Hierarchical Clustering untuk Memetakan Profil Gaya Pengasuhan Orang Tua dari Skor Kehangatan dan Kontrol

Info proyek

• Bidang studiPsikologi
• JenjangTesis (S2)
• Jenis metodeKlasterisasi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscipy.cluster.hierarchy linkage, dendrogram, fcluster, cophenet
• HargaRp 300.000 - Rp 2.000.000

Tujuan analisis

Mengelompokkan orang tua responden secara hierarkis berdasarkan skor kehangatan dan skor kontrol serta membaca dendrogramnya.

Variabel

Contoh hasil

• 3Clusters k
• 0.58Silhouette
• 0.824Cophenetic corr.
• 0.61Davies-Bouldin
• 311.692Calinski-Harabasz
• 0.984ARI vs. true groups

Klaster hierarkis (Ward) membentuk 3 klaster pada data Orang tua responden, Skor kehangatan, dan Skor kontrol dengan silhouette 0.580. Korelasi kofenetik 0.824.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Hierarchical Clustering

Hierarchical clustering membangun pohon penggabungan (dendrogram) dari titik-titik data berdasarkan kemiripan. Cocok untuk data berukuran kecil sampai menengah ketika jumlah klaster belum diketahui dan struktur bertingkat ingin dilihat.

Langkah pengerjaan

1. 1Standarisasi fitur dan pilih ukuran jarak
2. 2Hitung linkage (misalnya Ward)
3. 3Gambar dendrogram
4. 4Potong dendrogram pada jumlah klaster yang dipilih
5. 5Hitung koefisien kofenetik dan silhouette
6. 6Profilkan klaster

Asumsi yang perlu diperiksa

• Ukuran jarak dan metode linkage sesuai dengan data
• Fitur distandarisasi
• Penggabungan yang sudah terjadi tidak dapat dibatalkan

Membaca dan melaporkan hasil

Tunjukkan dendrogram dan jelaskan tinggi pemotongan yang dipilih beserta alasannya. Laporkan koefisien kofenetik dan silhouette sebagai ukuran kualitas.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from scipy.cluster.hierarchy import linkage, dendrogram, fcluster, cophenet
from scipy.spatial.distance import pdist
from sklearn.datasets import make_blobs
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score

X, _ = make_blobs(n_samples=80, centers=3, cluster_std=1.2, random_state=16)
X = StandardScaler().fit_transform(X)
warmth_score = X[:, 0]
control_score = X[:, 1]

Z = linkage(X, method="ward")
coph, _ = cophenet(Z, pdist(X))
print("Cophenetic correlation:", round(coph, 3))

parent_respondents = fcluster(Z, t=3, criterion="maxclust")
print("Cluster sizes:", np.bincount(parent_respondents)[1:])
print("Silhouette:", round(silhouette_score(X, parent_respondents), 3))

fig, ax = plt.subplots(1, 2, figsize=(11, 4))
dendrogram(Z, ax=ax[0], no_labels=True)
ax[0].set_title("Dendrogram (Ward)")
ax[1].scatter(warmth_score, control_score, c=parent_respondents, s=20)
ax[1].set_title("3 clusters")
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum