Pengolahan data dalam penelitian ini dilakukan dengan menggunakan software Microsoft Excel untuk menganalisis perkembangan UMK sektor makanan
dan minuman di Kota Bogor, sedangkan untuk melakukan uji validitas dan pengelompokkan digunakan software SPSS 16. Usaha mikro dan kecil sektor makanan dan minuman di Kota Bogor akan dikelompokan menjadi dua klaster berdasarkan kemiripan variabelnya.
4.3.1 Statistik Deskriptif
Metode statistik adalah prosedur-prosedur yang digunakan dalam pengumpulan, penyajian dan penafsiran data. Statistik deskriptif adalah metode- metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistik deskriptif memberikan informasi hanya mengenai data yang dimiliki dan sama sekali tidak menarik kesimpulan apapun dari gugus data induknya yang lebih besar (Walpole 1995). Penelitian ini menggunakan statitik deskriptif untuk menganalisis perkembangan UMK yang berada di Kota Bogor dengan menggunakan data sekunder pertumbuhan UMK sektor makanan dan minuman tahun 2007-2012.
4.3.2 Metode K-Means Cluster
Analisis k-means cluster merupakan metode yang digunakan untuk mengelompokan data sesuai dengan jumlah kelas yang telah ditentukan. Objek dikelompokan berdasarkan kemiripannya. Pada analisis klaster, kemiripan antar objek ditentukan dengan euclidhean distance. Berikut ini adalah tahapan dalam analisis k-means cluster. Tahap pra proses data sebelum melakukan pengelompokkan, dilakukan uji asumsi terhadap sampel, yaitu:
1. Uji Multikolinearitas
Santoso (2010) menyatakan, sebelum melakukan analisis k-means cluster, diperlukan uji asumsi yang membuktikan bahwa tidak terjadi multikolinearitas. Multikolinearitas adalah kemungkinan adanya korelasi antar objek. Multikolinearitas dilihat dari besar nilai VIF (Variance Inflation Fector). Jika nilai VIF lebih dari 10, maka data tersebut mengandung multikolinearitas, dan sebaliknya. Rumus untuk menghitung VIF adalah:
��� = 1 1 − 2
Keterangan : 2 = Koefisien determinasi
Nilai VIF secara langsung diperoleh dengan bantuan software MINITAB 14.
2. Uji Validitas dan Reabilitas Faktor
Validitas adalah tingkat keandalan dan kesahihan alat ukur yang digunakan. Data dikatakan valid berarti dapat digunakan untuk mengukur apa yang seharusnya di ukur, dengan begitu data yang valid merupakan data yang benar-benar tepat untuk mengukur apa yang sedang di ukur (Sugiyono 2007).
Reabilitas adalah ukuran yang menunjukkan bahwa alat ukur yang digunakan dalam penelitian mempunyai keandalan sebagai alat ukur melalui konsistensi hasil pengukuran dari waktu ke waktu jika fenomena yang diukur tidak berubah. Pengukuran validitas dan reabilitas mutlak dilakukan, karena jika instrumen yang digunakan sudah tidak valid dan realible maka dipastikan hasil penelitiannya pun tidak akan valid dan realible. Hasil dari uji validitas dilihat dengan menggunakan KMO (Kaiser Meyer Olkin) dan Barlett’s test. Jika nilai KMO MSA (Measuring of Sampling Adequacy) lebih dari 0.5 maka data tersebut valid untuk digunakan sebagai alat analisis, sedangkan uji reabilitas dilakukan dengan menggunakan
Reability Analysis. Jika nilai koefisien Alpha Cronbach lebih besar atau sama dengan 0.70 maka dapat disimpulkan bahwa data tersebut reliable (Zulganef 2006).
3. Standarisasi Data
Sebelum proses clustering, data yang memiliki skala berbeda distandarisasi terlebih dahulu. Menurut Santoso (2010), pada penggunaan skala yang berbeda untuk memperoleh kesempatan yang sama setiap variabel perlu distandarisasi terlebih dahulu karena jika variabel tetap dalam bentuk aslinya, variabel-variabel yang memiliki standar deviasi yang paling besar akan tampil sebagai deferensiator utama, artinya proses segmentasi hanya akan dipengaruhi oleh variabel tertentu saja. Variabel yang distandarisasi adalah nilai hasil penjualan, jumlah tenaga kerja dan biaya produksi. Adapun rumus standarisasi data adalah sebagai berikut:
�� = � − ˉ � Keterangan:
Xij = Nilai X ke-i pada sel ke-j
xˉi = Rata-rata variabel ke-i
Sxi = Standar deviasi x variabel ke-i
Setelah dilakukan standarisasi data pada variabel yang digunakan, barulah dilakukan analisis dengan menggunakan k-means cluster.
4. Tahapan dalam Metode K-Means Cluster
Variabel yang digunakan dalam analisis k-means cluster adalah variabel omset, jumlah tenaga kerja dan biaya produksi. Klaster terbentuk berdasarkan kemiripan variabel yang digunakan. Tahapan dalam analisis k-means cluster adalah sebagai berikut (Sartono et al. 2003):
a. Menentukan jumlah klaster
Dalam k-means cluster, diasumsikan bahwa jumlah klaster yang akan dibentuk sudah diketahui. Jumlah k yang akan dibentuk dalam penelitian ini adalah 2 klaster yaitu klaster UMK yang kurang berkembang dan klaster UMK yang berkembang. Keberhasilan suatu usaha dilihat dari besar hasil penjualan yang diperoleh UMK tersebut, sehingga pengklasteran dalam penelitian ini menggunakan nilai hasil penjualan sebagai variabel penentu. b. Menghitung jarak setiap objek dengan setiap nilai centroid
Pada tahap ini, masukkan tiap objek ke satu kelompok berdasarkan jarak terdekat dengan centroid kelompok yang berpadanan.Centroid merupakan pusat kelompok. Nilai centroid ditentukan dengan menggunakan rumus sebagai berikut:
ṽ =� ∑1 ��
=0 Keterangan :
Vij = centroid atau rata-rata klaster ke-i untuk variabel ke-j Ni = jumlah data yang menjadi anggot klaster ke-i
i,k = indeks dari klaster j = indeks dari variabel
Perhitungan jarak antara objek dengan titik centroid menggunakan euclidean distance. Rumus perhitungan euclidean distance adalah sebagai berikut:
�� = √ − 2− − 2
Keterangan:
De = euclidean distance i = banyaknya objek (x,y) = koordinat objek (s,t) = koordinat centroid
c. Hitung kembali rataan centroid untuk kelompok yang baru terbentuk.
d. Kembali ke tahap 2, ulangi perulangan hingga nilai centroid yang dihasilkan tetap dan anggota klaster tidak berpindah ke klaster yang lain.
4.3.3 Analisis Output K-Means Cluster
Berdasarkan hasil analisis k-means cluster, akan diperoleh beberapa output. Output ini menunjukkan informasi mengenai jumlah anggota tiap klaster dan melihat keterkaitan atribut dengan tiap klaster. Output yang akan digunakan untuk menarik kesimpulan dari analisis klaster adalah (Santoso 2010):
1. Tabel ANOVA
Analisis klaster pada dasarnya adalah mengelompokkan individu yang memiliki kemiripan berdasarkan nilai variabel. Hasil pengelompokkan dapat dianalisis dengan melihat output ANOVA. Interpretasi dari ANOVA dilakukan atas dasar nilai Sig dengan kriteria sebagai berikut:
a. Jika angka Sig > 0.05 : Tidak ada perbedaan yang berarti antara klaster 1 dan klaster 2 atau dengan kata lain, atribut tersebut tidak dapat digunakan untuk membedakan antara klaster 1 dan klaster 2.
b. Jika angka Sig ≤ 0.05 : Ada perbedaan yang berarti antara klaster 1 dan
klaster 2, masing-masing klaster dapat dibedakan.
2. Tabel jumlah anggota di setiap klaster menunjukkan jumlah anggota yang berada dalam klaster 1 dan klaster 2. Pada Tabel tersebut ada nilai valid yang menunjukkan jumlah objek yang dapat dikelompokkan dan nilai missing yang menunjukkan jumlah objek yang hilang atau tidak dapat dikelompokkan.