Analisis cluster
Mengelompokkan responden berdasarkan kemiripan.
Untuk apa dipakai
- Mengklasifikasi atau memprediksi
Data yang dibutuhkan
Beberapa kolom angka sebagai dasar pengelompokan.
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Cara membaca hasilnya
Mengelompokkan responden yang mirip.
- Jumlah dan ukuran kelompok
- Kelompok yang terlalu kecil biasanya kurang berarti.
- Ciri tiap kelompok
- Bandingkan rata-rata tiap variabel antarkelompok untuk memberi nama kelompok.
- Ukuran kualitas (silhouette)
- Makin mendekati 1 makin jelas pemisahannya; di bawah 0,25 kurang meyakinkan.
Perlu diwaspadai
- Jumlah kelompok adalah pilihan; uji beberapa jumlah dan pilih yang paling bermakna.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
Metode hierarkis (Ward, average, complete, atau single linkage) menggabungkan responden paling mirip secara bertahap, cocok untuk data berukuran sedang (dibatasi maksimal 3.000 responden). K-Means mempartisi data langsung ke dalam k cluster lewat iterasi (k-means++, 15 percobaan awal), cocok untuk data besar.
Variabel sebaiknya dibakukan (skor-z) sebelum clustering agar variabel dengan satuan atau rentang besar tidak mendominasi perhitungan jarak.
z = (x − rata-rata) / simpangan baku
Untuk setiap k dari 2 hingga batas maksimum, dihitung rata-rata silhouette, indeks Calinski-Harabasz, dan jumlah kuadrat dalam cluster (WSS). Silhouette tertinggi menjadi saran jumlah cluster, meski keputusan akhir boleh mempertimbangkan kebermaknaan substantif.
silhouette(i) = (b(i) − a(i)) / maks(a(i), b(i))
Untuk k yang dipilih, dihitung ukuran dan kualitas (rata-rata silhouette) tiap cluster, rata-rata variabel per cluster dalam satuan asli (dengan F deskriptif sebagai penunjuk, bukan uji hipotesis sah karena cluster dibentuk dari data yang sama), serta profil skor-z untuk menamai karakter tiap cluster.
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| Rata-rata silhouette | > 0,70 struktur kuat; 0,51–0,70 wajar; 0,26–0,50 lemah; ≤ 0,25 tidak ada struktur berarti | Kaufman & Rousseeuw (1990) |
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
- Kaufman, L., & Rousseeuw, P. J. (1990). Finding groups in data: An introduction to cluster analysis. John Wiley & Sons.
- Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65.
- Calinski, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics, 3(1), 1–27.
- Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58(301), 236–244.
- Arthur, D., & Vassilvitskii, S. (2007). k-means++: The advantages of careful seeding. Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms, 1027–1035.
Kaufman & Rousseeuw (1990); Ward (1963)
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.