Anda di halaman 1dari 7

`

Metode Analisis Perencanaan




Analisis Cluster, Analisis Diskriminan & Analisis Komponen Utama
Analisis Cluster

Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan
kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar
kelompok yang satu dengan yang lain. Dalam analisis ini tiap-tiap kelompok bersifat
homogen antara anggota dalam kelompoknya atau dapat dikatakan variasi obyek/individu
dalam satu kelompok yang terbentuk sekecil mungkin (Anderberg,1973).
Analisis cluster merupakan alat analisis data di berbagai situasi berbeda. Sebagai
contoh peneliti yang mengumpulkan data dengan cara kuesioner mungkin menghadapi
banyak observasi yang tidak bermakna sebelum diklasifikasikan secara teratur dalam
kelompok-kelompok. Tujuan primer Analisis Cluster adalah mengetahui struktur data
dengan menempatkan kesamaan objek observasi ke dalam satu grup atau dengan
mengelompokkan sekumpulan objek (case atau variabel ) ke dalam beberapa kelompok
(cluster) yang memiliki karakteristik tertentu dan dapat dibedakan satu sama lain untuk
analisis dan interpretasi lebih lanjut.
Secara garis besar, terdapat dua metode pembentukan cluster, yaitu:
Metode Hirarki
Metode hirarki adalah teknik pengelompokan yang membentuk konstruksi hirarki atau
berdasarkan tingkatan tertentu seperti struktur pohon, sehingga proses pengelompokan
dilakukan secara bertingkat atau bertahap. Metode hirarki dibedakan menjadi dua:
a. Metode Aglomeratif (Agglomerative Methods)
Pada metode aglomerasi, mula-mula setiap objek membentuk cluster masing-
masing. Dua objek dengan jarak terdekat bergabung menjadi satu cluster. Objek lain
akan bergabung dengan cluster yang ada atau objek lain membentuk cluster baru
dengan tetap memperhitungkan jarak kedekatan antar objek. Proses berlangsung
terus sampai akhirnya terbentuk satu cluster yang terdiri atas semua objek. Beberapa
prinsip kemiripan (similarity) antar objek dalam bentuk jarak (distance) yang
digunakan adalah:
1. Single Linkage (Nearest Neighbor Method)
Prinsip yang digunakan adalah aturan jarak minimum dalam pembentukan
cluster.
2. Complete Linkage (Further Neighbor Method)
Merupakan kebalikan dari pendekatan yang digunakan pada single linkage.
Prinsip yang digunakan adalah aturan jarak terjauh objek.
3. Average Linkage Between Group Method (UPGMA = Unweighted Pair-Group
Method Using Arithmetic Average)
Jarak antara dua cluster yang digunakan dalam metode ini merupakan jarak
rata-rata antara semua pasangan objek yang mungkin dari dua buah cluster.
4. Average Linkage Within-Group Method
Merupakan variasi UPGMA. Perbedaannya terletak pada cara pembentukan
cluster sehingga rata-rata jarak antar cluster adalah yang terkecil. Metode ini
memperhitungkan jarak rata-rata semua pasangan objek yang terdapat dalam
dua cluster.
5. Wards Error Sum of Squares Method
Ward merupakan pembentukan cluster yang didasari oleh hilangnya informasi
akibat penggabungan objek antar cluster.
`

Metode Analisis Perencanaan


Analisis Cluster, Analisis Diskriminan & Analisis Komponen Utama
6. Centroid Method
Metode ini mendefinisikan jarak antara dua buah cluster sebagai jarak antara
rataan tiap cluster (centroid) terhadap variabel.
7. Median Method
Metode ini mirip dengan centroid method, dimana perbedaannya terletak pada
perhitungan centroidnya yang tidak menggunakan bobot. Artinya bahwa
perhitungan rataan tiap cluster tidak memperhitungkan ukuran suatu cluster.

b. Metode Divisif (Divisive Methods)
Metode divisif diawali dengan membagi n objek menjadi dua cluster. Tiap cluster
tersebut dibagi dalam dua kelompok lagi dan seterusnya sehingga akan terdapat n
buah kluster yang berisikan hanya satu objek atau n buah cluster yang diinginkan.
Metode Partisi
Metode partisi (nonhirarki) dimulai dengan memilih sejumlah nilai cluster yang
sesuai dengan jumlah yang diinginkan kemudian objek digabungkan ke dalam cluster-
cluster tersebut. Prosedur analisis cluster k-means digunakan untuk mengelompokkan
sejumlah kasus yang besar (>200 kasus) dengan lebih efisien. Metode ini didasarkan pada
nearest centroid sorting yaitu pengelompokan berdasarkan jarak terkecil antara kasus
dan pusat cluster.

Keunggulan Analisis Cluster :
1. Dapat mengelompokan data observasi dalam jumlah besar dan variabel yang relatif
banyak. Data yang direduksi dengan kelompok akan mudah dianalisis.
2. Dapat dipakai dalam skala data ordinal, interval dan rasio

Kelemahan Analisis Cluster
1. Pengelompokan bersifat subyektifitas peneliti karena hanya melihat dari gambar
dendrogram
2. Untuk data yang terlalu heterogen antara objek penelitian yang satu dengan yang lain
akan sulit bagi peneliti untuk menentukan jumlah kelompok yang dibentuk.
3. Metode-metode dipakai memberikan perbedaan yang signifikan, sehingga dalam
perhitungan biasanya masing-masing metode dibandingkan.
4. Semakin besar observasi, biasanya tingkat kesalahan pengelompokan akan semakin
besar (hasil penelitian)

Kegunaan Analisis Cluster dalam Perencanaan
Perencanaan merupakan suatu ilmu yang luas cakupannya, baik itu cakupan materi
maupun wilayah yang dikajinya. Perencanaan juga bertujuan untuk membuat objek yang
direncanakannnya menjadi lebih terarah dengan baik pembangunan dan
pengembangannya. Dalam merencanakan suatu wilayah, diperlukan data data yang
mendetail guna mendukung proses perencanaan wilayah tersebut, namun, tidak mungkin
bagi seorang perencana mampu menganalisis satu per satu secara mendetail wilayah
tersebut. Padahal dalam suatu wilayah tersebut misalnya, terdapat 18 kecamatan yang
memerlukan perencanaan dengan pendekatan yang berbeda-beda.
`

Metode Analisis Perencanaan


Analisis Cluster, Analisis Diskriminan & Analisis Komponen Utama
Oleh karena itu perlu dilakukan suatu pengelompokan dalam objek atau wilayah
amatan tersebut berdasarkan kemiripan karakteristiknya yang disebut analisis cluster.
Hal ini agar memudahkan seorang perencana menganalisis dengan memberikan suatu
pendekatan perencanaan yang sama terhadap objek atau wilayah amatan yang memiliki
kemiripan. Cara ini tentu mengefisienkan dan mengefektifkan waktu, dana, serta proses
perencanaan tersebut.

Analisis Diskriminan

Analisis diskriminan pertama kali dikembangkan oleh Fisher tahun 1936. Prinsip
analisis diskriminan hampir sama dengan analisis regresi, yang Mempunyai Dependen
Variabel (Y) dan Independen Variabel (X) yang mempengaruhi Dependen Variabel.
Analogi yang dipakai untuk analisis regresi dan diskriminan adalah
Depeden Variabel (Y) pada multiple regresi adalah suatu nilai kuantitatif,
sedangkan pada discriminant analysis, dependen variabel adalah suatu nilai
kualitatif.
Pada analisis regresi, variabel dependen (Y) menjadi satu fokus yang berubah
(prediktif) dan variabel independen (X) relatif tetap, sedangkan pada analisis
diskriminan, variabel dependen relatif tetap (kelompok) dan variabel independen
berubah-ubah serta terdistribusi normal.
Analisis Regresi menurunkan perkiraan-perkiraan parameter yang telah
mempunyai kelengkapan statistik, sedang analisis diskriminan merupakan strategi
yang teliti dalam menemukan mean dari pengelompokkan.
Tujuan analisis diskriminan adalah
Untuk mencari model yang sesuai untuk dapat menentukan objek-objek
pengamatan menjadi kelompok-kelompok yang lengkap.
Untuk menentukan kontribusi masing-masing variabel yang terlibat dalam
pengklasifikasian.
Sebagai dasar penentuan apakah suatu variabel tertentu perlu dilibatkan dalam
analisa pengklasifikasian selanjutnya atau tidak.
Analisis Diskriminan merupakan teknik statistik yang cocok untuk menguji hipotesis
dari sekelompok variabel bebas. Uji untuk signifikansi statistik untuk fungsi diskriminan
secara umum diukur dari jarak diantara dua kurva. Jika overlap (wilayah tumpang tindih)
dalam distribusi luasnya kecil, maka fungsi diskriminan dengan baik memisahkan
kelompok, namun jika overlap besar, fungsi kurang baik sebagai pemisah antara
kelompok.
Tahapan analisis diskriminan dimulai dengan beberapa tujuan penelitian, diantaranya
adalah:
Mengidentifikasi perbedaan signifikansi statistik yang ada diantara profil skor
rata-rata dalam seperangkat variabel dari dua atau lebih kelompok.
Menentukan variabel bebas yang memiliki nilai rata-rata paling besar
Menentukan prosedur pengklasifikasian objek (individu, pabrik, produk, dst)
dalam kelompok berdasarkan skor dalam variabel bebas
Menetapkan jumlah dan komposisi diskriminasi diantara kelompok yang dibentuk
dari seperangkat variabel bebas.
`

Metode Analisis Perencanaan


Analisis Cluster, Analisis Diskriminan & Analisis Komponen Utama

Kelebihan Analisis Diskriminan
1. Memberikan perhitungan yang lebih efisien (Sharma, 1996),
2. Fungsi diskriminan berfungsi sebagai aturan yang dapat membedakan objek
pengamatan sekaligus mengelompokkannya ke dalam salah satu kelompok secara
optimal (Johnson dan Wichern, 2002).
3. Analisis Diskriminan cocok untuk permasalahan penelitian dengan variabel terikat
berjenis kategori (nominal atau nonmetrik).

Kelemahan Analisis Diskriminan
1. Asumsi harus terpenuhi, dimana data harus memenuhi distribusi normal
multivariat dan menghasilkan matriks kovarians yang sama setiap populasi
(Johnson dan Wichern, 2002).

Kegunaan Analisis Diskriminan dalam Perencanaan
Dalam sebuah perencanaan suatu wilayah seringkali penelitian penelitian yang
dilakukan dikelompokkan dalam kategori kategori tertentu. Pengkategorian tersebut
sangat membantu dalam proses perencanan karena dapat memudahkan dalam proses
pengarahan perencanaan suatu wilayah yang sesuai dengan kategorinya agar dapat
mencapai tujuan dari sebuah proses perencanaan, yaitu membuat objek yang
direncanakan menjadi lebih baik lagi.
Dalam proses pengkategorian, diperlukan analisis terhadap variabel yang membuat
data data yang dikategorikan termasuk dalam kategori tersebut. Untuk itulah diperlukan
analisis diskriman yang berfungsi mencari variabel pembeda dalam suatu pengkategorian
data.

Analisis Komponen Utama

Dalam statistika, analisis komponen utama (principal component analysis / PCA)
adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara
mentransformasi linier sehingga terbentuk sistem koordinat baru dengan varians
maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi
karakteristik data tersebut secara signifikan.
Analisis komponen utama merupakan suatu tehnik statistik untuk mengubah dari
sebagian besar variabel asli yang digunakan yang saling berkorelasi satu dengan yang
lainnya menjadi satu set variabel baru yang lebih kecil dan saling bebas (tidak berkorelasi
lagi). Jadi analisis komponen utama berguna untuk mereduksi data, sehingga lebih mudah
untuk menginterpretasikan data-data tersebut (Johnson & Wichern, 1982). Analisis
komponen utama merupakan analisis antara dari suatu proses penelitian yang besar atau
suatu awalan dari analisis berikutnya, bukan merupakan suatu analisis yang langsung
berakhir. Misalnya komponen utama bisa merupakan masukan untuk regresi berganda
atau analisis faktor.
PCA dapat dianggap sebagai teknik transformasi data. Stu Daultrey (1976)
menjelaskan PCA sebagai prosedur transformasi yang sebaiknya digunakan atau dapat
juga sebagai prosedur awal untuk mengidentifikasi variabel-variabel untuk monitoring
`

Metode Analisis Perencanaan


Analisis Cluster, Analisis Diskriminan & Analisis Komponen Utama
dan analisis selanjutnya. Total varian (jumlah varian) dari tiap variabel dapat dihitung jika
(1) variabel tersebut dapat diukur secara kuantitatif, (2) tiap variabel mempunyai varian
yang berarti nilai ukuran penyebaran dalam seluruh rata-rata data, dan (3) diantara
variabel mempunyai hubungan (korelasi), contoh: nilai kovarian diantara dua variabel.
PCA dapat dihitung berdasarkan varian-kovarian atau korelasi matrik. Prosedur
perhitungan sebagian besar sama, kecuali penggunaan matrik sebagai input component-
loading. Component-loading yang didapat dari korelasi matrik lebih mudah
diinterpretasikan dibandingkan yang didapat dari matrik varian-kovarian karena nilai
maksimal varian dari tiap variabel akan disebarkan dalam beberapa faktor. Analisis
Komponen Utama biasanya digunakan untuk :
1. Identikasi peubah baru yang mendasari data peubah ganda
2. Mengurangi banyaknya dimensi himpunan peubah yang biasanya terdiri atas peubah
yang banyak dan saling berkolerasi dengan mempertahankan sebanyak mungkin
keragaman data tersebut.
3. Menghilangkan peubah-peubah asal yang mempunyai sumbangan informasi kecil.

Kelebihan Analisis Komponen Utama
1. Mampu menjelaskan pengaruh interaksi tanpa menerangkan pengaruh utamanya .
2. Dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi
karakteristik data tersebut secara signifikan.
3. Analisis komponen utama juga sering digunakan untuk menghindari
masalah multikolinearitas antar peubah bebas dalam model regresi berganda.

Kelemahan Analisis Komponen Utama
1. Kurang memadai untuk menganalisis struktur data yang kompleks dan hanya efektif
menjelaskan pengaruh interaksi tanpa menerangkan pengaruh utamanya (Mattjik,
1998).

Kegunaan Analisis Diskriminan dalam Perencanaan
Dalam lingkup perencanaan wilayah, metode ini sangat berguna dalam
mengidentifikasi potensi ekonomi dalam suatu kawasan dan juga penyebaran dalam
kawasan tersebut. Karena kemampuan tersebut, perencana wilayah sering menggunakan
metode ini untuk menganalisis wilayah dalam berbagai tingkatan administratif, mulai dari
tingkatan nasional hingga kabupaten (Eckey, 1989:4).
Analisis faktor merupakan salah satu metode reduksi data yang bertujuan
menyederhanakan sekumpulan besar data yang saling berkorelasi menjadi kelompok-
kelompok variabel yang lebih kecil (faktor) agar dapat dianalisis dengan mudah. Teori ini
pertama kali digunakan untuk mengatasi permasalahan psikologi oleh Charles Spearman
dalam The American Journal of Psychology tahun 1904 tentang pengukuran intelektual.
Dalam perkembangannya, metode ini telah banyak digunakan oleh berbagai disiplin ilmu,
seperti ilmu politik, ilmu sosial, teknik industri, pertanian, perencanaan wilayah dan kota,
dsb (Dillon, 1984:23).



`

Metode Analisis Perencanaan


Analisis Cluster, Analisis Diskriminan & Analisis Komponen Utama
Kesimpulan

Didalam perencanaan tidak terlepas dari analisis data untuk mendapatkan informasi
mengenai masa lalu dan untuk memprediksi masa depan. Analisisnyang digunakan antara
lain Analisis Komponen Utama (Principal Component Analysis, PCA), Metode Analisis
Gerombol (Cluster Analysis, CA) dan Metode Analisis Fungsi Diskriminan (Discriminant
Function Analysis, DFA) yang mempunyai fungsi dan tujuan tersendiri. Tujuan utama
penggunaan analisis komponen utama adalah untuk mengurangi jumlah variabel yang
akan digunakan pada proses selanjutnya, sedangkan analisis cluster digunakan untuk
mengelompokkan objek-objek pengukuran berdasarkan kesamaan atau ketidaksamaan
karakteristik diantara objek-objek yang diukur (Lebart et al., 1995 yang diacu Lawson et
al., 2001). Sedangkan analisis diskriminan selain digunakan untuk mengetahui apakah
hasil pengelompokkan yang diperoleh dari analisis gerombol memiliki perbedaan yang
nyata juga digunakan untuk mengetahui variabel apa saja yang terdapat pada fungsi
diskriminan yang berperan sebagai pembeda yang nyata dalam pengelompokan tersebut
(Cacoullos & Styan, 1973 yang diacu Lawson et al., 2001).





























`

Metode Analisis Perencanaan


Analisis Cluster, Analisis Diskriminan & Analisis Komponen Utama
Daftar Pustaka

Anonim.2014.Analisis Komponen Utama diunduh pada 20 April 2014 pada
statistikakomputasi.com
Buchori, Imam, et.all. 2007. Bahan Ajar Metode Analisis Perencanaan. Semarang:
Perencanaan Wilayah dan Kota Universitas Diponegoro.
Budyanra. 2010. Ketepatan Pengklasifikasiaan Fungsi Diskriminan. Bandung:
Universitas Padjajaran.