Get documents about "APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 2011
W
Document Sample
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH
TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 20111
Tinus Septioko1, Hanna Arini Parhusip2, Tundjung Mahatma3
1
Mahasiswa Program Studi Matematika FSM UKSW
2,3
Dosen Program Studi Matematika FSM UKSW
e-mail : 662009010@student.uksw.edu1,hannaariniparhusip@yahoo.co.id2,
t.mahatma@gmail.com3
Abstrak
Survei sosial ekonomi nasional atau yang disebut Susenas adalah survei yang dilaksanakan
badan pusat statistik 4 kali dalam setahun. Susenas merupakan salah satu sumber data yang
diperlukan khususnya untuk perencanaan di bidang sosial ekonomi masyarakat. Susenas
mengumpulkan data yang menyangkut bidang pendidikan, kesehatan, perumahan, dan sosial
ekonomi lainnya. Keadaan ekonomi masyarakat dapat diketahui melalui hasil Susenas, jika tingkat
ekonomi masyarakat rendah tentunya pemerintah tidak boleh tinggal diam. Dari data Susenas
dapat diketahui rumah tangga ekonomi bawah, menengah, maupun ekonomi atas. Hasil ini dapat
digunakan untuk patokan pemberian bantuan kepada rumah tangga ekonomi bawah.
Pengelompokan ekonomi masyarakat dapat dilakukan dengan metode clustering, dimana
rumah tangga yang memiliki karakteristik yang mirip akan dikelompokkan ke dalam kelompok
yang sama. Untuk mendapatkan hasil cluster yang lebih cepat dan efisien maka pada penelitian
ini, dikembangkan aplikasi untuk mengelompokkan rumah tangga dari data Susenas di Salatiga
tahun 2011 triwulan 1 dan 2 berdasarkan tingkat ekonomi, yaitu rumah tangga ekonomi atas,
rumah tangga ekonomi menengah, dan rumah tangga ekonomi bawah. Pengelompokan data
dilakukan menggunakan metode k-means, yaitu dengan mengelompokkan n-buah objek dengan p-
dimensi ke dalam k-cluster berdasarkan jarak minimal masing-masing data ke pusat cluster.
Aplikasi yang dibangun diharapkan dapat membantu untuk tujuan pengelompokan data bagi
pihak-pihak yang membutuhkan.
Dari hasil penelitian terhadap 254 data sampel, diperoleh 3 kelompok rumah tangga
berdasarkan tingkat ekonomi, yaitu 25 rumah tangga ekonomi atas, 99 rumah tangga ekonomi
menengah, dan 130 rumah tangga ekonomi bawah. Rata-rata pendapatan rumah tangga yang
masuk dalam kategori rumah tangga ekonomi bawah berkisar antara 2 juta rupiah sampai 2.25
juta rupiah per bulan, sedangkan untuk pendapatan 2 kategori yang lain tentunya berada diatas
2.25 juta rupiah per bulan.
Kata kunci : Susenas, cluster, K-means, ekonomi.
Abstract
National socioeconomic survey called Susenas is a survey conducted statistical central body
four times a year. Susenas is one source of the data needed for planning particularly in the area of
socio-economic population. Susenas collect data on education, health, housing, social and
economic. The state of the economy can be seen through the Susenas, if the economic needs of low
government certainly should not stay silent. From the Susenas data it can be seen bottom economy
households, middle, and upper economy. These results can be used to benchmark the provision of
assistance to households who economy below.
Community economic grouping to do with the method of clustering, where by households
with similar characteristics will be grouped into the same group. To get the cluster more quickly
1
Penulis bersedia untuk berbagi data riset, data terlampir.
1
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
and efficiently so in this study, the application was developed to classify the data Susenas
households in Salatiga in 2011 quarter one and two based on an economic level, ie the upper
economy household, middle class household, and the bottom economy household. Grouping of
data is done using k-means clustering method, by classifying n-pieces with a p-dimensional objects
into k-clusters based on a minimum distance of each data to a cluster center. Applications built is
expected to help for the purpose of grouping the data for private need.
From the results of a study of 254 samples of the data, obtained by the three groups of
households based on an economic level, ie 25 upper economy households, 99 middle class
households, and 130 down economy household. The average household income in the lower
economic category of households ranged up 2 million to 2.25 million per month, while for the
other two categories of income must be above 2.25 million per month.
Key Words : Susenas, Cluster, K-means, Economy.
1. Pendahuluan 2002), dalam bidang pendidikan
Pemberian bantuan untuk digunakan untuk memprediksi kualitas
masyarakat miskin sudah banyak akademik siswa (Oyelade et al. 2010),
dilakukan, seperti raskin, BLT, dan Program komputer untuk
bantuan yang lainnya. Melalui survei pengelompokan data banyak dijumpai,
yang dilakukan BPS, yaitu Susenas dapat namun program-program tersebut relatif
diketahui perekonomian masyarakat. memiliki memori yang besar dan susah
Mencegah terjadinya salah sasaran dalam penggunaannya.
pemberian bantuan, maka dari data Dalam penelitian ini masalah yang
perekonomian masyarakat, harus timbul adalah bagaimana membangun
dikelompokkan terlebih dahulu ke dalam aplikasi k-means yang dapat digunakan
kelompok-kelompok ekonomi. Untuk untuk mengelompokkan rumah tangga
melakukan pengolahan data dapat berdasarkan data Susenas Salatiga tahun
dilakukan dengan metode cluster. 2011 triwulan 1 dan 2 berdasarkan
Metode cluster adalah metode yang tingkat ekonomi. Hasil yang didapatkan
digunakan untuk mengelompokkan data dapat digunakan untuk patokan dalam
ke dalam satu atau lebih kelompok yang pengambilan keputusan, misal sebagai
mempunyai karakteristik yang mirip. patokan untuk pemberian bantuan kepada
Penghitungan manual akan sulit masyarakat seperti raskin, BLT, ataupun
dilakukan mengingat data yang diolah bantuan yang lainnya. Tujuan dari
tidaklah sedikit. Penghitungan manual penelitian ini adalah membangun aplikasi
yang lama dan rumit dapat diatasi dengan dengan metode k-means untuk
adanya program komputer. Peran mengelompokkan rumah tangga di
komputer sebagai alat bantu Salatiga berdasarkan data Susenas ke
pengelompokan data sangat menunjang dalam kriteria rumah tangga ekonomi
dalam kecepatan dan ketepatan hasil. atas, rumah tangga ekonomi menengah,
Dalam berbagai bidang, pengelompokan dan rumah tangga ekonomi bawah. Pada
data banyak digunakan dengan berbagai penelitian ini data yang digunakan
tujuan. Dalam bidang ekonomi, terbatas pada data Susenas dan pebuatan
clustering atau pengelompokan data program dilakukan dengan program
digunakan untuk membuat segmen pasar, matlab R2009a.
memahami perilaku pembeli, mengenali Program ini berdasarkan pada
peluang produk baru (Supranto 2004), metode k-means clustering. K-means
digunakan untuk mengelompokkan merupakan salah satu metode clustering
saham-saham perusahaan (Mahadwartha non hirarki yang berusaha mempartisi
2
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
data ke dalam satu atau lebih cluster / yang memiliki jarak minimum ke
kelompok berdasarkan jarak minimal centroid. Lakukan langkah tersebut
data ke centroid. Pangalokasian data ke hingga cluster stabil / tidak berubah.
dalam suatu cluster dilakukan secara
tegas, sehingga setiap data akan menjadi 2.2. Euclidean Distance
anggota cluster dan hanya satu cluster. Untuk menghitung jarak antara data
Metode ini mempartisi data, dimana data dengan centroid digunakan euclidean
yang memiliki karakteristik yang mirip disatnce. Jarak dihitung menggunakan
dikelompokkan ke dalam cluster yang persamaan 2 (Santoso 2007; Supranto
sama (Agusta 2007; Santoso 2007). 2004) :
���� ����2 , ����1 = ����2 − ����1 2 =
2. Analisis Cluster ���� 2
Analisis cluster merupakan metode ���� =1 ����2���� − ����1���� (2)
pengolahan data yang bertujuan untuk dimana
mengelompokkan data kedalam ���� : dimensi data
kelompok-kelompok dimana data-data
yang berada dalam kelompok yang sama 2.3. Menilai Kualitas Cluster
akan mempunyai sifat yang mirip Metode yang digunakan untuk
(Agusta 2007; Santoso 2007). menilai kualitas cluster dianggap ideal
adalah batasan variance, yaitu dengan
2.1. K-means menghitung kepadatan cluster berupa
K-means merupakan metode cluster variance within cluster (��������) dan
berbasis jarak yang membagi data ke variance between cluster (��������). Cluster
dalam k-cluster, dan algoritma ini hanya yang ideal memiliki �������� minimum yang
bekerja pada data numerik. Metode ini mempresentasikan internal homogenity
berusaha meminimalkan fungsi objektif dan maksimum �������� yang
pada persamaan 1. mempresentasikan external homogenity
���� ����, ���� = ���� ���� 2
����=1 ����=1 ������������ ������������ (1) (Saepulloh 2010).
dimana : ����
���� = �������� × 100% (3)
���� ����, ���� : fungsi objektif ����
������������ : tingkat keanggotaan objek ke – Menghitung nilai variance tiap cluster
i dalam cluster ke –c yang dapat dilakukan menggunakan persamaan
bernilai 1 atau 0 . 4:
1 ���� ���� 2
���� : banyak objek ���� 2 = ����
���� ����=1 ������������ − �������� (4)
���� −1
���� : banyak cluster dimana
2
������������ : kuadrat dari jarak pusat cluster ���� 2 : variance pada cluster ke- ����
����
ke -c terhadap objek ke –i. ,���� = 1. . . ����,
���� : banyaknya cluster
Pada awalnya algoritma ini mengambil �������� : banyaknya data pada cluster ke- ����
sebanyak k-centroid secara random dari
������������ : data ke-���� pada cluster ke- ����
data, namun dalam penelitian ini
�������� : rata-rata dari data pada cluster ke- ����
penentuan centroid pertama kali diambil
Selanjutnya untuk menghitung variance
dari mean data sebanyak k-centroid.
within cluster (Vw) dapat dihitung
Hitung jarak setiap data terhadap masing-
dengan persamaan 5 :
masing centroid, dalam hal ini 1
penghitungan jarak digunakan rumus ���� = ����−���� ���� �������� − 1 ∙ ���� 2 (5)
���� ����=1 ����
euclidean. Alokasikan data ke cluster dimana
3
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
���� : variance dalam cluster
���� dilakukan adalah standarisasi data. Data
���� : banyaknya data yang sudah distandarisasi kemudian
Variance between cluster (Vb) dihitung digunakan untuk proses pengelompokan.
menggunakan persamaan 6 : Setelah didapatkan hasil cluster, sebagai
1 2 pengecekan, dengan metode yang sama
�������� = ����−1 ���� �������� �������� − ����
����=1 (6)
hasil ini dibandingkan dengan hasil
dimana penghitungan dengan program SPSS.
���� : rata-rata �������� . Pengelompokan data dengan program k-
means adalah sebagai berikut :
a. Menjalankan program k-means
3. Metode Penelitian dengan Matlab, maka akan terlihat
3.1. Data tampilan awal program, yang terlihat
Data yang digunakan adalah data pada gambar 2.
Susenas di Salatiga tahun 2011 triwulan 1 >> cover_program % merupakan
dan 2, dengan 254 pengamatan dan 4 perintah untuk memanggil
variabel yang meliputi variabel banyak program k-means
anggota rumah tangga (orang), b. Tampilan program utama terlihat
pengeluaran makanan (Rp), pendapatan pada gambar 3, digunakan untuk
rumah tangga (Rp), dan pengeluaran non menginputkan parameter-parameter
makanan (Rp). program dan prosedur program yang
meliputi :
1. Banyak cluster yang dibentuk 3.
3.2. Rancangan Program 2. Buka data yang akan diproses,
Rancangan program untuk metode dalam hal ini data Susenas
k-means clustering menggunakan Salatiga tahun 2011.
diagram alir seperti pada gambar 1. 3. Lakukan proses standarisasi data.
4. Proses pengelompokan k-means.
3.3. Uji Program 5. Hasil pengelompokan data ke
Dengan data dan metode yang sama dalam 3 kelompok dengan 254
pengujian program dilakukan dengan pengamatan dapat dilihat dalam
cara membandingkan hasil output tabel hasil cluster.
program dengan hasil output program
SPSS. Pengujian ini bertujuan untuk Pada tabel 1 disajikan sebagian data
mengetahui apakah hasil yang didapat asli yang akan dikelompokkan. Data ini
dengan program k-means sudah setara kemudian distandarisasi utuk membuat
dengan program-program yang lain. data tidak bersatuan. Tabel 2 adalah hasil
standarisasi data sebelum diolah dengan
4. Hasil dan Pembahasan program k-means. Selanjutnya digunakan
4.1. Implementasi Program algoritma k-means untuk
Uji coba dilakukan dengan mengelompokkan data yang sudah
menggunakan data Susenas di Salatiga distandarisasi. Data akan dikelompokkan
tahun 2011 triwulan 1 dan 2 dengan 254 menjadi 3 kelompok. Langkah
pengamatan dan 4 variabel yang meliputi pengelompokan data dengan k-means
variabel banyak ART (A), konsumsi adalah sebagai berikut :
makanan (B), pendapatan (C), dan 1. Menentukan pusat cluster pertama
konsumsi non-makanan (D). Dari ke-4 atau centroid awal.
variabel ini memiliki satuan yang
berbeda sehingga tahap pertama yang
4
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
Centroid pertama didekati dengan c. Rumah tangga ekonomi bawah
mean dari data sebanyak k-cluster. sebanyak 130 rumah tangga, terdapat
Karena akan dibentuk 3 cluster maka dalam cluster 3 dengan nilai variabel
centroid yang dibentuk juga sebanyak pendapatan terkecil yaitu -0.488.
3. Berikut merupakan centroid yang
dibentuk : 4.2. Output SPSS
����1 = (0.137 , 0.151, 0.138, 0.131) Dengan data dan metode yang
����2 = (0.204, 0.094, 0.015, −0.019) sama, dengan alat bantu SPSS dilakukan
����3 proses clustering. Centroid pertama, hasil
= (−0.341, −0.244, −0.153, −0.112) cluster, dan centroid akhir secara
2. Hitung jarak setiap data terhadap berturut-turut ditampilkan dalam tabel 7,
setiap pusat cluster. 8, dan 9. Dalam tabel 10 menunjukkan
Dengan persamaan 2 dihitung jarak banyak data yang menjadi anggota
setiap data ke setiap centroid. Hasil cluster yang terbentuk. Hasil cluster
penghitungan jarak ditampilkan akhir yang diperoleh dengan program
dalam tabel 3. SPSS adalah :
3. Data akan menjadi anggota dari a. Rumah tangga ekonomi atas
cluster yang memiliki nilai jarak sebanyak 21 rumah tangga, terdapat
terkecil dari pusat clusternya, hal ini dalam cluster 3, yang berdasar pada
ditampilkan dalam tabel 4. nilai Zscore(v3) 2.70304 yang
merupakan nilai tertinggi dibanding
Hitung setiap centroid yang baru dengan nilai pada cluster yang lain.
dari mean data yang menjadi anggota b. Rumah tangga ekonomi menengah
cluster, hitung jarak setiap data ke sebanyak 127 rumah tangga, terdapat
centroid yang baru. Alokasikan setiap dalam cluster 1, dengan nilai
data ke cluster yang memiliki jarak Zscore(v3) sebesar 0.00837.
minimal. Ulangi langkah 1 sampai 3 c. Rumah tangga ekonomi bawah
hingga cluster stabil / tidak ada sebanyak 106 rumah tangga, terdapat
perubahan. Hasil akhir dari program k- dalam cluster 2, dengan nilai
means ditampilkan dalam tabel 5 dan Zscore(v3) sebesar -0.54553.
centroid akhir ditampilkan dalam tabel 6,
dengan nilai fungsi objektif 3048.59 dan 4.3. Perbandingan Hasil
nilai ���� sebesar 0.011655 persen, hal ini Hasil program k-means dan SPSS
menunjukkan tingkat homogenitas hasil ditampilkan dalam diagram batang yang
cluster. Hasil yang diperoleh dengan tersaji dalam gambar 4. Rumah tangga
program k-means adalah sebagai berikut : dengan tingkat ekonomi atas ditunjukkan
a. Rumah tangga ekonomi atas dalam cluster 1. Dari hasil program k-
sebanyak 25 rumah tangga, terdapat means, sebanyak 25 rumah tangga
dalam cluster 1. Terlihat dari nilai menjadi anggota cluster 1, dan hasil
variabel C / pendapatan 2.420 SPSS sebanyak 21 rumah tangga
merupakan nilai paling besar dintara menjadi anggota cluster 1. Rumah
cluster yang lain. tangga yang menjadi anggota cluster 1
b. Rumah tangga ekonomi menengah ditampilkan dalam tabel 11. Dari tabel
sebanyak 99 rumah tangga, terdapat 11 terlihat bahwa rumah tangga 165,
dalam cluster 2, dengan nilai variabel 190, 210, 230 yang menjadi anggota
pendapatan 0.030. cluster 1 dari hasil program k-means
tidak menjadi anggota cluster 1 dari
5
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
hasil SPSS. 4 data ini menjadi anggota Agusta, Yudi. 2007. K-means-Penerapan,
cluster lain dalam hasil program k- Permasalahan dan Metode Terkait.
means. Dengan cara yang sama cluster 2 Jurnal Sistem dan Informatika
dan 3 dapat diketahui. Vol.3 : 47 - 60.
Bandan Pusat Statistik. 2010. Survei Sosial
Ekonomi Nasional [SUSENAS Juli
5. Kesimpulan 2010] (Pedoman Pencacahan
Berdasarkan hasil penelitian, KOR). Jakarta : Badan Pusat
diperoleh kesimpulan sebagai berikut : Statistik.
1) Program yang telah dibangun dapat Mahadwartha, P.A. 2002. Analisis Cluster
digunakan untuk mengelompokkan Saham-Saham Berdasarkan
rumah tangga berdasarkan tingkat Nisbah Profitabilitas Di Masa
perekonomian (ekonomi atas, Kritis. Jurnal Ekonomi dan Bisnis
menengah, dan bawah). Program Dian Ekonomi VIII/2.
hanya dapat digunakan untuk data O.J.Oyelade, O.O.Oladipupo, dan
numerik. I.C.Obagbuwa. 2010. Aplication
2) Dari program k-means didapat 25 of K-means Clustering Algorithm
for Prediction of Students’
rumah tangga ekonomi atas, 99 Academic Performance.
rumah tangga ekonomi menengah, International Journal of Computer
dan 130 rumah tangga ekonomi Science and Information Security,
bawah. Vol. 7, No. 1.
3) Dari SPSS didapat 21 rumah tangga Saepulloh, D. 2010. Analisis Data Mining
ekonomi atas, 127 rumah tangga K-means cluster analysis Untuk
ekonomi menengah, dan 106 rumah Menentukan Data Berjenis Biner
tangga ekonomi bawah. (Studi Kasus Pengelompokan
4) Perbedaan hasil program k-means Rumah Tangga Sasaran (RTS)
dan SPSS terjadi karena perbedaan Bantuan Langsung Tunai
inisialisasi centroid pertama. Metode (BLT))(Tesis). Bandung : Fakultas
Matematika dan Ilmu Pengetahuan
k-means sangat sensitif terhadap
Alam Universitas Padjadjaran.
inisialisasi centroid awal, sehingga Santoso, B. 2007. DATA MINING : Teknik
hasil cluster yang dihasilkan berbeda. Pemanfaatan Data untuk
5) Berdasarkan data, sebagian besar Keperluan Bisnis, Edisi Pertama.
penduduk Salatiga berekonomi Yogyakarta : Graha Ilmu.
menengah ke bawah. Supranto, J. 2004. Analisis Multivariat Arti
dan Interpretasi. Jakarta : Rineka
6. Daftar Pustaka Cipta.
6
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
LAMPIRAN GAMBAR
1. Gambar 1. Diagram alir program k-means.
2. Gambar 2. Tampilan awal program k-means.
3. Gambar 3. Tampilan program k-means.
4. Gambar 4. Hasil cluster program k-means dan SPSS.
LAMPIRAN TABEL
1. Tabel 1. Data asli.
2. Tabel 2. Data standarisasi.
3. Tabel 3. Jarak data ke centroid.
4. Tabel 4. Hasil cluster.
5. Tabel 5. Final cluster.
6. Tabel 6. Final centroid.
7. Tabel 7. Centroid pertama.
8. Tabel 8. Cluster awal.
9. Tabel 9. Final cluster centroid.
10. Tabel 10. Anggota cluster.
11. Tabel 11. Anggota cluster 1.
Tentukan
Start Buka file data
banyak cluster k
Hitung jarak
Tentukan
Standarisasi data objek dengan
Centroid
Centroid
Tidak
Alokasikan
objek (minimum konvergen End
jarak) Ya
Gambar 1. Diagram alir program k-means.
Gambar 2. Tampilan awal program k-means.
7
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
2 0.717 0.527 -0.197 -0.373
3 -0.321 0.0189 0.448 0.473
4 0.198 -0.246 -0.200 -0.221
5 -0.321 -0.645 -0.664 -0.563
⋮ ⋮ ⋮ ⋮ ⋮
250 0.198 -0.704 -0.502 -0.424
251 -0.321 -0.880 0.020 0.221
252 -1.358 -0.537 0.119 0.264
253 -0.840 -0.935 -0.148 -0.022
Gambar 3. Tampilan program k-means. 254 -1.3583 -1.011 -0.629 -0.396
Tabel 3. Jarak data ke centroid.
Hasil Cluster
Banyak rumah tangga
No ����1 ����2 ����3
150 127 130 1 1.078 0.920 1.380
99 106
100
2 0.919 0.788 1.336
Program k- 3 0.663 0.842 0.879
50 2521 means 4 0.631 0.450 0.552
0 SPSS 5 1.403 1.257 0.791
1 2 3 ⋮ ⋮ ⋮ ⋮
Cluster 250 1.138 1.132 0.739
251 1.652 1.712 1.155
252 1.496 1.475 0.856
Gambar 4. Hasil cluster k-means dan SPSS.
253 2.110 2.054 1.389
254 1.863 1.809 1.203
Tabel 1. Data asli.
No. A B C D
1 5 1759864 2705000 824383 Tabel 4. Hasil cluster.
2 5 1783285 3364333 1418616
No ����1 ����2 ����3
1 *
3 3 1346142 6040000 4297650
2 *
4 4 1118571 3353000 1936733
3 *
5 3 774857 1426333 773483
4 *
⋮ ⋮ ⋮ ⋮ ⋮
5 *
250 3 572785 4266667 3440916
⋮ ⋮ ⋮ ⋮
251 1 867857 4674000 3587168
250 *
252 2 525642 3566667 2613668
251 *
253 1 460714 1571933 1342584
252 *
254 1 1075714 1766667 689000
253 *
254 *
Tabel 2. Data standarisasi.
No A B C D
Tabel 5. Final cluster.
1 0.717 0.499 -0.356 -0.548
8
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
No ����1 ����2 ����3 253 *
1 * 254 *
2 *
* Tabel 9. Final cluster centroid.
3
* Cluster
4
* 1 2 3
5
⋮ ⋮ ⋮ Zscore(v1) 0.48408 -0.70244 0.61811
⋮
* Zscore(v2) -0.76434 0.99986 -0.42446
250
251 * Zscore(v3) 0.00837 -0.54553 2.70304
252 * Zscore(v4) -0.08154 -0.43978 2.71299
253 *
254 *
Tabel 6. Final centroid.
Center A B C D �������� Tabel 10. Anggota cluster.
����1 0.883 2.012 2.420 2.282 25 Cluster 1 127
����2 0.680 0.294 0.030 -0.060 99 2 106
����3 -0.688 -0.611 -0.488 -0.393 130 3 21
Valid 254
Tabel 7. Centroid pertama.
Missing 0
Cluster
1 2 3
Zscore(v1) 3.31097 -1.35830 1.23574 Tabel 11. Anggota cluster 1.
Zscore(v2) -0.87100 1.90744 0.17092 Cluster 1
program SPSS program SPSS
Zscore(v3) 0.90330 -0.65212 5.50626
k-means k-means
Zscore(v4) 0.71345 -0.53290 5.75191
16 16 126 126
25 25 160 160
27 27 161 161
34 34 165
Tabel 8. Cluster awal.
36 36 190
No ����1 ����2 ����3
1 * 47 47 192 192
2 * 52 52 210
3 * 62 62 218 218
4 * 75 64 219 219
5 * 95 95 230
⋮ ⋮ ⋮ 107 107 237 237
⋮
250 * 109 109 246 246
251 * 121 121
252 *
9
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
LAMPIRAN DATA SUSENAS SALATIGA 2011
37 5 1,869,857 2,622,333 671,567
A
B C D 38 3 1,274,142 2,520,000 1,439,666
No. (ora
(Rp) (Rp) (Rp) 39 4 956,442 2,399,667 1,280,833
ng)
40 3 1,031,485 2,164,243 967,866
1 2 3 4 5 41 2 1,056,428 2,310,000 1,068,733
1 5 1,759,864 2,705,000 824,383 42 3 597,857 1,910,000 1,286,286
2 5 1,783,285 3,364,333 1,418,616 43 6 1,101,707 1,786,100 739,233
3 3 1,346,142 6,040,000 4,297,650 44 4 899,142 2,103,333 1,136,499
4 4 1,118,571 3,353,000 1,936,733 45 4 996,000 2,560,714 1,836,501
5 3 774,857 1,426,333 773,483 46 2 640,071 1,600,000 928,666
6 4 1,740,750 7,664,400 5,270,866 47 4 2,450,142 16,557,167 13,695,583
7 7 2,602,714 6,285,667 3,323,500 48 1 921,000 2,916,067 1,975,933
8 3 1,959,214 5,950,000 3,734,667 49 5 957,857 2,040,000 989,667
9 3 2,281,071 5,750,000 3,154,333 50 5 1,414,285 2,941,667 1,338,666
10 2 745,285 1,323,333 472,666 51 5 1,943,571 3,008,333 963,171
11 2 705,000 1,650,333 937,133 52 6 2,689,285 11,791,667 8,712,666
12 2 708,642 1,051,400 359,666 53 1 944,357 1,883,333 856,118
13 4 1,278,857 7,826,617 6,677,783 54 8 2,232,857 5,183,250 2,770,616
14 2 741,000 1,466,667 719,666 55 3 1,490,142 5,577,333 3,595,400
15 6 1,963,928 3,500,000 1,048,666 56 3 972,857 2,161,333 965,350
16 4 1,456,500 24,633,333 22,132,283 57 4 1,145,464 2,287,000 1,050,433
17 5 1,550,228 3,450,000 1,820,000 58 1 495,428 3,048,000 2,487,616
18 1 602,142 6,366,667 5,580,666 59 2 512,250 1,060,667 393,616
19 7 1,954,285 4,661,667 2,147,499 60 5 1,452,857 2,395,000 849,833
20 4 1,670,142 4,976,667 3,411,166 61 4 922,607 2,199,833 1,255,147
21 6 2,052,000 7,068,000 4,795,400 62 6 3,604,714 12,284,567 8,215,699
22 7 1,573,071 5,098,667 3,340,066 63 3 1,000,071 4,386,733 3,304,833
23 5 934,714 1,225,000 485,166 64 1 1,323,214 10,166,666 8,676,749
24 3 1,131,857 3,316,667 2,182,400 65 3 886,500 1,233,333 362,167
25 4 4,218,000 12,559,333 7,585,433 66 5 2,157,428 3,329,333 1,283,083
26 3 1,279,071 2,439,167 1,024,266 67 3 1,033,285 2,388,333 1,329,670
27 6 2,525,142 13,850,417 11,987,899 68 4 1,035,428 3,636,667 2,571,666
28 3 814,285 1,780,000 841,667 69 2 1,433,571 8,333,333 6,659,766
29 5 1,621,928 4,156,333 2,352,566 70 5 1,317,107 5,161,067 3,728,933
30 1 938,571 3,057,667 1,987,100 71 4 1,226,057 9,276,760 7,665,793
31 5 1,042,928 2,950,833 1,934,774 72 4 562,285 5,866,667 4,945,083
32 5 1,038,964 1,613,667 578,950 73 1 735,000 2,982,000 1,992,383
33 5 1,937,142 3,356,667 1,292,166 74 4 1,341,908 5,406,666 4,069,698
34 4 3,159,000 24,841,667 20,379,299 75 9 3,446,571 8,833,333 3,430,666
35 4 1,431,535 5,533,333 3,889,917 76 2 873,385 1,246,600 342,766
36 7 4,617,642 11,833,333 5,955,650 77 1 156,642 331,667 167,916
10
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
78 3 1,737,857 3,450,000 1,629,166 120 6 1,462,285 6,225,000 3,429,117
79 5 1,319,357 2,023,333 737,916 121 4 3,232,285 15,405,000 11,411,866
80 7 2,058,107 5,387,333 3,223,666 122 3 1,148,035 1,801,667 545,400
81 3 1,402,264 5,411,667 3,970,083 123 4 791,785 2,200,967 1,324,246
82 2 848,614 1,509,800 660,193 124 4 946,285 2,680,867 1,675,399
83 4 1,267,714 1,976,667 740,416 125 3 1,133,142 3,866,667 2,634,233
84 2 645,107 2,169,333 1,284,266 126 8 1,901,464 9,955,000 7,915,266
85 5 2,625,428 4,226,667 1,474,167 127 6 1,353,214 2,020,167 683,999
86 3 1,263,535 3,283,333 1,716,666 128 1 242,678 354,667 114,000
87 4 1,161,642 1,939,000 659,933 129 5 2,075,357 4,540,000 2,133,999
88 4 3,301,714 6,684,667 2,494,483 130 4 1,305,857 2,113,333 1,216,500
89 6 1,786,285 3,399,000 1,419,033 131 1 320,571 2,573,333 2,109,833
90 7 1,514,785 3,253,333 1,198,167 132 3 1,327,071 2,191,667 1,022,866
91 4 1,080,642 1,823,333 661,833 133 4 1,403,785 3,600,000 2,248,833
92 5 1,614,428 2,982,500 1,107,499 134 1 989,142 1,530,000 875,917
93 3 1,134,214 2,859,350 1,542,083 135 3 1,041,428 1,998,333 608,000
94 4 1,426,178 2,674,500 1,098,100 136 2 834,857 1,626,667 443,000
95 6 4,536,428 27,020,000 22,262,833 137 6 1,288,500 2,523,333 1,021,667
96 3 556,071 1,183,333 601,049 138 7 1,358,571 2,100,000 1,001,400
97 4 3,017,142 5,800,000 2,581,233 139 1 442,285 985,000 444,600
98 4 789,642 2,420,667 1,485,833 140 6 1,613,357 3,486,667 1,565,633
99 6 1,275,000 4,056,667 2,570,867 141 4 1,426,607 3,950,000 2,487,916
100 3 1,165,285 2,105,500 894,400 142 3 1,900,285 4,503,083 2,477,666
101 5 1,422,000 5,803,517 4,317,050 143 4 1,057,928 2,034,333 952,866
102 7 2,380,714 4,266,667 1,765,254 144 4 2,412,535 5,467,500 2,797,583
103 8 2,290,285 3,800,000 1,426,490 145 3 1,073,571 8,166,667 6,920,749
104 2 560,057 983,333 388,200 146 3 694,714 1,821,667 991,967
105 5 1,131,000 1,745,000 690,667 147 3 1,602,535 3,384,633 1,629,333
106 3 1,771,500 4,171,667 2,396,018 148 3 904,285 2,230,000 1,131,200
107 10 5,164,178 19,250,000 13,279,300 149 1 632,142 1,500,000 943,400
108 2 749,571 1,095,567 337,133 150 4 1,554,771 6,960,667 5,014,658
109 5 2,071,285 15,095,667 12,595,050 151 1 544,285 1,948,333 1,366,117
110 2 801,000 4,694,667 3,572,033 152 1 438,107 2,090,000 1,421,166
111 6 1,287,428 5,436,667 3,769,633 153 1 621,428 2,250,000 1,630,833
112 1 828,000 5,307,667 4,126,233 154 1 688,285 1,686,667 945,966
113 5 2,015,571 4,200,000 1,836,083 155 1 450,000 854,000 403,666
114 7 1,561,714 2,404,167 710,600 156 1 968,571 1,797,833 799,167
115 7 2,049,642 4,090,000 1,636,482 157 1 209,464 608,333 268,000
116 3 841,928 1,206,333 431,749 158 4 822,642 2,233,333 1,304,083
117 1 915,000 3,916,667 2,820,466 159 8 2,316,428 4,043,333 1,598,583
118 3 1,330,928 2,276,667 761,417 160 4 1,537,285 11,399,000 8,212,216
119 5 1,876,285 3,726,667 1,764,000 161 4 1,711,500 16,659,000 13,620,233
11
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
162 3 671,357 975,000 226,166 204 1 422,142 921,333 490,667
163 6 1,097,357 1,390,833 370,583 205 1 537,000 962,133 370,400
164 2 864,107 2,991,500 1,951,266 206 2 738,857 3,840,000 2,946,566
165 11 4,678,821 7,481,800 2,483,166 207 5 703,928 1,458,333 933,366
166 2 1,709,357 3,181,333 1,424,266 208 3 812,142 2,525,000 1,671,333
167 10 1,231,071 7,968,000 5,117,167 209 4 985,607 2,190,000 1,020,166
168 7 1,721,892 4,676,667 2,922,333 210 3 3,830,571 9,066,667 5,023,166
169 4 1,141,285 7,266,667 6,098,500 211 2 1,163,571 3,016,667 1,843,752
170 2 322,500 651,667 271,000 212 3 1,395,471 5,316,633 3,851,633
171 3 902,464 4,933,333 2,985,667 213 5 936,750 1,570,000 656,766
172 2 408,428 1,166,667 716,917 214 2 369,000 1,006,667 601,016
173 5 453,000 714,000 359,250 215 2 733,071 3,100,000 2,222,620
174 3 1,371,428 5,083,333 3,591,333 216 2 514,928 1,253,333 639,166
175 1 233,571 345,000 49,666 217 4 1,592,357 5,678,333 3,562,333
176 2 851,357 2,253,333 1,368,900 218 2 1,759,714 11,566,667 8,887,233
177 3 508,714 740,000 203,483 219 3 4,060,714 17,603,667 10,333,983
178 2 600,428 1,500,000 674,666 220 5 1,932,535 3,221,000 1,108,267
179 3 920,571 1,783,333 787,336 221 3 1,495,178 2,786,000 1,105,650
180 4 1,273,500 4,650,000 3,375,033 222 1 267,428 340,000 56,500
181 5 1,406,785 3,050,000 1,432,833 223 3 1,153,285 3,116,667 1,903,583
182 4 1,730,357 4,766,667 2,615,916 224 3 577,714 1,116,667 444,333
183 4 495,428 1,146,667 578,366 225 4 1,829,142 8,725,000 6,383,167
184 1 720,000 1,150,000 366,666 226 5 1,615,392 4,504,767 2,397,837
185 3 786,428 1,900,000 1,115,000 227 5 668,571 1,205,967 562,171
186 4 785,785 1,833,334 990,733 228 4 1,061,785 3,700,000 2,608,754
187 4 1,418,142 6,353,333 3,460,417 229 4 909,428 1,743,000 744,999
188 3 1,373,357 7,613,333 5,900,466 230 7 5,211,000 7,250,000 2,062,170
189 5 1,089,257 2,491,667 1,294,833 231 3 756,428 1,960,000 1,072,503
190 3 2,351,785 9,453,333 6,725,266 232 4 804,428 2,366,667 1,389,117
191 2 502,928 1,450,000 971,970 233 5 900,857 2,083,333 1,046,417
192 3 1,941,214 9,523,333 8,529,858 234 3 990,857 1,625,000 628,833
193 5 2,192,678 7,716,000 3,702,233 235 6 1,656,214 3,231,667 1,434,001
194 4 2,118,857 6,500,000 2,985,167 236 1 713,571 1,284,667 698,500
195 1 585,535 3,440,333 2,252,959 237 6 2,664,642 19,300,000 15,559,250
196 3 1,368,642 2,277,533 781,267 238 1 872,142 2,119,167 1,184,916
197 4 661,200 1,750,467 1,028,633 239 1 411,428 981,133 584,866
198 2 681,857 1,103,333 290,933 240 1 637,714 6,500,000 5,312,267
199 2 1,432,500 2,698,100 1,199,433 241 1 377,142 1,150,000 851,366
200 3 493,714 1,330,333 824,666 242 1 642,857 3,056,667 2,318,633
201 1 513,857 948,800 409,033 243 1 811,714 1,677,333 861,333
202 1 699,642 1,797,333 1,056,900 244 1 1,422,857 4,670,333 3,172,733
203 1 456,428 1,288,000 771,833 245 4 1,191,428 4,936,000 3,152,336
12
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
246 4 1,681,714 12,466,667 10,403,683 251 1 867,857 4,674,000 3,587,168
247 4 1,168,714 2,341,667 1,093,173 252 2 525,642 3,566,667 2,613,668
248 5 1,305,214 3,900,000 2,078,153 253 1 460,714 1,571,933 1,342,584
249 4 724,285 2,100,000 1,246,420 254 1 1,075,714 1,766,667 689,000
250 3 572,785 4,266,667 3,440,916
13
Related docs
Other docs by HannaAriniParhusip1
APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 2011
Views: 80 | Downloads: 2
