Anda di halaman 1dari 4

Nama : Gita Ratri P.

NIM : 21040111130070 Kelas : B LAPORAN PRETEST ANALISIS CLUSTER Pendahuluan Analisis cluster merupakan teknik analisis yang mempunyai tujuan untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Menurut Santoso (2009) data cluster yang baik memiliki ciri homogenitas dan heterogenitas yang tinggi. Homogenitas maksudnya datadata yang terdapat dalam satu cluster memiliki tingkat kemiripan yang tinggi. Sedangkan heterogenitas yang tinggi adalah data-data diantara cluster yang berbeda memiliki tingkat perbedaan yang tinggi sehingga jelas tidak tergolong dalam satu cluster yang sama. Adapun metode pengelompokkan dalam analisis cluster meliputi : 1. Metode Hirarkis : memulai pengelompokkan dengan dua atau lebih objek yang mempunyai kesamaan paling dekat. Kemudian diteruskan pada objek yang lain dan seterusnya sehingga cluster membentuk semacam pohon dimana terdapat tingkatan (hirarki) yang jelas antar objek. 2. Metode Non-Hirarkis : dimulai dengan menentukan terlebih dahulu jumlah cluster yang diinginkan (dua,tiga, atau yang lain). Setelah jumlah cluster ditentukan, maka proses cluster dilakukan dengan tanpa mengikuti proses hirarki. Metode ini biasa disebut K-Means Cluster. Perencanaan merupakan salah suatu ilmu yang bertujuan untuk merencanakan masa depan agar objek yang direncanakan tersebut lebih terarah pembangunan dan pengembangannya. Dalam perencanaan suatu kota atau wilayah diperlukan data-data yang sangat detail, namun tidak mungkin data-data tersebut dianalisis satu persatu sehingga dilakukanlah suatu pendekatan yaitu pengelompokkan objek amatan ke dalam suatu kelompok berdasarkan kemiripan karakteristiknya. Analisis cluster inilah yang dapat membantu seorang perencana untuk mengelompokkan objek amatan tersebut ke dalam kelompok-kelompok. Hal ini berguna untuk memudahan dalam analisis dan juga mengefisienkan dan mengefektifkan waktu, proses serta dana. 2. Data dan Jenis Data Data yang menjadi input dalam analisis cluster ini bisa berupa data nominal, interval maupun rasio. Apabila data bersifat campuran makan data tersebut dianggap sebagai data rasio. Namun apabila data yang dipakai dalam bentuk nominal atau ordinal saja, maka perhitungan kemiripan tidak menggunakan jarak tapi menggunakan metode yang lain. Data yang akan dipakai dalam laporan pretest ini adalah data mengenai lansia di Indonesia. Dari data BPS dan laporan sosial Indonesia dari Supas dan Sakernas, penduduk lansia semakin bertambah sehingga ada perubahan struktur penduduk dari struktur penduduk muda ke struktur penduduk tua. Sebagai seorang perencana, seharusnya kita lebih peka terhadap fenomena ini. Sehingga harus ada perhatian ekstra untuk permasalahan ini. 1.

Laporan Pretest Analisis Cluster

Page 1

Nama : Gita Ratri P. NIM : 21040111130070 Kelas : B Berikut merupakan data yang akan digunakan dalam analisis cluster : Tabel 1.1 Enam Kriteria Keterlantaran Lansia Menurut Propinsi Makan Makan Tidak Makanan Lauk Pauk Tidak Pernah Memiliki Mempunyai Pokok Berprotein PROPINSI Sekolah/Tamat Pakaian Tempat <21X Tinggi<4X SD <4 Stel Tetap Dalam Dalam Untuk Tidur Seminggu Seminggu SUMATERA 63,13 38,67 35,70 16,79 2,48 UTARA SUMATERA 57,48 48,23 17,48 20,60 0,90 BARAT RIAU 67,72 50,59 18,43 9,95 1,58 JAMBI 75,99 44,10 29,77 27,94 1,76 SUMATERA 65,69 58,39 27,90 24,67 5,57 SELATAN BENGKULU 71,37 52,02 35,60 30,64 2,17 LAMPUNG 80,64 35,59 41,56 34,15 1,48 DKI JAKARTA 37,80 56,38 12,28 87,24 1,45 JAWA BARAT 70,84 70,48 31,37 17,17 1,82 JAWA 79,30 35,99 16,25 19,36 1,89 TENGAH D.I. 76,05 46,27 11,35 17,45 1,17 YOGYAKARTA JAWA TIMUR 82,76 30,86 15,13 30,77 2,01 BALI 77,96 42,28 6,28 25,74 0,34 NUSA TENGGARA 86,92 33,09 23,48 48,28 3,20 BARAT NUSA TENGGARA 87,36 56,75 58,67 49,77 1,42 TIMUR KALIMANTAN 83,48 54,34 38,60 29,46 3,87 BARAT KALIMANTAN 60,37 50,29 18,78 28,13 6,69 TIMUR KALIMANTAN 76,93 38,72 16,65 29,37 2,77 SELATAN KALIMANTAN 73,43 52,45 18,18 12,72 1,11 TENGAH SULAWESI 51,30 58,14 25,58 11,08 1,84

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

9,31

7,51 2,68 7,07 1,01 2,89

Laporan Pretest Analisis Cluster

Page 2

Nama : Gita Ratri P. NIM : 21040111130070 Kelas : B Makan Makanan Tidak Pernah Pokok Sekolah/Tamat <21X SD Dalam Seminggu Makan Lauk Pauk Memiliki Berprotein Pakaian Tinggi<4X <4 Stel Dalam Seminggu Tidak Mempunyai Tempat Tetap Untuk Tidur

PROPINSI

Bila Sakit Tidak Diobati

UTARA SULAWESI 66,01 TENGAH SULAWESI 77,62 SELATAN SULAWESI 74,65 TENGGARA IRIAN JAYA 52,32 Sumber : BPS Indonesia

54,47 58,74 72,91 70,04

16,29 10,93 3,19 30,37

32,81 24,03 17,78 16,84

2,47 3,70 1,07 6,58

8,66 6,89 8,78 18,62

3. Tahapan Analisis Pada analisis cluster cara kerjanya adalah mencari jarak data yang akhirnya menentukan tingkat kemiripan data. Berdasarkan data di atas berikut merupakan penilaian keterlantaran lansia di provinsi seluruh Indonesia. 1. Tidak Pernah Sekolah/Tamat SD : - Skor 1 : nilai 1 - 24 - Skor 2 : nilai 25 50 - Skor 3 : nilai >50 2. Makan Makanan Pokok ,21X dalam seminggu - Skor 1 : nilai 1 - 24 - Skor 2 : nilai 25 7 - Skor 3 : nilai >50 3. Makan Lauk Pauk Beprotein Tinggi ,4x Dalam Seminggu - Skor 1 : nilai 1 14 - Skor 2 : nilai 15 29 - Skor 3 : nilai >30 4. Memiliki Pakaian <4 stel - Skor 1 : nilai 1 - 24 - Skor 2 : nilai 25 49 - Skor 3 : >50 5. Tidak Mempunyai tempat untuk tidur : - Skor 1 : nilai 0 1 - Skor 2 : nilai 2 3 - Skor 3 : >4 6. Bila Sakit Tidak Diobati - Skor 1 : nilai 1 5 - Skor 2 : 6 10

Laporan Pretest Analisis Cluster

Page 3

Nama : Gita Ratri P. NIM : 21040111130070 Kelas : B - Skor 3 : >11 Tahapan dalam analisis cluster adalah sebagai berikut : a. Klik Analyze, kemudian pilih Classify dan kemudian pilih hierarchial cluster. b. Lalu masukkan semua variabel numeric pada kotak variabel. c. Kemudian pada statistics, aktifkan Agglomeration Schedule. d. Aktifkan dendogram untuk memperlihatkan proses terbentuknya cluster secara grafis. Pada bagian icicle pilih none yang berarti tidak ada icicle yang diperlihatkan dalam bagian output. e. Pada bagian method pilih Between Group Linkage yang berarti metode yang digunakan adalah between group. Abaikan yang lain kemudian tekan continue lalu OK. 4. Penjelasan Output Ada 5 output dalam analisis cluster yaitu sebagai berikut : a. Case Processing Summary : menggambarkan bahwa tidak ada data yang hilang atau menunjukkan kevalidasian data. b. Matrix Proximity : angka yang tertera menunjukkan jarak antara dua buah variabel. Matrix proximity juga menunjukkan kemiripan antar variabel, semakin kecil angka antar dua variabel, semakin mirip variabel tersebut satu dengan lainnya. c. Average Linkage Between Group : merupakan hasil proses clustering dengan metode Between Group Linkage. Setelah jarak diukur maka dilakukan pengelompokkan variabel secara hierarki. d. Cluster Membership : menunjukkan rincian anggota cluster yang tergantung dari berapa jumlah cluster yang dibentuk. e. Dendogram : menunjukkan proses terbentuknya cluster secara grafis. Dalam analisis dendogram ini digunakan proses skala ulang atau rescale dengan batasan 0-25. Proses aglomerasi dimulai dari skala 0 dengan ketentuan jika sebuah garis terletak dekat dengan angka 0 maka variabelvariabel yang terwakili dengan garis tersebut semakin mungkin membentuk cluster. Demikian seterusnya semakin bergerak ke kanan sehingga akhirnya semua variabel akan menjadi satu cluster.

Sumber : Modul Metode Analisis Perencanaan 2013 BPS Indonesia, Tahun 2005

Laporan Pretest Analisis Cluster

Page 4