Laboratorium Perencanaan dan Perancangan Sistem Ruang

PWK - UNISBA

2.1 Pendahuluan
 Analisis cluster merupakan salah satu teknik statistik multivariat untuk
mengidentifikasi sekelompok obyek yang memiliki kemiripan karakteristik tertentu,
yang dapat dipisahkan dengan kelompok obyek lainnya. Jumlah kelompok yang
dapat diidentifikasi tergantung pada banyaknya variasi data obyek.

 Tujuan dari Analisis Cluster adalah mengelompokkan sekelompok obyek ke dalam

beberapa kelompok berdasarkan kesamaan karakteristik.

 Prinsip dasar pengelompokan ini adalah pengukuran jarak (distance) dan

kesamaan (similarity), dimana hasil analisis cluster ini berupa group objek yang
memiliki high internal homogeneity (within-cluster) dan high external
heterogeneity (between-cluster)

Between Cluster
Within Cluster Within Cluster

Homogenitas internal Heterogenitas external(between cluster);

(within cluster); yaitu yaitu perbedaan antara cluster yang satu
kesamaan antar anggota dalam satu cluster. dengan cluster yang lain.

Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut :

1. Mengukur kesamaan jarak
2. Membentuk cluster secara hirarkis
3. Menentukan jumlah cluster.

Analisis Cluster 2-1

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

2.2 Metoda Pendukung

 Perhitungan Analisis Cluster adalah dengan teknik pengukuran jarak similaritas
dengan berbagai metode:

a. Interval
1) Euclidian distance

D (X,Y) = √ ∑ (Xi – Yi)2

2) Square euclidian distance

D (X,Y) = ∑ (Xi – Yi)2

3) Cosine
∑ (XiYi)
S (X,Y) =
√ ∑ (Xi2) (Yi 2)

4) Peason Correlation
∑ Zxi Zyi
S (X,Y) =
(N-1)

5) Chebychev

D (X,Y) = Max │Xi – Yi │

6) Block

D (X,Y) = ∑ │Xi – Yi │

7) Minkowski

D (X,Y) = [ ∑ │Xi – Yi │p ] 1/p

8) Customized

D (X,Y) = [ ∑ │Xi – Yi │p ] 1/r

b. Frekuensi
1) Chi-square
∑ (Xi – E(Xi))2 ∑ (Yi – E(Yi))2
D (X,Y) = √ { + }
E(Xi) E(Yi)

Analisis Cluster 2-2

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

2) Phi-square
1 ∑ (Xi – E(Xi))2 ∑ (Yi – E(Yi))2
D (X,Y) = √ { + }
n E(Xi) E(Yi)
c. Biner
1) Square euclidian distance

D (X, Y) =b+c

2) Euclidian distance

D (X, Y) = √b+c

3) Size Difference
(b – c)2
D (X, Y) =
(a + b + c + d)2

4) Pattern Difference
bc
D (X, Y) =
(a + b + c + d)2

5) Variance
(b + c)
D (X, Y) =
4(a + b + c + d)

6) Shape

((a + b + c + d)2 (b + c)) – (b – c)2

D (X, Y) =
(a + b + c + d)2

7) Lance and Williams

( b + c)
D (X, Y) =
(2a + b + c )
8) Present and absent
Untuk memilih nilai integer lain selain 0 dan 1

Analisis Cluster 2-3

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

 Tahapan Analisis Cluster:

TAHAP 1 MASALAH PENELITIAN

Tentukan Tujuan

DESAIN PENELITIAN
TAHAP 2 Outlier

PENGUKURAN SIMILARITAS
Apakah variabel Metrik atau Non Metrik

Data Non Metrik

Data Metrik
Association of Similarity

Fokus pada pola proximity

Proximity Distance
Measure of Similarity

Pattern: Correlation
Measure of Similarity

STANDARISASI
Standarisasi Variabel

TAHAP 3 ASUMSI
Pemenuhan asumsi dasar

TAHAP 4
ALGORITMA CLUSTERING
Hirarki, non hirarki, kombinasi

Hirarki Non Hirarki Kombinasi

JUMLAH CLUSTER

TAHAP 5
INTERPRETASI
Periksa cluster centroid

TAHAP 6 VALIDASI

Analisis Cluster 2-4

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

1. Penentuan tujuan
☺ Tentukan tujuan analisis cluster yang akan lakukan. Secara umum tujuan
utama analisis cluster adalah mempartisi suatu set objek menjadi dua grup
atau lebih berdasarkan kesamaan objek tersebut. Dengan membentuk
grup yang homogen, dapat dilihat 3 hal:
a. Deskripsi taksonomi
b. Identifikasi relationship
☺ Dalam penentuan tujuan ini variabel yang akan dipakai telah dipilih dan
ditentukan (sesuaikan dengan tujuan analisis)
☺ Data yang digunakan untuk tiap variabel dapat berupa data interval, ratio,
nominal, atau ordinal
2. Desain penelitian
☺ Terdapat data mentah berupa matriks dengan n objek dan p veriabel
(sebaiknyajumlah objek > jumlah variable)
☺ Menstransformasikan matriks data mentah (n x p) menjadi matriks jarak
antar objek(nxn) dengan menggunakan metoda perhitungan jarak
☺ Dalam tahap ini harus dideteksi terdapat data yang outlier atau tidak. outlier /
pencilan adalah objek yang memiliki nilai ekstrim dibandingkan objek-objek lain.
outlier ini dapat mengganggu pengelompokan. Jika terdapat data outlier, maka
harus dilakukan standarisasi data.
☺ Standarisasi data dapat dilakukan dengan 2 metode:
a. Standarisasi variabel (dengan Z score)

Xi - M
Z=
σ

Z = Skor standar Xi = Skor data mentah

M = rata-rata σ = standar deviasi

b. Standarisasi dengan observasi

3. Asumsi model
1. Sampel yang diambil benar-benar dapat mewakili populasi yang ada
(representativeness of the sample)
2. Tidak terjadi multikolinearitas (artinya variabel yang satu bebas dari
variabel lainnya)

Analisis Cluster 2-5

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

4. Pengelompokan
Pembentukan Cluster dilakukan dengan menggunakan metoda tertentu
(hierarchical)cluster atau mutually exclusive cluster
a. Metode Hirarki; 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
‘struktur 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”.
I. Metode Agglomerative
1. Single lingkage (nearest neigbor methods)/ Pautan Tunggal
Metode ini didasarkan pada jarak minimum. Dimulai dengan dua
objek yang dipisahkan dengan jarak paling pendek maka keduanya
akan ditempatkan pada cluster pertama. Keduanya membentuk
kelompok yang pertama. Pada langkah selanjutnya, terdapat dua
kemungkinan:
a. objek ketiga akan bergabung dengan kelompok yang ada
b. dua objek lainnya akan membentuk kelompok baru
Metode ini dikenal pula dengan nama pendekatan tetangga
terdekat
2. Complete lingkage (futhest neigbor methods)/ Pautan Lengkap
Disebut juga pendekatan tetangga terjauh. Dasarnya adalah jarak
maksimum. Dalam metode ini seluruh objek dalam suatu cluster
dikaitkan satu sama lain pada suatu jarak maksimum atau dengan
kesamaan minimum.
3. Average lingkage methods (between groups methods)/ Pautan
rata-rata
Dasarnya adalah jarak rata-rata antar observasi. pengelompokan
dimulai dari tengan atau pasangan observasi dengan jarak paling
mendekati jarak rata-rata.
4. Ward’s error sum of squares methods
Dalam metode ini jarak antara dua cluster adalah jumlah kuadrat
antara dua cluster untuk seluruh variabel. Metode ini cenderung
digunakan untuk mengkombinasi cluster-cluster dengan jumlah
kecil.

Analisis Cluster 2-6

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

5. Centroid entry and enter methods

Jarak antara dua cluster adalah jarak antar centroid cluster
tersebut. Centroid cluster adalah nilai tengah observasi pada
variabel dalam suatu set variabel cluster. Keuntungannya adalah
outlier hanya sedikit berpengaruh jika dibandingkan dengan
metode lain
II. Metode Divisive
Metoda ini berlawanan dengan metoda aglomerasi, pertama-tama
mulai dengan satu kelompok besar mencakup semua objek.
Selanjutnya objek yang memiliki ketidakmiripan besar dipisahkan
sehingga membentuk kelompok yang lebih kecil. Pemisahan ini
dilanjutkan hingga mencapai sejumlah kelompok yang diinginkan
b. Metode Non-Hirarki; 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”.
1. Sequential threshold procedure
Metode pengelompokan ini terlebih dahulu memilih satu objek dasar
yang akan menjadi nilai awal kelompok, lalu semua objek yang ada
didalam jarak terdekat dengan kelompok ini akan bergabung,
kemudian dipilih kelompok kedua dengan prosedur yang sama
2. Paralel threshold procedure
Prinsipnya sama dengan prosedur sekunsial, hanya saja dilakukan
pemilihan terhadap beberapa objek sekaligus lalu melakukan
penggabungan objek ke dalamnya secara bersamaan
3. Optimizing
Merupakan pengembangan dari kedua prosedur diatas dengan
melakukan optimasi pada penempatan objek
5. Interpretasi
☺ Mendeskripsikan profil cluster yang terbentuk
☺ Pada tahap ini perlu diperhatikan karakteristik apa yang membedakan
masing-masing kelompok yang disesuaiakan dengan tujuan awal analisis.
Dimana perlu spesifikasi kriteria.
6. Validasi
Pengujian dapat dilakukan dengan membandingkan hasil yang diperoleh
dengan algoritma yang berbeda. Misalnya yang pertama menggunakan teknik

Analisis Cluster 2-7

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

hirarki, maka tahap selanjutnya coba gunakan teknik non hirarki. Bila hasilnya
berbeda, maka kelompok yang terbentuk tersebut belum valid dan tidak
dapat diterapkan secara umum. Begitu sebaliknya.

2.3 Kasus dan Aplikasi dalam Ilmu Perencanaan

Banyak kasus-kasus perencanaan yang dicarikan penyelesaiannya dengan
menggunakan Analisis Cluster. Contohnya:
1. Pengelompokan kecamatan di Kabupaten Majalengka berdasarkan tingkat
perkembangan wilayah
Variabel Penilai Perkembangan Wilayah
No. Kecamatan
X1 X2 X3 X4 X5 X6
1. Majalengka
2. Dawuan
3. Sukahaji
4. Cigasong
5. Maja
6. Sindangwangi
7. Lemahsugih

Semua kecamatan yang ada di Kabupaten Garut

X1 = Jumlah Penduduk (jiwa) X4 = Luas Wilayah Terbangun (ha)

X2 = Kepadatan Penduduk (jiwa/ha) X5 = IPM (Indeks Pembangunan Manusia)
X3 = Aksesbilitas X6 = Jumlah sarana pendidikan , dst

2. Pengelompokan objek wisatadi Kabupaten Purwakartaberdasarkan kelengkapan

sarana prasarana wisata
Kelengkapan Sarana Prasarana Wisata
No. Objek Wisata
X1 X2 X3 X4 X5 X6
1. Waduk Wanayasa
2. Waduk Jatiluhur
3. Waduk Cibeber
4. Situ Bulet
5. Curug Cipurut
6. Agrowisata
7. Pemandian Cibulakan

Semua objek wisata yang ada di Kabupaten Bandung dan

Kabupaten Bandung Barat Barat

Analisis Cluster 2-8

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

X1 = Sentra Penjualan Oleh-oleh X4 = Pusat Pelayanan dan Informasi

X2 = Parkir X5 = Keamanan dan Kesehatan
X3 = Penjualan Tiket X6 = Toilet dan Musholla ,dst

2.4 Proses Input Data

Tahapan pengolahan analisis cluster dengan SPSS :
1. Dari menu utama SPSS, pilih “Analyze” lalu pilih sub menu “Classify” kemudian
“Hierarchical Cluster…
2. Tampak di layar :

Masukkan variabel pendapatan, pinjaman, dana hibah, konsumsi, dan penduduk

pada kolom Variables(s).
3. Pilih menu Statistics, akan tampak pada layar :

Analisis Cluster 2-9

 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Klik pada kolom Proximity matrix. Untuk Cluster Membership, pilih Range of
Solutions Minimum number of clusters 2 dan Maximum number of clusters 4, lalu
klik tombol Continue.
4. Kemudian klik icon Plots, akan tampak pada layar :

Klik Dendogram. Pada kolom Icicle, pilih none. Lalu klik icon Continue
5. Klik icon Methods, akan tampak pada layar :

Analisis Cluster 2 - 10
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Pilih Ward’s Method pada Cluster Method. Teknik pengukuran similaritas Squared
Euclidean distance merupakan default pada SPSS. Karena dalam penelitian ini
menggunakan teknik pengukuran tersebut, sehingga option tersebut tidak perlu
diganti. Pada kolom Transform Values, pilih Z score pada Standardize. Lalu
lanjutkan dengan mengklik icon continue.
6. Klik icon Save, akan tampak pada layar :

Pada kolom Cluster Membership, pilih Range of solutions Minimum number of

clusters 2 dan Maximum number of clusters 4. Kemudian klik Continue.

Analisis Cluster 2 - 11
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

7. Terakhir, tekan tombol OK. SPSS akan menampilkan output analisis cluster.

2.5 Studi Kasus

” “Pengelompokan Kecamatan-kecamatan yang Berada di Kabupaten
Karawang Berdasarkan Kesamaan Karakteristik Fasilitas Pelayanan.”

Data yang digunakan adalah data dari dokumen BPS, diambil dari
Kabupaten Karawang dalam Angka tahun 2005. Data ini adalah data 30 kecamatan
yang ada di kabupaten Karawang. Data tersebut kami bagi ke dalam empat bagian,
yaitu empat bagian menurut jenis fasilitas yang ada. Fasilitas tersebut yaitu fasilitas
pendidikan, fasilitas kesehatan, fasilitas peribadatan, dan fasilitas perdagangan dan
jasa.
Adapun data fasilitas pendidikan antara lain jumlah TK, SD, SMP, dan
SMA. Sedangkan fasilitas kesehatan antara lain jumlah poliklinik, rumah bersalin,
puskesmas, dan apotek. Untuk fasilitas peribadatan penulis memilih jumlah masjid,
gereja katolik, gereja protestan, dan vihara. Untuk fasilitas perdagangan dan jasa
antara lain jumlah supermaket, hotel, dan jumlah bank. Penggabungan data
keseluruhan ada di halaman berikut. Jumlah variabel yang ada terlalu banyak,
sehingga penulis memutuskan untuk menggunakan Analisis Faktor untuk mereduksi
jumlah variabel, dan mengelompokkan variabel-variabel yang ada ke dalam
“faktor”.
Ada delapan poin yang harus diperhatikan dalam pembentukan faktor, yaitu
(1)KMO dan Barlett’s Test; (2)Anti Image Matrices; (3)Communalities; (4)Total
Variance Explained; (5)Scree Plot; (6)Component Matrix; (7)Rotated Component
Matrix; dan (8)Component Transformation Matrix. Namun, karena fokus utama
makalah ini ada pada Analisis Cluster, penulis tidak memasukkan semua poin di
atas.

Analisis Cluster 2 - 12
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Tabel 2 Jumlah Fasilitas Pendidikan, Kesehatan, Peribadatan, dan Fasilitas Perdagangan dan Jasa di Kabupaten Karawang
Tahun 2005 Berdasarkan Kecamatan
Sarana Pendidikan Kesehatan Peribadatan Perdagangan dan Jasa
No. Kecamatan Rumah Gereja Gereja
TK SD SMP SMA Poliklinik Puskesmas Apotik Masjid Vihara Supermarket Hotel Bank
Bersalin Katolik Protestan
1 Pangkalan 1 32 2 1 1 32 2 1 1 32 2 1 1 32 2
2 Tegalwaru 0 32 5 1 0 32 5 1 0 32 5 1 0 32 5
3 Ciampel 0 25 4 1 0 25 4 1 0 25 4 1 0 25 4
4 Telukjambe 4 43 3 2 4 43 3 2 4 43 3 2 4 43 3
Barat
5 Telukjambe 4 44 5 0 4 44 5 0 4 44 5 0 4 44 5
Timur
6 Klari 5 55 7 2 5 55 7 2 5 55 7 2 5 55 7
7 Cikampek 9 45 9 4 9 45 9 4 9 45 9 4 9 45 9
8 Purwasari 0 36 4 4 0 36 4 4 0 36 4 4 0 36 4
9 Tirtamulya 0 43 4 1 0 43 4 1 0 43 4 1 0 43 4
10 Jatisari 1 40 4 3 1 40 4 3 1 40 4 3 1 40 4
11 Banyusari 2 26 3 0 2 26 3 0 2 26 3 0 2 26 3
12 Kotabaru 8 45 6 5 8 45 6 5 8 45 6 5 8 45 6
13 Cilamaya Kulon 0 44 3 7 0 44 3 7 0 44 3 7 0 44 3
14 Cilamaya 1 47 6 0 1 47 6 0 1 47 6 0 1 47 6
Wetan
15 Lemahabang 1 37 5 0 1 37 5 0 1 37 5 0 1 37 5
16 Talagasari 0 39 3 2 0 39 3 2 0 39 3 2 0 39 3
17 Majalaya 0 19 2 0 0 19 2 0 0 19 2 0 0 19 2
18 Karawang 5 42 7 15 5 42 7 15 5 42 7 15 5 42 7
Timur
19 Karawang Barat 8 87 14 31 8 87 14 31 8 87 14 31 8 87 14
20 Rawamerta 0 35 5 0 0 35 5 0 0 35 5 0 0 35 5

12
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Sarana Pendidikan Kesehatan Peribadatan Perdagangan dan Jasa

No. Kecamatan Rumah Gereja Gereja
TK SD SMP SMA Poliklinik Puskesmas Apotik Masjid Vihara Supermarket Hotel Bank
Bersalin Katolik Protestan
21 Tempuran 0 38 5 1 0 38 5 1 0 38 5 1 0 38 5
22 Kutawaluya 0 35 6 3 0 35 6 3 0 35 6 3 0 35 6
23 Rengasdengklok 2 80 4 2 2 80 4 2 2 80 4 2 2 80 4
24 Jayakerta 0 45 5 3 0 45 5 3 0 45 5 3 0 45 5
25 Pedes 2 47 3 2 2 47 3 2 2 47 3 2 2 47 3
26 Cilebar 1 30 2 0 1 30 2 0 1 30 2 0 1 30 2
27 Cibuaya 0 34 4 0 0 34 4 0 0 34 4 0 0 34 4
28 Tirtajaya 0 57 5 0 0 57 5 0 0 57 5 0 0 57 5
29 Batujaya 1 61 11 5 1 61 11 5 1 61 11 5 1 61 11
30 Pakisjaya 0 38 4 2 0 38 4 2 0 38 4 2 0 38 4

Ketentuan analisis yang digunakan:

a. Metoda perhitungan jarak yang digunakan euclidian distance
b. Metoda pengelompokan yang digunakan nearest neighbor
c. Standarisasi data yang digunakan Z-score
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

2.6 Output Data

Commun alities
Initial Extraction
Jumlah TK Jumlah SD Jumlah 1.000 .716
SMP Jumlah SMA Jumlah 1.000 .614
Poliklinik 1.000 .655
Jumlah Rumah Bersalin Jumlah 1.000 .873
Puskesmas Jumlah Apotik 1.000 .667
Jumlah Masjid 1.000 .746
Jumlah Gereja Kat olik Jumlah Gereja 1.000 .473
Protest an Jumlah Vihara 1.000 .829
Jumlah Supermarket 1.000 .759
Jumlah Hotel 1.000 .858
Jumlah Bank 1.000 .846
1.000 .891
1.000 .879
1.000 .714
1.000 .822

Extraction Method: Principal Component Analy sis.

Compo nent Matr ixa

Component
1 2 3
Jumlah SMA Jumlah Vihara .918 -.171 -.019
Jumlah Gereja Protestan Jumlah .917 .178 -.135
Supermarket Jumlah Apotik .896 -.046 -.202
Jumlah Bank Jumlah Masjid .881 -.298 -.123
Jumlah SMP .834 -.177 .318
Jumlah Rumah Bersalin .810 -.389 -.123
Jumlah SD Jumlah TK .781 .192 -.335
Jumlah Puskesmas .775 .216 -.089
Jumlah Hotel .757 .392 .140
Jumlah Gereja Kat olik .715 -.121 -.297
Jumlah Poliklinik .691 .445 .200
.666 .027 -.170
.614 -.433 .386
.485 .716 .332
.519 -.334 .535

Extract ion Method: Principal Component Analy sis.

a. 3 components extracted.

14
Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Rotated Co mpon ent Matri xa

Component
1 2 3
Jumlah Gereja Protestan .816 .298 .303
Jumlah Supermarket Jumlah .790 .113 .492
Masjid .778 .391 .025
Jumlah Vihara .757 .513 .234
Jumlah Bank .750 .007 .510
Jumlah SD Jumlah .749 .119 .196
SMA Jumlah SMP .735 .271 .509
Jumlah Puskesmas Jumlah .614 .497 .177
Gereja Kat olik Jumlah TK .610 .264 .178
Jumlah Rumah Bersalin .054 .923 .051
Jumlah Poliklinik .334 .749 .208
Jumlah Hotel .430 .714 .227
Jumlah Apotik .105 .156 .795
.285 .065 .793
.458 .349 .705
Extract ion Method: Principal Component Analy sis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation conv erged in 7 it erations.

Comp onent Tran sformation Matrix

Component 1 2 3
1 .760 .455 .464
2 -.145 .815 -.561
3 -.633 .359 .686

Extraction Method: Principal Component Analy sis.

Rotation Met hod: Varimax with Kaiser Normalization.

15
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Tabel Vertical Icicle Hasil Analisis Cluster

Vertical Icicle

Cas e

5 :Te l u k j a m b e Ti m u r
2 3 :Re n g a s d e n g k l o k

4 :Te l u k j a m b e Ba ra t
1 4 :Ci l a m a y a We ta n
1 8 :Ka ra wa n g Ti m u r

1 3 :Ci l a m a y a Ku l o n
1 9 :Ka ra wa n g Ba ra t

1 5 :L e m a h a b a n g

2 2 :Ku ta wa l u y a
2 0 :Ra wa m e rta
1 6 :Ta l a g a s a ri

3 0 :Pa k i s j a y a
2 1 :Te m p u ra n

2 4 :J a y a k e rta
1 1 :Ba n y u s a ri
9 :Ti rta m u l y a

1 7 :M a j a l a y a

1 :Pa n g k a l a n
2 8 :Ti rta j a y a

2 9 :Ba tu j a y a

1 2 :Ko ta b a ru

2 :Te g a l wa ru
7 :Ci k a m p e k

2 7 :Ci b u a y a
8 :Pu rwa s a ri

1 0 :J a ti s a ri
2 6 :Ci l e b a r

3 :Ci a m p e l
2 5 :Pe d e s
6 :Kl a ri
Number of c lus ters
1 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
2 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
3 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
4 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
5 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
6 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
7 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
8 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
9 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
10 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
11 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
12 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
13 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
14 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
15 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
16 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
17 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
18 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
19 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
20 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
21 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
22 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
23 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
24 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
25 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
26 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
27 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
28 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
29 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

24
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Dendrogram using Complete Linkage

Rescaled Distance Cluster

Combine

C A S E 0 5 10 15
20 25
Label Num +---------+---------+---------+-------
--+---------+

Ciampel 3 -+
Cibuaya 27 -+
Pangkalan 1 -+
Tegalwaru 2 -+
Pakisjaya 30 -+
Jatisari 10 -+
Jayakerta 24 -+
Banyusari 11 -+
Pedes 25 -+-+
Majalaya 17 -+ |
Kutawaluya 22 -+ |
Telukjambe Timur 5 -+ |
Lemahabang 15 -+ |
Cilebar 26 -+ |
Klari 6 -+ +---------------------+
Kotabaru 12 -+-+ |
Telukjambe Barat 4 -+ | |
Tirtamulya 9 -+ | |
Cilamaya Kulon 13 -+-+ |
Tempuran 21 -+ |
Tirtajaya 28 -+ +-------------+
Cilamaya Wetan 14 -+ | |
Batujaya 29 -+ | |
Purwasari 8 -+ | |
Rawamerta 20 -+---+ | +---------+
Talagasari 16 -+ +-----+ | | |
Rengasdengklok 23 -----+ +-------------+ | |
Karawang Timur 18 -----------+ 25 | |
Karawang Barat 19 ---------------------------------------+ |
Cikampek 7 -------------------------------------------------+
Gambar 4 Dendogram Hasil Analisis Cluster
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

2.7 Interpretasi Data

 Tabel Case Processing Summary menggambarkan ringkasan statistik yang di proses.

 Tabel Proximity Matrix menunjukkan matrik jarak antara variabel satu dengan
variabel yang lain.
 Tabel Agglomeration Schedule merupakan hasil proses clustering dengan metode
Between Group Linkage. Setelah jarak antar variabel diukur dengan jarak
euclidean, maka dilakukan pengelompokan, yang dilakukan secara bertingkat.
 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, seperti Tabel Cluster Membership.
 Dendogram berguna untuk menunjukkan anggota cluster yang ada jika akan
ditentukan berapa cluster yang seharusnya dibentuk.

2.8 Referensi

1. Dillon, W.R., Goldstein, M. (1984). Multivariate Analysis: Methods and Application.

New York:John Wiley & Sons.
2. Norusis, M. (1994). SPSS Professional Statistics 6.1. Chicago : SPSS Inc.
3. Laboratorium POSI ITB, Pelatihan Analisis Multivariat, 2001, Teknik Industri ITB,
26
Bandung.
4. Febri, A., Efraim, S. (2013). Makalah Analisis Cluster. Teknik Perencanaan Wilayah
dan Kota ITB, Bandung.

2.9 Latihan Soal

Berdasarkan BPS, jumlah penduduk lansia cenderung meningkat setiap

tahunnya atau dengan kata lain terjadinya peningkatan umur hidup/ perubahan
struktur dari struktur penduduk muda ke struktur penduduk tua. Peningkatan jumlah
lansia ini menjadi permasalahan sendiri bagi pemerintah, karena bayak lansia yang
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

terlantar akibat faktor sosial, ekonomi, dan budaya. Maka dari itu perlu
adanyaperhatian ekstra dari pihak pemerintah untuk menangani permasalahan ini.
Salah satu usaha penanganan lansia oleh pemerintah adalah pembentukan
wilayah pembinaan dengan menggunakan analisis cluster mtoda hirarki. Adapun data
lansia yang terlantar di Indonesia tahun 2012 adalah sebagai berikut:
Tabel
Kriteria Keterlantaran Lansia Menurut Provinsi

Prosentase (%)
Makan Lauk
Makan Tidak
PROVINSI Tidak Pauk
makanan Memiliki mempunyai
pernah berprotein Bila sakit
pokok <21X pakaian tempat
sekolah/ tinggi <4X tidak diobati
dalam < 4 stel tetap untuk
tamat SD dalam
seminggu tidur
seminggu
Sumatera Utara 53,13 28,67 35,74 16,71 3,48 3,33
Sumatera Barat 47,48 38,23 17,48 20,60 0,90 4,05
Riau 67,72 50,59 18,43 9,95 1,58 3,34
Jambi 75,99 44,10 29,77 27,94 1,76 2,55
Sumatera Selatan 65,69 58,39 27,90 24,67 2,57 5,18
Bengkulu 71,37 32,02 35,60 40,64 2,17 4,29
Lampung 80,64 35,59 41,56 34,15 1,48 2,78
Dki Jakarta 37,80 56,38 12,28 67,24 1,45 2,78
Jawa Barat 70,84 70,48 31,37 17,17 1,82 5,32
Jawa Tengah 79,30 35,99 16,25 19,36 1,89 3,97
D.I. Yogyakarta 76,05 46,27 11,35 17,45 1,17 4,72
Jawa Timur 82,76 30,86 15,13 20,77 27 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 3,20 4,64
NTT 87,36 56,75 58,67 39,77 1,42 8,31
Kalimantan Barat 63,48 54,34 38,60 29,46 3,87 7,51
Kalimantan Timur 60,37 50,29 18,78 28,13 6,69 2,68
Kalimantan Selatan 76,93 38,72 16,65 29,37 2,77 7,07
Kalimantan Tengah 73,43 52,45 18,18 12,72 1,11 1,01
Sulawesi Utara 51,30 58,14 25,58 11,08 1,84 2,89
Sulawesi Tengah 66,01 54,47 16,29 32,81 2,47 8,66
Sulawesi Selatan 77,62 58,74 10,93 24,03 3,70 6,89
Sulawesi Tenggara 77,65 60,91 3,19 17,78 1,07 8,78
Irian Jaya 52,32 70,04 25,37 16,84 6,58 19,62
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Pertanyaan:
1. Teori:
a. Jelaskan tujuan analisis cluster dalam ilmu perencanaan ?
b. Jelaskan metoda perhitungan jarak dalam analisis cluster ?
c. Sebutkan konsep dasar penggunaan analisis cluster ?
d. Jelaskan metode agglomerative dan Ward’s Error Sum of Square Methods ?
2. Berdasarkan hasil output analisis di atas, maka jelaskanlah:
a. 3 cluster yang terbentuk dan anggota masing-masing cluster
b. Variabel yang membentuk setiap cluster
c. Objek/ responden yang memiliki jarak euclidian terkecil

3. Jelaskanlah tabel agglomeration scheduleberikut:

 Untuk NPM Ganjil : Pengelompokkan Stage 5, 9, 12
 Untuk NPM Genap : Pengelompokkan Stage 18, 11, 8
Agglomeration Schedule
Cluster Combined Stage Cluster First Appears
Stage Coefficients Next Stage
Cluster 1 Cluster 2 Cluster 1 Cluster 2
1 1 2 .000 0 0 4
2 14 15 1.000 0 0 16
3 7 8 1.000 0 0 13
4 1 3 1.000 1 0 19
5 13 24 2.000 0 0 11
6 22 23 2.000 0 0 7
7 11 22 1.500 0 6 20
8 18 20 2.000 0 0 12
9 9 12 2.000 0
28 0 14
10 5 6 2.000 0 0 17
11 13 21 2.500 5 0 18
12 18 19 2.500 8 0 18
13 7 10 3.250 3 0 14
14 7 9 2.944 13 9 20
15 16 17 4.000 0 0 22
16 14 25 4.250 2 0 21
17 4 5 4.500 0 10 19
18 13 18 4.778 11 12 21
19 1 4 5.000 4 17 24
20 7 11 6.493 14 7 23
21 13 14 6.750 18 16 22
22 13 16 8.296 21 15 23
23 7 13 10.575 20 22 24
 Laboratorium Perencanaan dan Perancangan Sistem Ruang
PWK - UNISBA

Agglomeration Schedule
Cluster Combined Stage Cluster First Appears
Stage Coefficients Next Stage
Cluster 1 Cluster 2 Cluster 1 Cluster 2
24 1 7 58.423 19 23 0

4. Berapa kelompok cluster yang terbentuk beserta anggotanya, dengan jarak 2,0 ?

C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+

A 1 ─┐
B 2 ─┼───┐
C 3 ─┘ ├───────────────────────────────────────────┐
E 5 ─┬─┐ │ │
F 6 ─┘ ├─┘ │
D 4 ───┘ │
V 22 ─┐ │
W 23 ─┼───┐ │
K 11 ─┘ ├───┐ │
I 9 ─┬─┐ │ │ │
L 12 ─┘ ├─┘ │ │
G 7 ─┬─┤ │ │
H 8 ─┘ │ ├───────────────────────────────────────┘
29
J 10 ───┘ │
P 16 ───┬───┐ │
Q 17 ───┘ │ │
N 14 ─┬─┐ ├─┘
O 15 ─┘ ├─┐ │
Y 25 ───┘ │ │
M 13 ─┬─┐ ├─┘
X 24 ─┘ ├─┤
U 21 ───┘ │
R 18 ─┬─┐ │
T 20 ─┘ ├─┘
S 19 ───┘