ANALISIS KLASTER K-MEANS DAN K-MEDIAN PADA DATA … · 2013-05-27 · ANALISIS KLASTER K-MEANS DAN...
Transcript of ANALISIS KLASTER K-MEANS DAN K-MEDIAN PADA DATA … · 2013-05-27 · ANALISIS KLASTER K-MEANS DAN...
ANALISIS KLASTER K-MEANS DAN K-MEDIAN PADA
DATA INDIKATOR KEMISKINAN (Studi Kasus Data Indikator Kemiskinan Kabupaten di Indonesia Tahun 2009)
Febriyana
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2011 M / 1432 H
ANALISIS KLASTER K-MEANS DAN K-MEDIAN PADA
DATA INDIKATOR KEMISKINAN (Studi Kasus Data Indikator Kemiskinan Kabupaten di Indonesia Tahun 2009)
Skripsi Sebagai Satu Syarat Untuk Memperoleh
Gelar Sarjana Sains
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh
Febriyana
107094002893
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2011 M / 1432 H
ii
PENGESAHAN PEMBIMBING
ANALISIS KLASTER K-MEANS DAN K-MEDIAN PADA DATA
INDIKATOR KEMISKINAN
(Studi Kasus Data Indikator Kemiskinan Kabupaten di Indonesia Tahun 2009)
Skripsi Sebagai satu syarat untuk memperoleh
Gelar sarjana sains Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh
Febriyana
107094002893
Menyetujui,
Dosen Pembimbing I Dosen Pembimbing II
Suma’inna, M.Si Bambang Ruswandi, M. Stat NIP. 150 408 699 NIDN. 0305108301
Mengetahui : Ketua Program Studi Matematika
Yanne Irene, M. Si NIP. 19741231 200501 2018
iii
PENGESAHAN UJIAN
Skripsi berjudul “Analisis Klaster K-Means dan K-Median Pada Data Indikator Kemiskinan” yang ditulis oleh Febriyana, NIM 107094002893 telah di uji dan dinyatakankan lulus dalam sidang Munaqosyah Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada tanggal 8 Juni 2011 Skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar sarjana strata satu (S1) Program Matematika.
Menyetujui,
Penguji 1, Penguji 2,
Taufik Edy Sutanto, M. ScTech Dr. Agus Salim, M.Si NIP. 19790530 200604 1002 NIP. 19720816 199903 1 003
Pembimbing 1, Pembimbing 2,
Suma’inna, M.Si Bambang Ruswandi, M. Stat NIP. 150408699 NIDN. 0305108301
Mengetahui :
Dekan Fakultas Sains dan Teknologi, Ketua Program Studi Matematika,
DR. Syopiansyah Jaya Putra, M. Sis Yanne Irene, M. Si NIP. 19680117 200112 1001 NIP. 19741231 200501 2018
iv
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-
BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI PADA PERGURUAN TINGGI ATAU LEMBAGA
MANAPUN.
Jakarta, Juni 2011
Febriyana 107094002893
Karya ini ku persembahkan untuk
Orangtuaku tercinta yang telah banyak mencurahkan
kasih sayang dan dukungan baik moril maupun materi
Fitriana Fadhillah
Kedua adikku
Motto
Sesungguhnya setelah kesulitan terdapat kemudahan. Setelah
tangisan terdapat senyuman. Dan segala kesulitan akan
berakhir dengan izin Allah.
v
ABSTRAK
Analisis klaster merupakan salah satu metode multivariate yang bertujuan untuk mengelompokkan objek berdasarkan kemiripan atau ketidakmiripan karakteristiknya, sehingga objek yang terletak pada satu klaster memiliki kemiripan yang lebih besar dibandingkan dengan objek pengamatan yang terletak pada klaster lain. K-means merupakan salah satu metode pengklasteran tidak berhirarki yang paling banyak digunakan, namun karena menggunakan rataan sebagai pusat klasternya, metode ini lebih sensitif terhadap keberadaan pencilan pada data. Metode K-median yang menggunakan median sebagai nilai pusat klasternya dinilai dapat mengatasi adanya pencilan. Penelitian ini bertujuan untuk membandingkan hasil analisis klaster k-means dengan k-median dari data indikator kemiskinan kabupaten di Indonesia tahun 2009.
Hasil pengklasteran menunjukkan bahwa pada metode k-means klaster pertama terdapat 395 kabupaten dan pada klaster kedua terdapat 76 kabupaten. Sedangkan pada metode k-median pada klaster pertama terdapat 99 kabupaten dan pada klaster kedua terdapat 372 kabupaten. Berdasarkan nilai ketepatan klasifikasi klaster K-means memiliki tingkat ketepatan klasifikasi yang lebih baik yaitu sebesar 98,51 Sedangkan pada k-median tingkat ketepatan klasifikasi sebesar 97,57%. Sehingga dapat disimpulkan bahwa pada kasus ini metode pengklasteran k-means lebih baik dibandingkan dengan k-median.
Kata Kunci: Kemiskinan, K-means, K-median
ABSTRACT
Cluster analysis is one of the multivariate method which aims to classify objects based on similarity or dissimilarity its characteristics, so that objects located in one cluster has a similarity larger than the object of observation is located in another cluster. K-means clustering is one method does not berhirarki the most commonly used, but because it uses the mean as the center of the cluster, this method is more sensitive to the presence of outliers in the data. K-medians method that uses the median as a central value can cope with the outliers. This study aimed to compare the results of k-means cluster analysis with k-median of district poverty indicators in Indonesia in 2009.
Clustering results show that the method of k-means clustering, the first cluster there are 395 districts and the second cluster there are 76 districts. While the k-median method, the first cluster there are 99 districts and the second cluster there are 372 districts. Based on the classification accuracy of K-means cluster has the level of a better classification accuracy that is equal to 98.51, while the k-median level of classification accuracy of 97.57%. So it can be concluded that in this case k-means clustering method is better than the k-median.
Keywords : Poverty, K-means, K-median
vii
KATA PENGANTAR
Segala puji dan syukur yang sebesar-besarnya penulis panjatkan kehadirat
Allah SWT, karena dengan rahmat dan karunia-Nya penulis dapat menyelesaikan
tugas akhir ini tepat pada waktunya. Shalawat serta salam semoga selalu tercurah
kepada Nabi Muhammad SAW, keluarga, sahabat serta segenap umatnya.
Penulis sadar bahwa skripsi ini tidak akan selesai bila penulis tidak
mendapat bantuan dari berbagai pihak, baik bantuan secara langsung maupun
dukungan moril dan doa. Oleh karena itu penulis ingin mengucapkan terima kasih
yang sebesar-besarya kepada:
1. Dr. Syopyansyah Jaya Putra, M.Si, Dekan Fakultas Sains dan Teknologi UIN
Syarif Hidayatullah Jakarta.
2. Ibu Yanne Irene, M.Si, Ketua Program Studi Matematika dan Ibu Suma’inna,
M.Si, Sekretaris Program Studi Matematika.
3. Ibu Suma’inna, M.Si, sebagai Dosen Pembimbing I, yang telah meluangkan
waktunya untuk memberikan bimbingan dan pengarahan hingga
terselesaikannya skripsi ini.
4. Bapak Bambang Ruswandi, M.Stat, sebagai Dosen Pembimbing II, atas
bimbingan, saran dan bantuannya dari awal hingga terselesaikannya skripsi
ini.
5. Ayahanda tercinta yang telah menghabiskan waktu dan tenaga tanpa
mengenal batas untuk memberikan yang terbaik bagi penulis agar dapat
meraih cita-cita serta segenap kasih sayang dan perhatiannya.
viii
6. Ibunda tercinta yang selalu memberikan semagat dan dukungan kepada
penulis, atas doa, kasih sayang, dorongan, pengertian dan kesabaran yang tak
terkira hingga penulis dapat menyelesaikan skripsi ini.
7. Seluruh dosen jurusan Matematika, Fakultas Sains dan Teknologi UIN Syarif
Hidayatullah Jakarta yang telah memberikan segenap ilmu.
8. Fitriana Fadhillah yang telah meluangkan banyak waktunya untuk membantu
menyelesaikan skripsi ini serta memberikan dukungan moril dan kesabaran.
9. Dua adikku, seluruh keluarga besarku dan keluarga Dhila yang telah
memberikan perhatian, dukungan dan doanya.
10. Seluruh karyawan dan murid Primagama Pondok Cabe yang selalu
memberikan dorongan motivasi kepada penulis hingga terselesaikan skripsi
ini.
11. Seluruh teman-teman Matematika 2007 yang penuh kekeluargaan dan selalu
memberikan motivasi kepada penulis dalam menyelesaikan skripsi ini.
Penulis menyadari dalam skripsi ini masih terdapat banyak kekurangan.
Penulis mengharapkan kritik dan saran agar penulis dapat memperbaiki
kekurangan yang ada. Penulis berharap semoga tugas akhir ini bermanfaat bagi
penulis khususnya, dan pihak lain umumnya.
Jakarta, Juni 2011
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL ..................................................................................... i
PENGESAHAN PEMBIMBING ................................................................. ii
PENGESAHAN UJIAN ............................................................................... iii
PERNYATAAN ............................................................................................ iv
PERSEMBAHAN DAN MOTTO
ABSTRAK ..................................................................................................... v
ABSTRACT ................................................................................................... vi
KATA PENGANTAR ................................................................................... vii
DAFTAR ISI ................................................................................................. ix
DAFTAR TABEL ......................................................................................... xi
DAFTAR LAMPIRAN ................................................................................. xii
BAB I PENDAHULUAN ......................................................................... 1
1.1. Latar Belakang ......................................................................... 1
1.2. Permasalahan ........................................................................... 3
1.3. Pembatasan Masalah ................................................................ 3
1.4. Tujuan Penelitian ..................................................................... 4
1.5. Manfaat Penelitian ................................................................... 4
BAB II LANDASAN TEORI .................................................................... 6
2.1. Kesejahteraan .......................................................................... 6
2.2. Kemiskinan .............................................................................. 6
2.3. Analisis Klaster ........................................................................ 9
x
2.4. Ukuran Kemiripan .................................................................... 10
2.5. K-means Klaster ..................................................................... 11
2.6. K-median Klaster .................................................................... 12
2.7. Analisis Diskriminan ............................................................... 13
BAB III METODOLOGI PENELITIAN ................................................... 16
3.1. Sumber Data ........................................................................... 16
3.2. Variabel Penelitian ................................................................. 16
3.3. Uji Multikolinieritas ............................................................... 18
3.4. Uji Normal Multivariate ......................................................... 18
3.5. Metode Kerja ........................................................................... 19
3.6. Alur Penelitian ......................................................................... 23
BAB IV HASIL DAN PEMBAHASAN ..................................................... 24
4.1. Deskripsi Data ........................................................................ 24
4.2. Pengujian Asumsi Multikolinieritas ....................................... 25
4.3. Pembentukan Klaster K-means .............................................. 25
4.4. Pembentukan Klaster K-median ............................................. 29
4.5. Analisis Diskriminan .............................................................. 33
BAB V KESIMPULAN DAN SARAN .................................................... 37
5.1. Kesimpulan ............................................................................. 37
5.2. Saran ....................................................................................... 38
DAFTAR PUSTAKA .................................................................................... 39
LAMPIRAN .................................................................................................. 41
xi
DAFTAR TABEL
Tabel 4.1 : Deskripsi Data ............................................................................ 24
Tabel 4.2 : Nilai VIF Setiap Variabel ............................................................. 25
Tabel 4.3 : Jumlah Anggota Setiap Klaster K-means...................................... 25
Tabel 4.4 : Rata-rata Setiap Variabel Pada Klaster 1 ................................... 26
Tabel 4.5 : Rata-rata Setiap Variabel Pada Klaster 2 ................................... 27
Tabel 4.6 : Variansi Setiap Variabel .............................................................. 28
Tabel 4.7 : Jumlah Anggota Setiap Klaster K-median.................................... 29
Tabel 4.8 : Rata-rata Setiap Variabel Pada Klaster 1 ................................... 30
Tabel 4.9 : Rata-rata Setiap Variabel Pada Klaster 2 .................................. 31
Tabel 4.10 : Variansi Setiap Variabel ............................................................. 32
Tabel 4.11 : Ketepatan Klasifikasi K-means .................................................. 34
Tabel 4.12 : Ketepatan Klasifikasi K-median ................................................ 35
xii
DAFTAR LAMPIRAN
Lampiran 1 : Hasil Pengklasteran .................................................................. 41
Lampiran 2 : Output Nilai Variance Inflation Factor (VIF) ........................... 54
Lampiran 3 : Perhitungan Nilai ߪଶ Pada K-means ........................................ 54
Lampiran 4 : Perhitungan Nilai ߪଶ Pada K-median ...................................... 55
Lampiran 5 : Ketepatan Klasifikasi K-means ................................................ 56
Lampiran 6 : Ketepatan Klasifikasi K-median .............................................. 57
Lampiran 7 : Perhitungan rata-rata setiap variabel pada klaster k-means ...... 57
Lampiran 8 : Perhitungan rata-rata setiap variabel pada klaster k-median ...... 57
1
BAB I
PENDAHULUAN
1.1 Latar belakang
Kesejahteraan merupakan tumpuan harapan dan menjadi cita-cita
luhur perjuangan bangsa Indonesia sejak proklamasi kemerdekaan. Selain
itu kesejahteraan merupakan hal yang menentukan suatu pembangunan di
suatu daerah. Kesejahteraan masyarakat diharapkan meningkat dari tahun ke
tahun.
Salah satu masalah di bidang kesejahteraan adalah kemiskinan.
Kemiskinan menjadi permasalahan yang dihadapi oleh semua negara di
dunia, terutama di negara yang sedang berkembang seperti halnya
Indonesia. Hingga tahun 2010, BPS memperkirakan hampir 13,33% dari
total penduduk Indonesia masih hidup dalam kondisi miskin.
Indonesia memiliki potensi yang luar biasa dengan segala sumber
daya yang ada. Seharusnya hal ini dapat dimanfaatkan dengan baik oleh
pemerintah dalam meningkatkan kesejahteraan masyarakat Indonesia.
Namun kenyataannya permasalahan kemiskinan menjadi salah satu
permasalahan yang cukup penting di Indonesia. Kondisi ini menggambarkan
bahwa kemiskinan merupakan masalah sosial, baik di tingkat nasional
maupun regional dan perlu mendapatkan penanganan yang serius dari
seluruh masyarakat. Oleh karena itu permasalahan kemiskinan harus segera
diatasi.
2
Kemiskinan terjadi bukan hanya karena rendahnya pendapatan tetapi
juga karena keterbatasan sarana dan prasarana rumah tangga. Suatu rumah
tangga tidak memiliki fasilitas buang air besar belum tentu dapat dikatakan
miskin karena tingkat perekonomiannya cukup tinggi. Hal ini terjadi karena
rumah tangga tersebut menerapkan pola kehidupan tempat tinggalnya.
Selama ini pemerintah telah berupaya mengatasi permasalahan
kemiskinan. Salah satunya yaitu dengan memberikan bantuan kepada rumah
tangga miskin antara lain dengan memberikan bantuan langsung tunai
(BLT), pemberian kartu jaminan kesehatan dan lain sebagainya. Namun
permasalahan mendasar yang sangat penting dan dapat mengganggu
keberhasilan program ini adalah salah sasaran (mis-targeting). Salah satu
penyebabnya adalah belum adanya informasi mengenai kondisi aktual
kemiskinan pada setiap kabupaten.
Untuk mengatasi hal tersebut, pemerintah memerlukan gambaran
kondisi sosial ekonomi kabupaten/kota di Indonesia berupa kegiatan
evaluasi dan studi kasus yang dapat mengelompokkan kabupaten-kabupaten
di Indonesia untuk mengetahui karakteristik kabupaten tersebut dalam
bidang kemiskinan. Sehingga dapat menentukan kabupaten mana saja yang
diprioritaskan untuk mendapatkan bantuan dari pemerintah.
Dalam statistika, salah satu metode yang digunakan untuk
mengelompokkan variabel atau objek adalah analisis klaster. Analisis
klaster merupakan suatu metode untuk mengelompokkan variabel atau
objek ke dalam beberapa kelompok. Setiap unit pengamatan dalam satu
3
kelompok akan mempunyai ciri yang relatif sama sedangkan antar
kelompok unit pengamatan memiliki sifat yang berbeda [1].
Ada beberapa metode pengelompokkan dalam analisis klaster, antara
lain k-means klaster dan k-median klaster. Berdasarkan penelitian Yanne
Flowrensia (2010) pada kasus pengelompokkan karakteristik tanaman bunga
iris, metode pengelompokkan k-median lebih baik dibandingkan k-means
dalam pengelompokkan data yang mengandung outlier [5] .
Pengelompokkan ini bermanfaat bagi pemerintah dalam menentukan
kabupaten mana saja yang diprioritaskan untuk mendapatkan bantuan. Oleh
karena itu penulis tertarik untuk melakukan penelitian mengenai hal tersebut
dengan judul “ Analisis Klaster K-Means dan K-Median pada data
indikator kemiskinan studi kasus data indikator kemiskinan kabupaten
di Indonesia Tahun 2009”.
1.2 Permasalahan
Rumusan masalah penelitian ini dapat dirinci ke dalam beberapa
pertanyaan penelitian sebagai berikut :
1. Bagaimana hasil pengklasifikasian K-Means dan K-Median.
2. Kabupaten mana saja di Indonesia yang diprioritaskan untuk
mendapatkan bantuan dari pemerintah untuk periode 2010 hingga 2015.
1.3 Pembatasan Masalah
Agar dalam pembahasan tidak terlalu luas dan hasilnya dapat
mendekati pokok permasalahan, maka dalam penelitian ini hanya
membahas pengelompokkan pada data kemiskinan kabupaten di Indonesia
4
tahun 2009 serta analisis yang dilakukan berdasarkan data-data yang
diperoleh pada waktu penelitian.
1.4 Tujuan Penelitian
Penelitian ini dilakukan dengan tujuan sebagai berikut :
1. Untuk membandingkan hasil klasifikasi K-Means dengan hasil
klasifikasi K-Median.
2. Mengelompokkan kabupaten-kabupaten di Indonesia berdasarkan
indikator kemiskinan untuk mengetahui kabupaten mana yang perlu
mendapatkan prioritas bantuan dari pemerintah agar program
pemerintah tepat sasaran.
1.5 Manfaat Penelitian
Hasil penelitian ini diharapkan dapat digunakan untuk :
1. Manfaat Teoritis
Dapat digunakan sebagai bahan referensi untuk penelitian lanjutan,
dengan tema yang sama akan tetapi dengan metode dan teknik analisa
yang berbeda. Sehingga dapat dilakukan proses verifikasi demi kemajuan
ilmu pengetahuan.
2. Manfaat Praktis
a. Bagi pemerintah
Sebagai dasar untuk menentukan kabupaten mana saja yang harus
diprioritaskan untuk mendapat bantuan, sehingga tidak terjadi lagi
salah sasaran.
5
b. Bagi penulis
Hasil penelitian ini dapat dijadikan bahan temuan awal untuk
melakukan penelitian lebih lanjut mengenai indikator-indikator
kemiskinan, serta dapat menerapkan ilmu-ilmu yang telah didapat
selama kuliah.
c. Bagi pembaca
Hasil penelitian diharapkan dapat digunakan sebagai bahan bacaan
dan acuan bagi pembaca yang sedang melakukan penelitian di bidang
kemiskinan.
6
BAB II
TINJAUAN PUSTAKA
2.1 Kesejahteraan
Kesejahteraan mencakup bidang-bidang kehidupan yang sangat luas
dan semua aspeknya tidak dapat diukur. Sebuah keluarga dapat dikatakan
sejahtera apabila seluruh kebutuhan jasmani dan rohani dari keluarga
tersebut dapat terpenuhi sesuai dengan tingkat hidup masing-masing
keluarga [2].
Kesejahteraan dalam konsep dunia modern adalah sebuah kondisi
dimana seorang dapat memenuhi kebutuhan pokok, baik itu kebutuhan akan
makanan, pakaian, tempat tinggal, air minum yang bersih serta kesempatan
untuk melanjutkan pendidikan dan memiliki pekerjaan yang memadai yang
dapat menunjang kualitas hidupnya sehingga memiliki status sosial yang
mengantarkan pada status sosial yang sama terhadap sesama warga lainnya
[2].
2.2 Kemiskinan
Masalah sosial bersifat relatif, namun secara pasti banyak sekali
permasalahan sosial yang terjadi dalam masyarakat Indonesia. Untuk
memudahkan penanganannya, pemerintah mengklasifikasikan masalah
sosial dalam lima masalah utama, yaitu kemiskinan, kecacatan,
keterlantaran, ketunaan sosial, dan kebencanaan. Namun di antara kelima
7
masalah sosial tersebut, kemiskinan merupakan akar utama terjadinya
seluruh permasalahan sosial.
BPS mendasarkan pada besarnya Rupiah yang dibelanjakan
perkapita perbulan untuk memenuhi kebutuhan minimum makanan dan non
makanan. Kebutuhan minimum makanan menggunakan patokan 2100 kalori
perhari. Kebutuhan non makanan meliputi perumahan, sandang, aneka
barang dan jasa. Pengeluaran bukan makanan dibedakan antara perkotaan
dan pedesaan. Pola ini telah dianut oleh BPS sejak tahun 1976.
Kemiskinan adalah keadaan dimana terjadi kekurangan hal-hal yang
biasa untuk dimiliki seperti makanan, pakaian, tempat berlindung, dan air
minum, hal ini berhubungan erat dengan kualitas hidup. Secara konseptual,
kemiskinan dapat dikategorikan menjadi dua, yaitu :
1. Kemiskinan kronis (chronic poverty) yang terjadi secara simultan atau
disebut juga sebagai kemiskinan struktural. Fakir miskin atau rumah
tangga miskin memerlukan penanganan yang menyeluruh, terpadu secara
lintas sektor, dan berkelanjutan.
2. Kemiskinan sementara (transient poverty) yang ditandai dengan
menurunnya pendapatan dan kesejahteraan masyarakat secara sementara
sebagai akibat dari perubahan kondisi normal menjadi kondisi kritis,
bencana alam dan bencana sosial, seperti korban konflik sosial.
Kemiskinan sementara jika tidak ditangani secara serius dapat menjadi
kemiskinan kronis.
8
Kemiskinan memiliki beberapa ciri sebagai berikut :
1. Ketidakmampuan memenuhi kebutuhan konsumsi dasar (pangan,
sandang dan papan).
2. Ketiadaan akses terhadap kebutuhan hidup dasar lainnya (kesehatan,
pendidikan, sanitasi, air bersih dan transportasi).
3. Ketiadaan jaminan masa depan (karena tiadanya investasi untuk
pendidikan dan keluarga).
4. Kerentanan terhadap goncangan yang bersifat individual maupun massal.
5. Rendahnya kualitas sumber daya manusia dan keterbatsaan sumber alam.
6. Ketidakterlibatan dalam kegiatan sosial masyarakat.
7. Ketiadaaan akses terhadap lapangan kerja dan mata pencaharian yang
berkesinambungan.
8. Ketidakmampuan untuk berusaha karena cacat fisik maupun mental.
9. Ketidakmampuan dan ketidaksinambungan sosial (anak terlantar, wanita
korban tindak kekerasan rumah tangga, janda miskin, kelompok marjinal
dan terpencil).
Terdapat 14 indikator kemiskinan yaitu luas lantai, jenis lantai, jenis
dinding, fasilitas buang air besar, sumber air minum, sumber penghasilan
kepala rumah tangga, sumber penerangan rumah tangga, jenis bahan bakar
untuk memasak setiap hari, frekuensi pembelian pakaian baru dalam
setahun, frekuensi mengkonsumsi daging atau susu dalam seminggu,
9
frekuensi makan dalam sehari, biaya kesehatan, pendidikan tertinggi kepala
rumah tangga, dan tabungan [12].
2.3 Analisis Klaster
Analisis klaster merupakan teknik multivariate (banyak variabel)
yang berfungsi mengelompokkan beberapa variabel atau objek [9]. Dalam
analisis klaster, ingin mengetahui pengaruh dari setiap variabel bebas, baik
secara individu maupun bersama terhadap variabel tidak bebas.
Tujuan utama analisis klaster adalah mengklasifikasi objek seperti
orang, produk atau barang, perusahaan, ke dalam kelompok-kelompok yang
homogeny dan didasarkan pada suatu set variabel yang dipertimbangkan
untuk diteliti. Pembentukan klaster didasarkan pada kuat tidaknya hubungan
antar variabel. Suatu objek dimasukkan ke dalam suatu klaster atau
kelompok sehingga lebih berhubungan (berkorelasi) dengan objek lainnya
di dalam klasternya dibandingkan dengan objek di klaster lain.
Terdapat dua metode dalam analisis klaster, yaitu metode hirarki dan
metode non-hirarki. Pada metode non-hirarki umumnya digunakan jika
banyaknya satuan pengamatan besar dan banyaknya klaster telah ditentukan
sebelumnya. Sedangkan pada metode hirarki banyaknya satuan pengamatan
tidak begitu besar dan banyaknya klaster tidak ditentukan sebelumnya.
10
2.4 Ukuran Kemiripan
Ukuran kemiripan yang biasa digunakan dalam analisis klaster
adalah jarak Euclidean dan jarak Mahalanobis [4]. Jarak Euclidean
digunakan jika variabel amatan saling bebas atau tidak berkorelasi satu
sama lain (tidak terjadi multikolinieritas). Namun jika terjadi
multikolinieritas, dapat diatasi dengan mentransformasi data menggunakan
Principle Component Analysis (PCA) karena bila data yang digunakan
dalam analisis klaster adalah data skor komponen dari hasil PCA, maka
tidak akan ditemukan lagi adanya Multikolinieritas [7]. Jarak Euclidean
dirumuskan sebagai berikut :
d(i,j) = ∑ ( 푥 − 푥 ) i= 1...471 ; j = 1 ... 7 (2.1)
dimana d(i,j) = jarak antara objek i dan objek j
xik = nilai objek i pada variabel ke k
xjk = nilai objek j pada variabel ke k
p = banyak variabel yang diamati
Jika terjadi multikolinieritas selain dengan mentransformasi data
dengan PCA dapat juga menggunakan ukuran jarak Mahalanobis. Jarak
Mahalanobis dirumuskan sebagai berikut :
d(i,j) = 풙풊풌 − 풙풋풌 푆 ( 풙풊 − 풙풋) 푖 = 1,2,3, . .471; 푗 = 1,2,3, . . ,7 (2.2)
dengan xi dan xj sebagai vektor dari nilai objek i dan j, sedangkan S
merupakan matriks kovarian.
11
2.5 K-Means Klaster
K-Means merupakan metode pengelompokkan yang paling terkenal
dan banyak digunakan di berbagai bidang karena sederhana dan mudah
diimplementasikan. K-means merupakan metode pengklasteran secara
partitioning yang memisahkan data ke dalam kelompok yang berbeda.
K-means merupakan salah satu metode pengelompokkan data
nonhirarki yang berusaha membagi data yang ada ke dalam bentuk dua atau
lebih kelompok [13]. Metode ini dikembangkan oleh Mac Queen pada tahun
1967.
Tujuan dari pengelompokkan data ini adalah untuk
meminimalisasikan fungsi objektif dalam proses pengelompokkan, yang
pada umumnya berusaha meminimalisasikan ragam di dalam suatu
kelompok dan memaksimalkan ragam antar kelompok.
Dasar algoritma K-means adalah sebagai berikut :
1. Diberikan nilai k sebagai jumlah klaster yang ingin dibentuk.
2. Bangkitkan k centroid (titik pusat klaster) awal secara random.
3. Hitung jarak setiap data ke masing-masing pusat klaster yaitu
menggunakan Euclidean Distance.
4. Kelompokkan setiap data berdasarkan jarak terdekat antara data dengan
pusatnya.
5. Tentukan posisi pusat klaster baru (Ckj) dengan cara menghitung nilai
rata-rata dari data-data yang ada pada pusat klaster yang sama.
퐶 = ⋯
푗 = 1,2, … ,7 (2.3)
12
퐶 = pusat klaster ke-k pada variabel ke-j
푎 = banyak data pada klaster ke-k
2.6 K-Median Klaster
K-median merupakan salah satu metode dalam pengelompokkan.
Namun jika pada K-means pengelompokkan berdasarkan nilai rataannya,
pada K-median pengelompokkan didasarkan pada nilai mediannya [8].
Misalkan terdapat N buah data, jarak antara objek ke-i, 푥 dan objek
ke-j, 푥 dinotasikan dengan 퐶 . Dalam pemilihan suatu objek yang
representatif dalam suatu klaster (median awal), 푦 didefinisikan sebagai
variabel biner 0 dan 1, dimana y = 1 jika objek ke-i dipiih sebagai median
awal. Penempatan setiap objek ke-j ke salah satu median awal dituliskan
sebagai 푋 , dengan 푋 bernilai 0 dan 1. Jika objek j ditempatkan ke klaster
dimana objek i sebagai median maka 푋 = 1.
Berdasarkan definisi di atas, maka :
min ∑ ∑ 퐶 푋 (2.4)
dengan ` ∑ 푋 = 1 , ∀ 푗 ∈ 푁 (2.5)
푋 ≤ 푦 ∀ 푖, 푗 ∈ 푁 (2.6)
∑ 푦 = 푘 , 푘 = jumlah klaster (2.7)
푋 ∈ {0,1} ,∀ 푖, 푗 ∈ 푁 (2.8)
푦 ∈ {0,1} ,∀ 푖 ∈ 푁 (2.9)
13
Persamaan (2.4) menyatakan bahwa klaster yang terbentuk dengan
menempatkan setiap objek ke median yang terdekat. Persamaan (2.5)
menyatakan bahwa setiap objek ditempatkan pada sebuah median.
Persamaan (2.6) menyatakan bahwa penempatan objek didasarkan pada
median. Persamaan (2.7) menyatakan bahwa hanya terdapat sebuah objek
yang akan dipilih median.
Dasar algoritma K-median adalah sebagai berikut :
1. Diberikan nilai k sebagai jumlah klaster yang ingin dibentuk.
2. Bangkitkan k centroid (titik pusat klaster) awal secara random.
3. Hitung jarak setiap data ke masing-masing pusat klaster yaitu
menggunakan Euclidean Distance.
4. Kelompokkan setiap data berdasarkan jarak terdekat antara data dengan
pusatnya.
5. Tentukan posisi pusat klaster baru (Ck) dengan cara menghitung nilai
median data-data yang ada pada pusat klaster yang sama.
2.7 Analisis Diskriminan
Analisis Diskriminan merupakan suatu analisis dengan tujuan
membentuk sejumlah fungsi melalui kombinasi linear variabel-variabel asal,
yang dapat digunakan sebagai cara terbaik untuk memisahkan kelompok-
kelompok individu. Fungsi yang terbentuk melalui analisis ini selanjutnya
dinamakan fungsi diskriminan [11].
Analisis diskriminan dapat digunakan jika variabel terikat terdiri dari
dua kelompok. Apabila klasifikasi terdiri dari tiga kelompok atau lebih
14
maka teknik yang digunakan adalah analisis diskriminan multipel (multiple
discriminant analysis).
Analisis diskriminan menghubungkan satu variabel terikat (non
metrik, nominal atau ordinal) dengan satu atau beberapa variabel bebas
sebagai prediktor yang merupakan metrik (interval atau rasio).
Tujuan analisis diskriminan adalah sebagai berikut :
1. Membuat suatu fungsi diskriminan atau kombinasi linier dari prediktor
atau variabel bebas yang bisa mendiskriminasi atau membedakan
kategori variabel terikat atau kelompok. Artinya mampu membedakan
suatu objek masuk kelompok atau kategori yang mana.
2. Menguji apakah ada perbedaan signifikan antar kelompok dikaitkan
dengan variabel bebas atau prediktor.
3. Menentukan prediktor atau variabel bebas mana yang memberikan
sumbangan terbesar terhadap terjadinya perbedaan antar kelompok.
4. Mengklasifikasi objek ke dalam suatu kelompok didasarkan pada nilai
variabel bebas.
5. Mengevaluasi keakuratan klasifikasi.
Adapun dalam penelitian ini tujuan yang ingin dicapai yaitu untuk
mengevaluasi keakuratan dalam mengklasifikasi.
15
Untuk menghitung seberapa besar ketepatan klasifikasi terdapat
beberapa metode, salah satunya adalah Appearent Error Rate (APER).
APER adalah persentase kesalahan yang dikelompokkan salah. APER
dihitung berdasarkan persamaan sebagai berikut :
(2.10)
1
1
l
jMj
l
jj
nAPER
n
16
BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder hasil
Survei Sosial Ekonomi Nasional (SUSENAS) tahun 2009 yang
dilaksanakan oleh Badan Pusat Statistik (BPS). Data yang digunakan berupa
data indikator kemiskinan untuk seluruh kabupaten/kota di seluruh
Indonesia, yang terdiri dari 471 kabupaten atau kota. Data tersebut
disesuaikan dengan ketersediaan data yang ada.
3.2 Variabel Penelitian
Variabel-variabel yang digunakan pada penelitian ini dibagi dalam
beberapa bidang sebagai berikut :
a. Variabel Bidang Pekerjaan
Pengelompokkan pekerjaan dibedakan dalam dua kelompok yaitu
bekerja di bidang formal dan informal. Pekerja sektor formal adalah
seseorang yang bekerja dengan dibantu karyawan/pegawai tetap atau
bekerja sebagai karyawan/pegawai. Sedangkan pekerja di sektor
informal adalah seseorang yang berusaha sendiri, berusaha dengan
buruh tidak tetap atau buruh tidak dibayar.
b. Variabel Fasilitas Perumahan
Sebuah rumah dikategorikan rumah sehat apabila luas lantai
perkapita yang ditempati minimal sebesar 8 m2 [2].
17
Rumah tangga pengguna air bersih adalah persentase rumah
tangga yang menggunakan air minum yang berasal dari air mineral, air
leding atau PAM, pompa air, sumur atau mata air terlindung dengan
jarak ke penampungan lebih dari 10 meter.
c. Variabel Program Pemerintah
Beras untuk masyarakat miskin (Raskin) adalah salah satu
program pemerintah untuk membantu rakyat miskin dalam memenuhi
kebutuhan makanan sehari-hari. Raskin diselenggarakan oleh Badan
Urusan Logistik (Bulog) dengan cara menjual beras dengan harga
murah bersubsidi.
Variabel yang digunakan dalam penelitian ini disesuaikan dengan
ketersediaan data. Berikut adalah variabel-variabel yang digunakan:
X1 : jumlah penduduk miskin yang bekerja di bidang formal.
X2 : jumlah penduduk miskin bekerja di bidang informal.
X3 : jumlah rumah tangga dengan luas lantai kurang dari 8 m2.
X4 : jumlah rumah tangga dengan luas lantai lebih dari 8 m2.
X5 : jumlah rumah tangga menggunakan air bersih.
X6 : jumlah rumah tangga menggunakan jamban sendiri.
X7 : jumlah rumah tangga penerima raskin.
18
3.3 Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk mengetahui ada tidaknya
korelasi antar variabel. Uji multikolinieritas dilakukan dengan
menggunakan nilai Variance inflation factor (VIF). Jika nilai VIF lebih
besar dari 5, maka variabel tersebut mempunyai permasalahan
multikolinieritas dengan variabel bebas lainnya [10].
3.4 Uji Normal Multivariate
Pengujian asumsi normal multivariate dilakukan pada masing-
masing data tiap klaster untuk mengetahui apakah data pada tiap klaster
tersebut menyebar mengikuti sebaran normal multivariate, dengan langkah-
langkah sebagai berikut :
a. Menghitung jarak Mahalanobis (di2) pada kelompok ke-i dengan
persamaan :
di2 = (xi - 풙횤)T S-1 (xi - 풙횤) i = 1, 2, ..., n (3.1)
di2 = jarak Mahalanobis
xi = vektor kolom berisi nilai-nilai pengamatan
풙횤 = vektor kolom berisi rataan kelompok ke-i
S = matriks kovarians
b. Mengurutkan di2 dari yang terkecil ke terbesar sehingga d1
2 < d22 < .... <
dn2 dengan n menyatakan jumlah amatan.
c. Untuk setiap nilai di2, dihitung ( , )
d. Mencari nilai χ2 untuk setiap persentil dari sebaran χ2 dengan p derajat
bebas pada tabel Khi-kuadrat.
19
e. Membuat plot antara χ2 dengan di2
Jika x ~ Np (풙, 푺) maka (xi - 풙횤)t S-1 (xi - 풙횤) ~ χ2 (p)
Apabila plot antara jarak Mahalanobis dan Khi-kuadrat mengikuti
pola garis lurus maka dapat dikatakan bahwa data berdistribusi normal
multivariate [6].
3.5 Metode Kerja
Setelah data diperoleh, langkah selanjutnya adalah melakukan
analisis data dengan menggunakan metode K-Means klaster dan K-Median
klaster. Tahapan analisis yang dilakukan sebagai berikut :
1. Menentukan banyaknya klaster yang akan dibentuk.
Dalam penelitian ini klaster yang ingin dibentuk adalah 2 klaster.
2. Lakukan metode pengklasteran K-Means dan K-Median dengan k klaster
yang didapat pada langkah 1. Tahapan yang dilakukan pada metode k-
means adalah sebagai berikut :
a. Menentukan pusat klaster awal secara acak.
b. Menghitung jarak antara setiap objek dengan pusat klaster
c. Masukkan tiap objek ke satu klaster yang memiliki jarak terdekat
dengan pusat klasternya.
d. Menghitung kembali pusat klaster yang terbentuk.
e. Ulangi dari langkah b sampai tidak ada perpindahan objek antar
klaster.
20
3. Mendeskripsikan karakteristik klaster.
Dalam mendeskripsikan klaster digunakan persamaan
X =∑
i = 1,2,3...n j=1,2,3...q (3.2)
dengan X = Rata-rata sampel (rata-rata variabel pada klaster tertentu).
nj = banyak anggota pada klaster ke-j.
xij = nilai data ke-i pada variabel ke-j
4. Uji Variance
Uji Variance dilakukan untuk melihat apakah variabel-variabel yang
telah membentuk klaster memiliki perbedaaan pada tiap klaster, serta
untuk melihat variabel yang paling berpengaruh terhadap pembentukan
klaster [9]. Hal ini dapat dilihat dengan menggunakan konsep sebagai
berikut :
푦 = 푖 = 1,2 (3.3)
푦 = rata-rata setiap variabel pada klaster ke-i
푀 = jumlah anggota pada klaster ke-i
푦 = ∑ ∑ (3.4)
푦 = rataan populasi dari variabel
푁 = banyaknya klaster
푦 = (3.5)
푦 = rata-rata populasi
푦 = nilai data ke-j pada variabel ke-k
21
휎 = ∑ ( ) 푖 = 1,2 (3.6)
휎 = variansi pada klaster ke-i
푦 = nilai data ke-j pada klaster ke-i
Internal homogenity variance within cluster (휎 ).
휎 = ∑ (3.7)
휎 = variansi dalam klaster
External homogenity variance between cluster (휎 ).
휎 = ∑ ( ) (3.8)
휎 = variansi antar klaster
휎 = (3.9)
Semakin besar nilai 휎 suatu variabel, maka semakin besar perbedaan
variabel tersebut pada ketiga klaster yang terbentuk. Hal ini dapat
digunakan sebagai metode pembanding untuk mengetahui metode
pengelompokkan mana yang lebih baik. Semakin besar nilai 휎 pada
setiap variabel maka semakin baik metode pengelompokkan tersebut.
5. Analisis Diskriminan
Analisis Diskriminan digunakan sebagai metode pembanding dalam
mengetahui seberapa besar ketepatan pengklasteran antara metode k-
means dengan k-median. Hal ini dapat dilihat dari besar nilai ketepatan
klasifikasi. Jika nilai ketepatan klasifikasi semakin besar, maka
22
pengklasteran semakin baik. Sedangkan jika nilai ketepatan klasifikasi
semakin kecil, maka pengklasteran kurang baik.
Tabel 3.1. Tabel klasifikasi
D Prediksi Total 1 2
Aktual 1 C11 C12 C11+C12 2 C21 C22 C21+C22
D = diskriminan
Menghitung seberapa besar ketepatan klasifikasi dengan
menggunakan Correct Classification Rate (CCR). CCR merupakan
persentase ketepatan nilai amatan dan dugaannya, CCR dihitung dengan
persamaan sebagai berikut :
CCR = Jumlah prediksi yang tepat x 100% Jumlah data
CCR = , , ∑ ∑
x 100% (3.10)
Menghitung persentase kesalahan dalam klasifikasi dihitung
menggunakan APER yaitu sebagai berikut :
APER = , ,
∑ ∑ x 100% (3.11)
Semakin kecil nilai APER maka tingkat ketepatan klasifikasi
semakin baik.
23
3.6 Alur Penelitian
Gambar 3.1 Alur penelitian
Setelah data diperoleh langkah selanjutnya adalah menentukan
banyaknya klaster yang ingin dibentuk, kemudian dilakukan analisis
klaster k-means dan k-median, dan membandingkan nilai ketepatan
klasifikasi kedua metode tersebut dengan menggunakan metode analisis
diskriminan dan uji variance.
Mulai
Mengumpulkan Data
Analisis Klaster 1. K-Means 2. K-Median
Menghitung ketepatan klasifikasi
Menentukan Banyaknya klaster
Selesai
Membandingkan hasil klasifikasi dengan metode analisis diskriminan dan uji variance
24
BAB IV
HASIL DAN PEMBAHASAN
4.1 Deskripsi data
Berikut adalah deskripsi statistik yang digunakan untuk melihat
gambaran dari data.
Tabel 4.1. Deskripsi data
Variabel Rataan Ragam
Jumlah penduduk miskin yang bekerja di bidang formal (X1) 14.739,49 469.459.833,04 Jumalah penduduk miskin yang bekerja di bidang informal (X2) 50.372,92 3.619.953.702,63 Jumlah rumah tangga dengan luas lantai kurang dari 8 m2 (X3) 25.890,00 923.186.607,24 Jumlah rumah tangga dengan luas lantai lebih dari 8 m2 (X4) 25.497,21 1.292.524.266,99 Jumlah rumah tangga menggunakan air bersih (X5) 28.565,88 1.525.767.394,16 Jumlah rumah tangga menggunakan jamban sendiri (X6) 37.728,63 2.320.940.940,61 Jumlah rumah tangga penerima raskin (X7) 52.043,21 4.920.493.964,93
Berdasarkan Tabel 4.1 terlihat bahwa secara rata-rata sebagian besar
penduduk miskin di indonesia bekerja di bidang informal yaitu sebesar
50.372 jiwa. Selain itu jumlah penerima raskin juga masih cukup tinggi
yaitu sebesar 52.043 rumah tangga.
25
4.2 Pengujian Asumsi Multikolinieritas
Sebelum dilakukan pengklasteran, dilakukan uji asumsi
Multikolinieritas untuk mengetahui ukuran kemiripan apa yang dapat
digunakan. Pengujian multikolinieritas didapat hasil sebagai berikut :
Tabel 4.2. Nilai VIF setiap variabel
Variabel VIF X1 2,915 X2 3,232 X3 2,473 X4 2,147 X5 1,629 X6 1,593 X7 1,201
Berdasarkan Tabel 4.2 terlihat bahwa nilai VIF untuk setiap variabel
bernilai kurang dari 5. Sehingga dapat disimpulkan bahwa tidak terjadi
multikolinieritas pada variabel-variabel tersebut. Oleh karena itu, dalam
melakukan pengklasteran dapat menggunakan jarak Euclidean.
4.3 Pembentukan Klaster K-Means
Hasil pengklasteran dengan menggunakan metode K-means adalah
sebagai berikut :
a. Jumlah Anggota Klaster
Tabel 4.3. Jumlah anggota pada setiap klaster k-means
Klaster jumlah anggota 1 395 2 76
jumlah 471
26
Berdasarkan Tabel 4.3 hasil pengklasteran didapat 2 klaster dengan
jumlah anggota pada klaster pertama adalah 395 kabupaten, klaster kedua
adalah 76 kabupaten dari jumlah kabupaten se-Indonesia sebanyak 471
kabupaten.
b. Karakteristik Klaster
Interpretasi karakteristik dari setiap klaster yang terbentuk adalah
sebagai berikut :
1. Klaster satu
Berdasarkan persamaan 3.2 didapat nilai rata-rata setiap variabel
pada klaster pertama adalah sebagai berikut :
Tabel 4.4 Rata-rata variabel pada klaster 1
Variabel Rata-rata pada klaster 1
X1 8.624,63 X2 28.020,66 X3 19.954,52 X4 13.085,13 X5 14.936,59 X6 20.667,26 X7 25.692,72
Berdasarkan Tabel 4.4 terlihat bahwa pada klaster satu sebagian
besar penduduk miskin bekerja di bidang informal yaitu sebesar
28.020 jiwa, sedangkan pada bidang fasilitas rumah tangga klaster
satu beranggotakan kabupaten/kota yang sebagian besar memiliki
rumah dengan luas lantai kurang dari 8 m2 yaitu sebesar 19.954 rumah
tangga.
27
Anggota klaster satu antara lain Kabupaten Simeuleu, Aceh
Tamiang, Aceh Selatan, Aceh Tenggara, Aceh Timur, Sabang,
Jakarta Selatan, Jakarta Utara, Jakarta Barat, dan untuk selengkapnya
terdapat pada lampiran 1.
2. Klaster Dua
Berdasarkan persamaan 3.2 didapat nilai rata-rata setiap variabel
pada klaster kedua adalah sebagai berikut :
Tabel 4.5. Rata-rata variabel pada klaster 2
variabel rata-rata pada klaster 2
X1 46.520,65 X2 166.545,80 X3 58.609,92 X4 90.007,36 X5 99.402,30 X6 126.402,81 X7 188.996,36
Berdasarkan Tabel 4.5 terlihat bahwa pada klaster dua sebagian
besar penduduk miskin bekerja di bidang informal yaitu sebesar
166.545 jiwa, sedangkan pada bidang fasilitas rumah tangga klaster
dua beranggotakan kabupaten/kota yang sebagian besar memiliki
rumah dengan luas lantai lebih dari 8 m2 yaitu sebesar 90.007 rumah
tangga. Namun rumah tangga dengan luas lantai kurang dari 8 m2 pun
masih cukup tinggi yaitu sebesar 58.609 rumah tangga dan masih
banyaknya penduduk miskin yang menerima raskin yaitu sebesar
188.996 rumah tangga.
28
Anggota klaster dua antara lain adalah Aceh Utara, Lampung
Selatan, Cianjur, Garut, Banyumas, Lombok Barat dan untuk
selengkapnya terdapat pada lampiran 1.
Berdasarkan interpretasi kedua klaster tersebut, dapat
disimpulkan bahwa klaster pertama yaitu klaster pekerja informal
dengan fasilitas rumah tangga cukup memadai. Sedangkan klaster
kedua yaitu klaster pekerja informal dengan fasilitas rumah tangga
kurang memadai. Sehingga kabupaten yang ada pada klaster kedua
lebih membutuhkan bantuan dibandingkan dengan kabupaten yang
ada pada klaster pertama.
c. Uji Variance Klaster K-means
Berdasarkan persamaan (3.7), (3.8), dan (3.9) didapat hasil sebagai
berikut :
Tabel 4.6. Variansi setiap variabel
Variabel X1 718.054.355 611.664.319 1,17393533 X2 9.594.606.413 2.024.722.791 4,73872594
X3 761.100.700 1.641.170.185 0,46375489
X4 2.958.515.061 1.180.758.363 2,50560585
X5 3.567.228.316 1.090.978.948 3,26974991
X6 5.590.002.996 1.555.498.689 3,59370473
X7 13.334.040.132 2.846.127.209 4,68497687
Berdasarkan Tabel 4.6 terlihat bahwa nilai
ଶ terbesar ada pada variabel X2 yaitu sebesar 4,73872594, sehinggaߪ
variabel bekerja di bidang informal adalah variabel yang memiliki
29
perbedaan paling berarti pada klaster 1 dan klaster 2 serta merupakan
variabel yang paling berpengaruh terhadap pembentukan klaster.
4.4 Pembentukan Klaster K-Median
Hasil pengklasteran dengan menggunakan metode K-median adalah
sebagai berikut :
a. Jumlah Anggota Klaster
Tabel 4.7. Jumlah anggota pada setiap klaster k-median
Klaster Jumlah anggota
1 99 2 372
jumlah 471
Berdasarkan Tabel 4.7 hasil pengklasteran didapat 2 klaster dengan
jumlah anggota pada klaster pertama adalah 99 kabupaten dan pada
klaster 2 terdapat 372 kabupaten dari jumlah kabupaten se-Indonesia
sebanyak 471 kabupaten.
30
b. Karakteristik Klaster
Interpretasi karakteristik dari setiap klaster yang terbentuk adalah
sebagai berikut :
1. Klaster 1
Berdasarkan persamaan 3.2 didapat nilai rata-rata setiap
variabel pada klaster pertama adalah sebagai berikut :
Tabel 4.8. Rata-rata setiap variabel pada klaster 1
variabel rata-rata pada klaster 1
X1 42.360,63 X2 146.597,74 X3 54.288,05 X4 79.376,83 X5 89.883,41 X6 113.601,81 X7 165.693,96
Berdasarkan Tabel 4.8 klaster pertama beranggotakan
kabupaten yang sebagian besar penduduknya bekerja di bidang
informal yaitu sebesar 146.597 jiwa, sedangkan pada bidang fasilitas
rumah tangga klaster pertama beranggotakan kabupaten yang
sebagian besar rumah tangganya memiliki rumah dengan luas lantai
lebih dari 8 m2 yaitu sebesar 79.376 rumah tangga. Namun rumah
tangga dengan luas lantai kurang dari 8 m2 pun masih cukup tinggi
yaitu sebesar 54.288 rumah tangga dan masih banyaknya rumah
tangga yang berstatus sebagai penerima raskin yaitu sebesar 165.693
rumah tangga.
31
Anggota klaster satu antara lain adalah Kabupaten Aceh Utara,
Subang, Banyumas, Lamongan, Lombok Barat, Lombok Timur dan
untuk selengkapnya terdapat pada lampiran 1.
2. Klaster Dua
Berdasarkan persamaan 3.2 didapat nilai rata-rata setiap
variabel pada klaster kedua adalah sebagai berikut :
Tabel 4.9. Rata-rata setiap variabel pada klaster 2
variabel rata-rata pada klaster 2
X1 7.388,70 X2 24.764,69 X3 18.332,45 X4 11.158,28 X5 12.247,5 X6 17.536,57 X7 21.797,43
Berdasarkan Tabel 4.9 terlihat bahwa pada klaster kedua
beranggotakan kabupaten yang sebagian besar penduduknya bekerja
di bidang informal yaitu sebesar 24.764 jiwa, sedangkan pada bidang
fasiltas rumah tangga sebagian besar rumah tangga memiliki rumah
dengan luas lantai kurang dari 8 m2, dan rumah tangga penerima
raskin relatif rendah yaitu sebesar 21.797 rumah tangga.
Anggota klaster dua antara lain adalah Kabupaten Simeuleu,
Sabang, Padang, Jakarta Timur, Jakarta Pusat, Kota Bogor dan untuk
selengkapnya terdapat pada lampiran 1.
32
Berdasarkan interpretasi kedua klaster tersebut, dapat disimpulkan
bahwa klaster pertama adalah klaster pekerja informal dengan fasilitas
rumah tangga kurang memadai, sedangkan klaster kedua adalah klaster
pekerja informal dengan fasilitas rumah tangga cukup memadai. Sehingga
kabupaten yang ada pada klaster pertama lebih membutuhkan bantuan
dibandingkan dengan kabupaten yang ada pada klaster kedua.
c. Uji Variance Klaster K-median
Berdasarkan persamaan (3.7), (3.8), dan (3.9) didapat hasil sebagai
berikut :
Tabel 4.10. Variansi setiap variabel
Variabel X1 611.518.110,1 528.972.334,1 1,156049326 X2 7.421.645.859 2.229.769.775 3,328435941
X3 646.402.449,2 1.376.121.469 0,469727756
X4 2.326.885.700 1.100.203.573 2,114959228
X5 3.013.667.582 1.011.294.993 2,980008408
X6 4.614.265.706 1.498.189.586 3,079894393
X7 10.353.109.573 3.063.649.882 3,379338361
Berdasarkan Tabel 4.10 terlihat bahwa nilai
.ଶ terbesar terdapat pada variabel X7 yaitu sebesar 3,379338361ߪ
Sehingga variabel jumlah penerima raskin adalah variabel yang memiliki
perbedaan paling berarti pada klaster 1, dan klaster 2 serta merupakan
variabel yang paling berpengaruh terhadap pembentukan klaster.
33
4.5 Analisis Diskriminan
Untuk mengetahui hasil pengklasteran mana yang lebih baik antara
metode klaster k-means dan k-median dilakukan analisis diskriminan
dengan langkah-langkah sebagai berikut :
a. Pengujian Asumsi Normal Multivariate
Sebelum melakukan analisis diskriminan terlebih dahulu melakukan
pengujian asumsi normal multivariate. Hasil pengujian asumsi normal
multivariate adalah sebagai berikut :
C26
C28
300250200150100500
0,12
0,10
0,08
0,06
0,04
0,02
0,00
Scatterplot of khi-kuadrat vs jarak mahalanobis (iterasi 1)
Gambar 4.1. Scatter plot khi-kuadrat dengan jarak Mahalonobis
Berdasarkan grafik tersebut, terlihat bahwa terdapat satu nilai yang
dideteksi sebagai outlier yaitu data ke 471, maka data tersebut dihilangkan
dari pengamatan.
34
Pada iterasi kedua, setelah menghilangkan data ke 471, didapat hasil
sebagai berikut :
C30
C31
100806040200
0,025
0,020
0,015
0,010
0,005
0,000
Scatterplot khi-kuadrat vs jarak mahalanobis (iterasi 2)
Gambar 4.2. Scatter plot khi-kuadrat dengan jarak Mahalonobis
Pada grafik tersebut terlihat bahwa data berkumpul pada suatu garis.
Sehingga dapat dikatakan asumsi normal multivariate sudah terpenuhi.
b. Menghitung ketepatan klasifikasi
1. K-means
Tabel 4.11. Ketepatan klasifikasi k-means
D Prediksi Total 1 2
Aktual 1 390 4 394 2 3 73 76
Berdasarkan persamaan 3.10 maka didapat persentase ketepatan
klasifikasi klaster k-means sebagai berikut :
CCR = ଷଽାଷସ
x 100 % = 98,51 %
35
Berdasarkan persamaan 3.11 persentase kesalahan dalam
pengklasifikasian adalah sebagai berikut :
APER = ସାଷସ
x 100 % = 1,49 %
Berdasarkan perhitungan tersebut dapat terlihat bahwa nilai
ketepatan klasifikasi k-means sangat tinggi dengan tingkat kesalahan
sebesar 1,49%.
2. K-median
Tabel 4.12. Ketepatan klasifikasi k-median
D Prediksi Total 1 2
Aktual 1 89 10 99 2 0 371 371
Berdasarkan persamaan 3.10 maka didapat persentase ketepatan
klasifikasi klaster k-median adalah sebagai berikut :
CCR = ଼ଽ ାଷଵ ସ
x 100 % = 97,87%
Berdasarkan persamaan 3.11 persentase kesalahan dalam
pengklasifikasian adalah sebagai berikut :
APER = ଵାସ
x 100 % = 2,13 %
36
Berdasarkan perhitungan tersebut dapat terlihat bahwa nilai
ketepatan klasifikasi k-median sangat tinggi dengan tingkat kesalahan
sebesar 2,13%.
Berdasarkan tingkat ketepatan klasifikasi terlihat bahwa nilai
ketepatan klasifikasi k-means (98,51 %) lebih baik dibandingkan k-median
(97,87%).
37
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Pada metode klaster k-means nilai ketepatan klasifikasi adalah
sebesar 98,51% sedangkan pada metode klaster k- median nilai ketepatan
klasifikasi sebesar 97,87%. Selain itu pada uji variance terlihat bahwa pada
beberapa variabel yaitu jumlah pekerja di bidang informal, jumlah rumah
tangga dengan luas lantai lebih dari 8 m2, jumlah rumah tangga
menggunakan air bersih, jumlah rumah tangga menggunakan jamban sendiri
dan jumlah rumah tangga penerima raskin nilai
-ଶ pada pengelompokkan k-means lebih besar dibandingkan dengan kߪ
median. Sehingga disimpulkan bahwa pada kasus ini metode
pengelompokkan k- means lebih baik dibandingkan dengan metode
pengelompokkan k-median.
Berdasarkan hasil penelitian pada metode k-means terdapat 2 klaster
yaitu :
Klaster 1 : kabupaten pekerja informal dengan fasilitas rumah tangga
cukup memadai.
Klaster 2 : kabupaten pekerja informal dengan fasilitas rumah tangga
kurang memadai.
38
Sedangkan pada metode k-median terdapat 2 klaster yaitu :
Klaster 1 : kabupaten pekerja informal dengan fasilitas rumah tangga
kurang memadai.
Klaster 2 : kabupaten pekerja informal dengan fasilitas rumah tangga
cukup memadai.
Berdasarkan hasil pengklasteran dengan metode k-means dapat
dikatakan bahwa kabupaten yang ada pada klaster kedua lebih
membutuhkan bantuan dibandingkan dengan kabupaten yang ada pada
klaster pertama. Sedangkan pada metode k-median dapat dikatakan bahwa
kabupaten yang ada pada klaster pertama lebih membutuhkan bantuan
dibandingkan dengan kabupaten yang ada pada klaster kedua.
5.2 Saran
Selain menggunakan metode k-means dan k-median,
pengelompokkan data juga dapat menggunakan metode klaster k-error.
Penelitian selanjutnya disarankan untuk menambahkan indikator
kemiskinan lainnya untuk hasil pengelompokkan yang lebih baik dan
membandingkan metode k-means dan k-error.
39
DAFTAR PUSTAKA
[1] Agusta, Yudi. K-Means - Penerapan Permasalahan dan Metode Terkait.
Bali : STMIK STIKOM Bali. 2007.
[2] Badan Pusat Statistik. Data dan Informasi Kemiskinan 2009, Buku 2:
Kabupaten/Kota. Jakarta: BPS. 2009.
[3] Budiono, Agung. Analisis komponen utama dan analisis gerombol untuk
pengelompokkan propinsi di Indonesia berdasar peubah industri kecil.
[Skripsi]. Bogor : Jurusan Statistika Fakultas MIPA IPB. 1987.
[4] Durran BS, Odell PL. Cluster Analysis. New York : Springer-Verlay.
Berlin. 1974.
[5] Flowrensia, Yanne. Perbandingan Penggerombolan K-means dan K-
medoid Pada Data Yang Mengandung Pencilan. [Skripsi]. Bogor : Jurusan
Statistika Fakultas MIPA IPB. 2010.
[6] Jhonson, Richard A. Dan Dean W Wichern. Applied multivariate
statistical anlysis. Edisi keempat. New York: Prentice-Hall International,
inc. 1998.
[7] Kaufma L and Peter JR. Findings Group in Data, An Introduction to
Cluster Analysis. New York : Jhon Willey and Sons Inc. 1990.
[8] Kumar, Mahesh dan Nithin R Patel. Clustering data with measurement
Error. New Jersey : Rutcor Research Report of rutgers University. 2005.
40
[9] Ruswandi, Bambang. Diktat Perkuliahan Praktikum Statistika Multivariat.
Jakarta : Program Studi Matematika Fakultas Sains dan Teknologi UIN
Jakarta. 2008.
[10] Setyoko, Mahmud. Uji Asumsi Klasik Statistik Pengaruh Kewenangan,
Kemitraan dan Konflik Terhadap Efektivitas Saluran Distribusi Minyak
Tanah Menggunakan SPSS Versi 13. Semarang : Politeknik Negeri
Semarang. 2008.
[11] Sharma, S. Applied Multivariate Techniques. Jhon Willey & Sons : New
York. 1996.
[12] Sidabutar, Drs. Albert. 14 indikator kemiskinan di rumah tangga, berhak
menerima bantuan langsung tunai.
http://barsamatoba.com/tobasa/berita/14-indikator-kemiskinan-di-rumah-
tangga-berhak-menerima-bntuan-langsung-tunai.html. [24 Februari 2011].
[13] Supranto, Johanes. Analisis Multivariat Arti dan Interpretasi. Rineka Cipta
: Jakarta. 2004.
41
LAMPIRAN
Lampiran 1. Hasil Pengklasteran
kabupaten Kode k-means k-median
Simeuleu 101 1 2 Aceh Singkil 102 1 2 Aceh Selatan 103 1 2 Aceh Tenggara 104 1 2 Aceh Timur 105 1 2 Aceh Tengah 106 1 2 Aceh Barat 107 1 2 Aceh Besar 108 1 2 Pidie 109 1 2 Bireuen 110 1 2 aceh Utara 111 2 1 Aceh Barat Daya 112 1 2 Gayo Lues 113 1 2 Aceh Tamiang 114 1 2 Nagan Raya 115 1 2 Aceh Jaya 116 1 2 Bener Meriah 117 1 2 Pidie Jaya 118 1 2 Banda Aceh 119 1 2 Sabang 120 1 2 Langsa 121 1 2 Lhoukseumawe 122 1 2 Subulussalam 123 1 2 Nias 201 1 1 Mandailing Natal 202 1 2 Tapanuli Selatan 203 1 2 Tapanuli Tengah 204 1 2 Tapanuli Utara 205 1 2 Toba Samosir 206 1 2 Labuhan Batu 204 1 2 Asahan 208 1 2 Simalungun 209 1 2 Dairi 210 1 2 Karo 211 1 2
42
Kabupaten Kode K-means K-median Deli Serdang 212 1 2 Langkat 213 1 1 Nias Selatan 214 1 2 Humbang Hasundutan 215 1 2 Pakpak Bharat 216 1 2 Samosir 217 1 2 Serdang Bedagai 218 1 2 Batu Bara 219 1 2 Padang Lawas Utara 220 1 2 Padang Lawas 221 1 2 Sibolga 222 1 2 Tanjung Balai 223 1 2 Pematang Siantar 224 1 2 Tebing Tinggi 225 1 2 Medan 226 2 1 Binjai 227 1 2 Padang Sidempuan 228 1 2 Kep. Mentawai 301 1 2 Pesisir Selatan 302 1 2 Solok 303 1 2 Sijunjung 304 1 2 Tanah Datar 305 1 2 Padang Pariaman 306 1 2 Agam 307 1 2 Lima Puluh Koto 308 1 2 Pasaman 309 1 2 Solok Selatan 310 1 2 Dharmasraya 311 1 2 Pasaman Barat 312 1 2 Padang 313 1 2 Solok 314 1 2 Sawahlunto 315 1 2 Padang Panjang 316 1 2 Bukit Tinggi 317 1 2 Payakumbuh 318 1 2 Pariaman 319 1 2 Kuantan Senggigi 401 1 2 Indragiri Hulu 402 1 2
43
Kabupaten Kode K-means K-median Indragiri Hilir 403 1 2 Pelalawan 404 1 2 Siak 405 1 2 Kampar 406 1 2 Rokan Hulu 407 1 2 Bengkalis 408 1 2 Rokan Hilir 409 1 2 Pekan Baru 410 1 2 Dumai 411 1 2 Kerinci 501 1 2 Merangin 502 1 2 Sarolangun 503 1 2 Batang Hari 504 1 2 Muaro Jambi 505 1 2 Tjg Jabung Timur 506 1 2 Tjg Jabung Barat 507 1 2 Tebo 508 1 2 Bungo 509 1 2 Jambi 510 1 2 Ogan Komering Ulu 601 1 2 Ogan Komering Ilir 602 1 1 Muara Enim 603 1 2 Lahat 604 1 2 Musi Rawas 605 1 2 Musi Banyuasin 606 1 1 Banyuasin 607 1 1 OKU Selatan 608 1 2 OKU Timur 609 1 2 Ogan Ilir 610 1 2 Empat Lawang 611 1 2 Palembang 612 2 1 Prabumulih 613 1 2 Pagar Alam 614 1 2 Lubuk Linggau 615 1 2 Bengkulu Selatan 701 1 2 Rejang Lebong 702 1 2 Bengkulu Utara 703 1 2 Kaur 704 1 2
44
Kabupaten Kode K-means K-median Seluma 705 1 2 Muko Muko 706 1 2 Lebong 707 1 2 Kepahiang 708 1 2 Bengkulu 709 1 2 Lampung Barat 801 1 2 Tanggamus 802 2 1 Lampung Selatan 803 2 1 Lampung Timur 804 2 1 Lampung Tengah 805 2 1 Lampung Utara 806 2 1 Way Kanan 807 1 2 Tulang Bawang 808 1 2 Pesawaran 809 1 2 Bandar Lampung 810 1 1 Metro 811 1 2 Bangka 901 1 2 Belitung 902 1 2 Bangka Barat 903 1 2 Bangka Tengah 904 1 2 Bangka Selatan 905 1 2 Bangka Timur 906 1 2 Pangkal Pinang 907 1 2 Karimun 1001 1 2 Bintan 1002 1 2 Natuna 1003 1 2 Lingga 1004 1 2 Batam 1005 1 2 Tanjung Pinang 1006 1 2 Kep. Seribu 1101 1 2 Jakarta Selatan 1102 1 2 Jakarta Timur 1103 1 2 Jakarta Pusat 1104 1 2 Jakarta Barat 1105 1 2 Jakarta Utara 1106 1 2 Bogor 1201 2 1 Sukabumi 1202 2 1 Cianjur 1203 2 1
45
Kabupaten Kode K-means K-median Bandung 1204 2 1 Garut 1205 2 1 Tasikmalaya 1206 2 1 Ciamis 1207 2 1 Kuningan 1208 2 1 Cirebon 1209 2 1 Majalengka 1210 2 1 Sumedang 1211 2 1 Indramayu 1212 2 1 Subang 1213 2 1 Purwakarta 1214 1 2 Karawang 1215 2 1 Bekasi 1216 1 1 Bandung Barat 1217 2 1 Kota Bogor 1218 1 2 Kota Sukabumi 1219 1 2 Kota Bandung 1220 1 1 Kota Cirebon 1221 1 2 Kota Bekasi 1222 1 1 Kota Depok 1223 1 2 Kota Cimahi 1224 1 2 Kota Tasikmalaya 1225 2 1 Kota Banjar 1226 1 2 Cilacap 1301 2 1 Banyumas 1302 2 1 Purbalingga 1303 2 1 Banjarnegara 1304 2 1 Kebumen 1305 2 1 Purworejo 1306 1 1 Wonosobo 1307 2 1 Magelang 1308 2 1 Boyolali 1309 2 1 Klaten 1310 2 1 Sukoharjo 1311 1 2 Wonogiri 1312 2 1 Karang Anyar 1313 2 1 Sragen 1314 2 1 Grobogan 1315 2 1
46
Kabupaten Kode K-means K-median Blora 1316 2 1 Rembang 1317 2 1 Pati 1318 2 1 Kudus 1319 1 2 Jepara 1320 1 1 Demak 1321 2 1 Semarang 1322 1 1 Temanggung 1323 1 1 Kendal 1324 2 1 Batang 1325 1 1 Pekalongan 1326 2 1 Pemalang 1327 2 1 Tegal 1328 2 1 Brebes 1329 2 1 Kota Magelang 1330 1 2 Kota Surakarta 1331 1 2 Kota Salatiga 1332 1 2 Kota Semarang 1333 1 2 Kota Pekalongan 1334 1 2 Kota Tegal 1335 1 2 Kulon Progo 1401 1 2 Bantul 1402 2 1 Gunung Kidul 1403 2 1 Sleman 1404 1 1 Kota Yogyakarta 1405 1 2 Pacitan 1501 1 1 Ponorogo 1502 2 1 Trenggalek 1503 2 1 Tulungagung 1504 1 1 Blitar 1505 2 1 Kediri 1506 2 1 Malang 1507 2 1 Lumajang 1508 2 1 Jember 1509 2 1 Banyuwangi 1510 2 1 Bondowoso 1511 2 1 Situbondo 1512 1 2 Probolinggo 1513 2 1
47
Kabupaten Kode K-means K-median Pasuruan 1514 2 1 Sidoarjo 1515 1 1 Mojokerto 1516 1 1 Jombang 1517 2 1 Nganjuk 1518 2 1 Madiun 1519 1 1 Magetan 1520 1 2 Ngawi 1521 2 1 Bojonegoro 1522 2 1 Tuban 1523 2 1 Lamongan 1524 2 1 Gresik 1525 2 1 Bangkalan 1526 2 1 Sampang 1527 2 1 Pamekasan 1528 2 1 Sumenep 1529 2 1 Kota Kediri 1530 1 2 Kota Blitar 1531 1 2 Kota Malang 1532 1 2 Kota Probolinggo 1533 1 2 Kota Pasuruan 1534 1 2 Kota Mojokerto 1535 1 2 Kota Madiun 1536 1 2 Kota Surabaya 1537 2 1 Kota Batu 1538 1 2 Pandeglang 1601 1 2 Lebak 1602 1 1 Tangerang 1603 2 1 Serang 1604 1 2 Kota Tangerang 1605 1 2 Kota Cilegon 1606 1 2 Kota Serang 1607 1 2 Jembrana 1701 1 2 Tabanan 1702 1 2 Badung 1703 1 2 Gianyar 1704 1 2 Klungkung 1705 1 2 Bangli 1706 1 2
48
Kabupaten Kode K-means K-median Karangasem 1707 1 2 Buleleng 1708 1 2 Kota Denpasar 1709 1 2 Lombok Barat 1801 2 1 Lombok Tengah 1802 2 1 Lombok Timur 1803 2 1 Sumbawa 1804 1 1 Dompu 1805 1 2 Bima 1806 1 2 Sumbawa Barat 1807 1 2 Kota Mataram 1808 1 2 Kota Bima 1809 1 2 Sumba Barat 1901 1 2 Sumba Timur 1902 1 2 Kupang 1903 1 1 Timor Tengah Selatan 1904 2 1 Timor Tengah Utara 1905 1 2 Belu 1906 1 2 Alor 1907 1 2 Lembata 1908 1 2 Flores Timur 1909 1 2 Sikka 1910 1 2 Ende 1911 1 2 Ngada 1912 1 2 Manggarai 1913 1 2 Rote Ndao 1914 1 2 Manggarai Barat 1915 1 2 Sumba Barat Daya 1916 1 2 Sumba Tengah 1917 1 2 Nagekeo 1918 1 2 Manggarai Timur 1919 1 2 Kota Kupang 1920 1 2 Sambas 2001 1 2 Bengkayang 2002 1 2 Landak 2003 1 2 Pontianak 2004 1 2 Sanggau 2005 1 2 Ketapang 2006 1 2
49
Kabupaten Kode K-means K-median Sintang 2007 1 2 Kapuas Hulu 2008 1 2 Sekadau 2009 1 2 Melawi 2010 1 2 Kayong Utara 2011 1 2 Kubu Raya 2012 1 2 Kota Pontianak 2013 1 2 Kota Singkawa 2014 1 2 Kotawaringin Barat 2101 1 2 Kotawaringin Timur 2102 1 2 Kapuas 2103 1 2 Barito Selatan 2104 1 2 Barito Utara 2105 1 2 Sukamara 2106 1 2 Lamandau 2107 1 2 Seruyan 2108 1 2 Katingan 2109 1 2 Pulang Pisau 2110 1 2 Gunung Mas 2111 1 2 Barito Timur 2112 1 2 Murung Raya 2113 1 2 Kota Palangka Raya 2114 1 2 Tanah Laut 2201 1 2 Kota Baru 2202 1 2 Banjar 2203 1 2 Barito Kuala 2204 1 2 Tapin 2205 1 2 Hulu Sungai Selatan 2206 1 2 Hulu Sungai Tengah 2207 1 2 Hulu Sungai Utara 2208 1 2 Tabalong 2209 1 2 Tanah Bumbu 2210 1 2 Balanga 2211 1 2 Banjarmasin 2212 1 2 Banjar Baru 2213 1 2 Pasir 2301 1 2 Kutai Barat 2302 1 2 Kutai 2303 1 2
50
Kabupaten Kode K-means K-median Kutai Timur 2304 1 2 Berau 2305 1 2 Malinau 2306 1 2 Bulungan 2307 1 2 Nunukan 2308 1 2 Penajam Paser Utara 2309 1 2 Tana Tidung 2310 1 2 Kota Balikpapan 2311 1 2 Kota Samarinda 2312 1 2 Kota Tarakan 2313 1 2 Kota Bontang 2314 1 2 Bolaang Mongondow 2401 1 2 Minahasa 2402 1 2 Kep. Sangihe Talaud 2403 1 2 Kep. Talaud 2404 1 2 Minahasa Selatan 2405 1 2 Minahasa Utara 2406 1 2 Bolaang Mongondow Utara 2407 1 2 Kep. Sitaro 2408 1 2 Minahasa Tenggara 2409 1 2 Kota Manado 2410 1 2 Kota Bitung 2411 1 2 Kota Tomohon 2412 1 2 Kota Kotamobagu 2413 1 2 Banggai Kepulauan 2501 1 2 Banggai 2502 1 2 Morowali 2503 1 2 Poso 2504 1 2 Donggala 2505 1 2 Toli Toli 2506 1 2 Buol 2507 1 2 Parigi Moutong 2508 1 2 Tojo Una-Una 2509 1 2 Kota Palu 2510 1 2 Selayar 2601 1 2 Bulukumba 2602 1 2 Bantaeng 2603 1 2
51
Kabupaten Kode K-means K-median Jeneponto 2604 1 2 Takalar 2605 1 2 Gowa 2606 1 2 Sinjai 2607 1 2 Maros 2608 1 2 Pangkajene Kepulauan 2609 1 2 Barru 2610 1 2 Bone 2611 1 2 Soppeng 2612 1 2 Wajo 2613 1 2 Sidenreng Rappang 2614 1 2 Pinrang 2615 1 2 Enrekang 2616 1 2 Luwu 2617 1 2 Tana Toraja 2618 1 2 Luwu Utara 2619 1 2 Luwu Timur 2620 1 2 Kota Makassar 2621 1 2 Kota Pare Pare 2622 1 2 Kota Palopo 2623 1 2 Buton 2701 1 2 Muna 2702 1 2 Kendari 2703 1 2 Kolaka 2704 1 2 Konawe Selatan 2705 1 2 Bombana 2706 1 2 Wakatobi 2707 1 2 Kolaka Utara 2708 1 2 Buton 2709 1 2 Konawe Utara 2710 1 2 Kota Kendari 2711 1 2 Kota Baubau 2712 1 2 Boalemo 2801 1 2 Gorontalo 2802 1 2 Pohuwato 2803 1 2 Bone Bolange 2804 1 2 Gorontalo Utara 2805 1 2 Kota Gorontalo 2806 1 2
52
Kabupaten Kode K-means K-median Majene 2901 1 2 Polewali Mamasa 2902 1 2 Mamasa 2903 1 2 Mamuju 2904 1 2 Mamuju Utara 2905 1 2 Maluku Tenggara Barat 3001 1 2 Maluku Tenggara 3002 1 2 Maluku Tengah 3003 1 2 Buru 3004 1 2 Kepulauan Aru 3005 1 2 Seram Bagian Barat 3006 1 2 Seram Bagian Timur 3007 1 2 Kota Ambon 3008 1 2 Kota Tual 3009 1 2 Halmahera Barat 3101 1 2 Halmahera Tengah 3102 1 2 Kepulauan Sula 3103 1 2 Halmahera Selatan 3104 1 2 Halmahera Utara 3105 1 2 Halmahera Timur 3106 1 2 Kota Ternate 3107 1 2 Kota Tidore Kepulauan 3108 1 2 Fakfak 3201 1 2 Kaimana 3202 1 2 Teluk Wondama 3203 1 2 Teluk Bintuni 3204 1 2 Manokwari 3205 1 2 Sorong Selatan 3206 1 2 Sorong 3207 1 2 Raja Ampat 3208 1 2 Kota Sorong 3209 1 2 Merauke 3301 1 2 Jayawijaya 3302 1 2 Jayapura 3303 1 2 Nabire 3304 1 2 Yapin Waropen 3305 1 2 Biak Numfor 3306 1 2 Paniai 3307 1 2
53
Kabupaten Kode K-means K-median Puncak Jaya 3308 1 2 Mimika 3309 1 2 Boven Digoel 3310 1 2 Mappi 3311 1 2 Asmat 3312 1 2 Yahukimo 3313 1 2 Pegunungan Bintang 3314 1 2 Tolikara 3315 1 2 Sarmi 3316 1 2 Keerom 3317 1 2 Waropen 3318 1 2 Supiori 3319 1 2 Mamberamo Raya 3320 1 2 Nduga 3321 1 2 Lanny Jaya 3322 1 2 Mamberamo Tengah 3323 1 2 Yalimo 3324 1 2 Puncak 3325 1 2 Dogiyai 3326 1 2 Jayapura 3327 1 2
54
Lampiran 2. Output Nilai Variance Inflation Factor (VIF)
Lampiran 3. Perhitungan Nilai ߪଶ pada k-means.
55
Lampiran 4. Perhitungan nilai ߪଶ pada k-median.
56
Lampiran 5. Ketepatan klasifikasi K-means.
Classification Resultsb,c
k_means
Predicted Group Membership
Total 1 2
Original Count 1 390 4 394
2 3 73 76
% 1 99.0 1.0 100.0
2 3.9 96.1 100.0
Cross-validateda Count 1 390 4 394
2 3 73 76
% 1 99.0 1.0 100.0
2 3.9 96.1 100.0
a. Cross validation is done only for those cases in the analysis. In cross validation,
each case is classified by the functions derived from all cases other than that case.
b. 98,5% of original grouped cases correctly classified.
c. 98,5% of cross-validated grouped cases correctly classified.
57
Lampiran 6. Ketepatan klasifikasi k-median.
Classification Resultsb,c
k_medi
an
Predicted Group Membership
Total 1 2
Original Count 1 89 10 99
2 0 371 371
% 1 89.9 10.1 100.0
2 .0 100.0 100.0
Cross-validateda Count 1 87 12 99
2 0 371 371
% 1 87.9 12.1 100.0
2 .0 100.0 100.0
a. Cross validation is done only for those cases in the analysis. In cross validation,
each case is classified by the functions derived from all cases other than that case.
b. 97,9% of original grouped cases correctly classified.
c. 97,4% of cross-validated grouped cases correctly classified.
Lampiran 7. Perhitungan Rata-rata setiap Variabel pada klaster k-means.
Lampiran 8. Perhitungan Rata-rata setiap Variabel pada klaster k-median.
Nama : Febriyana
NIM : 107094002893
Tempat Tanggal Lahir : Pandeglang, 5 Februari 1989
Alamat Rumah : Jalan Raya Labuan Km 6
Kp. Kadukanas Rt 01 Rw 01
Desa Sukasari Kec. Kaduhejo
Kab. Pandeglang - Banten
Phone / Hand Phone : 08998944001
Email : [email protected]
Jenis Kelamin : Laki-laki
1. S1 : Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta, Tahun 2007 – 2011
2. SMA : SMAN 1 Pandeglang, Tahun 2004 – 2007 3. SMP : SMPN 1 Pandeglang, Tahun 2001 – 2004 4. SD : SDN 1 Pandeglang, Tahun 1995 – 2001
DAFTAR RIWAYAT HIDUP
Data Pribadi
Riwayat Pendidikan