ANALISIS KLASTER (CLUSTER ANALYSIS)
Analisis klaster (cluster analysis) adalah suatu analisis statistik multivariate yang dapat mengelompokkan variabel dan obyek berdasarkan karakteristik yang dimilikinya, dalam hal ini biasanya digunakan Hierarchical Cluster Analysis.
Sebagai contoh :
Manajemen peternakan babi bali di 3 desa, kecamatan Gerogak, Kabupaten Buleleng di nilai apakan manajemen yang dilakukan intensif (1), Seme intensif (2) atau ekstensif (3)
Tabel Data Manajemen Peternakan Babi Bali
Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok keri bawah, kemudian pada Kolom Name ketik, Peternak, Kandang, Lantai , Pakan, Kawin, Umur_Induk, Anak_Jantan, Mati_Lahir, Mati_Sapih dan Mati_Sapih Kolom Type String untuk Peternak dan Numericuntuk yang lain, kolom Label ketik Peternak, Kandang Lantai, Pakan, Kawin, Umur Induk, Anak Jantan, Mati Lahir Mati Sapih dan Mati Sapih maka diperoleh Gambar Kotak Dialog Variable View
Gambar Kotak Dialog Variable View
Klik Data View, maka diperoleh Gambar Kotak Diolog Data View, lengkapi atau salin Tabel Data Manajemen Peternakan Babi Bali, sehingga diperoleh Gambar Kotak Diolog Data Viewyang telah dilengkapi dengan datanya
Gambar Kotak Dialog Data View
Klik Analyze, kemudian pilih Classifi, lalu klik Hierarchical Cluster, maka diperoleh Gambar Hierarchical Cluster Analysis. Pindahkan Kandang, Lantai, Pakan, Kawin, Umur Induk, Anak Jantan, Mati Lahir, Mati Sapih dan Jumlah Anak dengan tanda ► ke Vasriables(s), klik Variables, kemudian centang Statistics dan Plot.
Gambar Hierarchical Cluster Analysis.
Klik Statistics, maka muncul Gambar Hierarchical Cluster Analysis Statistics, centang Agglomeration schedule, kemudian klik Range of solution, ketik pada kotak Minimum number of clusters angka 3 dan Maximum number of clusters angka 4 dan Maximum
Gambar Hierarchical Cluster Analysis Statistics
Klik Continue, maka kembali ke Gambar Hierarchical Cluster Analysis, klik Plot, lalu centang Dendrogram, pilih atau klik All clusters dan Vertical, klik Continue, maka kembali ke Gambar Hierarchical Cluster Analysis.
Klik OK, maka diperoleh hasil sebagai berikut :
Kesimpulan :
Berdasar Cluster Membership, bila dibagi 3 cluster maka cluster 1 terdiri dari Kandang, Lantai dan Mati lahir, cluster 2 terdiri dari Pakan dan Umur Induk cluster 3 terdiri dari Kawin, Mati Sapih, Anak Jantan, dan Jumlah Anak. Sebaliknya jika dibagi 4 cluster Mati lahir tidak masuk cluster 1, tetapi membentuk cluster sendiri yaitu cluster 4.
Jika dilihat dari grafik dendrogram lebih cocok dipadi menjadi 3 cluster
Klasterisasi berdasarkan Objek (Cases)
Jika kita ingin melakukan cluster berdasarkan Objek, maka kita kembali ke Gambar Hierarchical Cluster Analysis, klik Cases, kemudia pindahkan Peternak ke Label Casses by, maka diperoleh Gambar Hierarchical Cluster Analysis Cases.
Gambar Hierarchical Cluster Analysis Cases
Klik OK, maka diperoleh hasil sebagai berikut :
Kesimpulan :
Berdasar Cluster Membership, bila dibagi 3 cluster maka cluster 1 hanya terdiri dari Peternak A, cluster 3 terdiri dari Peternak H, Peternak J dan Peter J, sedang Peternak lain termasuk cluster 2. Sebaliknya jika dibagi 4 cluster Peternak J tidak masuk cluster 3, tetapi membentuk cluster sendiri yaitu cluster 4.
Jika dilihat dari grafik dendrogram lebih cocok dipadi menjadi 3 cluster.
Klasterisasi dengan Variabel dan Objek Penciri (Determinatvariable dan Determinatobject)
Untuk mempermudah menyimpulkan dan lebih komonikatif pada variabel atau objek bisa ditambahkan penciri, pada contoh ini ditambahkan penciri intensif (1), Semi intensif (2) dan ekstensif (3)
Jika ditambahkan Variabel Penciri misalnya (1: Intensif, 2: Semi Intensi dan 3 :Ekstensif), maka diperoleh Gambar Kotak Dialog Variable View sebagai berikut :
Gambar Kotak Dialog Variable View
Jika di klik Data View, maka diperoleh Gambar Kotak Dialog Data View sebagai berikut :
Gambar Kotak Dialog Data View
Jika dianalisis dengan cara yang sama, seperti tanpa Variabel Penciri, dengan memasukkan Variabel Penceiri ke Variables(s), maka diperoleh Gambar Hierarchical Cluster Analysis
Gambar Hierarchical Cluster Analysis
KLik OK, maka diperoleh hasil sebagai berikut :
Kesimpulan :
Berdasarkan Cluster Membership dan Grafik Dendrogram dapat disimpulkan bahwa yang tergolong manajemen Ekstensif adalah : Mati Sapih, Kawin, Anak Jantan dan Jumlah Anak, yang termasuk Semi Intensif adalah : Paikan, Umur Induk dan Mati Lahir, yang termasuk Intensif adalah : Kandang dan Lantai Kandang.
Jika ditambahkan Objek Penciri misalnya (1: Intensif, 2: Semi Intensi dan 3 :Ekstensif), maka diperoleh Gambar Kotak Dialog Variable View tetap tidak berubah sebagai berikut :
Gambar Kotak Dialog Variable View
Jika di klik Data View, maka diperoleh Gambar Kotak Dialog Data View sebagai berikut :
Gambar Kotak Dialog Data View
Jadi ditambahkan baris 11, 12 dan 13, Jika dianalis untuk mencari Cluster berdasarkan Objek seperti Gambar Hierarchical Cluster Analysis.
Gambar Hierarchical Cluster Analysis
Klik OK, maka akan diperoleh hasil sebagau berikut :
Kesimpulan :
Berdasarkan Cluster Membership yang dipilih adalah terbagi dalam 3 cluster cluster1adalah Ekstensif yaitu hanya terdiri dari peternak A, cluster 2 adalah Semi Intensif yaitu selain Peternak A (Peternak B, C, D, E, F, G, H), tidak ada Peternak yang melakukan manajemen peternakan secara Intensif.
Grafik Dendrogram dapat disimpulkan bahwa yang tergolong manajemen Ekstensif adalah Peternak A, sedangkan yang lainnya adalah Semi Intensif, belam ada Peternak yang melakukan manajemen peternakan secara Intensif.:
PUSTAKA
1. Sampurna IP, Nindhia TS, Sukada IM. (2015). Dendrogram Simulations with Determinatvariable Identifer to Determine the Farm Classification Systems of Bali Pigs. International Journal of Science and Research (IJSR). ISSN (Online): 2319-7064 Index Copernicus Vol. 6. Issue 10. Impact Factor (2015): 6.391.
2.Parwata DMD, Sampurna IP, Sukada IM, Agustina KK. 2019. Klasterisasi manajemen pengolahan limbah sapi bali pada simantri di Kabupaten Badung. Bul. Vet. Udayana. 11(1): 51-57.
Data Manajemen Peternakan Babi bisa dicopy atau disalin ke Program SPSS
コメント