aplikasi kmeans pengelompokan rmh tangga tseptioko ha parhusip tmahatma
DESCRIPTION
metodeTRANSCRIPT
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
1
APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH
TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 20111
Tinus Septioko1, Hanna Arini Parhusip
2, Tundjung Mahatma
3
1Mahasiswa Program Studi Matematika FSM UKSW 2,3
Dosen Program Studi Matematika FSM UKSW
e-mail : [email protected],[email protected]
2,
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.
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
2
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 Pemberian bantuan untuk
masyarakat miskin sudah banyak
dilakukan, seperti raskin, BLT, dan
bantuan yang lainnya. Melalui survei
yang dilakukan BPS, yaitu Susenas dapat
diketahui perekonomian masyarakat.
Mencegah terjadinya salah sasaran
pemberian bantuan, maka dari data
perekonomian masyarakat, harus
dikelompokkan terlebih dahulu ke dalam
kelompok-kelompok ekonomi. Untuk
melakukan pengolahan data dapat
dilakukan dengan metode cluster.
Metode cluster adalah metode yang
digunakan untuk mengelompokkan data
ke dalam satu atau lebih kelompok yang
mempunyai karakteristik yang mirip.
Penghitungan manual akan sulit
dilakukan mengingat data yang diolah
tidaklah sedikit. Penghitungan manual
yang lama dan rumit dapat diatasi dengan
adanya program komputer. Peran
komputer sebagai alat bantu
pengelompokan data sangat menunjang
dalam kecepatan dan ketepatan hasil.
Dalam berbagai bidang, pengelompokan
data banyak digunakan dengan berbagai
tujuan. Dalam bidang ekonomi,
clustering atau pengelompokan data
digunakan untuk membuat segmen pasar,
memahami perilaku pembeli, mengenali
peluang produk baru (Supranto 2004),
digunakan untuk mengelompokkan
saham-saham perusahaan (Mahadwartha
2002), dalam bidang pendidikan
digunakan untuk memprediksi kualitas
akademik siswa (Oyelade et al. 2010),
Program komputer untuk
pengelompokan data banyak dijumpai,
namun program-program tersebut relatif
memiliki memori yang besar dan susah
dalam penggunaannya.
Dalam penelitian ini masalah yang
timbul adalah bagaimana membangun
aplikasi k-means yang dapat digunakan
untuk mengelompokkan rumah tangga
berdasarkan data Susenas Salatiga tahun
2011 triwulan 1 dan 2 berdasarkan
tingkat ekonomi. Hasil yang didapatkan
dapat digunakan untuk patokan dalam
pengambilan keputusan, misal sebagai
patokan untuk pemberian bantuan kepada
masyarakat seperti raskin, BLT, ataupun
bantuan yang lainnya. Tujuan dari
penelitian ini adalah membangun aplikasi
dengan metode k-means untuk
mengelompokkan rumah tangga di
Salatiga berdasarkan data Susenas ke
dalam kriteria rumah tangga ekonomi
atas, rumah tangga ekonomi menengah,
dan rumah tangga ekonomi bawah. Pada
penelitian ini data yang digunakan
terbatas pada data Susenas dan pebuatan
program dilakukan dengan program
matlab R2009a.
Program ini berdasarkan pada
metode k-means clustering. K-means
merupakan salah satu metode clustering
non hirarki yang berusaha mempartisi
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
3
data ke dalam satu atau lebih cluster /
kelompok berdasarkan jarak minimal
data ke centroid. Pangalokasian data ke
dalam suatu cluster dilakukan secara
tegas, sehingga setiap data akan menjadi
anggota cluster dan hanya satu cluster.
Metode ini mempartisi data, dimana data
yang memiliki karakteristik yang mirip
dikelompokkan ke dalam cluster yang
sama (Agusta 2007; Santoso 2007).
2. Analisis Cluster Analisis cluster merupakan metode
pengolahan data yang bertujuan untuk
mengelompokkan data kedalam
kelompok-kelompok dimana data-data
yang berada dalam kelompok yang sama
akan mempunyai sifat yang mirip
(Agusta 2007; Santoso 2007).
2.1. K-means K-means merupakan metode cluster
berbasis jarak yang membagi data ke
dalam k-cluster, dan algoritma ini hanya
bekerja pada data numerik. Metode ini
berusaha meminimalkan fungsi objektif
pada persamaan 1.
, = 2
=1=1 (1)
dimana :
, : fungsi objektif : tingkat keanggotaan objek ke
i dalam cluster ke c yang bernilai 1 atau 0 .
: banyak objek : banyak cluster
2 : kuadrat dari jarak pusat cluster
ke -c terhadap objek ke i.
Pada awalnya algoritma ini mengambil
sebanyak k-centroid secara random dari
data, namun dalam penelitian ini
penentuan centroid pertama kali diambil
dari mean data sebanyak k-centroid.
Hitung jarak setiap data terhadap masing-
masing centroid, dalam hal ini
penghitungan jarak digunakan rumus
euclidean. Alokasikan data ke cluster
yang memiliki jarak minimum ke
centroid. Lakukan langkah tersebut
hingga cluster stabil / tidak berubah.
2.2. Euclidean Distance Untuk menghitung jarak antara data
dengan centroid digunakan euclidean
disatnce. Jarak dihitung menggunakan
persamaan 2 (Santoso 2007; Supranto
2004) :
2, 1 = 2 1 2 =
2 1 2
=1 (2)
dimana
: dimensi data
2.3. Menilai Kualitas Cluster Metode yang digunakan untuk
menilai kualitas cluster dianggap ideal
adalah batasan variance, yaitu dengan
menghitung kepadatan cluster berupa
variance within cluster () dan variance between cluster (). Cluster yang ideal memiliki minimum yang mempresentasikan internal homogenity
dan maksimum yang mempresentasikan external homogenity
(Saepulloh 2010).
=
100% (3)
Menghitung nilai variance tiap cluster
dapat dilakukan menggunakan persamaan
4 :
2 =
1
1
2=1 (4)
dimana
2 : variance pada cluster ke-
, = 1. . . , : banyaknya cluster : banyaknya data pada cluster ke- : data ke- pada cluster ke- : rata-rata dari data pada cluster ke- Selanjutnya untuk menghitung variance
within cluster (Vw) dapat dihitung
dengan persamaan 5 :
=1
1
2=1 (5)
dimana
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
4
: variance dalam cluster : banyaknya data Variance between cluster (Vb) dihitung
menggunakan persamaan 6 :
=1
1
2=1 (6)
dimana
: rata-rata .
3. Metode Penelitian 3.1. Data
Data yang digunakan adalah data
Susenas di Salatiga tahun 2011 triwulan 1
dan 2, dengan 254 pengamatan dan 4
variabel yang meliputi variabel banyak
anggota rumah tangga (orang),
pengeluaran makanan (Rp), pendapatan
rumah tangga (Rp), dan pengeluaran non
makanan (Rp).
3.2. Rancangan Program Rancangan program untuk metode
k-means clustering menggunakan
diagram alir seperti pada gambar 1.
3.3. Uji Program Dengan data dan metode yang sama
pengujian program dilakukan dengan
cara membandingkan hasil output
program dengan hasil output program
SPSS. Pengujian ini bertujuan untuk
mengetahui apakah hasil yang didapat
dengan program k-means sudah setara
dengan program-program yang lain.
4. Hasil dan Pembahasan 4.1. Implementasi Program
Uji coba dilakukan dengan
menggunakan data Susenas di Salatiga
tahun 2011 triwulan 1 dan 2 dengan 254
pengamatan dan 4 variabel yang meliputi
variabel banyak ART (A), konsumsi
makanan (B), pendapatan (C), dan
konsumsi non-makanan (D). Dari ke-4
variabel ini memiliki satuan yang
berbeda sehingga tahap pertama yang
dilakukan adalah standarisasi data. Data
yang sudah distandarisasi kemudian
digunakan untuk proses pengelompokan.
Setelah didapatkan hasil cluster, sebagai
pengecekan, dengan metode yang sama
hasil ini dibandingkan dengan hasil
penghitungan dengan program SPSS.
Pengelompokan data dengan program k-
means adalah sebagai berikut :
a. Menjalankan program k-means dengan Matlab, maka akan terlihat
tampilan awal program, yang terlihat
pada gambar 2.
>> cover_program % merupakan
perintah untuk memanggil
program k-means
b. Tampilan program utama terlihat pada gambar 3, digunakan untuk
menginputkan parameter-parameter
program dan prosedur program yang
meliputi :
1. Banyak cluster yang dibentuk 3.
2. Buka data yang akan diproses,
dalam hal ini data Susenas
Salatiga tahun 2011.
3. Lakukan proses standarisasi data.
4. Proses pengelompokan k-means.
5. Hasil pengelompokan data ke
dalam 3 kelompok dengan 254
pengamatan dapat dilihat dalam
tabel hasil cluster.
Pada tabel 1 disajikan sebagian data
asli yang akan dikelompokkan. Data ini
kemudian distandarisasi utuk membuat
data tidak bersatuan. Tabel 2 adalah hasil
standarisasi data sebelum diolah dengan
program k-means. Selanjutnya digunakan
algoritma k-means untuk
mengelompokkan data yang sudah
distandarisasi. Data akan dikelompokkan
menjadi 3 kelompok. Langkah
pengelompokan data dengan k-means
adalah sebagai berikut :
1. Menentukan pusat cluster pertama
atau centroid awal.
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
5
Centroid pertama didekati dengan
mean dari data sebanyak k-cluster.
Karena akan dibentuk 3 cluster maka
centroid yang dibentuk juga sebanyak
3. Berikut merupakan centroid yang
dibentuk :
1 = (0.137 , 0.151, 0.138, 0.131) 2 = (0.204, 0.094, 0.015, 0.019) 3= (0.341, 0.244, 0.153, 0.112)
2. Hitung jarak setiap data terhadap
setiap pusat cluster.
Dengan persamaan 2 dihitung jarak
setiap data ke setiap centroid. Hasil
penghitungan jarak ditampilkan
dalam tabel 3.
3. Data akan menjadi anggota dari
cluster yang memiliki nilai jarak
terkecil dari pusat clusternya, hal ini
ditampilkan dalam tabel 4.
Hitung setiap centroid yang baru
dari mean data yang menjadi anggota
cluster, hitung jarak setiap data ke
centroid yang baru. Alokasikan setiap
data ke cluster yang memiliki jarak
minimal. Ulangi langkah 1 sampai 3
hingga cluster stabil / tidak ada
perubahan. Hasil akhir dari program k-
means ditampilkan dalam tabel 5 dan
centroid akhir ditampilkan dalam tabel 6,
dengan nilai fungsi objektif 3048.59 dan
nilai sebesar 0.011655 persen, hal ini menunjukkan tingkat homogenitas hasil
cluster. Hasil yang diperoleh dengan
program k-means adalah sebagai berikut :
a. Rumah tangga ekonomi atas sebanyak 25 rumah tangga, terdapat
dalam cluster 1. Terlihat dari nilai
variabel C / pendapatan 2.420
merupakan nilai paling besar dintara
cluster yang lain.
b. Rumah tangga ekonomi menengah sebanyak 99 rumah tangga, terdapat
dalam cluster 2, dengan nilai variabel
pendapatan 0.030.
c. Rumah tangga ekonomi bawah sebanyak 130 rumah tangga, terdapat
dalam cluster 3 dengan nilai variabel
pendapatan terkecil yaitu -0.488.
4.2. Output SPSS Dengan data dan metode yang
sama, dengan alat bantu SPSS dilakukan
proses clustering. Centroid pertama, hasil
cluster, dan centroid akhir secara
berturut-turut ditampilkan dalam tabel 7,
8, dan 9. Dalam tabel 10 menunjukkan
banyak data yang menjadi anggota
cluster yang terbentuk. Hasil cluster
akhir yang diperoleh dengan program
SPSS adalah :
a. Rumah tangga ekonomi atas sebanyak 21 rumah tangga, terdapat
dalam cluster 3, yang berdasar pada
nilai Zscore(v3) 2.70304 yang
merupakan nilai tertinggi dibanding
dengan nilai pada cluster yang lain.
b. Rumah tangga ekonomi menengah sebanyak 127 rumah tangga, terdapat
dalam cluster 1, dengan nilai
Zscore(v3) sebesar 0.00837.
c. Rumah tangga ekonomi bawah sebanyak 106 rumah tangga, terdapat
dalam cluster 2, dengan nilai
Zscore(v3) sebesar -0.54553.
4.3. Perbandingan Hasil Hasil program k-means dan SPSS
ditampilkan dalam diagram batang yang
tersaji dalam gambar 4. Rumah tangga
dengan tingkat ekonomi atas ditunjukkan
dalam cluster 1. Dari hasil program k-
means, sebanyak 25 rumah tangga
menjadi anggota cluster 1, dan hasil
SPSS sebanyak 21 rumah tangga
menjadi anggota cluster 1. Rumah
tangga yang menjadi anggota cluster 1
ditampilkan dalam tabel 11. Dari tabel
11 terlihat bahwa rumah tangga 165,
190, 210, 230 yang menjadi anggota
cluster 1 dari hasil program k-means
tidak menjadi anggota cluster 1 dari
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
6
hasil SPSS. 4 data ini menjadi anggota
cluster lain dalam hasil program k-
means. Dengan cara yang sama cluster 2
dan 3 dapat diketahui.
5. Kesimpulan Berdasarkan hasil penelitian,
diperoleh kesimpulan sebagai berikut :
1) Program yang telah dibangun dapat digunakan untuk mengelompokkan
rumah tangga berdasarkan tingkat
perekonomian (ekonomi atas,
menengah, dan bawah). Program
hanya dapat digunakan untuk data
numerik.
2) Dari program k-means didapat 25 rumah tangga ekonomi atas, 99
rumah tangga ekonomi menengah,
dan 130 rumah tangga ekonomi
bawah.
3) Dari SPSS didapat 21 rumah tangga ekonomi atas, 127 rumah tangga
ekonomi menengah, dan 106 rumah
tangga ekonomi bawah.
4) Perbedaan hasil program k-means dan SPSS terjadi karena perbedaan
inisialisasi centroid pertama. Metode
k-means sangat sensitif terhadap
inisialisasi centroid awal, sehingga
hasil cluster yang dihasilkan berbeda.
5) Berdasarkan data, sebagian besar penduduk Salatiga berekonomi
menengah ke bawah.
6. Daftar Pustaka
Agusta, Yudi. 2007. K-means-Penerapan,
Permasalahan dan Metode Terkait.
Jurnal Sistem dan Informatika
Vol.3 : 47 - 60.
Bandan Pusat Statistik. 2010. Survei Sosial
Ekonomi Nasional [SUSENAS Juli
2010] (Pedoman Pencacahan
KOR). Jakarta : Badan Pusat
Statistik.
Mahadwartha, P.A. 2002. Analisis Cluster
Saham-Saham Berdasarkan
Nisbah Profitabilitas Di Masa
Kritis. Jurnal Ekonomi dan Bisnis
Dian Ekonomi VIII/2.
O.J.Oyelade, O.O.Oladipupo, dan
I.C.Obagbuwa. 2010. Aplication
of K-means Clustering Algorithm
for Prediction of Students Academic Performance.
International Journal of Computer
Science and Information Security,
Vol. 7, No. 1.
Saepulloh, D. 2010. Analisis Data Mining
K-means cluster analysis Untuk
Menentukan Data Berjenis Biner
(Studi Kasus Pengelompokan
Rumah Tangga Sasaran (RTS)
Bantuan Langsung Tunai
(BLT))(Tesis). Bandung : Fakultas
Matematika dan Ilmu Pengetahuan
Alam Universitas Padjadjaran.
Santoso, B. 2007. DATA MINING : Teknik
Pemanfaatan Data untuk
Keperluan Bisnis, Edisi Pertama.
Yogyakarta : Graha Ilmu.
Supranto, J. 2004. Analisis Multivariat Arti
dan Interpretasi. Jakarta : Rineka
Cipta.
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
7
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
banyak cluster k
Tentukan
Centroid
Hitung jarak
objek dengan
Centroid
Alokasikan
objek (minimum
jarak)
konvergen
Buka file data
Standarisasi data
Start
End
Ya
Tidak
Gambar 1. Diagram alir program k-means.
Gambar 2. Tampilan awal program k-means.
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
8
Gambar 3. Tampilan program k-means.
Gambar 4. Hasil cluster k-means dan SPSS.
Tabel 1. Data asli.
No. A B C D
1 5 1759864 2705000 824383
2 5 1783285 3364333 1418616
3 3 1346142 6040000 4297650
4 4 1118571 3353000 1936733
5 3 774857 1426333 773483
250 3 572785 4266667 3440916
251 1 867857 4674000 3587168
252 2 525642 3566667 2613668
253 1 460714 1571933 1342584
254 1 1075714 1766667 689000
Tabel 2. Data standarisasi.
No A B C D
1 0.717 0.499 -0.356 -0.548
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
254 -1.3583 -1.011 -0.629 -0.396
Tabel 3. Jarak data ke centroid.
No 1 2 3
1 1.078 0.920 1.380
2 0.919 0.788 1.336
3 0.663 0.842 0.879
4 0.631 0.450 0.552
5 1.403 1.257 0.791
250 1.138 1.132 0.739
251 1.652 1.712 1.155
252 1.496 1.475 0.856
253 2.110 2.054 1.389
254 1.863 1.809 1.203
Tabel 4. Hasil cluster.
No 1 2 3
1 *
2 *
3 *
4 *
5 *
250 *
251 *
252 *
253 *
254 *
Tabel 5. Final cluster.
25
99130
21
127106
0
50
100
150
1 2 3
Ban
yak
rum
ah t
angg
a
Cluster
Hasil Cluster
Program k-means
SPSS
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
9
No 1 2 3
1 *
2 *
3 *
4 *
5 *
250 *
251 *
252 *
253 *
254 *
Tabel 6. Final centroid.
Center A B C D
1 0.883 2.012 2.420 2.282 25
2 0.680 0.294 0.030 -0.060 99
3 -0.688 -0.611 -0.488 -0.393 130
Tabel 7. Centroid pertama.
Cluster
1 2 3
Zscore(v1) 3.31097 -1.35830 1.23574
Zscore(v2) -0.87100 1.90744 0.17092
Zscore(v3) 0.90330 -0.65212 5.50626
Zscore(v4) 0.71345 -0.53290 5.75191
Tabel 8. Cluster awal.
No 1 2 3
1 *
2 *
3 *
4 *
5 *
250 *
251 *
252 *
253 *
254 *
Tabel 9. Final cluster centroid.
Cluster
1 2 3
Zscore(v1) 0.48408 -0.70244 0.61811
Zscore(v2) -0.76434 0.99986 -0.42446
Zscore(v3) 0.00837 -0.54553 2.70304
Zscore(v4) -0.08154 -0.43978 2.71299
Tabel 10. Anggota cluster.
Cluster 1 127
2 106
3 21
Valid 254
Missing 0
Tabel 11. Anggota cluster 1.
Cluster 1
program k-means
SPSS program k-means
SPSS
16 16 126 126
25 25 160 160
27 27 161 161
34 34 165
36 36 190
47 47 192 192
52 52 210
62 62 218 218
75 64 219 219
95 95 230
107 107 237 237
109 109 246 246
121 121
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
10
LAMPIRAN DATA SUSENAS SALATIGA 2011
No. A
(orang)
B (Rp)
C (Rp)
D (Rp)
1 2 3 4 5
1 5 1,759,864 2,705,000 824,383
2 5 1,783,285 3,364,333 1,418,616
3 3 1,346,142 6,040,000 4,297,650
4 4 1,118,571 3,353,000 1,936,733
5 3 774,857 1,426,333 773,483
6 4 1,740,750 7,664,400 5,270,866
7 7 2,602,714 6,285,667 3,323,500
8 3 1,959,214 5,950,000 3,734,667
9 3 2,281,071 5,750,000 3,154,333
10 2 745,285 1,323,333 472,666
11 2 705,000 1,650,333 937,133
12 2 708,642 1,051,400 359,666
13 4 1,278,857 7,826,617 6,677,783
14 2 741,000 1,466,667 719,666
15 6 1,963,928 3,500,000 1,048,666
16 4 1,456,500 24,633,333 22,132,283
17 5 1,550,228 3,450,000 1,820,000
18 1 602,142 6,366,667 5,580,666
19 7 1,954,285 4,661,667 2,147,499
20 4 1,670,142 4,976,667 3,411,166
21 6 2,052,000 7,068,000 4,795,400
22 7 1,573,071 5,098,667 3,340,066
23 5 934,714 1,225,000 485,166
24 3 1,131,857 3,316,667 2,182,400
25 4 4,218,000 12,559,333 7,585,433
26 3 1,279,071 2,439,167 1,024,266
27 6 2,525,142 13,850,417 11,987,899
28 3 814,285 1,780,000 841,667
29 5 1,621,928 4,156,333 2,352,566
30 1 938,571 3,057,667 1,987,100
31 5 1,042,928 2,950,833 1,934,774
32 5 1,038,964 1,613,667 578,950
33 5 1,937,142 3,356,667 1,292,166
34 4 3,159,000 24,841,667 20,379,299
35 4 1,431,535 5,533,333 3,889,917
36 7 4,617,642 11,833,333 5,955,650
37 5 1,869,857 2,622,333 671,567
38 3 1,274,142 2,520,000 1,439,666
39 4 956,442 2,399,667 1,280,833
40 3 1,031,485 2,164,243 967,866
41 2 1,056,428 2,310,000 1,068,733
42 3 597,857 1,910,000 1,286,286
43 6 1,101,707 1,786,100 739,233
44 4 899,142 2,103,333 1,136,499
45 4 996,000 2,560,714 1,836,501
46 2 640,071 1,600,000 928,666
47 4 2,450,142 16,557,167 13,695,583
48 1 921,000 2,916,067 1,975,933
49 5 957,857 2,040,000 989,667
50 5 1,414,285 2,941,667 1,338,666
51 5 1,943,571 3,008,333 963,171
52 6 2,689,285 11,791,667 8,712,666
53 1 944,357 1,883,333 856,118
54 8 2,232,857 5,183,250 2,770,616
55 3 1,490,142 5,577,333 3,595,400
56 3 972,857 2,161,333 965,350
57 4 1,145,464 2,287,000 1,050,433
58 1 495,428 3,048,000 2,487,616
59 2 512,250 1,060,667 393,616
60 5 1,452,857 2,395,000 849,833
61 4 922,607 2,199,833 1,255,147
62 6 3,604,714 12,284,567 8,215,699
63 3 1,000,071 4,386,733 3,304,833
64 1 1,323,214 10,166,666 8,676,749
65 3 886,500 1,233,333 362,167
66 5 2,157,428 3,329,333 1,283,083
67 3 1,033,285 2,388,333 1,329,670
68 4 1,035,428 3,636,667 2,571,666
69 2 1,433,571 8,333,333 6,659,766
70 5 1,317,107 5,161,067 3,728,933
71 4 1,226,057 9,276,760 7,665,793
72 4 562,285 5,866,667 4,945,083
73 1 735,000 2,982,000 1,992,383
74 4 1,341,908 5,406,666 4,069,698
75 9 3,446,571 8,833,333 3,430,666
76 2 873,385 1,246,600 342,766
77 1 156,642 331,667 167,916
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
11
78 3 1,737,857 3,450,000 1,629,166
79 5 1,319,357 2,023,333 737,916
80 7 2,058,107 5,387,333 3,223,666
81 3 1,402,264 5,411,667 3,970,083
82 2 848,614 1,509,800 660,193
83 4 1,267,714 1,976,667 740,416
84 2 645,107 2,169,333 1,284,266
85 5 2,625,428 4,226,667 1,474,167
86 3 1,263,535 3,283,333 1,716,666
87 4 1,161,642 1,939,000 659,933
88 4 3,301,714 6,684,667 2,494,483
89 6 1,786,285 3,399,000 1,419,033
90 7 1,514,785 3,253,333 1,198,167
91 4 1,080,642 1,823,333 661,833
92 5 1,614,428 2,982,500 1,107,499
93 3 1,134,214 2,859,350 1,542,083
94 4 1,426,178 2,674,500 1,098,100
95 6 4,536,428 27,020,000 22,262,833
96 3 556,071 1,183,333 601,049
97 4 3,017,142 5,800,000 2,581,233
98 4 789,642 2,420,667 1,485,833
99 6 1,275,000 4,056,667 2,570,867
100 3 1,165,285 2,105,500 894,400
101 5 1,422,000 5,803,517 4,317,050
102 7 2,380,714 4,266,667 1,765,254
103 8 2,290,285 3,800,000 1,426,490
104 2 560,057 983,333 388,200
105 5 1,131,000 1,745,000 690,667
106 3 1,771,500 4,171,667 2,396,018
107 10 5,164,178 19,250,000 13,279,300
108 2 749,571 1,095,567 337,133
109 5 2,071,285 15,095,667 12,595,050
110 2 801,000 4,694,667 3,572,033
111 6 1,287,428 5,436,667 3,769,633
112 1 828,000 5,307,667 4,126,233
113 5 2,015,571 4,200,000 1,836,083
114 7 1,561,714 2,404,167 710,600
115 7 2,049,642 4,090,000 1,636,482
116 3 841,928 1,206,333 431,749
117 1 915,000 3,916,667 2,820,466
118 3 1,330,928 2,276,667 761,417
119 5 1,876,285 3,726,667 1,764,000
120 6 1,462,285 6,225,000 3,429,117
121 4 3,232,285 15,405,000 11,411,866
122 3 1,148,035 1,801,667 545,400
123 4 791,785 2,200,967 1,324,246
124 4 946,285 2,680,867 1,675,399
125 3 1,133,142 3,866,667 2,634,233
126 8 1,901,464 9,955,000 7,915,266
127 6 1,353,214 2,020,167 683,999
128 1 242,678 354,667 114,000
129 5 2,075,357 4,540,000 2,133,999
130 4 1,305,857 2,113,333 1,216,500
131 1 320,571 2,573,333 2,109,833
132 3 1,327,071 2,191,667 1,022,866
133 4 1,403,785 3,600,000 2,248,833
134 1 989,142 1,530,000 875,917
135 3 1,041,428 1,998,333 608,000
136 2 834,857 1,626,667 443,000
137 6 1,288,500 2,523,333 1,021,667
138 7 1,358,571 2,100,000 1,001,400
139 1 442,285 985,000 444,600
140 6 1,613,357 3,486,667 1,565,633
141 4 1,426,607 3,950,000 2,487,916
142 3 1,900,285 4,503,083 2,477,666
143 4 1,057,928 2,034,333 952,866
144 4 2,412,535 5,467,500 2,797,583
145 3 1,073,571 8,166,667 6,920,749
146 3 694,714 1,821,667 991,967
147 3 1,602,535 3,384,633 1,629,333
148 3 904,285 2,230,000 1,131,200
149 1 632,142 1,500,000 943,400
150 4 1,554,771 6,960,667 5,014,658
151 1 544,285 1,948,333 1,366,117
152 1 438,107 2,090,000 1,421,166
153 1 621,428 2,250,000 1,630,833
154 1 688,285 1,686,667 945,966
155 1 450,000 854,000 403,666
156 1 968,571 1,797,833 799,167
157 1 209,464 608,333 268,000
158 4 822,642 2,233,333 1,304,083
159 8 2,316,428 4,043,333 1,598,583
160 4 1,537,285 11,399,000 8,212,216
161 4 1,711,500 16,659,000 13,620,233
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
12
162 3 671,357 975,000 226,166
163 6 1,097,357 1,390,833 370,583
164 2 864,107 2,991,500 1,951,266
165 11 4,678,821 7,481,800 2,483,166
166 2 1,709,357 3,181,333 1,424,266
167 10 1,231,071 7,968,000 5,117,167
168 7 1,721,892 4,676,667 2,922,333
169 4 1,141,285 7,266,667 6,098,500
170 2 322,500 651,667 271,000
171 3 902,464 4,933,333 2,985,667
172 2 408,428 1,166,667 716,917
173 5 453,000 714,000 359,250
174 3 1,371,428 5,083,333 3,591,333
175 1 233,571 345,000 49,666
176 2 851,357 2,253,333 1,368,900
177 3 508,714 740,000 203,483
178 2 600,428 1,500,000 674,666
179 3 920,571 1,783,333 787,336
180 4 1,273,500 4,650,000 3,375,033
181 5 1,406,785 3,050,000 1,432,833
182 4 1,730,357 4,766,667 2,615,916
183 4 495,428 1,146,667 578,366
184 1 720,000 1,150,000 366,666
185 3 786,428 1,900,000 1,115,000
186 4 785,785 1,833,334 990,733
187 4 1,418,142 6,353,333 3,460,417
188 3 1,373,357 7,613,333 5,900,466
189 5 1,089,257 2,491,667 1,294,833
190 3 2,351,785 9,453,333 6,725,266
191 2 502,928 1,450,000 971,970
192 3 1,941,214 9,523,333 8,529,858
193 5 2,192,678 7,716,000 3,702,233
194 4 2,118,857 6,500,000 2,985,167
195 1 585,535 3,440,333 2,252,959
196 3 1,368,642 2,277,533 781,267
197 4 661,200 1,750,467 1,028,633
198 2 681,857 1,103,333 290,933
199 2 1,432,500 2,698,100 1,199,433
200 3 493,714 1,330,333 824,666
201 1 513,857 948,800 409,033
202 1 699,642 1,797,333 1,056,900
203 1 456,428 1,288,000 771,833
204 1 422,142 921,333 490,667
205 1 537,000 962,133 370,400
206 2 738,857 3,840,000 2,946,566
207 5 703,928 1,458,333 933,366
208 3 812,142 2,525,000 1,671,333
209 4 985,607 2,190,000 1,020,166
210 3 3,830,571 9,066,667 5,023,166
211 2 1,163,571 3,016,667 1,843,752
212 3 1,395,471 5,316,633 3,851,633
213 5 936,750 1,570,000 656,766
214 2 369,000 1,006,667 601,016
215 2 733,071 3,100,000 2,222,620
216 2 514,928 1,253,333 639,166
217 4 1,592,357 5,678,333 3,562,333
218 2 1,759,714 11,566,667 8,887,233
219 3 4,060,714 17,603,667 10,333,983
220 5 1,932,535 3,221,000 1,108,267
221 3 1,495,178 2,786,000 1,105,650
222 1 267,428 340,000 56,500
223 3 1,153,285 3,116,667 1,903,583
224 3 577,714 1,116,667 444,333
225 4 1,829,142 8,725,000 6,383,167
226 5 1,615,392 4,504,767 2,397,837
227 5 668,571 1,205,967 562,171
228 4 1,061,785 3,700,000 2,608,754
229 4 909,428 1,743,000 744,999
230 7 5,211,000 7,250,000 2,062,170
231 3 756,428 1,960,000 1,072,503
232 4 804,428 2,366,667 1,389,117
233 5 900,857 2,083,333 1,046,417
234 3 990,857 1,625,000 628,833
235 6 1,656,214 3,231,667 1,434,001
236 1 713,571 1,284,667 698,500
237 6 2,664,642 19,300,000 15,559,250
238 1 872,142 2,119,167 1,184,916
239 1 411,428 981,133 584,866
240 1 637,714 6,500,000 5,312,267
241 1 377,142 1,150,000 851,366
242 1 642,857 3,056,667 2,318,633
243 1 811,714 1,677,333 861,333
244 1 1,422,857 4,670,333 3,172,733
245 4 1,191,428 4,936,000 3,152,336
-
prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.
13
246 4 1,681,714 12,466,667 10,403,683
247 4 1,168,714 2,341,667 1,093,173
248 5 1,305,214 3,900,000 2,078,153
249 4 724,285 2,100,000 1,246,420
250 3 572,785 4,266,667 3,440,916
251 1 867,857 4,674,000 3,587,168
252 2 525,642 3,566,667 2,613,668
253 1 460,714 1,571,933 1,342,584
254 1 1,075,714 1,766,667 689,000