9 frekuensi makan dalam sehari, biaya kesehatan, pendidikan tertinggi kepala
rumah tangga, dan tabungan [12].
2.3 Analisis Klaster
Analisis klaster merupakan teknik multivariate banyak variabel yang berfungsi mengelompokkan beberapa variabel atau objek [9]. Dalam
analisis klaster, ingin mengetahui pengaruh dari setiap variabel bebas, baik secara individu maupun bersama terhadap variabel tidak bebas.
Tujuan utama analisis klaster adalah mengklasifikasi objek seperti orang, produk atau barang, perusahaan, ke dalam kelompok-kelompok yang
homogeny dan didasarkan pada suatu set variabel yang dipertimbangkan untuk diteliti. Pembentukan klaster didasarkan pada kuat tidaknya hubungan
antar variabel. Suatu objek dimasukkan ke dalam suatu klaster atau kelompok sehingga lebih berhubungan berkorelasi dengan objek lainnya
di dalam klasternya dibandingkan dengan objek di klaster lain. Terdapat dua metode dalam analisis klaster, yaitu metode hirarki dan
metode non-hirarki. Pada metode non-hirarki umumnya digunakan jika banyaknya satuan pengamatan besar dan banyaknya klaster telah ditentukan
sebelumnya. Sedangkan pada metode hirarki banyaknya satuan pengamatan tidak begitu besar dan banyaknya klaster tidak ditentukan sebelumnya.
10
2.4 Ukuran Kemiripan
Ukuran kemiripan yang biasa digunakan dalam analisis klaster adalah jarak Euclidean dan jarak Mahalanobis [4]. Jarak Euclidean
digunakan jika variabel amatan saling bebas atau tidak berkorelasi satu sama
lain tidak
terjadi multikolinieritas.
Namun jika
terjadi multikolinieritas, dapat diatasi dengan mentransformasi data menggunakan
Principle Component Analysis PCA karena bila data yang digunakan dalam analisis klaster adalah data skor komponen dari hasil PCA, maka
tidak akan ditemukan lagi adanya Multikolinieritas [7]. Jarak Euclidean dirumuskan sebagai berikut :
d
i,j =
∑ −
i= 1...471 ; j = 1 ... 7 2.1
dimana d
i,j
= jarak antara objek i dan objek j x
ik
= nilai objek i pada variabel ke k x
jk
= nilai objek j pada variabel ke k p
= banyak variabel yang diamati Jika terjadi multikolinieritas selain dengan mentransformasi data
dengan PCA dapat juga menggunakan ukuran jarak Mahalanobis. Jarak Mahalanobis dirumuskan sebagai berikut :
di,j = −
−
= 1,2,3, . .471
;
= 1,2,3, . . ,7
2.2
dengan x
i
dan x
j
sebagai vektor dari nilai objek i dan j, sedangkan S merupakan matriks kovarian.
11
2.5 K-Means Klaster
Kategori