BAB 1 PENDAHULUAN
1.6 Kerangka Penelitian
2.4.1 Ukuran Kemiripan Objek
Mengukur kesamaan antar objek sesuai prinsip analisis cluster yaitu mengelompokkan objek yang mempunyai kemiripan, maka proses pertama adalah mengukur seberapa jauh ada kesamaan antar objek. Dengan memiliki sebuah ukuran kuantitatif untuk mengatakan bahwa dua objek tertentu lebih mirip dibandingkan dengan objek lain, akan mempermudah proses pengelompokan. Pengelompokan dilakukan berdasarkan kemiripan antar objek. Kemiripan diperoleh dengan meminimalkan jarak antar objek dalam kelompok dan memaksimalkan jarak antar kelompok metode yang digunakan adalah mengukur korelasi dan mengukur jarak.
Ada beberapa jarak yang biasa digunakan dalam analisis cluster, yaitu:
1. Jarak Euclidean
Salah satu ukuran yang digunakan untuk menentukan besaran jarak adalah Euclidean Distance. Jarak Euclidean merupakan besarnya jarak suatu garis lurus yang menghubungkan antar objek yang diteliti. Jarak Euclidean biasanya digunakan pada data mentah dan bukan data yang telah dilakukan standarisasi.
Misalkan terdapat dua objek yaitu A dengan koordinat ( ) dan B dengan koordinat ( ) maka jarak antar kedua objek tersebut dapat diukur dengan rumus:
√( ) ( ) (2.1)
Jarak Euclidean dapat digunakan jika variabel-variabel yang digunakan tdak terdapat korelasi dan memiliki satuan yang sama. Jarak Euclidean diperoleh dengan rumus sebagai berikut (simamora, 2005)
√∑ ( ) (2.2)
Keterangan:
= jarak kuadrat Euclidean antar objek ke-i dengan objek ke-j = jarak variabel cluster
= nilai dari objek ke-i pada variabel ke-k
= nilai dari obje ke-j pada variabel ke-k 2. Jarak Mahalanobis
Mahalanobis adalah suatu metode statistika yang digunakan untuk mendapatkan suatu data dengan jarak tertentu terhadap mean data tersebut. Mode ini memliki karakteristik yaitu dilihat dari rumusnya metode ni memiliki nila penguat yang fleksibel sehingga mudah disesuaikan dengan perubhan kondisi, hal ini yang menyebabkan metode ini lebih akurat dibanding metode lain. Berikut adalah persamaan dari Mahalanobis (Aribi, 2007):
Analisis Cluster secara umum terdapat dua metode yaitu:
1. Metode Hierarki
Metode ini biasanya digunakan untuk individu yang tidak terlalu banyak, dan jumlah kelompok yang hendak dibentuk belum diketahui. Biasanya pengelompokan ini disajikan dalam bentuk dendogram, yang mirip dengan “struktur diagram pohon”
(tree diagram).
a. Penggabungan (agglomerative)
Metode ini diawal dengan mengelompokkan dua atau lebih individu atau objek yang mempunyai kesamaan (jarak paling dekat). Selanjutnya kelompok dibentuk kembali berdasarkan kesamaan antar kelompok (jarak antar kelompok terdekat). Sehingga terjadi penggabungan kelompok, dan begitu seterusnya dilakukan prosedur yang sama.
b. Pemecahan (divisive)
Prosedur yang dilakukan merupakan kebalikan dari prosedur sebelumnya. Pada tahap awal, semua indivdu dibag menjadi dua kelompok, yang kemudian masng-masing kelompok dibagi lagi menjad dua, dan demikianlah seterusnya.
Dasar pengelompokan juga didasarkan pada jarak.
2. Metode Tak Hierarki
Perbedaan dasar metode ni dengan metode Hierarki adalah ditentukannya jumlah kelompok sebelum pengelompokan dilakukan.
a. Sequential threshold
Metode ini dimulai dengan memilh bakal cluster dan menyertakan seluruh objek dalam jarak tertentu. Jika seluruh objek dalam jarak tersebut disertakan, bakal cluster kedua terpilih, kemudian proses terus berlangsung seperti sebelumnya.
b. Parallel threshold
Metode ini memilih beberapa bakal cluster secara simultan pada permulaanya dan menandai objek-objek dengan jark permulaan ke bakal terdekat.
c. Optimizing partitioning
Metode ketiga ini mirip dengan kedua metode sebelumnya kecuali Pada penandaan ulang terhadap objek-objek.
Metode perbaikan jarak yang dapat digunakan pada metode hierarki adalah (Supranto, 2004):
1. Metode pautan tunggal (Single Linkage)
Cluster dibentuk dari individu objek dengan jelas menggabungkan jarak terdekat.
Pada setiap tahap, setelah terbentuk cluster baru (UV), maka jarak antara (UV), dan cluster lainnya, misal W adalah: 2. Metode pautan lengkap (Complete Lingkage)
Metode pautan lengkap dilakukan sama seperti metode pautan tunggal, dengan suatu pengecualian yaitu, pada setiap jarak antar cluster ditentukan oleh jarak antar dua objek, satu dari setiap cluster yang paling jauh. Setelah cluster U dan V digabung menjadi cluster (UV) dan cluster lain, misal W adalah:
( ) max* + (2.5) Keterangan:
= jarak antara cluster U dan W
= jarak antara cluster V dan W ( ) = jarak antara cluster UV dan W 3. Metode pautan rataan (Average Linkage)
Dalam pautan rataan menggunakan jarak antara dua cluste rsebagai rata-rata
jarak antara semua pasangan objek satu pasangan menjadi milik setiap cluster.
Selanjutnya, objek tersebut digabungkan sehingga membentuk cluster (UV), dengan ukuran jarak antara dan cluster (UV) dan cluster W adalah:
( )
(2.6) Keterangan:
= jumlah pengamatan pada cluster (UV)
= jarak antara cluster U dan W
= jarak antara cluster V dan W
( ) = jarak antara cluster (UV) dan W
BAB 3
METODE PENELITIAN
3.1 Ruang Lingkup Penelitian
Peneliti memfokuskan penelitian hanya pada menganalisis Pencemaran Udara Gas Buang Cerobong pada Industri di Kota Medan dengan menggunakan analisis cluster, sehingga data yang diperoleh valid, spesifik dan memudahkan peneliti untuk menganalisis data yang diperoleh.
3.2 Lokasi Penelitian
Dinas Lingkungan Hidup Kota Medan yang berlokasi di Jl. Jenderal Besar A.H.
Nasution No.32, Pangkalan Masyhur, Kec. Medan Johor, Kota Medan, Sumatera Utara 20233.
3.3 Jenis dan Sumber Data
Data yang dikumpulkan pada penelitian ini adalah data sekunder yang diperoleh atau dikumpulkan dan diperoleh dari Dinas Lingkungan Hidup Kota Medan untuk tahun 2018. Adapun variabel-variabel yang digunakan dalam skripsi ini ada 5 variabel, dimana merupakan jenis pencemaran udara yang meliputi debu (TSP=Total Suspended Particulate), Carbon Monoksida (CO), Amonia ( ), Nitrogen Dioksida ( ), dan Sulfur Dioksida ( ).
3.4 Metode Analisis Data
Dalam menganalisis data, peneliti menggunakan analisis cluster pada penelitian ini.
Analisis cluster adalah mengelompokkan objek atas dasar karakteristik yang dimiliki. Analisis cluster mengelompokkan objek (responden, produk, atau lainnya) sehingga masing-masing objek mempunyai kemiripan dengan yang lain dalam satu cluster. Hasil cluster suatu objek harus memiliki homogenitas yang tinggi dan memiliki heterogenitas yang tinggi. Jika pengelompokkan berhasil,maka objek dalam satu akan saling dekat satu sama lain dan cluster yang berbeda akan saling menjauh satu sama lain. Metode yang digunakan jika proses pengclustering dilakukan pada penelitian ini adalah metode Single Linkage, yaitu mengelompokkan dua objek yang
mempunyai jarak terdekat terlebih dahulu dan begtu selanjutnya samoai akan terjadi proses pengelompokkan secara hierarkis.
3.4.1 Variabel Penelitian
Variabel yang digunakan dalam penelitian ini adalah variabel yang menjadi kriteria atau parameter dalam pengelompokan pencemaran udara gas buang cerobong asap pada industri di kota Medan. Adapun variabel-variabelnya yaitu:
1. ( ) =Debu (TSP=Total Suspended Particulate) 2. ( ) = Carbon Monoksida (CO)
3. ( ) = Amonia ( )
4. ( ) = Nitrogen Dioksida ( ) 5. ( ) = Sulfur Dioksida ( ).
3.4.2 Analisis Cluster
Prosedur yang akan dilakukan pada analisis cluster adalah:
1. Menentukan ukuran ketidakmiripan antara dua objek, ukuran ini dihitung menggunakan jarak Euclidean. Proses pertama adalah mengukur kesamaan antar objek.
2. Membuat Cluster a. Metode Hierarki
Metode yang digunakan unuk proses cluster secara hierarki adalah Single Linkage. Metode ini akan mengelompokkan dua objek yang mempunyai jarak terdekat. Jadi pada setiap tahapan, banyaknya cluster berkurang satu. Secara umum, langkah-langkah dalam metode hierarki agglomeratif untuk membentuk kelompok dari N objek sebagai berikut:
1. Dimulai dengan menetapkan ukuran jarak data yaitu kesamaan antar-objek
2. Mengukur jarak antara dua objek. Hasil untuk setiap pasangan cluster terdekat, berdasarkan parameter kedekatan yang ditentukan. Misalkan pasangan pasangan paling mirip objek U dan V maka matriks jarak D
= * +, sehingga U dan V dipilih dan menggabungkan cluster U dan V menjadi cluster baru (UV).
3. Mempresentasikan hasil dari proses cluster-ing dan mengelompokan ke dalam satu kelompok.
4. Mengulangi langkah (2) dan (3) hingga hanya satu kelompok yang tersisa.
Mencatat identitas dari cluster yang digabungkan dengan tingkat (jarak dan kesamaan) di mana penggabungan terjadi, dan digambarkan dalam dengan dendogram. Metode hierarki yang digunakan dalam penelitian ini adalah metode Single Linkage.
BAB 4
HASIL DAN PEMBAHASAN
4.1 Menganalisis Data
Dalam melakukan aktivitas dengan nyaman, masyarakat membutuhkan udara dan lingkungan yang bersih dan sehat. Merujuk data yang dikeluarkan oleh Dinas Lingkungan Hidup Kota Medan berdasarkan PermenLH No. 07 tahun 2007 tentang Baku Mutu Emisi Tidak Bergerak, rincian data untuk pencemaran udara gas buang cerobong asap pada industri di Kota Medan tahun 2018 dapat dilihat pada tabel 4.1.
Tabel 4.1 Baku Mutu Pencemaran Industri Kota Medan tahun 2018
No Perusahaan
8 PT. DOW AGROS 150 600 - 1000 800
Sumber : Data laporan hasil uji berdasarkan Peraturan Menteri Negara Lingkungan Hidup No. PER.13/MEN LH/2009 tahun 2018
4.2 Proses Analisis Cluster
Pengelompokan menggunakan metode Single Linkage merupakan proses penggabungan dua objek atau lebih yang mempunyai jarak terdekat. Data
pencemaran udara gas buang cerobong asap yang digunakan pada industri di Kota Medan pada tahun 2018.
Tabel 4.2 Data pencemaran udara gas buang cerobong asap industri No Perusahaan
14
4.2.1 Menentukan Ukuran Kemiripan atau Ketidakmiripan antara Dua Objek Jarak tiap objek (industri) yang dihitung dengan jarak Euclidean yang ditampilkan dalam tabel proximity matrix dimana semakin kecil jarak antara dua objek, maka semakin mirip kedua objek tersebut. Dalam menghitung kemiripan tiap objek (industri) dihitung menggunakan perhitungan jarak Euclidean dengan persamaan (2.5). Berikut adalah perhitungan menggunkan persamaan jarak Euclidean dengan menggunakan data pada tabel 4.2. misalkan akan dihitung kemiripan antara industri PT. Growth Sumatera Industry dan PT. Musim Mas.
Tabel 4.3 Perhitungan kedekatan Industri PT. Growth Sumatera Industry dan PT. Musim Mas Industry dan PT. Musim Mas dengan persamaan (2.5):
= √∑ ( )
√( ) ( ) ( ) ( )
√( )
=√(( )) ( )) (( ))
√(( )) (( ))
= √( ) ( ) ( ) ( )
= √
= √
= 680.074
Tabel 4.4 Perhitungan Kedekatan Industri PT.Musim Mas dan PT.Industri Karet
Objek PT.Musim
Mas ( ) 200 - - 700 700
PT.Industri
Karet( ) 200 - - 700 700
( - ) 0 - - 0 0
( ) 0 - - 0 0
= √( ) ( )) (( ) ( ))
= √(( ) ( )) ( ) ( )
= √
= 0
Hasil perhitungan kemiripan menggunakan jarak Euclidean selanjutnya dapat dlihat pada tabel 4.5 di bawah ini:
10 11 12 13 14 15 16 17 1 680,074 680,074 680,074 680,074 1422,146 680,074 632,080 680,074
2 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
3 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
4 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
5 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
6 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
7 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
8 680,074 680,074 680,074 680,074 1422,146 680,074 632,080 680,074
9 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
10 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
11 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
12 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
13 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
14 1009,950 1009,950 1009,950 1009,950 0,000 1009,950 1138,431 1009,950 15 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000 16 137,931 137,931 137,931 137,931 1138,431 137,931 0,000 137,931 17 0,000 0,000 0,000 0,000 1009,950 0,000 137,931 0,000
Tabel 4.5 Hasil Perhitungan Jarak Menggunakan Euclidean Distance
1 2 3 4 5 6 7 8 9
1 0,000 680,074 680,074 680,074 680,074 680,074 680,074 0,000 680,074
2 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
3 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
4 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
4.2.2 Proses analisis cluster Single Linkage a. Proses analisis cluster Single Linkage
Analisis cluster dengan metode Single Linkage merupakan proses penggabungan dua objek atau lebih yang mempunyai jarak minmum atau jarak terdekat. Pada metode ini, jarak antara satu cluster dan cluster lain diukur berdasarkan jarak terdekat anggota-anggota mereka (Simamora, 2005:217). Pada Tabel 4.5 dipilih jarak yang memliki nilai jarak terkecil, terpilih kelompok 15 dan 17 yang memiliki nilai 0,000, sehingga kelompok-kelompok ini digabungkan. Setiap proses penggabungan selanjutnya dapat dilihat pada tabel 4.6:
Tabel 4.6 Agglomeration Schedule dalam Menganalisis Tingkat Pencemaran Udara Gas Buang Cerobong Asap pada Industri
Stage
5 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
6 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
7 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
8 0,000 680,074 680,074 680,074 680,074 680,074 680,074 0,000 3,528
9 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
10 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
11 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
12 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
13 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
14 1422,146 1009,950 1009,950 1009,950 1009,950 1009,950 1009,950 1422,146 6,517 15 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000 16 632,080 137,931 137,931 137,931 137,931 137,931 137,931 632,080 137,931 17 680,074 0,000 0,000 0,000 0,000 0,000 0,000 680,074 0,000
1 15 17 0,000 0 0 2
2 13 15 0,000 0 1 3
3 12 13 0,000 0 2 4
4 11 12 0,000 0 3 5
5 10 11 0,000 0 4 6
6 9 10 0,000 0 5 7
7 7 9 0,000 0 6 9
8 1 8 0,000 0 0 15
9 6 7 0,000 0 7 10
10 5 6 0,000 0 9 11
11 4 5 0,000 0 10 12
12 3 4 0,000 0 11 13
13 2 3 0,000 0 12 14
14 2 16 137,931 13 0 15
15 1 2 632,080 8 14 16
16 1 14 1009,950 15 0 0
Dan penjelasan setiap tahapannya adalah sebagai berikut:
1) Berdasarkan pada Tabel 4.2, 4.5 dan Tabel 4.6 diatas pada kolom stage 1, terbentuk satu cluster yang beranggotakan PT. Asahan Crumb Rubber (nomor urut 15) dan PT. Lambang Utama (nomor urut 17) dengan nilai koefisien 0,000. Karena proses agglomerasi dimulai dari 2 objek yang terdekat, maka nilai koefisen tersebut menunjukkan jarak yang terdekat dari 17 kombinasi objek yang ada. Selanjutnya pada kolom berikutnya (next stage), terlihat angka 2. Hal ini berarti objek selanjutnya yang akan tergabung dengan objek (nomor urut 15) dan (nomor urut 17) pada stage 2.
2) Pada stage 2 terbentuk cluster antara PT.Berlian Eka Sakti Tangguh (nomor urut 13) dan PT. Asahan Crumb Rubber (nomor urut 15) dengan nilai koefisien
0,000. Dengan demikian, telah terbentuk cluster yang terdri dari 3 objek yaitu
3) Pada stage 3 terbentuk cluster antara PT. Bintang Tenera (nomor urut 12) dan PT. Berlian Eka Sakti Tangguh (nomor urut 13) dengan nilai koefisien 0,000 yang menunjukkan besar jarak terdekat antara PT. Bintang Tenera dengan ketiga objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT. urut 11) dan PT. Bintang Tenera (nomor urut 12) dengan nilai koefisien 0,000 yang menunjukkan besar jarak terdekat antara PT. Ikaindo Industri Karbonik dengan keempat objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT. Lambang Utama, PT. Asahan Crumb Rubber dan PT. Berlian Eka Sakti Tangguh). Hal ini berarti objek selanjutnya yang akan tergabung dengan objek (nomor urut 11) dan (nomor urut 12) pada stage 5.
( ) * +
( ) { } *( ) ( )+
0,000
5) Pada stage 5 terbentuk cluster antara PT. Growth Asia (nomor urut 10) dan PT.
Ikaindo Indusri Karbonik (nomor urut 11) dengan nilai koefisien 0,000 yang
menunjukkan besar jarak terdekat antara PT.Ikaindo Industri Karbonik dengan kelima objek sebelumnya yaitu (PT.Asahan Crumb Rubber, PT.Lambang Utama, PT. Berlian Eka Sakti Tangguh, PT.Asahan Crumb Rubber dan PT.Bintang Tenera). Hal ini bererti objek selanjutnya akan tergabung dengan objek (nomor urut 10) dan (nomor urut 11) pada stage 6.
( ) * + objek sebelumnya yaitu (PT. Asahan Crumb Rubber, PT. Lambang Utama, PT.
Berlian Eka Sakti Tangguh,PT. Asahan Crumb Rubber, PT.Bintang Tenera dan PT. Ikaindo Industri Karbonik). Hal ini bererti objek selanjutnya akan tergabung dengan objek (nomor urut 9) dan (nomor urut 10) pada stage 7.
( ) * +
( ) { } *( ) ( )+
0,000
7) Pada stage 7 terbentuk cluster antara PT. Jakaranatama (nomor urut 7) dan PT.
Agro Jaya Perdana (nomor urut 9) dengan nilai koefisien 0,000 yang menunjukkan besar jarak terdekat antara PT. Agro Jaya Perdana dengan ketujuh objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.
Lambang Utama, PT. Berlian Eka Sakti Tangguh, PT. Asahan Crumb Rubber, PT.Bintang Tenera, PT. Ikaindo Indusri Karbonik dan PT.Growth Asia). Hal ini berarti objek selanjutnya akan tergabung dengan objek (nomor urut 9) dan (nomor urut 10) pada stage 9.
( ) * +
( ) { }
*( ) ( )+
0,000
8) Pada stage 9 terbentuk cluster antara PT. Permata Hijau (nomor urut 6) dan PT. Jakaranatama (nomor urut 7) dengan nilai koefisien 0,000 yang menunjukkan besar jarak terdekat antara PT.Jakaranatama dengan kedelapan objek sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh,PT. Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Indusri Karbonik, PT.Growth Asia dan PT. Agro Jaya Perdana).
Hal ini berarti objek selanjutnya akan tergabung dengan objek (nomor urut 6) dan (nomor urut 7) pada stage 10.
( ) * +
( ) { }
*( ) ( )+
0,000
9) Pada stage 10 terbentuk cluster antara PT. Smart Coorporation (nomor urut 5) dan PT.Permata Hijau (nomor urut 6) dengan nilai koefisien 0,000 yang menunjukkan besar jarak terdekat antara PT.Permata Hijau dengan kesembilan objek sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh,PT. Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Indusri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana dan PT.
Jakaranatama). Hal ini bererti objek selanjutnya akan tergabung dengan objek (nomor urut 5) dan (nomor urut 6) pada stage11.
( ) * + Coorporation dengan kesepuluh objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh, PT.
Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Industri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana, PT. Jakaranatama dan PT.Permata
Hijau). Hal ini berarti objek selanjutnya akan tergabung dengan objek (nomor 0,000 yang menunjukkan besar jarak terdekat antara PT.Coca Cola Bottling Indonesia dengan kesebelas objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh, PT.
Asahan Crumb Rubber, PT.Bintang Tenera, PT. Ikaindo Indusri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana, PT. Jakaranatama, PT.Permata Hijau dan PT. Smart Coorporation). Hal ini bererti objek selanjutnya akan tergabung dengan objek (nomor urut 3) dan (nomor urut 4) pada stage 13.
( ) * +
( ) { }
*( ) ( )+
0,000
12) Pada stage 13 terbentuk cluster antara PT. Musim Mas (nomor urut 2) dan PT.
Industri Karet Deli (nomor urut 3) dengan nilai koefisien 0,000 yang menunjukkan besar jarak terdekat antara PT. Industri Karet Deli dengan kedua belas objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh,PT. Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Indusri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana, PT. Jakaranatama, PT.Permata Hijau, PT. Smart Coorporation dan PT.Coca Cola Bottling Indonesia). Hal ini bererti objek selanjutnya akan tergabung dengan objek (nomor urut 2) dan (nomor urut 3) pada stage 14.
( ) * +
( ) { } *( ) ( )+
0,000
13) Pada stage 14 terbentuk cluster antara PT. Musim Mas (nomor urut 2) dan PT.
Belawan Deli Chemical Industry (nomor urut 14) dengan nilai koefisien 137,931 yang menunjukkan besar jarak terdekat antara PT. Belawan Deli Chemical Industry dengan ketiga belas objek cluster sebelumnya yaitu (PT.
Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh,PT. Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Indusri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana, PT. Jakaranatama, PT.Permata Hijau, PT. Smart Coorporation, PT.Coca Cola Bottling ndonesia dan PT. Industri Karet Deli). Hal ini berarti objek selanjutnya akan tergabung dengan objek (nomor urut 2) dan (nomor urut 14) pada stage 15.
( ) * +
( ) { }
*( ) ( )+
0,000
14) Pada stage 14 terbentuk cluster antara PT. Musim Mas (nomor urut 2) dan PT.
Belawan Deli Chemical Industry (nomor urut 14) dengan nilai koefisien 137,931 yang menunjukkan besar jarak terdekat antara PT. Belawan Chemical Industry dengan keempat belas objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh,PT.
Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Indusri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana, PT. Jakaranatama, PT.Permata Hijau, PT.Smart Coorporation, PT.Coca Cola Bottling Indonesia dan PT. Industri Karet Deli). Hal ini bererti objek selanjutnya akan tergabung dengan objek (nomor urut 2) dan (nomor urut 14) pada stage 15.
( ) * +
( ) { }
*( ) ( )+
0,000
15) Pada stage 15 terbentuk cluster antara PT. Growth Sumatera Industry (nomor urut 1) dan PT. Musim Mas (nomor urut 2) dengan nilai koefisien 632,080 yang menunjukkan besar jarak terdekat antara PT. Musim Mas dengan kelima belas objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber,
PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh,PT. Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Indusri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana, PT. Jakaranatama, PT.Permata Hijau, PT. Smart Coorporation, PT.Coca Cola Bottling Indonesia, PT. Industri Karet Deli, PT.
Belawan Deli Chemical Industry, dan PT. Belawan Deli Chemical Industry).
Hal ini bererti objek selanjutnya akan tergabung dengan objek (nomor urut 1) dan (nomor urut 2) pada stage16.
( ) * +
( ) { }
*( ) ( )+
16) Pada stage 16 terbentuk cluster antara PT. Growth Sumatera Industry (nomor urut 1) dan PT. Belawan Deli Chemical Industry (nomor urut 14) dengan nilai koefisien 1009,950 yang menunjukkan besar jarak terdekat antara PT.
Belawan Deli Chemical Industry dengan keenam belas objek cluster sebelumnya yaitu (PT. Asahan Crumb Rubber, PT.Lambang Utama, PT.Berlian Eka Sakti Tangguh, PT. Asahan Crumb Rubber, PT.Bintang Tenera, PT.Ikaindo Indusri Karbonik, PT.Growth Asia, PT. Agro Jaya Perdana, PT. Jakaranatama, PT.Permata Hijau, PT. Smart Coorporation, PT.Coca Cola Bottling Indonesia, PT. Industri Karet Deli, PT. Belawan Deli Chemical Industry, PT. Belawan Deli Chemical Industry dan PT. Musim Mas).
Kemudian pada kolom (next stage) terlihat angka 0, yang berarti proses clustering berhenti. Kemudian proses selanjutnya dilakukan pada tahap yang belum diproses sampai proses cluster berhenti.
( ) * +
( ) { }
*( ) ( )+
1009,950
b. Menentukan jumlah anggota cluster dan anggotanya pada metode Single Linkage
Dalam menentukan anggota cluster, penulis memilh untuk mengelompokkan objek-objek dalam 4 cluster. Kemudian dari data awal pada Tabel 4.3 dengan menggunakan SPSS diperoleh Output Cluster Membership dengan 5 cluster.
Dapat dilihat pada Tabel 4.7 di bawah ini:
Tabel 4.7 : Tabel Cluster Membership
c. Interpretasi cluster pada metode Single Linkage setelah cluster terbentuk maka tahap selanjutnya adalah memberi ciri spesifik untuk menggambarkan isi cluster pada tabel 4.8:
Tabel 4.8 Anggota dari Cluster yang Terbentuk dengan Metode Single Linkage
No Cluster Perusahaan
1
I
PT. Growth Sumatera Industry
2 PT. Dow Agros
3
II
PT. Musim Mas
4 PT. Industri Karet Deli
5 PT. Coca Cola Bottling Indonesia
6 PT. Smart Coorporation
7 PT. Permata Hijau
8 PT. Jakaranatama
9 PT. Industri Karet Deli
10 PT. Agro Jaya Perdana
11 PT. Growth Asia
12 PT. Ikando Industri Karbonik
13 PT. Bintang Tenera
14 PT. Berlian Eka Sakti Tangguh
15 PT. Lambang Utama
16 III PT. Belawan Deli Chemical Industry
17 IV PT. Amir Hasan Company
Keterangan:
Dari tabel diatas dapat diklasifikasikan bahwa Cluster I adalah kelompok dengan kemiripan paling mirip pertama ddikuti Cluster II,III dan IV.
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian yang dilakukan untuk 17 perusahaan dikota Medan menggunakan metode Single Linkage, berdasarkan jenis pencemaran udara gas buang cerobong asap TSP, CO, NH3, NO2, dan SO2 diperoleh 4 cluster dan dilihat berdasarkan variabel yang paling berbahaya yaitu CO, NO2, dan SO2 adalah Kelompok I merupakan kelompok yang memiliki nilai pencemaran udara gas buang cerobong asap dengan kategori berbahaya.Pada Kelompok III merupakan kategori baik karena hanya 0% dari total 30% pencemaran udara emisi tidak bergerak.
5.2 Saran
Penelitian ini hanya menganalisis tingkat pencemaran udara gas buang cerobong asap pada industri di Kota Medan. Mengenai hal ini perlu dilakukan kajian mengenai pencemaran udara gas buang cerobong asap pada industri berdasarkan 5 variabel yang telah disebutkan pada pembahasan sebelumnya, untuk cakupan yang lebih besar. Metode ini sangat cocok untuk dipakai pada kasus shape independent (mempengaruhi) cluster-ing, karena kemampuannya membentuk pola tertentu dari cluster. Jika berkenan variabel dari penelitian juga di perbanyak, atau menggunakan metode non-hirarki
DAFTAR PUSTAKA
Basrowi dan Siti Juariyah,”Analisis Kondisi Sosial Ekonomi dan Tingkat Pendidikan Masyarakat Desa Srigading Kecamatan Labuhan Maggarai Kabupaten Lampung Timur”, jurnal ekonomi & pendidikan, vol. 7 No. 1 (2010).
Gudono. 2011. Analisis Data Multivariat Edisi Pertama.Yogyakarta: BFE.
Imam Ghozali, 2001. Analisis Multivaria dengan Program SPSS.Semarang: Badan Penerbit Universitas Dipenogoro.
Imam Ghozali, 2006. Aplikasi Analisis Multivariat dengan SPSS, Cetakan Keempat, Badan Penerbit Universitas Dipenogoro, Semarang.
Johnson, R, A and D. W. Wichern. 2007. Applied Multivariate Statistical Analysis, Prentice-Hall, Inc. New Jersey.
Lubis I A, Nugroho S, dan Swita, Baki. 2016. Kajian Metode Pengklasteran Hierarki Dengan Berbagai Pengukuran Jarak. e-journal Statistika.45.
Lungan Richard, 2006. Aplikasi Statistika dan Hitung Peluang.Yokyakarta:
GrahaIlmu.
Mulia, R M. 2005. Pengantar Kesehatan Lingkungan. Cetakan Pertama. Yogyakarta:
Graha Ilmu.
Nugroho, Agung. 2005. Strategi Jitu Memilih Metode Statistika Penelitian dengan SPSS. Yogyakarta: Andi.
Saifuddin, 2003. Reliabilitas dan Validitas.Pustaka Belajar
Santoso Singgih, 2003. Statistika Multivariat. PT Gramedia, Jakarta.
Santoso Singgih. 20017. Statistika Multivariat dengan SPSS. PT. Elex Media Komputindo. Jakarta.
Sbm Binus. Analisis Cluster. 2015 [Online] Available https://sbm.binus.ac.id/2015/11/21/analisis-cluster.
Sbm Binus. Analisis Cluster. 2015 [Online] Available https://sbm.binus.ac.id/2015/11/21/analisis-cluster.