Metode Hirarki dengan SPSS

4. Beberapa tools dalam SPSS Statistics 16.0 dapat dilihat pada Gambar 3.8. Pengolahan data dapat dilakukan dengan memanfaatkan tools yang tersedia sesuai dengan yang diinginkan pengguna. Gambar 3.8. Tools SPSS Statistics 16.0

6.12.1. Metode Hirarki dengan SPSS

25 Prosedur hirarki digunakan untuk mengidentifikasi kelompok-kelompok yang relatif homogen dari sebuah kasus variabel berdasarkan karakteristik terpilih, menggunakan algoritma yang dimulai dengan setiap kasus variabel dalam sebuah cluster terpisah dan menggabungkan cluster sampai hanya satu yang tersisa. Variabel dianalisis atau memilih dari berbagai standarisasi transformasi. Langkah-langkah jarak atau kesamaan dihasilkan dari prosedur proximities. Statistik yang ditampilkan pada setiap tahap sangat membantu untuk memilih solusi terbaik. Untuk memproleh sebuah analisis cluster hirarki dapat dimulai dari tampilan menu, klik Anlyze, Classify, dan Hirarchial Cluster. Maka akan muncul tampilan seperti Gmabar 3.9. 25 SPSS Inc. SPSS Statistics Base 16.0 User’s Guide : SPSS Inc, Chicago, 2008, Hal 412-416. Universitas Sumatera Utara a b Gambar 3.9. a Tampilan Hirarchial Cluster b Tampilan Hirarchial Cluster Method Pada kotak Label Cases By pilih objek dari data. Pada kolom Variabels pilih variabel-variabel yang telah dimasukkan pada variabel view. Kemudian pilih statistics metode pengukuran jarak dapat di pilih pada tampilan berikutnya. Ada beberapa alternatif untuk metode cluster yaitu between-groups linkage, within-groups linkage, nearest neighbor, furthest neighbor, centroid clustering, median clustering, and Ward’s method. Pengukuran akan memungkinkan untuk membuat spesifikasi pengukuran keterbedaan dalam analisis yang dilakukan. Caranya dengan memilih satu alternatif dari Measure pengukuran yang berhubungan dengan tipe data. 1. Data Interval, beberapa alternatif pengukuran: Euclidean distances, squared Euclidean distance, Pearson Corellation, Chebychev, Block Manhattan distance, Minkowski, dan customized. 2. Data Count, pengukuran Chi-square atau Phi-square. 3. Data Binary, pengukuran Euclidean distances, squared Euclidean distance, Size difference, Pattern difference, Variance, atau Lance dan Williams. Universitas Sumatera Utara Pengukuran nilai-nilai yang ditransformasi digunakan : 1. Z Scores. Semua nilai distandarisasi ke dalam nilai Z, dengan rata-rata sebesar 0 dan simpangan baku sebesar 1. 2. Range -1 to 1. Masing-masing nilai untuk item tertentu yang sedang distandarisasi dibagi dengan jarak semua nilai. 3. Range 0 to 1. Prosedur mengurangi nilai minimum dari masing-masing item yang sedang distandarisasi kemudian dibagi dengan jarak. 4. Maximum magnitude of 1. Prosedur untuk membagi masing-masing nilai untuk item tertentu yang sedang distandarisasi dengan jumlah maksimum semua nilai. 5. Mean of 1. Prosedur untuk membagi masing-masing nilai untuk item tertentu yang sedang distandarisasi dengan rata-rata semua nilai. 6. Standard deviation of 1. Prosedur untuk membagi masing-masing nilai untuk variabel atau kasus tertentu yang sedang distandarisasi dengan simpangan baku semua nilai. Adapun output dari proses pengelompokan adalah Agglomeration schedule untuk menampilkan proses kombinasi cluster pada setiap tahap dan jarak antara cluster yang digabungkan. Proximity matrix untuk memberi jarak-jarak atau kemiripan antara item. Cluster membership untuk menunjukkan anggota item dari cluster. Dan dendogram merupakan gambaran yang menunjukkan anggota cluster yang ada jika akan ditentukan beberapa cluster yang seharusnya dibentuk. Langkah-langkah melakukan analisis dengan cara sebagai berikut : 1. Meng- input data Objek dan Variabel. Universitas Sumatera Utara 2. Klik Analyze : pilih Descriptives Statistics kemudian pilih Descriptives. Masukkan semua variabel ke kolom Variable s. Klik Save standardized values as variables. Klik Ok. 3. Klik analyze: pilih Classify kemudian pilih Hierarchial Cluster. 4. Masukkan seluruh variabel yang telah distandardkan Z-score ke dalam kolom Variable s. Isikan objek ke kolom Label Cases by. Klik Cases pada bagian Cluster. Pada bagian Display pilih Statistics dan Plots. 5. Klik tombol Statistics. Cek aktifkan Agglomeration Schedule dan Proximity matrix. Pada bagian Cluster Mambership pilih Range of Solutions kemudian ketikkan kelompok yang diinginkan yang kira-kira akan terbentuk pada kolom Minimum number cluster dan Maximum number cluster. Klik Continue. 6. Klik Plot. Cek Dendogram pada bagian Icicle pilih None. Klik Continue. 7. Klik Method. Pada Cluster Method pilih algoritma pengelompokan. Pada Measure pilih pengukuran jarak. Pada Transform Value pilih Z-scores. Klik Continue. 8. Klik Ok untuk memulai perhitungan.

6.13. Matrix Laboratory Matlab Versi R2008b