1
Analisis Multidimensional Scaling (MDS)pada
Faktor-faktor yang Mempengaruhi Indeks
Pembangunan Manusia (IPM) di Indonesia
Tahun 2013
Kurniatul Faizah, Imroatus Solehah, Santi Puteri Rahayu Departemen
Statistika, Fakultas Matematika, Komputasi dan Sains Data, Institut Teknologi
Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail :sprahayu@gmail.com
Abstrak--Indeks Pembangunan Manusia (IPM) merupakan
suatu ukuran yang digunakan untuk mengukur dampak
kinerja pembangunan wilayah berdasarkan kualitas penduduk
suatu wilayah dalam hal kesehatan (harapan hidup),
intelektualitas dan standar hidup layak. Suatu pengelompokan
provinsi di Indonesia berdasarkan ketiga komponen IPM
tersebut dilakukan untuk memahami tingkatan kualitas
penduduk di masing-masing provinsi. Terdapat 34 provinsi di
Indonesia yang meliputi provinsi di pulau Jawa, Sumatera,
Kalimantan, Sulawesi, dan Papua. Analisis statistika yang
digunakan dalam penelitian ini adalah MDS (Multidimensional
Scaling). MDS merupakan salah satu metode analisis
multivariat yang digunakan untuk menganalisis
pengelompokkan suatu objek ke dalam suatu kelompok
tertentu berdasarkan kemiripan karakteristik yang dimiliki
oleh objek tersebut. Variabel yang digunakan dalam penelitian
ini adalah Angka Harapan Hidup (AHH), Angka Melek Huruf
(AMH), rata-rata lama sekolah, dan pengeluaran riil
perkapita. Berdasarkan analisis visual dengan mengunakan
scree plot ditunjukkan bahwa dimensi optimum yang terbentuk
berjumlah 2. Dengan demikian 34 provinsi akan
dikelompokkan ke dalam 4 kelompok. Berdasarkan hasil
pemetaan, provinsi yang masuk pada kelompok 1 berjumlah 8
provinsi, kelompok 2 mempunyai 13 provinsi, kelompok 3
mempunyai 9 provinsi dan kelompok 4 hanya memiliki 4
anggota. Nilai Dispersion Accounted For (DAF) yang diperoleh
dari hasil pengelompkan tersebut adalah sebesar 0,99810
dimana nilai ini mendekati 1 dan nilai S-Stress sebesar 0,00215
yang mendekati angka 0, sehingga hasil pengelompokkan yang
telah dilakukan sudah baik. Adanya pengelompokkan IPM ini
dapat menunjukkan seberapa besar capaian IPM antar
wilayah/provinsi di Indonesia, sehingga dapat dilakukan
peningkatan terhadap provinsi mana yang memiliki IPM
rendah
Kata Kunci—AHH, AMH, IPM, Multidimensional Scaling,
Pengeluaran Perkapita, Rata-rata Lama Sekolah
I. PENDAHULUAN
Pembangunan manusia senantiasa berada di baris
terdepan dalam perencanaan pembangunan, karena hakikat
pembangunan adalah pembangunan manusia. Peningkatan
kesejahteraan masyarakat dapat diukur menggunakan Indeks
Pembangunan Manusia atau IPM [1]. IPM merupakan
ukuran untuk melihat dampak kinerja pembangunan suatu
wilayah, karena memperlihatkan bagaimana penduduk dapat
mengakses hasil pembangunan dalam memperoleh
kesehatan, pendidikan, dan pendapatan. IPM pertama kali
diperkenalkan oleh UNDP pada tahun 1990 dan
dipublikasikan secara berkala dalam laporan tahunan
Human Development Report (HDR) [2]. Pada tahun 2013
perhitungan IPM di Indonesia masih menggunakan metode
lama dimana perhitungan dilakukan menggunakan rata-rata
aritmatik. IPM suatu negara dibentuk oleh tiga dimensi
dasar yaitu kesehatan yang diukur dengan angka harapan
hidup (AHH), pengetahuan diukur dengan angka melek
huruf (AMH) dan rata-rata lama sekolah (MYS) menurut
metode lama, serta standar hidup layak yang diukur dengan
kemampuan daya beli [2].
IPM merupakan indikator penting untuk mengukur
keberhasilan upaya pembangunan kualitas hidup manusia di
suatu wilayah. Indikator ini dapat digunakan untuk
menentukan peringkat pembangunan suatu wilayah. Bagi
negara dengan kebijakan otonomi daerah, indikator ini
merupakan suatu data strategis yang dapat digunakan
sebagai dasar pembuatan kebijakan mengenai pem-
bangunan daerah. Selain digunakan sebagai ukuran kinerja
pemerintah daerah, IPM di Indonesia juga digunakan
sebagai salah satu alokator penentuan Dana Alokasi Umum
(DAU) [2]. Pengelompokan wilayah atau provinsi
berdasarkan komponen-komponen IPM dapat dilakukan
untuk memahami tingkatan kualitas penduduk di suatu
wilayah atau provinsi sehingga dapat dibuat kebijakan
pembangunan yang sesuai dengan karakteristik penduduk di
wilayah tersebut.
Penelitian ini bertujuan untuk mengelompokkan IPM
pada masing-masing provinsi di Indonesia sehingga dapat
diketahui tingkatan kualitas penduduk di provinsi tersebut.
Analisis yang digunakan dalam penelitian ini adalah analisis
MDS (Multidimensional Scaling). MDS merupakan salah
satu metode analisis multivariat yang digunakan untuk
menganalisis pengelompokkan suatu objek ke dalam
kelompok tertentu berdasarkan kemiripan karakteristik yang
dimiliki oleh objek tersebut [3]. Pengelompokkan IPM di
Indonesia didasarkan pada faktor yang memengaruhi IPM
yang tidak lain merupakan komponen pembentuk indikator
tersebut. Berdasarkan metode lama, komponen IPM di
Indonesia terdiri dari Angka Harapan Hidup (AHH), Angka
Melek Huruf (AMH), rata-rata lama sekolah, dan
pengeluaran riil perkapita [2]. Hasil pengelompokkan IPM
dapat menunjukkan seberapa besar capaian IPM antar
wilayah/provinsi di Indonesia, sehingga dapat dilakukan
upaya pembangunan yang bertujuan untuk meningkakan
kualitas manusia di provinsi yang memiliki IPM rendah.
2

II.TINJAUAN PUSTAKA penduduk, dapat menentukan level pembangunan suatu

wilayah/negara, merupakan data strategis karena selain
A. Multidimensional Scaling (MDS)
sebagai ukuran kinerja pemerintah, dan IPM juga digunakan
Multidimensional Scaling (MDS) adalah suatu metode
sebagai salah satu alokator penentuan Dana Alokasi Umum
analisis yang digunakan untuk merepresentasikan suatu (DAU) [2].
proximities (kedekatan) antar objek dalam bentuk map.
Prosedur MDS menyediakan informasi yang dipahami
III. METODOLOGI PENELITIAN
sebagai hubungan antar objek ketika dimensi yang
mendasari suatu penilaian tidak diketahui. Tujuan utama dari A. Sumber Data
analisis MDS adalah memetakan objek-objek dalam ruang Data yang digunakan dalam praktikum ini adalah data
multidimensional, sehingga posisi relatif mencermin-kan sekunder berupa komponen IPM di Indonesia pada tahun
tingkat proximities antar objek [3]. 2013. Data tersebut didapatkan dari publikasi BPS mengenai
MDS metrik mengasumsikan bahwa data adalah Indeks Pembangunan Manusia 2013. Data tersebut terdiri
kuantitatif (interval dan ratio), sedangkan MDS nonmetrik dari Angka Harapan Hidup (AHH), Rata-rata Lama Sekolah,
mengasumsikan bahwa datanya adalah kualitatif (nominal Angka Melek Huruf (AMH), dan Pengeluaran Riil per
dan ordinal). Prosedur MDS metrik tidak mempermasalah- Kapitadari 34 provinsi di Indonesia pada tahun 2013.
kan apakah data input merupakan jarak yang sebenarnya
atau tidak, prosedur ini hanya menyusun bentuk geometri B. Variabel Penelitian
dari titik-titik objek yang diupayakan sedekat mungkin Variabel penelitian yang digunakan dalam praktikum ini
dengan input jarak yang diberikan. Dengan demikian, inti adalah sebagai berikut.
dari prosedur ini adalah mengubah input jarak atau metrik Tabel 2.
kedalam bentuk geometrik sebagai outputnya [3]. Variabel Penelitian
B. Scree Plot Variabel Definisi Satuan Skala
X1 AHH Tahun Rasio
Scree plot adalah grafik yang menggambarkan plot X2 Rata-rata Lama Sekolah Tahun Rasio
antara objek dengan nilai normalized raw stress. Grafik ini X3 AMH Persen Rasio
merupakan salah satu alternatif yang dapat digunakan untuk X4 Pengeluaran Riil per Kapita Ribu Rupiah Rasio
menentukan berapa banyak komponen atau dimensi yang
C. Langkah Analisis
terbentuk sehingga dapat mewakili keragaman peubah-
Langkah analisis yang digunakan dalam praktikum ini
peubah asal. Apabila grafik ini masih turun secara curam
adalah sebagai berikut.
atau tajam, maka akan ada petunjuk untuk menambah
1. Menentukan jumlah dimensi yang akan digunakan dalam
jumlah komponen. Begitu juga sebaliknya apabila grafik
sudah turun secara landai akan ada petunjuk untuk analisis MDS.
menghentikan penambahan jumlah komponen. 2. Menentukan anggota masing-masing kelompok dari hasil
MDS.
C. Ukuran Kebaikan Hasil MDS
Setelah data diolah berdasarkan posedur, dilakukan 3. Menghitung ukuran kebaikan (STRESS) dari analisis
perhitungan terhadap nilai STRESS. STRESS menunjukkan MDS yang telah dilakukan.
ukuran kesesuaian ketidakmiripan variabel. Adapun
klasifikasi STRESS adalah sebagai berikut.[4] IV. HASIL DAN PEMBAHASAN
Tabel 1. Multidimensional scaling (MDS) merupakan suatu
Klasifikasi STRESS metode statistika yang mengukur objek-objek dalam
STRESS KESESUAIAN ruangan multidimensional yang didasarkan pada kemiripan
Lebih dari 20 % Poor (buruk) (similarity) antar objek-objek tersebut. Tujuan dari analisis
10 % - 20 % Fair (cukup) MDS adalah untuk memberikan gambaran visual dari pola
5 % - 10 % Good (baik)
2.5 – 5 % Excellent (sangat baik) kedekatan yang berupa kesamaan atau jarak diantara
Kurang dari 2.5 % Perfect (sempurna) sekumpulan objek-objek.
Sedangkan perhitungan nilai STRESS dilakukan meng- A. Analisis Multidimensional scaling (MDS)
gunakan persamaan berikut: Langkah pertama dalam prosedur MDS adalah
2
menentukan banyak dimensi yang terbentuk. Penentuan
≠
−
tersebut dapat dilakukan secara visual dengan melihat scree
=

2
(1)
plot. Berikut merupakan scree plot yang didapatkan
≠
berdasarkan data komponen IPM di Indonesia Tahun 2013.
dengan merupakan jarak antara dua titik pengamatan.
D. Indeks Pembangunan Manusia (IPM)
Indeks Pembangunan Manusia (IPM) menjelaskan
mengenai bagaimana penduduk dapat mengakseshasil
pembangunan dalam memperoleh pendapatan, kesehatan,
pendidikan, dan sebagainya. IPM dibentuk oleh 3 dimensi
dasar yaitu:
1. Umur panjang dan hidup sehat (a long and healthy life)
2. Pengetahuan (knowledge)
3. Standar hidup layak (decent standard of living)
Manfaat dari IPM adalah untuk mengukur keberhasilan
dalam upaya membangun kualitas hidup manusia atau
 3

Tabel 3
Final Coordinate dan Kelompok Setiap Provinsi
Final Coordinates Kelompok/
Provinsi Dimension
Kuadran
1 2
Aceh 0,863 0,107 1
Sumatera Utara -0,376 0,140 2
Sumatera Barat -0,265 0,118 2
Riau -0,887 0,186 2
Jambi -0,236 0,085 2
Sumatera Selatan -0,111 0,127 2
Bengkulu 0,081 0,099 1
Lampung 0,531 0,066 1
Kep. Bangka Belitung -0,588 0,058 2
Kep. Riau -0,596 0,166 2
DKI Jakarta 0,048 0,325 1
Gambar 1. Scree Plot Jawa Barat -0,118 0,071 2
Jawa Tengah -0,370 -0,178 3
Gambar 1 menunjukkan adanya perbedaan yang sangat DI Yogyakarta -0,868 -0,056 3
besar pada nilai normalized raw stress antara hasil Jawa Timur -0,731 -0,212 3
pengelompokan 1 dimensi dengan 2 dimensi. Sedangkan Banten 0,029 -0,011 4
nilai normalized raw stress antara pengelompokan 2 dimensi Bali -0,234 -0,202 3
dengan 3 dimensi, 3 dimensi dengan 4 dimensi, dan Nusa Tenggara Barat -0,434 -0,589 3
seterusnya tidak berbeda jauh. Dengan demikian, dapat Nusa Tenggara Timur 1,300 -0,046 4
disimpulkan bahwa secara visual dimensi optimum yang Kalimantan Barat -0,090 -0,195 3
terbentuk untuk pengelompokan kasus ini adalah 2 dimensi. Kalimantan Tengah -0,337 0,175 2
Kalimantan Selatan -0,384 -0,012 3
Kalimantan Timur -0,717 0,170 2
Kalimantan Utara -0,407 0,078 2
Sulawesi Utara -0,354 0,269 2
Sulawesi Tengah -0,061 0,014 2
Sulawesi Selatan -0,372 -0,265 3
Sulawesi Tenggara 0,515 -0,097 4
Gorontalo 0,301 0,045 1
Sulawesi Barat -0,155 -0,240 3
Maluku 0,807 0,151 1
Maluku Utara 1,472 0,024 1
Papua Barat 1,594 0,479 1
Papua 1,150 -0,848 4

Berdasarkan final coordinate tersebut, rangkuman hasil

pengelompokan ke dalam 4 kuadran/kelompok mengguna-
kan metode MDS adalah sebagaimana yang ditunjukkan
oleh Tabel 3. Pada kuadran 4 terdapat 4 provinsi, yaitu
Banten, NTT, Sulawesi Tenggara, dan Papua. Selanjutnya
dari hasil pengelompokan akan dilihat nilai mean dari
masing-masing kuadran untuk semua variabel yang akan
disajikan pada tabel berikut.
Gambar 2. Peta 2 Dimensi Propinsi di Indonesia berdasarkan Komponen Tabel 4
IPM Tahun 2013
Nilai Mean dari Kelompok Setiap Propinsi
Pada pengelompokan ke dalam 2 dimensi, terdapat 4
kelompok yang terbentuk sehingga setiap provinsi yang Kuadran AHH RLS AMH Pengeluaran
mempunyai karakteristik sama akan masuk dalam satu 1 69,377 8,804 96,930 624,36
kelompok. Visualisasi hasil pemetaan provinsi di Indonesia 2 70,191 8,618 97,508 647,11
berdasarkan data komponen IPM tahun 2013 ke dalam ruang 3 69,06 7,846 91,15 647,40
2 dimensi sebagaimana yang ditunjukkan oleh Gambar 2.
4 67,802 7,770 88,93 624,42
Pada gambar tersebut, terlihat bahwa terdapat lebih banyak
provinsi yang berada pada kuadaran/kelompok 2 daripada
Sesuai Tabel 4 di atas, diketahui bahwa rata-rata harapan
kuadran lain. Sedangkan kuadaran/kelompok yang memiliki
hidup, pendidikan, dan daya beli masyarakat yang ada di
anggota paling sedikit adalah kuadran 4. Final Coordinate
provinsi yang termasuk dalam kuadran 4 lebih rendah dari
untuk masing-masing propinsi pada Gambar 2 beserta
kuadran lain. Provinsi yang memiliki rata-rata lama sekolah
keanggotaan kelompoknya ditunjukkan oleh Tabel 3 sebagai
paling tinggi terdapat di kuadran 1. Berdasarkan harapan
berikut.
hidup, provinsi yang terdapat di kuadran 2 mempunyai
4

penduduk dengan rata-rata harapan hidup yang lebih tinggi B. Saran

dari provinsi lain. Namun, berdasarkan komponen Berdasarkan kesimpulan yang didapatkan maka saran
pengeluaran, provinsi dalam kuadran 3 memiliki rata-rata untuk analisis selanjutnya yaitu peneliti harus berhati-hati
pengeluaran riil per kapita tertinggi. dalam memilih variabel yang digunakan, harus dipastikan
Tabel 5.
bahwa variabel yang dipilih mempunyai pengaruh pada saat
Rangkuman hasil Pengelompokan ke Dalam 4 Kuadran/Kelompok pembentukan kelompok. Peneliti harus berhati-hati dalam
Kuadran/ Anggota Jumlah menentukan anggota dari masing-masing kelompok agar
Kelompok Anggota dalam pengelompokkan tidak terjadi kesalahan.
Aceh, Bengkulu, Lampung, DKI Jakarta,
1 Gorontalo, Maluku, Maluku Utara, Papua 8
Barat DAFTAR PUSTAKA
Sumatera Utara, Sumatera Barat, Riau,
Jambi, Sumatera Selatan, Kep. Bangka [1] United Nations Development Programme, "Human
2 Belitung, Kep. Riau, Jawa Barat, 13 Development Index (HDI)," [Online]. Available:
Kalimantan Tengah, Kalimantan Timur, http://hdr.undp.org/en/content/human-development-
Kalimantan Utara, Sulawesi Utara, Sulawesi index-hdi. [Accessed 20 May 2018].
Tengah
Jawa Tengah, DI Yogyakarta, Jawa Timur, [2] Badan Pusat Statistik, "Indeks Pembangunan Manusia,"
3 Nusa Tenggara Barat, Bali, Kalimantan 9 [Online]. Available: http://ipm.bps.go.id/page/ipm.
Barat, Kalimantan Selatan, Sulawesi [Accessed 20 May 2018].
Selatan, Sulawesi Barat
4 Banten, Nusa Tenggara Timur, Sulawesi 4 [3] J. F. Hair, W. C. Black, B. J. Babin and R. E. Anderson,
Tenggara, Papua Multivariate Data Analysis, 7th ed., Upper Saddle River:
Prentice Hall, 2009.
B. Ukuran Kebaikan Hasil Pengelompokan MDS
Ukuran kebaikan hasil klasifikasi dapat diketahui dai
nilai stress. Tabel 5 menunjukkan nilai estimasi dari nilai
Stress dan ukuran lainnya.Tabel 5 menunjukkan bahwa nilai
Stress-I, Stress-II dan S-Stress sebesar 0,04354; 0,07545 dan
0,00215. Nilai tersebut mendekati nol sehingga hasil
pengelompokkan yang telah dilakukan sudah baik. Hasil ini
juga ditunjukkan dengan nilai Dispersion Accounted For
(DAF) yang diperoleh sebesar 0,99810 dimana nilai ini
mendekati 1, sehingga hasil pengelompokkan yang telah
dilakukan sudah baik.
Tabel 6
Hasil Stress and Fit Measures
Stress and Fit Measures Hasil
Normalized Raw Stress 0,00190
Stress-I 0,04354
Stress-II 0,07545
S-Stress 0,00215
Dispersion Accounted For (D.A.F.) 0,99810
Tucker's Coefficient of Congruence 0,99905

V. KESIMPULAN DAN
SARAN A. Kesimpulan
Berdasarkan hasil analisis dan pengolahan data yang
telah dilakukan maka kesimpulan yang didapatkan adalah
sebagai berikut.
1. Berdasarkan analisis visual dengan menggunakan
Scree Plot ditunjukkan bahwa dimensi optimum yang
terbentuk adalah sebanyak 2 dimensi sehingga
menghasilkan 4 kelompok.
2. Berdasarkan hasil pemetaan, provinsi yang masuk pada
kelompok 1 berjumlah 8 provinsi, kelompok 2
mempunyai 13 provinsi, kelompok 3 mempunyai 9
provinsi dan kelompok 4 hanya memiliki 4 anggota.
3. Nilai Stress-I, Stress-II dan S-Stress dari hasil
pengelompokan ke dalam 4 kelompok tersebut
mendekati nol sehingga hasil pengelompokkan yang
telah dilakukan sudah baik. Hasil tersebut juga
ditunjukkan dengan nilai Dispersion Accounted For
(DAF) sebesar 0,99810 yang mendekati 1, sehingga
hasil pengelompokkan yang telah dilakukan sudah
baik.
Lampiran 1. Data Faktor yang mempengaruhi IPM provinsi tahun 2013

Provinsi AHH AMH RLS Pengeluaran

Per Kapita
ACEH 69,4 97,04 9,02 621,4
SUMATERA UTARA 69,9 97,84 9,13 646,83
SUMATERA BARAT 70,09 97,38 8,63 644,59
RIAU 71,73 98,48 8,78 657,26
JAMBI 69,61 96,85 8,32 644,05
SUMATERA SELATAN 70,1 97,55 8,04 641,35
BENGKULU 70,44 96,55 8,55 637,5
LAMPUNG 70,09 95,92 7,89 628,24
KEP, BANGKA BELITUNG 69,46 96,44 7,73 651,22
KEPULAUAN RIAU 69,97 98,07 9,91 651,37
DKI JAKARTA 73,56 99,22 11 637,92
JAWA BARAT 68,84 96,87 8,11 641,63
JAWA TENGAH 71,97 91,71 7,43 646,44
DI YOGYAKARTA 73,62 92,86 9,33 656,19
JAWA TIMUR 70,37 90,49 7,53 654,02
BANTEN 65,47 96,87 8,61 639,28
BALI 71,2 91,03 8,58 643,78
NUSA TENGGARA
BARAT 63,21 85,19 7,2 648,66
NUSA TENGGARA
TIMUR 68,05 90,34 7,16 612,88
KALIMANTAN BARAT 67,4 91,7 7,17 641,41
KALIMANTAN TENGAH 71,47 97,99 8,17 646,01
KALIMANTAN SELATAN 64,82 97,18 8,01 646,77
KALIMANTAN TIMUR 71,78 97,95 9,39 653,7
KALIMANTAN UTARA 69,7 96,4 8,52 647,51
SULAWESI UTARA 72,62 99,56 9,09 646,19
SULAWESI TENGAH 67,21 96,22 8,22 640,69
SULAWESI SELATAN 70,6 89,69 8,01 646,71
SULAWESI TENGGARA 68,56 92,59 8,44 628,77
GORONTALO 67,54 96,87 7,52 633,14
SULAWESI BARAT 68,34 90,54 7,35 642,66
MALUKU 67,88 98,25 9,2 622,59
MALUKU UTARA 66,97 97,45 8,72 609,26
PAPUA BARAT 69,14 94,14 8,53 604,82
PAPUA 69,13 75,92 6,87 616,76
6

1. Output software

Stress and Fit Measures

Normalized Raw Stress .00190
a
Stress-I .04354
a
Stress-II .07545
S-Stress b
.00215
Dispersion Accounted For .99810
(D.A.F.)
Tucker's Coefficient of .99905
Congruence
PROXSCAL minimizes Normalized Raw
Stress.
a. Optimal scaling factor = 1.002.
b. Optimal scaling factor = .998.

Final Coordinates
Dimension
1 2
ACEH .863 .107
SUMUT -.376 .140
SUMBAR -.265 .118
RIAU -.887 .186
JAMBI -.236 .085
SUMSEL -.111 .127
BENGKULU .081 .099
LAMPUNG .531 .066
KEP.BANGKA.BELITUNG -.588 .058
KEP.RIAU -.596 .166
DKI.JAKARTA .048 .325
JABAR -.118 .071
JATENG -.370 -.178
DIY -.868 -.056
JATIM -.731 -.212
BANTEN .029 -.011
BALI -.234 -.202
NTB -.434 -.589
NTT 1.300 -.046
KALBAR -.090 -.195
KALTENGAH -.337 .175
KALSEL -.384 -.012
KALTIM -.717 .170
KALUT -.407 .078
SULUT -.354 .269
SULTENGAH -.061 .014
SULSEL -.372 -.265
SULTENG .515 -.097
GORONTALO .301 .045
SULBAR -.155 -.240
MALUKU .807 .151
MALUKU.UTARA 1.472 .024
PAPUA.BARAT 1.594 .479
PAPUA 1.150 -.848