Proses clustering dengan menggunakan prosedur hierarki didasari konsep “treelike structure“. Konsep ini dimulai dengan menggabungkan dua obyek yang paling mirip, kemudian gabungan dua obyek tersebut akan bergabung lagi dengan satu atau lebih obyek yang paling mirip lainnya. Demikian seterusnya sehingga ada semacam hierarki (urutan) dari obyek yang membentuk kelompok (cluster). Urutan–urutan tersebut dapat dianalogikan seperti pohon (treelike) yang dimulai dari akar, batang, dahan, daun, dan seterusnya, yang bercabang–cabang. Secara logika proses clustering tersebut pada akhirnya akan menggumpal menjadi satu cluster besar yang mencakup semua obyek. Metode ini disebut sebagai metode agglomerasi (agglomerative Methods), yaitu metode atau cara pembuatan cluster yang dimulai dari dua atau lebih variabel yang paling mirip membentuk satu cluster, kemudian cluster memasukan lagi satu variabel yang paling mirip. (S. Singgih, Tjiptono Affandi, 2001, Riset Pemasaranan Konsep dan Aplikasi Dengan SPSS : hal 74). Pada proses penentuan peer groups dari unit yang tidak efisien, diperlukan metode yang dapat membantu dalam pengelompokan dari unit-unit yang memiliki karakteristik yang sama. Metode yang digunakan untuk ini adalah Hierarchical Cluster Analysis (HCA). Konsep dasar dari HCA ini adalah proses clustering dengan menggunakan hierarki didasari dengan konsep “treelike structure”. Konsep ini dimulai dengan menggabungkan dua objek yang mirip kemudian gabungan dua objek tersebut akan bergabung lagi dengan objek yang satu atau lebih objek yang paling mirip lainnya dan demikian seterusnya sehingga ada semacam hierarki dan objek yang membentuk cluster, urut-urutan tersebut bisa dianalogikan sebagai pohon yang bercabang-cabang mulai dari akar, daun, dahan dan seterusnya. Secara logika proses clustering tersebut akan membentuk satu cluster besar yang mencakup keseluruhan objek. Metode ini disebut sebagai “agglomerative methods” yang akan digambarkan secara diagram yang disebut sebagai dendogram. (S. Singgih, Tjiptono Affandi, 2001, Riset Pemasaranan Konsep dan Aplikasi Dengan SPSS : hal 74). Kelebihan-kelebihan yang dimiliki HCA technique mendukung dalam perhitungan DEA , antara lain: 1. Hierarchical Cluster Analysis disesuaikan untuk menyelesaikan persamaan yang terdiri atas output jamak maupun input jamak. 2. Dapat membantu dalam pembuktian keabsahan penelitian yang memiliki sampel penelitian yang keci3. Mengelompokkan unit-unit yang berkarakteristik sama secara statistik sehingga memudahkan dalam pembentukan peer group bagi unit yang tidak efisien. 4. Memperbaiki DEA origin karena dapat menggantikan asumsi umum DEA bahwa data penelitian dianggap representatif terhadap penelitian yang akan dilakukan, sehingga memudahkan dalam penentuan unit yang efisien maupun yang tidak efisien.
Olah Data dan Pendampingan Penyusunan Artikel Ilmiah