ANALISIS KARAKTERISTIK POLA BELANJA KELUARGA DENGAN ANALISIS KLASTER

ISSN: 2088-687X

73

ANALISIS KARAKTERISTIK POLA BELANJA KELUARGA DENGAN ANALISIS KLASTER Nur Arina Hidayati Program Studi Pendidikan Matematika FKIP UAD Jl. Prof. Dr. Soepomo, SH. Janturan Yogyakarta [email protected]

ABSTRAK Analisis klaster merupakan salah satu alat untuk mengelompokkan sejumlah n obyek berdasarkan p variat yang secara relatif mempunyai kesamaan karakteristik di antara obyek-obyek tersebut. Tujuan utama analisis klaster adalah menempatkan sekumpulan objek ke dalam dua grup atau lebih berdasarkan kesamaan objek atas dasar berbagai karakteristik. Segmentasi pola belanja merupakan bagian dari segmentasi pasar dalam kategori psikografi. Segmentasi ini mengelompokkan pasar dalam variabel gaya hidup. Dalam hal ini gaya hidup berdasarkan pola belanja. Kesimpulan dari segmentasi pola belanja dengan studi kasus data rata-rata pengeluaran belanja makanan dari beberapa keluarga di negara Perancis, diperoleh Klaster 1 yang beranggotakan responden dengan tipe keluarga MA dan EM dengan jumlah anak 2 dan 3 memiliki prosentase ratarata belanja 79% dari seluruh transaksi. Klaster 2 yang beranggotakan responden dengan tipe keluarga MA dan EM dengan jumlah anak 4 dan 5, dan tipe CA dengan jumlah anak 2, memiliki prosentase rata-rata belanja 106%. Klaster 3 yang beranggotakan responden dengan tipe keluarga CA dengan jumlah anak 3, 4 dan 5. Karakter khusus dari keluarga ini adalah mempunyai minat belanja yang tinggi dibanding klaster yang lain, tampak dari prosentase rata-rata belanja 118% dari seluruh transaksi Kata kunci : Analisis klaster, segmentasi pasar, karakteristik

ABSTRACT Cluster analysis is a tool for classifying n objects based on p variat relatively have a common characteristic among these objects. The main goal is to put a set of cluster analysis of objects into two or more groups based on similarity of objects on the basis of various characteristics. Segmentation pattern of spending is part of the category of psychographic segmentation. This segmentation variable grouping in the lifestyle market. In this case a lifestyle based on spending patterns. Conclusion of the segmentation pattern of shopping with a case study data is the average food expenditure of a few families in the country of France, obtained Cluster 1 is composed of respondents with family type MA and EM with child number 2 and 3 have an average percentage of spending 79% of all transaction. Cluster 2 is composed of respondents with family type MA and EM with child number 4 and 5, and the type of CA with child number 2, had an average percentage of spending 106%. Cluster 3 is composed of respondents with family-type CA with child number 3, 4 and 5. The special character of this family have an interest expenditure is higher than the other clusters, it appears from the average percentage of spending 118% of all transactions Keywords : Cluster analysis, Segmentation pattern, Characteristic

AdMathEdu | Vol.3 No.1 | Juni 2013

Analisis … (Nur Arina Hidayati.)

74

ISSN: 2088-687X Tujuan utama analisis klaster

Pendahuluan Analisis klaster merupakan salah

adalah menempatkan sekumpulan objek

tehnik

metode

ke dalam dua grup atau lebih berdasarkan

interdependensi (saling ketergantungan).

kesamaan objek atas dasar berbagai

Oleh karena itu, dalam analisis klaster

karakteristik. Hasil klaster suatu obyek

tidak ada perbedaan antara variabel bebas

harus memiliki internal (within cluster)

(independent

homoginitas yang tinggi dan memiliki

satu

multivariate

variabel)

dan

variabel

eksternal (between cluster) heteroginitas

terikat (dependent variabel). Analisis klaster digunakan untuk

yang tinggi. Semakin besar kemiripan

mengelompokkan data observasi yang

(homoginitas)

dalam

hanya berdasarkan pada informasi yang

perbedaan

ditemukan dalam data, dimana data

klastering akan lebih baik atau lebih

tersebut harus menggambarkan observasi

berbeda (Tan et al,2006:490).

antar

kelompok

Dalam

dan hubungannya. Analisis klaster adalah tehnik

kelompok

analisis

pengelompokan

ke

dan maka

klaster,

dalam

klaster

yang digunakan untuk menggabungkan

dilakukan dengan menggunakan tehnik-

observasi ke dalam kelompok klaster atau

tehnik yang berawal dari kemiripan antar

klaster (Sharma, 1996:185), sedemikian

semua pasangan observasi. Kemiripan ini

sehingga:

didasarkan pada berapa ukuran jarak

1.

Setiap

kelompok

homogen

atau

klaster

mempunyai

anatra observasi satu dengan observasi yang lain. Pada prinsipnya analisis klaster

karakteristiktertentu. Hali ini berarti bahwa

2.

observasi

dalam

setiap

merupakan

proses

untuk

mereduksi

kelompok sama dengan observasi

sejumlah objek yang besar menjadi lebih

lain dalam satu kelompok yang

sedikit yang disebut klaster.

sama;

klaster

Setiap kelompok seharusnya berbeda

classification analysis, pengenalan pola

dari

(pattern recognition), analisis segmentasi

kelompok

lain

dengan

karakteristik yang sama. Hal ini berarti

bahwa

observasi

dari

observasi

kelompok lain.

Analisis … (Nur Arina Hidayati)

juga

Q-analysis,

(numerical taxonomy).

dalam

kelompok yang satu seharusnya berbeda

disebut

Analisis

dalam

Segmentasi pasar Segmentasi pasar adalah proses pemisahan

sebuah

pasar

menjadi


ISSN: 2088-687X

75

kelompok-kelompok pembeli atau produk

penggunaan, status kesetiaan, tahap

yang sejenis dan memiliki kelompok

kesiapan pembeli, dan sikap. Pasar

(atau kelompok-kelompok) yang paling

disini

tepat untuk dilayani perusahaan (Peter,

menjadi bukan pemakai , bekas

2000). Hal ini merupakan upaya paling

pemakai, pemakai potesial, pemakai

efektif dalam menyingkapi peluang pasar.

pertama kali, dan pemakai tetap dari

Beberapa jenis segmentasi utama adalah

suatu produk.

geografi, demografi, psikografi, perilaku

dapat

dikelompokkan

5. Segmentasi Manfaat

dan manfaat (Morissan, 2009). Secara

Mengklasifikasi pasar berdasarkan

garis besar penjelasan masing-masing

atribut/nilai

jenis sebagai berikut:

terkandung dalam suatu produk.

1.

Pada

2.

Segmentasi Geografi, merupakan

tulisan

manfaat ini

yang

digunakan

pembagian pasar menjadi unit-unit

segmentasi psikografi, dimana objek

geografis yang berbeda. Misalnya:

dikelompokkan

wilayah, negara negara bagian,

produk bahan olahan makanan yang

propoinsi, kota dan kepulauan.

dibeli

Segmentasi

Berdasarkan

Demografi,

dimana

dalam

bersadarkan sebuah pola

produk-

supermarket.

belanja

terhadap

pasar dikelompokkan berdasarkan

produk-produk tersebut, akan diketahui

variabel-variabel pendapatan, jenis

pola hidup objek-objek tersebut.

kelamin,

pendidikan,

jumlah

penduduk, usia, ukuran keluarga, pekerjaan, agama, ras, generasi, 3.

atau

Metode Pengelompokan (Clustering) Secara

umum

metode

kewarganegaraan dan kelas sosial.

pengelompokan dalam analisis klaster

Segmentasi

dibedakan

Psikografi,

mengelompokkan

metode

hirarki

dalam

(Hierarchical Clustering Methode) dan

variabel gaya hidup, nilai dan

metode non hirarki (Nonhierarchical

kepribadian.

Clustering Methode).

Gaya

pasar

menjadi

hidup

juga

ditunjukkan oleh orang-orang yang menonjol pada kelas sosial. Minat terhadap 4.

suatu

produk

juga

A. Metode Hirarki Pada

dasarnya

dipengaruhi oleh gaya hidup.

dibedakan

Segmentasi

Perilaku,

pengelompokan, yaitu:

kelompok

berdasarkan

pemakai,

kejadian,

membagi

menjadi

metode dua

ini

metode

status tingkat



76

ISSN: 2088-687X Complete

1. Metode Agglomeratif Proses

pengelompokan

Linkage,

namun

criteria yang digunakan adalah

aglomeratif

rata-rata jarak seluruh individu

(Down to Top) dimulai dengan n

dalam suatu klaster dengan jarak

klaster

seluruh individu dalam klaster

dengan

pendekatan sehingga

masing-masing

klaster memiliki tepat satu objek, kemudian menentukan dua klaster

yang lain. d. Ward’s Methode

terdekat dan menggabungkan dua

Jarak antara dua klaster dalam

klaster tersebut menjadi satu klaster

metode ini berdasarkan total sum

baru. Proses penggabungan dua

of square dua klaster pada

klaster

masing-masing variabel.

ini

diperoleh

diulangi

satu

sampai

klaster

yang

e. Centroid method

memuat semua himpunan data.

Jarak dua klaster dalam metode

Hasil analisis klaster dari metode

ini berdasarkan jarak centroid

ini dapat disajikan dalam bentuk

dua klaster yang bersangkutan. 2. Metode Divisif

dendogram. Dalam

Proses

metode

Agglomeratif ini terdapat

lima

metode yang cukup terkenal, yaitu:

pengelompokan

dengan pendekatan metode divisive (Top to Down) dimulai dengan n objek yang dikelompokkan menjadi

a. Single Linkage Prosedur ini didasarkan pada jarak

satu

klaster,

kemudian

klaster

terkecil. Jika dua obyek terpisah

tersebut dipartisi ke dalam dua

oleh jarak yang pendek maka kedua

klaster pada setiap langkah sampai

oyek tersebut akan akan digabung

diperoleh n klaster dengan setiap

menjadi satu klaster, demikian

klaster memiliki satu objek.

seterusnya. b. Complete Linkage

B. Metode Non-Hirarki Single

Dalam metode ini data dibagi

ini

dalam k partisi, setiap partisi mewakili

berdasarkan

sebuah klaster. Secara umum proses

Berlawanan

dengan

Linkage,

prosedur

pengelompokannya

metode non-hirarki sebagai berikut:

jarak terjauh.

1. Pilih k centroid klaster awal atau seed,

c. Average Linkage Prosedur dengan

ini Single

hampir Linkage


sama dan

dimana k merupakan jumlah klaster yang diinginkan AdMathEdu | Vol.3 No.1 | Juni 2013

ISSN: 2088-687X

77

2. Tempatkan setiap observasi ke dalam

yang

memiliki

varians

klaster yang sekecil mungkin, yaitu

klaster yang terdekat 3. Tempatkan kembali setiap observasi

dengan

ke dalam k klaster menurut aturan

Euclid

penghentian yang sudah di tentukan

Distanc)e antar klaster.

4. Proses

berhenti

interval

jika

tidak

ada

3. Ulangi

mengkuadratkan (Squared langkah

jarak

Euclidean

ke-2

sehingga

observasi yang berpindah lagi, jika

berakhir sampai diperoleh satu

belum ulangi langkah kedua.

klaster

yang

memuat

semua

himpunan data. Data Out put dalam Langkah-langkah melakukan analisis

SPSS berupa dendogram. 4. Lakukan profilisasi dan interpretasi

klaster Dalam tulisan ini, digunakan

klaster. Interpretasi dilakkan untuk

metode pengklastersan hirarki metode

mencari karakteristik tiap klaster

agglomeratif.

yang khas.

Adapun

langkah-

langkahnya adalah sebagai berikut: 1. Langkah ini dimulai dengan n klaster

sehingga

masing-masing

klaster memiliki tepat satu objek.

Olah Data Dalam tulisan ini, data yang digunakan pengeluaran

adalah belanja

data

rata-rata

makanan

dari

2. Menentukan dua klaster terdekat

beberapa keluarga di negara Perancis

dan menggabungkan dua klaster

dengan tipe keluarga yang berbeda (tipe

tersebut menjadi satu klaster baru.

MA, tipe EM, tipe CA ) dengan jumlah

Untuk menentukan jarak terdekat

anak 2,3, 4 atau 5. Data ini diambil dari

antara dua claster digunakan metode

Lebart, Morineau dan Fenelon (1982)

ward atau varians method. Metode

yang disajikan dalam tabel berikut ini :

ini bertujuan memperoleh klaster Tabel 1. Daftar Belanja Keluarga di Perancis No 1 2 3 4 5 6 7

Type MA2 EM2 CA2 MA3 EM3 CA3 MA4

Bread Vegetables Fruits Meat Poultry Milk Wine 332 428 354 1437 526 247 427 293 559 388 1527 567 239 258 372 767 562 1948 927 235 433 406 563 341 1507 544 324 407 386 608 396 1501 558 319 363 438 843 689 2345 1148 243 341 534 660 367 1620 638 414 407



78

ISSN: 2088-687X 8 9 10 11 12

EM4 CA4 MA5 EM5 CA5 Rata rata

460 385 655 584 515 446.7

699 789 776 995 1097 732.0

484 621 423 548 887 505.0

1856 2366 1848 2056 2630 1886.8

762 400 1149 304 759 495 893 518 1167 561 803.2 358.3

416 282 486 319 284 368.6

Posedur olah data dilakukan dengan SPSS 15.00, dengan Out Put sebagai berikut:



ISSN: 2088-687X

79 Agglomeration

Tahap ke dua, responden 6 dan 9

Schedule diatas diperoleh keterangan

dipasangkan. Artinya, koefisien jarak

sebagai berikut :

terendah yang kedua adalah pasangan

Berdasarkan

Tabel

Pada tahap pertama obyek yang

iresponden ini. Kemudian pada kolom

dipasangkan adalah responden 4 dan

next page tertulis 9, artinya pada

5 karena pasangan ini memiliki

tahap ke-8, pasangan 6 dan 9 akan

koefisien jarak paling rendah, dimana

mendapat anggota baru. Pada tahap

pada saat itu objek-objek yang lain

ini jumlah klaster ada 10.

memperoleh

Demikian seterusnya, pada setiap

pasangan.Oleh karena itu, pada tahap

tahap jumlah klaster berkurang satu,

ini jumlah klaster ada 11. Pada baris

sehingga pada tahap tahap yang

pertama ini, pada kolom next page

terakhir yaitu ke-11, semua responden

tertulis 3. Artinya pada tahap ke-2,

menjadi satu klaster

sama

sekali

belum

pasangan 4 dan 5 akan mendapat anggota baru, yaitu responden yang ke-4.



80

ISSN: 2088-687X

Berkaitan dengan berapa banyaknya

cluster. Dari dendogram di atas dapat

klaster atau jumlah klaster yang dapat

terlihat jumlah klaster yang dapat

terbentuk

dibentuk adalah tiga klaster, dengan

dari

kasus

tersebut,

dendogram diatas dapat dijadikan acuan

untuk

menentukan

anggota sebagai berikut :

jumlah

Tabel 2. Pengelompokan Keluarga Berdasarkan Klaster Klaster

Klaster 1

Tahap

Case 4 : MA3 5 : EM3 2 : EM2 1 : MA2

Selanjutnya

Klaster

Klaster 2

Adalah

Interpretasi dan Pembuatan Profil. Untuk klaster

menginterpretasikan dam

membuat


profil,

Case 6 : EM4 10 : MA5 7 : MA4 3 : CA2 11 : EM5

Klaster

Klaster 3

Case 6 : CA3 9 : CA4 12 : CA5

digunakan rata-rata setiap klaster pada setiap variable (centroid). Berikut tabel Profil dari masingmasing Klaster :


ISSN: 2088-687X

81 Tabel 3. Profil Klaster Satu

No 4 5 2 1

type MA3 EM3 EM2 MA2

Bread 406 386 293 332

Vegetables 563 608 559 428

Rata - rata

354.25

539.5

Prosentase Belanja

79%

73%

Fruits Meat 341 1507 396 1501 388 1527 354 1437 369.7 1493 5 73%

Poultry 544 558 567 526

79%

548.75

Milk 324 319 239 247 282.2 5

Wine 407 363 258 427 363.7 5

79%

99%

68%

Tabel 4. Profil Klaster Dua No

type 8 EM4 10 MA5 7 MA4 3 CA2 11 EM5 Rata - rata Prosentase Belanja

Bread 460 655 534 372 584 521

Vegetables Fruits 699 484 776 423 660 367 767 562 995 548 779.4 476.8

117%

106%

94%

Meat 1856 1848 1620 1948 2056 1865.6

Poultry 762 759 638 927 893 795.8

Milk 400 495 414 235 518 412.4

Wine 416 486 407 433 319 412.2

99%

99%

115%

112%

Meat Poultry Milk 2345 1148 243 2366 1149 304 2630 1167 561 2447.00 1154.67 369.33

Wine 341 282 284 302.33

Tabel 5. Profil Klaster Tiga No

type 6 CA3 9 CA4 12 CA5 Rata - rata Prosentase Belanja

klaster, prosentase

Bread 438 385 515 446.00

Vegetables Fruits 843 689 789 621 1097 887 909.67 732.33

100%

disajikan belanja

123%

rekapitulasi dari

masing-

masing klaster sebagai berikut Untuk


145%

130%

memudahkan

144%

dalam

103%

82%

mengamati

karakteristik pola belanja masingmasing:


82

ISSN: 2088-687X Tabel 6. Prosentase Pola Belanja

Bread Vegetables Fruits Meat Poultry Milk Wine Rata-rata

Prosentase Pola Belanja Klaster 1 79% 73% 73% 79% 68% 79% 99% 79%



Kesimpulan

bahkan melebihi klaster yag ke 3

Analisa tabel Prosentase Pola Belanja:

walaupun

1.

prosentase belanjanya lebih besar.

Klaster

1

yang

beranggotakan

responden dengan tipe keluarga

2. Klaster

klaster 2

yang

yang

ketiga

beranggotakan

MA dan EM dengan jumlah anak


2 dan 3 memiliki prosentase rata-

MA dan EM dengan jumlah anak 4

rata belanja 79% dari seluruh

dan 5, dan tipe CA dengan jumlah

transaksi. Dapat dilihat prosentase

anak 2, memiliki prosentase rata-

belanja keluarga ini paling kecil

rata belanja 106% dari seluruh

dibandingkan tipe keluarga yang

transaksi. Keluarga ini nampaknya

lain.

jarang

mempunyai kebiasaan sarapan

mengkonsumsi olahan daging itik,

dengan bread dan milk, dilihat

terlihat dari prosentase yang kecil

dari prosentase pembelian yang

jika dibandingkan dengan item yang

cukup

lain, yaitu sebesar 68%. Satu hal

dengan item yang lain dan klaster

yang menarik dari tipe keluarga ini

yang lain, yaitu prosentase bread

adalah keluarga ini mempunyai

sebesar 117% dan prosentase milk

karakter

115%.

Tipe

keluarga

suka

ini

mengkonsumsi

wine, tampak dari prosentase yang

3. Klaster

tinggi

3

jika

yang

dibandingkan

beranggotakan

paling tinggi dibandingkan dengan


item yang lain yaitu 99%, selain itu

CA dengan jumlah anak 3, 4 dan 5.

juga

dengan

Karakter khusus dari keluarga ini

klaster yang lain konsumsi wine tipe

adalah mempunyai sense belanja

keluarga ini juga cukup tinggi

yang tinggi dibanding klaster yang

jika

dibandingkan



ISSN: 2088-687X

83

lain, tampak dari prosentase ratarata belanja 118% dari seluruh

Tan, P., Steinbach, M., & Kumar, V., (2006). Introduction to Data Mining, Pearson Education.

transaksi. Akan tetapi tipe keluarga ini

cukup

kesehatan,

memperhatikan dapat

dilihat

dari

prosentase belanja buah yang sangat tinggi baik dibandingkan dengan item yang lain maupun klaster tipe keluarga yang lain (145%), selain itu pula konsumsi wine dari tipe kelurga

ini

paling

dibandingkan dengan

kecil

jika

yang lain

(82%). Keluarga ini juga sangat menyukai

olahan

daging

itik

(144%). Pustaka Ghozali, I., Aplikasi Multivariat dengan Program SPSS, Badan Penerbit U ndip, Semarang, 2001 Morissan, Sales-Marketing Pokok Bahasan: Segmentasi Pasar, 2009, URL: http://pksm.mercubuana.ac.id?ne w/elearning/files modul/41003-6256559724556.pdf Peter, J. P and Olson, J.C., Consumer Behavior : Perilaku Konsumen dan Strategi Pemasaran, Erlangga, Jakarta, 2000. Rosiatun, A., Widiharih,T., Safitri, D., Analisis Klaster Untuk Segmentasi Pemirsa Program Berita Sore Stasiun TV Swasta, FMIPA Universitas Diponegoro. Sharma, S., Applied Multivariate Techniques, John Willey &Sons, New York, 1996. Simamora, B., Analisis Multivariat Pemasaran, Gramedia Pustaka Utama, Jakarta, 2005.



84


ISSN: 2088-687X


ANALISIS KARAKTERISTIK POLA BELANJA KELUARGA DENGAN ANALISIS KLASTER

Recommend Documents