian tinggi
6.2 Keterbatasan Sistem
Dalam melakukan penganalisaan dengan menggunakan SPSS 16 For
Windows, penulis masih menemukan keterbatasan sistem yang digunakan,
diantaranya :
1. Sistem hanya mampu melakukan proses komputasi terhadap data yang di
input – kan.
2. Penulis masih menggunakan cara manual dalam mencari hubungan dari
setiap produk.
70
6.3 Saran
1. Setelah mengetahui tingkat pembelian produk, diharapkan para pelaku
swalayan lebih memperhatikan produk.
2. Untuk peneliti selanjutnya diharapkan dapat menggunakan analisis
statistik yang lain dalam pengolahan data.
DAFTAR PUSTAKA
---------, 2010. Analisis Cluster
http://pskmp.site88.net/tugas/ktp_agus_m2.pdf [28 April 2010]
Jonatan, S. Statistik Itu Mudah. Yogyakarta: Andi Offset
Kusrini, dkk. 2009. Algoritma Data Mining. Yogyakarta: Andi Offset
abel 2
Squared Euclidean Distance Case 1,00 2,00 3,00 4,00 5,00 6,70 8,00 9,00 10,00 11,00 12,00 13,00 14,00 15,00 16,00 1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 343.397,000 278.125,000 294.685,000 335.261,000 64.872,000 344.889,000 293.828,000 74.441,000 280.746,000 321.497,000 2,00 0,000 2.465,000 207.188,000 237.445,000 364.997,000 300.125,000 312.085,000 355.861,000 85.972,000 366.589,000 314.128,000 92.941,000 302.146,000 341.597,000 3,00 0,000 165.565,000 191.570,000 307.674,000 248.690,000 259.114,000 299.234,000 64.529,000 309.140,000 261.169,000 67.912,000 250.433,000 286.164,000 4,00 0,000 8.077,000 27.565,000 10.453,000 19.477,000 26.293,000 45.800,000 27.905,000 15.476,000 28.673,000 11.450,000 22.945,000 5,00 0,000 14.096,000 5.920,000 5.108,000 12.132,000 81.881,000 14.426,000 5.965,000 55.378,000 5.525,000 9.626,000 6,70 0,000 4.112,000 2.788,000 116,000 144.425,000 2,000 1.933,000 111.850,000 3.485,000 450,000 8,00 0,000 3.140,000 3.796,000 99.937,000 4.234,000 773,000 73.586,000 61,000 2.762,000 9,00 0,000 1.808,000 122.473,000 2.938,000 941,000 90.722,000 2.329,000 1.018,000 10,00 0,000 141.401,000 146,000 1.453,000 108.682,000 3.089,000 146,000 11,00 0,000 145.197,000 114.308,000 2.885,000 103.050,000 133.325,000 12,00 0,000 2.045,000 112.580,000 3.609,000 512,000 13,00 0,000 85.005,000 410,000 733,000 14,00 0,000 75.917,000 101.380,000 15,00 0,000 2.105,000 16,00 0,000
tabel 3
Squared Euclidean Distance Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 10,00 11,00 6,7,12 13,00 14,00 15,00 16,00 1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 278.125,000 294.685,000 335.261,000 64.872,000 344.889,000 293.828,000 74.441,000 280.746,000 321.497,000
2,00 0,000 2.465,000 207.188,000 237.445,000 300.125,000 312.085,000 355.861,000 85.972,000 366.589,000 314.128,000 92.941,000 302.146,000 341.597,000 3,00 0,000 165.565,000 191.570,000 248.690,000 259.114,000 299.234,000 64.529,000 309.140,000 261.169,000 67.912,000 250.433,000 286.164,000
4,00 0,000 8.077,000 10.453,000 19.477,000 26.293,000 45.800,000 27.905,000 15.476,000 28.673,000 11.450,000 22.945,000
5,00 0,000 5.920,000 5.108,000 12.132,000 81.881,000 14.426,000 5.965,000 55.378,000 5.525,000 9.626,000
8,00 0,000 3.140,000 3.796,000 99.937,000 4.234,000 773,000 73.586,000 61,000 2.762,000
9,00 0,000 1.808,000 122.473,000 2.938,000 941,000 90.722,000 2.329,000 1.018,000
10,00 0,000 141.401,000 146,000 1.453,000 108.682,000 3.089,000 146,000
11,00 0,000 145.197,000 114.308,000 2.885,000 103.050,000 133.325,000
6,7,12 0,000 2.045,000 112.580,000 3.609,000 512,000
13,00 0,000 85.005,000 410,000 733,000
14,00 0,000 75.917,000 101.380,000
15,00 0,000 2.105,000
16,00 0,000
tabel 4
Squared Euclidean Distance Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 6,7,12,10 11,00 13,00 14,00 15,00 16,00 1,00 0,000 2.500,00
0 3.365,00
0 185.888,00
0 222.245,00
0 278.125,00
0 294.685,000 335.261,00
0 64.872,000 293.828,000 74.441,000 280.746,00
0 321.497,00
0 2,00 0,000 2.465,00
0 207.188,00
0 237.445,00
0 300.125,00
0 312.085,000 355.861,000 85.972,000 314.128,000 92.941,000 302.146,00
0 341.597,00
0 3,00 0,000 165.565,00
0 191.570,00
0 248.690,00
0 259.114,000 299.234,00
0 64.529,000 261.169,000 67.912,000 250.433,00
0 286.164,00
0 4,00 0,000 8.077,000 10.453,000 19.477,000 26.293,000 45.800,000 15.476,000 28.673,000 11.450,000 22.945,000
5,00 0,000 5.920,000 5.108,000 12.132,000 81.881,000 5.965,000 55.378,000 5.525,000 9.626,000
8,00 0,000 3.140,000 3.796,000 99.937,000 773,000 73.586,000 61,000 2.762,000
9,00 0,000 1.808,000 122.473,000
941,000 90.722,000 2.329,000 1.018,000
6,7,12,10 0,000 141.401,000 1.453,000 108.682,00
0 3.089,000 146,000
11,00 0,000 114.308,000 2.885,000 103.050,000
133.325,000
13,00 0,000 85.005,000 410,000 733,000
14,00 0,000 75.917,000 101.380,000
15,00 0,000 2.105,000
16,00 0,000
tabel 5
Squared Euclidean Distance
Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 11,00 13,00 14,00 15,00 6,7,12,10,1
6
1,00 0,000 2.500,000
3.365,000
185.888,000
222.245,000
278.125,000
294.685,000 64.872,000 293.828,000
74.441,000 280.746,000
321.497,000
2,00 0,000 2.465,000
207.188,000
237.445,000
300.125,000
312.085,000 85.972,000 314.128,000
92.941,000 302.146,000
341.597,000
3,00 0,000 165.565,000
191.570,000
248.690,000
259.114,000 64.529,000 261.169,000
67.912,000 250.433,000
286.164,000
4,00 0,000 8.077,000 10.453,000 19.477,000 45.800,000 15.476,000 28.673,000 11.450,000 22.945,000
5,00 0,000 5.920,000 5.108,000 81.881,000 5.965,000 55.378,000 5.525,000 9.626,000
8,00 0,000 3.140,000 99.937,000 773,000 73.586,000 61,000 2.762,000
9,00 0,000 122.473,000
941,000 90.722,000 2.329,000 1.018,000
11,00 0,000 114.308,000
2.885,000 103.050,000
133.325,000
13,00 0,000 85.005,000 410,000 733,000
14,00 0,000 75.917,000 101.380,000
15,00 0,000 2.105,000
6,7,12,10,16 0,000
tabel 6
Squared Euclidean Distance
Case 1,00 2,00 3,00 4,00 5,00 8,00 9,00 11,00 6,7,12,10,16,
13 14,00 15,00
1,00 0,000 2.500,000
3.365,000 185.888,000
222.245,000
278.125,000 294.685,000
64.872,000 293.828,000 74.441,000 280.746,000
2,00 0,000 2.465,000 207.188,000
237.445,000
300.125,000 312.085,000
85.972,000 314.128,000 92.941,000 302.146,000
3,00 0,000 165.565,000
191.570,000
248.690,000 259.114,000
64.529,000 261.169,000 67.912,000 250.433,000
4,00 0,000 8.077,000 10.453,000 19.477,000 45.800,000 15.476,000 28.673,000 11.450,000
5,00 0,000 5.920,000 5.108,000 81.881,000 5.965,000 55.378,000 5.525,000
8,00 0,000 3.140,000 99.937,000 773,000 73.586,000 61,000
9,00 0,000 122.473,000
941,000 90.722,000 2.329,000
11,00 0,000 114.308,000 2.885,000 103.050,000
6,7,12,10,16,13 0,000 85.005,000 410,000
14,00 0,000 75.917,000
15,00 0,000
tabel 7
Squared Euclidean Distance
Case 1,00 2,00 3,00 4,00 5,00 6,7,8,10,12,13,
16 9,00 11,00 14,00 15,00
1,00 0,000 2.500,000 3.365,000 185.888,00
0 222.245,00
0 278.125,000 294.685,000 64.872,000 74.441,000 280.746,00
0
2,00 0,000 2.465,000 207.188,000
237.445,000
300.125,000 312.085,000
85.972,000 92.941,000 302.146,000
3,00 0,000 165.565,000
191.570,000 248.690,000 259.114,00
0 64.529,000 67.912,000 250.433,000
4,00 0,000 8.077,000 10.453,000 19.477,000 45.800,000 28.673,000 11.450,000
5,00 0,000 5.920,000 5.108,000 81.881,000 55.378,000 5.525,000
6,7,8,10,12,13,16 0,000 3.140,000 99.937,000 73.586,000 61,000
9,00 0,000 122.473,000 90.722,000 2.329,000
11,00 0,000 2.885,000 103.050,000
14,00 0,000 75.917,000
15,00 0,000
tabel 8
Squared Euclidean Distance Case
1,00 2,00 3,00 4,00 5,00 9,00 11,00 14,00 6,7,8,10,12,13,15,16
1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 294.685,000 64.872,000 74.441,000 280.746,000
2,00 0,000 2.465,000 207.188,000 237.445,000 312.085,000 85.972,000 92.941,000 302.146,000
3,00 0,000 165.565,000 191.570,000 259.114,000 64.529,000 67.912,000 250.433,000
4,00 0,000 8.077,000 19.477,000 45.800,000 28.673,000 11.450,000
5,00 0,000 5.108,000 81.881,000 55.378,000 5.525,000
9,00 0,000 122.473,000 90.722,000 2.329,000
11,00 0,000 2.885,000 103.050,000
14,00 0,000 75.917,000
6,7,8,10,12,13,15,16 0,000
tabel 9
Squared Euclidean Distance Case
1,00 2,00 3,00 4,00 5,00 6,7,8,9,10,12,13,15,16 11,00 14,00
1,00 0,000 2.500,000 3.365,000 185.888,000 222.245,000 294.685,000 64.872,000 74.441,000
2,00 0,000 2.465,000 207.188,000 237.445,000 312.085,000 85.972,000 92.941,000
3,00 0,000 165.565,000 191.570,000 259.114,000 64.529,000 67.912,000
4,00 0,000 8.077,000 19.477,000 45.800,000 28.673,000
5,00 0,000 5.108,000 81.881,000 55.378,000
6,7,8,9,10,12,13,15,16 0,000 122.473,000 90.722,000
11,00 0,000 2.885,000
14,00 0,000
tabel 10
Squared Euclidean Distance Case
1,00 2,30 4,00 5,00 6,7,8,9,10,12,13,15,16 11,00 14,00
1,00 0,000 3.365,000 185.888,000 222.245,000 294.685,000 64.872,000 74.441,000
2,30 0,000 165.565,000 191.570,000 259.114,000 64.529,000 67.912,000
4,00 0,000 8.077,000 19.477,000 45.800,000 28.673,000
5,00 0,000 5.108,000 81.881,000 55.378,000
6,7,8,9,10,12,13,15,16 0,000 122.473,000 90.722,000
11,00 0,000 2.885,000
14,00 0,000
tabel 11
Squared Euclidean Distance
Case 1,00 2,30 4,00 5,00 6,7,8,9,10,12,13,15,16 11,14
1,00 0,000 3.365,000 185.888,000 222.245,000 294.685,000 74.441,000
2,30 0,000 165.565,000 191.570,000 259.114,000 67.912,000
4,00 0,000 8.077,000 19.477,000 28.673,000
5,00 0,000 5.108,000 55.378,000
6,7,8,9,10,12,13,15,16 0,000 90.722,000
11,14 0,000
tabel 12
Squared Euclidean Distance
Case 1,00 2,30 4,11,14 5,00 6,7,8,9,10,12,13,15,16
1,00 0,000 3.365,000 185.888,000 222.245,000 294.685,000
2,30 0,000 165.565,000 191.570,000 259.114,000
4,11,14 0,000 8.077,000 19.477,000
5,00 0,000 5.108,000
6,7,8,9,10,12,13,15,16 0,000
tabel 13
Squared Euclidean Distance
Case 1,2,3 4,11,14 5,00 6,7,8,9,10,12,13,15,16
1,2,3 0,000 185.888,000 222.245,000 294.685,000
4,11,14 0,000 8.077,000 19.477,000
5,00 0,000 5.108,000
6,7,8,9,10,12,13,15,16 0,000
tabel 14
Squared Euclidean Distance
Case 1,2,3 4,11,14 5,6,7,8,9,10,12,13,15,16
1,2,3 0,000 185.888,000 222.245,000
4,11,14 0,000 8.077,000
5,6,7,8,9,10,12,13,15,16 0,000
tabel 15
Squared Euclidean Distance
Case 1,2,3 4,11,14,5,6,7,8,9,10,12,13,15,16
1,2,3 0,000 222.245,000
4,11,14,5,6,7,8,9,10,12,13,15,16 0,000