PERMASALAHAN Berdasarkan data BPS pada laporan Sosial Indonesia dari Supas dan Sakemas 1995 didapatkan data

seperti table 1. Mengingat penduduk lansia semakin lama semakin banyak, didasarkan perkiraan BPS pada tahun 2005 penduduk lansia cenderung bertambah atau ada perubahan struktur dari struktur penduduk muda ke struktur penduduk tua. Maka dari itu perlu adanya perhatian ekstra dari pihak pemerintah untuk permasalahan ini. Pembentukan wilayah pembinaan untuk permasalahan lansia dapat dilakukan dengan membentuk wilayah konsentrasi berdasarkan data pada tabel 1. Model analisis cluster sangat mendukung pembentukan wilayah tersebut. Table 1. Enam Kriteria Keterlantaran Lansia Menurut Propinsi
makan makanan pokok < 21kali dalam seminggu 38.67 48.23 50.59 44.1 58.39 52.02 35.59 56.38 70.48 35.99 46.27 30.86 42.28 33.09 makan lauk pauk berprotein tinggi<4kali dalam seminggu 35.7 17.48 18.43 29.77 27.9 35.6 41.56 12.28 31.37 16.25 11.35 15.13 6.28 23.48

propinsi sumatera utara sumatera barat Riau Jambi sumatera selatan bengkulu lampung DKI jakarta jawa barat jawa tengah DI Yogyakarta jawa timur Bali NTB

tidak pernah sekolah / tamat SD 63.13 57.48 67.72 75.99 65.69 71.37 80.64 37.8 70.84 79.3 76.05 82.76 77.96 86.92

memiliki pakaian < 4 stel 16.79 20.6 9.95 27.94 24.67 30.64 34.15 87.24 17.17 19.36 17.45 30.77 25.74 48.28

tidak mempunyai tempat tetap untuk tidur 2.48 0.9 1.58 1.76 5.57 2.17 1.48 1.45 1.82 1.89 1.17 2.01 0.34 3.2

bila sakit tidak diobati 3.33 4.05 3.34 2.55 5.18 4.29 2.78 6.78 5.32 3.97 4.72 3.55 4.87 4.64

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

NTT kalimantan barat kalimantan timur kalimantan selatan kalimantan tengah sulawesi utara sulawesitengah sulawesi selatan sulawesi tenggara irian jaya

87.36 83.48 60.37 76.93 73.43 51.3 66.01 77.62 74.65 52.32

56.75 54.34 50.29 38.72 52.45 58.14 54.47 58.74 72.91 70.04

58.67 38.6 18.78 16.65 18.18 25.58 16.29 10.93 3.19 30.37

49.77 29.46 28.13 29.37 12.72 11.08 32.81 24.03 17.78 16.84

1.42 3.87 6.69 2.77 1.11 1.84 2.47 3.7 1.07 6.58

9.31 7.51 2.68 7.07 1.01 2.89 8.66 6.89 8.78 18.62

Sumber : www.scribd.com/doc/51082541/Analisis-Cluster

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

METODOLOGI Adapun langkah langkah melakukan analisis cluster dengan software adalah sebagai berikut : 1. Melakukan standarisasi data, yaitu dengan cara : a) Membuka software SPSS 17.0 b) Memasukkan data ke dalam DataSet

c) Klik analyze > descriptive statistics > descriptive, kemudian akan muncul kotak dialog descriptives. Variables : semua variable predictor Centang save standardized values as variables. Klik OK

2. Uji korelasi, yaitu dengan cara : a) Klik analyze > correlate > bivariate pada software SPSS 17.0. Kemudian akan muncul kotak dialog Bivariate Correlation. Variables :semua variable prediktor

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

 b) Klik OK untuk mendapatkan output 3. Menghilangkan multikoliniertas dengan analisis komponen utama yaitu dengan cara : a) Buka software Minitab b) Copy data yang telah distandarisasi di software SPSS ke dalam worksheet Minitab

c) Klik stat > multivariate > principal component. Kemudian akan muncul kotak dialog Principal Component Analysis. Variables : semua variable predictor yang telah distandarisasi Number of components to compute : 6 (banyaknya variable predictor yang telah distandarisasi) Type of matrix : covariance (karena menggunakan data yang telah distandarisasi)

Klik storage, kemudian akan muncul kotak dialog Principal components analysis storage. Coefficients : kolom baru dalam worksheet minitab yang akan memuat koefisien
Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

Scores : kolom baru dalam worksheet minitab yang akan memuat skor

Klik OK d) Klik OK untuk mendapatkan output. 4. Mencari banyak klaster. a) Mengcopy skor PC yang terbentuk di Minitab ke dalam dataset SPSS

b) Klik analyze > classify > hierarchical cluster. Memilih hierarchical cluster karena belum diketahui banyak klaster yang akan terbentuk. Kemudian akan muncul kotak dialog Hierarchical Cluster Analysis. Variable(s) : variable skor PC Label Cases by : propinsi

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

 Klik statistics pada kotak dialog Hierarchical Cluster Analysis, kemudian akan muncul kotak dialog Hierarchical Cluster Analysis : Statistics. Centang : agglomeration schedule Centang : Proximity matrix Cluster Membership : None Klik continue.

Klik plots pada kotak dialog Hierarchical Cluster Analysis, kemudian akan muncul kotak dialog Hierarchical Cluster Analysis : Plots. Centang dendogram. Icicle : None. Klik continue.

Klik method pada kotak dialog Hierarchical Cluster Analysis, kemudian akan muncul kotak dialog Hierarchical Cluster Analysis : Method. Cluster Method : Between groups linkage Measure : interval : Euclidean distance Klik continue.

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

 Klik save pada kotak dialog Hierarchical Cluster Analysis, kemudian akan muncul kotak dialog Hierarchical Cluster Analysis : Save. Cluster membership : None. Klik continue.

c) Klik OK pada kotak dialog Hierarchical Cluster Analysis. 5. Keanggotaan klaster. a) Klik analyze > classify > Hierarchical Cluster Analysis. kemudian akan muncul kotak dialog Hierarchical Cluster Analysis Klik statistics pada kotak dialog Hierarchical Cluster Analysis. kemudian akan muncul kotak dialog Hierarchical Cluster Analysis: Statistics. Pilih single solution : Number of clusters : 3 (banyaknya klaster yang terbentuk) Klik continue. Klik OK pada kotak dialog Hierarchical Cluster Analysis.

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

 Klik save pada kotak dialog Hierarchical Cluster Analysis. Kemudian akan muncul kotak dialog Hierarchical Cluster Analysis: Save. Single solution Number of clusters : 3 ( banyak klaster yang terbentuk ) Klik continue

b) Klik OK pada kotak dialog Hierarchical Cluster Analysis. 6. Mencari karakteristik masing masing variable. a) Klik data > select case. Kemudian akan muncul kotak dialog Select Cases. Pilih if condition as satisfied. Klik If

Karakteristik masing masing variable untuk klaster 1.

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

Klik continue. Klik OK pada kotak dialog Select Cases. karakteristik masing masing variable untuk klaster 2.

Klik continue. Klik OK pada kotak dialog Select Cases. karakteristik masing masing variable untuk klaster 3.

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

Klik continue. Klik OK pada kotak dialog Select Cases. b) Klik analyze > descriptive statistics > descriptive. Centang : save standardized values as variables

c) Klik OK untuk mendapatkan karakteristik masing masing variable

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

PEMBAHASAN Adapun output dan interpretasi dari analisis cluster yang telah dilakukan dengan software adalah sebagai berikut : 1. Data setelah dilakukan standarisasi adalah sebagai berikut :

Data distandarisasi ke dalam Z apabila keragaman data besar dan satuan data tidak sama. Data dalam permasalahan ini memiliki keragaman yang besar sehingga dilakukan standarisasi terlebih dahulu. 2. Uji korelasi.

Ada beberapa vaiabel predictor yang saling berhubungan yaitu antara variable makanpokok dengan sakit dan variable tempattetap dengan sakit. Sehingga, memungkinkan adanya multikolinieritas. Oleh karena itu, agar tidak terjadi multikoinieritas dilakukan analisis komponen utama terlebih dahulu.

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

3. Output analisis komponen utama

Banyaknya komponen utama yang terbentuk dilihat dari prosentase keragaman 75%. Komponen utama pertama memiliki prosentase keragaman < 75% yaitu sebesar 33.4%. Komponen utama kedua memiliki prosentase keragaman < 75% yaitu sebesar 53.7%. Sedangkan pada komponen utama ketiga memiliki prosentase keragaman < 75% yaitu sebesar 71.8%. Komponen utama keempat memiliki prosentase keragaman > 75% yaitu sebesar 84.3%. Sehingga, Penentuan banyaknya komponen utama yang tepat hingga Komponen utama keempat. 4. Banyak klaster yang terbentuk.

Ada 2 output SPSS yang dapat digunakan u ntuk mengetahui banyak klaster yang terbentuk yaitu : a) Agglomeration schedule
Agglomeration Schedule Stage Cluster First Cluster Combined Stage Cluster 1 Cluster 2 Coefficients 1 2 3 4 11 1 3 10 19 18 11 12 .364 .413 .575 .805 Appears Cluster 1 0 0 0 0 Cluster 2 0 0 1 0 Next Stage 3 5 7 12

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

1 20 3 1 2 7 20 1 5 9 1 2 1 15 1 1 1 1 1

4 22 13 6 3 14 21 10 17 23 7 20 2 16 9 5 15 8 24

.873 .902 .976 1.084 1.111 1.129 1.136 1.327 1.459 1.569 1.664 1.717 2.110 2.506 2.693 2.915 3.391 5.235 5.361

2 0 3 5 0 0 6 8 0 0 12 9 15 0 17 19 20 21 22

0 0 0 0 7 0 0 4 0 0 10 11 16 0 14 13 18 0 0

8 11 9 12 16 15 16 15 20 19 17 17 19 21 20 21 22 23 0

Dilihat dari kolom corfficients. Banyak klaster = banyak data stage yang lebih kecil dibandingkan stage lainnya dengan selisih coefficiebts besar diantara keduanya. Selisih koefisien terbesar adalah = 5.235 3.391 atau stage 22 stage 21 Jadi, banyak klaster = 24 21 = 3 b) Dendogram

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

Dilihat dari garis terujung hingga pangkal. Paling dekat dengan ujung dipotong, sehingga terbentuk 3 klaster. 5. Keanggotaan klaster. Output SPSS :
Cluster Membership Case 1:sumatera utara 2:sumatera barat 3:riau 4:jambi 5:sumatera selatan 6:bengkulu 7:lampung 8:DKI jakarta 9:jawa barat 10:jawa tengah 11:DI Yogyakarta 3 Clusters 1 1 1 1 1 1 1 2 1 1 1
Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

12:jawa timur 13:bali 14:NTB 15:NTT 16:kalimantan barat 17:kalimantan timur 18:kalimantan selatan 19:kalimantan tengah 20:sulawesi utara 21:sulawesitengah 22:sulawesi selatan 23:sulawesi tenggara 24:irian jaya

1 1 1 1 1 1 1 1 1 1 1 1 3

Interpretasi : Jumlah 3 kelompok terdiri kelompok pertama meliputi propinsi sumatera utara, sumatera barat, riau, jambi, sumatera selatan, Bengkulu, lampung, jawa barat, jawa tengah, DI Yogyakarta, Jatim, Bali, NTB, NTT, Kalimantan Barat, Kalimantan Timur, Kalimantan Selatan, Kalimantan Tengah, Sulawesi Utara, Sulawesi tengah, Sulawesi Selatan, Sulawesi tenggara, dan kelompok kedua meliputi DKI Jakarta. Untuk kelompok ketiga adalah propinsi Irian Jaya. 6. Karakteristik masing masing variable.
Descriptive Statistics N TidakSekolah MakanPokok MakanLauk Pakaian 1 1 1 1 Minimum 52.32 70.04 30.37 16.84 Maximum 52.32 70.04 30.37 16.84 Mean 52.3200 70.0400 30.3700 16.8400
Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012

Std. Deviation . . . .

TempatTetap Sakit Valid N (listwise)

1 1 1

6.58 18.62

6.58 18.62

6.5800 18.6200

. .

Interpretasi : Kriteria Keterlantaran Lansia yang terbesar menurut propinsi berdasarkan data BPS pada laporan Sosial Indonesia dari Supas dan Sakemas 1995 adalah kriteria makan makanan pokok < 21kali dalam seminggu. Kriteria ini adalah criteria yang paling menunjukkan keterlantaran lansia menurut propinsi. Jadi, dari permasalahan di atas dapat disimpulkan : - Pembentukan wilayah pembinaan untuk permasalahan lansia dapat dilakukan dengan membentuk wilayah konsentrasi berdasarkan data, dan didapatkan 3 pembentukan wilayah, yaitu terdiri dari kelompok pertama meliputi propinsi sumatera utara, sumatera barat, riau, jambi, sumatera selatan, Bengkulu, lampung, jawa barat, jawa tengah, DI Yogyakarta, Jatim, Bali, NTB, NTT, Kalimantan Barat, Kalimantan Timur, Kalimantan Selatan, Kalimantan Tengah, Sulawesi Utara, Sulawesi tengah, Sulawesi Selatan, Sulawesi tenggara, dan kelompok kedua meliputi DKI Jakarta. Untuk kelompok ketiga adalah propinsi Irian Jaya. - Kriteria Keterlantaran Lansia yang terbesar menurut propinsi berdasarkan data BPS pada laporan Sosial Indonesia dari Supas dan Sakemas 1995 adalah kriteria makan makanan pokok < 21kali dalam seminggu. Kriteria ini adalah criteria yang paling menunjukkan keterlantaran lansia menurut propinsi.

Dinda Rinai V.S-FMIPA Univ.Brawijaya,Malang 2012