SKRIPSI
Diajukan Sebagai Persyaratan Memperoleh Gelar Sarjana Statistika pada
Program Studi Statistika, Jurusan Matematika, Universitas Negeri Gorontalo
FATMAWATI
413415025
SKRIPSI
Diajukan Sebagai Persyaratan Memperoleh Gelar Sarjana Statistika pada
Program Studi Statistika, Jurusan Matematika, Universitas Negeri Gorontalo
FATMAWATI
413415025
i
KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI
UNIVERSITAS NEGERI GORONTALO
PROGRAM STRATA SATU
Kampus UNG jln. Jendral Sudirman 6 Telp. (0435) 827213
LEMBAR PERNYATAAN
Dengan ini saya menyatakan dengan sesungguhnya bahwa skripsi yang saya susun
untuk memenuhi persyaratan dalam menempuh ujian akhir guna memperoleh gelar
Sarjana Statistika dari Jurusan Matematika, Fakultas Matematika dan Ilmu Penge-
tahuan Alam, Universitas Negeri Gorontalo, merupakan hasil karya sendiri.
Adapun bagian-bagian tertentu dalam penulisan yang saya kutip dari hasil karya
orang lain telah dituliskan sumbernya secara jelas sesuai dengan norma, kaidah, dan
etika penulisan ilmiah dan buku pedoman penulisan karya ilmiah Universitas Negeri
Gorontalo.
Apabila dikemudian hari ditemukan seluruh atau sebagian Skripsi ini bukan hasil
karya sendiri atau terdapat plagiat dalam bagian-bagian tertentu, maka saya bersedia
menerima sanksi pencabutan gelar akademik yang saya sandang dan sanksi lainnya
sesuai peraturan yang berlaku.
Fatmawati
413415025
ii
ABSTRAK
iii
ABSTRACT
iv
LEMBAR PERSETUJUAN PEMBIMBING
Oleh
FATMAWATI
NIM. 413415025
Mengetahui,
Ketua Program Studi Statistika
v
LEMBAR PENGESAHAN
FATMAWATI
NIM. 413415025
Program Studi Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Telah dipertahankan di depan dewan penguji
Hari, tanggal : Selasa, 23 Juli 2019
Waktu : 14.31 - 16.00 WITA
Tempat : Ruang Sidang Statistika
Mengetahui,
Dekan Fakultas Matematika dan IPA
vi
MOTTO DAN PERSEMBAHAN
MOTO
”Barang siapa menginginkan kebahagiaan di dunia, maka haruslah dengan ilmu
Barang siapa yang menginginkan kebahagiaan di akhirat, haruslah dengan ilmu
Dan barang siapa yang menginginkan kebahagiaan pada keduanya maka haruslah
dengan ilmu”
(H.R. Ibn Asakir)
“You never know how strong you are until being strong is the only choice you have.”
(Albert Eistein)
PERSEMBAHAN
Puji syukur kehadirat Allah SWT atas hamparan nikmat iman, islam, kesehatan dan
kesabaran sehingga skripsi ini dapat terselesaikan. Sholawat dan salam senantiasa
tercurahkan kepada Nabi Muhammad SAW.
Kupersembahkan Skripsi ini kepada:
Orang yang sangat saya cintai, Ibunda Salma Uno, Almarhum Ayahanda Masya
Saleh sebagai inspirasi dan penyemangat hidupku.
vii
KATA PENGANTAR
viii
8. Ibu Inka Rizkyani Akolo, S.Pd, M.Si dan Ibu Amanda Aditiyaningrum,
S.Si.,M.Si yang selalu bersedia membantu dan memberi semangat dalam menye-
lesaikan skripsi ini.
9. Sahabat ku Ika,Nur,Novi,Kisman dan Iqbal.
10. Sahabat pejuang Toga Eha,Ayu,Nisa,Owan dan Irma.
11. Teman-teman dari pendidikan matematika, matematika dan statistika angkatan
2015, adik-adik, kakak-kakak alumni statistika serta teman-teman yang tidak da-
pat disebutkan satu persatu terima kasih atas doa, motivasi dan persaudaraannya.
Akhir kata semoga skripsi ini bisa bermanfaat, khususnya bagi penulis dan umum-
nya bisa menambah wawasan bagi para pembaca. Bagi para pihak yang telah mem-
bantu dalam penulisan skripsi ini semoga segala amal dan kebaikannya mendapatkan
balasan yang berlimpah dari Tuhan Yang Maha Esa, Aamiin.
Wassalamualaikum warrahmatullahi wabarakatuh.
Fatmawati
ix
DAFTAR ISI
HALAMAN SAMPUL i
ABSTRAK ii
DAFTAR ISI x
DAFTAR LAMPIRAN xv
I PENDAHULUAN 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1 Manfaat Teoritis atau Keilmuan . . . . . . . . . . . . . . . . 3
1.4.2 Manfaat Praktis . . . . . . . . . . . . . . . . . . . . . . . . . 4
II LANDASAN TEORI 5
2.1 Kajian Teori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Analisis Multivariat . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.2 Asumsi Multivariat . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2.1 Uji Normalitas Data . . . . . . . . . . . . . . . . . 6
2.1.2.2 Uji Data Outlier . . . . . . . . . . . . . . . . . . . 7
2.1.3 Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.4 Jarak Euclidean . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.5 Multidimensional Scaling (MDS) . . . . . . . . . . . . . . . 8
2.1.5.1 Multidimensional Scaling Metrik . . . . . . . . . . 10
2.1.5.2 Multidimensional Scaling non-Metrik . . . . . . . 11
2.1.6 Validitas Model . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.6.1 Nilai Stress (Standardized Residual Sum Of Square) 12
2.1.6.2 Nilai R2 (R Square) . . . . . . . . . . . . . . . . . 13
2.1.7 Principal Component Analysis . . . . . . . . . . . . . . . . . 13
2.1.8 Tingkat Pengangguran Terbuka . . . . . . . . . . . . . . . . 15
2.1.9 Jenis-Jenis Pengangguran . . . . . . . . . . . . . . . . . . . 17
2.1.10 Ciri-Ciri Pengangguran . . . . . . . . . . . . . . . . . . . . . 18
2.1.11 Tingkat Pendidikan . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.12 Sosial Kependudukan . . . . . . . . . . . . . . . . . . . . . . 19
2.1.13 Ketenagakerjaan . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.14 Pertumbuhan Ekonomi . . . . . . . . . . . . . . . . . . . . . 21
2.2 Penelitian Yang Relevan . . . . . . . . . . . . . . . . . . . . . . . . 23
xi
4.1.2.6 Uji Data Outlier Variabel Tingkat Partisipasi
Angkatan Kerja (X6) . . . . . . . . . . . . . . . . 41
4.1.2.7 Uji Data Outlier Variabel Presentasi Penduduk
Miskin (X7) . . . . . . . . . . . . . . . . . . . . . 41
4.1.2.8 Uji Data Outlier Variabel Rasio Ketergantungan (X8) 42
4.1.2.9 Uji Data Outlier Variabel Indeks Kedalaman
Kemiskinan (X9) . . . . . . . . . . . . . . . . . . 42
4.1.2.10 Uji Data Outlier Variabel Presentase Penduduk
Perkotaan (X10) . . . . . . . . . . . . . . . . . . . 43
4.2 Menghitung Jarak Objek . . . . . . . . . . . . . . . . . . . . . . . . 43
4.3 Menentukan Jumlah Dimensi . . . . . . . . . . . . . . . . . . . . . . 44
4.4 Menghitung jarak stimulus . . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Memberi Penamaan Pada Dimensi . . . . . . . . . . . . . . . . . . . 48
4.6 Menggabungkan MDS Objek dan Subjek . . . . . . . . . . . . . . . 50
4.6.1 MDS objek dan Subjek Dimensi 1 . . . . . . . . . . . . . . . 50
4.6.2 MDS objek dan Subjek Dimensi 2 . . . . . . . . . . . . . . . 51
4.7 Menguji Validitas Stimulus . . . . . . . . . . . . . . . . . . . . . . . 52
4.7.1 Nilai stress . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.7.2 Nilai R Square . . . . . . . . . . . . . . . . . . . . . . . . . 52
V PENUTUP 53
5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
DAFTAR PUSTAKA 55
CURICULUM VITAE 88
xii
DAFTAR TABEL
PENDAHULUAN
Dalam analisis data statistik ada yang dinamakan Univariat,Bivariat dan Multi-
variat. Untuk analisis univariat merupakan analisis yang dilakukan untuk satu vari-
abel, dan analisis bivariat adalah analisis yang dilakukan untuk menganalisis hubungan
dua variabel, sedangkan analisis multivariat merupakan analisis yang dilakukan untuk
menganalisis hubungan lebih dari dua variabel. Pada analisis multivariat terbagi men-
jadi dua klasifikasi yaitu Dependensi yang artinya antar variabel saling ketergantungan,
yang memiliki ciri penting yaitu adanya dua jenis variabel (dependen dan Independen),
sedangkan Interdependensi variabelnya tidak saling bergantungan satu dengan yang
lain dan ciri penting yaitu tidak adanya variabel dependen dan variabel independen.
(Santoso,2018)
Analisis multivariat dalam klasifikasi dependensi memiliki beberapa metode yang
dapat digunakan yaitu Regresi Berganda, Regresi Logistik, Analisis Diskriminan,
SEM, MANOVA dan Korelasi Kanonikal. Sedangkan untuk klasifikasi interdepen-
densi memiliki beberapa metode yakni Cluster Analysis, Multidimensional Scal-
ing (MDS), Biplot, dan Categorical Analysis (CA).(Santoso,2017) Analisis Multidi-
mensional adalah analisis yang berhubungan dengan pembuatan grafik(map) untuk
menggambarkan posisi sebuah objek dibandingkan dengan objek lainnya. Tujuan Mul-
tidimensional Scaling adalah melihat objek atau bagian objek manakah yang ada di
daerah yang sama. Untuk melakukan analisis data dengan Multidimensional Scaling
maka digunakan nilai yang disebut proximity yakni menggambarkan kemiripan (simi-
larity) atau ketakmiripan (dissimilarity) antara objek.(Joseph,2012)
Adapun objek yang menarik untuk diamati kemiripannya ialah provinsi di In-
donesia, karena Indonesia merupakan negara kepulauan yang terdiri dari 34 provinsi
dengan tingkat permasalahan yang berbeda-beda salah satunya adalah tingkat pen-
gangguran. Pengangguran dapat mengurangi tingkat kesejahteraan dan kemakmu-
ran masyarakat suatu Negara. Jumlah dari orang yang tidak memiliki pekerjaan pada
waktu tertentu disebut pengangguran.(Santoso,2012) Indonesia pada tahun 2015 men-
galami peningkatan sebesar 0,48 % tingkat pengangguran terbuka, dimana provinsi
yang paling tinggi tingkat penganggurannya adalah provinsi Aceh dan Maluku yaitu
sebesar 9,93%.(Badan Pusat Statistik) Dengan faktor yang berbeda-beda pula, salah
satunya disebabkan oleh meningkatnya jumlah angkatan kerja namun tidak diimbangi
dengan lapangan pekerjaan. Selain itu tingkat Pendidikan dapat mempengaruhi tingkat
pengangguran karena pendidikan dipandang sebagai human investent (Siswoyo,2013).
Kemudian penawaran tenaga kerja dipengaruhi oleh perubahan jumlah penduduk, se-
hingganya pertumbuhan jumlah penduduk juga dapat mengakibatkan berkurangnya
penyerapan tenaga kerja. Selain itu kurangnya produktivitas kerja suatu penduduk da-
pat menyebabkan kemiskinan.(Santoso,2012)
Faktor-faktor ini tentu saja dapat merugikan pemerintah dalam perekonomian
daerah karena dapat menurunkan pendapatan pemerintah yang berasal dari sektor pa-
jak, dan juga bagi penganggur itu sendiri harus mengurangi pengeluaran konsumsinya
sehingga dapat menurunkan tingkat kesejahteraan dan kemakmuran rakyat. Tingkat
pengangguran terbuka juga akan semakin meningkat jika tidak adanya penanggulangan
secara merata pada tiap-tiap provinsi di Indonesia berdasarkan faktor-faktor yang pal-
ing mendominasi provinsi tersebut. Dengan menggunakan analisis Multidimensional
Scaling maka banyaknya provinsi dengan faktor-faktor tersebut akan ditampilkan se-
cara simultan (sekaligus) dalam ruang multidimensi yang berbentuk grafik/map se-
hingga akan memberikan informasi yang lebih mudah untuk dipahami.(Santoso,2018)
2
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas, maka rumusan masalah dalam penelitian ini
adalah:
1. Provinsi apa saja yang memiliki kemiripan berdasarkan hasil analisis Multidi-
mensional Scaling ?
2. Apa saja karakteristik dari masing-masing dimensi pada Multidimensional Scal-
ing yang paling mendominasi tingkat pengangguran terbuka pada provinsi-
provinsi di Indonesia ?
Berdasarkan rumusan masalah diatas, maka yang menjadi tujuan penelitian ini
adalah:
1. Untuk mengetahui hasil analisis Multidimensional Scaling berdasarkan dimensi
yang mempengaruhi tingkat pengangguran terbuka.
2. Untuk mengetahui karakteristik dari masing-masing dimensi yang mempen-
garuhi tingkat pengangguran terbuka pada tiap provinsi di Indonesia.
3
1.4.2 Manfaat Praktis
4
BAB II
LANDASAN TEORI
Analisis multivariat adalah salah satu metode statistik dimana variabel yang dia-
mati lebih dari dua dan antar variabelnya saling berpengaruh. Analisis ini berhubungan
dengan semua teknik statistik yang secara simultan menganalisis sejumlah pengukuran
pada individu atau objek. (Joseph,2014)
Analisis multivariat adalah analisis multi variabel dalam satu atau lebih hubungan.
Analisis ini berhubungan dengan semua tehnik statistik yang secara simultan men-
ganalisis sejumlah pengukuran pada individu atau objek. (Santoso, 2018). Maka da-
pat disimpulkan bahwa analisis multivariat adalah metode-metode statistik yang men-
gelola beberapa pengukuran menyangkut individu atau objek sekaligus.
Data dalam analisis multivariat kelompok interdependensi khususnya metode Mul-
tidimensional Scaling dinyatakan dalam bentuk matrix dimana jika terdapat n baris
(pengamatan) dan p kolom (variabel) dengan bentuk umum digambarkan pada matrix
X sebagai berikut: (Supranto,2004)
x11 x22 . . . x1j . . . x1p
x x22 . . . x2j . . . x2p
21
.. .. .. .. .. ..
. . . . . .
X=
(2.1)
xi1 xi1 . . . xij . . . xip
. .. .. .. .. ..
.. . . . . .
xn1 xn2 . . . xnj . . . xnp
Dengan :
xij : Elemen dari Matrix X (i=1,2,3,...,n j=1,2,3,...,p)
n : Banyaknya objek
p : Banyaknya variabel
Uji pada data yang akan diproses dengan berbagai metode statistik multivariat pada
umumnya terdapat 5 uji yaitu, pengujian adanya missing data, data outlier, normalitas
data, homoskedastisitas data, dan linearitas data.(Santoso,2018) Karena Multidimen-
sional Scaling termasuk pada klasifikasi Multivariat interdependensi yang variabelnya
tidak saling bergantungan satu dengan yang lainnya maka yang digunakan hanya 2 uji
asumsi yaitu uji normalitas dan uji data outlier.
Uji normalitas data bertujuan untuk mengetahui sebuah data berdistribusi normal
atau mendekati distribusi normal. Uji normalitas pada multivariat sangat kompleks,
karena dilakukan secara bersamaan pada seluruh variabel, namun bisa juga dilakukan
pada setiap variabel. Jika sebuah variabel mempunya sebaran data yang tidak normal,
maka perlakuan yang memungkinkan agar menjadi normal, yaitu:
1. Menambah jumlah data
2. Menghilangkan data yang dianggap penyebab tidak normalnya data.
3. Melakukan transformasi data, yaitu mengubah data ke logaritma atau ke bentuk
natural (LN) atau bentuk lainnya, kemudian dilakukan pengujian ulang.
4. Data diterima apa adanya, memang dianggap tidak normal dan tidak perlu di-
lakukan berbagai treatment. (Santoso,2012)
6
2.1.2.2 Uji Data Outlier
Data outlier adalah data yang secara nyata berbeda dengan data-data yang lain.
Data outlier terjadi karena beberapa sebab yaitu, kesalahan pada pengambilan sampel,
kesalahan dalam pemasukan data dan memang ada data-data ekstrim yang tidak bisa
dihindarkan keberadaannya. Jika ada data outlier maka penangananya sebagai berikut:
1. Data outlier dihilangkan karena tidak mencerminkan sebaran data yang sesung-
guhnya.
2. Data outlier tetap dipertahankan dan tidak perlu dihilangkan kerena memang ada
data outlier seperti itu. (Santoso,2018)
2.1.3 Shapiro-Wilk
Uji shapiro-wilk dikembangkan oleh Samuel Shapiro dan Martin Wilk pada tahun
1965.Shapiro-Wilk adalah sebuah metode yang digunakan untuk menguji normalitas
untuk sampel berjumlah kecil atau jumlah sampel kurang dari 50 data. (Rini,2015)
Adapun syarat dari uji shapiro-wilk yaitu:
1. Data berskala interval atau ratio.
2. Data tunggal atau data belum dikelompokan pada tabel distribusi frekuensi.
3. Data dari sampel random. (Santoso,2014)
Signifikansi uji nilai p-value dibandingkan dengan nilai signifikansi α = 5%, untuk
dilihat posisi nilai probabilitasnya (p).
dengan :
• Nilai p-value > 0.05, maka data berdistribusi normal
• Nilai p-value < 0.05, maka data tidak berdistribusi normal.
Beberapa metode perhitungan kesamaan atau kemiripan suatu objek yang biasa
disebut dengan jarak merupakan aspek penting dalam pengembangan metode pen-
7
gelompokan. sebelum melakukan pengelompokan data atau objek untuk di deteksi,
sebelumnya harus menentukan ukuran jarak kedekatan antar elemen data. Dalam
penelitian ini jarak yang digunakan adalah jarak euclidean karena jarak tersebut paling
mudah digunakan, dan dalam penelitian perbandingan antara jarak Euclidean, jarak
Manahattan dan jarak Mahalanobis, hasil pengukuran keakurasiannya lebih baik jarak
Euclidean dibandingakan yang lain.
Jarak Euclidean adalah jarak yang digunakan untuk menghitung kesamaan an-
tara dua vektor. Semakin kecil nilai d(x, y), maka semakin mirip kedua objek yang
dicocokkan atau dibandingkan, sebaliknya semakin besar nilai d(x, y) maka semakin
berbeda kedua objek yang dicocokkan. (Santoso,2007) Berikut rumus jarak Euclidean:
q
D = dij = Σnk=1 (xik − xjk )2 (2.2)
dengan :
dij : jarak antar objek ke-i dan objek ke-j
xik : hasil pengukuran objek ke-i pada peubah k
xjk : hasil pengukuran objek ke-j pada peubah k
8
tidimensional scaling adalah mencari posisi dalam ruang dan koordinat untuk se-
tiap stimuli, jarak yang dihasilkanpun akan mendekati nilai proximities. Proximity
terbagi 2 yaitu pertama similarity (kemiripan) yakni jika semakin kecil nilai jaraknya,
menunjukkan bahwa objeknya lebih mirip, kedua dissimilarity (ketakmiripan) yaitu
jika semakin besar nilai jaraknya, menunjukkan bahwa objeknya semakin tak mirip
atau berjauhan. Keberhasilan dari proses ini ditentukan oleh seberapa baik jarak
yang dihasilkan (dˆij ) dalam ruang sesuai proximities yang sebenarnya (δij ). (Wickel-
maier,2003) Segala hal yang berdimensi 3 oleh para psikolog akan direduksi menjadi
dua bahkan lazimnya mereka melakukan hanya 1 dimensi saja, namun akan terjadi
simplifikasi atau reduksi. Untuk pengskalaan dimensi tiga akan memuat 3 hal yaitu,
subyek(dalam jumlah tertentu), stimulus, dan respon. Sedangkan untuk dimensi 2
memuat dua hal yaitu subyek dan stimulus.(Suryabrata,200)
MDS tidak memiliki asumsi yang baku dalam metodologinya, akan tetapi ada
syarat-Syarat MDS yang harus dipenuhi, yaitu sebagai berikut:
1. Model telah dispesifikasi dengan tepat.
2. Telah menggunakan level pengukuran yang tepat. Misalnya untuk MDS metrik
sebaiknya menggunakan skala rasio atau interval.
3. Jumlah objek yang diteliti minimal sebanyak dimensi karena MDS tidak akan
stabil jika jumlah objek kurang dari jumlah dimensi, sehingga jumlah objek min-
imalnya empat kali jumlah dimensi ditambah 1.
4. Komparabilitas: objek yang diperbandingkan seharusnya memiliki kesamaan
tertentu yang cukup berarti sehingga pantas diperbandingkan. (Gudono,2014)
Berdasarkan skala pengukuran dari data kemiripan, Multidimensional Scaling terbagi
menjadi dua yaitu Multidimensional scaling Metrik dan Multidimensional Scaling
Non-Metrik. (Wickelmaier,2003)
9
2.1.5.1 Multidimensional Scaling Metrik
Data jarak yang digunakan dalam MDS metrik adalah data rasio atau interval.
MDS metrik (clasiccal scaling) digunakan untuk menemukan himpunan titik dalam
ruang dimensi, dimana masing-masing titik mewakili satu objek. Tujuan dari multidi-
mensional scaling adalah untuk mencari koordinat titik-titik dalam ruang euclid dari
matriks jarak yang tersedia. Misalkan koordinat n titik dalam ruang dimensi p adalah
xi (i = 1, 2, . . . , n) dengan xi = (xi1 , xi2 , . . . , xik ) dan xj = (xj1 , xj2 , . . . , xjk ). Jarak
ecluid antara titik ke-i dan ke-j adalah
q
D = dij = Σpk=1 (xik − xjk )2 (2.3)
1
A = aij = (− d2ij ); dij = elemenmatrixjarak (2.4)
2
Langkah berikutnya adalah menetukan matrix hasil kali dalam B. Matrix B memiliki
elemen-elemen:
dengan:
1 n
āi. = Σ a
n j ij
1 n
ā.j = Σ a
n i ij
1 n
ā.. = Σ Σn a
n i=1 j=1 ij
dengan :
āi. : rata-rata baris ke-i
ā.j : rata-rata kolom ke-j
ā.. : rata-rata keseluruhan
n : banyak data pada baris ke-i atau ke-j
10
Bila dituliskan dalam bentuk matrix menjadi :
1 1
B = (I − J)A(I − J) (2.6)
n n
dengan :
I : matriks identitas dengan ukuran nxn
V : matriks berukuran nxn dengan entri Vij = 1 untuk semua i,j
2
A : matriks kuadrat jarak berukuran nxn dengan elemen Dij
Cari nilai eigenvalue (λ) dan eigenvector (e)
|B − λI| = 0 (2.7)
(B − λI)v = 0 (2.8)
p p
Z = ( λi ei , λj ej ) (2.9)
11
mana disparities merupakan nilai rata-rata dari jarak-jarak yang tidak sesuai dengan
urutan ketidaksamaanya. Informasi ordinal kemudian dapat diolah dengan MDS non-
metrik sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat pada
dimensi tertentu dan kemudian agar jarak antara objek sedekat mungkin dengan in-
put nilai ketidaksamaan atau kesamaannya. Koordinat awal dari setiap subjek dapat
diperoleh melalui cara yang sama seperti metode MDS metrik dengan asumsi bahwa
meskipun data bukan jarak.
Untuk mendapatkan model MDS yang cocok, terdapat beberapa kriteria atau pe-
doman agar hasil yang di dapatkan layak dan dapat digunakan untuk interpretasi,yaitu:
Nilai Stress digunakan untuk melihat apakah hasil output mendekati keadaan yang
sebenarnya atau tidak. Semakin mendekati nol maka output yang dihasilkan se-
makin mirip dengan keadaan yang sebenarnya. (Wickelmaier,2003) Untuk mene-
mukan tingkat ketidak cocokan tersebut maka kita dapat mencari menggunakan rumus
stress.
s
Σni,j (dij − dˆij )2
Stress = (2.10)
Σni,j (dij )2
dengan :
dij : jarak kemiripan sesungguhnya
dˆij : jarak yang dihasilkan dari kemiripan data
Untuk kruskal stress formula terdapat pedoman untuk mengidentifikasi model yang
baik bila dilihat dari nilai stress dengan menggunakan standar kriteria sebagai berikut:
12
Tabel 2.1: Kriteris nilai stress
≥ 20 Jelek
20% -10% Cukup
10%-5% Baik
5%-2,5% Sangat baik
≤ 2,5 sempurna
R2 digunakan untuk mengetahui kedekatan antara data dengan map. Hal ini bertu-
juan untuk mengetahui bagaimana data jarak antar objek tersebut terpetakan dalam
perceptual map.(Simamora,2005)
R2 dapat dicari dengan rumus sbb:
2
Σni,j (dij − dˆij )2
R =1− n ¯2 (2.11)
Σi,j (dij − d)
Principal Component Analysis atau biasa disebut PCA yaitu salah satu metode
dalam analisis multivariat yang mentransformasi variabel awal yang berkorelasi men-
jadi variabel baru yang tidak saling berkorelasi dengan mereduksi atau meringkas data
dari variabel yang banyak diubah menjadi sedikit variabel. (Supranto,2010)
Bila komponen utama diturunkan dari populasi multivariat normal dengan random
13
vektor X = (X1 , X2 , X3 , ..., Xp ) dan vektor rata-rata µ = (µ1 , µ2 , µ3 , ..., µp ) dan ma-
trix kovarians Σ dengan akar ciri eigenvalue yaitu λ1 ≥ λ2 ≥ ... ≥ λp ≥ 0 didapat
kombinasi linier komponene utama yaitu sebagai berikut.
Maka V ar(Yi ) = e0i Σei dan Cov(Yi , Yk ) = e0i Σei dimana i, k = 1, 2, ..., p. Syarat
untuk membentuk komponen utama yang merupakan kombinasi linier dari variabel X
agar mempunya varian maksimum adalah dengan memilih vektor ciri (eigenvector)
yaitu e = (e1 , e2 , ..., ep ) sedemikian hingga V ar(Yi = e0i Σei ) maksimum dan e0i ei = 1.
Komponen utama pertama adalah kombinasi linier e01 X yang memaksimumkan
V ar(e01 X) dengan syarat e01 e1 = 1. Komponen utama kedua adalah kombinasi lin-
ier e02 X yang memaksimumkan V ar(e02 X) dengan syarat e02 e2 = 1. Antar komponen
utama tersebut tidak berkorelasi dan mempunyai varians yang sama dengan akar ciri
dari Σ. Akar ciri dari matrix ragam peragam Σ merupakan varian dari komponen
utama Y, seingga matrix ragam peragam dari Y adalah:
λ1 0 ... 0
0 λ2 ... 0
Σ == . (2.13)
.. .. .. .
. . ..
0 0 . . . λp
Total keragaman variabel asal akan sama dengan total keragaman yang diterangkan
oleh komponen utaman yaitu:
14
Penyusutan dimensi dari variabel asal dilakukan dengan mengambil sejumlah kecil
komponen yang mampu menerangkan bagian terbesar keragaman data. Apabila kom-
ponen utama yang diambil sebanyak q komponen, dimana q < p, maka proporsi dari
keragaman total yang bisa diterangkan oleh komponen utama ke-i adalah:
λ1
i = 1, 2, ..., p (2.15)
λ1 + λ2 + ... + λp
Penurunan komponen utama dari matrix korelasi dilakukan apabila data sudah terlebih
dahulu ditransformasi. Principal Component Analysis yaitu dilihat berdasarkan pada
eigenvalue. Suatu eigenvalue menunjukan besarnya hubungan dari komponen teradap
varian seluruh variabel asli, hanya eigenvalue yang besar dari satu yang akan diperta-
hankan. Untuk pengelompokan suatu variabel ke dalam dimensi tertentu dilihat dari
nilai factor loading, dimana factor loading dapat menunjukan besar korelasi antara
suatu variabel dengan dimensi 1 dan dimensi 2. Untuk penentuan variabel mana yang
termaksud dimensi 1 dan dimensi 2 yakni dengan melihat besar korelasi pada tiap-tiap
baris. (Supranto, 2010)
Pengangguran adalah jumlah akumulasi orang yang tidak bekerja pada suatu titik
waktu tertentu. Pengangguran merupakan perkalian antara jumlah orang masuk men-
jadi penganggur masing-masing stiap bulannya (inflow) dengan rata-rata durasi se-
orang menganggur. Sedangkan tingkat pengangguran adalah rasio antara jumlah
orang yang tidak bekerja dibagi dengan angkatan kerja. Dengan demikian, kenaikan
tingkat pengangguran dapat disebabkan oleh kenaikan inflow rate atau kenaikan di-
rasinya.(Santoso 2012) TPT (Tingkat Pengangguran Terbuka) adalah persentase jum-
lah pengangguran terhadap jumlah angkatan kerja. Penganggur terbuka, terdiri dari:
1. Mereka yang tak punya pekerjaan dan mencari pekerjaan.
2. Mereka yang tak punya pekerjaan dan mempersiapkan usaha.
15
3. Mereka yang tak punya pekerjaan dan tidak mencari pekerjaan, karena merasa
tidak mungkin mendapatkan pekerjaan.
4. Mereka yang sudah punya pekerjaan, tetapi belum molai bekerja.
Mencari pekerjaan adalah kegiatan seseorang yang pada saat survei orang tersebut
sedang mencari pekerjaan, seperti mereka:
1. Yang belum pernah bekerja dan sedang berusaha mendapatkan pekerjaan.
2. Yang sudah pernah bekerja, karena sesuatu hal berhenti atau diberhentikan dan
sedang berusaha untuk mendapatkan pekerjaan.
3. Yang bekerja atau mempunyai pekerjaan, tetapi karena sesuatu hal masih
berusaha untuk mendapatkan pekerjaan lain.
Usaha mencari pekerjaan ini tidak terbatas pada seminggu sebelum pencacahan, jadi
mereka yang sedang berusaha mendapatkan pekerjaan dan yang permohonannya telah
dikirim lebih dari satu minggu yang lalu tetap dianggap sebagai mencari pekerjaan
asalkan seminggu yang lalu masih mengharapkan pekerjaan yang dicari. Mereka yang
sedang bekerja dan berusaha untuk mendapatkan pekerjaan yang lain tidak dapat dise-
but sebagai penganggur terbuka. (BPS)
Mempersiapkan suatu usaha adalah suatu kegiatan yang dilakukan seseorang dalam
rangka mempersiapkan suatu usaha atau pekerjaan yang baru, yang bertujuan untuk
memperoleh penghasilan atau keuntungan atas resiko sendiri, baik dengan atau tanpa
mempekerjakan buruh atau pekerja dibayar maupun tidak dibayar. Mempersiapkan
yang dimaksud adalah apabila tindakannya nyata, seperti mengumpulkan modal atau
perlengkapan, mencari lokasi, mengurus surat ijin usaha dan sebagainya, telah atau
sedang dilakukan. Mempersiapkan usaha tidak termasuk yang baru merencanakan,
berniat dan baru mengikuti kursus atau pelatihan dalam rangka membuka usaha. (BPS)
Mempersiapkan suatu usaha yang nantinya cenderung pada pekerjaan sebagai
berusaha sendiri (own account worker) atau sebagai berusaha dibantu buruh tidak tetap
atau buruh tak dibayar atau sebagai berusaha dibantu buruh tetap atau buruh diba-
yar. Kegiatan mempersiapkan suatu usaha atau pekerjaan tidak terbatas dalam jangka
16
waktu seminggu yang lalu saja, tetapi bisa dilakukan beberapa waktu yang lalu asalkan
seminggu yang lalu masih berusaha untuk mempersiapkan suatu kegiatan usaha. (BPS)
17
bukan termaksuk pengangguran alamiah.
18
perikanan.
Salah satu ciri penduduk indonesia adalah persebaran antar pulau dan provinsi yang
tidak merata, sebagian besar penduduk indonesia tinggal di pulau jawa sehingga kepa-
datan penduduknya pun sangat beragam. Sosial kependudukan merupakan salah satu
aspek yang mempengaruhi tingkat penawaran tenaga kerja, dimana penawaran tenaga
kerja yang semakin meningkat namun tidak diimbangi dengan lapangan pekerjaan
19
yang cukup dapat mengakibatkan peningkatan jumlah pengangguran. Salah satu in-
dikatornya yaitu perubahan jumlah penduduk yang terjadi didaerah perkotaan yang pa-
dat penduduk serta secasecara alamiah melalui kelahiran dan kematian, jika jumlah ke-
lahiran lebih tinggi dari pada kematian, maka jumlah penduduk total akan mengalami
kenaikan dan begitupun sebaliknya. Dalam aspek kehidupan jumlah penduduk yang
besar akan berdampak pada berbagai aspek kehidupan sesioal, diantaranya masalah
kebutuhan pangan, kemiskinan hingga lapangan pekerjaan.(Santoso,2012)
Berdasarkan peraturan pemerintah (No.6/1960;No.7/1960) sensus penduduk dilak-
sanakan setiap sepuluh tahun, dimana informasi yang dikumpulkan berupa nama, jenis
kelamin dan umur, pendidikan dan kelahiran. Untuk skala pengukuran dalam aspek
kependudukan menurut Badan Pusat Statistik yaitu laju pertumbuhan penduduk dan
presentasi penduduk daerah perkotaan.
2.1.13 Ketenagakerjaan
20
ini terjadi secara berkepanjangan maka akan mengakibatkan tingginya tingkat pen-
gangguran. Pertumbuhan penduduk yang besar akan menciptakan jumlah angkatan
kerja yang besar pula di pasar tenaga kerja. Bertambahnya angkatan kerja yang
tidak disertai dengan lowongan atau kesempatan kerja akan menimbulkan pengang-
guran.(Santoso,2012)
21
memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pen-
geluaran perkapita perbulan dibawah garis kemiskinan.(santoso,2012) Yang menjadi
skala pengukuran ekonomi penduduk pengangguran pada badan pusat statistik yakni
kemiskinan dengan data kemiskinan yaitu presentasi penduduk yang berada dibawah
garis kemiskinan dan indeks kedalaman kemiskinan yang merupakan ukuran rata-rata
kesenjangan pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan.
22
2.2 Penelitian Yang Relevan
23
No Judul Penelitian Nama Peneliti Tujuan Penelitian Variabel Kesimpulan
24
kuadran masing-masing
kelompok.
BAB III
METODOLOGI PENELITIAN
3.1.1 Waktu
Penelitian ini akan dilaksanakan dalam waktu 5 bulan terhitung dari bulan Maret
2019 hingga Juli 2019.
Bulan
No Kegiatan Maret April Mei Juni Juli
2019 2019 2019 2019 2019
1 Pengambilan Data
2 Pengolahan Data
3 Kesimpulan
3.1.2 Tempat
Definisi konseptual variabel yang digunakan dalam penelitian ini yakni sebagai
berikut:
1. Pengangguran Terbuka
Pengangguran terbuka adalah masyarakat yang tidak memiliki pekerjaan dan
sedang mencari pekerjaan, yang mempersiapkan usaha, tidak mencari pekerjaan
karena merasa tidak mungkin mendapatkan pekerjaan dan yang sudah punya
pekerjaan tetapi belum mulai bekerja.(Santoso, 2012)
2. Angka Harapan Hidup
Angka Harapan Hidup adalah alat ukur untuk mengevaluasi kinerja pemerintah
dalam upaya meningkatkan kesejahteraan dan khusunya meningkatkan derajat
kesehatan masyarakat.(Santoso, 2012)
3. Harapan lama sekolah
Harapan lama sekolah merupakan gambaran yang lebih relevan dalam aspek
pendidikan, dimana dapat menentukan peringkat atau level pengetahuan dalam
perencanaan untuk mendapatkan pekerjaan.(Siswono,2013)
4. Rata-Rata Lama Sekolah
Rata-rata lama sekolah merupakan tolak ukur untuk melihat kualitas penduduk
dalam hal mengenyam pendidikan formal.(Siswono,2013)
5. Pengeluaran Perkapita
Pengeluaran perkapita dijadikan ukuran untuk menilai tingkat kesejahteraan
ekonomi penduduk, makin rendah presentasi pengeluaran maka makin baik
tingkat kesejahteraan ekonomi rakyat.(Santoso,2012)
6. Pertumbuhan Penduduk
Pendudukan yakni orang-orang yang bertempat tinggal di suatu wilayah dan
26
terikat oleh aturang-aturan yang berlaku. Pertumbuhan penduduk merupakan
perubahan jumlah penduduk yang di pengaruhi oleh kelahiran, kematian, dan
perpindahan.(Wijaya,2018)
7. Tingkat Partisipasi Angkatan Kerja
Dalam aspek ketenagakerjaan penawaran tenaga kerja dapat diukur dengan
angkatan kerja, dimana partisipasi angkatan kerja dapat menunjukan seberapa
persen sumbangsi penduduk yang termasuk angkatan kerja dalam setiap daerah.
TPAK akan berbanding lurus dengan tenaga kerja, artinya semakin tinggi TPAK
maka akan semakin tinggi pasokan tenaga kerja. (Santoso,2012)
8. Penduduk Miskin
Penduduk miskin adalah penduduk yang tidak mampu untuk mencapai kebu-
tuhan pokok, dimana aspek ini menentukan keadaan sosial ekonomi seseorang.
(Santoso,2012)
9. Rasio Ketergantungan
Rasio ketergantungan dijadikan sebagai indikator yang secara kasar dapat me-
nunjukan keadaan ekonomi suatu daerah. Semakin tinggi presentasi rasio keter-
gantungan maka semakin tinggi pula beban yang harus ditanggung penduduk
yang produktif untuk membiayai hidup yang belum produktif dan tidak produk-
tif.(Santoso,2012))
10. Indeks Kedalaman Kemiskinan
Indeks kedalaman kemiskinan merupakan nilai indeks yang menunjukan karak-
teristik penduduk miskin yang memiliki pendapatan jauh lebih rendah dari rata-
rata pendapatan(Sukmawati,2018)
11. Presentasi Penduduk Perkotaan
Presentasi penduduk perkotaan merupakan aspek dalam tolak ukur kepen-
dudukan yang secara garis besar kemungkinan untuk mendapatkan peker-
jaan juga lebih banyak sehingga daerah perkotaan lebih padat pen-
duduk.(Santoso,2012)
27
3.2.1.2 Definisi Operasional
Definisi operasional variabel yang digunakan dalam penelitian ini yakni sebagai
berikut:
1. Pengangguran Terbuka
Menurut data yang diambil dari website BPS Pengangguran Terbuka yang di-
maksut adalah mereka yang berumur diatas 15 tahun namun tidak bekerja dan
sedang mencari pekerjaan atau sedang mempersiapkan usaha atau yang sudah
punya pekerjaan namun belum bekerja (saat dilakukannya survey).
2. Angka Harapan Hidup
Menurut data yang diambil dari website BPS Angka Harapan Hidup yang di-
maksut adalah rata-rata tahun hidup yang masih akan dijalani oleh seseorang
yang telah berhasil mencapai umur x, pada suatu tahun tertentu.
3. Harapan lama sekolah
Menurut data yang diambil dari website BPS Harapan lama sekolah ialah rata-
rata lamanya bersekolah yang akan dirasakan oleh anak di umur tertentu pada
masa yang akan datang.
4. Rata-rata lama sekolah
Menurut data yang diambil dari website BPS Rata-rata lama sekolah yaitu rerata
dari jumlah tahun yang digunakan oleh penduduk dalam menjalani pendidikan
formal pada usia 25 tahun keatas.
5. Pengeluaran perkapita
Menurut data yang diambil dari website BPS Pengeluaran perkapita yakni rerata
pengeluaran per kapita dalam (ribu rupiah) yang disesuaikan dengan daya beli.
6. Pertumbuhan penduduk
Menurut data yang diambil dari website BPS Pertumbuhan Penduduk yang di-
maksut yaitu presentase perubahan jumlah penduduk antara dua periode waktu.
7. Tingkat Partisipasi Angkatan Kerja (TPAK)
Menurut data yang diambil dari website BPS TPAK yaitu presentase penduduk
28
usia 15 tahun keatas yang merupakan angkatan kerja.
8. Penduduk miskin
Menurut data yang diambil dari website BPS Penduduk miskin yang dimaksut
adalah presentasi penduduk yang berada dibawah garis kemiskinan.
9. Rasio Ketergantungan
Menurut data yang diambil dari website BPS Rasio Ketergantungan adalah per-
bandingan antara penduduk umur 0-14 tahun, ditambah dengan jumlah pen-
duduk 65+ (keduanya bukan angkatan kerja) dibandingkan dengan jumlah pen-
duduk usia 15-64 tahun (angkatan kerja).
10. Indeks Kedalaman Kemiskinan
Menurut data yang diambil dari website BPS Indeks kedalaman kemiski-
nan adalah ukuran rata-rata kesenjangan pengeluaran masing-masing penduduk
miskin terhadap garis kemiskinan.
11. Penduduk Perkotaan
Menurut data yang diambil dari website BPS Penduduk Perkotaan adalah Pre-
sentase orang yang tinggal di daerah perkotaan.
29
Tabel 3.2: Atribut Penelitian
Objek
X1 X2 X3 . . Xp
. . . . . . .
. . . . . . .
30
dengan:
n : Banyaknya objek
p : Banyaknya variabel
Data yang digunakan adalah data sekunder yang diperoleh dari Badan Pusat Statis-
tik tahun 2015.
3.2.3.1 Populasi
3.2.3.2 Sampel
Secara umum tehnik pengambilan sampel terbagi atas 2 yaknin probability sam-
pling dan non probability sampling. Tehnik pengambilan sampel yang akan digunakan
adalah non probability sampling. Tehnik pengambilan sampel menggunakan Sampling
Jenuh. Sampling jenuh adalah tehnik penentuan sampel bila semua anggota populasi
digunakan sebagai sampel.
31
1. Melakukan pengujian asumsi yaitu uji normalitas data dengan dengan menggu-
nakan analisis shapiro-wilk dan uji data outlier.
2. Menentukan nilai kemiripan antar objek ke dalam bentuk matriks jarak dengan
menggunakan rumus jarak euclidean.
3. Menentukan jumlah dimensi dengan mencari nilai dari matrix B, kemudian men-
cari nilai eigenvalue dan eigenvector lalu membentuk koordinat objek untuk
masing-masing dimensi dengan melihat nilai eigenvalue positif terbesar.
4. Menghitung jarak stimulus dengan menggunakan jarak euclidean.
5. Memberi penamaan pada dimensi dengan menggunakan Principal Componen
Analysis.
6. Menggabungkan MDS objek dan subjek.
7. Menguji validitas stimulus dengan mencari nilai Stress dan R Square.
8. Menyimpulkan hasil keseluruhan.
Berikut adalah diagram alur penelitian:
32
Mulai
Data
Uji Asumsi
Multivariat
Kesimpulan
Selesai
33
BAB IV
Untuk pengujian asumsi multivariat dapat dilakukan dengan dua cara, yaitu meng-
gunakan grafik dan menggunakan alat uji statistik agar dapat melengkapi dan memper-
tajam hasil analisis. Berikut hasil dari uji normalitas data dan uji outlier:
Data yang digunakan adalah data faktor-faktor yang mempengaruhi tingkat pen-
gangguran terbuka di indonesia tahun 2015. Untuk menguji asumsi normalitas maka
dapat menggunakan analisis dengan Shapiro-Wilk karena jumlah sampel yang digu-
nakan kurang dari 50 sampel. Berikut hasil dari uji normalitas pada masing-masing
variabel.
Gambar 4.1: Uji Normalitas Data
Kriteria pengujian:
• Angka signifikansi(Sig) > 0.05, maka data berdistribusi normal.
• Angka signifikansi(Sig) < 0.05, maka data tidak berdistribusi normal.
Pada Gambar 4.1 masing-masing variabel memiliki nilai signifikansi yang berbeda-
beda, yaitu:
• Variabel UHH memiliki nilai signifikansi > 0.05 yakni 0.563, maka data berdis-
tribusi normal.
• Variabel HLS memiliki nilai signifikansi < 0.05 yakni 0.003, maka data tidak
berdistribusi normal.
• Variabel RLS memiliki nilai signifikansi > 0.05 yakni 0.662, maka data berdis-
tribusi normal.
• Variabel PP memiliki nilai signifikansi < 0.05 yakni 0.009, maka data tidak
berdistribusi normal.
• Variabel PPD memiliki nilai signifikansi > 0.05 yakni 0.853, maka data berdis-
tribusi normal.
• Variabel TPAK memiliki nilai signifikansi > 0.05 yakni 0.072, maka data berdis-
tribusi normal.
• Variabel PM memiliki nilai signifikansi < 0.05 yakni 0.024, maka data tidak
berdistribusi normal.
• Variabel RK memiliki nilai signifikansi < 0.05 yakni 0.045, maka data tidak
berdistribusi normal.
• Variabel IK memiliki nilai signifikansi < 0.05 yakni 0.002, maka data tidak
berdistribusi normal.
• Variabel PDK memiliki nilai signifikansi < 0.05 yakni 0.005, maka data tidak
berdistribusi normal.
Dapat disimpulkan bahwa variabel HLS, PP, PM, RK, IK, PDK tidak berdistribusi
normal, maka yang dapat dilakukan agar data berdistribusi normal yaitu dengan men-
transformasi data. Untuk mentransformasi data peneliti mengubah data kebentuk nat-
35
ural (LN), kemudian dilakukan pengujian ulang.(Lampiran 2)
Berikut hasil uji normalitas setelah data di transformasi.
Pada Gambar 4.2 ada lima variabel memiliki nilai signifikansi > 0.05 maka data
sudah berdistribusi normal, namun ada satu variabel yang memiliki nilai signifikansi <
0.05 yaitu 0.001 pada variabel HLS. Untuk perlakuan selanjutnya pada variabel HLS
ketika sudah ditransformasi namun tetap berdistribusi tidak normal, maka perlakuan
selanjutnya yaitu data diterima apa adanya dan tidak perlu dilakukan berbagai treat-
ment, karena pada analisis Multidimensional tidak memiliki asumsi baku bahwa data
harus berdistribusi normal.
Untuk menguji asumsi multivariat yakni uji data outlier maka dapat menggunakan
boxplot.
36
Gambar 4.3: Boxplot
Boxplot merupakan salah satu cara dalam statistik deskriptif untuk menggam-
barkan secara grafik dari data melalui lima ukuran yaitu sebagai berikut:
1. Nilai observasi terkecil
2. Kuartil terenda atau kuartil pertama (Q1).
3. Medium (Q2) atau nilai pertengahan.
4. Kuartil tertinggi atau kuartil ketiga (Q3).
5. Nilai observasi terbesar.
Selain itu boxplot juga bisa menunjukan adanya data outlier dari observasi, jika ada.
(Junaidi, 2014)
Berikut adalah hasil uji data outlier dari masing-masing variabel faktor yang mempen-
garuhi tingkat pengangguran terbuka di Indonesia.
37
4.1.2.1 Uji Data Outlier Variabel Angka Harapan Hidup (X1)
Gambar 4.4: Boxplot Uji data outlier Variabel Angka Harapan Hidup
Pada Gambar 4.4 tidak terlihat adanya data outlier maupun data extreme di bawah
dan di atas garis whiskers pada variabel angka harapan hidup.
Gambar 4.5: Boxplot Uji data outlier Variabel Harapan Lama Sekolah
Pada Gambar 4.5 terlihat adanya data outlier di bawah garis whiskers terdapat
pada data yang ke 33 yakni pada provinsi Papua yang memiliki data terendah pada
variabel harapan lama sekolah, begitupun pada data outlier yang berada diatas garis
whiskers terdapat pada data yang ke 14 yakni pada provinsi DI Yogyakarta yang memi-
liki data tertinggi pada variabel angka harapan hidup. Adapun penanganan yang dapat
dilakukan yakni data outlier tetap dipertahankan dan tidak perlu dihilangkan karena
38
data realnya memang seperti itu. Selain itu jika datanya dihilangkan maka tidak akan
sesuai dengan tujuan peneliti untuk menganalisis kemiripan objek.
Gambar 4.6: Boxplot Uji data outlier Variabel Rata-Rata Lama Sekolah
Pada Gambar 4.6 terlihat adanya data outlier diatas garis whiskers terdapat pada
data yang ke 11 yakni pada provinsi DKI Jakarta yang memiliki data tertinggi pada
variabel rata-rata lama sekolah. Adapun penanganan yang dapat dilakukan yakni data
outlier tetap dipertahankan dan tidak perlu dihilangkan karena data realnya memang
seperti itu. Selain itu jika datanya dihilangkan maka tidak akan sesuai dengan tujuan
peneliti untuk menganalisis kemiripan objek.
39
Pada Gambar 4.7 terlihat adanya data outlier di bawah garis whiskers terdapat
pada data yang ke 33 yakni pada provinsi Papua yang memiliki data terendah pada
variabel pengeluaran perkapita, begitupun pada data outlier yang berada diatas garis
whiskers terdapat pada data yang ke 11 yakni pada provinsi DKI Jakarta yang memiliki
data tertinggi pada variabel pengeluaran perkapita. Adapun penanganan yang dapat
dilakukan yakni data outlier tetap dipertahankan dan tidak perlu dihilangkan karena
data realnya memang seperti itu. Selain itu jika datanya dihilangkan maka tidak akan
sesuai dengan tujuan peneliti untuk menganalisis kemiripan objek.
Pada Gambar 4.8 tidak terlihat adanya data outlier maupun data extreme di bawah
maupun di atas garis whiskers pada variabel pertumbuhan penduduk.
40
4.1.2.6 Uji Data Outlier Variabel Tingkat Partisipasi Angkatan Kerja (X6)
Gambar 4.9: Boxplot Uji data outlier Variabel Tingkat Partisipasi Angkatan Kerja
Pada Gambar 4.9 terlihat adanya data outlier di atas garis whiskers terdapat pada
data yang ke 17 dan 33 yakni pada provinsi Bali dan Papua yang memiliki data teet-
inggi pada variabel tingkat partisipasi angkatan kerja. Adapun penanganan yang dapat
dilakukan yakni data outlier tetap dipertahankan dan tidak perlu dihilangkan karena
data realnya memang seperti itu. Selain itu jika datanya dihilangkan maka tidak akan
sesuai dengan tujuan peneliti untuk menganalisis kemiripan objek.
Pada Gambar 4.10 tidak terlihat adanya data outlier maupun data extreme di
bawah maupun di atas garis whiskers pada variabel pertumbuhan penduduk miskin.
41
4.1.2.8 Uji Data Outlier Variabel Rasio Ketergantungan (X8)
Pada Gambar 4.11 tidak terlihat adanya data outlier maupun data extreme di
bawah maupun di atas garis whiskers pada variabel rasio ketergantungan.
Gambar 4.12: Boxplot Uji data outlier Variabel Indeks Kedalaman Kemiskinan
Pada Gambar 4.12 terlihat adanya data outlier dibawah garis whiskers terdapat
pada data yang ke 11 yakni pada provinsi DKI Jakarta yang memiliki data terendah
pada variabel indeks kedalaman kemiskinana. Adapun penanganan yang dapat di-
lakukan yakni data outlier tetap dipertahankan dan tidak perlu dihilangkan karena data
realnya memang seperti itu. Selain itu jika datanya dihilangkan maka tidak akan sesuai
dengan tujuan peneliti untuk menganalisis kemiripan objek.
42
4.1.2.10 Uji Data Outlier Variabel Presentase Penduduk Perkotaan (X10)
Gambar 4.13: Boxplot Uji data outlier Variabel Presentase Penduduk Perkotaan
Pada Gambar 4.11 tidak terlihat adanya data outlier maupun data extreme di
bawah maupun di atas garis whiskers pada variabel presentase penduduk perkotaan.
Jarak antara objek di cari dengan menggunakan Persamaan 2.2. Adapun matriks
jarak yang diperoleh yaitu sebagai berikut.
0.000000 4.182069 2.103117 1.910654 ... 17.014141
4.182069 0.000000 2.887871 5.053543 ... 13.156531
D33x33 =
2.103117 2.887871 0.000000 2.956772 ... (4.1)
15.719335
.. .. .. .. .. ..
. . . . . .
17.014141 13.156531 15.719335 17.610911 ... 0.0000000
Matrix jarak D menunjukan provinsi Lampung dan Jambi memiliki jarak terdekat di-
antara provinsi lainnya dengan jarak sebesar 1.250920 . Sedangkan provinsi Jawa
Barat dan Papua memiliki jarak terjauh diantara provinsi lainnya yakni sebesar
20.730871. (Lihat LAMPIRAN 3)
43
4.3 Menentukan Jumlah Dimensi
0.000000000 −0.008030165 −0.002030808 . . . −0.13291139
−0.008030165 0.000000000 −0.003829109 . . . −0.07947397
B33x33 =
−0.002030808 −0.003829109 0.000000000 . . . −0.11345156(4.2)
.. .. .. .. ..
. . . . .
−0.132911387 −0.079473967 −0.113451561 . . . 0.00000000
Setelah di peroleh matrix B, kemudian mencari nilai eigenvalue dan eigenvector dari
matrix B.(Lihat LAMPIRAN 4)
Eigen value:
λ1 = 5.671804e-01
λ2 = 2.063065e-01
λ3 = 1.549789e-01
..
.
λ33 = -9.743167e-01
Eigen Vektor:
−0.178192027 0.05896788 0.035349330 . . . −0.1429707
−0.046723129 0.15668237 −0.127008280 . . . −0.1020829
V33x33 = −0.138519835 0.11597976 −0.015997545 . . . −0.1213658
(4.3)
.. .. .. .. ..
. . . . .
0.620031351 −0.19185045 0.346892339 . . . −0.5008847
Karena menggunakan dimensi rendah 2 maka nilai eigenvalue yang gunakan hanya
2 yaitu nilai eigenvalue positif terbesar λ1 = 5.671804e − 01(0.571804) dan λ2 =
2.063065e − 01(0.2063065). Untuk menentukan titik koordinat objek pada masing-
44
masing dimensi dapat dilakukan dengan melihat nilai eigenvector yang berkorespon-
densi dengan 2 nilai eigenvalue yang dipilih. Berikut adalah titik koordinat objek untuk
2 dimensi. (Lihat LAMPIRAN 5)
Tabel 4.1: Koordinat Titik Objek Untuk 2 dimensi
45
22 KALIMANTAN SELATAN -3.04434986 -0.32168408
23 KALIMANTAN TIMUR 5.83722486 2.86939725
24 SULAWESI UTARA 6.00706576 -0.03907102
25 SULAWESI TENGA -1.16295913 -1.75123415
26 SULAWESI SELATAN 5.8104003 -1.42099112
27 SULAWESI TENGGARA -0.95068327 1.46835117
28 GORONTALO 2.33403045 -3.25044802
29 SULAWESI BARAT -4.8142911 -3.75331442
30 MALUKU 1.23544459 -4.48686438
31 MALUKU UTARA -0.01022892 -1.7703342
32 PAPUA BARAT -3.03780111 -3.59199
33 PAPUA -13.45401926 -0.06876222
Koordinat objek untuk dua dimensi yang terbentuk akan digunakan untuk menghi-
tung jarak stimulus (objek) ruang dimensi tersebut. Tiap-tiap jarak dihitung dengan
menggunakan rumus jarak euclid. Berikut adalah gambaran posisi objek berdasarkan
dimensi 1 (sumbu x) dan dimensi 2 (sumbu y).
46
Pada Gambar 4.2 terlihat bahwa semakin ke kanan angka dimensi 1 semakin besar
dan semakin ke atas angka dimensi 2 semakin besar. Angka yang berada di dalam plot
merupakan simbol dari masing-masing provinsi, bisa dilihat pada Tabel 4.1 di atas.
Berikut provinsi yang saling berdekatan berdasarkan dimensi:
No Objek Dimensi
1 2
47
4.4 Menghitung jarak stimulus
Koordinat yang terbentuk akan digunakan untuk menghitung jarak stimulus (objek)
ruang dimensi tersebut. Tiap jarak dihitung dengan menggunakan rumus jarak euclid.
0.000000 3.933924 1.307223 1.507337 ... 16.925808
3.933924 0.000000 2.678465 4.688580 ... 12.994617
1.307223 2.678465 0.000000 2.489080 ... 15.646502
D̂33x33 =
(4.4)
1.507337 4.688580 2.489080 0.000000 ... 17.564815
.. .. .. .. .. ..
. . . . . .
16.925808 12.994617 15.646502 17.564815 ... 0, 000000
Berdasarkan matriks D̂ di atas jarak terkecil terjadi pada Provinsi Jawa Timur dan
Sulawesi Tenggara yakni sebesar 0.4735069.(Lihat LAMPIRAN 6)
Bredasarkan Gambar 4.15 terlihat bahwa komponen yang memiliki nilai eigen-
48
value > 1 ada tiga komponen, karena pada analisis Multidimensional Scaling hanya
menggunakan dimensi rendah dua jadi yang digunakan hanya dua komponen saja yaitu
komponen 1 adalah dimensi 1 dan komponen 2 adalah dimensi 2. Untuk pemberian
nama dari masing-masing dimensi dapat dilakukan dengan melihat nilai loading factor.
Penempatan masing-masing variabel pada dimensi 1 atau dimensi 2 dilihat dari per-
bandingan besar korelasi antara masing-masing dimensi dengan variabel.(Lihat LAM-
PIRAN 7) Berikut nilai loading faktor dari masing-masing variabel:
Dimensi
Variabel 1 2
49
2. Dimensi 2 terdiri dari variabel Harapan Lama Sekolah, Rata-Rata Lama Seko-
lah, Pertumbuhan Penduduk dan Tingkat Partisipasi Angkatan Kerja. Variabel-
variabel ini berkaitan dengan aspek pendidikan, ketenagakerjaan dan kepen-
dudukan.
Untuk menggabungkan MDS objek dan subjek akan dilakukan berdasarkan di-
mensi.(Lihat LAMPIRAN 8)
Untuk mengetahui seberapa besar jarak antara objek dengan variabel yang ada pada
dimensi 1, berikut adalah plot gabungan antar objek dan variabel.
Pada Gambar 4.16 dapat dilihat bahwa masing-masing provinsi mempunyai faktor
yang mendominasi sesuai dengan kedekatan jarak objek dan variabel. Berdasarkan
kedekatan jarak antar keduanya dapat dijelaskan sebagai berikut:
50
• Provinsi Sumatra Barat, Sumatra Utara, Kep.Babel, Kep.Riau, Banten, Nusa
Tenggara Barat dan Maluku Utara memiliki kedekatan dengan variabel Pen-
duduk miskin yang berada dibawah garis kemiskinan (X7) dan Indeks Kedala-
man Kemiskinan (X9) yang cukup tinggi.
• Provinsi Riau, Jambi, Kalimantan Timur, Sulawesi Tengah, Sulawesi Selatan,
Gorontalo dan Maluku memiliki kedekatan dengan variabel Rasio Ketergantun-
gan (X8) yang cukup tinggi.
• Provinsi Aceh, Lampung, Jawa Barat, Jawa Timur dan Papua Barat memiliki
kedekatan dengan variabel Pengeluaran Perkapita (X4), Presentase penduduk
perkotaan (X10) dan Rasio Ketergantungan (X8) yang cukup tinggi.
Adapun objek yang letaknya jauh dari variabel artinya variabel tersebut tidak terlalu
mendominasi karakteristik dari dimensi 1 pada provinsi-provinsi tersebut.
Untuk mengetahui seberapa besar jarak antara objek dengan variabel yang ada pada
dimensi 2, berikut adalah plot gabungan antar objek dan variabel.
Pada Gambar 4.17 dapat dilihat bahwa masing-masing provinsi mempunyai faktor
51
yang mendominasi sesuai dengan kedekatan jarak objek dan variabel. Berdasarkan
kedekatan jarak antar keduanya dapat dijelaskan sebagai berikut:
• Provinsi Bengkulu, Jakarta, Yogyakarta, Bali dan Kalimantan Tengah memiliki
kedekatan dengan variabel Rata-rata Lama Sekolah (X3) yang cukup tinggi.
• Sumatra Selatan, Kalimantan Selatan, Sulawesi Utara, Sulawesi Tenggara, dan
Papua memiliki kedekatan dengan variabel Harapan Lama Sekolah (X2) yang
cukup tinggi.
• Provinsi Sulawesi Barat, Kalimantan Barat, Nusa Tenggara Timur, Jawa Tengah,
Bengkulu dan Sumatra Selatan memiliki kedekatan dengan variabel Harapan
Lama Sekolah (X2) dan Pertumbuhan Penduduk (X5) yang cukup tinggi.
Adapun variabel yang letaknya jauh dari objek artinya variabel tersebut tidak terlalu
mendominasi karakteristik dari dimensi 1 pada provinsi-provinsi tersebut.
Nilai Stress digunakan sebagai ukuran ketidaktepatan suatu model pemecahan pen-
skalaan multidimensional. Nilai stress yang diperoleh yaitu sebesar 0.02365683 atau
sebesar 2.36% yang artinya model penskalaan ini memiliki kriteria sangat baik untuk
menganalisis kemiripan provinsi dengan dua dimensi. (Lihat LAMPIRAN 9)
Nilai R Square menunjukan betapa tepatnya model penskalaan untuk mewakili data
input. Jika R Square sama dengan 1 maka model mewakili dengan sempurna. Akan
tetapi jika R Square besar dari 0.6 atau 60% maka sudah bisa diterima. Nilai R Square
yang diperoleh yaitu 0.999405 atau sebesar 99.94 %, hal ini menunjukan bahwa model
penskalaan ini dapat mewakili data input dengan sangat baik. (Lihat LAMPIRAN 9 )
52
BAB V
PENUTUP
5.1 Kesimpulan
Adapun saran bagi penenlitian selanjutnya adapun model penskalaan lainnya selain
Multidimensional Scaling dapat menggunakan Biplot atau Analisis Cluster. Dan da-
pat melakukan pengembangan mengenai data keadaan geografis yang mempengaruhi
Tingkat Pengangguran Terbuka di masing-masing Provinsi.
54
DAFTAR PUSTAKA
[1] Anton. S 2004, Aljabar Linear Elementer(Edsi Kedelapan Jilid 1), Jakarta, Erlangga.
[2] Badan Pusat Statistik (BPS), 2019, Konsep/Penjelasan Teknis, Blok Tenaga Kerja, 3
Februari 2019, <https://www.bps.go.id/subject/6/tenaga-kerja.html>.
[4] Gudono, 2014, ’Analisis Data Multivariat Edisi Ketiga’, Yogyakarta, BPFE.
[7] Joseph.F, 2014, Multivariate Data Analysis, Inggris, Pearson Education Limited.
[8] Lembang.F.K, 2016, ’Analisis Positioning untuk restoran berdasarkan persepsi pelang-
gan dengan Menggunakan metode Multidimensional Scaling’, UNPATTI
Maluku, No.1, Vol.10. hal.47-54
[9] Matjik.A.A, dan Sumertajaya.I.M, 2011, Sidik Peubah Ganda Dengan Menggunakan
SAS, Jakarta, IPB PRESS.
[10] Mulyadi, 2003, Ekonomi Sumber Daya Manusia Dalam Perspektif Pembangunan Edisi
Kesatu, Jakarta, Grafindo.
[11] Nahar.J, 2016, ’Penerapan Metode Multidimensional Scaling dalam Pemetaan Sarana
Kesehatan di Jawa Barat’, Universitas Padjajaran, No.1, Vol.12.43-50
[12] Novalia.L, 2015, ’Faktor-Faktor Yang Mempengaruhi Tingkat Pengangguran Di Kabu-
paten Kuantan Singingi Provinsi Riau’, Universitas Riau, No.1, Vol.2.
[15] Rini.D.S,2015,’Perbandingan Power Of Test Dari Uji Normalitas Metode Bayesian, Uji
Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Adreson-Darling’, Universitas
Bengkulu, No.2, Vol.11
[16] Santoso.R.P, 2012, Ekonomi Sumber Daya Manusia dan Ketenagakerjaan (Edisi 1), Yo-
gyakarta, UPP STIM YKPM.
[17] Santoso.S, 2018, Mahir Statistik Multivariat dengan SPSS, Jakarta, PT Elex Media Kom-
putindo.
[19] Siagian. S, 1989, ’Teori Motivasi dan Aplikasi’, Bina Aksara, Jakarta.
[22] Sukirno.S, 2000, Makro Ekonomi Modern, Perkembangan Pemikiran dari Klasik Hingga
Keynesian Baru, Jakarta, PT Raja Grafindo Persada.
56
[24] Sumin, 2017, ’Penerapan Analisis Multidimensional Scaling untuk Memetakan Presepsi
Stakeholders Terhadap Mutu Lulusan IAIN Pontianak’, Institut Agama Islam
Negeri (IAIN) Pontianak, No.2, Vol.11.97-104
[25] Supranto.J,2004, Analisis Multivariat Arti dan Interpretasi, Jakarta, PT rineka cipta.
[26] Supranto.J, 2004, Analisis Multivariat: Arti dan Interpretasi, Jakarta, PT.Asdi Ma-
hasatya.
[30] Wickelmaier.F, 2003, ’An Introduction to MDS’, Sound Quality Research Unit, Aalborg
University, Denmark.
[31] Mustafa. Z, ’Mengurai Variabel Hingga Instrumentasi’ (Yogyakarta: Graha Ilmu), hal.
7-8.
57
LAMPIRAN
Lampiran 1
Tabel 5.1: Data faktor yang mempengaruhi tingkat pengangguran pada provinsi-provinsi di Indonesia
tahun 2015
Aceh 69.50 13.73 8.77 8.533 2.03 63.44 17.11 54.8 3.11 30.5
Sumut 68.29 12.82 9.03 9.563 1.36 67.28 10.79 56.3 1.89 52.6
Sumbar 68.66 13.6 8.42 9.804 1.33 64.56 6.71 55.8 1.26 44.2
Riau 70.93 12.74 8.49 10.364 2.62 63.22 8.82 51.5 1.45 39.6
Jambi 70.56 12.57 7.96 9.446 1.83 66.14 9.12 47.3 1.6 32
Sumsel 69.14 12.02 7.77 9.474 1.48 68.53 13.77 49.7 1.88 36.5
Bengkulu 68.5 13.18 8.29 9.123 1.71 70.67 17.16 47.9 3.63 31.7
Lampung 69.90 12.25 7.56 8.729 1.24 65.6 13.53 49.5 2.36 28.3
Kep.Babel 69.88 11.6 7.46 11.781 2.22 66.71 4.83 46.2 0.9 52.5
Kep.Riau 69.41 12.6 9.65 13.177 3.11 65.07 5.78 49.7 0.86 83
Jakarta 72.43 12.56 10.7 17.075 1.09 66.39 3.61 39.9 0.27 100
Jabar 72.41 12.15 7.86 9.778 1.56 60.34 9.57 47.7 1.67 72.9
Jateng 73.96 12.38 7.03 9.993 0.81 67.86 13.32 48.1 2.17 48.4
DI Yogya 74.68 15.03 9 12.684 1.19 68.38 13.16 44.9 2.32 70.5
Jatim 70.68 12.66 7.14 10.383 0.69 67.84 12.28 44.3 2.13 51.1
Banten 69.43 12.35 8.27 11.261 2.27 62.24 5.75 46.4 0.9 67.7
Bali 71.35 12.97 8.26 13.078 1.23 75.51 5.25 45.6 1.13 65.5
NTB 65.38 13.04 6.71 9.241 1.38 66.54 16.54 53.8 2.72 45.4
NTT 65.96 12.84 6.93 7.003 1.7 69.25 22.58 66.7 4.62 21.6
Kalbar 69.87 12.25 6.93 8.279 1.66 69.68 8.44 50.8 1.09 33.1
Kalteng 69.54 12.22 8.03 9.809 2.36 71.11 5.91 46.2 1.02 36.6
Kalsel 67.8 12.21 7.76 10.891 1.84 69.73 4.72 48.6 0.98 45.1
Kaltim 73.65 13.18 9.15 11.229 2.61 62.39 6.1 46.2 0.69 66
59
Lanjutan
Sulut 70.99 12.43 8.88 9.729 1.15 61.28 8.98 46.6 1.54 49.8
Sulteng 67.26 12.72 7.97 8.768 1.69 67.51 14.07 50.6 2.37 27.2
Sulsel 69.8 12.99 7.64 9.992 1.12 60.94 10.12 52.9 1.58 40.6
Sultra 70.44 13.07 8.18 8.697 2.18 68.35 13.74 60.5 2.05 31.2
Gorontalo 67.12 12.7 7.05 9.035 1.64 63.65 18.16 48.6 3.08 39
Sulbar 64.22 12.22 6.94 8.26 1.94 70.27 11.9 56 1.54 22.9
Maluku 65.31 13.56 9.16 8.026 1.81 64.47 19.36 59.7 4.79 38
Malut 67.44 13.1 8.37 7.423 2.18 66.43 6.22 58.5 1.15 27.8
Papua.B 65.19 12.06 7.01 7.064 2.63 68.68 25.73 49.9 5.29 32.3
Papua 65.09 9.95 5.99 6.469 1.97 79.57 28.4 47.5 0.85 28.4
Sumber:Badan Pusat Statistika
60
Lampiran 2
Aceh 69.5 2.62 8.77 2.14 2.03 63.44 2.84 4 1.13 3.42
Sumut 68.29 2.55 9.03 2.26 1.36 67.28 2.38 4.03 0.64 3.96
SUMBAR 68.66 2.61 8.42 2.28 1.33 64.56 1.9 4.02 0.23 3.79
RIAU 70.93 2.54 8.49 2.34 2.62 63.22 2.18 3.94 0.37 3.68
JAMBI 70.56 2.53 7.96 2.25 1.83 66.14 2.21 3.86 0.47 3.47
SUMSEL 69.14 2.49 7.77 2.25 1.48 68.53 2.62 3.91 0.63 3.6
BENGKULU 68.5 2.58 8.29 2.21 1.71 70.67 2.84 3.87 1.29 3.46
LAMPUNG 69.9 2.51 7.56 2.17 1.24 65.6 2.6 3.9 0.86 3.34
KEP BABEL 69.88 2.45 7.46 2.47 2.22 66.71 1.57 3.83 -0.11 3.96
KEP RIAU 69.41 2.53 9.65 2.58 3.11 65.07 1.75 3.91 -0.15 4.42
JAKATRA 72.43 2.53 10.7 2.84 1.09 66.39 1.28 3.69 -1.31 4.61
JABAR 72.41 2.5 7.86 2.28 1.56 60.34 2.26 3.86 0.51 4.29
JATENG 73.96 2.52 7.03 2.3 0.81 67.86 2.59 3.87 0.77 3.88
YOGYAKARTA 74.68 2.71 9 2.54 1.19 68.38 2.58 3.8 0.84 4.26
JATIM 70.68 2.54 7.14 2.34 0.69 67.84 2.51 3.79 0.76 3.93
BANTEN 69.43 2.51 8.27 2.42 2.27 62.24 1.75 3.84 -0.11 4.22
BALI 71.35 2.56 8.26 2.57 1.23 75.51 1.66 3.82 0.12 4.18
NTB 65.38 2.57 6.71 2.22 1.38 66.54 2.81 3.99 1 3.82
NTT 65.96 2.55 6.93 1.95 1.7 69.25 3.12 4.2 1.53 3.07
KALBAR 69.87 2.51 6.93 2.11 1.66 69.68 2.13 3.93 0.09 3.5
KALTENG 69.54 2.5 8.03 2.28 2.36 71.11 1.78 3.83 0.02 3.6
KALSEL 67.8 2.5 7.76 2.39 1.84 69.73 1.55 3.88 -0.02 3.81
KALTIM 73.65 2.58 9.15 2.42 2.61 62.39 1.81 3.83 -0.37 4.19
SULUT 70.99 2.52 8.88 2.28 1.15 61.28 2.19 3.84 0.43 3.91
61
Lanjutan
SULTENG 67.26 2.54 7.97 2.17 1.69 67.51 2.64 3.92 0.86 3.3
SULSEL 69.8 2.56 7.64 2.3 1.12 60.94 2.31 3.97 0.46 3.7
SULTRA 70.44 2.57 8.18 2.16 2.18 68.35 2.62 4.1 0.72 3.44
GORONTALO 67.12 2.54 7.05 2.2 1.64 63.65 2.9 3.88 1.12 3.66
SULBAR 64.22 2.5 6.94 2.11 1.94 70.27 2.48 4.03 0.43 3.13
MALUKU 65.31 2.61 9.16 2.08 1.81 64.47 2.96 4.09 1.57 3.64
MALUT 67.44 2.57 8.37 2 2.18 66.43 1.83 4.07 0.14 3.33
PAPUA.B 65.19 2.49 7.01 1.96 2.63 68.68 3.25 3.91 1.67 3.48
PAPUA 65.09 2.3 5.99 1.87 1.97 79.57 3.35 3.86 -0.16 3.35
62
Lampiran 3
63
64
65
Lampiran 4
66
67
68
69
70
71
72
73
74
Lampiran 5
75
76
> #Membuat Plot Classical Objek
> plot(x,y,main="Classical MDS Objek",type="p",pch=25,col="red")
> abline(h = 0, col = "black")
> abline(v = 0, col = "black")
> provinsi <- c("1","2","3","4","5","6","7","8","9","10","11","12",
"13","14","15","16","17","18","19","20","21","22","23","24","25",
"26","27","28","29","30","31","32","33")
> text(x, y, pos = 4, labels = provinsi, cex=1.5)
77
Lampiran 6
78
79
80
Lampiran 7
81
> plot(pca1)
> fa1 <- factanal(x, factor=2)
> fa1
Call:
factanal(x = x, factors = 2)
Uniquenesses:
UHH HLS RLS PP PPD TPAK PM RK IK PDK
0.493 0.005 0.440 0.057 0.963 0.803 0.397 0.424 0.343 0.231
Loadings:
Factor1 Factor2
UHH 0.571 0.425
HLS -0.185 0.980
RLS 0.444 0.603
PP 0.872 0.426
PPD -0.188
TPAK -0.436
PM -0.753 -0.193
RK -0.754
IK -0.792 0.172
PDK 0.812 0.330
Factor1 Factor2
SS loadings 3.749 2.095
Proportion Var 0.375 0.209
Cumulative Var 0.375 0.584
Test of the hypothesis that 2 factors are sufficient.
The chi square statistic is 43.6 on 26 degrees of freedom.
The p-value is 0.0167
82
Lampiran 8
83
> NTB=data$NTB
> KALTIM=data$KALIMANTAN.TIMUR
> SULTENG=data$SULAWESI.TENGAH
> SULSEL=data$SULAWESI.SELATAN
> GORONTALO=data$GORONTALO
> MALUKU=data$MALUKU
> MALUT=data$MALUKU.UTARA
> PAPUAB=data$PAPUA.BARAT
> datatabel1=data.frame(ACEH,SUMUT,SUMBAR,RIAU,JAMBI,LAMPUNG,BABEL,
+ KEP.RIAU,JABAR,JATIM,BANTEN,NTB,KALTIM,SULTENG,SULSEL,GORONTALO,MALU
+ MALUT,PAPUAB)
> Do=dist(datatabel1, method = "euclidean")
> fit2 <- cmdscale(Do,k=2)
> x <- fit2[, 1]
> y <- fit2[, 2]
> #Gabungan
> fit1 <-cmdscale(D, k = 2)
> fit2<-cmdscale(Do, k = 2)
> x <-c(fit1[, 1],fit2[, 1])
> y <- c(fit1[, 2],fit2[, 2])
> plot(x,y,main="Classical MDS Join",type="p",pch=25,col="red")
> abline(h = 0, col = "black")
> abline(v = 0, col = "black")
> provinsi <- c("1","2","3","4","5","8","9","10","12","15","16","18","
+ "25","26","28","30","31","32","X1","X4","X7","X8","X9","X10")
> text(x, y, pos = 4, labels = provinsi, cex=1)
> #Objek
> data=read.csv(’D:/gabungan/dimensi2.csv’)
84
> HLS=data$LN_HLS
> RLS=data$RLS
> PPD=data$PPD
> TPAK=data$TPAK
> datatabel=data.frame(HLS,RLS,PPD,TPAK)
> D=dist(datatabel, method = "euclidean")
> fit1 <- cmdscale(D,k=2)
> x <- fit1[, 1]
> y <- fit1[, 2]
> #variabel
> data=read.csv(’D:/gabungan/variabel2.csv’)
> SUMSEL=data$SUMATRA.SELATAN
> BENGKULU=data$BENGKULU
> JAKARTA=data$JAKARTA
> JATENG=data$JAWA.TENGAh
> YOGYA=data$YOGYAKATRA
> BALI=data$BALI
> NTT=data$NTT
> KALBAR=data$KALIMANTAN.BARAT
> KALTENG=data$KALIMANTAN.TENGAH
> KALSEL=data$KALIMANTAN.SELATAN
> SULUT=data$SULAWESI.UTARA
> SULTENGGR=data$SULAWESI.TENGGARA
> SULBAR=data$SULAWESI.BARAT
> PAPUA=data$PAPUA
> datatabel1=data.frame(SUMSEL,BENGKULU,JAKARTA,JATENG,YOGYA,BALI,
+ NTT,KALBAR,KALTENG,KALSEL,SULUT,SULTENGGR,SULBAR,PAPUA)
> Do=dist(datatabel1, method = "euclidean")
85
> fit2 <- cmdscale(Do,k=2)
> x <- fit2[, 1]
> y <- fit2[, 2]
> #Gabungan
> fit1 <-cmdscale(D, k = 2)
> fit2<-cmdscale(Do, k = 2)
> x <-c(fit1[, 1],fit2[, 1])
> y <- c(fit1[, 2],fit2[, 2])
> plot(x,y,main="Classical MDS Join",type="p",pch=25,col="red")
> abline(h = 0, col = "black")
> abline(v = 0, col = "black")
> provinsi <- c("6","7","11","13","14","17","19","20","21","22","24","
+ "33","X2","X3","X5","X6")
> text(x, y, pos = 4, labels = provinsi, cex=1)
86
Lampiran 9
87
CURRICULUM VITAE