Docstoc

APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 2011

Document Sample
APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 2011 Powered By Docstoc
					                    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

				
DOCUMENT INFO
Categories:
Tags:
Stats:
views:49
posted:2/13/2013
language:Latin
pages:13