BAB I BAB I
PENDAHULUAN PENDAHULUAN A.
A. LATAR BELAKANGLATAR BELAKANG
Sumber daya manusia yang berkualitas
Sumber daya manusia yang berkualitas merupakan modal dasar yang sekaligus jugamerupakan modal dasar yang sekaligus juga menjadi kunci dan
menjadi kunci dan parameter keberhasilan pembangparameter keberhasilan pembanguna nasional. Hal una nasional. Hal ini dapat dilihatini dapat dilihat dari beberapa negara maju yang telah berkembang menjadi negara industri, bukan karena dari beberapa negara maju yang telah berkembang menjadi negara industri, bukan karena kekayaan alam yang berlimpah, tetapi karena mutu dari tenaga kerja yang merupakan kekayaan alam yang berlimpah, tetapi karena mutu dari tenaga kerja yang merupakan sumber daya manusianya yang baik dan
sumber daya manusianya yang baik dan berkualitas. Bila sumber daya indonesia dalamberkualitas. Bila sumber daya indonesia dalam jumlah besar dap
jumlah besar dapat ditingkatkan kuat ditingkatkan kualitas dan pendalitas dan pendayagunaayagunaannya, maka tidak mustahannya, maka tidak mustahilil Indonesia dapat berkembang dan mampu bersaing dengan negara-negara maju
Indonesia dapat berkembang dan mampu bersaing dengan negara-negara maju lainnya.lainnya. Oleh karena itu,
Oleh karena itu, pantangan terbesar yang dihadapi pada masa sekarang dan seterusnyapantangan terbesar yang dihadapi pada masa sekarang dan seterusnya adalah dalam hal
adalah dalam hal menyiapkan tenaga-tenagmenyiapkan tenaga-tenaga yang terampil a yang terampil dan berkualitas sebagaidan berkualitas sebagai pelaksana pembang
pelaksana pembangunan yang tidak unan yang tidak hanya mampu bekerja dengan terampil, tetapi hanya mampu bekerja dengan terampil, tetapi jugajuga dapat berinovasi dan mempunyai tingkat kreatifitas
dapat berinovasi dan mempunyai tingkat kreatifitas yang tinggi serta mempunyaiyang tinggi serta mempunyai pemikiran dan pandangan jauh kedepan.
pemikiran dan pandangan jauh kedepan.
Pendidikan merupakan hal utama sebagai ujung tombak
Pendidikan merupakan hal utama sebagai ujung tombak kemajuan suatu bangsa.kemajuan suatu bangsa. Pendidikan yang berkualitas dapat menghasilkan sumber daya manusia yang berkualitas Pendidikan yang berkualitas dapat menghasilkan sumber daya manusia yang berkualitas dan produktif. Hal ini
dan produktif. Hal ini dapat menjadikan suatu negara menjaddapat menjadikan suatu negara menjadi negara yang maju dani negara yang maju dan berkembang pesat dalam perkembangan ilmu pengetahuan dan teknologi. Dalam
berkembang pesat dalam perkembangan ilmu pengetahuan dan teknologi. Dalam hal inihal ini dunia pendidikan mempunyai dua fungsi utama.
dunia pendidikan mempunyai dua fungsi utama. Pertama dunia pendidikan berkewajibanPertama dunia pendidikan berkewajiban untuk menyediakan urusan yang berkualitas, mempunyai disiplin tinggi, serta
untuk menyediakan urusan yang berkualitas, mempunyai disiplin tinggi, serta mampumampu menjadi dinamisator, inovator, motivator, dan
menjadi dinamisator, inovator, motivator, dan penggerak pembangpenggerak pembangunan. Kedua duniaunan. Kedua dunia pendidikan khususny
pendidikan khususnya perguruan tia perguruan tinggi, berkewajiban menyednggi, berkewajiban menyediakan lulusan yang ahli iakan lulusan yang ahli dandan terampil dalam
terampil dalam hal melaksanakan tugasnya, serta mampu hal melaksanakan tugasnya, serta mampu mengembanmengembangkangkan kemampuannya dalam kehidupan nyata.
kemampuannya dalam kehidupan nyata.
Dunia pendidikan berfungsi memproduksi tenaga-teanaga yang berkualitas untuk Dunia pendidikan berfungsi memproduksi tenaga-teanaga yang berkualitas untuk berbagai tingkatan dan bidang keahlian. Tenaga-tenaga yang berkualitas
berbagai tingkatan dan bidang keahlian. Tenaga-tenaga yang berkualitas diharapkan dapatdiharapkan dapat dijadikan dinamisator dalam
dijadikan dinamisator dalam pembangpembangunan. Gerak dan unan. Gerak dan laju pembangunan banyak laju pembangunan banyak ditentukan oleh jumlah, mutu,
ditentukan oleh jumlah, mutu, kemampuakemampuan,dan kecocokan urusan dunia pendidikan yangn,dan kecocokan urusan dunia pendidikan yang dihasilkan dengan kebutuhan dalam dunia nyata.
Dalam suatu fenomena yang lain, permasalahan yang muncul sekarang adalah isu Dalam suatu fenomena yang lain, permasalahan yang muncul sekarang adalah isu tentang rendahnya mutu pendidikan dalam berbagai jenjang pendidikan
tentang rendahnya mutu pendidikan dalam berbagai jenjang pendidikan di Indonesia.di Indonesia. Selain itu berdfasarkan capaian program education for all
Selain itu berdfasarkan capaian program education for all (EFA) global monitoring report(EFA) global monitoring report 2008 menyatakan EFA development index (EDI) Indonesia untuk indikator tingkat buta 2008 menyatakan EFA development index (EDI) Indonesia untuk indikator tingkat buta huruf peringkat Indonesia turun dari
huruf peringkat Indonesia turun dari peringperingkat dari kat dari 67 menjadi 71 (Hendri,2008). Hal ini67 menjadi 71 (Hendri,2008). Hal ini mengindikasikan masih banyakny
mengindikasikan masih banyaknya presentase a presentase penduduk yang masih tidak bisa penduduk yang masih tidak bisa membacamembaca dan menulis huruf latin
dan menulis huruf latin maupun huruf lainnya yang merupakan salah satu permasalahmaupun huruf lainnya yang merupakan salah satu permasalahanan yang tengah dihadapi oleh
yang tengah dihadapi oleh bangsa Indonesia. Hal ini mengisyaratkan bahwa masihbangsa Indonesia. Hal ini mengisyaratkan bahwa masih lemahnya management pendidikan di Indonesia yang harus segera
lemahnya management pendidikan di Indonesia yang harus segera mendapatkanmendapatkan penanganan untuk secepatnya dicari solusi
penanganan untuk secepatnya dicari solusi yang terbaik untuk yang terbaik untuk mengatasinymengatasinya.a. Dari analisis cluster
Dari analisis cluster yang akan kita gunakan diharapkan nantinya pembangunanyang akan kita gunakan diharapkan nantinya pembangunan nasional dapat lebih terarah pada kabupaten atau kota madya yang tergolong
nasional dapat lebih terarah pada kabupaten atau kota madya yang tergolong membutuhkan perhatian khusus dari
membutuhkan perhatian khusus dari pemerintah, untuk menangani permasalahanpemerintah, untuk menangani permasalahan rendahnya angka kesadaran masyarakat akan
rendahnya angka kesadaran masyarakat akan pentingnya pendidikan.pentingnya pendidikan. Belakanga
Belakangan ini n ini kita rasakan arah kita rasakan arah pembangpembangunan Jawa Timur unan Jawa Timur kurang tepat sasaran.kurang tepat sasaran. Yang menjadi
Yang menjadi penyebpenyebabnya adalah tabnya adalah tidak adanya data idak adanya data tentang pengelompoan kabupatententang pengelompoan kabupaten atau kota
atau kota madya yang sangat memerlukan peningkatan pembangmadya yang sangat memerlukan peningkatan pembangunan unan terutama dibidangterutama dibidang pendidikan. Sehing
pendidikan. Sehingga dalam ga dalam melaksanakmelaksanakan pembangunan pembangunan, pemerintah hanya berdasan, pemerintah hanya berdasarar pada proposal yang masuk ke
pada proposal yang masuk ke pemerintahan saja, tanpa memperhatikan kelompok daerahpemerintahan saja, tanpa memperhatikan kelompok daerah tertinggal. Data-data tersebut
tertinggal. Data-data tersebut kemudian dianalisis menggkemudian dianalisis menggunakan analisis unakan analisis cluster untuk cluster untuk menjawab permasalahan suatu kabupaten atau kota madya yang memerlukan
menjawab permasalahan suatu kabupaten atau kota madya yang memerlukan perhatianperhatian khusus mengenai pendidikan di daerahnya. Istilah cluster
khusus mengenai pendidikan di daerahnya. Istilah cluster berkenaan dengan obyek-obyek berkenaan dengan obyek-obyek yang memiliki kemiripan.
yang memiliki kemiripan. Dalam permasalhan suatu daerah, kabupaten atau kota Dalam permasalhan suatu daerah, kabupaten atau kota madyamadya yang memiliki kemiripan dimasukkan dalam satu cluster.
yang memiliki kemiripan dimasukkan dalam satu cluster.
Analisis cluster berbeda dengan tekhnik multivariat yang lain. Cluster diartikan Analisis cluster berbeda dengan tekhnik multivariat yang lain. Cluster diartikan sebagai sejumlah variabel yang dianggap sebagai karakteristik yang dipakai untuk sebagai sejumlah variabel yang dianggap sebagai karakteristik yang dipakai untuk membandingk
membandingkan sebuah obyek dengan obyek laian sebuah obyek dengan obyek lainnya. Jadi, dalam analisis cluster nnya. Jadi, dalam analisis cluster tidak tidak dilakukan pencarian nilai variat secara empiris sebagai mana pada tekhnik-tekhnik dilakukan pencarian nilai variat secara empiris sebagai mana pada tekhnik-tekhnik multivariat l
B.
B. RUMUSAN MASALAHRUMUSAN MASALAH Dari latar
Dari latar belakang masalah di atas, rumusan masalah yang diambil adalah :belakang masalah di atas, rumusan masalah yang diambil adalah : 1.
1. Bagaimana pengelompokan tingkat pendidikan kabupaten dan kota di Jawa Bagaimana pengelompokan tingkat pendidikan kabupaten dan kota di Jawa TimurTimur yang dimiliki karakteristik sama?
yang dimiliki karakteristik sama? 2.
2. Bagaimana ciri-ciri dari kelompok yang terbentuk?Bagaimana ciri-ciri dari kelompok yang terbentuk?
C.
C. TUJUAN PENULISANTUJUAN PENULISAN Tujuan dari penulisan ini
Tujuan dari penulisan ini adalah untuk mengetahui kelompok-kelokpok Kabupatenadalah untuk mengetahui kelompok-kelokpok Kabupaten dan kota di
dan kota di provinsi Jawa Timur tahun 2008 yang memiliki karakteristik sama di bidangprovinsi Jawa Timur tahun 2008 yang memiliki karakteristik sama di bidang pendidikan.
pendidikan.
D.
D. BATASAN MASALAHBATASAN MASALAH
Dalam makalah ini, data dibatasi hanya pada data indikator pendidikan
Dalam makalah ini, data dibatasi hanya pada data indikator pendidikan provinsi Jawaprovinsi Jawa Timur hasil surve tahun 2008. Metode analisis
Timur hasil surve tahun 2008. Metode analisis yang digunakyang digunakan adalah clan adalah cluster analysisuster analysis menggun
BAB II BAB II
KAJIAN PUSTAKA KAJIAN PUSTAKA A.
A. Analisis MultivariatAnalisis Multivariat
Menurut Kuncoro (dalam Purwaningsih,2007), analisis multivariat merupakan Menurut Kuncoro (dalam Purwaningsih,2007), analisis multivariat merupakan analisis dimana masalah yang diteliti bersifat multidimensional
analisis dimana masalah yang diteliti bersifat multidimensional dan menggundan menggunakan tigaakan tiga atau lebih variabel. Analisis multivariat dibagi menjadi
atau lebih variabel. Analisis multivariat dibagi menjadi dua kategori utama yaitu:dua kategori utama yaitu: 1.
1. Analisis dependensi/ketergantungAnalisis dependensi/ketergantungan an (( Dependence M Dependence Methodsethods).). Analisis ketergantung
Analisis ketergantungan digunakan apabila tujuan an digunakan apabila tujuan dari analisis adalah untuk dari analisis adalah untuk menjelaskan atau memprediksi variabel terikat berdasarkan dua atau
menjelaskan atau memprediksi variabel terikat berdasarkan dua atau lebih variabellebih variabel bebas. Metode ini terdiri
bebas. Metode ini terdiri dari 4 macam yaitu Analisis Regresi Bergandadari 4 macam yaitu Analisis Regresi Berganda (multiple(multiple Discriminant Analysis
Discriminant Analysis), Analisis ), Analisis Diskriminasi Diskriminasi BergandBerganda (a ( Multiple Discriminant Multiple Discriminant Analysis
Analysis), Analisis Multivariat Varians (), Analisis Multivariat Varians ( Multivariate Ana Multivariate Analysis of Varianlysis of Variancece), dan), dan Analisis Korelasi Kanonikal (
Analisis Korelasi Kanonikal (Canonical Correlation AnalysisCanonical Correlation Analysis).). 2.
2. Analisis interdependensi/saling ketergantungan (Analisis interdependensi/saling ketergantungan ( Interpendence M Interpendence Method ethod ).). Metode yang digunakan untuk menjelaskan seperangkat variabel atau Metode yang digunakan untuk menjelaskan seperangkat variabel atau mengelompokkan berdasark
mengelompokkan berdasarkan variabel-variabel tan variabel-variabel tertentu. Metode ini ertentu. Metode ini dikelompokkandikelompokkan menjadi tiga yaitu Analisis Faktor (
menjadi tiga yaitu Analisis Faktor (Factor AnalysisFactor Analysis), Analisis Kluster (), Analisis Kluster (Cluster Cluster Analysis
Analysis), dan Skala Multidimensional (), dan Skala Multidimensional ( Multidimensiona Multidimensional Scalingl Scaling). Pada umumnya di). Pada umumnya di dalam riset
dalam riset pemasaranpemasaran, analisis interpendensi untuk membentuk segmen pasar , analisis interpendensi untuk membentuk segmen pasar Objek Objek (responden/pelan
(responden/pelanggan) dalam segmen akan homogen atau ggan) dalam segmen akan homogen atau relatif homogen (hampirrelatif homogen (hampir sama /mirip)
sama /mirip) akan tetapi antar-segmen sangat heterogen/sangat berbeda/bervakan tetapi antar-segmen sangat heterogen/sangat berbeda/bervariasi.ariasi. B.
B. Analisis ClusterAnalisis Cluster
Menurut Kuncoro (dalam Purwaningsih,2007) analisis cluster
Menurut Kuncoro (dalam Purwaningsih,2007) analisis cluster adalah tekhnik yangadalah tekhnik yang digunakan untuk mengidentifikasi obyek atau individu yang serupa dengan
digunakan untuk mengidentifikasi obyek atau individu yang serupa dengan memperhatikan beberapa kriteria. Sedangkan menurut Supranto (
memperhatikan beberapa kriteria. Sedangkan menurut Supranto ( dalam Purwaningsih)dalam Purwaningsih) analisis cluster adalah analisis untuk
analisis cluster adalah analisis untuk mengelompokmengelompokkan elemen yang mirip sebagai obkan elemen yang mirip sebagai obyek yek penelitian menjadi kelompok (cluster)
penelitian menjadi kelompok (cluster) yang berbeda danyang berbeda dan mutualy exclusif.mutualy exclusif. Analisis cluster termasuk dalam
Analisis cluster termasuk dalam analysanalysis stis statistik multivariat metode atistik multivariat metode interdependeninterdependen.. Sebagai alat analisis interdependen maka tujuan
menghubung
menghubungkan ataupun membedakan dengan sampel atau kan ataupun membedakan dengan sampel atau variabel lain. Analysis clustervariabel lain. Analysis cluster merupakan suatu analysis yang berguna sebagai peringkas data. Dalam
merupakan suatu analysis yang berguna sebagai peringkas data. Dalam meringkas data inimeringkas data ini dapat dilakukan
dapat dilakukan dengan jalan mengelompokkan obyek-obyek berdasarkan kesamaandengan jalan mengelompokkan obyek-obyek berdasarkan kesamaan karakteristik tertentu diantara obyek-obyek yang hendak diteliti.
karakteristik tertentu diantara obyek-obyek yang hendak diteliti. Suprapto (dalam Purwaningsih,2007) menjelaskan bahwa analys
Suprapto (dalam Purwaningsih,2007) menjelaskan bahwa analysis cluster is cluster suatu alatsuatu alat untuk mengelompokkan sejumlah n obyek berdasarkan p
untuk mengelompokkan sejumlah n obyek berdasarkan p variat yang secara relatif variat yang secara relatif mempunyai kesamaan karakteristik diantara obyek-obyek tersebut,
mempunyai kesamaan karakteristik diantara obyek-obyek tersebut, sehingga keragamansehingga keragaman di dalam
di dalam suatu kelompok tersebut lebih suatu kelompok tersebut lebih kecil dibandingkan keragaman antar kelompok.kecil dibandingkan keragaman antar kelompok. Obyek dapat berupa barang, jasa,
Obyek dapat berupa barang, jasa, tumbuhan, binatang dan orang ( tumbuhan, binatang dan orang ( responden, konsumen,responden, konsumen, atau yang lainnya). Obyek tersebut akan diklasifikasikan ke dalam satu at
atau yang lainnya). Obyek tersebut akan diklasifikasikan ke dalam satu at au lebihau lebih cluster(kelompok) sehingga obyek-oby
cluster(kelompok) sehingga obyek-obyek yang berada ek yang berada dalam satu cluster akandalam satu cluster akan mempunyai kemiripan atau kesamaan karakter.
mempunyai kemiripan atau kesamaan karakter. Jika terdapat n obyek dan p
Jika terdapat n obyek dan p variat, maka observasi xvariat, maka observasi xijijdengandengan dandan
, dapat digambarkan sebagai berikut :, dapat digambarkan sebagai berikut : Var
Var 1 1 Var2 Var2 ... ... Var Var j j ... ... Var Var pp Obyek Obyek 1 1 XX1111 XX1212 ... ... XX1j1j ... ... XX1p1p Obyek Obyek 2 2 XX2121 XX2222 ... ... XX2j2j ... ... XX2p2p : : : : : : : : : : : : :: Obyek Obyek i i XXi1i1 XXi2i2 : : XXijij : : XXipip : : : : : : : : : : : : :: Obyek Obyek n n XXn1n1 XXn2n2 : : XXnjnj : : XXnpnp
Adapun ciri-ciri cluster adalah Adapun ciri-ciri cluster adalah 1.
1. Homogenitas (kesamaanHomogenitas (kesamaan) yang tinggi ) yang tinggi antar anggota dalam antar anggota dalam satu cluster(within cluster).satu cluster(within cluster). 2.
2. Heterogenitas (perbedaan)yHeterogenitas (perbedaan)yang tinggi antar ang tinggi antar cluster yang satu dengan clustercluster yang satu dengan cluster yanglainny
yanglainnya(between a(between cluster).cluster).
Analisis cluster mempunyai beberapa istilah penting, antara lain: Analisis cluster mempunyai beberapa istilah penting, antara lain:
1.
1. skedul aglomerasi (aglomeration schedulea0 , ialah skedul skedul aglomerasi (aglomeration schedulea0 , ialah skedul yang memberikanyang memberikan informasi tentang objek atau
informasi tentang objek atau kasus yang akan digabung (dikelompokkan, dimasukkakasus yang akan digabung (dikelompokkan, dimasukkann dalam klaster) pada setiap tahap, pada suatu proses pengklasteran yang hierarki.
dalam klaster) pada setiap tahap, pada suatu proses pengklasteran yang hierarki. 2.
2. Rata-rata kluster (cluster centroid), ialah nilai Rata-rata kluster (cluster centroid), ialah nilai rata-rata variabel dari semua objek ataurata-rata variabel dari semua objek atau observas
observasi dalam i dalam klster tertentu.klster tertentu. 3.
3. Pusat klater (cluster centre) ialah tiPusat klater (cluster centre) ialah titik awal dimulainya pengelompoan di dalamtik awal dimulainya pengelompoan di dalam klaster non hierarki
klaster non hierarki(non-h(non-hierarchialo ierarchialo clustering)clustering). Klater . Klater dibentuk/dibangdibentuk/dibangun di un di sekitarsekitar titik-titik ini atau benih (
titik-titik ini atau benih (seedsseeds ).). 4.
4. Keanggotaan klaster (cluster member ship) iKeanggotaan klaster (cluster member ship) ialah keanggotaan yang menunjukkaalah keanggotaan yang menunjukkann klater un tuk setiap
klater un tuk setiap objek yang menjadi anggotanyobjek yang menjadi anggotanya (misalnya objek tertentu a (misalnya objek tertentu menjadimenjadi anggota klaster satu atau
anggota klaster satu atau menjadi anggota klaster dua, menjadi anggota klaster dua, dan lain sebagainya).dan lain sebagainya). 5.
5. Dendogram disebut juga grafik pohon(Dendogram disebut juga grafik pohon(tree graphtree graph), output spss yang), output spss yang memvisualisasikan has
memvisualisasikan hasil analysis cluster yang dilakukan peneliti. il analysis cluster yang dilakukan peneliti. Garis vertical atauGaris vertical atau tegak menunjukkan klaster yang dgabung bersama.posisi garis pada
tegak menunjukkan klaster yang dgabung bersama.posisi garis pada skalaskala menunjukkan jarak (
menunjukkan jarak (distancedistance)untuk mana klaster )untuk mana klaster digabungdigabung. Dendogram harus dibaca. Dendogram harus dibaca dari kiri ke kanan.
dari kiri ke kanan. 6.
6. Distances betwe Distances between cluster cenen cluster centersters, ialah , ialah jarak yang menunjukkan bagaimanajarak yang menunjukkan bagaimana terpisahnya pasang
terpisahnya pasangan individu an individu cluster.cluster.
C.
C. Tujuan Analisis ClusterTujuan Analisis Cluster
Tujuan utama analisis klaster adalah
Tujuan utama analisis klaster adalah untuk menempatkan sekumpulauntuk menempatkan sekumpulan objek n objek ke dalamke dalam dua atau lebih
dua atau lebih grup berdasarkan kesamaan-grup berdasarkan kesamaan-kesamaan objek atas dasar kesamaan objek atas dasar berbagaiberbagai berbagai karakteristik. Melalui prinsip homogenitas grup, terdapat tiga sasaran yang berbagai karakteristik. Melalui prinsip homogenitas grup, terdapat tiga sasaran yang tersedia bagi peneliti, yaitu:
tersedia bagi peneliti, yaitu:
1.
1. Deskripsi taksonomi. Ini merupakan sasaran tradisional analisis Deskripsi taksonomi. Ini merupakan sasaran tradisional analisis klaster.klaster. Dengan taksonomi, kita dapat mengumpulkan sekumpulan objek secara Dengan taksonomi, kita dapat mengumpulkan sekumpulan objek secara empiris. Memang, analisis klaster telah
empiris. Memang, analisis klaster telah dipakai untuk keperluan-keperluandipakai untuk keperluan-keperluan pengelompokan
pengelompokan, namun , namun kemampuankemampuannya tidak hanya sebatas nya tidak hanya sebatas itu. Analisisitu. Analisis klaster dapat pula
klaster dapat pula dipakai untuk memunculkan hipotesis tentang strukturdipakai untuk memunculkan hipotesis tentang struktur objek-objek yang diteliti. Jadi
objek-objek yang diteliti. Jadi sekalipun banysekalipun banyak dipandang sebagai alatak dipandang sebagai alat analisis untuk keperluan eksploratori, analisis klaster dapat pula digunakan analisis untuk keperluan eksploratori, analisis klaster dapat pula digunakan untuk tujuan konfirmatori.
2.
2. Simplikasi data. Dengan taksonomi, yang kita Simplikasi data. Dengan taksonomi, yang kita peroleh memang grup. Akanperoleh memang grup. Akan tetapi, berdasarkan struktur yang diperoleh, kita juga bisa menjelaskan profil tetapi, berdasarkan struktur yang diperoleh, kita juga bisa menjelaskan profil setiap grup berdasarkan karakteristik umum yang dimiliki. Kalau analisis setiap grup berdasarkan karakteristik umum yang dimiliki. Kalau analisis faktor menjelaskan “dimensi” yang mendasari sejumlah variabel, dengan faktor menjelaskan “dimensi” yang mendasari sejumlah variabel, dengan analisis klaster kita juga melakukan hal yang sama, yaitu dimensi yang analisis klaster kita juga melakukan hal yang sama, yaitu dimensi yang mendasari sejumlah observasi yang berada pada suatu
mendasari sejumlah observasi yang berada pada suatu klaster.klaster. 3.
3. Identifikasi hubungan. Setelah klaster terbentuk dan struktur data yangIdentifikasi hubungan. Setelah klaster terbentuk dan struktur data yang mendasari diperlihatkan dalam klaster, periset mendapat informasi t
mendasari diperlihatkan dalam klaster, periset mendapat informasi t entangentang hubungan antar observasi yang tidak mungkin diperoleh
hubungan antar observasi yang tidak mungkin diperoleh dengan menganalisdengan menganalisisis observas
observasi secara i secara individu. Memang analisis diskriminan dapat digunakanindividu. Memang analisis diskriminan dapat digunakan untuk mengetahui hubungan tersebut secara empiris. Bahkan secara kualitatif untuk mengetahui hubungan tersebut secara empiris. Bahkan secara kualitatif hubungan tersebut juga bisa diidentifikasi. Akan tetapi analisis laster sering hubungan tersebut juga bisa diidentifikasi. Akan tetapi analisis laster sering kali
kali memperlihatkan kesamaan-kesmemperlihatkan kesamaan-kesamaan maupun amaan maupun perbedaan-perbedperbedaan-perbedaan yangaan yang tidak terdeteksi metode-metode lain. Konsep Dasar dalam Analisis Cluster tidak terdeteksi metode-metode lain. Konsep Dasar dalam Analisis Cluster Analisis cluster merupakan suatu kelas teknik, diprgunakan untuk
Analisis cluster merupakan suatu kelas teknik, diprgunakan untuk mengklasifikasikan objek atau kasus ke dalam kelompok yang relatif
mengklasifikasikan objek atau kasus ke dalam kelompok yang relatif homogen, yanghomogen, yang disebut cluster. Objek dalam setiap kelompok cenderung mirip satu sama l
disebut cluster. Objek dalam setiap kelompok cenderung mirip satu sama l ain danain dan berbeda jauh (tidak
berbeda jauh (tidak sama) dengan objek dari sama) dengan objek dari cluster lainnya. Pengelompokancluster lainnya. Pengelompokan dilakukan berdasarkan kemiripan (
dilakukan berdasarkan kemiripan (similaritysimilarity) antar objek. Kemiripan diperoleh) antar objek. Kemiripan diperoleh dengan meminimalkan jarak antar objek dalam kelompok (within-cluster) dan dengan meminimalkan jarak antar objek dalam kelompok (within-cluster) dan memaksimalkan jarak antar kelompok (
memaksimalkan jarak antar kelompok (between-cluster between-cluster ).).
D.
D. Proses Analisis ClusterProses Analisis Cluster
Untuk melakukan analisis cluster ada
Untuk melakukan analisis cluster ada beberapa proses yang haruis dilakukan. Prosesbeberapa proses yang haruis dilakukan. Proses analisis cluster tersebut meliputi:
analisis cluster tersebut meliputi: 1.
1. Menentukan ukuran ketakmiripan antar dua objek.Menentukan ukuran ketakmiripan antar dua objek.
Sesuai prinsip daftar
Sesuai prinsip daftar cluster yaitu mengelompokkan objek yang mempunyaicluster yaitu mengelompokkan objek yang mempunyai kemiripan, maka proses pertama adalah
kemiripan, maka proses pertama adalah mengukmengukur seberapa jur seberapa jauh ada kesamaanauh ada kesamaan antar objek. Dengan memiliki sebuah ukuran kuantitatif untuk
antar objek. Dengan memiliki sebuah ukuran kuantitatif untuk mengatakan bahwmengatakan bahwaa dua objek tertentu lebih miri
dua objek tertentu lebih mirip dibandingkan dengp dibandingkan dengan objek an objek lain, akanlain, akan menghilangkan kebingun
menghilangkan kebingungan dan gan dan mempermudah proses formal mempermudah proses formal dalamdalam pengclusteran. Salah satu yang jelas bisa
pengclusteran. Salah satu yang jelas bisa menjadi ukuran ketakmiripan adalahmenjadi ukuran ketakmiripan adalah fungsi jarak antara objek a
Sifat-sifat ukuran ketakmiripan adalah: Sifat-sifat ukuran ketakmiripan adalah: a.
a. d(a,b)d(a,b) 00 b.
b. d(a,a) = 0d(a,a) = 0 c.
c. (a,b) meningkat seiring semakin tidak mirip kedua objek a (a,b) meningkat seiring semakin tidak mirip kedua objek a dan b.dan b. d.
d. d(a,c)d(a,c) d(a,b) + d(b,c).d(a,b) + d(b,c).
jarak yang
jarak yang paling umum digupaling umum digunakan adalah nakan adalah jarak Euclidean. Ukjarak Euclidean. Ukuran jarak atauuran jarak atau ketidaksamaan antar objek ke-I dengan objek ke-h, disimbolkan dengan d ketidaksamaan antar objek ke-I dengan objek ke-h, disimbolkan dengan dihih..
Nilai d
Nilai dihihdiperoleh melalui perhitungan jarak kuadrat Euclideandiperoleh melalui perhitungan jarak kuadrat Euclidean
∑∑
Sebagai berikut dimana: Sebagai berikut dimana:
d
dihih= jarak kuadrat Euclidean antar objek = jarak kuadrat Euclidean antar objek ke-I dengan objek ke-h.ke-I dengan objek ke-h.
p = jumlah variable cluster. p = jumlah variable cluster.
X
Xijij = nilai atau data dari objek ke-I pada variable ke-j.= nilai atau data dari objek ke-I pada variable ke-j.
X
Xhjhj= nilai atau data dari objek ke-h pada variable ke-j (Everitt, = nilai atau data dari objek ke-h pada variable ke-j (Everitt, 1993).1993).
2.
2. Membuat ClusterMembuat Cluster Proses cluster atau
Proses cluster atau pengelompopengelompokan data biasa kan data biasa dilakukan dengan dua metode:dilakukan dengan dua metode: a.
a. Metode HirarkiMetode Hirarki
Metode ini memulai
Metode ini memulai pengelomppengelompokan dengan dua atau lebih okan dengan dua atau lebih objek yangobjek yang mempunyai kesamaan paling dekat. Kemudian operasi seterusnya mempunyai kesamaan paling dekat. Kemudian operasi seterusnya
sehingga cluster akan membentuk semacam „pohon‟ dimana ada hirarki sehingga cluster akan membentuk semacam „pohon‟ dimana ada hirarki (tingkatan) yang jelas antar objek, dari yang paling mirip sampai paling (tingkatan) yang jelas antar objek, dari yang paling mirip sampai paling tidak mirip. Metode yang digunakan untuk proses Clustering secara hirarki tidak mirip. Metode yang digunakan untuk proses Clustering secara hirarki adalah
adalah Single LinkageSingle Linkage (Pautan Tungga(Pautan Tunggal). Metode il). Metode ini akanni akan
mengelompokkan dua objek yang mempunyai jarak terdekat dahulu. Jadi mengelompokkan dua objek yang mempunyai jarak terdekat dahulu. Jadi pada setiap tahapan, banyaknya cluster berkurang satu. Secara formal, pada setiap tahapan, banyaknya cluster berkurang satu. Secara formal, duadua buah cluster B
buah cluster Brrdan Bdan Bss,jarak antara B,jarak antara Brrdan Bdan Bssmisalkan h(Bmisalkan h(Brr , B, Bss))
didefinisikan sebagai : didefinisikan sebagai :
h(B
hasil berupa single linkage clustering dapat disajikan dalam bentuk suatu hasil berupa single linkage clustering dapat disajikan dalam bentuk suatu dendogram atau diagram
dendogram atau diagram pohoin. Cabang-cabang pohon menunjukkanpohoin. Cabang-cabang pohon menunjukkan cluster/kelompok. Cabang-caban
cluster/kelompok. Cabang-cabang terebut g terebut bertemu bertemu bersama-sbersama-samaama (menggab
(menggabung) pada simpul ung) pada simpul yang posisinya sepanjang suatu sumbu jarak yang posisinya sepanjang suatu sumbu jarak (kemiripan) menunjukkan tingkat dimana
(kemiripan) menunjukkan tingkat dimana penggabupenggabungan terjadi.ngan terjadi.
b.
b. Metode Non-HirarkiMetode Non-Hirarki
Metode inin dimulai dengan proses penentuan jumlah cluster terlebih Metode inin dimulai dengan proses penentuan jumlah cluster terlebih dahulu. Metode Non-Hirarki yang digunakan adalah
dahulu. Metode Non-Hirarki yang digunakan adalah k-meansk-means. Metode. Metode k- k-means
means digunakan sebagai alternatif metode cluster digunakan sebagai alternatif metode cluster untuk data denganuntuk data dengan ukuran yang besar karena memiliki
ukuran yang besar karena memiliki kecepatan yang lebih tinggi disbandingkecepatan yang lebih tinggi disbanding metode hirarki.
metode hirarki.
Mac Queen menyarankan bahwa penggunaan
Mac Queen menyarankan bahwa penggunaan k-meansk-means untuk menjelaskanuntuk menjelaskan algoritma dalam penentuan suatu objek ke dalam cluster t
algoritma dalam penentuan suatu objek ke dalam cluster tertentuertentu berdasarkan rataan terdekat.
berdasarkan rataan terdekat. Proses pengclusProses pengclusteran dengan teran dengan metodemetode k-meansk-means adalah:
adalah: 1)
1) Menetukan besarnya k yaitu banyaknya cluster dan menentukanMenetukan besarnya k yaitu banyaknya cluster dan menentukan centroid
centroid di tiap cluster.di tiap cluster. 2)
2) Menghitung jarak tiap objek Menghitung jarak tiap objek dengan setiapdengan setiap centroid centroid .. 3)
3) Menghitung kembali rataan (Menghitung kembali rataan (centroid centroid ) untuk cluster yang baru) untuk cluster yang baru terbentuk.
terbentuk. 4)
4) MengulangMengulangi langkah 2 i langkah 2 sampai tidak ada sampai tidak ada lagi pemindahan objek lagi pemindahan objek antar cluster(Sartono
antar cluster(Sartono dalam Purwaningsih,2007).dalam Purwaningsih,2007). 3.
3. Setelah cluster terbentuk, baik dengan hirarki maupun non hirarki, Setelah cluster terbentuk, baik dengan hirarki maupun non hirarki, langkahlangkah selanjutnya melakukan interpretasi terhadap cluster yang terbentuk, yang pada selanjutnya melakukan interpretasi terhadap cluster yang terbentuk, yang pada intinya memberi nama spesifik untuk menggambarkan isi cluster tersebut. intinya memberi nama spesifik untuk menggambarkan isi cluster tersebut. 4.
4. Melakukan ValidasiMelakukan Validasi Cluster Cluster
Untuk menguji validasi cluster digunakan uji parsial F. Untuk menguji validasi cluster digunakan uji parsial F. Hipotesis :
Hipotesis : H
H00 : variable I : variable I bukan variable pembela dalam pengclusteran.bukan variable pembela dalam pengclusteran.
H
Taraf signifikan α Taraf signifikan α Statistik uji , Statistik uji , Kriteria Uji: Kriteria Uji: Tolak H
Tolak H00jika F > Fjika F > Fα , k -1 ,n-k α , k -1 ,n-k
E.
E. Metode Pautan Rata-rata (Metode Pautan Rata-rata ( Average Linkage Average Linkage)) Pada metode ini
Pada metode ini dihitung jarak minimum antara dihitung jarak minimum antara semua pasangsemua pasangan pengamatan darian pengamatan dari kelompok yang digabung. Jarak antar
kelompok yang digabung. Jarak antar cluster cluster didefinisikan sebagai jarak rata-rata.didefinisikan sebagai jarak rata-rata. Rata-rata jarak antar kelompok (
Rata-rata jarak antar kelompok (UVUV ) yang merupakan jarak antara kelompok ) yang merupakan jarak antara kelompok UU dandan kelompok
kelompok VV dengan kelompok dengan kelompok WW adalah:adalah:
∑∑ ∑∑ Dimana : Dimana : d
dik ik = matriks jarak antara pengamatan ke I dalam kelompok (= matriks jarak antara pengamatan ke I dalam kelompok (UVUV) dan) dan
pengamatan ke k kelompok pengamatan ke k kelompok WW n
n(UV) =(UV) = banyaknya pengamatan dalam kelompok (banyaknya pengamatan dalam kelompok ( UVUV)) n(
n(WW) ) = banyak= banyaknya pengamatan nya pengamatan dalam kelompodalam kelompok k WW
secara umum langkah-langkah metode pengelompokan adalah sebagai
secara umum langkah-langkah metode pengelompokan adalah sebagai berikut:berikut: 1.
1. Membuat matriks jarak antar individuMembuat matriks jarak antar individu D = (dD = (dikik))
2.
2. Mencari nilai jarak Mencari nilai jarak terdekat antara dua individuterdekat antara dua individu 3.
3. Menghitung jarak antara kelompok dengan beberapa individu di luar kelompok Menghitung jarak antara kelompok dengan beberapa individu di luar kelompok dengan menggunakan metode pautan, missal (
dengan menggunakan metode pautan, missal ( UVUV) dengan) dengan WW 4.
4. Menyusun kembali matriks jarak yang baru dengan cara membuat baris danMenyusun kembali matriks jarak yang baru dengan cara membuat baris dan kolom baru dari nilai
kolom baru dari nilai jarak antara kelompok dengan beberapa indivjarak antara kelompok dengan beberapa individu di lidu di luaruar kelompok atau kelompok sisa
kelompok atau kelompok sisa 5.
5. MengulangMengulangi langkah 2-4 sampai semua i langkah 2-4 sampai semua indivudu berada dalindivudu berada dalam satu kelompok am satu kelompok dan tidak dapat lagi dikelompokkan lagi
dan tidak dapat lagi dikelompokkan lagi 6.
6. Membuat dendogramMembuat dendogram 7.
Tahap akhir dari
Tahap akhir dari analisisi kelompok adalah terbentunya kelompok yanganalisisi kelompok adalah terbentunya kelompok yang diharapkanmempun
diharapkanmempunyai kesamaankarakteristik. Hasil yai kesamaankarakteristik. Hasil pengelompokapengelompokan n ini ini digambarkadigambarkann dalam diagram pohon atau
dalam diagram pohon atau dendogram yang memperlihatkan kelompok dalam tadendogram yang memperlihatkan kelompok dalam tahaphap pengelompoka
pengelompokan. Penentuan banyaknya kelompok dapat n. Penentuan banyaknya kelompok dapat dilihat dari dilihat dari pemotonganpemotongan dendogram pada selisis jarak
dendogram pada selisis jarak penggpenggabunhgan terbesar atau dengan melihabunhgan terbesar atau dengan melihat tingkatat tingkat kemiripan dalam kelompok (Everitt dan Dunn, 1980).
Proses Analisis Klaster Proses Analisis Klaster
Proses yang dilakukan dalam analisis kl
Proses yang dilakukan dalam analisis klaster, meliputi:aster, meliputi: 1.
1. Menentukan ukuran ketakmiripan antara dua objek Menentukan ukuran ketakmiripan antara dua objek Jarak tiap
Jarak tiap objek dihitung dengan perhitungan squared euclidean distance denganobjek dihitung dengan perhitungan squared euclidean distance dengan persamaan: persamaan: ∑∑ Keterangan : Keterangan :
: jarak euclidean kuadrat: jarak euclidean kuadrat
: variabel ke-k pada kabupaten i: variabel ke-k pada kabupaten i
: variabel ke-k pada kabupaten j: variabel ke-k pada kabupaten j
Dengan i an j adalah nama kabupaten / kotamadya yang ada di Jawa Timur, sehingga Dengan i an j adalah nama kabupaten / kotamadya yang ada di Jawa Timur, sehingga diperoleh: diperoleh: ∑∑ ∑∑
Dan seterusnya seperti yang ditampilkan dalam tabel Proximity Matrix di
Dan seterusnya seperti yang ditampilkan dalam tabel Proximity Matrix di bawah ini:bawah ini: Sebagai contoh jarak anatara Pacitan dengan Tulungagung adalah 69,74, sedangkan Sebagai contoh jarak anatara Pacitan dengan Tulungagung adalah 69,74, sedangkan jarak antara Paci
jarak antara Pacitan dengan Trengtan dengan Trenggalek sebesar 1galek sebesar 17,6. Hal ini menunjuk7,6. Hal ini menunjukkan bahwakan bahwa Pacitan lebih mirip
Pacitan lebih mirip karakteristiknykarakteristiknya dengan Trenggalek daripada a dengan Trenggalek daripada dengandengan Tulungag
Tulungagung. Semakin kecil nilai ung. Semakin kecil nilai jarak antara dua objek, maka semakin mirip jarak antara dua objek, maka semakin mirip keduakedua objek tersebut.
2.
2. Membuat klasterMembuat klaster a.
a. Proses klastering secara hirarkiProses klastering secara hirarki Perhatikan tabel di bawah ini Perhatikan tabel di bawah ini Pada tabel di atas output
Pada tabel di atas output menyatakan bahmenyatakan bahwa semua data telah diproses tanpawa semua data telah diproses tanpa ada data yang hilang. Dan proses penggabungan dua objek atau lebih dapat ada data yang hilang. Dan proses penggabungan dua objek atau lebih dapat dilihat pada tabel Agglometion Schedule (lampiran) dengan tahapan sebagai dilihat pada tabel Agglometion Schedule (lampiran) dengan tahapan sebagai berikut:
berikut:
Pada tahap 1, terbentuk satu klaster anatar kota Pada tahap 1, terbentuk satu klaster anatar kota Blitar dan Kota BatuBlitar dan Kota Batu
karena pasangan ini mempunyau koefisien jarak
karena pasangan ini mempunyau koefisien jarak terdekat sebesarterdekat sebesar 0,080. Objek-objek lain
0,080. Objek-objek lain sama sekali belum memperoleh pasangan,sama sekali belum memperoleh pasangan, oleh karena itu pada tahap ini jumlah klaster ada 37. Kemudian jika oleh karena itu pada tahap ini jumlah klaster ada 37. Kemudian jika dilihat pada kolom tahap berikutnya terlihat angka 21. Hal
dilihat pada kolom tahap berikutnya terlihat angka 21. Hal ini berartiini berarti langkah klastering selanjutnya dilakukan dengan melihat tahap 21, langkah klastering selanjutnya dilakukan dengan melihat tahap 21, dengan penjelasan sebagai berikut.
dengan penjelasan sebagai berikut.
Pada tahap 21, dapat dilihat terbentuknya klaster antara koPada tahap 21, dapat dilihat terbentuknya klaster antara ko ta Blitarta Blitar
dengan kota Pasuruan dengan nilai
dengan kota Pasuruan dengan nilai koefisiean jarak sebesar 41,660koefisiean jarak sebesar 41,660 yang menunjukkan besarnya jarak terdekat antara kota
yang menunjukkan besarnya jarak terdekat antara kota Blitar denganBlitar dengan kedua kabupaten sebelumnya.
kedua kabupaten sebelumnya.
Dengan terbentuknya klaster tersebut, maka sekarang klaster terdiri Dengan terbentuknya klaster tersebut, maka sekarang klaster terdiri dari tiga objek yaitu, kota Blitar, kota Batu, kota Pasuruan.
dari tiga objek yaitu, kota Blitar, kota Batu, kota Pasuruan.
Proses klaster dilanjutkan pada tahap Proses klaster dilanjutkan pada tahap selanjutnyselanjutnya hingga a hingga menunjukkanmenunjukkan
nilai tahap 0,
nilai tahap 0, yang berarti proses klaster berhenti. Kemudian prosesyang berarti proses klaster berhenti. Kemudian proses dilanjutkan ke tahap yang belum diproses sampai proses klaster dilanjutkan ke tahap yang belum diproses sampai proses klaster berhenti. Untuk memperjelas proses penggabungan satu demi berhenti. Untuk memperjelas proses penggabungan satu demi satusatu dapat digambarkan dalam bentuk dendogram.
dapat digambarkan dalam bentuk dendogram. Pada proses Agglomerasi di atas
Pada proses Agglomerasi di atas tentu bersifat kompleks, khususnyatentu bersifat kompleks, khususnya perhitungan koefisien yang melibatkan tujuh variabel. Yang perlu
perhitungan koefisien yang melibatkan tujuh variabel. Yang perlu diperhatikandiperhatikan adalah semakin kecil angka koefisien, anggota klaster
adalah semakin kecil angka koefisien, anggota klaster tersebut semakintersebut semakin memiliki kemiripan satu sama lain. Dan
memiliki kemiripan satu sama lain. Dan sebaliknysebaliknya, semakin besar koefisiena, semakin besar koefisien semakin tidak mirip
semakin tidak mirip satu dengan yang lain. Proses agglomerasi pada satu dengan yang lain. Proses agglomerasi pada akhirnyakhirnyaa akan menyatukan semua variabel menjadi satu. Hanya dalam
akan menyatukan semua variabel menjadi satu. Hanya dalam prosesnyprosesnya,a, dihasilkan beberapa klaster dengan m
jumlah klaster y
jumlah klaster yang dibentuk. Sang dibentuk. Seperti yang diperlihatkan peperti yang diperlihatkan pada dendoada dendogramgram berikut.
berikut.
Dendrogram using Average Linkage (Between Groups) Dendrogram using Average Linkage (Between Groups)
Rescaled Distance Cluster Combine Rescaled Distance Cluster Combine C
C A A S S E E 0 0 5 5 10 10 15 15 20 20 2525 Label
Label Num Num +---++---+---+---+---+---+---+---+---++ Blitar 31 Blitar 31 ─┬─┐─┬─┐ Batu 38 Batu 38 ─┘─┘ ├───┐├───┐ Pasurua 34 Pasurua 34 ───┘───┘ ├─┐├─┐ Proboli 33 Proboli 33 ───────┘───────┘ ││ Sidoarj 15 Sidoarj 15 ─┐─┐ ├───────────────────────────────────────┐├───────────────────────────────────────┐ Kediri 30 Kediri 30 ─┼───┐─┼───┐ ││ ││ Mojoker 35 Mojoker 35 ─┘─┘ ├───┘├───┘ ││ Malang 32 Malang 32 ─┬─┐─┬─┐ ││ ││ Surabay 37 Surabay 37 ─┘─┘ ├─┘├─┘ ││ Madiun 36 Madiun 36 ───┘───┘ ││ Bangkal 26 Bangkal 26 ─┐─┐ ││ Sumenep 29 Sumenep 29 ─┼───┐─┼───┐ ││ Sampang 27 Sampang 27 ─┘─┘ ├─────────────────┐├─────────────────┐ ││ Bondowo 11 Bondowo 11 ─┬───┤─┬───┤ ││ ││ Proboli 13 Proboli 13 ─┘─┘ ││ ││ ││ Situbon 12 Situbon 12 ─────┘─────┘ ││ ││ Lumajan 8 Lumajan 8 ─┬─┐─┬─┐ ││ ││ Pamekas 28 Pamekas 28 ─┘─┘ ││ ││ ││ Jember 9 Jember 9 ───┼───┐───┼───┐ ││ ││ Bojoneg 22 Bojoneg 22 ─┬─┤─┬─┤ ││ ├─────────────────────────┘├─────────────────────────┘ Tuban 23 Tuban 23 ─┘─┘ ││ ││ ││ Pacitan 1 Pacitan 1 ─┬─┘─┬─┘ ├─┐├─┐ ││ Trengga 3 Trengga 3 ─┘─┘ ││ ││ ││ Blitar 5 Blitar 5 ─┬───┐─┬───┐ ││ ││ ││ Pasurua 14 Pasurua 14 ─┘─┘ ├─┘├─┘ ││ ││ Malang 7 Malang 7 ─┬─┐─┬─┐ ││ ││ ││ Banyuwa 10 Banyuwa 10 ─┘─┘ ├─┘├─┘ ├─────────────┘├─────────────┘ Ponorog 2 Ponorog 2 ───┤───┤ ││ Ngawi 21 Ngawi 21 ───┘───┘ ││ Lamonga 24 Lamonga 24 ───┬───┐───┬───┐ ││ Gresik 25 Gresik 25 ───┘───┘ ││ ││ Tulunga 4 Tulunga 4 ─┐─┐ ││ ││ Magetan 20 Magetan 20 ─┼─┐─┼─┐ ├─┘├─┘ Nganjuk 18 Nganjuk 18 ─┘─┘ ├─┐├─┐ ││ Kediri 6 Kediri 6 ─┐─┐ ││ ││ ││ Jombang 17 Jombang 17 ─┼─┘─┼─┘ ├─┘├─┘ Mojoker 16 Mojoker 16 ─┘─┘ ││ Madiun 19 Madiun 19 ─────┘─────┘
Pada gambar di atas terlihat bahwa dari sisi “Re
Pada gambar di atas terlihat bahwa dari sisi “Rescaled Distance Clusterscaled Distance Cluster Combine”, yaitu tahap „tiga klaster‟ dan tahap „dua klaster‟ memiliki jarak Combine”, yaitu tahap „tiga klaster‟ dan tahap „dua klaster‟ memiliki jarak
paling besar. Maka, pada t
paling besar. Maka, pada tiga klaster dimungkinkan untuk diambil iga klaster dimungkinkan untuk diambil sebagaisebagai jumlah klaster y
jumlah klaster yang baik.ang baik. Berdasarkan pertimbang
Berdasarkan pertimbangan di atas, jumlah klaster an di atas, jumlah klaster terbaik adalah tujuh. Dariterbaik adalah tujuh. Dari dendogram terlihat anggo
dendogram terlihat anggota setiap klaster. ta setiap klaster. Bila dilihat dari Bila dilihat dari dendogdendogram, klasterram, klaster satu beranggotakan respondes 15, 30, 35, 32, 27, dan 36. Dan seterusnya. satu beranggotakan respondes 15, 30, 35, 32, 27, dan 36. Dan seterusnya. 3.
3. Interpretasi dan pembuatan profilInterpretasi dan pembuatan profil Pengelompok
Pengelompokan tidak an tidak bermanfaabermanfaat apabila tt apabila tidak menegtahui profil setiap idak menegtahui profil setiap kelompok.kelompok. Untuk menginterpretasikan klaster dan membuat profil, gunakan rata-rata setiap Untuk menginterpretasikan klaster dan membuat profil, gunakan rata-rata setiap klaster pada tiap
klaster pada tiap variabel (yang dinamakan centroid). Centroid memungkinkan kitavariabel (yang dinamakan centroid). Centroid memungkinkan kita memberikan label untuk setiap klaster.
memberikan label untuk setiap klaster.
Profil Klaster Satu Profil Klaster Satu Responden
Responden Tidak Tidak / / belum belum pernah pernah sekolah sekolah Tidak/ Tidak/ belum belum tamat tamat SD SD SD/MI SMP SD/MI SMP sederajat sederajat SMA SMA sederajat sederajat SMK SMK sederajat sederajat Perguruan Perguruan tinggi tinggi 31 31 1,8 1,8 13,6 13,6 25,1 25,1 20,4 20,4 18 18 12,8 12,8 8,38,3 38 38 1,7 1,7 13,7 13,7 25 25 20,4 20,4 18,2 18,2 12,7 12,7 8,38,3 34 34 3,6 3,6 18,18,7 7 23,8 23,8 19,4 19,4 17,3 17,3 9,8 9,8 7,47,4 33 33 8,9 8,9 17,17,7 7 24,4 24,4 18,9 18,9 12,6 12,6 9,9 9,9 7,67,6 Rata-rata Rata-rata 4 4 15,925 15,925 24,575 24,575 19,775 19,775 16,525 16,525 11,3 11,3 7,97,9
Profil Klaster Dua Profil Klaster Dua Responden
Responden Tidak Tidak / / belum belum pernah pernah sekolah sekolah Tidak / Tidak / belum belum tamat tamat SD SD SD/MI SMP SD/MI SMP sederajat sederajat SMA SMA sederajat sederajat SMK SMK sederajat sederajat Perguruan Perguruan tinggi tinggi 15 15 1,6 1,6 12,3 12,3 25,7 25,7 21,4 21,4 22,7 22,7 10,2 10,2 6,16,1 30 30 1,9 1,9 9,4 9,4 24,4 24,4 21,6 21,6 23,8 23,8 10,3 10,3 8,68,6 35 35 2 2 12,7 12,7 24,6 24,6 17,3 17,3 23,2 23,2 11,1 11,1 9,19,1 32 32 1,4 1,4 10,2 10,2 20,1 20,1 19,7 19,7 27,8 27,8 10,2 10,2 10,610,6 37 37 1,3 1,3 8,2 8,2 21,2 21,2 22,1 22,1 26,8 26,8 9,3 9,3 11,111,1
36
36 1,5 1,5 8,9 8,9 20,8 20,8 23,1 23,1 21,4 21,4 13,2 13,2 11,111,1 Rata-rata
Rata-rata 1,61 1,61 10,28 10,28 22,8 22,8 20,87 20,87 24,28 24,28 10,72 10,72 9,439,43
Dan seterusnya sampai klaster ketujuh. Dan seterusnya sampai klaster ketujuh.
PRESENTAS
PRESENTASE PENDUDUK MENURUT E PENDUDUK MENURUT TINGKAT PENDIDIKAN TERAKHIR DITINGKAT PENDIDIKAN TERAKHIR DI KABUPATEN ATAU KOTAMADYA DI PROVINSI JAWA TIMUR PA
KABUPATEN ATAU KOTAMADYA DI PROVINSI JAWA TIMUR PADA TAHUNDA TAHUN 2008
2008 No
No Kabupaten Kabupaten Tidak Tidak / / belum belum pernah pernah sekolah sekolah Tidak Tidak / / belum belum tamat tamat SD SD SD/ SD/ MI MI SMP SMP sederajat sederajat SMA SMA sederajat sederajat SMK SMK sederajat sederajat Perguruan Perguruan Tinggi Tinggi 1. 1. Pacitan Pacitan 10 10 25.2 25.2 39 39 15 15 4.9 4.9 4 4 1.91.9 2. 2. Ponorogo Ponorogo 11.5 11.5 24 24 33.9 33.9 15.6 15.6 7.1 7.1 5.1 5.1 2.82.8 3. 3. Trenggalek Trenggalek 8.4 8.4 22.1 22.1 40.1 40.1 16.4 16.4 6.1 6.1 4.9 4.9 22 4. 4. Tulungagung Tulungagung 4.3 4.3 22.9 22.9 36.9 36.9 18.1 18.1 7.8 7.8 6.8 6.8 3.23.2 5. 5. Blitar Blitar 4.9 4.9 28.7 28.7 38.5 38.5 14.8 14.8 5.6 5.6 5.1 5.1 2.42.4 6. 6. Kediri Kediri 5.4 5.4 19.2 19.2 34.6 34.6 20.3 20.3 10.3 10.3 7.1 7.1 3.13.1 7. 7. Malang Malang 6.8 6.8 26 26 35.1 35.1 19 19 7.7 7.7 4.1 4.1 1.31.3 8. 8. Lumajang Lumajang 11.9 11.9 25.8 25.8 39.9 39.9 12.1 12.1 6.6 6.6 2 2 1.71.7 9. 9. Jember Jember 15.2 15.2 22.1 22.1 37.1 37.1 12.7 12.7 8.6 8.6 2.8 2.8 1.51.5 10. 10. BanyuwangBanyuwangi i 7.9 7.9 26 26 31.8 31.8 19.6 19.6 7.9 7.9 4.4 4.4 2.42.4 11. 11. Bondowoso Bondowoso 13.8 13.8 37.7 37.7 28.7 28.7 10.8 10.8 5.1 5.1 2.1 2.1 1.81.8 12. 12. Situbondo Situbondo 1515.9 .9 30.5 30.5 25.7 25.7 12.7 12.7 8.5 8.5 3.3 3.3 3.43.4 13. 13. Probolinggo Probolinggo 14.7 14.7 34 34 29.9 29.9 10.2 10.2 5.9 5.9 3.3 3.3 22 14. 14. Pasuruan Pasuruan 6 6 26.2 26.2 36.9 36.9 15.9 15.9 8 8 4.5 4.5 2.52.5 15. 15. Sidoarjo Sidoarjo 1.6 1.6 12.3 12.3 25.7 25.7 21.4 21.4 22.7 22.7 10.2 10.2 6.16.1 16. 16. Mojokerto Mojokerto 3.5 3.5 18.9 18.9 32.2 32.2 21.8 21.8 13.3 13.3 7.4 7.4 2.92.9 17. 17. Jombang Jombang 3.8 3.8 21.2 21.2 34.4 34.4 19.7 19.7 10.1 10.1 8.1 8.1 2.72.7 18. 18. Nganjuk Nganjuk 5.8 5.8 19.3 19.3 37.9 37.9 20.1 20.1 8.3 8.3 6.3 6.3 2.32.3 19. 19. Madiun Madiun 9.9 9.9 14.8 14.8 34.6 34.6 18.4 18.4 9.8 9.8 9.7 9.7 2.82.8 20. 20. Magetan Magetan 5.7 5.7 20.7 20.7 37.6 37.6 18.6 18.6 6.1 6.1 8.2 8.2 3.13.1 21. 21. Ngawi Ngawi 10.9 10.9 21.1 21.1 35 35 20.3 20.3 5.1 5.1 5.6 5.6 22 22. 22. Bojonegoro Bojonegoro 12.3 12.3 18.8 18.8 40.7 40.7 17.4 17.4 5.7 5.7 3.3 3.3 1.81.8 23. 23. Tuban Tuban 11.9 11.9 21 21 39.2 39.2 15.9 15.9 7.3 7.3 2.9 2.9 1.81.8 24. 24. Lamongan Lamongan 9.4 9.4 19.7 19.7 32.2 32.2 18.4 18.4 14.6 14.6 2.3 2.3 3.43.4 25. 25. Gresik Gresik 4.8 4.8 18 18 33.4 33.4 19.4 19.4 16.5 16.5 5.4 5.4 2.52.5 26. 26. Bangkalan Bangkalan 16.2 16.2 30.4 30.4 34.4 34.4 8.3 8.3 6.7 6.7 2.2 2.2 1.81.8 27. 27. Sampang Sampang 19.1 19.1 31.6 31.6 32.4 32.4 10.1 10.1 3.9 3.9 2.3 2.3 0.60.6 28. 28. Pamekasan Pamekasan 12.7 12.7 24.3 24.3 39.9 39.9 11 11 7.6 7.6 3 3 1.51.5 29. 29. Sumenep Sumenep 17.5 17.5 28 28 34.6 34.6 9.2 9.2 6.3 6.3 2.3 2.3 2.12.1 KOTA KOTA 30. 30. Kediri Kediri 1.9 1.9 9.4 9.4 24.4 21.6 24.4 21.6 23.8 23.8 10.3 10.3 8.68.6 31. 31. Blitar Blitar 1.8 1.8 13.6 13.6 25.1 25.1 20.4 20.4 18 18 12.8 12.8 8.38.3 32. 32. Malang Malang 1.4 1.4 10.2 10.2 20.1 20.1 19.7 19.7 27.8 27.8 10.2 10.2 10.610.6 33. 33. Probolinggo Probolinggo 8.9 8.9 17.7 17.7 24.4 24.4 18.9 18.9 12.6 12.6 9.9 9.9 7.67.6 34. 34. Pasuruan Pasuruan 3.6 3.6 18.7 18.7 23.8 23.8 19.4 19.4 17.3 17.3 9.8 9.8 7.47.4 35. 35. Mojokerto Mojokerto 2 2 12.7 12.7 24.6 17.3 24.6 17.3 23.2 23.2 11.1 11.1 9.19.1 36. 36. Madiun Madiun 1.5 1.5 8.9 8.9 20.8 20.8 23.1 23.1 21.4 21.4 13.2 13.2 11.111.1 37. 37. Surabaya Surabaya 1.3 1.3 8.2 8.2 21.2 21.2 22.1 22.1 26.8 26.8 9.3 9.3 11.111.1 38. 38. Batu Batu 1.7 1.7 13.7 13.7 25 25 20.4 20.4 18.2 18.2 12.7 12.7 8.38.3
Agglomeration Schedule Agglomeration Schedule Stage Stage Cluster Combined Cluster Combined Coefficients Coefficients
Stage Cluster First Stage Cluster First
Appears Appears
Next Stage Next Stage Cluster
Cluster 1 1 Cluster Cluster 2 2 Cluster Cluster 1 1 Cluster Cluster 22 1 1 31 31 38 38 .080 .080 0 0 0 0 2121 2 2 8 8 28 28 6.140 6.140 0 0 0 0 1717 3 3 6 6 17 17 8.160 8.160 0 0 0 0 1414 4 4 26 26 29 29 8.560 8.560 0 0 0 0 1515 5 5 22 22 23 23 12.220 12.220 0 0 0 0 1818 6 6 4 4 20 20 12.400 12.400 0 0 0 0 1010 7 7 32 32 37 37 13.040 13.040 0 0 0 0 2525 8 8 7 7 10 10 13.800 13.800 0 0 0 0 2323 9 9 5 5 14 14 17.150 17.150 0 0 0 0 2828 10 10 4 4 18 18 17.460 17.460 6 6 0 0 2222 11 11 1 1 3 3 17.600 17.600 0 0 0 0 1818 12 12 15 15 30 30 17.700 17.700 0 0 0 0 1616 13 13 11 11 13 13 18.420 18.420 0 0 0 0 2727 14 14 6 6 16 16 23.120 23.120 3 3 0 0 2222 15 15 26 26 27 27 27.780 27.780 4 4 0 0 3030 16 16 15 15 35 35 29.540 29.540 12 12 0 0 2626 17 17 8 8 9 9 30.160 30.160 2 2 0 0 2424 18 18 1 1 22 22 33.835 33.835 11 11 5 5 2424 19 19 2 2 21 21 36.960 36.960 0 0 0 0 2323 20 20 24 24 25 25 40.520 40.520 0 0 0 0 3333 21 21 31 31 34 34 41.660 41.660 1 1 0 0 3131 22 22 4 4 6 6 45.409 45.409 10 10 14 14 2929 23 23 2 2 7 7 46.640 46.640 19 19 8 8 2828 24 24 1 1 8 8 52.447 52.447 18 18 17 17 3232 25 25 32 32 36 36 55.010 55.010 7 7 0 0 2626 26 26 15 15 32 32 61.529 61.529 16 16 25 25 3535 27 27 11 11 12 12 65.360 65.360 13 13 0 0 3030 28 28 2 2 5 5 69.077 69.077 23 23 9 9 3232 29 29 4 4 19 19 80.477 80.477 22 22 0 0 3333 30 30 11 11 26 26 86.660 86.660 27 27 15 15 3636 31 31 31 31 33 33 90.000 90.000 21 21 0 0 3535 32 32 1 1 2 2 91.216 91.216 24 24 28 28 3434 33 33 4 4 24 24 93.537 93.537 29 29 20 20 3434 34 34 1 1 4 4 143.990 143.990 32 32 33 33 3636 35 35 15 15 31 31 147.755 147.755 26 26 31 31 3737 36 36 1 1 11 11 331.533 331.533 34 34 30 30 3737 37 37 1 1 15 15 745.689 745.689 36 36 35 35 00
Cluster Membership Cluster Membership
Case
Case 4 4 Clusters Clusters 3 3 Clusters Clusters 2 2 ClustersClusters 1:Pacitan 1:Pacitan 1 1 1 1 11 2:Ponorog 2:Ponorog 1 1 1 1 11 3:Trengga 3:Trengga 1 1 1 1 11 4:Tulunga 4:Tulunga 1 1 1 1 11 5:Blitar 5:Blitar 1 1 1 1 11 6:Kediri 6:Kediri 1 1 1 1 11 7:Malang 7:Malang 1 1 1 1 11 8:Lumajan 8:Lumajan 1 1 1 1 11 9:Jember 9:Jember 1 1 1 1 11 10:Banyuwa 1 10:Banyuwa 1 1 1 11 11:Bondowo 2 11:Bondowo 2 2 2 11 12:Situbon 12:Situbon 2 2 2 2 11 13:Proboli 13:Proboli 2 2 2 2 11 14:Pasurua 14:Pasurua 1 1 1 1 11 15:Sidoarj 15:Sidoarj 3 3 3 3 22 16:Mojoker 16:Mojoker 1 1 1 1 11 17:Jombang 1 17:Jombang 1 1 1 11 18:Nganjuk 18:Nganjuk 1 1 1 1 11 19:Madiun 19:Madiun 1 1 1 1 11 20:Magetan 20:Magetan 1 1 1 1 11 21:Ngawi 21:Ngawi 1 1 1 1 11 22:Bojoneg 22:Bojoneg 1 1 1 1 11 23:Tuban 23:Tuban 1 1 1 1 11 24:Lamonga 1 24:Lamonga 1 1 1 11 25:Gresik 25:Gresik 1 1 1 1 11 26:Bangkal 26:Bangkal 2 2 2 2 11 27:Sampang 2 27:Sampang 2 2 2 11 28:Pamekas 1 28:Pamekas 1 1 1 11 29:Sumenep 2 29:Sumenep 2 2 2 11 30:Kediri 30:Kediri 3 3 3 3 22 31:Blitar 31:Blitar 4 4 3 3 22 32:Malang 32:Malang 3 3 3 3 22 33:Proboli 33:Proboli 4 4 3 3 22 34:Pasurua 34:Pasurua 4 4 3 3 22 35:Mojoker 35:Mojoker 3 3 3 3 22 36:Madiun 36:Madiun 3 3 3 3 22 37:Surabay 37:Surabay 3 3 3 3 22 38:Batu 38:Batu 4 4 3 3 22
KESIMPULAN KESIMPULAN
Berdasarkan hasil dari pembahasan, maka kesimpulan yang dapat diambil
Berdasarkan hasil dari pembahasan, maka kesimpulan yang dapat diambil adalah sebagaiadalah sebagai berikut:
berikut:
Berdasarkan langkah-lang
Berdasarkan langkah-langkah pengklasteran, maka kah pengklasteran, maka disimpulkan bahwa yang termasuk disimpulkan bahwa yang termasuk dalam klaster sati adalah : Kota Probolinggo, Kota
dalam klaster sati adalah : Kota Probolinggo, Kota Blitar, Kota Pasuruan, dan Kota Batu.Blitar, Kota Pasuruan, dan Kota Batu. Klaster dua adalah : Kota
Klaster dua adalah : Kota Kediri, Kota Malang, Kota Mojokerto, Kota Madiun Kediri, Kota Malang, Kota Mojokerto, Kota Madiun dan Kotadan Kota Surabaya. Klaster tiga adalah
Surabaya. Klaster tiga adalah : Bangkalan, Bondowoso, Kab.Probolinggo: Bangkalan, Bondowoso, Kab.Probolinggo, Sitobondo,, Sitobondo, Sumenep dan Sampang. Klaster empat
Sumenep dan Sampang. Klaster empat adalah : adalah : LumajangLumajang, Pamekasan, Jember, Bojonegoro,, Pamekasan, Jember, Bojonegoro, Tuban, Pacitan, dan Trenggalek. Klaster l
Tuban, Pacitan, dan Trenggalek. Klaster lima adalah Kab. ima adalah Kab. Blitar, Kab.Pasuruan, Kb.Malang,Blitar, Kab.Pasuruan, Kb.Malang, Banyuwang
Banyuwangi, Ponorogo, Dan Ngawi. i, Ponorogo, Dan Ngawi. Klaster enam adalah: Lamongan dan Gresik. KlasterKlaster enam adalah: Lamongan dan Gresik. Klaster tujuh adalah Tulungagung, Magetan, Nganjuk, Kab.Kediri, Jombang, Madiun, dan
tujuh adalah Tulungagung, Magetan, Nganjuk, Kab.Kediri, Jombang, Madiun, dan Mojokerto.
