TUGAS MATA KULIAH METODE ANALISIS PERENCANAAN

STUDI KASUS PEMBENTUK

EMBENTUK WILAYAH PEMBINAAN UNTUK
PERMASALAHAN LANSIA

Disusun oleh :
Nony Fahdila

D1091141006

Andri Dwi Saputra

D1091141038

PROGRAM STUDI PERENCANAAN WILAYAH DAN KOTA

JURUSAN TEKNIK SIPIL
FAKULTAS TEKNIK
UNIVERSITAS TANJUNGPURA
2016

BAB I
PENDAHULUAN
1.1 Latar Belakang
Analisis kelompok (cluster analysis) merupakan salah satu teknik dalam
analisis multivariat yang mempunyai tujuan utama untuk mengelompokkan objekobjek pengamatan menjadi beberapa kelompok berdasarkan karakteristik yang
dimilikinya. Analisis kelompok mengelompokkan objek-objek sehingga setiap objek
yang paling dekat kesamaannya dengan objek lain berada dalam kelompok yang
sama, serta mempunyai kemiripan satu dengan yang lain. Kelompok-kelompok yang
akan terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal
yang tinggi. Banyak bidang yang telah menerapkan analisis kelompok ini, antara lain
bidang sosial, kewilayahan, kesehatan , serta marketing. Secara umum dalam metode
analisis kelompok, terdapat dua metode pengelompokkan, yaitu metode hierarki
(Hierarchical Methods) dan metode tak berhierarki (Nonhierarchical Methods).
Metode hierarki dapat dibedakan menjadi dua bagian, yaitu metode penggabungan
(agglomerative) dan metode pemecahan (devisive). Pembentukan kelompok dalam
metode hierarki, menggunakan beberapa cara, antara lain pautan tunggal (single
linkage), pautan lengkap (complete linkage), dan pautan rata-rata (average linkage).
Pembentukan kelompok dengan metode tak berhierarki yang sering digunakan adalah
metode cmeans cluster. Salah satu metode nonhierarki yang paling banyak
digunakan adalah c-means cluster, bertujuan membagi n observasi ke dalam c
kelompok dimana tiap observasi menjadi anggota dari kelompok dengan nilai ratarata terdekat, melalui proses perulangan (iterasi) hingga pengelompokkan tersebut
konvergen. c-means cluster dapat digolongkan sebagai hard clustering, dimana setiap
elemen menjadi anggota secara eksklusif dari suatu kelompok tertentu dengan batasan
yang jelas. Hal ini merupakan kelemahan c-means jika sifat pengelompokkan sulit
untuk dideskripsikan secara pasti.

Dari penelitian yang dilakukan terhadap 24 Provinsi, ingin diketahui pembentuk

wilayah pembinaan untuk permasalahan lansia berdasarkan instrumen 6 variabel
yaitu:

tidak pernah sekolah / tamat SD (jiwa)

makan makanan pokok kurang dari 21 kali dalam seminggu

makan lauk pauk berprotein tinggi kurang dari 4 kali dalam seminggu

memiliki pakaian kurang dari 4 stel

tidak mempunyai tempat tetap untuk tidur

bila sakit tidak diobati

Dari variabel diatas yaitu menggunakan analisis cluster karena untuk mengetahui
pengelompokan objek-objek berdasarkan karakter yang dimilikinya.
1.2 Rumusan Masalah
Adapun rumusan masalah dari latar belakang diatas adalah:
a. Apa pengertian dari Analisis Cluster
b. Apa manfaat Analisis Cluster
c. Bagaimana langkah-langkah Analisis Cluster
d. Bagaimana contoh aplikasi penggunaan Analisis Cluster
1.3 Tujuan Permasalahan
Adapun tujuan dari penyusunan makalah ini adalah untuk :
a. Mengetahui pengertian dari Analisis Cluster
b. Mengetahui manfaat Analisis Cluster
c. Mengetahui langkah-langkah Analisis Cluster
d. Mengetahui contoh aplikasi penggunaan Analisis Cluster

BAB II
PEMBAHASAN
2.1.Pengertian Analisis Cluster
Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama
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. Cluster-cluster yang
terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang
tinggi. Berbeda dengan teknik multivariat lainnya, analisis ini tidak mengestimasi set
vaiabel secara empiris sebaliknya menggunakan setvariabel yang ditentukan oleh
peneliti itu sendiri. Fokus dari analisis cluster adalah membandingkan objek
berdasarkan set variabel, hal inilah yang menyebabkan para ahli mendefinisikan set
variabel sebagai tahap kritis dalam analisis cluster. Set variabel cluster adalah suatu
set variabel yang merpresentasikan karakteristik yang dipakai objek-objek. Bedanya
dengan analisis faktor adalah bahwa analisis cluster terfokus pada pengelompokan
objek sedangkan analisis faktor terfokus pada kelompok variabel.
Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap
penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa solusi
yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih. Solusi cluster
secara keseluruhan bergantung pada variabel-variaabel yang digunakan sebagai dasar
untuk menilai kesamaan. Penambahan atau pengurangan variabel-variabel yang
relevan dapat mempengaruhi substansi hasi analisisi cluster.
2.2 Manfaat Analisis Cluster
Analisis cluster merupakan alat analisis data di berbagai situasi berbeda. Sebagai
contoh peneliti yang mengumpulkan data dengan cara kuesioner mungkin
menghadapibanyak observasi yang tidak bermakna sebelum diklasifikasikan secara

teratur dalamkelompok-kelompok. Tujuan primer Analisis Cluster adalah mengetahui

struktur datadengan menempatkan kesamaan objek observasi ke dalam satu grup atau
denganmengelompokkan sekumpulan objek (case atau variabel ) ke dalam beberapa
kelompok(cluster) yang memiliki karakteristik tertentu dan dapat dibedakan satu sama
lain untukanalisis dan interpretasi lebih lanjut. Secara umum, analisis cluster ini
memiki manfaat sebagai berikut :

Untuk menerapkan dasar dasar pengelompokan dengan lebih konsisten.

Untukmengembangkan suatu metode generalisasi secara induktif, yaitu

pengambilan kesimpulan secara umum dengan berdasarkan fakta fakta
khusus.

Menemukan tipologi yang cocok dengan karakter obyek yang diteliti.

Mendeskripsikan sifat sifat atau karakteristik dari masing masing

kelompok (cluster).
Analisis cluster ini dapat diaplikasikan dalam berbagai bidang keilmuan.

Misalnya dalam analisis pemasaran, maka dapat digunakan untuk mengetahui target
pasar, mengetahui pengembangan produk baru, dan sebagainya.
Selanjutnya adalah dalam bidang pendidikan. Sebagai contoh dalam pendidikan.
Analisis ini dapat digunakan untuk mengelompokan data mahasiswa. Misalnya data
berupa siswa, orang tua, jenis kelamin, atau nilai IPK. Sehingga dapat dikelompokan
mahasiswa-mahasiswa yang memiliki nilai IPK tinggi, sedang dan rendah.
Begitu juga dalam bidang perencanaan wilayah dan kota. Analisis cluster ini
dapat digunakan dalam mengelompokkan fasilitas fasilitas umum dari sudut
pandang pemakai atau masyarakat. Sebagai contoh, mengelompokkan fasilitas
prasarana transportasi seperti terminal. Dengan menganalisis data data yang ada,
maka dapat dikelompokkan terminal yang pelayanannya sudah baik, sedang atau
terminal yang tidak baik kualitasnya. Maka terminal terminal yang memiliki
karakteristik yang sama (ditandai dengan nilai yang selisihnya tidak jauh berbeda)
akan ditempatkan pada satu kelompok atau cluster.

2.3 Konsep dan Langkah-langkah Analisis Cluster

Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut:
1. Mengukur kesamaan jarak
2. Membentuk cluster secara hirarkis
3. Menentukan jumlah cluster.
Adapun metode pengelompokan dalam analisis cluster meliputi:

Metode Hirarkis; memulai pengelompokan dengan dua atau lebih obyek yang
mempunyai kesamaan paling dekat. Kemudian diteruskan pada obyek yang
lain dan seterusnya hingga cluster akan membentuk semacam pohon dimana
terdapat tingkatan (hirarki) yang jelas antar obyek, dari yang paling mirip
hingga yang paling tidak mirip. Alat yang membantu untuk memperjelas
proses hirarki ini disebut dendogram.

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.
Asumsi yang harus dipenuhi dalam Analisis Cluster yaitu:

Sampel yang diambil benar-benar dapat mewakilipopulasi yang ada

(representativeness of the sample)

Multikolinieritas.

2.4 Aplikasi Penggunaan Analisis Cluster

Contoh Kasus
Dari penelitian yang dilakukan terhadap 24 Provinsi, ingin diketahui pembentuk
wilayah pembinaan untuk permasalahan lansia berdasarkan instrumen 6 variabel
yaitu:

tidak pernah sekolah / tamat SD (jiwa)

makan makanan pokok kurang dari 21 kali dalam seminggu

makan lauk pauk berprotein tinggi kurang dari 4 kali dalam seminggu

memiliki pakaian kurang dari 4 stel

tidak mempunyai tempat tetap untuk tidur

bila sakit tidak diobati

Untuk itu data yang berhasil dikumpulkan sebagai berikut:

Provinsi

makan

makan lauk

tidak

makanan

pauk

pernah

pokok < berprotein

tidak
mempunyai bila

sekolah 21kali

tinggi<4kali memiliki tempat

/ tamat dalam

dalam

sakit

pakaian

tetap untuk tidak

SD

seminggu seminggu

< 4 stel

tidur

diobati

63,13

38,67

35,7

16,79

2,48

3,33

barat

57,48

48,23

17,48

20,6

0,9

4,05

Riau

67,72

50,59

18,43

9,95

1,58

3,34

Jambi

75,99

44,1

29,77

27,94

1,76

2,55

selatan

65,69

58,39

27,9

24,67

5,57

5,18

Bengkulu

71,37

52,02

35,6

30,64

2,17

4,29

Lampung

80,64

35,59

41,56

34,15

1,48

2,78

DKI Jakarta

37,8

56,38

12,28

87,24

1,45

6,78

jawa barat

70,84

70,48

31,37

17,17

1,82

5,32

jawa tengah

79,3

35,99

16,25

19,36

1,89

3,97

76,05

46,27

11,35

17,45

1,17

4,72

sumatera
utara
sumatera

sumatera

DI
Yogyakarta

jawa timur

82,76

30,86

15,13

30,77

2,01

3,55

Bali

77,96

42,28

6,28

25,74

0,34

4,87

NTB

86,92

33,09

23,48

48,28

3,2

4,64

NTT

87,36

56,75

58,67

49,77

1,42

9,31

83,48

54,34

38,6

29,46

3,87

7,51

60,37

50,29

18,78

28,13

6,69

2,68

76,93

38,72

16,65

29,37

2,77

7,07

73,43

52,45

18,18

12,72

1,11

1,01

51,3

58,14

25,58

11,08

1,84

2,89

66,01

54,47

16,29

32,81

2,47

8,66

77,62

58,74

10,93

24,03

3,7

6,89

tenggara

74,65

72,91

3,19

17,78

1,07

8,78

irian jaya

52,32

70,04

30,37

16,84

6,58

18,62

kalimantan
barat
kalimantan
timur
kalimantan
selatan
kalimantan
tengah
sulawesi
utara
Sulawesi
tengah
sulawesi
selatan
sulawesi

Untuk menyelesaikan contoh kasus di atas dengan menggunakan aplikasi

program SPSS, perlu dilakukan beberapa langkah berikut ini.

2.4.1 Standardisasi/Transformasi
Mengingat data yang terkumpul mempunyai variabilitassatuan, maka perlu
dilakukan langkah standardisasi atautransformasi terhadap variabel yang relevan ke
bentuk zscore, sebagai berikut:
1. Setelah keseluruhan data yang dikumpulkan tersebutdiatas dientry dalam
program SPSS, selanjutnya klik menu analyze dan pilih sub menu
Descriptives Statistics lalu Descriptives hingga muncul tampilan berikut
ini:

2. Masukkan ke dalam kotak VARIABLES seluruh variable instrument penilai,

yaitu tidak pernah sekolah / tamat SD, makan makanan pokok kurang dari 21
kali dalam seminggu, makan lauk pauk berprotein tinggi kurang dari 4 kali
dalam seminggu, memiliki pakaian kurang dari 4 stel, tidak mempunyai
tempat tetap untuk tidur, bila sakit tidak diobati (dalam hal ini variabel
provinsi tidak dimasukkan karena data bertipe string). Kemudian aktifkan
bagian Save standardized values asvariables. Abaikan bagian yang lain
lalu tekan OK untuk menampilkan output aplikasi program SPSS.
Output yang didapat yaitu deskripsi dari keseluruhanvariabel yang meliputi
nilai maksimum, nilai minimun,rataan, dan standar deviasi dari masingmasing variabel.

Namun, deskripsi tersebut diatas digunakan sebagai dasar perhitungan z-score yang
diperoleh. Selanjutnya buka tampilan data view dari tabel data. Hal yang akan
dijumpai sebagai berikut:

Untuk selanjutnya, hasil z-score inilah yang akan dipakai dasar analisis
cluster. Namun apabila data yang terkumpul tidak mempunyai variabilitas satuan,

maka proses analisis cluster dapat langsung dilakukan tanpa terlebih dahulu
melakukan transformasi atau standardisasi.
2.4.2 Analisis ClusterMetode K-Means Cluster (Non-Hirarkis)
Sebagaimana telah dijelaskan sebelumnya bahwa metode KMeans Cluster ini
jumlah cluster ditentukan sendiri. Olehkarena itu, berikut ini langkah-langkah yang
harus dilakukan dalam menggunakan metode K-Means Cluster dalam aplikasi
program SPSS. Perlu diingat bahwa bahan analisis bukan lagi data asli, namun data
hasil transformasi/standardisasi.
1. Dari tampilan data yang tertera (hasil standardisasi/transformasi), buka menu
Analyze, lalu pilih sub menu Classify dan pilih K-Means Cluster
hingga tampak pada layar sebagai berikut:

2. Masukkan seluruh variabel Z-Score ke dalam kotak VARIABLES. Kemudian

variabel provinsi dimasukkan dalam kotak Label Cases by.. Number of

Clusters dalam hal ini diisi menurut jumlah cluster yang akan dibentuk dalam
penelitian yang dimaksud. Dalam hal ini diisi 3, berarti diharapkan akan
dibentuknya 3 cluster.

3. Kemudian klik mouse pada kotak Save hingga muncul tampilan seperti
berikut ini:

Kotak dialog SAVE memungkinkan hasil cluster disimpan dalam bentuk

variabel baru. Hal ini berguna untuk proses profiling cluster, yang akan dilakukan
pada tahapan akhir analisis cluster.
4. Aktifkan kedua kotak dalam menu Save, yaitu Clustermembership dan
Distance from cluster center.Selanjutnya tekan tombol Continue untuk
kembali ke menu utama.
5. Kemudian klik mouse pada kotak Options hingga tampak tampilan
berikut ini :

Pada bagian Statistics, aktifkan Initial clustercenters dan ANOVA table.

Abaikan bagian yang lain,lalu tekan Continue untuk kembali ke menu utama.
6. Dari tampilan menu utama cluster, abaikan bagian yang lain lalu tekan
tombol OK untuk dapat menampilkan output aplikasi program SPSS seperti
berikut ini.

Tabel diatas merupakan tampilan pertama proses clustering data sebelum

dilakukan iterasi. Untuk mendeteksi berapa kali proses iterasi yang dilakukan dalam
proses clustering dari 24 objek yang diteliti, dapat dilihat dari tampilan output berikut
ini :

Ternyata proses clustering yang dilakukan melalui 2 tahapan iterasi untuk

mendapatkan cluster yang tepat. Dari tabel diatas disebutkan bahwa jarak minimum
antar pusat cluster yang terjadi dari hasil iterasi adalah 5,885. Adapun hasil akhir dari
proses clustering digambarkan berikut ini :

Output Final Cluster Centers tersebut diatas masih terkait dengan proses
standardisasi data sebelumnya, yang mengacu pada z-score dengan ketentuan
sebagai berikut :

Nilai negatif (-) berarti data berada di bawah rata-rata total.

Nilai positif (+)berarti data berada di atas rata-rata total.

Rumus umum yang digunakan yaitu :

Dimana :
X

: rata-rata sampel (variable dalam cluster)

: rata-rata populasi

: nilai standardisasi
: standar deviasi
Sebagai contoh, apabila ingin diketahui rata-rata jumlah yang tidak

sekolah di cluster-1 yaitu :(rata-rata yang tidak sekolah) + (0,27286 x standar

deviasi rata-rata yang tidak sekolah)
= 70,7133 + (0,27286 x 12,21735)
= 74,04693
Jadi rata-rata jumlah yang tidak sekolah yang berada di cluster-1 adalah 74
jiwa. Demikian seterusnya dapat diketahui rata-rata nilai masing-masing variabel
dalam tiap cluster.

Rumus nilai F :
F = MS Between/ MS
Within

Dimana dalam tabel ANOVA di atas MS Between ditunjukkan oleh Means

Square dalam kolom Cluster, sedangkan MSWithin ditunjukkan olehMeans
Square dalam kolom Error.

Semakin besar nilai F dan (sig < 0,05), maka semakin besar perbedaan
variabel pada cluster yang terbentuk.

Nampak jelas bahwa cluster-1 beranggotakan 20 provinsi, cluster-2 berisi 1

provinsi dan pada cluster-3 terdapat 3 provinsi yang mengelompok. Dan untuk
mengetahui provinsi mana saja yang masuk dalam kategori tiap-tiap cluster dapat
kembali dibuka tampilan data view pada kolom terakhir akan nampak seperti
berikut ini :

Perhatikan 2 kolom terakhir pada tabel di atas. qcl_1 menunjukkan

nomor cluster dari keberadaan provinsi, danqcl_2 merupakan jarak antara
obyek dengan pusatcluster. Dengan demikian, dapat ditafsirkan sebagaiberikut :

Cluster-1: berisikan provinsi Sumatera utara, Sumatera barat, riau, jambi,

bengkulu, lampung, jawa barat, jawa tengah, DI yogakarta, jawa timur,
bali, NTB, NTT, kalimantan barat, kalimantan selatan, kalimantan tengah,
sulawesi utara, sulawesi tengah, sulawesi selatan, sulawesi tenggara
dengan masing-masing jarak terhadap pusat cluster-1 adalah 1,74523 ;
1,61218 ; 1,26787 ; 0,96517 ; 1,09021 ; 2,08084 ; 2,05105 ; 1,38785
1,19777 ; 1,89195 ; 1,77199 ; 2,33842 ; 3,62454 ; 2,01766 ; 1,31499 ;
1,54114 ; 2,29410 ; 1,54373 ; 1,77515 ; 2,91540

Cluster-2: berisikan provinsi DKI Jakarta dengan jarak terhadap pusat

cluster-2 adalah 0,00000

Cluster-3: berisikan provinsi Sumatera selatan, kalimantan timur, dan

irian jaya, dengan masing-masing jarak terhadap pusat cluster-3 adalah
1,24059 ; 2,02182 ; 3,01541

2.4.3 Analisis Cluster Metode Hierarchical Cluster (Hirarkis)

Konsep dari metode hirarkis ini dimulai dengan menggabungkan 2 obyek
yang paling mirip, kemudian gabungan 2 obyek tersebut akan bergabung lagi

dengan satu atau lebih obyek yang paling mirip lainnya. Proses clustering ini pada
akhirnya akan menggumpal menjadi satu cluster besar yang mencakup semua
obyek. Metode ini disebut juga sebagai metode aglomerativ yang digambarkan
dengan dendogram.
Contoh kasus di atas akan dicoba untuk diselesaikan pula dengan metode
aglomerativ. Untuk itu, langkah-langkah yang harus dilakukan dalam aplikasi
program SPSS sebagai berikut :
1)

Masih dengan data sebelumnya, yang merupakan hasil standardisasi, buka

menu Analyze lalu pilih sub menu Classify kemudian Hierarchical
Cluster hingga muncul tampilan seperti berikut ini :

2)

Masukkan seluruh variabel yang telah distandardkan (Z-score) ke dalam

bagian Variable(s). Untuk bagian Label Cases by isi dengan variabel
provinsi; sedangkan untuk bagian Cluster pilih Cases; pada bagian
Display pilih keduanya yaitu Statistics dan Plots.

3)

Kemudian klik mouse pada kotak Statistics hingga muncul tampilan

berikut ini :

Selain kotak Agglomeration Schedule, aktifkan pula kotak Proximity

matrix untuk menampilkan jarak antar variabel. Pada bagian Cluster
Membership klik mouse pada pilihan Range of Solutions lalu ketik 2 pada
minimum number of clusters dan 4 pada maximum number of clusters (berarti
nantinya akan ditampilhan susunan 2, 3, dan 4 cluster). Kemudian tekan tombol
Continue untuk kembali ke menu utama.
4)

Selanjutnya klik mouse pada kotak Plots hingga muncul tampilan seperti
berikut ini :

Aktifkan pilihan Dendogram; kemudian pada bagian Icicle pilih None.

Abaikan bagian yang lain lalu tekan tombol Continue untuk kembali ke menu
utama.

5)

Berikutnya klik mouse pada kotak Method hingga muncul tampilan

seperti dibawah ini :
Pada bagian Cluster Method pilih Between groupslinkage.

Kemudian buka kotak combo Square Euclidean distance pada

Measure; dan pada Transform Valuesbuka kotak combo pada
pilihan Z-score. Abaikan bagian yang lain lalu tekan tombol Continue
untuk kembali ke menu utama. Dari tampilan menu utama, tekan tombol
OK untuk menampilkan output aplikasi program SPSSseperti berikut.

Tabel output diatas menunjukkan bahwa semua data sejumlah 24 obyek

telah diproses tanpa ada data yang hilang.

Tabel diatas menunjukkan matrik jarak antara variabel satu dengan variabel yang
lain. Semakin kecil jarak Euclidean, maka semakin mirip kedua variabel
tersebut sehingga akanmembentuk kelompok (cluster).

Tabel di atas merupakan hasil proses clustering dengan metode Between

Group Linkage. Setelah jarak antar variaebel diukur dengan jarak euclidean, maka
dilakukan pengelompokan, yang dilakukan secara bertingkat.
Stage 1: Terbentuk 1 cluster yang beranggotakan Provinsi Riau dan
Provinsi Kalimantan Tengah dengan jarak 0,781 (perhatikan pada kolom
Coefficients). Karena proses aglomerasi dimulai dari 2 obyek yang
terdekat, maka jarak tersebut adalah yang terdekat dari sekian kombinasi
jarak 24 obyek yang ada. Selanjutnya lihat kolom terakhir (Next Stage),
terlihat angka 6. Hal ini berarti clustering selanjutnya dilakukan dengan
melihat stage 6, dengan penjelasan berikut.

Baris ke-6 (stage 6) terlihat obyek ke-2 (Provinsi Sumatera Barat)

membentuk cluster dengan Provinsi Riau Dengan demikian, sekarang

cluster terdiri dari 3 obyek yaitu Provinsi Riau, Provinsi Kalimantan
Tengah, dan Provinsi Sumatera Barat. Sedangkan jarak sebesar 2,102
merupakan jarak rata-rata obyek terakhir yang bergabung dengan 2 obyek
sebelumnya, seperti tampak dalam Proximity matrix dan dapat dihitung
sebagai berikut :
- Jarak Provinsi Riau dan Provinsi Kalimantan Tengah = 0,781
-Jarak Provinsi Sumatera Barat dan Provinsi Riau = 2,102
- Jarak rata-rata = ( 0,781 + 2,102 )/2= 1,4415
Stage 2: terjadi pembentukan cluster Provinsi jawa tengah dan jawa timur
berjarak 0,795), yang kemudian berlanjut ke stage 5. Demikian seterusnya
dari stage 3 dilanjutkan ke stage 10 sampai ke stage terakhir.
Proses aglomerasi ini bersifat kompleks, khususnya perhitungan koefisien
yang melibatkan sekian banyak obyek dan terus bertambah. Proses aglomerasi
pada akhirnya akan menyatukan semua obyek menjadi satu cluster. Hanya saja
dalam prosesnya dihasilkan beberapa cluster dengan masing-masing anggotanya,
tergantung jumlah cluster yang dibentuk. Perincian jumlah cluster dengan anggota
yang terbentuk dapat dilihat pada tabel output berikut ini :

Dari tabel diatas dapat dijabarkan bahwa :

1. Apabila diinginkan dibentuk 4 cluster, maka :

Anggota cluster 1 adalah Provinsi Sumatera utara, Sumatera barat, riau,

jambi, Sumatera selatan, bengkulu, lampung, jawa barat, jawa tengah, DI
yogakarta, jawa timur, bali, kalimantan barat, kalimantan timur,
kalimantan selatan, kalimantan tengah, sulawesi utara, sulawesi tengah,
sulawesi selatan, sulawesi tenggara, NTB

Anggota cluster 2 adalah Provinsi DKI Jakarta

Anggota cluster 3 adalah Provinsi NTT

Anggota cluster 4 adalah Provinsi irian jaya

2. Apabila ditentukan dibentuk 3 cluster, maka :

Anggota cluster 1 adalah Provinsi Sumatera utara, Sumatera barat, riau,

jambi, Sumatera selatan, bengkulu, lampung, jawa barat, jawa tengah, DI
yogakarta, jawa timur, bali, kalimantan barat, kalimantan timur,
kalimantan selatan, kalimantan tengah, sulawesi utara, sulawesi tengah,
sulawesi selatan, sulawesi tenggara, NTB, NTT

Anggota cluster 2 adalah Provinsi DKI Jakarta

Anggota cluster 3 adalah Provinsi irian jaya

3. Apabila ditentukan dibentuk 2 cluster, maka :

Anggota cluster 1 adalah Provinsi Provinsi Sumatera utara, Sumatera

barat, riau, jambi, Sumatera selatan, bengkulu, lampung, jawa barat, jawa
tengah, DI yogakarta, jawa timur, bali, kalimantan barat, kalimantan timur,
kalimantan selatan, kalimantan tengah, sulawesi utara, sulawesi tengah,
sulawesi selatan, sulawesi tenggara, NTB, NTT, DKI Jakarta

Anggota cluster 2 adalah Provinsi irian jaya

Dendogram berguna untuk menunjukkan anggota cluster yang ada jika

akan ditentukan berapa cluster yang seharusnya dibentuk. Sebagai contoh yang
terlihat dalam dendogram, apabila akan dibentuk 2 cluster, maka cluster 1
beranggotakan Provinsi Riau sampai dengan Provinsi jawa timur (sesuai urutan
dalam dendogram); dan cluster 2 beranggotakan Provinsi kalimantan selatan
sampai dengan Provinsi irian jaya. Demikian seterusnya dapat dengan mudah
dilihat anggota tiap cluster sesuai jumlah cluster yang diinginkan.

2.5 Cara Interpretasi Hasil Analisis Cluster

2.5.1 Metode K-Means
Dari tabel output Final Cluster Centers, dengan ketentuan yang telah
dijabarkan, dapat didefinisikan sebagai berikut :

Cluster-1
Dalam cluster-1 ini berisikan Provinsi yang mempunyai jumlah lansia
yang tidak pernah sekolah dan memakan lauk pauk berprotein tinggi yang
lebih dari rata-rata populasi Provinsi yang diteliti. Hal ini terbukti dari
nilai positif. Dengan demikian, dapat diduga sekumpulan Provinsi yang
mempunyai Permasalahan Lansia terendah berada pada cluster-1

Cluster-2
Karakteristik Provinsi yang masuk dalam pengelompokan cluster-2 yaitu

memakan makanan pokok kurang dari 21 kali dalam seminggu, memiliki

pakaian kuang dari 4 stel, dan bila sakit tidak diobati. Dengan demikian,
dapat diduga sekumpulan Provinsi yang mempunyai Permasalahan Lansia
menengah berada pada cluster-2

Cluster-3
Sedangkan karakteristik Provinsi yang mengelompok pada cluster-3 adalah
keseluruhan instrumen penilai berada pada posisi diatas rata-rata populasi
Provinsi yang diteliti. Sehingga dapat diduga bahwa cluster-3 merupakan
pengelompokan Provinsi yang mempunyai Permasalahan Lansia tertinggi

2.5.2 Metode Hirarki Cluster

Cluster-1

Keenam variabel memiliki rata-rata lebih kecil dibanding cluster yang lain.
Anggotanya yaitu Provinsi Provinsi Sumatera utara, Sumatera barat, riau,
jambi, Sumatera selatan, bengkulu, lampung, jawa barat, jawa tengah, DI

yogakarta, jawa timur, bali, kalimantan barat, kalimantan timur,

kalimantan selatan, kalimantan tengah, sulawesi utara, sulawesi tengah,
sulawesi selatan, sulawesi tenggara, NTB, NTT, DKI Jakarta sehingga
disebut Provinsi yang mempunyai Permasalahan Lansia tertinggi.
Cluster-2

Keenam variabel memiliki rata-rata lebih besar dibanding cluster yang

lain. Anggotanya yaitu Provinsi irian jaya sehingga disebut Provinsi yang
mempunyai Permasalahan Lansia terendah.

Untuk lebih jelasnya bisa dilihat tabel dibawah ini.

BAB III
PENUTUP
3.1 Kesimpulan
Dari Studi Kasus penelitian untuk mengetahui pengelompokkan Pembentuk
Wilayah Pembinaan Untuk Permasalahan Lansia berdasarkan 6 variabel
menggunakan Metode Analisis Cluster, diketahui bahwa dari 24 Provinsi dapat
diklasifikasikan menjadi Provinsi yang mempunyai Permasalahan Lansia tertinggi
menengah, dan terendah. Dalam bidang Perencanaan Wilayah dan Kota,
klasifikasi pengelompokan Provinsi tersebut berfungsi Untuk merumuskan
Pembentuk Wilayah Pembinaan yang sesuai dengan karakteristik masing- masing
klasifikasi Provinsi. Salah satu hal yang penting untuk dilakukan dalam
merumuskan yaitu harus mengetahui karakteristik dari masing-masing klasifikasi
Provinsi. Setiap Provinsi memiliki permasalahannya sendiri, belum tentu
permasalahan antara satu Provinsi dengan Provinsi yang lain sama.

DAFTAR PUSTAKA

Aquifer. 2011. Analisis Cluster. www.scribd.com/doc/51082541/Analisis-Cluster.

Diakses pada tanggal 16 Juni 2016.

Dinda.

2015.

Penerapan

Analisis

Cluster

Dengan

Software.

http://dokumen.tips/documents/penerapan-analisis-cluster-dengansoftware.html. Diakses pada tanggal 16 Juni 2016.