ANALISIS CLUSTER HIRARKI

KONSEP DASAR ANALISIS CLUSTER HIRARKI

Analisis Cluster bertujuan untuk mengelompokkan suatu objek ke dalam beberapa kelompok yang memiliki sifat berbeda antar kelompok, sehingga objek yang terletak di dalam satu kelompok akan mempunyai sifat yang relatif homogen (sama). Salah satu metode dalam Analisis Cluster yaitu, Analisis Cluster Hirarki (Hierarchial Methode). Analisis Cluster Hirarki bertujuan untuk mengelompokkan observasi berdasarkan tingkat kesamaan yang paling dekat. Metode ini akan membentuk suatu hierarki (tingkatan) antar objek, proses hierarki akan terlihat jelas dengan bantuan penggunaan Dendogram.

Analisis Cluster Hirarki adalah teknik dalam analisis data yang digunakan untuk mengelompokkan objek atau individu yang serupa ke dalam kelompok-kelompok atau cluster berdasarkan tingkat kemiripan atau perbedaan di antara mereka. Tujuan utama dari Analisis Cluster Hirarki adalah mengungkap struktur atau pola yang ada dalam data, di mana objek-objek yang serupa dikelompokkan bersama dalam cluster yang sama.

Metode Analisis Cluster Hirarki membangun sebuah hirarki atau struktur bertingkat dari cluster-cluster yang dihasilkan. Hirarki tersebut dapat berbentuk seperti pohon, di mana cluster-cluster yang lebih kecil digabungkan untuk membentuk cluster-cluster yang lebih besar. Proses pembentukan hirarki ini melibatkan langkah-langkah berulang yang membandingkan kemiripan atau perbedaan antara objek-objek dalam data.

Analisis Cluster Hirarki memiliki beberapa pentingnya dalam analisis data, antara lain:

Menggali Pola dan Struktur: Analisis Cluster Hirarki membantu mengungkapkan pola dan struktur yang ada dalam data. Dengan mengelompokkan objek atau individu ke dalam cluster berdasarkan tingkat kemiripan atau perbedaan, kita dapat mengidentifikasi kelompok-kelompok yang serupa dan menemukan pola-pola yang mungkin tidak terlihat secara langsung.
Segmentasi Data: Analisis Cluster Hirarki memungkinkan segmentasi data yang efektif. Dengan membagi data menjadi kelompok-kelompok yang serupa, kita dapat memahami karakteristik khusus dari setiap kelompok dan membedakan antara kelompok tersebut. Segmentasi ini dapat digunakan dalam berbagai bidang, seperti pemasaran untuk mengidentifikasi kelompok target yang berbeda atau dalam penelitian medis untuk mengklasifikasikan pasien ke dalam kelompok risiko yang berbeda.
Mengurangi Dimensi Data: Analisis Cluster Hirarki dapat membantu mengurangi dimensi data yang kompleks menjadi kelompok-kelompok yang lebih teratur. Dengan mengelompokkan objek yang serupa bersama, kita dapat menggantikan data asli dengan representasi yang lebih ringkas, seperti label cluster atau representasi pusat cluster. Hal ini dapat memudahkan pemahaman dan interpretasi data yang lebih kompleks dengan mengidentifikasi pola-pola tingkat tinggi.
Penelitian Pasar dan Segmentasi Pelanggan: Dalam bidang pemasaran, Analisis Cluster Hirarki dapat membantu memahami perilaku pelanggan dan melakukan segmentasi pasar. Dengan mengelompokkan pelanggan berdasarkan preferensi, kebiasaan, atau atribut lainnya, kita dapat mengidentifikasi kelompok target yang berbeda untuk menyesuaikan strategi pemasaran, penawaran produk, dan komunikasi.
Penelitian Biologi dan Genetika: Dalam bidang biologi dan genetika, Analisis Cluster Hirarki digunakan untuk mengelompokkan organisme atau sampel berdasarkan kesamaan genetik atau karakteristik biologis. Hal ini dapat membantu dalam klasifikasi spesies, pemetaan genom, dan penelitian evolusi.

Analisis Cluster Hirarki memberikan pendekatan yang kuat untuk memahami hubungan dan pola dalam data, menggali informasi yang berharga, dan membuat keputusan yang lebih baik. Dengan mengelompokkan data menjadi cluster-cluster yang serupa, kita dapat memahami karakteristik yang berbeda antara kelompok-kelompok tersebut dan mengambil langkah-langkah yang sesuai berdasarkan temuan analisis tersebut.

Tujuan dari Analisis Cluster Hirarki adalah mengungkap pola dan struktur dalam data dengan mengelompokkan objek-objek atau individu-individu menjadi cluster-cluster yang serupa secara bertahap. Berikut ini adalah beberapa tujuan kunci dari Analisis Cluster Hirarki:

Identifikasi Kelompok-Kelompok yang serupa: Analisis Cluster Hirarki bertujuan untuk mengidentifikasi kelompok-kelompok yang serupa dalam data. Dengan mengelompokkan objek atau individu ke dalam cluster berdasarkan kesamaan atau perbedaan tertentu, kita dapat mengidentifikasi kelompok-kelompok yang memiliki karakteristik yang mirip. Hal ini membantu dalam memahami struktur internal data dan mengklasifikasikan objek-objek ke dalam kelompok yang sesuai.
Segmentasi Data: Analisis Cluster Hirarki dapat digunakan untuk segmentasi data yang efektif. Dengan membagi data menjadi kelompok-kelompok yang serupa, kita dapat memahami perbedaan dan karakteristik khusus dari setiap kelompok. Segmentasi ini dapat memberikan wawasan yang berharga untuk pengambilan keputusan, seperti dalam pemasaran untuk mengidentifikasi kelompok target yang berbeda atau dalam penelitian medis untuk mengklasifikasikan pasien ke dalam kelompok risiko yang berbeda.
Visualisasi Data: Analisis Cluster Hirarki dapat membantu dalam visualisasi data dengan membentuk struktur hirarki atau pohon cluster. Pohon cluster memberikan representasi visual yang jelas tentang hubungan antara cluster-cluster dan tingkatan kesamaan di antara mereka. Hal ini memudahkan pemahaman pola dan hierarki dalam data, serta membantu dalam komunikasi hasil analisis kepada orang lain.
Pemilihan Jumlah Cluster yang Optimal: Analisis Cluster Hirarki juga dapat membantu dalam menentukan jumlah cluster yang optimal untuk data yang dianalisis. Dengan memeriksa struktur hirarki dan tingkatan kesamaan dalam pohon cluster, kita dapat menentukan titik pemotongan yang tepat untuk mendapatkan jumlah cluster yang sesuai dengan kebutuhan analisis atau tujuan yang ditetapkan.
Pemahaman Karakteristik Kelompok: Melalui Analisis Cluster Hirarki, kita dapat memahami karakteristik yang berbeda antara kelompok-kelompok yang terbentuk. Hal ini memungkinkan kita untuk mengidentifikasi atribut atau variabel yang membedakan kelompok-kelompok tersebut, serta memberikan wawasan tentang variabel mana yang memiliki kontribusi signifikan dalam pembentukan cluster.

Dengan mencapai tujuan-tujuan ini, Analisis Cluster Hirarki memberikan pemahaman yang lebih dalam tentang data, mengungkapkan pola dan struktur yang mendasarinya, serta membantu dalam pengambilan keputusan yang lebih baik.

KELEBIHAN & KEKURANGAN ANALISIS CLUSTER HIRARKI

Analisis Cluster Hirarki memiliki beberapa kelebihan, diantaranya :

Menghasilkan struktur hirarkis: Analisis Cluster Hirarki menghasilkan struktur hirarkis atau pohon cluster yang memungkinkan visualisasi yang jelas tentang hubungan antara cluster-cluster. Ini membantu dalam pemahaman yang lebih baik tentang pola dan hierarki dalam data.
Tidak memerlukan jumlah cluster sebelumnya: Analisis Cluster Hirarki tidak memerlukan penentuan jumlah cluster sebelumnya. Prosesnya dapat menghasilkan struktur hirarkis yang mencakup berbagai tingkatan cluster, dan kemudian pemilihan jumlah cluster dapat dilakukan berdasarkan analisis visual atau kriteria yang ditetapkan.
Tidak memerlukan asumsi tentang bentuk cluster: Analisis Cluster Hirarki tidak mengharuskan asumsi tertentu tentang bentuk atau ukuran cluster. Metode ini dapat mengidentifikasi kelompok-kelompok dengan bentuk dan ukuran yang beragam, sehingga lebih fleksibel dalam menangani data yang kompleks.
Mengungkap pola dalam data yang kompleks: Analisis Cluster Hirarki dapat mengungkapkan pola yang tersembunyi dalam data yang kompleks dan tidak terstruktur. Dengan memperhatikan tingkatan kesamaan atau perbedaan antara objek dalam cluster-cluster, kita dapat menemukan hubungan atau karakteristik yang mendasari dalam data tersebut.

Selain memiliki kelebihan, Analisis Cluster Hirarki juga memiliki kekurangan, diantaranya :

Sensitif terhadap pemilihan metode dan jarak: Analisis Cluster Hirarki sangat sensitif terhadap pemilihan metode yang digunakan untuk menghitung jarak antara objek dan pemilihan metode penggabungan atau pemisahan cluster. Hasil yang diperoleh dapat berbeda tergantung pada metode yang dipilih, sehingga dapat mempengaruhi interpretasi dan kesimpulan.
Tidak efisien untuk data yang besar: Analisis Cluster Hirarki cenderung tidak efisien untuk data yang besar dan kompleks. Prosesnya memerlukan perhitungan jarak dan penggabungan/pemisahan iteratif yang membutuhkan waktu dan sumber daya komputasi yang signifikan. Oleh karena itu, metode ini mungkin kurang praktis untuk dataset dengan ukuran yang sangat besar.
Tidak dapat mengatasi outlier: Analisis Cluster Hirarki cenderung sensitif terhadap adanya outlier dalam data. Outlier dapat mempengaruhi perhitungan jarak dan pembentukan cluster, sehingga menghasilkan hasil yang tidak optimal atau tidak sesuai dengan harapan.
Tidak cocok untuk data berdimensi tinggi: Analisis Cluster Hirarki kurang cocok untuk data berdimensi tinggi, di mana dimensi variabel sangat banyak. Dalam kasus ini, metode lain seperti metode reduksi dimensi atau algoritma clustering yang dioptimalkan untuk data berdimensi tinggi mungkin lebih sesuai.

BERIKUT CARA ANALISIS CLUSTER HIRARKI DI SPSS:

Siapkan tabulasi data di Excel, lalu input data atau masukan data ke SPSS pada Page Data View.

Jangan lupa isikan juga pada Page Variable View.

Selanjutnya melakukan Analisis Cluster Hirarki, dengan cara pilih Analyze – Clasify – Hierarchical Cluster

Muncul kotak dialog Analisis Cluster Hirarki, seperti ini :

Masukan Variabel ROE, NPM, PER, PBV & DER ke kolom Variables, sedangkan Saham ke kolom Label Cases By.

Selanjutnya pilih Plots, Ceklis Dendogram lalu pilih Continue dan OK.

Keluar Output SPSS untuk Analisis Cluster Hirarki:

Interpretasi Output Analisis Cluster Hirarki:

Cluster 1 berisikan Saham ERAA, JPFA, ASII, PGAS, INDF, ADRO, INKP, BBNI, BMRI, BBRI, ANTM & TLKM.
Cluster 2 berisikan Saham ICBP, KLBF & BBCA.