201
dapat ditampilkan dalam bentuk dendogram atau diagram pohon, dimana
dahan atau
cabang dari
diagram pohon
tersebut menggambarkan clusternya.
9.2.2.2. Keterhubungan menyeluruh Complete Linkage
Furthest Neighbor
Jarak antar cluster pada metode Complete Linkage atau disebut juga metode pautan lengkap, ditentukan dari jarak terjauh antara dua obyek
pada cluster yang berbeda furthest neighbor. Metode ini dapat digunakan dengan baik untuk kasus dimana obyek-obyek yang ada
berasal dari kelompok yang benar-benar berbeda. Langkah pertama yang harus dilakukan adalah sama seperti kasus single
linkage yaitu harus menemukan jarak terdekat antar cluster-cluster
tersebut, dirumuskan dengan D ={d
ik
}. Kemudian menggabungkan obyek-obyek yang sesuai, misalkan obyek tersebut dilambangkan
dengan cluster U dan cluster V untuk mendapatkan cluster gabungan UV.
Untuk menghitung jarak cluster UV dengan cluster-cluster yang lain dapat dirumuskan dengan :
d
UVW
= max {d
UW
,d
VW
} Catatan: nilai d
UW
dan d
VW
menggambarkan jarak terjauh antara cluster U
dengan W serta V dengan W.
9.2.2.3. Keterhubungan Rataan Average Linkage
Jarak antar cluster pada metode Average Linkage atau disebut juga metode pautan rataan, ditentukan dari rata-rata jarak seluruh objek suatu
cluster terhadap seluruh objek pada cluster lainnya. Pada berbagai keadaan, metode ini dianggap lebih stabil dibandingkan dengan kedua
metode di atas.
202
Langkah pertama yang harus dilakukan adalah sama seperti kasus single atau complete linkage
yaitu harus menemukan jarak terdekat antar cluster-cluster tersebut, dirumuskan dengan D ={d
ik
}. Kemudian menggabungkan obyek-obyek yang sesuai, misalkan obyek tersebut
dilambangkan dengan cluster U dan cluster V untuk mendapatkan cluster gabungan UV.
Untuk menghitung jarak cluster UV dengan cluster-cluster yang lain dapat dirumuskan dengan :
d
UVW
= rata-rata {d
UW
,d
VW
} Catatan: nilai d
UW
dan d
VW
menggambarkan jarak rata-rata antara cluster U dengan W serta V dengan W.
9.2.2.4. Algoritma dan metode pengelompokan hirarki
lainnya
Secara umum, algoritma untuk metode pengelompokan hirarki adalah : 1.
Tentukan matriks jarak antar data atau kelompok 2.
Gabungkan dua data atau kelompok terdekat ke dalam kelompok yang baru
3. Tentukan kembali matrik jarak tersebut.
4. Lakukan langkah 2 dan 3 sampai semua data masuk dalam satu
kelompok Hasil pengelompokan tersebut dapat digambarkan dengan diagram
pohon 3 dendrogram atau vicicle plot. Jumlah kelompok yang terjadi ditentukan dari dendrogram yang terjadi dan tergantung subyektivitas
peneliti. Namun demikian pemisahan kelompok biasanya ditentukan berdasarkan jarak penggabungan terbesar.
Sebenarnya masih banyak jenis dari metode analisis hierarki, Unweighted Pair-Group Average, Weighted Pair-Group Average, Unweighted Pair-
203
Group Centroid, Weighted Pair-Group Centroid, dan
Ward’s Method,
tetapi karena kompleksitas pemakaiannya, motode ini relatif jarang digunakan.
9.2.2.5. Ilustrasi Metode Hierarkhi
