Anda di halaman 1dari 17

BAB I

PENDAHULUAN

1.1 Latar Belakang dan Rumusan Masalah

1.1.1 Latar Belakang

Indonesia merupakan negara yang sangat luas dan memiliki sumber daya alam dan
manusia yang melimpah. Kondisi tanah yang subur serta mudah ditanami tanaman
membuat negara Indonesia dapat memproduksi berbagai komoditas pertanian dengan
kualitas baik dan juga hasil yang melimpah. Tiap pulau yang ada di Indonesia memiliki
komoditas pertanian masing-masing dan hasil yang didapatkan tidak sama tergantung
dari kondisi geografis daerah dan sumber daya yang ada. Salah satunya yaitu Pulau
Jawa. Komoditas pertanian utama di Pulau Jawa diantaranya yaitu padi, kedelai,
jagung, dan kacang tanah. Komoditas pertanian yang ada di Pulau Jawa harus
dikelompokkan daerah mana saja yang memiliki hasil paling banyak agar dapat
dioptimalkan peranan suatu daerah untuk memproduksi salah satu komoditas. Cara
mengelompokkan provinsi di Pulau Jawa dalam hal produksi hasil komoditas
pertanian yaitu menggunakan metode analisis kluster dalam aplikasi SPSS.

1.1.2 Rumusan Masalah


Berdasarkan latar belakang diatas, rumusan masalah yang penulis ajukan adalah
sebagai berikut:

1. Apa yang dimaksud dengan aplikasi SPSS?


2. Apa yang dimaksud dengan metode analisis kluster?
3. Bagaimana tahapan dalam pengaplikasian metode analisis kluster?
4. Tentukan kluster yang terjadi di provinsi yang ada di Pulau Jawa berdasarkan
hasil komoditas pertaniannya!
1.2 Tujuan Penulisan
Tujuan yang akan dicapai dari laporan penelitian ini yaitu:

1. Mengetahui apa yang dimaksud dengan aplikasi SPSS.


2. Mengetahui apa yang dimaksud dengan metode analisis kluster.
3. Mengetahui pengelompokkan provinsi yang ada di Pulau Jawa berdasarkan
hasil komoditas pertaniannya.

1.3 Ruang Lingkup Kajian


Untuk mejawab rumusan masalah di atas, perlu pengkajian beberapa pokok bahasan
diantaranya yaitu mengerti aplikasi SPSS, mengerti dan memahami metode analisis
kluster, serta mengidentifikasi kluster yang terjadi pada provinsi yang ada di Pulau
Jawa berdasarkan hasil komoditas pertaniannya.

1.4 Metode Penelitian dan Teknik Pengumpulan Data


Metode penelitian yang dilakukan dalam laporan penelitian ini yaitu metode deskriptif
dan analisis. Yaitu mendeskripsikan data dan menginterpretasikan hasil analisis yang
dilakukan. Sedangkan teknik pengumpulan data yang dilakukan yaitu teknik studi
literatur. Yaitu dengan cara membaca serta mengumpulkan data dari sumber bacaan
berupa buku maupun jurnal penelitian.
BAB II
KAJIAN TEORI

Dalam bab ini akan membahas tentang teori-teori yang akan di gunakan sebagai
landasan atau acuan untuk mengerjakan makalah ini. Adapaun teori-teori yang
digunakan adalah SPSS (Statistical Package for Social Science), Analisis Cluster.

2.1. SPSS (Statistikal Product and Service Solutions)


SPSS adalah sebuah program aplikasi yang memiliki kemampuan analisis statistik
cukup tinggi serta sistem manajemen data pada lingkungan grafis dengan
menggunakan menu-menu deskriptif dan kotak-kotak dialog yang sederhana sehingga
mudah untuk dipahami cara pengoperasiannya.

Pada tahun 1984, muncul SPSS dalam versi PC (bisa dipakai untuk komputer desktop)
dengan nama SPSS/PC+ dan sejalan dengan populernya sistem operasi Windows
maka SPSS pada tahun 1992 mengeluarkan versi Windows. Selain itu, SPSS juga
menjalin aliansi strategis dengan software house lainnya, seperti Oracle Corp,
Business Object, serta Ceres Integrated Solution untuk memperkuat market dalam
bidang business intelligence.

Pada awalnya SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu-ilmu
sosial, sehingga SPSS merupakan singkatan dari statistical package for social science.
Sekarang kemampuan SPSS diperluas untuk melayani berbagai jenis pengguna (user),
seperti untuk proses produksi di pabrik, riset ilmu sains dan lainnya. Dengan demikian,
sekarang kepanjangan dari SPSS Statistikal Product and Service Solutions.

SPSS dapat membaca berbagai jenis data atau memasukkan data secara langsung
kedalam SPSS Data Editor. Bagaimana pun struktur dari file data mentahnya, maka
data dalam Data Editor SPSS harus dibentuk dalam bentuk baris (cases) dan kolom
(variables). Baris berisi informasi untuk satu unit analisis, sedangkan kolom adalah
informasi yang dikumpulkan dari masing-masing kasus. Beberapa kemudahan yang
lain yang dimiliki SPSS dalam pengoperasiannya adalah karena SPSS menyediakan
beberapa fasilitas seperti berikut ini:

1. Data Editor
Digunakan untuk pengolahan data. Data editor dirancang sedemikian rupa
seperti pada aplikasi-aplikasi spreadsheet untuk mendefinisikan, memasukkan,
mengedit, dan menampilkan data.
2. Viewer
Untuk mempermudah pemakai untuk melihat hasil pemrosesan, menunjukkan
atau menghilangkan bagian-bagian tertentu dari output, serta memudahkan
distribusi hasil pengolahan dari SPSS ke aplikasi-aplikasi yang lain.
3. Multidimensional Pivot Tables.
Digunakan untuk melihat hasil pengolahan data. Pengguna SPSS dapat dengan
mudah melakukan pengaturan kelompok data dengan melakukan splitting tabel
sehingga hanya satu grup tertentu saja yang ditampilkan pada satu waktu.
4. High-Resolution Graphics
Dengan kemampuan grafikal beresolusi tinggi, baik untuk menampilkan pie
charts, bar charts, histogram, scatterplots, 3-D graphics, dan yang lainnya, akan
membuat SPSS tidak hanya mudah dioperasikan tetapi juga membuat
pengguna merasa nyaman dalam pekerjaannya.
5. Database Access
Pengguna program ini dapat memperoleh informasi sebuah database dengan
menggunakan database wizard yang disediakannya.

6. Data Transformations
Transformasi data akan membantu pemakai memperoleh data yang siap untuk
dianalisis. Pemakai dapat dengan mudah melakukan subset data,
mengkombinasikan kategori, add, aggregat, merge, split, dan beberapa
perintah transpose files, serta yang lainnya.
7. Electronic Distribution
Pengguna dapat mengirimkan laporan secara elektronik menggunakan sebuah
pengiriman data (e-mail) atau melakukan export tabel dan grafik ke mode
HTML sehingga mendukung distribusi melalui internet dan intranet.
8. Online Help
SPSS menyediakan fasilitas online help yang akan selalu siap membantu
pemakai dalam melakukan pekerjaannya. Bantuan yang diberikan dapat berupa
petunjuk pengoperasian secara detail, kemudahan pencarian prosedur yang
diinginkan sampai pada contoh-contoh kasus dalam pengoperasian program
ini.
9. Interface dengan Database Relasional
Fasilitas ini akan menambah efisiensi dan memudahkan pekerjaan untuk
mengekstrak data dan menganalisnya dari database relasional.
10. Analisis Distribusi
Fasilitas ini diperoleh pada pemakaian SPSS for Server atau untuk aplikasi
multiuser. Kegunaan dari analisis ini adalah apabila peneliti akan menganalisis
file-file data yang sangat besar dapat langsung me-remote dari server dan
memprosesnya sekaligus tanpa harus memindahkan ke komputer user.
11. Multiple Sesi
SPSS memberikan kemampuan untuk melakukan analisis lebih dari satu file
data pada waktu yang bersamaan, misalnya dengan menggunakan tipe bar, pie
atau jangkauan nilai, simbol gradual, dan chart.
12. Mapping
Visualisasi data dapat dibuat dengan berbagai macam tipe baik secara
konvensional atau interaktif, misalnya dengan menggunakan tipe bar, pie atau
jangkauan nilai, simbol gradual, dan chart.

2.2. Metode Analisis Cluster


2.2.1. Pengertian Analisis Cluster

Analisis Cluster adalah teknik statistik multivariat untuk mengindentifikasi


sekelompok obyek yang memiliki karakteristik tertentu, yang dapat dipisahkan dengan
kelompok obyek lainnya. Tujuan dari analisis ini yaitu mengelompokkan sekelompok
obyek ke dalam beberapa kelompok berdasarkan kesamaan karakteristik.

Prinsip dasar pengelompokkan cluster analisis adalah pengukuran jarak (distance) dan
kesamaan (similarity), hasil analisis ini berupa grup obyek yang memiliki high internal
homogenity (within-cluster) dan high external heterogeneity (between cluster).

Homogenitas internal (within cluster); Heterogenitas external (between cluster); yaitu

yaitu kesamaan antar anggota dalam satu perbedaan antara cluster yang satu dengan

cluster. cluster yang lain.

Gambar 1 Grup Objek Within Cluster Dan Between Cluster

Sumber : Modul Praktikum MAP 2015

Langkah pengelompokan dalam analisis cluster mencakup 3 hal berikut :

1. Mengukur kesamaan jarak


2. Membentuk cluster secara hirarkis
3. Menentukan jumlah cluster.

2.2.2. Metode Pendukung

Perhitungan analisis cluster adalah dengan teknik pengukuran jarak similaritas dengan
berbagai metode:
a. Interval
1. Euclidian distance
2. Square euclidian distance
3. Cosine
4. Peason Correlation
5. Chebychev
6. Block
7. Minkowski
8. Customized

b. Frekuensi
1. Chi-square
2. Phi-square

c. Biner :
1. Square Euclidian Distance
2. Euclidian distance
3. Size Difference
4. Pattern Difference
5. Variance
6. Shape
7. Lance and Williams
8. Present and Absent

2.2.3. Tahapan Analisis Kluster

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 2 hal, yaitu deskripsi taksonomi dan 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 (sebaiknya jumlah
objek > jumlah variable). Menstransformasikan matriks data mentah (n x p) menjadi
matriks jarak antar objek (nxn) dengan menggunakan metode 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)

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).

4. Pengelompokan

Pembentukan Cluster dilakukan dengan menggunakan metode tertentu. Hierarchical


Cluster atau Mutually Exclusive Cluster. Metode yang digunakan bisa berupa metode
hirarki atau non-hirarki.

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”.

1) Metode Agglomerative
a) 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:
 Objek ketiga akan bergabung dengan kelompok yang ada
 Dua objek lainnya akan membentuk kelompok baru

Metode ini dikenal pula dengan nama pendekatan tetangga terdekat.

b) Complete Lingkage (Futhest Neigbor Methods) / Pautan Lengkap Metode ini


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.
c) 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.
d) 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.
e) 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.

2) Metode Divisive

Metode ini berlawanan dengan metode 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

Memulai pengelompokkan 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 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.
BAB III
GAMBARAN UMUM

Indonesia merupakan salah satu negara yang ada di benua di dunia pada bagian benua
Asia, lebih tepatnya di Asia Tenggara. Dengan ciri khas yang berbentuk kepulauan
serta negara yang cukup luas bila dibandingkan negara-negara yang berada di
sekitarnya. Indonesia menjadi negara yang kaya lautan atau perairan bahkan lebih luas
dari luas daratan. Luas daratan Indonesia adalah 1.922.570 km2 dan luas perairannya
adalah 3.257.483 km2 . Hal tersebut menyebabkan Indonesia dikenal dengan sebutan
negara maritim, yaitu negara yang mempunyai banyak perairan. Indonesia pun
memiliki pulau yang melimpah. Jika ditotalkan, jumlahnya bisa melebihi 17.000
pulau. Diantaranya terdapat pulau-pulau besar, yaitu Jawa, Sumatera, Kalimantan,
Sulawesi, dan Papua.

Secara astronomis, posisi Indonesia terletak pada koordinat 60 LU – 110 LS dan dari
950 BT – 1410 BT, serta terletak diantara dua benua yaitu benua Asia dan benua
Australia. Wilayah Indonesia terbentang sepanjang 3.977 mil diantara Samudra Hindia
dan Samudra Pasifik. Batas wilayah Indonesia diukur dari kepulauan dengan
menggunakan territorial laut yaitu 12 mil laut serta zona ekonomi eksklusif yaitu 200
mil laut. Dari arah mata angin, Indonesia berbatasan dengan :
a) Bagian Utara Indonesia berbatasan dengan Selat Malaka, Laut Andaman,
Samudera Pasifik, Laut Cina Selatan dan Malaysia Timur.

b) Bagian Selatan Indonesia berbatasan dengan Benua Australia, Laut Timor Timur,
Samudera Hindia dan Laut Arafua.

c) Bagian Barat Indonesia berbatasan dengan Samudera Hindia.

d) Bagian Timur Indonesia berbatasan dengan Samudera Pasifik dan irian Jaya
(Papua).

Secara geologis, Indonesia terletak diantara 2 sirkum, yaitu Sirkum Mediterania dan
Sirkum Pasifik dan juga berada dalam 3 lempeng utama dunia yaitu Lempeng
Australia, Eurasia dan Pasifik. Posisi inilah yang menyebabkan Indonesia sebagai
negara rawan gempa serta memiliki banyak gunung api yang masih aktif. Karena
banyak gunung api yang masih aktif, tak heran jika tanah Indonesia sangatlah subur.
Sebab, terdapat erupsi dari gunung api yang menyebabkan tanah menjadi subur dan
dapat ditanami berbagai jenis tumbuhan. Selain itu, Indonesia memiliki curah hujan
yang tinggi. Hal ini tentu sangat berkaitan dengan perkembangan sektor pertanian di
Indonesia yang mana bisa berjalan dengan baik karena Indonesia juga mendapatkan
sinar matahari sepanjang tahun. Kesuburan tanah Indonesia pun sudah terbukti dengan
banyaknya pendatang asing yang sejak jaman sebelum kemerdekaan Indonesia ingin
menjajah Indonesia.

Salah satu pulau besar yang berada di Indonesia yaitu Pulau Jawa. Pulau Jawa
memiliki luas 128,197 km2 menjadikan pulau ini sebagai pulau terbesar kelima di
Indonesia. Kondisi tanah yang subur dan memiliki banyak dataran menjadikan pulau
ini sebagai pulau terpadat penduduknya sebanyak ±141 juta pada tahun 2012.
BAB IV
ANALISIS

4.1. Data Analisis


Data analisis untuk melakukan penelitian penelompokkan provinsi di Pulau Jawa
berdasarkan hasil komoditi pertanian di tahun 2015 dapat dilihat dalam tabel berikut.

Produksi (Ton)
Provinsi
Padi Jagung Kedelai Kacang tanah
DKI Jakarta 6.361 0 0 0
Jawa Barat 11.373.144 959.933 98.938 80.719
Jawa Tengah 11.301.422 3.212.391 129.794 109.204
DI Yogyakarta 945.136 299.084 18.822 83.300
Jawa Timur 13.154.967 6.131.163 344.998 191.579
Banten 2.188.996 11.870 7.291 11.004

4.2. Metode Analisis


Penelitian kali ini dilakukan untuk menganalisis kluster provinsi di Pulau Jawa
berdasarkan hasil produki komoditas pertanian yang terdiri dari padi, jagung, kedelai,
dan kacang tanah. Penelitian ini terdiri dari 6 data provinsi yang ada di Pulau Jawa,
yaitu Provinsi DKI Jakarta, Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur,
dan Banten. Metode penelitian yang digunakan yaitu metode analisis kluster yang
terdiri dari metode hirarki dan non-hirarki.

4.2.1. Metode Non-Hirarki


Melakukan standarisasi terhadap semua variabel bebas yang bertujuan untuk
mengetahui nilai terkecil, nilai terbesar, rata-rata, dan standar deviasi dari masing-
masing variabel bebas.
Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Hasil Produksi Padi (Ton) 6 6361.00 1.32E7 6.4950E6 6.04480E6

Hasil Produksi Jagung (Ton) 6 .00 6.13E6 1.7691E6 2.45536E6

Hasil Produksi Kedelai (Ton) 6 .00 3.45E5 9.9974E4 1.31223E5

Hasil Produksi Kacang


6 .00 1.92E5 7.9301E4 69959.51719
Tanah (Ton)

Valid N (listwise) 6

Output descriptive statistics menjelaskan:

 Variabel padi memiliki nilai terendah sebesar 6.361, memiliki nilai tertinggi
sebesar 13.200.000, memiliki rata-rata sebesar 6.495.000, dan nilai standar
deviasi sebesar 6.044.800
 Variabel jagung memiliki nilai terendah yaitu 0, memiliki nilai tertinggi
sebesar 6.130.000, memiliki nilai rata-rata 1.769.100, dan nilai standar deviasi
sebesar 2.455.360
 Variabel kedelai memiliki nilai terendah yaitu 0, memiliki nilai tertinggi
sebesar 345.000, memiliki nilai rata-rata sebesar 99.974, dan nilai standar
deviasi sebesar 131.223
 Variabel kacang tanah memiliki nilai terendah yaitu 0, memiliki nilai
tertinggi sebesar 192.000, memiliki nilai rata-rata sebesar 79.301, dan nilai
standar deviasi sebesar 69.959

Setelah dilakukan proses standarisasi, dilakukan analisis kluster dengan metode non-
hirarki.

Initial Cluster Centers

Cluster

1 2 3

Zscore: Hasil Produksi Padi (Ton) -1.07343 1.10177 .79513

Zscore: Hasil Produksi Jagung (Ton) -.72049 1.77656 .58782

Zscore: Hasil Produksi Kedelai (Ton) -.76186 1.86723 .22725

Zscore: Hasil Produksi Kacang Tanah


-1.13353 1.60490 .42743
(Ton)
Tabel diatas merupakan output pertama dari analisis kluster dengan menggunakan
metode non-hirarki. Tabel tersebut merupakan hasil analisis yang belum dilakukan
proses iterasi (proses penyaringan). Untuk mendeteksi berapa kali proses iterasi
dilakukan terhadap 6 provinsi yang ada di Pulau Jawa dilihat pada tabel berikut.

Iteration Historya

Change in Cluster Centers

Iteration 1 2 3

1 .488 .000 .515

2 .000 .000 .000

a. Convergence achieved due to no or small change in cluster centers. The maximum absolute
coordinate change for any center is ,000. The current iteration is 2. The minimum distance between
initial centers is 2,363.

Tabel iteration history menjelaskan bahwa terdapat 2 tahapan iterasi (proses


penyaringan) terhadap data dari keempat variabel untuk menganalisis kluster. Tabel
tersebut menjelaskan pula bahwa jarak minimum menuju pusat kluster yaitu 2,363.
Setelah melewati proses iterasi maka didapatkan tabel tabel final cluster sebagai
berikut.

Final Cluster Centers

Cluster

1 2 3

Zscore: Hasil Produksi Padi (Ton)


-.90130 1.10177 .80106

Zscore: Hasil Produksi Jagung (Ton)


-.67828 1.77656 .12914

Zscore: Hasil Produksi Kedelai (Ton)


-.69553 1.86723 .10968

Zscore: Hasil Produksi Kacang Tanah (Ton)


-.68420 1.60490 .22385
Tabel final cluster center merupakan hasil akhir analisis kluster menggunakan metode
non-hirarki. Tabel tersebut memiliki ketentuan bila memiliki nilai positif (+) berarti
data berada di atas rata-rata total, sedangkan bila memiliki nilai negatif (-) berarti data
berada di bawah rata-rata total. Dari tabel output final cluster center, dengan ketentuan
yang telah dijabarkan, dapat didefinisikan sebagai berikut:
 Cluster 1
Cluster-1 berisikan provinsi yang mempunyai jumlah hasil produksi padi,
jagung, kedelai, kacang tanah yang di bawah rata-rata total. Hal ini dapat
dilihat pada tabel bahwa pada kluster-1 seluruh variabel memiliki nilai negatif
(-). Maka kluster-1 dapat diduga merupakan pengelompokan dari provinsi
yang memiliki hasil produksi pertanian yang rendah.