Penerapan Hierarchical Clustering Metode Agglomerative pada Data Runtun Waktu

Abstract

Analisis  cluster  merupakan seperangkat metode yang digunakan untuk mengelompokkan objek ke dalam sebuah  cluster  berdasarkan informasi yang ditemukan pada data. Analisis cluster  dapat diterapkan pada data runtun waktu, di mana terdapat prosedur dan algoritma pengelompokkan yang berbeda dibandingkan dengan pengelompokkan data  cross-section . Banyak teknik pengelompokkan data runtun waktu yang dikembangkan di antaranya adalah penggunaan jarak pengukuran kemiripan yang sesuai dengan karakteristik data runtun waktu, pemilihan algoritma pengelompokkan yang optimal sampai dengan penentuan banyaknya  cluster  yang representatif. Tujuan dari penelitian adalah untuk memperoleh jarak pengukuran kemiripan terbaik, kemudian memperoleh algoritma pengelompokkan metode agglomerative  yang optimal serta memperoleh jumlah  cluster  yang representatif. Pemilihan jarak pengukuran kemiripan terbaik dan algoritma yang optimal menggunakan koefisien korelasi  cophenetic , sedangkan untuk penentuan jumlah  cluster  menggunakan koefisien silhouette . Data pada penelitian adalah data jumlah penduduk Kabupaten/Kota di Provinsi Kalimantan Timur dari Tahun 2005-2017. Berdasarkan hasil analisis, diperoleh jarak pengukuran kemiripan terbaik dalam mengelompokkan Kabupaten/Kota di Provinsi Kalimantan Timur adalah jarak  autocorrelation based distance  (ACF) dengan nilai koefisien korelasi  cophenetic  sebesar 0,99. Algoritma pengelompokkan yang optimal adalah algoritma average linkage , dikarenakan memiliki nilai koefisien korelasi  cophenetic  yang terbesar diantara algoritma pengelompokkan lainnya, dengan jumlah  cluster  yang representatif berdasarkan koefisien  silhouette  adalah 2  cluster .