1 Pendahuluan

Analisis ini menggunakan metode K-Means Clustering untuk mengelompokkan data berdasarkan enam aspek penilaian layanan WESGO. Variabel yang digunakan adalah skor rata-rata setiap aspek, yaitu usabilitas, ketersediaan akses, keamanan berkendara, kenyamanan sepeda, kecepatan respons layanan, dan kepuasan keseluruhan.

2 Persiapan

2.1 Memuat package

packages <- c(
  "readxl",
  "dplyr",
  "writexl",
  "factoextra",
  "cluster",
  "ggplot2",
  "knitr"
)

for (p in packages) {
  if (!requireNamespace(p, quietly = TRUE)) {
    install.packages(p)
  }
}

library(readxl)
library(dplyr)
library(writexl)
library(factoextra)
library(cluster)
library(ggplot2)
library(knitr)

2.2 Membaca data

folder <- "D:/STATISTIKA/SEM 5/Analisis Perancangan Survey"
file_input <- file.path(folder, "wesgo_dengan_skor_aspek.xlsx")

data <- read_excel(file_input)

# Enam variabel yang digunakan dalam clustering
variabel_X <- c(
  "Skor_X1_Usabilitas",
  "Skor_X2_Ketersediaan_Akses",
  "Skor_X3_Keamanan_Berkendara",
  "Skor_X4_Kenyamanan_Sepeda",
  "Skor_X5_Kecepatan_Respons",
  "Skor_X6_Kepuasan_Keseluruhan"
)

# Memastikan seluruh kolom tersedia
if (!all(variabel_X %in% names(data))) {
  stop("Satu atau lebih kolom skor aspek tidak ditemukan. Periksa nama kolom pada file Excel.")
}

# Memilih baris dengan enam skor aspek yang lengkap
data_analisis <- data %>%
  filter(if_all(all_of(variabel_X), ~ !is.na(.x)))

X <- as.data.frame(data_analisis[, variabel_X])

cat("Jumlah baris pada file:", nrow(data), "\n")

## Jumlah baris pada file: 157

cat("Jumlah baris dengan enam skor lengkap:", nrow(data_analisis), "\n")

## Jumlah baris dengan enam skor lengkap: 157

3 Statistik deskriptif

Statistik deskriptif digunakan untuk melihat rata-rata, simpangan baku, nilai minimum, dan nilai maksimum dari setiap aspek.

deskriptif <- data.frame(
  Variabel = variabel_X,
  Rata_rata = sapply(X, mean),
  Simpangan_Baku = sapply(X, sd),
  Minimum = sapply(X, min),
  Maksimum = sapply(X, max)
)

knitr::kable(
  deskriptif,
  digits = 3,
  caption = "Statistik deskriptif enam aspek WESGO"
)

Statistik deskriptif enam aspek WESGO
	Variabel	Rata_rata	Simpangan_Baku	Minimum	Maksimum
Skor_X1_Usabilitas	Skor_X1_Usabilitas	3.354	0.850	1.00	5
Skor_X2_Ketersediaan_Akses	Skor_X2_Ketersediaan_Akses	3.328	0.745	1.25	5
Skor_X3_Keamanan_Berkendara	Skor_X3_Keamanan_Berkendara	3.538	0.848	1.20	5
Skor_X4_Kenyamanan_Sepeda	Skor_X4_Kenyamanan_Sepeda	3.428	0.808	1.00	5
Skor_X5_Kecepatan_Respons	Skor_X5_Kecepatan_Respons	3.306	0.792	1.25	5
Skor_X6_Kepuasan_Keseluruhan	Skor_X6_Kepuasan_Keseluruhan	3.427	0.792	1.00	5

4 Standardisasi data

Keenam variabel distandardisasi agar perbedaan variasi antaraspek tidak mendominasi proses pengelompokan.

X_std <- scale(X)

# Pemeriksaan singkat hasil standardisasi
knitr::kable(
  data.frame(
    Variabel = colnames(X_std),
    Rata_rata_Standar = colMeans(X_std),
    SD_Standar = apply(X_std, 2, sd)
  ),
  digits = 3,
  caption = "Pemeriksaan hasil standardisasi"
)

Pemeriksaan hasil standardisasi
	Variabel	SD_Standar
Skor_X1_Usabilitas	Skor_X1_Usabilitas	1
Skor_X2_Ketersediaan_Akses	Skor_X2_Ketersediaan_Akses	1
Skor_X3_Keamanan_Berkendara	Skor_X3_Keamanan_Berkendara	1
Skor_X4_Kenyamanan_Sepeda	Skor_X4_Kenyamanan_Sepeda	1
Skor_X5_Kecepatan_Respons	Skor_X5_Kecepatan_Respons	1
Skor_X6_Kepuasan_Keseluruhan	Skor_X6_Kepuasan_Keseluruhan	1

5 Menentukan jumlah cluster

Jumlah cluster dievaluasi menggunakan metode Elbow dan Silhouette. Nilai K yang dibandingkan adalah 2 sampai 8 untuk evaluasi numerik.

5.1 Metode Elbow

Metode Elbow membandingkan jumlah cluster dengan total within-cluster sum of squares (WSS). Titik siku dipertimbangkan ketika penurunan WSS mulai melandai.

set.seed(123)

grafik_elbow <- fviz_nbclust(
  X_std,
  FUNcluster = kmeans,
  method = "wss",
  k.max = 8,
  nstart = 50
) +
  labs(
    title = "Metode Elbow - Data WESGO",
    x = "Jumlah cluster (K)",
    y = "Total within-cluster sum of squares"
  ) +
  theme_minimal()

print(grafik_elbow)

Grafik Elbow untuk menentukan jumlah cluster

5.2 Metode Silhouette

Nilai Silhouette digunakan untuk mengevaluasi seberapa baik suatu observasi sesuai dengan cluster-nya dibandingkan dengan cluster lain. Nilai rata-rata yang lebih tinggi menunjukkan pemisahan relatif yang lebih baik pada kandidat K yang dibandingkan.

grafik_silhouette <- fviz_nbclust(
  X_std,
  FUNcluster = kmeans,
  method = "silhouette",
  k.max = 8,
  nstart = 50
) +
  labs(
    title = "Metode Silhouette - Data WESGO",
    x = "Jumlah cluster (K)",
    y = "Rata-rata silhouette width"
  ) +
  theme_minimal()

print(grafik_silhouette)

Grafik Silhouette untuk menentukan jumlah cluster

5.3 Membandingkan nilai K

daftar_k <- 2:8

evaluasi_k <- data.frame(
  K = daftar_k,
  WSS = NA_real_,
  Silhouette = NA_real_
)

jarak <- dist(X_std)

for (i in seq_along(daftar_k)) {
  k <- daftar_k[i]

  model <- kmeans(
    X_std,
    centers = k,
    nstart = 50,
    iter.max = 100
  )

  evaluasi_k$WSS[i] <- model$tot.withinss
  evaluasi_k$Silhouette[i] <- mean(
    silhouette(model$cluster, jarak)[, 3]
  )
}

knitr::kable(
  evaluasi_k,
  digits = 3,
  caption = "Perbandingan WSS dan Silhouette untuk K = 2 sampai K = 8"
)

Perbandingan WSS dan Silhouette untuk K = 2 sampai K = 8
K	WSS	Silhouette
2	423.482	0.464
3	321.011	0.346
4	271.557	0.325
5	229.638	0.292
6	194.908	0.313
7	174.663	0.308
8	164.328	0.284

K_optimal <- evaluasi_k$K[which.max(evaluasi_k$Silhouette)]

cat("K dengan nilai Silhouette tertinggi:", K_optimal)

## K dengan nilai Silhouette tertinggi: 2

Berdasarkan aturan pemilihan nilai Silhouette tertinggi di antara K yang diuji, kode memilih K secara otomatis. Keputusan akhir sebaiknya tetap mempertimbangkan grafik Elbow, ukuran setiap cluster, dan kemudahan interpretasi.

6 Pemodelan K-Means

Model K-Means dibangun menggunakan jumlah cluster terpilih dan 100 inisialisasi acak (nstart = 100) untuk mengurangi ketergantungan pada satu inisialisasi.

set.seed(123)

model_kmeans <- kmeans(
  X_std,
  centers = K_optimal,
  nstart = 100,
  iter.max = 100
)

data_analisis$Cluster <- factor(model_kmeans$cluster)

cat("Jumlah cluster terpilih:", K_optimal, "\n")

## Jumlah cluster terpilih: 2

cat("Total within-cluster sum of squares:", round(model_kmeans$tot.withinss, 3), "\n")

## Total within-cluster sum of squares: 423.482

7 Hasil pengelompokan

7.1 Jumlah dan persentase anggota cluster

jumlah_cluster <- data_analisis %>%
  count(Cluster, name = "Jumlah") %>%
  mutate(
    Persentase = round(Jumlah / sum(Jumlah) * 100, 2)
  )

knitr::kable(
  jumlah_cluster,
  digits = 2,
  caption = "Jumlah dan persentase data pada setiap cluster"
)

Jumlah dan persentase data pada setiap cluster
Cluster	Jumlah	Persentase
1	104	66.24
2	53	33.76

7.2 Profil rata-rata cluster

Rata-rata enam aspek digunakan untuk menggambarkan karakteristik setiap cluster. Label seperti “penilaian relatif tinggi” atau “penilaian relatif rendah” baru diberikan setelah profil seluruh aspek diperiksa; nomor cluster itu sendiri tidak menunjukkan tingkat kepuasan.

profil_cluster <- data_analisis %>%
  group_by(Cluster) %>%
  summarise(
    across(all_of(variabel_X), ~ mean(.x)),
    .groups = "drop"
  )

knitr::kable(
  profil_cluster,
  digits = 3,
  caption = "Rata-rata enam aspek pada setiap cluster"
)

Rata-rata enam aspek pada setiap cluster
Cluster	Skor_X1_Usabilitas	Skor_X2_Ketersediaan_Akses	Skor_X3_Keamanan_Berkendara	Skor_X4_Kenyamanan_Sepeda	Skor_X5_Kecepatan_Respons	Skor_X6_Kepuasan_Keseluruhan
1	3.796	3.666	3.996	3.875	3.712	3.880
2	2.486	2.665	2.638	2.552	2.509	2.538

7.3 Visualisasi cluster

Grafik berikut menampilkan proyeksi data ke dua dimensi untuk membantu melihat pola pemisahan. Dimensi pada grafik merupakan proyeksi dan bukan variabel aspek asli.

grafik_cluster <- fviz_cluster(
  list(
    data = X_std,
    cluster = model_kmeans$cluster
  ),
  geom = "point",
  ellipse.type = "norm",
  ggtheme = theme_minimal()
) +
  labs(
    title = paste("K-Means WESGO: K =", K_optimal),
    subtitle = "Proyeksi dua dimensi dari enam skor aspek terstandardisasi"
  )

print(grafik_cluster)

Visualisasi hasil K-Means pada dua dimensi

8 Menyimpan hasil analisis

Hasil analisis disimpan sebagai file Excel dengan beberapa sheet: data beserta label cluster, statistik deskriptif, evaluasi jumlah cluster, jumlah anggota, dan profil cluster.

file_output <- file.path(folder, "hasil_analisis_kmeans_wesgo.xlsx")

write_xlsx(
  list(
    Data_Cluster = data_analisis,
    Deskriptif = deskriptif,
    Evaluasi_K = evaluasi_k,
    Jumlah_Cluster = jumlah_cluster,
    Profil_Cluster = profil_cluster
  ),
  path = file_output
)

cat("File hasil tersimpan di:", file_output)

## File hasil tersimpan di: D:/STATISTIKA/SEM 5/Analisis Perancangan Survey/hasil_analisis_kmeans_wesgo.xlsx

Analisis K-Means Clustering Pengguna WESGO

Restika & Andi Namirah Tenriawaru

13 October 2026