Analisis Cluster pada Data American New

Analisis Cluster pada Data American New Cars and
Truk tahun 2014 dengan Metode Hirarki dan NonHirarki
Ikacipta Mega Ayuputri, M. Alifian Nuriman, Ratna Juwita, M. Alfan Alfian Riyadi, Dr. Bambang W. Otok
Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail : bambang_wo@statistika.its.ac.id
Abstrak — Transportation is one of the industrial that grow
ada. Clustering dengan pendekatan hirarki, mengelomrapidly. The production and sales of cars and truck are
pokkan data dengan membuat suatu hirarki berupa dendoincreasing year by year in United States of America. There are
gram (tree) dimana data yang mirip akan ditempatkan pada
some indicators to determine the price of vehicle. One of them
hirarki yang berdekatan dan yang tidak pada hirarki yang
is vehicle’s spesification. They are horsepower, wheel base,
berjauhan. Tujuan dari laporan ini adalah pengelompokan
weight, length and widht. Those spesifications can classify the
jenis kendaraan berdasarkan data penjualan kendaaraan di
vehicle into some group. The data of vehicles’ name and their
Amerika Serikat pada tahun 2004 beserta spesifikasinya.
spesification in in United States of America on 2004 will be
analyzed using clustering analysis. They are consist of single

linkage, complete linkage and K-Means. The next step is choose
the optimum cluster that can formed by each method using the
value of pseudo f. After that is calculate the internal cluster
dispersion rate (icdrate) of each method and choose the
smallest one. The result from all of methods deliver the same
conclusio. The optimum cluster that formed is two clusters but
each method has different member of it cluster. The best
method based on the value of icdrate is Single Linkage with two
clusters.
Key word—Clustering, Complete Linkage, icdrate, K-Means,
Pseudo f, Single Linkage, Vehicle.

S

I. PENDAHULUAN
alah satu industri yang paling berkembang saat ini
adalah industri transportasi. Produksi dan
penjualan mobil maupun truk sangat diperhatikan
oleh industri transportasi ini. Penjualan kendaraan
dari tahun ke tahun meningkat di berbagai negara, tak

terkecuali Amerika Serikat. Indikator yang paling penting
dalam menentukan harga kendaraan adalah spesifikasi
kendaraan. Spesifikasi kendaraan tersebut meliputi
horsepower, panjang dan lebar kendaraan, berat kendaraan,
serta wheelbase. Beberapa spesifikasi yang ada pada
kendaraan dapat digunakan untuk mengelompokkan ke
dalam jenis apa kendaraan tersebut. Objek dalam suatu
kelompok yang terbentuk diharapkan memiliki kemiripan
dengan objek lain pada kelompok yang sama, tetapi sangat
tidak mirip dengan objek pada cluster yang lain. Oleh
karena itu, akan dilakukan pengelompokkan kendaraan
dengan data penjualan kendaraan di Amerika Serikat pada
tahun 2004 beserta spesifikasinya berdasarkan jenis
kendaraannya dengan menggunakan metode clustering.
Analisis cluster digunakan untuk mengelompokkan
obyek-obyek pengamatan menjadi beberapa kelompok
sehingga akan diperoleh kelompok dimana obyek-obyek
dalam satu kelompok tersebut mempunyai persamaan
sedangkan dengan anggota kelompok lain mempunyai
perbedaan [1]. Dalam mengembangkan metode clustering

terdapat beberapa pendekatan, diantaranya dengan
pendekatan hirarki dan pendekatan non-hirarki. Clustering
dengan pendekatan non-hirarki dapat menggunakan
metode K-means, mengelompokkan data dengan memilahmilah data yang dianalisa ke dalam cluster-cluster yang

II. TINJAUAN PUSTAKA
A. Analisis Cluster
Analisis cluster (analisis kelompok) adalah metode
analisis yang digunakan untuk mengelompokkan obyekobyek pengamatan menjadi beberapa kelompok sehingga
akan diperoleh kelompok dimana obyek-obyek dalam satu
kelompok tersebut mempunyai persamaan sedangkan
dengan anggota kelompok lain mempunyai perbedaan [1].
Secara umun dalam melakukan analisis cluster terdapat
dua metode yang digunakan, yaitu pengelompokan secara
hirarki dan pengelompokan secara non-hirarki. Jarak yang
digunakan adalah euclidean dengan rumus sebagai berikut.

d ( i, k ) =

√∑ ( x −x )

2

j

ij

kj

(1)

Di mana d(i,k) adalah jarak antara observasi i dengan k.
B. Analisis Cluster Secara Hirarki
Analisis cluster merupakan teknik pengelompokan
dimana belum diketahuinya asumsi berapa banyak grup
atau struktur grup yang terbentuk. Pengelompokan
dilakukan berdasarkan kemiripan atau ketidakmiripan [2].
Salah satu teknik clustering yang popular adalah dilakukan
secara hirarki. Dinamakan hirarki sebab pengelompokan
dilakukan secara bertahap dengan menggabungkan objek

yang diamati kemiripannya ke dalam suatu cluster
berdasarkan karakteristik tertentu. Terdapat beberapa jenis
clustering secara hirarki, diantaranya yaitu Single Linkage,
Complete Linkage, Average Linkage, dan Ward’s
Hierarchical Clustering Method.
Berikut ini prosedur untuk melakukan pembentukan
cluster secara hirarki
a. Mendapatkan matriks jarak D = {dik} dan menetapkan
akan ada sebanyak N cluster yang dapat terbentuk,
dimana N adalah banyak objek yang diamati.
b. Menentukan matriks jarak untuk kedekatan antar
cluster.
c. Menggabungkan cluster yang terbukti memiliki
kedekatan.
d. Mengulang langkah c sebanyak N-1 kali hingga diperoleh banyaknya cluster yang terbentuk dan seberapa
dekat jarak antar cluster tersebut.
Hasil penggabungan tersebut dapat diuraikan atau

dijelaskan dengan baik secara visual oleh dendrogram.
1. Single Linkage

Single
linkage
merupakan
metode
untuk
mengelompokkan objek ke dalam cluster berdasarkan
kedekatan dengan objek lainnya. Berdasarkan prosedur
pembentukan cluster di atas, metode ini menggunakan
kriteria berikut.

d (UV ) W =min { d UW , d VW }
(2)
dimana jarak antara cluster (UV) dan cluster W
merupakan jarak minimal antara cluster U dan W atau
antara cluster V dan W [2].
2. Complete Linkage
Complete linkage merupakan metode untuk
mengelompokkan objek ke dalam cluster berdasarkan
ketidakmiripan dengan objek lainnya. Berdasarkan
prosedur pembentukan klaster di atas, metode ini

menggunakan kriteria berikut.
d ( UV ) W =max { d UW , dVW }
(3)

n

D. Calinski-Harabasz Pseudo F-Statistics
Pseudo F-statistics adalah salah satu metode yang
umum digunakan untuk menentukan banyaknya kelompok
yang optimum [4]. Rumus Pseudo F-statistics ditulis
dalam persamaan berikut.

R2
k−1
Pseudo F−statistics=
2
1−R
n−k
SST
−SSW

2
R=
SST
n

c

(4)

(5)

p

SST =∑ ∑ ∑ ( x ijk−x́ j) 2
i=1 j=1 k=1

(6)

p

(7)

i=1 j=1 k=1

E. Internal Cluster Dispersion Rate
Beberapa macam metode untuk membandingkan hasil
pengelompokan dapat dilakukan berbagai cara dan
rumusan. Salah satunya dengan menghitung performansi
cluster dengan menghitung nilai SSB dari hasil pengolahan
data dan menghitung persebaran (internal cluster
dispersion rate) dalam masing-masing klaster yang telah
terbentuk. Semakin kecil nilai icdrate maka semakin baik
hasil pengelompokkannya. Membandingkan metode
cluster yang terbaik dengan nilai persebaran data-data
dalam cluster (internal cluster dispersion rate)
didefinisikan dengan persamaan berikut [5].

icdrate=1−
c

SSB
SST

(8)

p

SSB=∑ ∑ ( x jk− x́ j )2

(9)

j=1 k=1

dimana jarak antara cluster (UV) dan cluster W
merupakan jarak paling jauh antara cluster U dan W
atau antara klaster V dan W [2].
C. Analisis Cluster Secara Non-Hirarki
Teknik clustering dengan metode non-hirarki
menempatkan obyek ke dalam kelompok dimana jumlah
cluster ditentukan. Salah satu metode cluster non-hirarki

adalah K-means [2].
Prosedur metode K-means adalah dengan mempartisi
atau mengelompokan data ke dalam jumlah cluster yang
telah ditentukan peneliti. Kemudian secara iterative
melakukan pemindahan pengamatan pada antar cluster,
sampai beberapa kriteria numerik terpenuhi. Kriteria
menentukan
tujuan
yang
berhubungan
dengan
meminimalkan jarak pengamatan dari satu sama lain dalam
sebuah cluster dan memaksimalkan jarak antara cluster [3]
Algoritma pada metode clostering menggunakan KMeans adalah sebagai berikut.
1. Partisi data ke dalam K cluster sebagai inisiasi
2. Lanjutkan melalui daftar data, dengan melalui data
yang terdekat dengan mean. Hitung kembali mean
unruk cluster yang menerima maupun kehilangan data.
3. Ulangi langkah kedua hingga tidak ada penugasan yang
terjadi [2].

c

SSW =∑ ∑ ∑ ( xijk −x́ jk )2

III. METODOLOGI PENELITIAN
A. Sumber Data
Sumber data yang digunakan adalah data sekunder.
Data yang diperoleh berasal dari http://www.idvbook.com/
dengan judul “2004 Cars and Trucks” dan diambil pada
tanggal 29 April 2017 pukul 14.00 WIB [6].
B. Variabel Penelitian
Variabel yang digunakan pada penelitian ini sebanyak 6
variabel dengan 40 tipe kendaraan yang diamati. Berikut
ini tabel yang memuat variabel pada penelitian ini.
Tabel 1. Variabel Penelitian

No.
1
2
3
4
5
6

Variabel
X1
X2
X3
X4
X5
X6

Keterangan
Reatail price (US$)
Horsepower
Weight (pound)
Wheel Base (inches)
Length (inches)
Width (inches)

Satuan yang digunakan antar variabel memiliki
perbedaan sehingga perlu dilakukan standardize pada
variabel penelitian.
C. Langkah Analisis
Langkah analisis yang digunakan pada penelitian ini
adalah sebagai berikut.
1. Mengidentifikasi masalah dan tujuan penelitian.
2. Mengumpulkan data penjualan cars and trucks di
Amerika pada tahun 2004.
3. Melakukan analisis cluster dengan metode hirarki
(single linkage dan complete linkage).
4. Melakukan analisis cluster dengan metode non-hirarki
(K-means).
5. Membandingkan hasil analisis cluster dengan
menggunakan Pseudo F-statistics.
6. Menguji kebaikan model dari analisis cluster dengan
icdrate.
7. Menarik kesimpulan dan saran.

IV. HASIL DAN PEMBAHASAN
A. Pengecekan Missing Value
Analisis cluster dapat dilakukan pada data yang tidak
mengandung missing value. Apabila terdapat data yang
missing maka harus diatasi sebelum dianalisis lebih lanjut.
Berikut adalah tabel yang digunakan untuk mendeteksi
apakah pada data American new cars and trucks terdapat
missing value atau tidak.
Tabel 2. Pengecekan Missing Value

Valid
N Percent
40
100

N
0

Missing
Percent
0

N
40

Total
Percent
100

Tabel 2 menunjukkan bahwa data berjumlah 40 dan
tidak ada missing value sehingga data dapat dianalisis
lebih lanjut dengan analisis cluster.
B. Analisis Cluster dengan Single Linkage
Hasil olahan analisis cluster menggunakan metode
single linkage berdasarkan iterasi jarak Euclidian yang
terdiri dari minimum 2 cluster hingga maksimum 28
cluster.
Berikut merupakan dendogram pengelompokan data
menggunakan metode single linkage:

menggunakan dendogram, jumlah cluster bisa ditentukan
menggunakan pseudo f-statistics. Berikut ini merupakan
hasil perhitungan pseudo f-statistics pada metode single
linkage.
Tabel 4. Hasil Perhitungan Pseudo f-statistics pada Metode Single
Linkage

Metode Hirarki
Single Linkage (5 cluster)
Single Linkage (4 cluster)
Single Linkage (3 cluster)
Single Linkage (2 cluster)

Pseudo F-Statistics
4,838
5,552
5,164
6,158

Berdasarkan Tabel 4 hasil perhitungan manual dan pada
analisis cluster hirarki dengan metode Single Linkage
memiliki nilai pseudo f-statistics yang terbesar adalah
metode Single Linkage dengan jumlah cluster sebanyak 2
cluster. Hal ini dapat dikatakan bahwa pengelompokkan
yang optimum adalah sebesar 2 cluster. Hal ini juga
diperkuat dengan selisih dari banyak data (n) dengan stage
yang memiliki lompatan tertinggi pada coefficient dalam
Lampiran 1 yang apabila dihitung adalah sebesar 40 – 38
sama dengan 2 cluster.
C. Analisis Cluster dengan Complete Linkage
Berikut merupakan dendogram pengelompokan data
menggunakan metode complete linkage dengan iterasi
jarak Euclidean.

Gambar 1. Grafik dendogram untuk Single Linkage

Dilihat dari grafik rescaled distance cluster combine
pada scale distance 25 menunjukkan 2 cluster yang
mengelompokkan data. Pada scale distance 20 menunjukkan 2 cluster, pada scale distance 10 menunjukkan 3 cluster dan seterusnya sampai menunjukkan 28 cluster yang
mengelompokkan data. Kemudian dipilih pengelompokkan
2 cluster.
Tabel 3. Pengelompokkan dengan 2 Cluster

Cluster
1
2

Jumlah
39
1

Berdasarkan Tabel 3 terlihat bahwa jumlah anggota
pada cluster satu lebih banyak dibandingingkan cluster
dua. Terdapat 39 tipe mobil masuk pada cluster satu dan
hanya satu tipe mobil masuk pada cluster dua. Selain

Gambar 2. Dendogram untuk Complete Linkage

Berdasarkan rescaled distance cluster combine pada
gambar 2, scale distance 25 menunjukkan 2 cluster yang
terbentuk dalam mengelompokkan data. Pada scale
distance 15 menunjukkan 4 cluster yang terbentuk, dan
seterusnya hingga menunjukkan 10 cluster yang
mengelompokkan data. Kemudian dipilih pengelompokkan
2 cluster dengan hasil sebagai berikut.
Tabel 5. Pengelompokkan 2 Cluster dengan Complete Linkage

Cluster
1
2

Jumlah
27
13

Tabel 5 menunjukkan bahwa anggota cluster satu lebih
banyak dibandingkan cluster dua. Terdapat 27 tipe mobil
pada cluster satu dan 13 tipe mobil pada cluster dua. Selain
menggunakan dendogram, jumlah cluster dapat ditentukan
melalui pseudo f-statistics. Berikut ini hasil perhitungan
pseudo f-statistics dengan menggunakan metode complete
linkage.
Tabel 6. Pseudo F-statistics dengan Complete Linkage

Metode Hirarki
Complete
Linkage
Complete
Linkage
Complete
Linkage
Complete
Linkage

Cluste
r

Pseudo Fstatistics

2

22,1041

3

17,1552

4

15,6317

5

11,6157

Berdasarkan tabel 6, dapat diketahui bahwa nilai
pseudo f-statistics terbesar pada metode complete linkage
adalah pada 2 cluster. Hal ini dapat dikatakan bahwa
pengelompokkan yang optimum dengan metode complete
linkage adalah sebesar 2 cluster. Hal ini juga diperkuat
dengan selisih dari banyak data (n) dengan stage yang
memiliki lompatan tertinggi pada coefficient dalam
lampiran 4 yang apabila dihitung adalah sebesar 40 – 38
sama dengan 2 cluster.
D. Analisis Cluster dengan K-Means Method
Pada analisis cluster menggunakan metode K-Means
jumlah cluster yang diinginkan adalah sebanyak 2,3,4 dan
5 yang selanjutnya ditentukan jumlah cluster yang
optimum. Jumlah cluster optimum pada metode K-Means
bisa ditentukan menggunakan pseudo f-statistics. Berikut
ini merupakan hasil perhitungan pseudo f-statistics untuk
keempat clustering.
Tabel 7. Penentuan Jumlah Cluster Optimum menggunakan Pseudo f

Metode Non Hirarki
K-Means dua cluster
K-Means tiga cluster
K-Means empat cluster
K-Means lima cluster

Pseudo f
25,228
13,660
21,130
18,109

Berdasarkan hasil pada Tabel 7 didapatkan nilai pseudo f
terbesar adalah pada metode K-Means dengan dua cluster
yang berarti bahwa jumlah cluster optimum sebanyak dua.
Setelah mendapatkan cluster optimum dilakukan
perhitungan MANOVA untuk mengetahui variabel yang
signifikan pada pengelompokkan K-Means dengan dua
cluster. Hasil yang didapatkan adalah sebagai berikut.

Cluster
1
2

Jumlah
23
17

Pada pengelompokkan dua cluster 40 data tersebut sudah
masuk di dalam cluster dan tidak ditemukan missing value
dengan jumlah anggota pada cluster 1 lebih banyak
dibandingkan cluster 2 (Tabel 9 ).
E. Metode Terbaik
Kriteria pemilihan model terbaik adalah dengan melihat
nilai icdrate terkecil. Berikut merupakan nilai icdrate dari
setiap cluster pada setiap metode.
Tabel 10. Hasil icdrate Model Hirarki dan Non Hirarki
Cluster
Single Linkage
Complete Linkage
K-Means
2
0,863
0,976
0,979

Dari Tabel 12, diketahui nilai icdrate terkecil terdapat pada
metode Single Linkage dengan 2 cluster, sehingga model
pengelompokan dari metode tersebut paling baik
diterapkan untuk kasus ini.
V. KESIMPULAN DAN SARAN
A. Kesimpulan
Berdasarkan analisis dan pembahasan di atas diperoleh
kesimpulan sebagai berikut. Pada dendogram metode
clustering hirarki single linkage menghasilkan dua cluster
dengan anggota pertama sebanyak 39 kendaraan dan satu
kendaraan untuk cluster 2. Selanjutnya pada metode
complete linkage juga menghasilkan dua cluster dengan
anggota pertama sebanyak 27 kendaraan dan 13 kendaraan
pada cluster 2. Keputusan yang sama juga terlihat dari
perhitungan pseudo f terbesar yaitu pada dua cluster yang
berarti sebagai jumlah cluster optimum. Pada metode non
hirarki K-Means menggunakan pseudo f didapatkan
kesimpulan yang sama. Jumlah cluster optimum yang
terbentuk sebanyak dua cluster dengan variabel yang
berkontribusi signifikan dalam pengelompokkan adalah
weight, wheel base, length dan width. Pada penentuan
model terbaik berdasarkan nilai icdrate terkecil
disimpulkan bahwa metode single linkage dengan dua
cluster adalah metode terbaik.
B. Saran
Berdasarkan penelitian yang telah dilakukan, saran
yang dapat diberikan untuk penelitan selanjutnya adalah
melakukan standarisasi data terlebih dahulu jika data yang
digunakan memiliki stauan yang berbeda-beda agar
clustering yang dihasilkan tepat.

Tabel 8. Hasil MANOVA Dua Cluster

Variabel
Retail Price
Horsepower
Weight
Wheel Base
Length
Width

F
2,200
3,217
29,929
54,468
47,029
81,974

p-value
0,146
0,081
0,000
0,000
0,000
0,000

Berdasarkan nilai p-value pada Tabel 8 terlihat bahwa
variabel weight, wheel base, length dan width memiliki
nilai < α sehingga diputuskan tolak H0. Hal ini berarti
bahwa keempat variabel tersebut yang memiliki kontribusi
signifikan dalam mempengaruhi hasil pengelompokkan
dua cluster. Adapun jumlah anggota untuk masing-masing
cluster dengan metode K-Means dua cluster adalah sebagai
berikut.
Tabel 9. Jumlah Anggota pada Pengelompokkan Dua Cluster

DAFTAR PUSTAKA
[1] Rencher, Alvin C. 2002. Methods of Multivariate
Analysis, Second Edition. Canada: John Wiley &
Sons, Inc.
[2] Johnson, Richard. 2007. Applied Multivariate
Statistical Analysis. Madison : Pearson Prentice Hall.
[3] Rencher, Alvin C. 2002. Methods of Multivariate
Analysis, Second Edition. Canada: John Wiley &
Sons, Inc.
[4] Santoso, Singgih. 2010. Statistik Multivariat, Konsep
dan Aplikasi dengan SPSS. Jakarta: PT Elex Media
Komputindo.
[5] Agusta, Y. 2007. K-Means Penerapan, Permasalahan
dan Metode Terkait. Jurnal Sistem dan Informatika.

[6] (n.d.). Retrieved April 29, 2017, from http://www.idvbook.com/

1.

LAMPIRAN
Data retail price, horsepower, dan weight
berdasarkan penjualan tipe mobil di Amerika Serikat
tahun 2004
Vehicle Name
Acura RSX Type S 2dr
Audi A4 3.0 4dr
Audi A4 3.0 Quattro 4dr auto
Audi A6 2.7 Turbo Quattro 4dr
Audi A6 3.0 4dr
Audi A6 3.0 Quattro 4dr
Audi A8 L Quattro 4dr
Audi S4 Avant Quattro
BMW 325i 4dr
BMW 330Ci convertible 2dr
BMW 545iA 4dr
BMW X3 3.0i
Buick Century Custom 4dr
Buick Park Avenue 4dr
Cadillac Deville 4dr
Chevrolet Astro
Chevrolet Corvette 2dr
Chevrolet Corvette convertible 2dr
Chevrolet Impala 4dr
Chevrolet Malibu Maxx LS
Chevrolet Tahoe LT
Chrysler 300M 4dr
Chrysler Concorde LXi 4dr
Chrysler Sebring Touring 4dr
CMC Yukon 1500 SLE
Dodge Durango SLT
Dodge Grand Caravan SXT
Dodge Intrepid SE 4dr
Ford Escape XLS
Ford Freestar SE
GMC Safari SLE
GMC Yukon XL 2500 SLT
Honda Accord EX V6 2dr
Honda CR-V LX
Honda Odyssey LX
Hyundai Accent GL 4dr
Hyundai Elantra GT 4dr
Infiniti FX45
Infiniti G35 4dr
Isuzu Rodeo S

2.

X1
23820
31840
34480
42840
36640
39640
69190
49090
28495
44295
54995
37000
22180
35545
45445
26395
44535
51535
21900
22225
41465
29865
26860
21840
35725
32235
32660
22035
22515
26930
25640
46265
26960
19860
24950
11839
15389
36395
32445
20449

X2
200
220
220
250
220
220
330
340
184
225
325
225
175
205
275
190
350
350
180
200
295
250
232
200
285
230
215
200
201
193
190
325
240
160
240
103
138
315
260
193

BMW 545iA 4dr
BMW X3 3.0i

X3
2778
3462
3627
3836
3561
3880
4399
3936
3219
3616
3814
4023
3353
3778
3984
4605
3246
3248
3465
3458
5050
3581
3548
3222
5042
4987
4440
3469
3346
4275
4309
6133
3294
3258
4310
2290
2635
4309
3677
3836

Buick Century Custom 4dr
Buick Park Avenue 4dr
Cadillac Deville 4dr
Chevrolet Astro
Chevrolet Corvette 2dr
Chevrolet Corvette convertible 2dr
Chevrolet Impala 4dr
Chevrolet Malibu Maxx LS
Chevrolet Tahoe LT
Chrysler 300M 4dr
Chrysler Concorde LXi 4dr
Chrysler Sebring Touring 4dr
CMC Yukon 1500 SLE
Dodge Durango SLT
Dodge Grand Caravan SXT
Dodge Intrepid SE 4dr
Ford Escape XLS
Ford Freestar SE
GMC Safari SLE
GMC Yukon XL 2500 SLT
Honda Accord EX V6 2dr
Honda CR-V LX
Honda Odyssey LX

Data wheel base, length, dan width berdasarkan
penjualan tipe mobil di Amerika Serikat tahun 2004
Vehicle Name
Acura RSX Type S 2dr
Audi A4 3.0 4dr
Audi A4 3.0 Quattro 4dr auto
Audi A6 2.7 Turbo Quattro 4dr
Audi A6 3.0 4dr
Audi A6 3.0 Quattro 4dr
Audi A8 L Quattro 4dr
Audi S4 Avant Quattro
BMW 325i 4dr
BMW 330Ci convertible 2dr

X4

X5

10
1
10
4
10
4
10
9
10
9
10
9
12
1
10
4
10
7
10

17
2
17
9
17
9
19
2
19
2
19
2
20
4
17
9
17
6
17

Hyundai Accent GL 4dr

X
Hyundai Elantra GT 4dr

6

6
8
7
0
7
0
7
1
7
1
7
1
7
5
7
0
6
9
6

Infiniti FX45
Infiniti G35 4dr
Isuzu Rodeo S

3.

7
11
4
11
0
10
9
11
4
11
5
11
1
10
5
10
5
11
1
11
2
11
6
11
3
11
3
10
8
11
6
11
9
11
9
11
3
10
3
12
1
11
1
13
0
10
5
10
3
11
8
96
10
3
11
2
11
2
10
6

7
19
1
18
0
19
5
20
7
20
7
19
0
18
0
18
0
20
0
18
8
19
7
19
8
20
8
19
1
19
9
20
1
20
1
20
4
17
3
20
1
19
0
21
9
18
8
17
9
20
1
16
7
17
8
18
9
18
7
17
8

9
7
3
7
3
7
3
7
5
7
4
7
8
7
4
7
4
7
3
7
0
7
9
7
4
7
4
7
1
7
9
7
6
7
9
7
5
7
0
7
7
7
8
7
9
7
1
7
0
7
6
6
6
6
8
7
6
6
9
7
0

Agglomeration Schedule dengan metode Single
Linkage
Stage
1
2
3
4
5

Cluster Combined
Cluster 1 Cluster 2
2
3
16
31
5
6
21
25
13
19

Coefficients
,320
,417
,512
,541
,548

6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

4.

5
18
24
28
23
20
34
30
22
29
40
9
33
35
14
13
10
2
39
27
37
4
12
26
21
15
17
38
16
36
11
8
7
32

,580
,592
,790
,802
,816
,820
,896
,918
,929
,941
,948
,959
,964
,977
,981
1,007
1,007
1,030
1,149
1,149
1,168
1,187
1,206
1,388
1,483
1,516
1,520
1,706
1,712
1,727
1,825
1,923
2,182
3,264

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

13
17
20
23
4
29
27
29
2
26
22
14
4
26
13
1
10
2
8
4
2
21
11
16
1
13
7
16
4
2
2
7
7
1
1

19
18
24
28
5
34
30
40
9
35
23
22
39
27
20
37
12
33
17
10
29
38
15
26
36
14
11
21
8
13
4
16
32
2
7

,548
,592
,790
,816
,825
,896
,918
1,086
1,142
1,149
1,231
1,259
1,272
1,324
1,370
1,414
1,505
1,535
1,556
1,627
1,717
1,762
1,825
2,079
2,297
2,474
2,494
2,810
2,965
3,812
4,426
4,864
5,396
6,232
10,525

Hasil pengelompokkan Single Linkage dua cluster

Cluste
r

1

2

5.

4
17
20
13
13
13
29
27
13
9
9
2
13
27
13
2
2
1
4
26
1
1
1
21
1
1
8
1
1
1
1
1
1
1

6.

Tipe Mobil
Acura RSX Type S 2dr, Audi A4 3.0 4dr, Audi A4 3.0
Quattro 4dr , Audi A6 2.7 Turbo Quattro 4drauto, Audi
A6 3.0 4dr, Audi A6 3.0 Quattro 4dr, Audi S4 Avant
Quattro, BMW 325i 4dr, BMW 330Ci convertible 2dr,
BMW X3 3.0i, Buick Century Custom 4dr, Buick Park
Avenue 4dr, Chevrolet Corvette 2dr, Chevrolet
Corvette convertible 2dr, Chevrolet Impala 4dr,
Chevrolet Malibu Maxx LS, Chrysler 300M 4dr,
Chrysler Concorde LXi 4dr, Chrysler Sebring Touring
4dr, Dodge Intrepid SE 4dr, Ford Escape XLS, Honda
Accord EX V6 2dr, Honda CR-V LX, Hyundai Accent
GL 4dr, Hyundai Elantra GT 4dr, Infiniti G35 4dr,
Isuzu Rodeo S, Audi A8 L Quattro 4dr, BMW 545iA
4dr, Cadillac Deville 4dr, Chevrolet Astro, Chevrolet
Tahoe LT, CMC Yukon 1500 SLE, Dodge Durango
SLT, Dodge Grand Caravan SXT, Ford Freestar SE,
GMC Safari SLE, Honda Odyssey LX, dan Infiniti
FX45
GMC Yukon XL 2500 SLT

Agglomeration Schedule dengan metode Complete
Linkage
Stage
1
2
3
4

Cluster Combined
Cluster 1 Cluster 2
2
3
16
31
5
6
21
25

Coefficients
,320
,417
,512
,541

Hasil pengelompokkan Complete Linkage dua cluster

Cluste
r

Tipe Mobil

1

Acura RSX Type S 2dr, Audi A4 3.0 4dr, Audi A4 3.0
Quattro 4dr , Audi A6 2.7 Turbo Quattro 4drauto, Audi
A6 3.0 4dr, Audi A6 3.0 Quattro 4dr, Audi S4 Avant
Quattro, BMW 325i 4dr, BMW 330Ci convertible 2dr,
BMW X3 3.0i, Buick Century Custom 4dr, Buick Park
Avenue 4dr, Chevrolet Corvette 2dr, Chevrolet
Corvette convertible 2dr, Chevrolet Impala 4dr,
Chevrolet Malibu Maxx LS, Chrysler 300M 4dr,
Chrysler Concorde LXi 4dr, Chrysler Sebring Touring
4dr, Dodge Intrepid SE 4dr, Ford Escape XLS, Honda
Accord EX V6 2dr, Honda CR-V LX, Hyundai Accent
GL 4dr, Hyundai Elantra GT 4dr, Infiniti G35 4dr, dan
Isuzu Rodeo S

2

Audi A8 L Quattro 4dr, BMW 545iA 4dr, Cadillac Deville 4dr,
Chevrolet Astro, Chevrolet Tahoe LT, CMC Yukon 1500 SLE,
Dodge Durango SLT, Dodge Grand Caravan SXT, Ford
Freestar SE, GMC Safari SLE, GMC Yukon XL 2500 SLT,
Honda Odyssey LX, dan Infiniti FX45