Analisis Faktor dan Analisis Cluster Pad

LAPORAN PRAKTIKUM

MULTIVARIAT

MODUL V

Analisis Faktor dan Analisis

Cluster

Pada Data

Kemiskinan Berdasarkan Dimensi Kualitas Kesehatan

Dan Kualitas Ekonomi di Jawa Tengah

Oleh:

Raras Anasi (1313030055)

Elok Faiqoh (1313030067)

AsistenDosen: Denni Hariyanto

Dosen: Santi Wulan Purnami, M.Si, Ph.D

Program Studi Diploma III Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya

ABSTRAK

Penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita perbulan dibawah garis kemiskinan.Banyak indikator yang digunakan dalam mengindikasi kemiskinan, salah satunya adalah dari segi kesehatan dan ekonomi. Praktikum ini, akan dilakukan analisis cluster pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi. Analisis Cluster merupakan metode pengelompokan dengan dua atau lebih objek yang memiliki kemiripan karakteristik paling dekat.Data yang digunakan adalah data Tugas Akhir Farisca Susiani dengan menggunakan 6 variabel dan diperoleh kesimpulan bahwa Pengujian asumsi dengan melihat boxplot menunjukkan terdapat data yang outlier tetapi diasumsikan tidak terdapat outlier, nilai korelasi antar variabelmenunjukkan tidak ada multiokolinieritas pada data, sedangkan melihat nilai KMO menunjukkan data yang diambil sudah cukup dan dapat digunakan pada analisis klaster. Selain itu, juga diketahui bahwa Variabel penelitian yang berpengaruh terhadap terbentuknya kluster yaitu presentase rumah tangga miskin yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/kayu berkualitas rendah per kecamatan.

4.3 Analisis Klaster...11 4.2.1 Analisis Cluster Hierarki...13 4.2.2 Analisis ClusterNon-Hierarki...16

BAB V KESIMPULAN DAN SARAN

5.1Kesimpulan...21 5.2 Saran...22

DAFTAR TABEL

Halaman

Tabel 3.1 Variabel Penelitian... 9

Tabel 4.1 Uji Kecukupan Data ...12

Tabel 4.2 Hasil Pengujian Korelasi Variabel Penelitian...12

Tabel 4.3 Pembentukan Dendogram...13

Tabel 4.4 Pengelompokkan Klaster Hierarki Kabupaten/Kota...15

Tabel 4.5 Pusat Klaster...16

Tabel 4.6 Pengelompokkan klaster non Hierarki kabupaten/kota...16

Tabel 4.6 Pengelompokkan klaster non Hierarki kabupaten/kota...16

Tabel 4.7 Rata-rata jarak cluster...18

DAFTAR GAMBAR

Halaman

Gambar 3.1 Diagram Alir...10

Gambar 4.1 Boxplot Outlier pada Variabel Penelitian...11

BAB I

PENDAHULUAN

1.1 Latar Belakang

Peranan statistik dalam kegiatan penelitian banyak sekali. Statistik dapat memberikan teknik-teknik yang tepat dalam pengumpulan, pengklasifikasian dan penyajian data, sehingga hasil-hasil penelitian lebih mudah dimengerti. Statistik dapat memberikan suatu ukuran yang dapat mensifatkan populasi, menyatakan variasi dan memberikan gambaran yang lebih akurat tentang kecenderungan-kecenderungan suatu variabel penelitian. Statistik dapat digunakan sebagai dasar untuk menjelaskan hubungan serta tingkat hubungan antara dua variabel atau lebih. Banyak variabel yang dapat diteliti menggunakan metode dalam statistik, salah satunya yaitu permasalahan tentang kemiskinan (Winarsunu, 2010).

Kemiskinan adalah keadaan tidak berharta, berpenghasilan rendah dan serba kekurangan dalam menjalani kehidupan sehari-hari. Kemiskinan juga bisa diartikan sebagai suatu situasi, baik berupa proses maupun akibat, dimana seseorang tidak mampu untuk berinteraksi dengan lingkungan di sekitarnya untuk memenuhi kebutuhan hidupnya (Ellis, 2014). Banyak indikator yang digunakan dalam mengindikasi kemiskinan, salah satunya adalah dari segi kesehatan dan ekonomi. kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi. Data yang digunakan sebanyak 30 data dengan X1 (presentase tumah tangga miskin yang luas lantai bangunan tempat tinggalnya kurang dari 32 m2_{), X}

miskin yang tidak sanggup membayar biaya pengobatan di puskesmas per kecamatan), dan X6 (Presentase rumah tangga miskin yang menggunakan bahan bakar untuk memasak sehari-hari adalah kayu bakar per kecamatan). Data yang diperoleh selanjutnya dilakukan pengujian asumsi analisis cluster, yaitu deteksi

outlier, uji kecukupan data dan deteksi multikolinearitas.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, maka rumusan masalah pada penelitian ini adalah sebagai berikut :

1. Bagaimana asumsi yang harus dipenuhi pada analisis cluster yang mencakup deteksi outlier, pemeriksaan kecukupan data dan pemeriksaan multikolinearitas pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi?

2. Bagaimana hasil analisis cluster pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi?

1.3 Tujuan

Berdasarkan rumusan masalah, maka tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut.

1. Mengetahui asumsi yang harus dipenuhi pada analisis cluster yang mencakup deteksi outlier, pemeriksaan kecukupan data dan pemeriksaan multikolinearitas pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi

1.5 Batasan Masalah

Batasan masalah yang digunakan dalam penelitian ini adalah data yang digunakan harus memenuhi asumsi analisis cluster yaitu tidak ada outlier,

BAB II

TINJAUAN PUSTAKA

2.1 Pendeteksisan Outlier

Outlier merupakan data yang mempunyai nilai jauh di atas atau jauh di bawah rata-rata suatu data (Singgih, 2010). Metode yang digunakan harus berdistribusi normal jika data tidak berdistribusi normal maka hasil analisis dikhawatirkan menjadi bias sedangkan untuk menentukan data tersebut outlier atau bukan maka perlu diuji kemudian dilakukan pemeriksaan dari data yang telah diuji dengan ketentuan -2,5 > X > 2,5 bila melewati dari batas yang telah ditentukan maka dapat dikatakan data mengalami outlier

2.2 Uji Kaiser Meyer Olkin (KMO)

Uji KMO bertujuan untuk mengetahui apakah semua data yang telah terambil telah cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai berikut :

Hipotesis

Ho : Jumlah data cukup untuk difaktorkan H1 : Jumlah data tidak cukup untuk difaktorkan

Statistik uji :

rij = Koefisien korelasi antara variabel i dan j

aij = Koefisien korelasi parsial antara variabel i dan j

2.3 Uji Bartlett Sphericity

Uji Bartlett ini digunakan untuk mengetahui korelasi antar variabel

prediktor. Variabel

X

i

, X

2

,

...

, X

p dikatakan bersifat saling bebas (independent)

jika matriks korelasi antar variabel membentuk matriks identitas. Untuk menguji kebebasan antar variabel ini dapat dilakukan uji Bartlett sphericity berikut. Hipotesis : bebas. Jika hipotesis ini yang diterima maka penggunanan metode multivariate

tidak layak terutama metode analisis komponen utama dan analisis faktor (Morrison, 2005).

2.4 Analisis Cluster

Cluster analysis adalah analisis statistika yang bertujuan untuk mengelompokkan data sedemikian sehingga data yang berada dalam kelompok yang sama mempunyai sifat yang relatif homogen daripada data yang berada dalam kelompok yang berbeda (Johnson and Wichern, 2007).

Ditinjau dari hal-hal yang dikelompokkan, cluster analysis dibagi menjadi dua macam, yaitu :

1. Pengelompokkan observasi 2. Pengelompokkan variable

Dalam proses penggabungan kelompok selalu diikuti dengan perbaikan matriks jarak. Suatu fungsi disebut jarak jika mempunyai sifat tak negative (dij ≥

0) dan (dij = 0) jika i = j, simetri (dij = dji), panjang salah satu sisi segitiga selalu

lebih kecil atau sama dengan jumlah dua sisi yang lain (dij ≤ dik + djk).

1. Jarak Euclidean

d

(

x, y

)=

_√

(

x

−

y

)

'

(

x

−

y

)

_(2.3)

Sebuah tinjauan cluster analysis dalam penelitian kesehatan psikologi menemukan bahwa pengukuran jarak yang paling umum dalam penelitian adalah jarak Euclidian atau kuadrat jarak Euclidian.

2. Jarak Minkowski

Secara umum, cluster analysis memiliki dua metode, yaitu : 1. Cluster hierarki.

2. Cluster Non-hierarki

2.5 Analisis Cluster Hierarki

Metode ini digunakan untuk mencari struktur pengelompokkan dari objek-objek. Jadi, hasil pengelompokkannya disajikan secara hierarki atau berjenjang. Metode hierarki ini terdiri dari dua cara,yaitu :

a. Agglomerative (penggabungan).

Cara ini digunakan jika masing-masing objek dianggap satu kelompok kemudian antar kelompok yang jaraknya berdekatan bergabung menjadi satu kelompok.

Cara ini dgunakan jika pada awalnya semua objek berada dalam satu gerombol. Setelah itu, sifat paling beda dipisahkan dan membentuk satu gerombol yang lain. Proses tersebut berlanjut sampai semua objek tersebut masing-masing membentuk satu gerombol.

Metode-metode pengelompokkan hierarki dibedakan berdasarkan konsep jarak antar kelompok, penentuan jarak antar kelompok untuk metode-metode tersebut adalah :

1. Metode single linkage

Metode ini mengelompokkan dua objek yang mempunyai jarak terdekat terlebih dahulu. Jarak antar kelompok (u,v) dengan w adalah :

d

_(uv)w

=

min

{

d

uw

,d

vw

}

(2.7)

Dimana : d(uv) w = Datakelompok ke (uv) dengan w

duw = Data kelompokke uw

dvw = Data kelompokke vw

2. Metode complete linkage

Metode ini akan mengelompokkan dua objek yang mempunyai jarak terjauh terlebih dahulu. Jarak antar kelompok (u,v) dengan w adalah :

d

_(uv)w

=

max

{

d

uw

,d

vw

}

(2.8)

Dimana : d(uv) w = Datakelompok ke (uv) dengan w

duw = Data kelompokke uw

dvw = Data kelompokke vw

3. Metode average linkage

Metode ini akan mengelompokkan objek berdasarkan jarak rata-rata yang didapat dengan melakukan rata-rata semua jarak objek terlebih dahulu. Jarak antar kelompok (u,v) dengan w adalah :

N(uv) = Jumlah semua clusteruv

Nw = Jumlah semua clusterw

Hasil dari analisis Cluster akan disajikan dalam bentuk struktur pohon yang disebut dendogram. Pemotongan dendogram dapat dilakukan pada selisih jarak penggabungan yang terbesar. Akar pohon terdiri dari cluster tunggal yang berisi semua pengamatan, dan daun sesuai dengan pengamatan individu. (Johnson and Wichern, 2007).

2.6 Analisis Cluster Non-Hierarki

Metode non-hierarki digunakan apabila jumlah kelompok yang diinginkan diketahui dan biasanya dipakai untuk mengelompokkan data yang ukurannya besar. Biasanya metode yang dipakai dalam mengcluster data yang berukuran besar yaitu metode K “means”. Algoritma dari metode ini sebagai berikut.

1. Tentukan bersama k (yaitu banyaknya kelompok dan tentukkan juga centroid di tiap kelompok).

2. Hitung jarak antara setiap objek dengan setiap centroid.

3. Hitung kembali rataan (centroid) untuk kelompok yang baru terbentuk. 4. Ulangi langkah kedua sampai tidak ada lagi pemindahan objek antar

kelompok.

Penentuan terakhir suatu objek ke suatu kelompok tertentu tidak tergantung dari K inisial yang pertama kali ditentukan. Perubahan terbesar kemungkinan hanya terjadi pada realokasi yang pertama saja (Johnson and Wichern, 2007).

2.5 Kemiskinan

BAB III

METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari Tugas Akhir Farisca Susiani dengan NRP 1309100113 di Ruang Baca Jurusan Statistika pada hari Selasa, 17 Maret 2015 pukul 15.00 WIB dengan judul Tugas Akhir “ Penentuan Indikator Kemiskinan Berdasarkan Dimensi Kualitas Kesehatan dan Kualitas Ekonomi Menggunakan Confirmatory Factor Analysis (CFA) dengan Pendekatan Bayesian ”. Data yang digunakan dalam penelitian ini adalah sebanyak 30 data.

3.2 Variabel Penelitian

Dalam penelitian ini yang digunakan sebagai variabel penelitian adalah berikut.

Tabel 3.1 Variabel Penelitian

X1 Presentase rumah tangga miskin yang luas lantai

bangunan tempat tinggalnya kurang dari 32 m2

X2 Presentase rumah tangga miskin yang jenis lantai

X4 Presentase rumah tangga miskin yang tidak mempunyai

jenis atap dari genteng per kecamatan

X5 Presentase rumah tangga miskin yang tidak sanggup

membayar biaya pengobatan di puskesmas per kecamatan X6 Presentase rumah tangga miskin yang menggunakan

bahan bakar untuk memasak sehari-hari adalah kayu bakar per kecamatan

3.3 Langkah Analisis

Langkah analisis yang dilakukan pada praktikum ini adalah sebagai berikut. 1. Menginputkan pada data kemiskinan berdasarkan dimensi kualitas

kesehatan dan kualitas ekonomi

Uji Kecukupan data

Kesimpulan

Deteksi Multikolinieritas Menginputkan data

Deteksi Outlier

Analisis Cluster

3. Menguji asumsi kecukupan data pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi

4. Menguji asumsi multikolinearitas pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi

5. Melakukan analisis cluster pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi

6. Menginterpretasikan hasil analisis.

7. Melakukan penarikan kesimpulan dan saran

3.4 Diagram Alir

Diagram alir menggambarkan alur perjalanan pembuatan laporan ini, mulai dari perumusan masalah hingga pemberian kesimpulan dan saran. Diagram alir dalam laporan ini adalah sebagai berikut,

Gambar 3.1 Diagram Alir

Ya

BAB IV

ANALISIS DAN PEMBAHASAN

4.1 Pengujian Asumsi Analisis Cluster

Dalam melakukan analisis cluster harus memenuhi beberapa asumsi terlebih dahulu. Berikut adalah pengujian asumsi yang dilakukan.

4.1.1 Pendeteksian Data Outlier

Outlier atau pencilan merupakan data yang mempunyai nilai jauh dibandingkan data-data yang lain dalam satu variabel pengamatan. Data pencilan perlu dideteksi supaya kita dapat mencari tahu sebab-sebab terjadinya outlier pada pengamatan dan variabel tersebut, Berikut adalah hasil deteksi outlier pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah.

Gambar 4.1 Boxplot Outlier pada Variabel Penelitian

bahwa terdapat data outlier pada variabel penelitian tetapi pada penelitian ini diasumsikan tidak terdapat data outlier.

4.1.2 Uji Kecukupan Data KMO

Pengujian kecukupan data dapat dilakukan dengan uji KMO. Uji KMO bertujuan untuk mengetahui apakah data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah yang telah terambil cukup untuk dianalisis.

Berdasarkan hasil uji kecukupan KMO diketahui bahwa nilai KMO dari data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah adalah 0,529 atau dapat dikatakan bahwa data sudah cukup karena nilai KMO yaitu 0,529 lebih besar dari 50%, sehingga dapat disimpulkan bahwa data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah cukup untuk dianalisis.

4.1.3 Pendeteksian Multikolinieritas

Pengujian multikolinieritas dilakukan untuk mengetahui apakah ada hubungan yang signifikan antar variabel prediktor. Pengujian multikolinieritas dapat dilakukan dengan beberapa cara, salah satunya dengan melihat korelasi antar variabel penelitian. Jika nilai korelasi lebih dari 0,95, maka dapat dikatakan terdapat korelasi antar variabel tersebut. Berikut merupakan pendeteksian multikolinieritas dengan melihat korelasi dari data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah.

Tabel 4.1 Hasil Pengujian Korelasi Variabel Peneitian

Variabel X1 X2 X3 X4 X5 X6

4.2 Analisis Cluster

Analisis cluster bertujuan untuk mengelompokkan data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah sehingga data yang berada dalam kelompok yang sama mempunyai sifat yang relatif homogen daripada data yang berada dalam kelompok yang berbeda. Analisis

cluster terdapat dua jenis yaitu hierarki dan non hierarki yang dijelaskan sebagai berikut.

4.2.1 Analisis Cluster Hierarki

Analisis cluster hierarki dilakukan dimana hasil pengelompokkannya disajikan secara hierarki atau berjenjang. Jumlah cluster yang terbentuk dalam analisis cluster hierarki ini sebanyak 3 cluster dengan jumlah cluster yaitu 2, 3 dan 4. Hasil dan pembahasan analisis cluster hierarki pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah dengan langkah awal yaitu membentuk dendogram yang dijelaskan sebagai berikut.

Berdasarkan Gambar 4.2 dapat diperoleh hasil bahwa terdapat beberapa

cluster atau kelompok yang dapat dibentuk sehingga setiap kabupaten/kota yang mempunyai karakteristik yang sama bisa atau memiliki jarak yang berdekatan masuk dalam satu cluster. Kabupaten/kota yang masuk dalam satu anggota cluster

dengan jumlah cluster yang berbeda adalah sebagai berikut.

Tabel 4.3 Pengelompokan Cluster Hierarki Kabupaten/Kota

cluster cluster 1 cluster 2 cluster 3 cluster 4

4 cluster

Kebumen Demak Purworejo Semarang Wonosobo Temanggung Magelang Kendal Sukoharjo Batang Wonogiri Pekalongan Karanganyar Pemalang Sragen Salatiga Grobogan Brebes Blora

Berdasarkan Tabel 4.3 dapat diketahui bahwa terdapat cluster sebanyak 2, 3 dan 4 dengan anggota cluster yang berbeda. Pada jumlah cluster 4, kabupaten/kota yang masuk pada cluster 2 yaitu Boyolali dan Klaten, kabupaten/kota yang masuk pada cluster 3 yaitu kabupaten Tegal, kabupaten/kota yang masuk pada cluster 4 yaitu kota Surakarta sedangkan kabupaten/kota lainnya masuk dalam cluster 1. Pada jumlah cluster 3, kabupaten kota yang masuk pada

cluster 2 yaitu kabupaten Tegal, kabupaten/kota yang masuk pada cluster 3 yaitu kota Surakarta sedangkan kabupaten/kota lainnya masuk dalam cluster 1. Pada jumlah cluster 2, kabupaten/kota yang masuk pada cluster 2 yaitu kota Surakarta dan Tegal sedangkan kabupaten/kota lainnya masuk dalam cluster 1.

4.2.2 Analisis Cluster Non Hierarki

Analisis cluster non hierarki dilakukan apabila jumlah kelompok yang diinginkan diketahui dan biasanya dipakai untuk mengelompokkan data yang ukurannya besar. Metode ini dimulai dengan menentukan terlebih dahulu jumlah

cluster yang diinginkan, dalam kasus ini jumlah cluster yang diinginkan adalah 2. Hasil dan pembahasan analisis cluster non hierarki pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah dengan langkah awal menentukan pusat cluster adalah sebagai berikut.

Variabel Cluster

Tabel 4.4 menunjukkan bahwa pusat cluster pada variabel X1 yaitu (43,94 : 34,95), pusat cluster pada variabel X2 berada pada koordinat (78,10 ; 17,71), pusat cluster pada variabel X3 berada pada koordinat (52,10 ; 95,70), pusat

cluster pada variabel X4 berada pada koordinat (1,98 ; 2,50), pusat cluster pada variabel X5 berada pada koordinat (5,83 ; 1,92) dan pusat cluster pada variabel X6 berada pada koordinat (57,82 ; 49,08). Langkah selanjutnya adalah menentukan jarak setiap kabupaten/kota ke pusat cluster kemudian mengelompokkannya berdasarkan jarak yang paling dekat dengan pusat cluster

sehingga diperoleh pengelompokan cluster dengan iterasi sebanyak 4 sebagai berikut.

Tabel 4.5 Pengelompokan Cluster Non Hierarki Kabupaten/Kota

Cluster 1 Distance Cluster 2 Distance

Kendal 23,873

Batang 20,897

Pekalongan 16,743 Pemalang 15,842

Brebes 30,840

Berdasarkan Tabel 4.5 dapat diketahui bahwa cluster yang terbentuk sesuai yang diinginkan sebanyak 2. Kabupaten/kota yang masuk dalam cluster 1 yaitu Magelang, Boyolali, Klaten, Pemalang, Tegal, Surakarta, dan Salatiga sedangkan kabupaten/kota lainnya masuk dalam cluster 2.

Dalam pengelompokan cluster perlu diketahui rata-rata pusat cluster yang paling besar untuk mengetahui cluster yang memiliki jarak paling jauh. Hasil dan pembahasannya adalah sebagai berikut.

Tabel 4.6 Rata-Rata jarak Cluster

variabel Cluster

Berdasarkan Tabel 4.6 menunjukkan bahwa pada variabel X1, X2, X3,X5, dan X6 memiliki rata-rata jarak cluster paling besar pada cluster 1 sedangkan variabel X4 memiliki rata-rata jarak cluster paling besar pada cluster 2 sehingga dapat dikatakan bahwa cluster 1 memiliki rata-rata jarak antar cluster paling besar dibanding cluster 2. Langkah selanjutnya yaitu analisis ANOVA untuk mengetahui variabel apa saja yang berpengaruh signifikan terhadap pembentukan

cluster pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah. Hasil dan pembahasannya dalah sebagai berikut.

Hipotesis :

H1 : β1 ≠ 0 (Presentase rumah tangga miskin yang luas lantai bangunan tempat tinggalnya kurang dari 32 m2 _{berpengaruh signifikan terhadap} pembentukan cluster)

2. H0 : β2 = 0 (Presentase rumah tangga miskin yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/kayu berkualitas rendah per kecamatan tidak berpengaruh signifikan terhadap pembentukan cluster)

H1 : β2 ≠ 0 (Presentase rumah tangga miskin yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/kayu berkualitas rendah per kecamatan berpengaruh signifikan terhadap pembentukan cluster)

3. H0 : β3 = 0 (Presentase rumah tangga miskin yang sumber air minumnya berasal dari sumur/mata air tidak terlindung/sungai per kecamatan tidak berpengaruh signifikan terhadap pembentukan cluster)

H1 : β3 ≠ 0 (Jumlah Presentase rumah tangga miskin yang sumber air minumnya berasal dari sumur/mata air tidak terlindung/sungai per kecamatan berpengaruh signifikan terhadap pembentukan cluster)

4. H0 : β4 = 0 (Presentase rumah tangga miskin yang tidak mempunyai jenis

5. H0 : β5 = 0 (Presentase rumah tangga miskin yang tidak sanggup membayar biaya pengobatan di puskesmas per kecamatan tidak berpengaruh signifikan terhadap pembentukan cluster)

H1 : β5 ≠ 0 (Presentase rumah tangga miskin yang tidak sanggup membayar biaya pengobatan di puskesmas per kecamatan berpengaruh signifikan terhadap pembentukan cluster)

H1 : β5 ≠ 0 (Presentase rumah tangga miskin yang menggunakan bahan bakar untuk memasak sehari-hari adalah kayu bakar per kecamatan berpengaruh signifikan terhadap pembentukan cluster)

Taraf signifikan : α = 0,05

Daerah kritis : Tolak H0 jika P-value < α Statistik uji :

Tabel 4.7 ANOVA

Variabel F P-value

X1 0,154 0,698

X2 114,09₇ 0,000

X3 0,949 0,338

X4 0,153 0,699

X5 0,005 0,946

X6 3,746 0,063

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang dapat diambil dari analisis cluster pada penelitian mengenai data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah adalah sebagai berikut.

1. Pengujian asumsi dengan melihat boxplot menunjukkan terdapat data yang

outlier tetapi diasumsikan tidak terdapat outlier, nilai korelasi antar variabel menunjukkan tidak ada multiokolinieritas pada data, sedangkan melihat nilai KMO menunjukkan data yang diambil sudah cukup dan dapat digunakan pada analisis cluster.

2. Analisis cluster hierarki menunjukkan pada jumlah cluster 4, kabupaten/kota yang masuk pada cluster 2 yaitu Boyolali dan Klaten, kabupaten/kota yang masuk pada cluster 3 yaitu kabupaten Tegal, kabupaten/kota yang masuk pada cluster 4 yaitu kota Surakarta sedangkan kabupaten/kota lainnya masuk dalam cluster 1. Pada jumlah cluster 3, kabupaten kota yang masuk pada cluster 2 yaitu kabupaten Tegal, kabupaten/kota yang masuk pada cluster 3 yaitu kota Surakarta sedangkan kabupaten/kota lainnya masuk dalam cluster 1. Pada jumlah cluster 2, kabupaten/kota yang masuk pada cluster 2 yaitu kota Surakarta dan Tegal sedangkan kabupaten/kota lainnya masuk dalam cluster 1. Analisis cluster

non hierarki menunjukkan bahwa Kabupaten/kota yang masuk dalam

5.2 Saran

DAFTAR PUSTAKA

Ellin, 2014. Kemiskinan.file:///E:/Pengertian%20Kemiskinan%20Menurut %20Para%20Ahli%20_%20 Dilihatya.htm Diakses pada tanggal 7 Mei 2015.

Johnson, R. A., & Wichern, D. 2007. Applied Multivariate Statistical Analysis. New Jersey: Prentice Hall.

Morrison, D. F. 2005. Multivariate Statistical Methods Fourth Edition. The Wharton School University of Pennsylvania.

Rencher, A. R. 2002. Methods of Multivariate Analysis Second Edition. John Wiley & Sons, Inc. New York

Santoso, Singgih. 2010. Statistik Multivariat, Jakarta : PT. Gramedia.

Winarsunu, Tulus.2010.Statistik Dalam Penelitian Psikologi Dan Pendidikan.

LAMPIRAN

Lampiran 1 Data Penelitian

No Kecamatan X1 X2 X3 X4 X5 X6

1 Cilacap 43,63 28,67 82,2 1,53 2,74 62,51

2 Banyumas 34,95 17,71 95,7 2,5 1,92 49,08

3 Purbalingga 35,95 17,35 52,7 2,7 5,54 54,94

4 Banjarnegara 24,49 14,48 44,9 1,5 4,62 59,18

5 Kebumen 22,47 23,37 52,5 1,35 4,51 60,59

6 Purworejo 25,91 46,05 48,2 1,87 2,54 48,79

7 Wonosobo 16,79 29,84 36,6 2,9 3,77 55,71

8 Magelang 35,82 63,66 70 2,76 1,65 61,02

9 Boyolali 37,47 66,6 67,4 2,3 6,98 44,71

10 Klaten 43,94 78,1 52,1 1,98 5,83 57,82

11 Sukoharjo 43,31 23,45 42,4 1,8 1,7 64,21

12 Wonogiri 26,57 22,06 50,3 0,98 2,54 67,49

13 Karanganyar 46,54 27,1 56,9 2,55 2,4 44,89

14 Sragen 25,82 15,82 65,2 0,65 2,7 54,03

15 Grobogan 27,99 43,14 51,6 1,84 6,12 57,62

16 Blora 18,11 32,19 43,4 1,54 5,62 48,94

17 Rembang 20 23,8 42,2 0,75 0,87 67,33

18 Pati 39,66 36,78 79 0,78 5,43 43,41

19 Kudus 26,39 20,01 52,7 0,45 2,67 42,76

20 Jepara 37,22 15,82 64,1 0,88 0,89 64,11

21 Demak 26,77 18,57 34,9 0,65 6,01 68,83

22 Semarang 48,71 37,57 70,9 2,6 1,65 47,66

23 Temanggung 21,43 18,06 34,7 1,95 1,99 43,05

24 Kendal 46,23 21,68 72,8 1,5 2,35 49,1

25 Batang 20,93 31,57 41 0,78 1,83 44,14

26 Pekalongan 28,34 36,62 42,2 0,58 1,55 53,61

27 Pemalang 20,35 62,76 56 0,48 6,02 58,74

28 Tegal 20,81 68,49 63,4 0,98 0,39 69,66

29 Brebes 54,5 38,51 65,4 0,47 1,45 40,23

30 Surakarta 37,8 77,36 88 0,23 0,41 77,46

31 Salatiga 38,71 57,7 36,2 0,53 0,55 60,86

Correlations

X1 X2 X5 X6 X7 X9

X1 Pearson Correlation 1 .145 .513** _{.165 -.169 -.181}

Sig. (2-tailed) .437 .003 .374 .362 .331

N 31 31 31 31 31 31

X2 Pearson Correlation .145 1 .204 -.046 .039 .213

Sig. (2-tailed) .437 .271 .805 .835 .249

N 31 31 31 31 31 31

X5 Pearson Correlation .513** _{.204 1 .072 -.148 -.019}

Sig. (2-tailed) .003 .271 .699 .428 .919

N 31 31 31 31 31 31

X6 Pearson Correlation .165 -.046 .072 1 .224 -.251

Sig. (2-tailed) .374 .805 .699 .226 .174

N 31 31 31 31 31 31

X7 Pearson Correlation -.169 .039 -.148 .224 1 -.179

Sig. (2-tailed) .362 .835 .428 .226 .336

N 31 31 31 31 31 31

X9 Pearson Correlation -.181 .213 -.019 -.251 -.179 1

Sig. (2-tailed) .331 .249 .919 .174 .336

N 31 31 31 31 31 31

**. Correlation is significant at the 0.01 level (2-tailed).

Lampiran 3 Uji Kecukupan Data KMO

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .529

Bartlett's Test of Sphericity Approx. Chi-Square 18.476

df 15

Lampiran 4 Pengelompokkan Cluster

Cluster 1 Cluster 2 Cluster 1 Cluster 2

Lampiran 5 Pengelompokan Cluster

Cluster Membership

Case 4 Clusters 3 Clusters 2 Clusters

* * * * * * * * * * * * * * * * * * * H I E R A R C H I C A L C L U S T

Initial Cluster Centers

Cluster

1 2

X1 43.94 34.95

X2 78.10 17.71

X3 52.10 95.70

X4 1.98 2.50

X5 5.83 1.92

X6 57.82 49.08

Lampiran 7 Interaksi

Iteration Historya

Iteration

Change in Cluster Centers

1 2

1 30.502 36.695

2 10.329 4.192

3 3.196 .866

4 2.702 .853

5 3.709 .956

Lampiran 9 Final Cluster Centers K-Means

Final Cluster Centers

Cluster

1 2

X1 33.56 31.78

X2 67.81 26.68

X3 61.87 55.10

X4 1.32 1.46

X5 3.12 3.06

X6 61.47 53.84

Lampiran 10 ANOVA Variabel Penelitian

ANOVA

Cluster Error

F Sig.

Mean Square df Mean Square df

X1 17.124 1 111.178 29 .154 .698

X2 9169.655 1 80.367 29 114.097 .000

X3 248.184 1 261.427 29 .949 .338

X4 .106 1 .692 29 .153 .699

X5 .019 1 4.127 29 .005 .946

X6 315.090 1 84.123 29 3.746 .063