ANALISIS BIPLOT DALAM MENDESKRIPSIKAN POSISI RELATIF ANTAR KECAMATAN BERDASARKAN

PENYANDANG MASALAH KESEJAHTERAAN SOSIAL DI KABUPATEN KONAWE

Oleh

Dermawanto, Dr. Gusti Ngurah Adhi Wibawa, S.Si., M.Si, Norma Muhtar S.Si.,M.Si

Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo

Biplot analysis is an attempt to present a graph demonstration of the matrix data X in a plot by overlapping vectors of
the row matrix X (object picture) with vectors that represent the column matrix X (modifier picture). Biplot developed
based on Singular Value Decomposition (SVD).

The study utilize data of social welfare problems on 12 districts in Konawe regency in 2013 and aimed to find out the
social problems that exist in 12 districts in Konawe regency.

The results of Biplot analysis generate diversity degree about 99.3%. The results of the relative position in the
Wonggeduku, Sampara, Pondidaha and Abuki district positioned as the districts which have relative large social
problems issues about abandoned children and the mentally disabled. The result of some districts such as Soropia,
Wawotobi, Bondoala, Amonggedo, Lambuya, and Uepai are defined as the districts that have major social problems
about decrepit abandon and physical defects. While Routa district and Unaaha district have social problems that are not
oversized.

Keyword : Biplot, Singular Value Decomposition, Position Relative

 1. PENDAHULUAN
P embangunan adalah karya
terstruktur yang
mempunyai implikasi luas terhadap
kualitas hidup manusia. Hal ini karena
kontruksi pembangunan terdiri atas
serangkaian aktivitas yang
direncanakan untuk memajukan
kondisi hidup manusia. Analogi ini
menyiratkan bahwa karya terstruktur
yang dilakukan melalui pembangunan
dalam berbagai bidang kehidupan
selama ini, ternyata telah mengantarkan
bangsa Indonesia memasuki era-baru
dengan berbagai konsekuensinya.
Pembangunan kesejahteraan sosial
sebagai bagian tak terpisahkan dari
pembangunan nasional, juga
mengambil peran aktif dalam
meningkatkan kualitas hidup bangsa
Indonesia. Terdapat indikasi bahwa
belakangan ini, Indonesia ternyata
berhasil menata dan meningkatkan
kualitas hidup rakyat setahap lebih
maju dari tatanan kehidupan yang
diwarisi era sebelumnya.
Seiring dengan kemajuan
bidang kesejahteraan sosial yang
dicapai selama ini, disadari pula bahwa
keberhasilan bangsa Indonesia ternyata
masih diwarnai permasalahan sosial
yang belum terselesaikan. Bangsa
Indonesia masih tetap dihadapkan
pada permasalahan kemiskinan,
keterlantaran, kecacatan, ketunaan
sosial dan penyimpangan perilaku,
keterpencilan, korban bencana dan
tindak kekerasan, baik masalah yang
bersifat primer maupun akibat dari
dampak nonsosial, yang belum
sepenuhnya terjangkau oleh proses
pembangunan kesejahteraan sosial.
Pembangunan kesejahteraan sosial
merupakan wujud komitmen
pemerintah untuk meningkatkan harkat
dan martabat sebagian warga
masyarakat yang menyandang
permasalahan sosial.
Tantangan pembangunan
kesejahteraan sosial yang dihadapi
tercermin dari masih rendahnya daya
dorong perekonomian, serta populasi
Penyandang Masalah Kesejahteraan
Sosial (PMKS) yang masih menjadi
beban sosial, baik bobot maupun
kompleksitasnya. Untuk menghadapi
berbagai permasalahan sosial tersebut,
maka diperlukan pemahaman yang
mendalam terhadap kondisi dan
permasalahan sosial yang akan
dihadapi.
Dalam menanggapi pemahaman
terhadap permasalahan sosial, maka
peneliti mencoba menyajikan
gambaran penyandang masalah
kesejahteraan sosial pada beberapa
Kecamatan di Kabupaten Konawe.
Terlepas dari itu, metode biplot mampu
memberikan gambaran atau kondisi
mengenai PMKS di Kabupaten
Konawe.
2. TINJAUAN PUSTAKA
2.1 Konsep Dasar Penyandang
Masalah Kesejahteraan Sosial.
2.1.1 Definisi Tuna Rungu
Istilah tunarungu diambil dari
kata tuna dan rungu, tuna artinya
kurang dan rungu artinya pendengaran.
Orang dikatakan tunarungu apabila ia
tidak mampu mendengar atau kurang
mampu mendengar suara.
Tunarungu satu istilah umum yang
menunjukkan ketidakmampuan
mendengar dari yang ringan sampai
yang berat sekali yang digolongkan
kepada tuli dan kurang dengar.
Sedangkan yang kurang dengar
biasanya menggunakan alat bantu
dengar, sisa pendengarannya cukup
memungkinkan untuk keberhasilan
memproses informasi bahasa melalui
pendengarannya, artinya apabila orang
yang kurang dengar tersebut
menggunakan hearing aid ia masih
dapat menangkap pembicaraan melalui
pendengarannya (Pratiwi. 2014).
2.1.2 Definisi Cacat Anggota
Badan(Tuna Daksa)
Istilah tuna daksa maksudnya
sama dengan istilah yang berkembang
seperti cacat tubuh, tuna tubuh, cacat
anggota badan, dll.Dengan kata lain,
tuna daksa adalah suatu kegiatan yang
menghambat kegiatan individu sebagai
akibat kerusakan atau gangguan pada
tulang, otot, atau sendi sehingga
mengurangi kapasitas normal individu
untuk mengikuti pendidikan dan untuk
berdiri sendiri. Kondisi ini dapat
disebabkan karena bawaan sejak lahir,
penyakit atau kecelakaan (Ekawati,
2013).
Secara etimologis, gambaran
seseorang yang diidentifikasi
mengalami ketunadaksaan, yaitu
seseorang yang mengalami kesulitan
mengoptimalkan fungsi anggota tubuh
sebagai akibat dari luka, penyakit,
pertumbuhan yang salah bentuk, dan
akibatnya kemapuan untuk melakukan
gerakan-gerakan tubuh tertentu
mengalami penurunan (Fitriani, 2014).
2.1.3 Definisi Cacat Mental (Tuna
Grahita)
Keterbelakangan mental
disebut juga dengan tunagrahita.
Tunagrahita adalah istilah yang
digunakan untuk menyebut anak yang
mempunyai kemampuan intelektual
dibawah rata-rata. Dalam kepustakaan
bahasa asing digunakan istilah-istilah
mental retardation, mental retarded,
mentally deviciency, mental detective,
dan lain-lain (Sugiarti, 2014).
Penyandang tuna grahita
adalah seorang yang mempunyai
kelainan mental, atau tingkah laku
akibat kecerdasan yang terganggu,
adakalanya cacat mental dibarengi
dengan cacat fisik sehingga disebut
cacat ganda.Misalnya cacat intelegensi
yang mereka alami disertai dengan
keterbelakangan penglihatan ada juga
yang disertai dengan cacat pendengaran
(Hidayat, 2014).
2.1.4 Definisi Jompo Terlantar
Peningkatan populasi orang
lanjut usia diikuti pula berbagai
persoalan-persoalan bagi orang lanjut
usia itu sendiri. Penurunan kondisi fisik
dan psikis, menurunnya penghasilan
akibat pensiun, kesepian akibat
ditinggal oleh pasangan atau teman
seusia dan lain-lain. Oleh karena itu
diperlukan adanya suatu perhatian
besar dan penanganan khusus bagi
orang lanjut usia tersebut (Kadir.
2007).
Menjadi tua seharusnya bukan
untuk ditakuti tapi untuk dinikmati dan
hal tersebut merupakan fenomena yang
tidak dapat dihindarkan. Semakin baik
pelayanan kesehatan sebuah bangsa
makin tinggi pula harapan hidup
masyarakatnya dan pada gilirannya
makin tinggi pula jumlah penduduknya
yang berusia lanjut. Demikian pula di
Indonesia,seperti dijelaskan dalam
Kamus Besar Bahasa Indonesia, kata
jompo adalah tua sekali dan sudah
lemah fisiknya sehingga tidak mampu
mencari nafkah sendiri dsb; tua renta;
uzur (Malawat. 2012).
2.1.5 Definisi Anak Terlantar
Anak Terlantar adalah anak
karena suatu sebab orang tuanya
melalaikan kewajibannya sehingga
kebutuhan anak tidak dapat terpenuhi
dengan wajar baik secara rohani,
jasmani dan sosial yang dimaksud anak
terlantar adalah anak yang tinggal
dalam keluarga miskin usia sampai utama yang semuanya
dengan 18 tahun (Afiadin. 2011). tidak harus nol (Imron dan
2.2 Konsep Dasar Matriks Didik, 2007).
2.2.1 Definisi Matriks Contoh 2.2 Diberikan matriks
Sebuah matriks adalah
sebuah susunan segi empat dari
bilangan-bilangan. Bilangan-bilangan =[ ] dan =[ ]
di dalam susunan tersebut dinamakan
entri di dalam matriks (Anton, 1997).
Matriks dapat dituliskan sebagi berikut: c. Matriks
Identitas/satuan
a a a Definisi :
a a a
=[ ] Matriks identitas adalah
a a a matriks yang anggotanya
semua nol kecuali pada
Susunan matriks A disebut matriks m diagonal utamanya
kali (ditulis m ), karena memiliki semuanya bilangan satu,
m baris dan kolom. biasanya disimbolkan
dengan , dimana n adalah
2.2.2 Jenis-jenis Matriks ukuran matriksnya (Imron
a. Matriks Bujur Sangkar dan Didik, 2007).
Definisi : Matriks identitas ini biasanya
dinotasikan dengan atau .
Suatu matriks dikatakan
Matriks identitas ini dalam aljabar
matriks bujur sangkar jika
matriks mempunyai peranan yang
banyaknya baris dan kolom
sama dengan bilangan 1 dalam
dari matriks tersebut sama
aljabar biasa.
(Anton, 1997).
Dalam matriks bujur sangkar Contoh 2.3 Diberikan matriks
elemen-elemen a ,a ,,a
disebut elemen diagonal. = =[ ] dan

Sedangkan jumlah elemen dalam
diagonal utama matriks bujur
sangkar disebut trace .
= =[ ]
Contoh 2.1 Diberikan matriks bujur
sangkar =[ ] d. Matriks Transpose
Definisi :
Elemen diagonal matriks = , , Matriks transpose dari
dan trace = + + = . matriks A ditulis yang
b. Matriks Dioganal anggotanya merupakan
Definisi : anggota A dengan
Matriks diagonal adalah mengubah baris menjadi
matriks yang semua kolom dan kolom menjadi
anggotanya nol semua baris (Imron dan Didik,
kecuali pada diagonal 2007).
 Apabila diketahui suatu A dikatakan dapat dibalik (invertible)
matriks berukuran m maka dan B dinamakan invers (inverse) dari
matriks transpose biasanya A. Jika dapat dibalik, maka inversnya
dinotasikan dengan
dengan dinyatakan dengan simbol . Jadi
ukuran m . = dan = (Kusumawati.
Contoh 2.4 Jika diketahui matriks 2009).

=[ ]. 2.2.5 Nilai Eigen Dan Vektor

Eigen
Definisi :
Maka transpos matriks untuk
Misalkan A adalah matriks
matriks adalah
= [ ]. n x n. Skalar disebut
sebagai suatu nilai eigen
atau nilai karakteristik
2.2.3 Determinan Matriks (Characteristic Value) dari
Misalkan adalah matriks A jika terdapat suatu
bujur sangkar. Fungsi determinan vektor tak nol x,
dinyatakan oleh det, dan kita Sehingga
definisikan det() sebagai jumlah Ax = x (2.2)
semua hasil kali elementer bertanda Vektor x disebut vector
dari . Jumlah det( kita namakan eigen atau vektor
determinan (Anton, 1987). karakteristik dari (leon.
1999).
Jika matriks yang Persamaan 2.2 dapat
berukuran mempunyai ! hasil dituliskan kembali dalam bentuk:
kali elementer. Hasil kali elementer (A- I)x = 0 (2.3)
tersebut adalah hasil kali yang Dengan I adalah matriks identitas
berbentuk , yang berukuran sama dengan
dimana , , , adalah permutasi matriks A.
himpunan { , , , }. Yang di artikan Jika persamaan (2.3) ditulis
dengan hasil kali elementer bertanda lengkap maka persamaannya
adalah hasil kali elementer menjadi :
dikalikan dengan
a + a + + a =
+ atau . Digunakan tanda + jika a + a + + a =
, , , adalah permutasi genap
a + a + + a =
dan tanda jika , , , adalah
permutasi ganjil. Pada persamaan 2.3 akan
mempunyai penyelesaian taktrivial
Contoh. 2.5 Diketahui matriks jika dan hanya jika A- I singular

= [ ] atau secara ekuivalen (leon. 1999)
det I =
det = (2.1) Persamaannya dapat ditulis
kembali menjadi :
2.2.4 Invers Matriks
det I = | I|
Jika A adalah matriks bujur
sangkar, dan jika dapat dicari matriks
B sehingga berlaku AB = BA = I, maka
 2.3.3 Hasil Kali Titik Proyeksi
Jika U dan V adalah vektor-
=| |= 0
vektor diruang dimensi dua dan

adalah sudut diantara U dan ,
Nilai eigen dari suatu matriks maka hasil kali titik (dot product)
dapat berupa akar real atau atau hasil kali dalam euclidis
kompleks, suatu nilai eigen yang (Euclidean) inner product U.V
berlainan disebut nilai eigen yang didefinisikan oleh
berulang k kali dinamakan
cs jika da
bermultiplisitas k. . ={
jika = da =
Vektor eigen dapat diperoleh
setelah nilai eigen didapat dengan Jika U dan V adalah vektor tak nol
memasukkan i dalam persamaan maka rumus hasil kali titik diatas
berikut : dapat ditulis sebagai :
(A iI)xi= 0, untuk i=1,2,.,n cs =
.

(2.7)
2.3 Konsep Dasar Vektor
2.3.1 Pengantar Vektor Jika = , dan =
Vektor dinyatakan sebagai
, adalah dua vektor diruang
segmen-segmen garis terarah
dimensi dua, maka rumus yang
diruang dimensi dua atau diruang
bersesuaian adalah
dimensi tiga .Arah panah
menentukan arah vektor dan . = + (2.8)
panjang panah menyatakan Teorema.
besarannya. Ekor panah
dinamakan titik awal (Initial Point) Jika U dan V adalah vektor
dari vektor, dan ujung panah diruang dimensi dua atau ruang
dinamakan titik terminal. Jika titik dimensi tiga dan jika V0, maka
awal vektor V adalah titik A dan
Komponen vektor U sepanjang V
titik terminalnya adalah titik B
adalah sebagai berikut :
maka vektor tersebut dapat
dituliskan (Kusumawati. 2009). .
ry =
(2.9)
V =
B (2.4)
Sedangkan untuk menentukan
2.3.2 Norma Vektor panjang komponen vektor u
Panjang suatu vektor V sepanjang a dapat ditulis :
dinamakan norma V dan
.
dinyatakan dengan ry =
(Kusumawati. 2009) (2.10)
. Norma vector = ,
diruang dimensi dua adalah 2.4 Biplot
= + (2.5) Analisis biplot adalah teknik
Jika = , dan = statistika deskriptif yang dapat
, adalah dua titik diruang disajikan secara visual guna
dimensi dua, maka jarak d diantara menyajikan secara simultan n objek
kedua titik tersebut adalah pengamatan dan p variabel dalam
d= + ruang bidang datar, sehingga ciri-ciri
(Kusumawati. 2009) (2.6)
variabel dan objek pengamatan serta
posisi relatif antar objek pengamtan
dengan variabel dapat
dianalisis.Analisis biplot pertama kali
diperkenalkan oleh Gabriel pada tahun
1971. Analisis Biplot merupakan upaya
untuk memberikan peragaan secara
grafik dari matriks data X dalam suatu
plot dengan menumpang tindihkan
vektor-vektor baris matriks X yang lebar (tumpul). Sedangkan dua
(gambaran objek) dengan vektor-vektor
yang mewakili kolom matriks X
(gambaran peubah). penghitungan
dalam analisis biplot didasarkan pada
Penguraian Nilai Singular (PNS) suatu
matriks (Siswadi dan Suharjo, 1998).
Menurut Mattijk (2004) ada
empat hal penting yang dapat dilihat
pada tampilan objek. Hal tersebut
adalah :
1. Kedekatan antar objek,
informasi ini bisa dijadikan panduan
objek mana yang memiliki kemiripan
karateristik dengan objek tertentu.
Dalam biplot, dua objek dengan
karateristik sama akan digambarkan
sebagai dua titik yang posisinya
berdekatan.
2. Keragaman variabel,
informasi ini digunakan untuk melihat
apakah ada variabel tertentu yang
nilainya hampir sama setiap objek ada
yang sama besar dan ada juga yang
sangat kecil. Dengan informasi ini, bisa
diperkirakan pada variabel mana
strategi tertentu harus ditingkatkan,
serta sebaliknya. Dalam biplot, variabel
dengan keragaman kecil digambarkan
dengan vektor pendek, sedangkan
variabel yang ragamnya besar
digambarkan sebagai vektor yang
panjang.
3. Hubungan (korelasi)
antar variabel, dengan menggunakan
biplot variabel akan digambarkan
sebagai garis berarah. Dua variabel
yang memiliki korelasi positif tinggi
akan digambarkan sebagai dua buah
garis dengan arah yang sama, atau
membentuk sudut yang sempit. Apabila
dua variabel yang memiliki korelasi
negatif tinggi akan digambarkan dalam
bentuk dua garis yang arahnya
berlawanan, atau membentuk sudut
buah variabel yang tidak berkorelasi
akan digambarkan dalam bentuk dua
garis yang mendekati 900 (siku-siku).
4. Nilai variabel pada
suatu objek, informasi ini digunakan
untuk melihat keunggulan dari setiap
objek. Objek yang terletak searah
dengan arah dari suatu variabel
dikatakan bahwa pada objek tersebut
nilainya diatas rata-rata. Sebaliknya
jika objek lain terletak berlawanan
dengan arah dari variabel tersebut
maka objek tersebut memiliki nilai
dekat dengan rata-rata.
2.4.1 Penguraian Nilai Singular
Perhitungan pada analisis
biplot didasarkan pada penguraian nilai
singular. Landasan analisis ini adalah
bahwa setiap matriks X yang
berpangkat r dimana r <min({n,p},
dapat digambarkan secara pasti dalam
ruang berdimensi r. Bagi matriks yang
berpangkat r dan ingin digambarkan
dengan baik dalam ruang berdimensi k
dimana kr dilakukan suatu pendekatan
yang optimum dengan suatu matriks
berpangkat k berdasarkan kuadrat
norma perbedaan terkecil antara
keduanya. Dari matriks hasil
pendekatan terbaik tersebut
digambarkanlah konfigurasi objek dan
variabel dalam ruang berdimensi k.
untuk memudahkan pemahaman
masalah ini, misalkan saja k=2
sehingga pendekatan tersebut dapat
digambarkan dalam suatu salib sumbu
atau bidang ( Siswadi & Suharjo,
1998).
Matriks X adalah matriks
yang memuat variabel-variabel yang
akan diteliti sebanyak p dan objek
penelitian sebanyak n. pendekatan
langsung untuk mendapatkan nilai
singularnya, dengan persamaan yang
digunakan adalah matriks X berukuran
n x p yang berisi n objek dan p variabel
yang dikoreksi terhadap rata-ratanya
dan mempunyai rank r, dapat dituliskan
menjadi :
nXp = nUr rLrrApt
dimana matriks U dan A adalah
matriks dengan kolom orthonormal
(UtU=AtA=I) dan L adalah matriks
diagonal berukuran (r x r) dengan
unsure-unsur diagonalnya adalah akar
dari nilai eigen- nilai eigen XtX, yaitu
.Unsur-
unsur diagonal matriks L ini disebut
nilai singular matriks X dan kolom-
kolom matriks A adalah vektor eigen
dari XtX. Kolom-kolom untuk matriks
U diperoleh dari :
= Xa i, (2.12)
dimana adalah kolom mariks
U, adalah kolom matriks A dan
adalah nilai eigen ke-i (Mattjik &
Sumertajaya, 2011).
Dengan penguraian nilai
singular diperoleh X seperti pada
persamaan 2.11 yang juga dapat
dituliskan sebagai berikut :
nXp =nUrrLrrL1-rrAtp
Misalkan nGr=nUrLr dan
rH p = rL rrA p dengan besarnya 0
t 1- t
1 persamaan diatas menjadi
(Jollife, 1986)
nXp =nUrrLrrL1-rrAtp =nGrrHtp (2.14)
Hal ini berarti unsur Ke-(i,j) matriks X
dapat dituliskan sebagai berikut :
Xij =git hj (2.15)
Dengan git, i =1,2,..., n dan hj
,j=1,2, ...,p masingmasing merupakan
baris matriks G dan kolom matriks H.
Pada git dan hj mempunyai r dimensi.
Jika X mempunyai rank dua, vektor
baris git dan vektor hj dapat
digambarkan dalam ruang berdimensi
(2.11) dua. Jika X mempunyai rank lebih dua
maka persamaan (2.15) diatas menjadi :
= (2.16)
=
Dimana uik adalah elemen ke-(i,k)
dari matriks U, ajk adalah elemen ke-
(j,k) dari matriks A dan adalah
elemen diagonal ke-k dari matriks L
(Siswadi & Suharjo, 1998).
Himpunan data asal yang terdiri
dari n objek dan p variabel tereduksi
menjadi himpunan data yang terdiri
dari n objek dengan m unsur pertama.
Jika ada sebanyak m elemen unsur
yang dipertahankan, persamaan diatas
dapat didekati dengan : (Mattjik &
Sumertajaya, 2011)
= ; < (2.17)
=
Persamaan diatas kemudian dapat
dituliskan kembali sebagai
(2.13)
=
=
 + +
=




= =

= Sehingga diperoleh matriks X :

Y Y
= X = [Y Y ]
= Y Y
= git hj (2.18)
= [ ]
Jika m = 2 maka hal itu disebut
biplot, sehingga persamaan yang

terakhir dapat dinyatakan sebagai : = [ ]
(Gabriel, 1971)

= git hj (2.19) Setelah pembentukan matriks

X, berikutnya pembentukan matriks
Dengan 2xij merupakan unsur XtX, dimana matriks tersebut
pendekatan matriks X pada dimensi digunakan dalam PNS sebagai
dua, sedangkan gi dan hj masing- berikut :
masing mengandung dua unsur pertama
vektor gi dan hj. Dari pendekatan

matriks X pada dimensi dua diperoleh Xt X = [ ] [ ]

matriks G dan H sebagai berikut : + + + +
Xt X = [ ]
+ + + +

Xt X = [ ]

G=[ ]danH = [ ] Dalam PNS yang pertama
kali dilakukan adalah mencari akar
ciri dan vektor ciri dari matriks
Matriks G adalah titik-titik XtX. Maka penyelesaiannya
koordinat dari n objek dan matriks sebagai berikut :
H adalah titik-titik koordinat dari det(XtX I) =0
p variabel (Mattjik & Sumertajaya,
det [ ][ ][ ] =
2011).

det [ ][ ] =

2.4.2 Ilustrasi Penguraian Nilai
det [ ] =
Singular
Analisis biplot dimulai sehingga diperoleh persamaannya
dengan pembentukan terlebih sebagai berikut :
dahulu matriks data asal. Matriks + =
tersebut didasarkan pada objek + =
=
pengamatan, untuk itu peneliti = atau =
mengilustrasikan perhitungan PNS
sebagai berikut : Jadi nilai eigen dari matriks XtX
adalah =3 dan =1
Misalkan matriks Y = [ ], Untuk vektor eigen diperoleh
sebagai berikut :
maka diperoleh nilai sebagai
berikut : Jika =3
+ +
= =
(XtX iI)xi =0
 x Matriks L adalah matriks diagonal
[ ][ ][ ] [x ] =
dengan diagonal utamanya
x merupakan akar ciri atau nilai eigen
[ ][ ] [x ] =
dari matriks XtX. Maka diperoleh
x matriks L dari Ilustrasi diatas
[ ] [x ] =
sebagai berikut :
maka persamaannya sebagai
berikut : L=[ ]

x x = pers
= pers 2
L = [ ]

Penyelesaiannya :
1,732 0
L=[ ]
x = x pers 0 1
= pers 2 Untuk matriks A diperoleh dari
Sehingga : vektor ciri atau vektor eigen XtX
x = x , x T yang telah dinormalisasikan
untuk = 1 menjadi himpunan orthonormal
sebagai berikut :
(XtX iI)xi =0
1 1 1
x A= [ ]
[

][ ][ ] [x ] = 2 1 1

1 1 1
x A= [ ]
[ ][ ] [x ] = 1,414 1 1

x 1 1
[ ] [x ] = A = 0,7071 [ ]
1 1
0,7071 0,7071
maka persamaannya sebagai A=[ ]
0,7071 0,7071
berikut :
x x = pers Untuk matriks U diperoleh sebagai
+ = pers 2 berikut :

Penyelesaiannya : 1
u1 = Xa1
1
x = x pers
= pers 2 1 1 1
0,7071
u1 = [1 0 ][ ]
Sehingga : 3 0 0,7071
1
x = x ,x T
1 0,7071 0,7071
Jadi semua kelipatan taknol u1 = [ 0,7071 ]
1,732 0,7071
dari (-1 , 1)T adalah vektor eigen
miliki 1 dan semua kelipatan 1,4142
taknol dari (1 , 1)T merupakan u1 = 0,5774 [ 0,7071 ]
vektor eigen milik 2. 0,7071
 0,8165 XtX = (GHt) t (GHt)
u1 = [ 0,4083 ]
0,4083 = HGtGHt

1 = HHt (2.21)
u2 = Xa2
2
U adalah orthonormal, dan XXt
1
1 1
0,7071
= HHt=(n-1)S,dengan n adalah
u2 = [1 0 ][ ] banyaknya objek pengamatan dan S
1 0 0,7071
1 adalah matriks kovarian dari matriks X
0 maka
u2 = 1 [0,7071]
0,7071 HHt=(n-1)S (2.22)

0 Diagonal utama pada matriks

u2 = [0,7071] HHt menggambarkan variansi dari
0,7071
variabel. Nilai cosinus sudut antara dua
Jadi Matriks U adalah : vektor variabel menggambarkan
korelasi kedua variabel.Semakin sempit
0,8165 0 sudut yang dibuat antara dua variabel
U = [ 0,4083 0,7071]
0,4083 0,7071
maka semakin tinggi korelasinya.
Korelasi variabel ke-j dan ke-k sama
2.4.3 Keterandalan Biplot dengan nilai cosinus sudut vector hj dan
Ukuran pendekatan matriks hk.
X dalam biplot dijabarkan sebagai
= da
berikut (Gabriel, 1971)
2
21 +22 sehinggacs = = =
= (2.20) | || |
rk 2k (2.23)
Fakta yang diperoleh jika nilai
dengan1 adalah nilai eigen terbesar = 1, adalah bahwa G = UL dan Ht =
ke-1,2 adalah nilai eigen terbesar ke- At sehingga diperoleh hubungan:
2 dan ,k =1,2.r adalah nilai eigen
XXt = (GHt)(GHt) t
ke-k. Apabila 2 mendekati nilai satu,
maka biplot memberikan penyajian = GHtHGt
yang semakin baik mengenai informasi
data yang sebenarnya. =GGt (2.24)

Untuk mendeskripsikan biplot Pada keadaan ini, vektor baris

perlu mengambil nilai dalam
mendefinisikan G dan H. Pemilihan
nilai pada G = UL dan Ht = L 1-At
bersifat sembarang dengan syarat 0
1. Pengambilan nilai ekstrim = 0
dan = 1 berguna dalam
mempermudah interpretasi biplot.
Jika = 0 maka G= U dan Ht =
LAt ini berarti
ke-I sama dengan akar komponen
utama untuk responden ke-i dari hasil
analisis komponen utama. Untuk
G=UL maka unsur ke-k dari gi adalah
uik . Hasil tersebut sama dengan
Zjk yang merupakan skor komponen
utama ke-k dari objek ke-i. sedangkan
H=A diperoleh vektor pengaruh kolom
hj sama dengan aj.
 3. METODE PENELITIAN 4. PEMBAHASAN
4.1 Deskripsi Data
3.1 Waktu dan Tempat Pada data jumlah penyandang
masalah kesejahteraan sosial dari 12
Penelitian ini akan dilaksanakan
(dua belas) Kecamatan yang berada
dari bulan September 2014 sampai
didaerah otonomi Kabupaten Konawe,
dengan bulan November 2014 di mana
diperoleh beberapa informasi bahwa,
pengambilan datanya diambil pada
terdapat 7196 orang PMKS,
Badan Pusat Statistik (BPS) Sulawesi
diantaranya jompo terlantar
Tenggara di Kendari, dan kemudian
merupakan masalah sosial dengan
pengolahan data dilakukan di
jumlah terbanyak yakni 2938 orang
Laboratorium Komputasi Matematika
penyandang, untuk masalah sosial
Fakultas Matematika dan Ilmu
anak terlantar sebanyak 2762 orang
Pengetahuan Alam Universitas Halu
penyandang. Sedangkan cacat anggota
Oleo.
badan, cacat mental, Tuna rungu
3.2 Metode Analisis Data masing-masing sebanyak 753 orang,
494 orang, 251 orang penyandang
Metode analisis yang dilakukan yang mengalami masalah sosial.
dalam penelitian ini adalah analisis Untuk lebih jelasnya dapat terlihat
Biplot. pada diagram batang berikut ini :
Adapun langkah langkah analisisnya Gambar 4.1 Diagram batang jumlah
sebagai berikut: penyandang masalah
1. Pemasukan data (matriks data kesejahteraan sosial
Y).
2. Mereduksi Matriks Y menjadi 3000
2500
matriks X dengan mengurangi 2000
1500
nilai data Matriks dengan 1000
rataannya. 500
0
A ak
Jo po
Cacat

3. Mancari matriks XtX.

Cacat Mental
Tuna Rungu

4. Mencari nilai eigen dan vektor

eigen kemudian diurutkan dari
yang terbesar
5. Mencari nilai matriks U, L dan
Berdasarkan diagram
A
batang terlihat bahwa penyandang
6. Menghitung koefisien kebaikan
jompo terlantar, dan penyandang anak
dari dua nilai eigen terbesar (
terlantar merupakan masalah
70%)
kesejahteraan sosial yang masih banyak
7. Membuat matriks G = U L dan terjadi di Kabupaten Konawe
Ht = L1-At. dibandingkan dengan penyandang
8. Plot matriks G dan H secara masalah kesejahteraan sosial yang lain
tumpang tindih. dengan jumlah sedikit. Dari 12
Analisis Biplot dilakukan dengan Kecamatan, jika dirata-ratakan maka
menggunakan perangkat lunak penyandang jompo terlantar terdapat
Software 244,8 orang setiap Kecamatan,
sedangkan penyandang anak terlantar
 ,2 0,25 1,17 21,83 6,17
juga terdapat 230,17 setiap Kecamatan. 5,2 15,75 31,17 64,83 1,83
Jompo terlantar dan anak terlantar 6,08 16,25 8,83 26,17 7,83
merupakan masalah sosial yang 7,08 12,25 11,17 55,17 3,83
14,08 22,25 3,83 45,17 68,83
seharusnya menjadi perhatian X=
12,08 6,25 16,83 25,17 44,83
pemerintah Kabupaten Konawe. Untuk ,08 20,25 53,83 22,17 53,83
3,2 17,25 16,17 45,17 23,83
data penyandang masalah sosial ada 4,08 1,25 25,83 24,83 5,17
pada lampiran 1. 5,2 2,25 1,17 44,83 115,17
5,2 37,75 28,83 70,17 0,17
4.2 Pemetaan Posisi Relatif Dengan [20,2 62,75 41,17 132,83 132,17]
Analisis Biplot
4.2.1 Perhitungan SVD Setelah pembentukan matriks X,
(Singular Value berikutnya pembentukan matriks XtX,
Decomposition) dimana matriks tersebut digunakan
Analisis biplot dimulai dalam PNS (Penguraian Nilai Singular)
dengan pembentukan terlebih sehingga diperoleh matriks Xt X
dahulu matriks data asal. Matriks sebagai berikut :
tersebut didasarkan pada objek xx
pengamatan, untuk itu perhitungan 1186,7 2382,75 2068,17 4641,83 5606,17
2382,75 7642,25 3443,5 614,5 11555,5
Singular Value Decomposition = 2068,18 3443,5 855,67 10823,3 10165,67
sebagai berikut : 4641,83 614,5 10823,3 38807,67 3054,3
[5606,17 11555,5 10165,67 3054,3 43051,67]
Misalkan matriks
11 63 22 223 224
15 47 10 180 250
Dalam PNS yang pertama kali
27 7 50 271 238 dilakukan adalah mencari akar ciri dan
28 75 30 300 270 vektor ciri dari matriks XtX. Maka
35 85 45 20 2 penyelesaiannya sebagai berikut :
33 6 58 270 275
Y= , maka
30 83 5 267 284 det(XtX I) =0
17 80 25 20 254 1186,7 2382,75 2068,17 4641,83 5606,17
25 82 67 220 225 2382,75 7642,25 3443,5 614,5 11555,5
2068,18 3443,5 855,67 10823,3 10165,67
15 65 22 200 115 4641,83 614,5 10823,3 38807,67 3054,3
15 25 70 315 230 [5606,17 11555,5 10165,67 3054,3 43051,67]
[0 0 0 112 8 ] det
diperoleh nilai sebagai berikut :
1 0 0 0 0
= = , 0 1 0 0 0
0 0 1 0 0
= = 62,75 0 0 0 1 0
( [ ] [0 0 0 0 1] )
= = 41,17 =0
1186,7 2382,75 2068,17 4641,83 5606,17
= = 244,83 2382,75 7642,25 3443,5 614,5 11555,5
= = 230,17 det 2068,18 3443,5 855,67 10823,3 10165,67
4641,83 614,5 10823,3 38807,67 3054,3
Sehingga diperoleh matriks X : ([5606,17 11555,5 10165,67 3054,3 43051,67]
0 0 0 0
0 0 0 0
Y11 1 Y12 2 Y1 5 0 0 0 0 =0
Y21 1 Y22 2
X=[ ] 0 0 0 0
[0 0 0 0 ])
Y1 1 Y2 2 Y 5
1186,7 2382,75 2068,17 4641,83 5606,17
2382,75 7642,25 3443,5 614,5 11555,5
det 2068,18 3443,5 855,67 10823,3 10165,67
4641,83 614,5 10823,3 38807,67 3054,3
([ 5606,17 11555,5 10165,67 3054,3 43051,67 ])
=0
 sehingga diperoleh persamaannya Dengan menggunakan Sistem
sebagai berikut : Persamaan Linier (SPL) atau
dengan sistem metode Gauss
( + , , x + Jordan , dan menormalisasi dari
, x , + x
, x + , x )
himpunan orthogonal menjadi
, x + , x = himpunan orthonormal, maka
( + , , x + diperoleh vektor eigen sebagai
, x + , x +
, x ) =0
berikut :
0,768 0,12108 0,13718 0,04367 0,10064
0,18076 0,057 0,28873 0,1347 0,2128
Maka nilai eigen : 0,032 0,33032 0,8781 0,17247 0,21265
216,258 4173,162 5226,208 0,00138 0,0408 0,27472 0,71030 0,64677
10572,28 7060,24 = 0 [ 0,05454 0,23256 0,12762 0,66756 0,6355]
1 = 7060,24
2 = 10572,28 Matriks L adalah matriks diagonal
3 = 5226,208
4 = 4173,162
dengan diagonal utamanya
5 = 216,258 merupakan akar ciri atau nilai eigen
Untuk vektor eigen diperoleh dari matriks XtX. Maka diperoleh
sebagai berikut : matriks L dari sebagai berikut :
1 = 7060,24
(XtX iI) xi = 0
1 0 0 0 0
, , , , , 0 2 0 0 0
, , , , , L= 0 0 0 0
3
, , , , ,
, , , , , 0 0 0 4 0
([ , , , , , ] [ 0 0 0 0 5]
281,18 0 0 0 0
0 102,82 0 0 0
[ , ] L= 0 0 72,2 0 0
0 0 0 64,6 0
[ ]) [ ] [ 0 0 0 0 14,71]
=

, , , , , Setelah diperoleh matriks L, maka

, , , , , dibentuk pula matriks A dan U
, , , , ,
, , , , , dimana matriks A adalah vektor ciri
([ , , , , , ]) atau vektor eigen XtX sebagai
berikut :
= A
0,768 0,12108 0,13718 0,04367 0,10064
[ ] 0,18076 0,057 0,28873 0,1347 0,2128
= 0,032 0,33032 0,8781 0,17247 0,21265
77873,33 2382,75 2068,17 4641,83 5606,17 0,00138 0,0408 0,27472 0,71030 0,64677
2382,75 71417, 3443,5 614,5 11555,5 [ 0,05454 0,23256 0,12762 0,66756 0,6355]
2068,17 3443,5 70500,58 10823,33 10165,67
4641,83 614,5 10823,33 40252,58 3054,33 Untuk matriks U diperoleh sebagai
([ 56061,67 11555,5 10165,67 3054,33 36008,58])
berikut :
maka persamaannya sebagai 1
berikut : u1 = Xa1
1

, + , + , + , + , 1
, , + , + , + , u1 =
281,176
, + , , + , + ,
, + , + , , + ,
, + , + , + , ,
 ,2 0,25 1,17 21,83 6,17
5,2 15,75 31,17 64,83 1,83
matlab dan software Microsoft excel,
6,08 16,25 8,83 26,17 7,83 disajikan pada tabel berikut ini:
7,08 12,25 11,17 55,17 3,83 Tabel. 4.1 Nilai Eigen, Proporsi dan
0,768
14,08 22,25 3,83 45,17 68,83
0,18076 Proporsi kumulatif
12,08 6,25 16,83 25,17 44,83
0,032
,08 20,25 53,83 22,17 53,83
0,00138
3,2 17,25 16,17 45,17 23,83
[ 0,05454 ] Nilai eigen Proporsi Kumulatif
4,08 1,25 25,83 24,83 5,17
5,2 2,25 1,17 44,83 115,17 79060,249 0,9755663 0,9755663
5,2 37,75 28,83 70,17 0,17
[20,2 62,75 41,17 132,83 132,17] 10572,289 0,0174453 0,9930116
5226,208 0,0042629 0,9972746
7,46342
0,83007 4173,162 0,0027181 0,9999927
1,6652
3,56623 216,258 0,0000073 1
5,5386
6,52352 Setelah matriks L, maka dibentuk
u1 = [0,003556]
3,061 pula matriks A dan U. dimana matriks
6,70128
1,733 A, L, dan U ini akan menjadi dasar dari
2,0565 pembentukan matriks G dan H. Matriks
1,0845
[2,38828] A diperoleh dari vektor eigen XtX
sedangkan kolom-kolom untuk matriks
0,02654
0,0025 U diperoleh dengan rumus pada
0,0052 persamaan (2.13), untuk matriks L, A
0,01268
0,017 dan U ada pada lampiran 4 dan 5
u1 =
0,0232 .Selanjutnya adalah pembentukan
0,01102
0,02383
matriks G dan H dimana matriks G
0,0061 merupakan titik kordinat dari 12 Objek
0,00733
0,0067
dan matriks H merupakan titik
[0,0084] koordinat dari 5 variabel. Matriks G
dan H diperoleh melalui persamaan
Jadi Matriks U adalah : (2.14) dengan menggunakan nilai =1.
0.02654 0.05734 0,161 0,22133 1,524 Dengan nilai =1 maka biplot dapat
0.0025 0,1162 0,2483 0,6417 2,63525 menampilkan jarak antar pasangan
0.0052 0,11465 0,07288 0,1233 1,248
0,01268 0,08402 0,35627 0,1347 4,3625 baris dan berguna untuk mempelajari
0,017 0,0625 0,126 0,2603 5,70672 objek. Matriks G dan H digambarkan
0,0232 0,0761 0,08216 0,16285 3,63787
U= dalam dimensi dua dengan objek dan
0,01102 0,0678 0,5874 0,21724 4,64757
0,02383 0,16338 0,35302 0,17383 3,065 variabel penelitian disesuaikan dengan
0,0061 0,0318 0,5085 0,1362 0,65568
0,00733 0,31704 0,13341 0,64528 7,68836 dimensi tersebut. Hasil analisis biplot
0,0067 0,4038 0,07026 0,32 2,0807 dapat dilihat pada gambar 4.2. Dan
[ 0,0084 0,118 0,06346 0,056 13,72226]
tabel 4.2 dan 4.3 menyajikan koordinat
Dalam penguraian nilai biplot (matriks G dan H) yang
singular pada penelitian ini, dengan diperoleh berdasarkan dengan software
objek pengamatan sebanyak 12 matlab
Kecamatan dan Variabel sebanyak 5
bentuk masalah sosial. Maka diperoleh Tabel 4.2 Koordinat Biplot untuk Objek
nilai singular beserta proporsi dan dalam Dimensi 1 dan
kumulatif yang berdasarkan Dimensi 2 (G)
perhitungan menggunakan software
 Objek Dimensi 1 Dimensi 2

Soropia 0.0747 0.059

Sampara 0.0083 -0.1196
Bondoala -0.0166 0.1179
Lambuya -0.0356 0.0864
Uepai -0.0554 0.0644
Pondidaha -0.0652 -0.0783
Wonggeduku 0.031 -0.0995
Amonggedo 0.067 0.168
Wawotobi 0.0174 0.0958
Unaaha -0.0206 0.326 Gambar 4.2. Grafik Biplot berdasarkan
Abuki 0.0191 -0.4152 Matriks G dan H
Routa -0.0239 -0.2048
Keterangan :
Tabel 4.3. Koordinat Biplot untuk TR : Tuna Rungu
Variabel (Peubah) dalam CAB : Cacat Anggota Badan
Dimensi 1 dan Dimensi 2 CM : Cacat Mental
(H) JT : Jompo Terlantar
Varibel (Peubah) Dimensi 1 Dimensi 2 AT : Anak Terlantar
Tuna Rungu -0.977 0.1211
Hasil analisis biplot
kesejahteraan sosial pada 12
Cacat Anggota Badan 0.1808 0.9058 Kecamatan dan 5 variabel disajikan
Cacat Mental 0.0993 -0.3303 pada gambar 2. Hasil biplot pada
gambar dijelaskan pada sub-bab berikut
Jompo Terlantar 0.0014 0.041
ini :
Anak Terlantar 0.0545 -0.2326
4.2.2 Interpretasi Output
Setelah memperoleh titik koordinat Menurut Mattjik (2004) ada
objek dan titik koordinat variabel, empat hal penting yang dapat dilihat
maka matriks G dan matriks H pada tampilan biplot. Hal tersebut
ditumpang tindihkan dalam satu grafik adalah kedekatan antar objek,
yang kemudian disebut biplot. Dengan keragaman peubah (variabel),
bantuan Software Microsoft Excel hubungan antar variabel, dan nilai
grafik biplot dengan koordinat diatas variabel pada suatu objek. Berdasarkan
disajikan dalam gambar 4.2. biplot pada gambar 2 maka interpretasi
yang diperoleh dijelaskan dalam
subbab berikut.
Kedekatan antar objek
(Kecamatan)
Informasi ini bisa dijadikan
panduan objek mana yang memiliki
kemiripan karateristik dengan objek
tertentu. Dalam biplot, kedekatan objek
dengan variabel ditunjukan oleh letak
objek tersebut terhadap vektor variabel. Variabel Panjang
Sedangkan kedekatan objek yang satu TR 0.9844
dengan yang lain menunjukan CAB 0.9236
CM 0.3449
kemiripan antar objek.
JT 0.041
Berdasarkan gambar 4.2. AT TR
Diketahui bahwa Kecamatan Uepai, Berdasarkan gambar 4.2 dan
Kecamatan Lambuya, Kecamatan tabel 4.4, terlihat bahwa vektor variabel
Bondoala, Kecamatan Amonggedo, tuna rungu dan cacat anggota badan
Kecamatan Wawotobi dan Kecamatan memiliki vektor yang panjang. Hal
Soropia. Hal ini berarti masing-masing tersebut menunjukan bahwa keragaman
kecamatan memiliki kemiripan variabel tersebut sangat besar atau
karateristik permasalahan sosial yang dapat juga dikatakan bahwa
sama. permasalahan sosial tuna rungu dan
Pada gambar 4.2 juga terlihat permasalahan sosial cacat anggota
bahwa koordinat objek yang saling badan sangat beragam di 12
berdekatan masing-masing Kecamatan Kecamatan.
Sampara, Kecamatan Pondidaha, Untuk vektor variabel
Kecamatan Routa dan Kecamatan jompo terlantar memiliki vektor yang
Wonggeduku memiliki jarak yang relatif lebih pendek. Hal tersebut
relatif dekat. Hal tersebut menandakan menunjukan bahwa keragaman variabel
bahwa objek yang memiliki jarak jompo terlantar lebih kecil atau dapat
kedekatan yang relatif kecil tersebut juga dikatakan bahwa permasalahan
memiliki permasalahan sosial yang sosial untuk jompo terlantar relatif
lebih mirip. Sedangkan untuk hampir sama besar di 12 Kecamatan
kecamatan Unaaha dan kecamatan yang berada pada daerah otonomi
Abuki merupakan objek yang memiliki Kabupaten Konawe. Sedangkan untuk
jarak terjauh memungkinkan tidak variabel anak terlantar dan cacat mental
mempunyai kemiripan permasalahan memiliki vektor yang relatif sedang.
sosial yang sama terhadap objek lain.
Hubungan (Korelasi) antar
Keragaman Peubah (Variabel) variabel
Informasi ini digunakan Dalam biplot, nilai sudut
untuk melihat keragaman variabel antara dua vektor variabel
tersebut. Dimana panjang vektor menggambarkan korelasi kedua
variabel sebanding dengan keragaman variabel. Dua vektor variabel yang
variabel. Semakin panjang vektor memiliki korelasi tinggi akan
variabel maka keragaman variabel digambarkan sebagai dua buah garis
tersebut semakin besar. Dalam biplot, vektor yang membentuk sudut sempit.
variabel dengan keragaman kecil Jika sudut yang dibuat tegak lurus
digambarkan dengan vektor yang maka keduanya tidak berkorelasi.
pendek, sedangkan peubah yang Sedangkan jika sudutnya tumpul maka
ragamnya besar digambarkan sebagai korelasinya semakin rendah dan jika
vektor panjang. berlawanan arah maka korelasinya
negatif.
Tabel 4.4. Nilai Panjang Vektor Pada
Sebuah Variabel
 Tabel 4.5. Nilai Cosinus antar Sedangkan objek yang hampir relatif
Variabel searah berarti objek tersebut memiliki
jumlah penyandang yang hampir sama.
Variabel Nilai Sudut Variab Nilai Sudut 1. Nilai Variabel Jompo Terlantar
Cos el Cos terhadap Objek (Kecamatan)
TR, -0,073 94,220 CAB, -0,882 151,970
CAB CM Kecamatan Uepai, Kecamatan
CM, JT -0,947 161,330 JT, AT -0,965 164,860 Lambuya, Kecamatan Amonggedo,
AT, TR -0,965 110,260 TR, -0,403 113,790
CM Kecamatan Unaaha, Kecamatan
CAB, -0,91 155,510 CAB, 0,986 9,352 Bondoala, Kecamatan Soropia, dan
AT JT
JT, TR 0,089 84,860 AT, 0,998 3,530
Kecamatan Wawotobi searah terhadap
CM vektor variabel jompo terlantar,
Berdasarkan gambar 4.2 dan sehingga dapat dikatakan bahwa
tabel 4.5 terlihat bahwa vektor variabel Kecamatan-Kecamatan tersebut
anak terlantar membentuk sudut yang memiliki permasalahan yang relatif
lancip dengan vektor variabel cacat besar terhadap penyandang masalah
mental. Hal tersebut menandakan jompo terlantar. Pada gambar 2 terlihat
bahwa kedua variabel saling ketujuh kecamatan tersebut membentuk
berkorelasi tinggi, ini ditunjukan sudut lancip terhadap permasalahan
dengan sudut yang terbentuk sebesar sosial jompo terlantar. Sedangkan
3,540 kedua vektor variabel ini Kecamatan Pondidaha, Kecamatan
mempunyai tingkat keeratan yang Sampara, Kecamatan Wonggeduku,
sangat kuat. Sedangkan sudut yang Kecamatan Routa dan Kecamatan
dibentuk variabel anak terlantar dan Abuki terlihat tidak searah dengan
cacat mental terhadap variabel yang vektor variabel jompo terlantar dapat
lain adalah sudut tumpul. Untuk dikatakan bahwa kelima Kecamatan
variabel jompo terlantar juga tersebut memiliki jumlah permasalahan
membentuk sudut lancip dengan penyandang jompo terlantar lebih
variabel cacat anggota badan. sedikit. Hal ini ditunjukan kelima
Sedangkan variabel tuna rungu kecamatan tersebut membentul sudut
memiliki arah yang sama terhadap yang tumpul terhadap permasalahan
variabel jompo terlantar dengan sudut sosial tersebut.
yang terbentuk sebesar 84,860. Hal ini 2. Nilai Variabel Anak terlantar
mennjukan bahwa kedua variabel terhadap Objek (Kecamatan)
memiliki tingkat keeratan yang sedang. Kecamatan Routa, Kecamatan
Nilai Peubah Pada Suatu Objek Sampara, Kecamatan Wonggeduku,
Dalam informasi ini digunakan Kecamatan Pondidaha dan Kecamatan
untuk melihat keunggulan dari setiap Abuki diposisikan searah dengan
objek. Objek yang terletak searah vektor variabel anak terlantar dengan
dengan arah vektor variabel dikatakan kata lain kelima kecamatan tersebut
bahwa objek tersebut mempunyai memiliki permasalahan sosial yang
jumlah penyandang masalah relatif besar terhadap masalah sosial
kesejahteraan sosial yang besar. anak terlantar. Hal ini dibuktikan
Namun jika objek terletak berlawanan bahwa kelima Kecamatan tersebut
dengan arah dari vektor variabel membentuk sudut yang lancip terhadap
tersebut, maka objek tersebut memiliki permasalahan sosial anak terlantar.
jumlah penyandang yang sedikit. Beberapa kecamatan seperti
Kecamatan Uepai, Kecamatan
Lambuya,Kecamatan Amonggedo,
Kecamatan Unaaha, Kecamatan
Bondoala, Kecamatan Soropia, dan
Kecamatan Wawotobi terletak tak
searah dengan vektor variabel anak
terlantar. Hal tersebut menandakan
bahwa ketujuh objek tersebut
merupakan Kecamatan dengan
penyandang masalah sosial anak
terlantar yang relatif lebih sedikit.
3. Nilai Variabel Tuna Rungu
terhadap Objek (Kecamatan)
Kecamatan Uepai, Kecamatan
Pondidaha, dan Kecamatan Lambuya
berada pada posisi yang searah dengan
permasalahan penyandang sosial tuna
rungu. Sehingga dapat dikatakan
bahwa ketiga kecamatan tersebut
memiliki jumlah permasalahan sosial
tuna rungu yang relatif besar, ini
ditunjukan dengan sudut lancip yang
terbentuk. Selain ketiga Kecamatan
tersebut, koordinat Kecamatan
Bondoala dan Kecamatan Unaaha juga
masih searah terhadap vektor variabel
tuna rungu dengan tingkat keeratan
yang sedang. Selain dari lima
Kecamatan yang telah disebutkan,
Kecamatan lain memiliki koordinat tak
searah dengan vektor variabel tuna
rungu, hal ini menunjukan bahwa
Kecamatan lain masih memiliki
penyandang masalah sosial tuna rungu
yang lebih sedikit, ini ditunjukan
dengan sudut yang terbentuk yakni
sudut tumpul.
4. Nilai Variabel Cacat Mental
terhadap Objek (Kecamatan)
Kecamatan Wonggeduku,
Kecamatan Sampara, Kecamatan
Routa, Kecamatan Pondidaha dan
Kecamatan Abuki berada pada posisi
yang searah dengan permasalahan
sosial cacat mental. Hal ini dikarenakan
Kecamatan-Kecamatan tersebut
membentuk sudut lancip terhadap
masalah sosial cacat mental. Hal ini
menjadikan kelima kecamatan tersebut
memiliki permasalahan sosial cacat
mental yang relatif besar. Selain dari
kelima Kecamatan tersebut, Kecamatan
lain berada pada posisi tak searah
dengan masalah sosial cacat mental, hal
ini dibuktikan sudut yang terbentuk
adalah sudut tumpul sehingga dapat
dikatakan bahwa Kecamatan lain masih
memiliki permasalahan sosial cacat
mental yang lebih relatif sedikit.
5. Nilai Variabel Cacat Anggota
Badan terhadap Objek
(Kecamatan)
Kecamatan Amonggedo,
Kecamatan Unaaha, Kecamatan
Bondoala, Kecamatan Lambuya,
Kecamatan Wawotobi, Kecamatan
Uepai dan Kecamatan Soropia berada
pada posisi searah dengan masalah
sosial cacat anggota badan. Hal ini
dibuktikan dengan sudut yang
terbentuk yakni sudut lancip antara
ketujuh kecamatan tersebut dengan
masalah sosial cacat anggota badan.
Sehingga dapat dikatakan pula ketujuh
kecamatan tersebut masih memiliki
permasalah sosial cacat anggota badan
yang besar. Selain dari ketujuh
Kecamatan tersebut, Kecamatan lain
berada pada posisi tak searah dengan
masalah sosial cacat anggota badan, hal
ini menunjukan bahwa kecamatan lain
masih memiliki permasalahan sosial
cacat anggota badan yang relatif lebih
sedikit, dikarenakan sudut yang
terbentuk antara kecamatan lain dengan
masalah sosial cacat anggota badan
yakni sudut tumpul.
4.2.3 Keterandalan Biplot
Biplot yang terbentuk pada
gambar 4.2 telah menyajikan data
secara visual deskriptif dengan tingkat
representasi yang baik. Namun dalam
penyajian tersebut sebenarnya juga
terdapat beberapa kekeliruan pada
pemetaan posisi relatif objek.
Kekeliruan tersebut adalah Kecamatan
Routa yang seharusnya diposisikan
sebagai objek yang berlawanan arah
dengan vektor anak terlantar.
Pereduksian dimensi yang dilakukan
membuat representasi data mengalami
sedikit penurunan. Biplot merupakan
representasi dua dimensi dari data yang
semula berdimensi banyak. Oleh
karena itu pereduksian dimensi ini
mengakibatkan sedikit kekeliruan
seperti hal yang dijelaskan di atas.
Secara umum, biplot pada
gambar 4.2 adalah biplot yang sangat
baik. Kebaikan dari grafik biplot
tersebut dapat dilihat pada sumbu
pertama atau dimensi pertama sebesar
97,56% dan pada sumbu kedua atau
dimensi 2 sebesar 1,74%. Sehingga,
total informasi keragaman yang dapat
diterangkan oleh biplot adalah 99,3%
jadi pererepresentasi data yang
diperoleh setelah pereduksian dimensi
adalah 99,3%. Sisa 0,7% merupakan
kekeliruan-kekeliruan kecil yang
mungkin terjadi akibat pereduksian
dimensi tersebut seperti yang telah
dijelaskan sebelumnya.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan
yang telah diuraikan dari bab
sebelumnya, maka secara garis besar
dapat disimpulkan sebagai berikut :
1. Analisis biplot dalam penelitian
ini mampu memberikan gambaran
visualisasi yang lebih praktis dengan
presentase keragaman sebesar 99,3%
dari data yang berdimensi tinggi, hal
ini berarti analisis biplot mampu
menerangkan 99,3% keragaman data.
2. Kecamatan Wonggeduku,
Kecamatan Sampara, Kecamatan
Pondidaha dan Kecamatan Abuki
diposisikan sebagai Kecamatan yang
memiliki permasalahan sosial yang
besar pada permasalahan penyandang
anak terlantar dan cacat mental.
Untuk Kecamatan Soropia,
Kecamatan Wawotobi, Kecamatan
Bondoala, Kecamatan Amonggedo,
Kecamatan Lambuya, dan Kecamatan
Uepai adalah Kecamatan-Kecamatan
yang memiliki permasalahan sosial
yang besar pada permasalahan
penyandang jompo terlantar dan cacat
anggota badan. Sedangkan Kecamatan
Routa dan Kecamatan Unaaha
memiliki permasalahan sosial yang
tidak terlalu besar terhadap 5 variabel.
5.2 Saran
Dalam skripsi ini hanya terbatas
pada pembahasan mengenai metode
Biplot dengan data sederhana.
Pemetaan untuk penyandang masalah
kesejahteraan sosial juga dapat
dilakukan dengan menggunakan teknik
pemetaan lainnya guna mencari
keefektifan kinerja pemetaan secara
grafik. Teknik lainnya seperti
gabungan antara analisis cluster dengan
anaisis bipot, dan gabungan antara
analisis faktor dengan analisis bipot
 DAFTAR PUSTAKA
Afiadin. 2011. Pengertian Anak Terlantar
dan Lanjut Usia Serta Landasan
Hukumnya.
http://afiadin.blogspot.com.
diakses 23 Mei 2015
Anton, H. 1987. Aljabar Linear Elementer.
Edisi Kelima. Jakarta: Erlangga.
Anton, H., Terjemahan Pantur Silaban 1997,
Aljabar Linier Elementer,
Erlangga, Jakarta.
Imron, C. Dan Didik, S., 2007, Modul
Aljabar Matriks, Departemen
Pendidikan Nasional,
Surabaya.
Bronson, R. 1989. Theory and Problem of
Matrix Operation. New York:
Mcgraw- Hill.
Ekawati, E. 2013. Pengertian Tuna Daksa.
http://erniekawati.blogspot.com.
diakses 23 Mei 2015
Fitriani, N. 2014. Makalah Tuna daksa.
http://nfitriani.blogspot.com.
diakses 23 Mei 2015.
Gabriel, K.R. 1971. The Biplot Graphic
Display of Matrices with
Application to Principal
Componen Analysis. Jarussalem.,
Gower,J.C and Hand,D.J. 1996, Biplots
(Monographs on Statistics and
Applied Probability 54).First
Edition. Chapman & Hall.
Hidayat, A. 2014. Pengertian Anak Tuna
Grahita Dalam Pendidikan.
http://arishidayat89.blogspot.com.
diakses 23 Mei 2015
Jollife, I.T. 1986. Principal Component
Analysis. New York: Springer Verlas.
Kadir, S. 2007. Panti Werdha Sebuah
Pilihan.
http://subhankadir.wordpress.com.
Diakses 23 Mei 2015.
Kusumawati, R. 2009. Aljabar Linear dan
matriks. Malang: UIN.
Kotler, P. 1997. Manajemen Pemasaran,
Analisis Perencanaan,
Implementasi dan Kontrol. Edisi
Bahasa Indonesia Jilid I. Jakarta :
Pearson Education Asia. PT
Prenhalindo
Leon,S..,1999. Aljabar Linier dan
Aplikasinya. Edisi Kelima. Jakarta
:Erlangga
Malawat, F. 2012. Kesejahteraan Lanjut
Usia.http://faramadina.
blogspot.com. diakses 25 Agustus
2015.
Mattjik, A.A., M Sumertajaya, H.
Wijayanto, Indahwati, A. Kurnia
B. Sartono. 2004. Modul Teori
Pelatihan Analisis Multivariat.
Departemen Statistika FMIPA IPB.
Bogor.
Mattjik, A.A., dan M Sumertajaya. 2011.
Sidik Peubah Ganda dengan
Menggunakan SAS. Bogor: IPB
Press.
Pratiwi, C. 2014. Makalah Tuna Rungu SLB.
http://zien9.blogspot. Com. diakses
25 Agustus 2015.
Siswadi dan Suharjo B. 1998. Analisis
Eksplorasi Data Peubah Ganda. Bogor:
Jurusan Matematika FMIPA IPB.
Sugiarti. 2014. Keterbelakangan Mental
Dan Pendidikan Dengan Individu
Khusus. http://makalah-
ugi.blogspot.com.diakses 23 Mei
2015