25-Article Text-73-1-10-20220409

Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.2 No. 1 Maret 2022

Doi Issue: doi.org/10.46306/bay.v2i1 Doi Article: doi.org/10.46306/bay.v2i1.25
ANALISIS CLUSTER UNTUK MENGELOMPOKKAN

PENGGUNAAN KARTU PERDANA SELULER DI
UNIVERSITAS BINA BANGSA
(Survei Mahasiswa Jurusan Pendidikan Matematika T.A 2021-
2022)
Ajeng Afifah Muhartini1, Tanti Febriati2, Sri Sukmawati3

1,2,3 Statistika Fakultas SAINTEK, Universitas Bina Bangsa
*Email: [email protected]
ABSTRAK: Perkembangan teknologi dan komunikasi yang semakin pesat

menimbulkan persaingan yang semakin meningkat terutama di bidang Marketing,
salah satunya dalam bisnis kartu perdana seluler. Terdapat beberapa perusahaan
yang berinovasi mengeluarkan produk-produk kartu seluler dengan kelebihan
masing-masing untuk menarik minat konsumen, baik itu kartu perdana, kartu pasca
bayar ataupun kartu kuota internet. Dalam segmentasi pemasaran, keputusan
pembelian kartu perdana oleh pelanggan atau pembeli berdasarkan manfaat atau
keuntungan yang diperoleh tentu berbeda-beda. Tujuan penelitian ini adalah untuk
mengelompokkan jenis-jenis kartu perdana yang digunakan oleh mahasiswa
Jurusan Pendidikan Matematika di Universitas Bina Bangsa berdasarkan
pemasarannya. Penelitian ini adalah penelitian kuantitatif dengan metode survey
dengan Analisis Cluster. Analisis Cluster yang digunakan adalah Metode Hierarki
(Hierarki Method) menggunakan prosedur pengelompokan agglomerative. Hasil yang
diperoleh pada perhitungan jarak euclidean antar Kartu Telkomsel dengan Kartu
Axis adalah 542.76 sedangkan jarak euclidean antara Kartu Telkomsel dengan Kartu
XL adalah 486.34, untuk jarak euclidean Kartu Telkomsel dengan Kartu Three adalah
671.31 sedangkan jarak euclidean antara Kartu Telkomsel dengan Kartu Indosat
adalah 809.13. Kesimpulan yang diperoleh terdapat pengelompokkan kartu perdana
menjadi 2 cluster yang memiliki komposisi atau jumlah kelompok masing-masing
cluster. Paling sedikit adalah cluster 1 dengan hanya terdiri 1 kartu perdana dan
yang terbanyak adalah cluster 2 yang terdiri dari 5 kartu perdana.
Kata kunci: Kartu Perdana; Analisis Cluster; Pemasaran; Metode Hierarki.
ABSTRACT: The development of technology and communication has led to increasing

competition, especially in the field of marketing, one of which is in the cellular phone cards
business. There are several companies that innovate in issuing cellular card products with
their respective advantages to attract consumers' interest, be it the phone cards, postpaid
cards or internet quota cards. In marketing segmentation, the decision to purchase starter
packs by customers or buyers based on the benefits or benefits obtained is certainly different.
The purpose of this study was to classify the types of starter packs used by students of the
Mathematics Education Department at Bina Bangsa University based on their marketing.
This research is a quantitative research with survey method with Cluster Analysis. Cluster
15
analysis used is the Hierarchy Method using agglomerative grouping procedures. The results
obtained in the calculation of the euclidean distance between Telkomsel Cards and Axis Cards
is 542.76 while the euclidean distance between Telkomsel Cards and XL Cards is 486.34, for
the euclidean distance between Telkomsel Cards and Three Cards is 671.31 while the
euclidean distance between Telkomsel Cards and Indosat Cards is 809.13. The conclusion is
that there are 2 clusters where the grouping of starter packs into 2 clusters has the composition
or number of groups of each cluster. The minimum is cluster 1 which consists of only 1 starter
card and the most is cluster 2 which consists of 5 starter cards.
Keywords: Phone Card; Cluster Analysis; Marketing; Hierarchical Method
PENDAHULUAN
Persaingan bisnis seluler di Indonesia semakin meningkat seiring perkembangan
teknologi dan komunikasi. Munculnya berbagai jenis handphone/telepon
genggam/smartphone dengan berbagai inovasi terbaru membuat pemasaran kartu
perdana seluler juga ikut bersaing. Hal tersebut dapat dilihat dari banyaknya kartu
perdana internet yang tersebar di pasaran seperti Simpati, XL, Axis, Smartfren,
Indosat Oredo dan lain-lain. Banyaknya jenis kartu perdana internet yang tersebar
memberikan keluasan bagi konsumen untuk memilih merek yang diinginkan. Secara
umum, indikator keputusan konsumen dalam melakukan pembelian adalah
mengenali kebutuhan, pencarian informasi, evaluasi alternatif, keputusan pembelian,
dan perilaku pasca pembelian (Wijaya, 2013). Karena produk kartu perdana yang
sangat bervariasi membuat persaingan semakin ketat dan perusahaan dituntut untuk
meningkatkan kualitas produknya, baik dari segi jaringan, harga, promosi dan
sebagainya.
Di Indonesia saat ini terdapat 5 jasa telekomunikasi yaitu Telkomsel (kartuHalo,

Simpati, As, Loop, By.U), Indosat (Im3 Ooreddo), XL Axiata (XL, Axis), Smartfren
Telecom (Smartfren), Hutchion (Three). Banyaknya jumlah operator telekomunikasi
yang menyediakan kartu perdana seluler, merupakan fenomena menarik khususnya
di kalangan mahasiswa. Karena banyaknya pilihan dalam menggunakan layanan
kartu perdana maka tidak sedikit mahasiswa yang berganti-ganti operator sesuai
dengan kebutuhannya bahkan ada yang memiliki lebih dari satu kartu perdana
seluler.
Beberapa kartu perdana seluler meskipun dikeluarkan dari perusahaan yang berbeda
namun memiliki beberapa kesamaan. Selain memiliki kesamaan dalam fungsi,
seluruh kartu perdana seluler juga memiliki karakteristik tertentu yang dapat
dikelompokkan. Masalah pengelompokan sering ditemukan di kehidupan sehari-
hari, baik itu terkait dengan bidang sosial, bidang Kesehatan, bidang marketing
maupun bidang akademik. Memaparkan suatu proses atau hasil pengelompokan
kartu perdana seluler merupakan hal yang menarik dan dapat memberikan ide-ide
tertentu. Misalnya dalam membuat segmentasi pemasaran, kartu perdana seluler
16
dapat dikelompokan dengan cara menganalisis pilihan pelanggan atau pembeli

berdasarkan manfaat atau keuntungan yang diperoleh dari pembelian produk
tersebut. Hasil dari pengelompokan ini selanjutnya dapat digunakan dalam
pengambilan keputusan untuk strategi pemasaran selanjutnya.
A. Analisis Cluster
Analisis cluster adalah salah satu metode dalam analisis multivariat yang memiliki
tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang
dimilikinya. Analisis Cluster merupakan analisis yang berupaya untuk menelaah
gerombol amatan berdasarkan persamaan karakteristik yang sama jika memiliki jarak
yang berdekatan. Dalam penelitian pemasaran yang mengelompokkan pelanggan ke
dalam segmen yang didasarkan pada perilaku konsumen atau pemakai produk.
Cluster-cluster yang terbentuk dalam satu cluster mempunyai ciri yang relatif sama
(homogen), sedangkan antar cluster mempunyari ciri yang berbeda (heterogen).
Pengelompokan ini dilakukan berdasarkan variabel-variabel yang diamati (Usman
dan Sobari, 2013).
Untuk mendapatkan kelompok yang sehomogen mungkin, maka yang digunakan

sebagai dasar untuk mengelompokan adalah kesamaan skor nilai yang dianalisis.
Semakin kecil besaran jarak suatu individu terhadap individu lain, maka semakin
besar kemiripan individu tersebut. Data mengenai ukuran kesamaan tersebut
kemudian dilakukan pengelompokan sehingga dapat ditentukan individu mana yang
masuk kelompok mana (Gudono, 2014).
Dalam analisis cluster, terdapat banyak metode untuk mengelompokan data

observasi ke dalam cluster. Secara umum metode pengelompokan dalam metode
hierarki (hierarchical methods). Metode hierarki digunakan apabila belum ada
informasi jumlah cluster yang dipilih. Sedangkan metode non hirarki bertujuan untuk
mengelompokan n objek ke dalam k cluster (k <n), dimana nilai k telah ditentukan
sebelumnya.
B. Metode hierarki (hierarchical clustering methods)

Metode ini digunakan untuk menggerombolkan pengamatan secara terstruktur
berdasarkan kemiripan sifatnya dan gerombol yang diinginkan belum diketahui
banyaknya. Pada dasarnya metode ini dibedakan menjadi dua metode hierarki yaitu
metode penggabung (agglomerative) dan metode pembagi (divisive).
Metode agglomerative dimulai dengan mengasumsikan bahwa setiap objek adalah

cluster, perlu diperhatikan bahwa setiap penggabungan dalam metode ini selalu
diikuti perbaikan matriks jarak, hasil analisis gerombol dari metode ini dapat
17
disajikan dalam bentuk dendogram. Sedangkan metode pembagi (divisive) yaitu

proses pengelompokkan dengan pengan pendekatan metode pemecahan (Top To
Down) dimulai dengan n objek yang dikelompokan menjadi satu gerombol, kemudian
gerombol tersebut dipartisi ke dalam dua gerombol pada setiap Langkah sampai
diperoleh n gerombol dengan setiap gerombol memiliki satu objek. Dasar
pengelompokan juga didasarkan pada jarak. Akan tetapi, teknik ini tidak banyak
digunakan, sehingga tidak banyak prosedur yang dikembangkan (Usman dan Sobari,
2013).
Metode agglomerative ini mempunyai beberapa prosedur pengelompokan yaitu:

1. Metode Single Linkage (Pautan Tunggal)
Single Linkage adalah poses pengklasteran yang didasarkan pada jarak terdekat
antara objeknya (minimum distance). Metode ini sangat bagus untuk melakukan
analisis pada tiap tahap pembentukan cluster. Metode ini juga sangat cocok untuk
dipakai pada kasus Shape independent clustering karena kemampuannya untuk
membentuk pola tertentu dari cluster. Pada prosedur ini pengelompokan
berdasarkan jarak minimum. Jika individu X dan Y mempunyai jarak dxy terdekat,
maka harus dicari jarak minimum XZ dan XY, sehingga:
𝑑(𝑋𝑌)𝑍 = 𝑀𝑖𝑛(𝑑𝑋𝑍 , 𝑑𝑌𝑍 )
Hasil pautan ini dapat ditampilkan dalam bentuk dendogram atau diagram pohon,
dimana dahan atau cabang dan diagram pohaon tersebut merupakan gerombolnya.
2. Metode Complete Linkage (Pautan Lengkap)

Complete Linkage adalah proses clustering yang didasarkan pada jarak terjauh antar
objeknya (maksimum distance).metode ini baik untuk kasus clustering dengan
normal data set distribution. Akan tetapi metode ini, tidak cocok untuk data yang
mengandung outlier. Prosedur ini dimulai dengan pengelompokan dua individua
tau objek yang mempunyai jarak terjauh (lebih melihat ketidaksamaan). Misalkan
individu X dan Y mempunyai jarak (dxy) terjauh. Bagaimanakah dengan individu Z,
disini harus dicari jarak maksimum XZ dan XY, sehingga dapat dituliskan dengan:
𝑑(𝑋𝑌)𝑍 = 𝑀𝑎𝑥(𝑑𝑋𝑍 , 𝑑𝑌𝑍 )
3. Metode Average Linkage (Pautan Rataan)
Average Linkage adalah proses clustering yang didasarkan pada jarak rata-rata
antar objeknya (average distance). Metode ini relatif yang terbaik dari metode-
metode hierarchical. Namun, harus dibayar dengan waktu komputasi yang paling
tinggi disbanding metode hierarchical yang lain. Pada metode ini tahap pertama
yang harus dilakukan adalah sama seperti metode-metode sebelumnya yaitu
menemukan jarak terkecil. Jika kelompok X dan Y mempunyai jarak dxy maka harus
dicari jarak rata-rata XZ dan XY, dengan formulasi matematis:
𝑛𝑋 𝑛𝑌
𝑑(𝑋𝑌)𝑍 = + 𝑑𝑋𝑍 + + 𝑑𝑌𝑍
𝑛𝑋 + 𝑛𝑌 𝑛𝑋 + 𝑛𝑌
18
Dimana:
𝑛𝑋 = jumlah individu pada kelompok X
𝑛𝑦 = jumlah individu pada kelompok Y
METODE PENELITIAN
Penelitian ini merupakan penelitian kuantitatif dengan menggunakan analisis data
multivariat. Jenis data yang diperoleh dalam penelitian ini adalah data primer yang
dilakukan dengan cara survei langsung kepada Mahasiswa jurusan Pendidikan
Matematika di Universitas Bina Bangsa Kota Serang pada Tahun Ajaran 2021-2022.
Pengambilan sampel menggunakan teknik accidental sampling atau teknik
pengambilan sampel secara kebetulan atau yang bersedia menjadi responden di
suatu tempat sesuai dengan konteks penelitian yang dilakukan pada Mahasiswa
Pendidikan Matematika Universitas Bina Bangsa kemudian diperoleh sebanyak 75
responden.
Metode analisis Cluster yang digunakan pada penelitian ini adalah Metode Hiraki
(Hierarki Method) menggunakan prosedur pengelompokan agglomerative dengan
teknik average linkage (pautan rataan) dan ukuran jarak yang digunakan euculiden.
Proses komputasi yang digunakan untuk mengolah data hasil penelitian ini adalah
Excel dan Minitab. Langkah-langkah pengelompokan pada penelitian ini adalah
sebagai berikut:
1) Melakukan standarisasi data
Standarisasi data dilakukan agar data yang digunakan dalam penelitian
ini mempunyai satuan yang sama.
2) Menentukan ukuran kemiripan dan ketakmiripan antar dua objek
menggunakan rumus jarak eculidean.
3) Peroses analisis cluster
Metode hierarki yang digunakan dalam penelitian ini adalah metode
average linkage (pautan rataan).
4) Melakukan perbaikan matriks jarak menggunakan metode cluster yang
telah ditentukan.
5) Menentukan jumlah anggota cluster
Penentuan anggota cluster berdasarkan hasil pengolahan data dengan
menggunakan Excel dan Minitab dengan melihat tabel cluster
membership pada output.
6) Melakukan interpretasi analisis cluster sesuai metode yang ditentukan.
19
Setelah cluster terbentuk maka tahapan selanjutnya adalah memberi ciri spesifik
untuk menggambarkan isi cluster tersebut.
HASIL DAN PEMBAHASAN

a. Deskripsi Data Responden
Data deskripsi yang menggambarkan kondisi responden merupakan informasi
tambahan untuk memahami hasil-hasil penelitian. Hal ini agar dapat dilihat dari
profil data penelitian. Responden adalah 75 orang Mahasiswa Pendidikan
Matematika Universitas Bina Bangsa Tahun Ajaran 2021-2022 dengan karakteristik
responden sebagai berikut:
Tabel 1. Data responden berdasarkan jenis kelamin

No Keterangan Frekuensi Persentase (%)
1 Laki-laki 5 6,6
2 Perempuan 70 93,3
Jumlah 75 100
Berdasarkan Tabel 1, dapat disimpulkan bahwa jumlah responden dengan jenis

kelamin perempuan lebih banyak(93,3%) daripada responden laki-laki (6,6%).
Karakteristik responden berdasarkan tingkat semester perkuliahannya adalah
sebagai berikut:
Tabel 2. Data responden berdasarkan tingkat semester

1 Semester 1 18 24
2 Semester 3 13 17.3
3 Semester 5 19 25,3
4 Semester 7 25 33,3
Jumlah 75 100
Berdasarkan Tabel 2, data yang diperoleh melalui kuesioner yang diisi oleh
responden menunjukkan bahwa responden semester 1 berjumlah 18 responden
(24%), semester 3 berjumlah 13 responden (17,3%), semester 5 berjumlah 19
responden (25,3%), dan semester 7 berjumlah 25 responden (33,3%). Karaketristik
responden berdasarkan penggunaan kartu perdana seluler adalah sebagai berikut:
Tabel 3. Data responden berdasarkan penggunaan kartu perdana

1 Telkomsel 24 32
2 Axis 14 18,6
3 XL 12 16
20
4 Three 9 12
5 Indosat 14 18,6
6 Smartfren 2 2,6
Jumlah 75 100
Berdasarkan Tabel 3, data yang diperoleh melalui kuesioner yang diisi oleh
responden menunjukkan bahwa responden yang menggunakan kartu perdana
Telkomsel berjumlah 24 responden (32%), Axis berjumlah 14 responden (18,6%), XL
berjumlah 12 responden (16%), Three berjumlah 9 responden (12%), Indosat
berjumlah 14 responden (18,6%), dan Smartfren berjumlah 2 responden (2,6%).
b. Hasil Uji Validitas dan Reliabilitas

Hasil Uji Validitas dalam penelitian ini sebagai berikut:
Tabel 4. Uji Validitas

Variabel Nilai Nilai
Kesimpula
Penelitia Korela r Keterangan
n
n si tabel
r hitung > r
item_1 0.290 Valid
tabel
r hitung > r
item_2 0.469 Valid
tabel
r hitung > r
item_3 0.228 Valid
tabel
r hitung > r
item_4 0.450 Valid
tabel
r hitung > r
item_5 0.461 Valid
tabel
r hitung > r
item_6 0.504 Valid
tabel
0.227
r hitung > r
item_7 0.543 Valid
tabel
r hitung > r
item_8 0.482 Valid
tabel
r hitung > r
item_9 0.439 Valid
tabel
r hitung > r
item_10 0.299 Valid
tabel
r hitung > r
item_11 0.582 Valid
tabel
r hitung > r
item_12 0.718 Valid
tabel
21
r hitung > r
item_13 0.688 Valid
tabel
r hitung > r
item_14 0.730 Valid
tabel
r hitung > r
item_15 0.570 Valid
tabel
r hitung > r
item_16 0.600 Valid
tabel
r hitung > r
item_17 0.626 Valid
tabel
r hitung > r
item_18 0.537 Valid
tabel
r hitung > r
item_19 0.501 Valid
tabel
r hitung > r
item_20 0.557 Valid
tabel
Sumber: Hasil Olah Data SPSS Tahun 2022
Berdasarkan Tabel 4, seluruh nilai korelasi hasil perhitungan berada diatas angka
kritik dengan tarif signifikansi 5%, n= 75 sebesar 0.227. Sehingga dapat disimpulkan
bahwa seluruh variabel penelitian tersebut valid. Selanjutnya hasil Uji Reliabilitas
dalam penelitian ini sebagai berikut:
Tabel 5. Uji Reliabilitas

Reliability Statistics
Cronbach's
Cronbach's Alpha Based on N of
Alpha Standardized Items
Items
0.845 0.854 20
Sumber: Hasil Olah Data SPSS Tahun 2022
Berdasarkan Tabel 5, nilai alpha total adalah 0.845 hal ini menunjukkan bahwa
penelitian ini reliabilitasnya tinggi, karena nilainya diatas 0.6.
a. Hasil Analisis Cluster

Proses clustering dilakukan dengan menggunakan metode Single Linkage, Complete
Linkage dan Average Linkage. Adapun proses clustering pada penelitian ini adalah
sebagai berikut:
22
1) Menentukan ukuran kemiripan dan ketakmiripan

Berikut ini adalah perhitungan kemiripan antar kartu Telkomsel dengan kartu
Axis (objek 1 dan objek 2):
𝑑1,2 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(228 − 213)2 + (386 − 160)2 + (466 − 366)2 + (742 − 259)2

= 542.76
Perhitungan kedekatan antara objek 1 dan objek 2 menghasilkan Euclidean sebesar
542.76. kemudian untuk perhitungan kemiripan antara Telkomsel dengan kartu XL
(objek 1 dan objek 3):
𝑑1,3 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(228 − 76)2 + (386 − 185)2 + (466 − 286)2 + (742 − 367)2

= 486.34
486.34. kemudikan untuk perhitungan kemiripan antara Telkomsel dengan kartu
Three (objek 1 dan objek 4):
𝑑1,4 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(228 − 134)2 + (386 − 0)2 + (466 − 222)2 + (742 − 259)2

= 671.31
671.31. kemudikan untuk perhitungan kemiripan antara Telkomsel dengan kartu
Indosat (objek 1 dan objek 5):
𝑑1,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(228 − 521)2 + (386 − 317)2 + (466 − 0)2 + (742 − 153)2

= 809.15
809.15. kemudikan untuk perhitungan kemiripan antara kartu Telkomsel dengan
kartu Smartfren (objek 1 dan objek 6):
𝑑1,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(228 − 133)2 + (386 − 0)2 + (466 − 0)2 + (742 − 0)2

= 962.15
23

962.15. kemudikan untuk perhitungan kemiripan antara kartu Axis dengan kartu XL
(objek 2 dan objek 3):
𝑑2,3 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(213 − 76)2 + (160 − 185)2 + (366 − 286)2 + (259 − 367)2

= 193.54
193.54. kemudikan untuk perhitungan kemiripan antara kartu Axis dengan kartu
𝑑2,4 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(213 − 134)2 + (160 − 0)2 + (366 − 222)2 + (259 − 259)2

= 229.30
229.30. kemudikan untuk perhitungan kemiripan antara kartu Axis dengan kartu
𝑑2,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(213 − 521)2 + (160 − 317)2 + (366 − 0)2 + (259 − 153)2

= 514.49
514.49. kemudikan untuk perhitungan kemiripan antara Kartu Axis dengan kartu
Smartfren (objek 2 dan objek 6):
𝑑2,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(213 − 133)2 + (160 − 0)2 + (366 − 0)2 + (259 − 0)2

= 482.74
482.75. kemudikan untuk perhitungan kemiripan antara kartu XL dengan kartu
𝑑3,4 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(76 − 134)2 + (185 − 0)2 + (286 − 222)2 + (367 − 259)2

= 230.97
24

𝑑3,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(76 − 521)2 + (185 − 317)2 + (286 − 0)2 + (367 − 153)2

= 585.70
𝑑3,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(76 − 133)2 + (185 − 0)2 + (286 − 0)2 + (367 − 0)2

= 503.94
503.94. kemudikan untuk perhitungan kemiripan antara kartu Three dengan kartu
𝑑4,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(134 − 521)2 + (0 − 317)2 + (222 − 0)2 + (259 − 153)2

= 557.47
557.47. kemudikan untuk perhitungan kemiripan antara Kartu Three dengan kartu
𝑑4,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(134 − 133)2 + (0 − 0)2 + (222 − 0)2 + (259 − 0)2

= 341.12
341.12. kemudian untuk perhitungan kemiripan antara kartu Indosat dengan kartu
𝑑5,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2
= √(521 − 133)2 + (317 − 0)2 + (0 − 0)2 + (513 − 0)2

= 523.87
25

523.87.
Dibawah ini merupakan ringkasan matriks dari hasil perhitungan jarak Euclidean:
0 542.76 486.34 671.31 809.13 962.15

542.76 0 193.54 229.30 514.49 482.74
𝐷 = 486.34 193.54 0 230.97 585.70 503.94
671.31 229.30 230.97 0 557.47 503.94
809.13 514.49 585.70 557.47 0 523.87
[962.15 482.74 503.94 341.12 523.87 0 ]
Dapat dilihat hasil perhitungan jarak euclidean antar Kartu Telkomsel dengan Kartu
Axis adalah 542.76 sedangkan jarak euclidean antara Kartu Telkomsel dengan Kartu
XL adalah 486.34, untuk jarak euclidean Kartu Telkomsel dengan Kartu Three
adalah 671.31 sedangkan jarak euclidean antara Kartu Telkomsel dengan Kartu
Indosat adalah 809.13.
Semkin rendah sekor jarak semakin dekat objek-objek yang dipasangkan. Hali ini
menunjukan bahwa jarak euclidean antara Kartu Axis dengan Kartu XL memiliki
karakteristik yang lebih mirip dibandingkan dengan jarak antara kartu Telkomsel
dengan Indosat.
b. Proses Analisis Cluster Average Linkage

Proses analisis dengan metode average linkage merupakan proses aglomerasi
bersifat komplek, khususnya pada perhitungan koefisien. Proses agglomerasi
merupakan proses clustering yang dilakukan setelah jarak antar variabel diukur
dengan menggunkan rumus jarak euclidean. Dimana pada proses ini dilakukan
pengclusteran berdasarkan matriks jarak yang telah ada. Sehingga langkah awal
yang harus dilakukan sebelum proses ini adalah mengukur kedekatan dengan
menggunkanan ukuran jarak yang telah ditentukan. Setelah itu proses selanjutnya
adalah menemukan objek yang paling dekat dalam matriks jarak euclidean dan
menggabungkannya menjadi cluster baru.
Setelah dilakukan perhitungan jarak yang dijadikan sebagai ukuran kedekatan atau
kemiripan maka selanjutnya dilakukan untuk proses clusterin dengan metode
average linkage. Dibawah ini hasil pengclusteran dengan metode average linkage
menggunakan software minitab.
Tabel 6. Matriks Jarak Baru
Distances Between Cluster

Centroids
Cluster1 Cluster2
26
Cluster1 0 659,433
Cluster2 659,433 0
Sumber: Olah Data Minitab tahun 2022
Tabel 6 merupakan hasil perhitungan dari cluster baru yang terbentuk setelah
penggabungkan beberapa objek sebelumnya yang paling mirip. Proses
pengclusteran juga dapat diilustrasikan dalam bentuk dendogram. Berikut
merupakan 6 dendogram pengelompokan kartu perdana dengan metode average
linkage menggunakan software minitab dapat dilihat pada gambar dibawah ini:
Gambar 1. Dendogram Analisis Cluster Hierarki Metode Average Linkage
Teknis pengelompokan tersebut dimulai dari dua objek yang memilki jarak terdekat,
dapat dijelaskan dengan Amalgamation Steps berikut:
1) Tahap 1 objek 2 dan 3 bergabung menjadi kelompok 2
2) Tahap 2 objek 4 bergabung dengan kelompok 2 yang kemudian terdiri dari 3
objek (4, 2 dan 3)
3) Tahap 3 objek 6 bergabung menjadi kelompok 2 yang kemudian tediri dari 4
objek (6, 4, 2 dan 3)
4) Tahap 4 objek 5 bergabung menjadi kelompok 2 yang kemudian terdiri dari 5
objek (5, 6, 4, 2 dan 3)
5) Proses pengabungan dilakukan hingga tahap 4 dimana kelompok 2 bergabung
dengan objek 1 menjadi satu kelompok yang terdiri dari keseluruhan objek (6
objek).
27
c. Menentukan Jumlah Anggota Cluster

Analisis cluster hanya menunjukan anggota-anggota cluster untuk banyaknya
cluster tetntu bukan memutuskan betapa banyaknya cluster yang terbentuk. Pada
penelitian ini menggunakan cluster membership dengan 2 cluster. Tabel berikut
merupakan tabel cluster membership yang merupakan output atau hasil yang
didapatkan dari peroses pengolahan data adalah sebagai berikut:
Tabel 7. Cluster Membership

Cluster Membership
Kartu perdana cluster
Telkomsel 1
Axis 2
XL 2
Three 2
Indosat 2
Smartfren 2
Sumber: Olah Data Minitab Tahun 2022
Berdasarkan Tabel 7, diperoleh output dari hasil pengolahan data, sehingga dengan
dilihat pada tabel dibawah ini dapat disimpulkan bahwa anggota masing-masing
cluster adalah:
Tabel 8. Anggota dari Cluster yang terbentuk dengan Metode Average Linkage
Cluster Anggota
Cluster 1 Telkomsel
Cluster 2 Axis, XL, Three, Indosat dan Smartfren
Dari Tabel 8, dapat diketahui bahwa pengelompokkan kartu perdana menjadi 2

cluster memiliki memiliki komposisi atau jumlah kelompok masing-masing cluster.
Paling sedikit adalah cluster 1 dengan hanya terdiri 1 kartu perdana dan yang
terbanyak adalah cluster 2 yang terdiri dari 5 kartu perdana.
d. Interpretasi Cluster Pada Metode Average Linkage

Setelah menetukan cluster dan anggotanya, langkah selanjutnya adalah interpretasi
cluster. Untuk menginterpretasikan profil cluster dapat dilakukan dengan
menggunakan rata-rata setiap cluster pada setiap variabel (centroid). Nilai centroid
untuk masing-masing variabel pada cluster adalah sebagai berikut:
28
Tabel 9. Cluster Centroids
Cluster Centroids
Variable Grand
Cluster1 Cluster2
centroid centroid
Semester 1 228 215,4 217,5
Semester 3 386 132,4 174,667
Semester 5 466 174,8 223,333
Semester 7 742 207,6 296,667
Sumber: Olah Data Minitab tahun 2022
Pada Tabel 9, pada cluster 1 dan cluster 2 terlihat bahwa variabel Semester 7
mempunyai nilai centroid yang tinggi dibandingkan dengan variabel yang lain. Jadi
variabel semester 7 merupakan alasan tertinggi untuk seorang marketing kartu
perdana ingin menawarkan produknya.
KESIMPULAN
Berdasarkan hasil uji, analisis dan pembahasan mengenai pengelompokkan produk
kartu perdana, dapat dirumuskan kesimpulan sebagai berikut:
1. Hasil perhitungan jarak euclidean antar Kartu Telkomsel dengan Kartu
Axis adalah 542.76 sedangkan jarak euclidean antara Kartu Telkomsel
dengan Kartu XL adalah 486.34, untuk jarak euclidean Kartu Telkomsel
dengan Kartu Three adalah 671.31 sedangkan jarak euclidean antara Kartu
Telkomsel dengan Kartu Indosat adalah 809.13.
2. Pengelompokkan kartu perdana menjadi 2 cluster memiliki memiliki
komposisi atau jumlah kelompok masing-masing cluster. Paling sedikit
adalah cluster 1 dengan hanya terdiri 1 kartu perdana dan yang terbanyak
adalah cluster 2 yang terdiri dari 5 kartu perdana.
3. Diketahui bahwa variabel Semester 7 mempunyai nilai centroid yang tinggi
dibandingkan dengan variabel yang lain.
DAFTAR PUSTAKA
Gudono. (2014). Analisis Data Multivarat (Edisi Pertama). Yogyakarta: BPFE.
Hardius Usman, dkk. (2013). Aplikasi Teknik Multivariate untuk Riset Pemasaran.
Jakarta: PT Grafindo Persada.
Laeli, Sofya. (2014). Analisis Cluster dengan Average Linkage Methode dan Ward’s
Methode untuk Data Responden Nasabah Asuransi Jiwa Unit Link. Skripsi.
Yogyakarta: Universitas Negeri Yogyakarta.
Reski, Awaliyah. (2018). Analisis Cluster untuk Mengelompokkan Tingkat
Kesejahteraan Kabupaten/Kota Berdasarkan Sosial Ekonomi Rumah Tangga
29
di Wilayah Provinsi Sulawesi Selatan. Skripsi. Makassar: Universitas Islam

Negeri Alauddin Makassar.
Sirojuddin, Achmad. (2016). Analisis Cluster pada Kabupaten/Kota di Provinsi Jawa
Timur Berdasarkan Indikator Indeks Pembangunan Manusia. Skripsi.
Malang: Universitas Islam Negeri Maulana Malik Ibrahim.
Sugiyono. (2017). Metode Penelitian Kuantitatif Kualitatif Dan R & D. Alfabeta,
Bandung.
Sugiyono. (2017). Statistika Untuk Penelitian. Alfabeta, Bandung.
Wijaya Mohammad, H.P. (2013). Promosi, Citra Merek, Dan Saluran Distribusi
Pengaruhnya Terhadap Keputusan Pembelian Jasa Terminix Di Kota
Manado. Jurnal EMBA. Vol. 1. No 4. Hal 105-114.
30

25-Article Text-73-1-10-20220409

Diunggah oleh

Hak Cipta:

Format Tersedia

25-Article Text-73-1-10-20220409

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

25-Article Text-73-1-10-20220409

Diunggah oleh

Hak Cipta:

Format Tersedia

Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika

p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.2 No. 1 Maret 2022

ANALISIS CLUSTER UNTUK MENGELOMPOKKAN

Ajeng Afifah Muhartini1, Tanti Febriati2, Sri Sukmawati3

ABSTRAK: Perkembangan teknologi dan komunikasi yang semakin pesat

ABSTRACT: The development of technology and communication has led to increasing

Di Indonesia saat ini terdapat 5 jasa telekomunikasi yaitu Telkomsel (kartuHalo,

dapat dikelompokan dengan cara menganalisis pilihan pelanggan atau pembeli

Untuk mendapatkan kelompok yang sehomogen mungkin, maka yang digunakan

Dalam analisis cluster, terdapat banyak metode untuk mengelompokan data

B. Metode hierarki (hierarchical clustering methods)

Metode agglomerative dimulai dengan mengasumsikan bahwa setiap objek adalah

disajikan dalam bentuk dendogram. Sedangkan metode pembagi (divisive) yaitu

Metode agglomerative ini mempunyai beberapa prosedur pengelompokan yaitu:

2. Metode Complete Linkage (Pautan Lengkap)

HASIL DAN PEMBAHASAN

Tabel 1. Data responden berdasarkan jenis kelamin

Berdasarkan Tabel 1, dapat disimpulkan bahwa jumlah responden dengan jenis

Tabel 2. Data responden berdasarkan tingkat semester

Tabel 3. Data responden berdasarkan penggunaan kartu perdana

b. Hasil Uji Validitas dan Reliabilitas

Tabel 4. Uji Validitas

Tabel 5. Uji Reliabilitas

a. Hasil Analisis Cluster

1) Menentukan ukuran kemiripan dan ketakmiripan

= √(228 − 213)2 + (386 − 160)2 + (466 − 366)2 + (742 − 259)2

𝑑1,3 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(228 − 76)2 + (386 − 185)2 + (466 − 286)2 + (742 − 367)2

𝑑1,4 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(228 − 134)2 + (386 − 0)2 + (466 − 222)2 + (742 − 259)2

𝑑1,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(228 − 521)2 + (386 − 317)2 + (466 − 0)2 + (742 − 153)2

𝑑1,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(228 − 133)2 + (386 − 0)2 + (466 − 0)2 + (742 − 0)2

Perhitungan kedekatan antara objek 1 dan objek 6 menghasilkan Euclidean sebesar

𝑑2,3 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(213 − 76)2 + (160 − 185)2 + (366 − 286)2 + (259 − 367)2

𝑑2,4 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(213 − 134)2 + (160 − 0)2 + (366 − 222)2 + (259 − 259)2

𝑑2,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(213 − 521)2 + (160 − 317)2 + (366 − 0)2 + (259 − 153)2

𝑑2,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(213 − 133)2 + (160 − 0)2 + (366 − 0)2 + (259 − 0)2

𝑑3,4 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(76 − 134)2 + (185 − 0)2 + (286 − 222)2 + (367 − 259)2

Perhitungan kedekatan antara objek 3 dan objek 4 menghasilkan Euclidean sebesar

𝑑3,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(76 − 521)2 + (185 − 317)2 + (286 − 0)2 + (367 − 153)2

𝑑3,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(76 − 133)2 + (185 − 0)2 + (286 − 0)2 + (367 − 0)2

𝑑4,5 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(134 − 521)2 + (0 − 317)2 + (222 − 0)2 + (259 − 153)2

𝑑4,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(134 − 133)2 + (0 − 0)2 + (222 − 0)2 + (259 − 0)2

𝑑5,6 = √(𝑥1 − 𝑦1 )2 + (𝑥2 − 𝑦2 )2 + (𝑥3 − 𝑦3 )2 + (𝑥4 − 𝑦4 )2

= √(521 − 133)2 + (317 − 0)2 + (0 − 0)2 + (513 − 0)2

Perhitungan kedekatan antara objek 5 dan objek 6 menghasilkan Euclidean sebesar

0 542.76 486.34 671.31 809.13 962.15

b. Proses Analisis Cluster Average Linkage