Dani
Dani
Andrea Tri Rian Dani 1, Sri Wahyuningsih2, dan Nanda Arista Rizki 3
1
Laboratorium Statistika Ekonomi dan Bisnis FMIPA Universitas Mulawarman
2
Laboratorium Statistika Terapan FMIPA Universitas Mulawarman
3
Laboratorium Statistika Komputasi FMIPA Universitas Mulawarman
1
E-mail: [email protected]
Abstract
The export value of East Kalimantan Province has big data conditions with time series and multivariable
data types. Cluster analysis can be applied to time series data, where there are different procedures and
grouping algorithms compared to grouping cross section data. Algorithms and procedures in the cluster
formation process are done differently, because time series data is a series of observational data that occur
based on a time index in sequence with a fixed time interval. The purpose of this research is to obtain the
best similarity measurement using the cophenetic correlation coefficient and get the optimal c-value using
the silhouete coefficient. In this study, the grouping algorithm used is a single linkage with four
measurements of similarity, namely the Pearson correlation distance, euclidean, dynamic time warping and
autocorrelation based distance. The sample in this study is the data on the export value of oil and non -oil
commodities in East Kalimantan Province from January 2000 to December 2016 consisting of 10 variables.
Based on the results of the analysis, the distance of the best similarity measurement in clustering the export
value of oil and non-oil commodities in East Kalimantan Province is the dynamic time warping distance
with the optimal c-value of 3 clusters.
penggunaan jarak pengukuran kemiripan yang kedekatannya (Prasetyo, 2012). Menurut Supranto
sesuai dengan karakteristik data runtun waktu. (2010), analisis cluster merupakan suatu teknik
Jarak yang digunakan dalam mengukur kemiripan yang digunakan untuk mengelompokkan objek ke
dua data runtun waktu pada penelitian ini adalah dalam cluster atau kelompok yang relatif
korelasi Pearson, euclidean, dynamic time homogen. Tujuan analisis cluster adalah tidak
warpingdan autocorrelation based distance. untuk menghubungkan ataupun membedakan
Secara umum, penelitian terkait analisis objek yang satu dengan objek lainnya, melainkan
clusterdapat digunakan pada sektor ekonomi di untuk mengidentikasi sekelompok objek yang
antaranya data nilai ekspor, nilai impor dan lain mempunyai kemiripan dan karakteristik tertentu
sebagainya. yang dapat dipisahkan dengan kelompok lainnya.
Menurut Undang-Undang No. 17 tahun 2006 Objek yang berada dalam kelompok yang sama
menjelaskan bahwa ekspor adalah kegiatan relatif lebih homogen daripada objek yang berada
mengeluarkan barang dari daerah pabean. dalam kelompok yang berbeda.
Menurut Sukirno (2010), ekspor suatu negara
terjadi karena adanya manfaat yang diperoleh Normalisasi Data
akibat transaksi perdagangan luar negeri. Tujuan dari analisis cluster adalah
Perdagangan luar negeri dapat memperbesar mengelompokkan objek-objek yang mirip dalam
kapasitas konsumsi suatu negara serta membantu cluster yang sama. Objek dengan jarak yang lebih
berbagai usaha untuk melakukan pembangunan, dekat akan lebih mirip satu sama lain
meningkatkan peranan sektor yang mempunyai dibandingkan jarak yang lebih jauh. Jika rentang
keunggulan kompetitif karena efisiensi dalam nilai antar objek memiliki perbedaan skala yang
faktor produksi. cukup besar yang dapat menyebabkan bias dalam
Berdasarkan uraian tersebut, penulis tertarik analisis cluster, maka data asli perlu dilakukan
untuk membahas mengenai analisis cluster pada normalisasi. Normalisasi dapat menyingkirkan
proses pengelompokkan data runtun waktu nilai atau menghilangkan pengaruh dari unit
ekspor komoditi migas dan nonmigas Provinsi pengukuran dan dapat memperkecil perbedaan
Kalimantan Timur. antara kelompok atau cluster (Supranto, 2010).
Normalisasi data dapat dilakukan dengan cara
Data Mining semua dimensi atau sub-variabel penyusun
Data mining merupakan salah satu bidang ditransformasi ke dalam data standar (nilai rata-
yang berkembang pesat karena besarnya rata sama dengan nol, variansi sama dengan satu).
kebutuhan akan nilai tambah dari data berskala Menurut Sartono, dkk. (2003), cara menentukan
besar (big data). Prasetyo (2012) mendefinisikan nilai normalisasi adalah dengan menghitung nilai
data mining sebagai proses untuk mendapatkan rata-rata dan deviasi standar yaitu:
informasi yang berguna dari gudang basis data
yang besar. Data mining juga dapat diartikan 1 n
ditampilkan pada Gambar 1 sebagai berikut: Kemudian menghitung data hasil normalisasi
dengan menggunakan Persamaan (3) sebagai
berikut:
Z (t ) Z
Z (t ) , (3)
SZ
dengan:
Z (t ) : data Z pada waktu ke-t
n : banyaknya data
Z : rata-rata dari Z (t )
Gambar 1. Tahapan data mining
SZ : deviasi standar dari Z (t )
Analisis Cluster
Z (t ) : normalisasi data Z pada waktu ke-t.
Analisis cluster merupakan seperangkat
metode yang secara otomatis digunakan untuk
Pengukuran Kemiripan
mengelompokkan objek atau data ke dalam
sebuah cluster berdasarkan kemiripan dan Pada dasarnya proses pembentukancluster
yaitu mencari dan mengelompokkan objek-objek
(d d )( d coph ~ ij d coph )
d FOK ( Z , Y ) (ρˆ Z ρˆ Y ) ' Ω(ρˆ Z ρˆ Y ) ,
ij
(11) i j
rcoph (13
n (d d ) n (d
dengan d FOK ( Z , Y ) adalah jarak otokorelasi antara coph ~ij d coph )
2 2
)
i j
ij
i j
dua data runtun waktu Z (t ) terhadap Y ( t )
sedangkan Ω adalah matriks identitas (Riyadi, dengan:
dkk. 2016).
rcoph : koefisien korelasi cophenetic
Metode dalam Analisis Cluster dij : jarak asli antara objek ke-i dan ke-j
Metode pengklasteran merupakan prosedur
yang relatif sederhana yang tidak didukung d : rata-rata dij
dengan suatu penalaran statistik yang ekstensif.
Terdapat dua metode yang dapat digunakan untuk d coph ~ij : jarak cophenetic objek ke-i dan ke-j
melakukan analisis cluster, yaitu metode
pengelompokkan hierarki dan non-hierarki. d coph : rata-rata d coph ~ij .
Metode pengelompokkan hierarki merupakan
metode pengelompokkan yang berusaha untuk Nilai koefisien korelasi cophenetic berkisar antara
membangun sebuah hierarki kelompok. Strategi -1 hingga 1, nilai koefisien korelasi cophenetic
untuk pengelompokkan hierarki pada umumnya yang mendekati 1 berarti jarak yang digunakan
dibagi menjadi dua jenis yaitu agglomerative dalam proses pembentukan cluster cukup baik.
(pemusatan) dan divisive (penyebaran). Algoritma Ilustrasi dari jarak cophenetic ditampilkan pada
pengelompokkan yang digunakan pada penelitian Gambar 2 sebagai berikut:
ini adalah single linkage(pautan tunggal).
Algoritma single linkage (pautan tunggal)
merupakan prosedur pengelompokkan yang
didasarkan pada jarak minimum atau jarak
terdekat antar objek. Algoritma pengelompokkan
single linkage diawali dengan memilih jarak
terkecil dalam matriks D, kemudian
menggabungkan objek-objek yang bersesuaian
misalnya U dan V untuk mendapatkan cluster
(UV). Langkah selanjutnya adalah mencari nilai Gambar 2. Ilustrasi jarak cophenetic
(bi ai )
Si , (14)
max( ai , bi )
dengan:
S i : nilai koefisien silhouette
Gambar 3. Diagram batang untuk data nilai
bi : rata-rata jarak objek ke-i dengan semua ekspor
objek pada satu cluster yang berbeda Berdasarkan Gambar 3, dapat diketahui
a i : rata-rata jarak objek ke-i dengan semua persentasebterbesar untuk kegiatan ekspor
objek pada satu cluster yang sama. Provinsi Kalimantan Timur adalah komoditi
migas yaitu bahan bakar dan mineral sebesar
Hasil perhitungan nilai koefisien silhouette 84,77%. Komoditi-komoditi lainnya selain migas
dapat bervariasi antara -1 hingga 1. Hasil cluster (nonmigas) menyumbang dengan persentase yang
dikatakan baik jika nilai koefisien silhouette relatif lebih kecil.
mendekati 1, yang berarti objek ke-i sudah berada
dalam cluster yang tepat. 2. Normalisasi data
Setiap variabel penelitian memiliki nilai
Ekspor ekspor yang berbeda-beda dengan selisih yang
Perdagangan internasional didefinisikan cukup berjauhan satu sama lain, sehingga perlu
sebagai perdagangan yang dilakukan suatu negara dilakukan normalisasi data. Normalisasi data
dengan negara lain atas dasar saling percaya dan disini bertujuan untuk membuat semua variabel
saling menguntungkan. Undang-Undang Republik penelitian berada dalam jangkauan yang sama dan
Indonesia Nomor 17 tahun 2006 menjelaskan memperkecil perbedaan antar variabel. Dalam
bahwa ekspor adalah kegiatan mengeluarkan normalisasi data digunakan Persamaan (1), (2)
barang dari daerah pabean. Menurut Sukirno dan (3) dan diperoleh hasil sebagai berikut:
(2010), ekspor suatu negara terjadi karena adanya
manfaat yang diperoleh akibat transaksi Z 1 (t ) Z 2 (t ) Z10 (t )
perdagangan luar negeri. Perdagangan dapat
memperbesar kapasitas konsumsi suatu negara 1,16 1,16 0,10
serta membantu berbagai usaha untuk melakukan 1,16 1, 98 0,15
pembangunan, meningkatkan peranan sektor yang O
mempunyai keunggulan komperatif karena
efisiensi dalam faktor produksi. 0, 69 1,11 0, 22
Matriks O adalah matriks yang berisikan hasil nilai jarak minimum terhadap setiap variabel
normalisasi data nilai ekspor komoditi migas dan lainya berdasarkan Persamaan (12). Proses
nonmigas Provinsi Kalimantan Timur. pengelompokkan akan terus berlanjut sampai
dengan hanya tersisa 2 cluster dan diperoleh
3. Algoritma single linkage dendogram sebagai berikut:
Algoritma single linkage merupakan salah satu
algortima yang didasarkan pada jarak minimum
atau jarak terdekat antar objek. Pengukuran
kemiripan yang digunakan pada penelitian ini
dalam proses pengelompokkan menggunakan
algoritma single linkage sebagai berikut:
a. Jarak korelasi Pearson
Setelah melakukan normalisasi data nilai
ekspor komoditi migas dan nonmigas Provinsi
Kalimantan Timur yang hasil normalisasinya Gambar 4. Dendogram jarak korelasi Pearson
disebut dengan matriks O. Langkah selanjutnya Berdasarkan Gambar 4, diketahui bahwa variabel
menghitung nilai korelasi Pearson menggunakan
Persamaan (5) terhadap setiap variabel penelitian, yang pertama kali bergabung adalah Z1 (t ) yaitu
kemudian membentuk matriks korelasi R. bahan bakar dan mineral dengan variabel Z 5 (t )
Z 1 (t ) Z 2 (t ) Z10 (t ) yaitu lemak hewani dan nabati, kemudian variabel
selanjutnya yang bergabung adalah Z 4 (t ) yaitu
1, 00 1,16
Z 1 (t ) 0,18
Z1 (t ) 0, 08 1, 00 0, 01
pupuk.Proses pengelompokkan terus berlanjut
R sampai dengan variabel terakhir yang bergabung
adalah Z 2 (t ) yaitu kayu dan kerajinan kayu.
Z10 (t ) 0,18
0, 01 1, 00
b. Jarak euclidean
Berdasarkan matriks R di atas yang berisikan Jarak pengukuran kemiripan selanjutnya yang
perhitungan nilai korelasi Pearson untuk masing- digunakan adalah jarak euclidean dengan
masing variabel penelitian, kemudian langkah perhitungan menggunakan Persamaan (7) dan
selanjutnya menghitung jarak korelasi Pearson dilakukan terhadap setiap variabel penelitian,
menggunakan Persamaan (6) dan membentuk kemudian membentuk matriks jarak Dsebagai
matriks jarak D sebagai berikut: berikut:
Z 1 (t ) Z 2 ( t ) Z10 (t )
Z 1 (t ) Z 2 (t ) Z10 (t )
Z1 (t ) 0, 00 1, 08 0, 81 0, 00 20, 90
Z 1 (t ) 18, 20
Z1 (t ) 20, 90 0, 00 20, 03
Z1 (t ) 1, 08 0, 00 0, 97 D
D
Z10 (t ) 0, 81 0, 97
Z10 (t ) 18, 20 20, 03 0, 00
0, 00
Langkah selanjutnya setelah melakukan
Langkah selanjutnya setelah melakukan
perhitungan jarak euclidean adalah melakukan
perhitungan jarak korelasi Pearson adalah
proses pengelompokkan menggunakan algoritma
melakukan proses pengelompokkan menggunakan
single linkage. Setiap variabel penelitian dimulai
algoritma single linkage. Setiap variabel
sebagai cluster, sehingga awalnya pada penelitian
penelitian dimulai sebagai cluster, sehingga
ini terdapat 10 clusteryang terbentuk. Algoritma
awalnya pada penelitian ini terdapat 10
pengelompokkan single linkage dimulai dengan
clusteryang terbentuk. Algoritma
memilih jarak terkecil dalam matriks D. Jarak
pengelompokkan single linkage dimulai dengan
memilih jarak terkecil dalam matriks D. Jarak variabel Z1 (t ) dengan variabel Z 5 (t ) adalah
variabel Z1 (t ) dengan variabel Z 5 (t ) adalah sebesar 10,34, artinya bahwa kedua variabel
tersebut yang pertama kali bergabung membentuk
sebesar 0,26, artinya bahwa kedua variabel
satu cluster.Langkah selanjutnya adalah
tersebut yang pertama kali bergabung membentuk
satu cluster. Langkah selanjutnya adalah menggabungkan variabel Z1 (t ) dengan variabel
menggabungkan variabel Z1 (t ) dengan variabel Z 5 (t ) ke dalam satu cluster, kemudian mencari
Z 5 (t ) ke dalam satu cluster, kemudian mencari nilai jarak minimum terhadap setiap variabel
lainya berdasarkan Persamaan (12). Proses
pengelompokkan akan terus berlanjut sampai Z10 (t ) ke dalam satu cluster, kemudian mencari
dengan hanya tersisa 2 cluster dan diperoleh
dendogram sebagai berikut: nilai jarak minimum terhadap setiap variabel
lainya berdasarkan Persamaan (12). Proses
pengelompokkan akan terus berlanjut sampai
dengan hanya tersisa 2 cluster dan diperoleh
dendogram sebagai berikut:
adalah Z 2 (t ) yaitu kayu dan kerajinan kayu. variabel selanjutnya yang bergabung adalah Z1 (t )
Dendogram yang dihasilkan menggunakan jarak yaitu bahan bakar dan mineral dengan Z 5 (t ) yaitu
euclidean mempunyai hasil pengelompokkan
yang sama dengan dendogram yang dihasilkan lemak hewani dan nabati. Proses pengelompokkan
menggunakan jarak korelasi Pearson. terus berlanjut sampai dengan variabel terakhir
yang bergabung adalah Z 2 (t ) yaitu kayu dan
c. Jarak dynamic time warping (DTW) kerajinan kayu.
Jarak pengukuran kemiripan selanjutnya yang
digunakan adalah jarak dynamic time warping d. Jarak autocorrelation based distance(ABD)
(DTW)dengan perhitungan menggunakan Jarak pengukuran kemiripan yang terakhir
Persamaan (8), (9) dan (10) dan digunakan pada penelitian ini adalah jarak
dilakukanterhadap setiap variabel penelitian, autocorrelation based distance (ABD) dengan
kemudian membentuk matriks jarak D sebagai perhitungan menggunakan Persamaan (11) dan
berikut: dilakukan terhadap setiap variabel penelitian,
Z 1 (t ) Z 2 (t ) Z10 (t ) kemudian membentuk matriks jarak D sebagai
berikut:
Z1 (t ) 0, 00 195,13 147, 42
Z1 (t ) 195,13 170, 59
Z 1 (t ) Z 2 ( t ) Z10 (t )
0, 00
D Z1 (t ) 0, 00 3, 61 4, 73
Z1 (t ) 3, 61 0, 00 1, 43
Z10 (t ) 147, 72 170, 59 0, 00 D
Langkah selanjutnya setelah melakukan
Z10 (t ) 4, 73 1, 43
0, 00
perhitungan jarak DTW adalah melakukan proses
pengelompokkan menggunakan algoritma single Langkah selanjutnya setelah melakukan
linkage. Setiap variabel penelitian dimulai sebagai perhitungan jarak ABD adalah melakukan proses
cluster, sehingga awalnya pada penelitian ini pengelompokkan menggunakan algoritma single
terdapat 10 clusteryang terbentuk. Algoritma linkage. Setiap variabel penelitian dimulai sebagai
pengelompokkan single linkage dimulai dengan cluster, sehingga awalnya pada penelitian ini
memilih jarak terkecil dalam matriks D. Jarak terdapat 10 clusteryang terbentuk. Algoritma
variabel Z 9 (t ) dengan variabel Z10 (t ) adalah pengelompokkan single linkage dimulai dengan
sebesar 59,38, artinya bahwa kedua variabel memilih jarak terkecil dalam matriks D. Jarak
tersebut yang pertama kali bergabung membentuk variabel Z 9 (t ) dengan variabel Z10 (t ) adalah
satu cluster. Langkah selanjutnya adalah sebesar 0,31, artinya bahwa kedua variabel
menggabungkan variabel Z 9 (t ) dengan variabel tersebut yang pertama kali bergabung membentuk
satu cluster.Langkah selanjutnya adalah
menggabungkan variabel Z 9 (t ) dengan variabel yang digunakan dalam proses clustering cukup
baik. Berdasarkan Tabel 1, dapat diketahui bahwa
Z10 (t ) ke dalam satu cluster, kemudian mencari jarak pengukuran kemiripan terbaik dalam proses
nilai jarak minimum terhadap setiap variabel pengelompokkan nilai ekspor komoditi migas dan
lainya berdasarkan Persamaan (12).Proses nonmigas Provinsi Kalimantan Timur adalah jarak
pengelompokkan akan terus berlanjut sampai DTW dengan nilai koefisien korelasi cophenetic
dengan hanya tersisa 2 cluster dan diperoleh terbesar yaitu 0,92. Jarak DTWini nantinya akan
dendogram sebagai berikut: digunakan dalam proses analisis selanjutnya untuk
menentukan nilai c-optimal dalam proses
clustering algoritma single linkage.
b. Validitas cluster
Setelah mendapatkan jarak pengukuran
kemiripan terbaik yaitu jarak DTW, langkah
selanjutnya adalah menentukan nilai c-optimal
dalam proses clustering algoritma single linkage.
Uji validitas cluster yang digunakan pada
Gambar 7. Dendogram jarak ABD penelitian ini adalah metode koefisien silhouette
berdasarkan Persamaan (14).
Berdasarkan Gambar 7, diketahui bahwa variabel Nilai koefisien silhouette dapat bervariasi
yang pertama kali bergabung adalah Z 9 (t ) yaitu antara -1 hingga 1. Jumlah cluster dikatakan
kendaraan selain kereta api dengan variabel optimal jika nilai koefisien silhouette mendekati
1. Berdasarkan Gambar 8, dapat diketahui bahwa
Z10 (t ) yaitu barang dari besi dan baja, kemudian
nilai c-optimal dalam mengelompokkan nilai
variabel selanjutnya yang bergabung adalah Z 4 (t ) ekspor komoditi migas dan nonmigas Provinsi
Kalimantan Timur adalah 3 cluster dengan nilai
yaitu pupuk dengan Z 6 (t ) yaitu perikanan. Proses koefisien silhouette terbesar yaitu 0,21.
pengelompokkan terus berlanjut sampai dengan
variabel terakhir yang bergabung adalah Z1 (t )
yaitu bahan bakar dan mineral.
4. Uji Validitas
Pengujian validitas pada penelitian ini
bertujuan untuk menghasilkan proses clustering
yang optimal, artinya proses pembentukan cluster
dengan algoritma single linkage didasarkan
Gambar 8. Diagram garis nilai koefisien silhouette
padajarak pengukuran kemiripan serta jumlah
cluster yang optimal. 5. Profilisasi dan Interpretasi Hasil Cluster
Setelah mendapatkan proses clustering yang
a. Validitas jarak optimal. Langkah selanjutnya adalah melakukan
Setelah melakukan pengukuran kemiripan profilisasi dan interpretasi hasil cluster. Pada
untuk masing-masing variabel penelitian, tahapan proses pengelompokkan nilai ekspor komoditi
selanjutnya adalah melakukan pemilihan jarak migas dan nonmigas Provinsi Kalimantan Timur
pengukuran kemiripan terbaik pada data nilai menggunakan analisis cluster, jarak pengukuran
ekspor komoditi migas dan nonmigas Provinsi kemiripan yang digunakan adalah dynamic time
Kalimantan Timur. Uji validitas jarak yang warping(DTW)dengan nilai c-optimal yaitu 3
digunakan dalam penelitian ini adalah koefisien cluster sehingga diperoleh dendogram hasil
korelasi cophenetic berdasarkan Persamaan (13). pengelompokkan yang ditampilkan pada Gambar
Tabel 1. Nilai Koefisien Korelasi Cophenetic 9.
Koefisien
Jarak Pengukuran Korelasi
Cophenetic
Korelasi Pearson 0,83
Euclidean 0,85
Dynamic Time Warping 0,92
Autocorrelation Based Distance 0,87
Berdasarkan Gambar 9, dapat diketahui hasil Komputer dan Informatika. 1 (1), 53-
pengelompokkan nilai ekspor komoditi migas dan 57.
nonmigas Provinsi Kalimantan Timur. Pada Montero, P. dan Vilar, J. A. (2014). TSclust: An R
cluster 1 terdapat 7 variabel penelitian yang Package for Time Series Clustering.
Journal of Statistical Software. 62 (1),
bergabung diantaranya Z1 (t ) yaitu bahan bakar 01-43.
dan mineral, Z 5 (t ) yaitu lemak hewani dan nabati, Pereira, C. M. M dan Mello, R. F. (2013).
Common Dissimilarity Measures are
Z 6 (t ) yaitu perikanan, Z 4 (t ) yaitu pupuk, Z 8 (t ) Inappropriate for Time Series
Clustering. Revista de Informatica
yaitu bahan reaksi nuklir, Z 3 (t ) yaitu bahan-bahan Teorica e Aplicada (RITA). 20 (1), 25-
kimia anorganik serta Z 7 (t ) yaitu bahan-bahan 48.
Prasetyo, E. (2012). Data Mining:Konsep dan
kimia organik. Pada cluster 2 hanya terdapat 1 Aplikasi Menggunakan MATLAB.
variabel penelitian yang bergabung yaitu Z 2 (t ) Yogyakarta: Penerbit Andi.
atau kayu dan kerajinan kayu, sedangkan pada Riyadi, M. A. A., Fithriasari, K. dan Dwiatmono.
cluster 3 terdapat 2 variabel penelitian yang (2016). Data Mining Peramalan
Konsumsi Listrik dengan Pendekatan
bergabung diantaranya Z 9 (t ) yaitu kendaraan Cluster Time Series sebagai
selain kereta api serta Z10 (t ) yaitu barang dari Preprocessing. Jurnal Sains dan Seni
ITS. 5 (1), 121-126.
besi dan baja. Saracli, S., Dogan, N. dan Dogan, I. (2013).
Comparison of Hierarchical Cluster
Kesimpulan Analysis Methods by Cophenetic
Berdasarkan hasil penelitian dan pembahasan, Correlation. Journal of Inequalities and
maka kesimpulan yang diperoleh adalah sebagai Applications. doi: 10.1186/1029-242X-
berikut: 2013-203.
1. Pengukuran kemiripan terbaik dalam proses Sartono, B., Affendi, F. M., Sumertajaya, I. M.
pembentukan cluster data nilai ekspor dan Angraeni, Y. (2003). Analisis
komoditi migas dan nonmigas Provinsi Peubah Ganda. Bogor: Fakultas
Kalimantan Timur menggunakan algoritma Matematika dan Ilmu Pengetahuan
single linkage adalah jarak dynamic time Alam IPB.
warping (DTW) dengan nilai koefisien Sukirno, S. (2010). Makroekonomi: Teori
korelasi cophenetic sebesar 0,92. Pengantar. Jakarta: Rajawali Pers.
2. Nilai c-optimal dalam proses pembentukan Supranto, J. (2010). Statistik: Teori dan Aplikasi
cluster data nilai ekspor komoditi migas dan Edisi 8. Jakarta: Erlangga.
nonmigas Provinsi Kalimantan Timur
menggunakan algoritma single linkage dengan
jarak dynamic time warping adalah 3 cluster.
Nilai koefisien silhouette yang diperoleh
sebesar 0,21.
Daftar Pustaka
Haryati, S., Sudarsono, A., dan Suryana, E.
(2015). Implementasi Data Mining
untuk Memprediksi Masa Studi
Menggunakan Algoritma C4.5. Jurnal
Media Infotama. 11 (2), 130-138.
Johnson, R. A. dan Wichern, D. W. (2002).
Applied Multivariate
StatisticalAnalysis, Fifth Edition. New
Jersey: Pearson Prentice Inc.
Kaufman, L. dan Rousseeuw, P. J. (1990).
Finding Groups in Data An
Introduction to Cluster Analysis. New
Jersey: John Wiley & Sons Inc
Publication.
Mabrur, A. G. dan Lubis, R. (2012). Penerapan
Data Mining untuk Memprediksi
Kriteria Nasabah Kredit. Jurnal