Clusterwise Regression untuk Melihat Pengaruh Jumlah Penduduk Usia

13-15 Tahun Terhadap Angka Partisipasi Kasar (APK) Tingkat SMP/Mts

di Kabupaten Lombok Timur

(Umam Hidayaturrohman)

BAB I
PENDAHULUAN
1.1 Latar Belakang
Pendidikan merupakan sebuah kebutuhan yang berguna bagi kehidupan
manusia, baik dalam kehidupan sosial maupun dalam dunia pekerjaan. Tujuan
utama dari pendidikan adalah untuk meningkatkan kualitas SDM (Sumber Daya
Manusia). Pendidikan berfungsi sebagai sebuah proses dimana seseorang dididik
agar dapat memiliki kualitas moral dan keahlian yang nantinya akan berguna bagi
kemajuan daerah atau negaranya, dengan perkembangan dan kemajuan yang pesat
yang dimiliki oleh suatu negara, maka akan semakin mensejahterakan rakyat di
negara tersebut, serta dapat bersaing dengan negara lainnya di seluruh dunia.
Kualitas pendidikan di Indonesia sendiri sudah sangat tertinggal
dibandingkan dengan negara lain di dunia. Berdasarkan hasil survei beberapa
lembaga yang mengurusi pendidikan di seluruh dunia, terlihat Indonesia hampir
selalu berada pada kelompok negara yang kualitas pendidikannya buruk. Hasil
survei beberapa lembaga tersebut seperti yang bersumber dari World
Competitiveness Year Book, yang melakukan survei antara tahun 1997 sampai
tahun 2007. Hasilnya pada tahun 1997, dari 49 negara yang diteliti, Indonesia
berada di urutan 39. Pada tahun 1999, dari 47 negara yang disurvei, Indonesia
berada pada urutan 46. Tahun 2002 dari 49 negara, Indonesia berada pada urutan
47 dan pada tahun 2007 dari 55 negara yang disurvei, Indonesia menempati
urutan yang ke 53.
Untuk mengukur kualitas pendidikan di suatu daerah, menurut Chamidi
(2005) salah satu indikator yang dapat digunakan yaitu angka partisipasi kasar.
Menurut badan pusat statistik, angka partisipasi kasar yaitu proporsi anak sekolah
pada suatu jenjang tertentu dalam kelompok usia yang sesuai dengan jenjang
pendidikan tersebut. Jika nilai angka partisipasi kasar suatu daerah tinggi, maka
dapat dipastikan daerah tersebut kualitas pendidikannya sudah cukup baik
Peningkatan kualitas pendidikan di suatu negara, tentunya juga harus
diawali dengan peningkatan kualitas pendidikan pada tiap daerah di dalam negara
tersebut tak terkecuali pada level kabupaten. Kualitas pendidikan yang baik harus
tersebar secara merata. Peraturan dalam hal pemerataan pendidikan tersebut sudah
tertuang dalam Undang-Undang Republik Indonesia Nomor 20 tahun 2003,
tentang Sistem Pendidikan Nasional yang menyatakan bahwa sistem pendidikan
nasional harus mampu menjamin pemerataan kesempatan pendidikan,
peningkatan mutu, relevansi, dan efisiensi manajemen pendidikan untuk
menghadapi tantangan sesuai dengan tuntutan perubahan kehidupan lokal,
nasional, dan global sehingga perlu dilakukan pembaharuan pendidikan secara
terencana, terarah, dan berkesinambungan.
Kualitas pendidikan pada daerah-daerah di Indonesia belum merata dengan
maksimal, kurangnya pemerataan pendidikan pada level kabupaten banyak terjadi
pada kecamatan-kecamatan yang terpencil dan memiliki akses yang kurang, hal
tersebut banyak disebabkan pembagian subsidi pendidikan yang belum
menyeluruh.
Pemerataan pendidikan sebenarnya menjadi pekerjaan besar bagi
pemerintah, khususnya kementrian kemendikbud. Salah satu program yang selalu
digembar-gemborkan yaitu program wajib belajar 12 tahun bahkan Kementerian
Pendidikan dan Kebudayaan (Kemendikbud) terus mengupayakan wajib belajar
12 tahun melalui pelaksanaan Program Indonesia Pintar (PIP) (Kemendikbud,
2016). Wajib belajar 12 tahun meliputi 6 tahun SD, 3 Tahun SMP/MTs, dan 3
Tahun SMA/SMK/MA.
APK sebagai salah satu indikator yang digunakan untuk melihat kesuksesan
program wajib belajar 12 tahun harusnya pada tingkat SD dan SMP sudah
memenuhi bahkan melebihi target yang sudah ditetapkan, sehingga pemerataan
kesempatan memproleh pendidikan dasar bagi setiap daerah merata.
Berdasarkan latar belakang tersebut penulis tertarik untuk melihat
keberhasilan pemerintah dalam pemerataan pendidikan khususnya pada tingkat
SMP/MTs, sehingga penulis mencoba untuk melihat hubungan Angka Partisipasi
Kasar berdasarkan jumlah penduduk usia 13-15 tahun dan melihat pengaruh
daerah dalam mengelomokkan Angka Partisipasi Kasar berdasarkan jumlah
penduduk usia 13-15 tahun dengan mengambil contoh di Kabupaten Lombok
Timur.

1.2 Tujuan
Penelitian ini bertujuan untuk:

1. Mengetahui seberapa besar Jumlah Penduduk Usia 13-15 mempengaruhi

besarnya Angka Partisipasi Kasar tingkat SMP/MTs di Kabupaten
Lombok Timur.
2. Mengetahui apakah terdapat pengaruh kelompok (kecamatan) dalam
menentukan Angka Partisipasi Kasar pada Tingkat SMP/MTs di
Kabupaten Lombok Timur
 BAB II
TINJAUAN PUSTAKA

2.1 Analisis Regresi

Analisis regresi merupakan salah satu teknik analisis statistika yang paling
banyak digunakan. Pada kejadian sehari-hari terdapat hubungan sebab akibat yang
muncul, baik yang terjadi pada bidang sains, sosial, industri maupun bisnis.
Kejadian-kejadian tersebut dapat dimodelkan dalam bentuk fungsi regresi.

Yang harus diingat dalam regresi adalah perubahan nilai dari suatu
variabel tidak selalu terjadi denga sendirinya, namun perubahan nilai tersebut
dapat pula disebabkan oleh variabel lain yang berhubungan dengan variabel
tersebut. Menurut Mason, yang dikutip oleh algifari (1996) Analisis Regresi
(Regression Analysis) Merupakan suatu teknik untuk membangun persamaan
garis lurus dan menggunakan persamaan tersebut untuk membuat perkiraan.
Sedangkan menurut Algifari (1996) analisis regresi merupakan suatu model
matematis yang dapat digunakan untuk mengetahui pola hubungan antar dua atau
lebih variabel dengan tujuan utam adalah membuat perkiraan nilai suatu variabel
(variabel dependen) jika nilai variabel yang lain yang berhubungan dengannya
(variabel Independen) sudah ditentukan.

Sifat hubungan antar variabel dalam regresi merupakan hubungan sebab

akibat (Algifari; 2000). Oleh karena itu sebelum menjelaskan hubungan antar dua
atau lebih variabel kita harus meyakini terlebih dahulu secara teoritis bahwa kedua
atau lebih variabel tersebut memang memiliki hubungan sebab akibat (causal
relationship). jadi Secara umum, analisis regresi berkenaan dengan studi
ketergantungan suatu variabel dependen (tak bebas) pada satu atau lebih variabel
independen (bebas).
 Dalam regresi seseorang selalu bekerja dengan model, yang merupakan
suatu hubungan fungsional antar peubah, model memudahkan peneliti dalam
menentukan hubungan kausal (sebab-akibat) antar variabel. Yang perlu menjadi
titik perhatian dari peneliti bahwa ada tidaknya suatu hubungan antar variabel
tidak semata-mata ditentukan oleh data statistik. Menurut Sembiring (1995) model
merupakan penyederhanaan dan abstraksi dari suatu keadaan alam sesungguhnya,
keadaan alam yang ingin kita teliti biasanya amat rumit dan kemampuan untuk
menelitinya secara keseluruhan amat terbatas, karena itu kita perlu
menyederhanakannya sesuai dengan kemampuan akal kita menghadapinya baik
dari pengalaman masa lalu atau dari dugaan mengenai hubungan antar peubah
dalam sistem yang diteliti.

Adapun model umum dari suatu regresi yang hanya melibatkan 1 peubah
dapat dituliskan sebagai berikut (Utami;2003)

Yi = 0 + 1x+ 

Dalam hal ini :

Yi : variabel respon

0 : parameter, yang merupakan y-intercept

1 : parameter, yang merupakan slope dari garis

 : komponen random error

x : variabel independen (prediktor dari y)

2.2 Clustering
Clustering adalah proses pengelompokan objek yang didasarkan pada
kesamaan antar objek. Tidak seperti proses klasifikasi yang bersifat supervised
(terawasi) learning, pada clustering proses pengelompokan dilakukan atas dasar
unsupervised learning. Pada proses klasifikasi, akan ditentukan lokasi dari suatu
kejadian pada kelas tertentu dari beberapa kelas yang telah teridentifikasi
sebelumnya. Sedangkan pada proses clustering, proses pengelompokan kejadian
dalam kelas akan dilakukan secara alami tanpa mengidentifikasi kelas-kelas
sebelumnya.
Suatu metode clustering dikatakan baik apabila metode tersebut dapat
menghasilkan clusters dengan kualitas yang sangat baik. Metode tersebut akan
menghasilkan clusters dengan objek-objek yang memiliki tingkat kesamaan yang
cukup tinggi dalam suatu cluster, dan memiliki tingkat ketidaksamaan yang cukup
tinggi juga apabila objek-objek tersebut terletak pada cluster yang berbeda.
Untuk mendapatkan kualitas yang baik, metode clustering sangat tergantung
pada ukuran kesamaan yang akan digunakan dan kemampuannya untuk
menemukan beberapa pola yang tersembunyi. Untuk melihat konsep klastering
seperti terlihat pada
Clusterwise Regression
Clusterwise Regression merupakan salah satu alternatif terbaik dalam
melakukan regresi dengan metode cluster secara bersamaan (Park, 2015).
Clusterwise Regression merupakan metode regresi yang menggunakan lebih dari
satu persamaan regresi pada tahap latih. Data latih akan dikelompokkan terlebih
dahulu sehingga masing-masing kelompok akan dibentuk persamaan regresi.
Langkah-langkah dari algoritma Clusterwise Regression adalah sebagai berikut
(Yusuf ,2014).

1. Data dibagi menjadi kelompok awal Q1, Q2, … , Qk

2. Masing-asing kelompok dibangun persamaan regresi linier.
3. Masing-masing data latih akan dihitung nilai kesalahan yang paling kecil
dari persamaan regresi yang ada sesuai dengan persamaan

4. Ubah keanggotaan kelompok pada masing-masing data berdasarkan

dengan kesalahan prediksi yang minimal.
5. Dilakukan pengulangan dari langkah 2 hingga fungsi yang objectif
ditentukan

Pada clusterwise Regression akan dimodelkan persamaan regresi dengan

meminimalisasi nilai dari error. Pada setiap iterasi akan dimodelkan persamaan
regresi, kemudian dihitung nilai kesalahan dan keanggotaan masing-masing data.
Persamaan regresi error, dan keanggotaan dari data akan diperbaharuhi pada
setiap iterasi sehingga diproleh model yang optimal.

BAB III
HASIL DAN PEMBAHASAN

Data yang digunakan dalam makalah ini adalah data sekunder yang
didapatkan dari dokumen Badan Pusat Statistik Lombok Timur yang tertuang
dalam publikasi Lombok Timur dalam Angka tahun 2015. Merujuk pada tujuan
penulisan makalah yaitu ingin melihat kualitas pendidikan berdasarkan tingkat
partisipasi masyarakat dalam bidang pendidikan di Lombok Timur untuk tingkat
SMP/MTs maka Variabel-variabel yang digunakan dalam penelitian ini yaitu
jumlah penduduk usia 13-15 tahun dan Angka Partisipasi Kasar tingkat SMA
Berdasarkan variabel-variabel tersebut maka ditentukan bahwa variabel
respon (terikat) yang digunakan yaitu Angka Partisipasi Kasar. Sedangkan
variabel penjelasnya (bebas) yaitu jumlah penduduk usia 13-15 tahun. Data yang
digunakan adalah sebagai berikut.

Tabel 1. Data Penduduk usia 16-15 dan Angka partisipasi Kasar

Kecamatan Penduduk 13-15 APK

Keruak 3797 136.15
Jerowaru 3024 101.29
Sakra 3124 109.28
Sakra Barat 2899 122.63
Sakra Timur 2449 121.68
Terara 3806 104.55
Montong Gading 2335 134.22
Sikur 3797 115.56
masbagik 5231 115.69
Pringgasela 2943 84.61
Sukamulia 1611 134.08
Suralaga 3290 100.24
Selong 5115 102.72
Labuhan haji 2976 111.39
Pringgabaya 5426 105.03
 suela 2012 119.09
aikmel 5983 110.45
wanasaba 3553 115.48
sembalun 1129 89.81
sambelia 1789 105.53

3.1 Ekslorasi Data

3.1.1 Deskripsi Data
A. Penduduk Usia 13-15

Penduduk 13-15
sambelia
sembalun
wanasaba
aikmel
suela
Pringgabaya
Labuhan haji
Selong
Suralaga
Sukamulia Penduduk 13-15
Pringgasela
masbagik
Sikur
Montong Gading
Terara
Sakra Timur
Sakra Barat
Sakra
Jerowaru
Keruak
0 1000 2000 3000 4000 5000 6000 7000

Gambar 2. Grafik Penduduk Usia 13-15 tahun

Berdasarkan grafik diatas terlihat bahwa penduduk usia 13-15 tahun

terbanyak di kecamatan Aikmel (5983 jiwa), terbanyak kedua ada di kecamatan
Pringgabaya (5426 jiwa), selanjutnya yaitu kecamatan Masbagik (5231 jiwa).
Ketiga kecamatan tersebut merupakan 3 kecamatan dengan jumlah populasi
terbanyak di kabupaten lombok timur (Masbagik (98.151 jiwa), Aikmel
 (96.942), dan Pringgabaya (93.427)).

Jumlah penduduk usia 13-15 tahun terendah yaitu berada di kecamatan

Sembalun 1129, jumlah di sembalun penduduk usia 13-15 tahun sangat sedikit
hal ini dikarenakan lokasi kecamatan sembalun termasuk daerah terpencil dan
terluar dari kabupaten lombok timur. Jumlah penduduk di kecamatan Sembalun
sangat sedikit dibandingkan dengan kecamatan lainnya yaitu 19.577 jiwa.

B. Angka Partisipasi Kasar

APK SMP/MTs
APK
sambelia 105.53
sembalun 89.81
wanasaba 115.48
aikmel 110.45
suela 119.09
Pringgabaya 105.03
Labuhan haji 111.39
Selong 102.72
Suralaga 100.24
Sukamulia 134.08
Pringgasela 84.61
masbagik 115.69
Sikur 115.56
Montong Gading 134.22
Terara 104.55
Sakra Timur 121.68
Sakra Barat 122.63
Sakra 109.28
Jerowaru 101.29
Keruak 136.15

Gambar 3. Grafik nilai APK

APK tertinggi berada di kecamatan keruak (136.15 %). Terbanyak kedua

yaitu kecamatan Montong gading, selanjutnya kecamatan Sukamulia. Kalau
diperhatikan letak geografis kecamatan-kecamatan yang memiliki angka
partisipasi kasar tertinggi umumnya dekat dengan pusat pemerintahan yaitu
berada di kecamatan Selong dan dekat dengan lokasi-lokasi strategis di Lombok
Timur yang berakibat pada informasi mengenai dunia pendidikan mudah
disampaikan. Sehingga masyarakat memiliki kesadaran yang tinggi akan
pentingnya pendidikan. APK terendah adalah kecamatan Pringgasela hal ini
disebabkan pringgasela merupakan salah satu kecamatan yang cukup luas 134.26
km2 (bentuk geografis memanjang ke arah gunung rinjani). Kecamatan
Pringgasela terdapat ketimpangan kemajuan antar desa yang satu dengan yang
lainnya (Bagian utara (arah Gunung Rinjani) umumnya memiliki kesadaran
pendidikan yang kurang, karena akses dan tingkat perekonomian yang kurang).

3.1.2 Korelasi.

Pearson correlation of X and Y = -0,077

P-Value = 0,746

Nilai korelasi menunjukkan keeratan hubungan antara variabel penjelas

dengan variabel respons, untuk kasus diatas digunakan nilai korelasi Pearson.
Nilai korelasi Pearson antara Penduduk Usia 13-15 Tahun dan APK memiliki
nilai -0.077 artinya terdapat hubungan negatif antara jumlah penduduk usia 13-15
dan APK. Berikut adalah Scatter plot Y dan X.

Gambar 4. Scatter plot Penduduk Usia 13-15 Tahun (X) dan APK (Y)
3.2 Analisis Regresi:

Regression Analysis: Y versus X

The regression equation is

Y = 115 - 0,00080 X

Predictor Coef SE Coef T P

Constant 114,638 8,697 13,18 0,000
X -0,000804 0,002446 -0,33 0,746

S = 14,0954 R-Sq = 0,6% R-Sq(adj) = 0,0%

Analysis of Variance

Source DF SS MS F P
Regression 1 21,5 21,5 0,11 0,746
Residual Error 18 3576,2 198,7
Total 19 3597,7

Berdasarkan output diatas dapat ditarik suatu kesimpulan bahwa ketepatan

suatu model regresi yang terbentuk sebesar 0.006 atau 0.6% hal ini ditunjukkan
oleh nilai R-Square pada output diatas. Nilai tersebut menunjukkan keeratan
hubungan antara variabel independen dengan variabel dependennya.

Berdasarkan output diatas diproleh bahwa model regresi yang terbentuk

adalah:

Y = 115 - 0,00080 X
Keterangan:

Y : APK penduduk usia 13-15 tahun

X : Penduduk Usia 13-15 tahun
Kemudian untuk mengetahui apakah model tersebut sesuai atau tidak
maka dilakukan pengujian model dengan menggunakan uji simultan (overall test)
dan uji parsial tingkat kepercayaan yang digunakan dalam kasus ini adalah 85%.
Berikut adalah hasil pengujian untuk model regresi yang terbentuk.

a. Uji Overall

- Hipotesis
H0 = β0 = β1 = 0 (Model regresi tidak layak digunakan / tidak sesuai)
H1 = Minimal ada βi ≠ 0 dengan i = 0,1 (model regresi layak digunakan
(sesuai).
- Tingkat Signifikansi
Tingkat signifikasi (α) yang digunakan adalah 0.15
- Daerah Kritis
Tolak H0 jika nilai P-value < α
- Keputusan
Berdasarkan output di tabel anova dapat dilihat bahwa nilai p-value
> α atau 0.746 < 0.15 maka H0 diterima
- Kesimpulan:
Dengan menggunakan tingkat kepercayaan 85% dapat disimpulkan bahwa
model regresi tidak layak digunakan.
b. Uji Parsial
- Hipotesis
H0 : 1 = 0 ( jumlah penduduk usia 13-15 tahun tidak signifikansi dalam
model)
H1 : 1 ≠ 0 ( jumlah penduduk usia 13-15 tahun signifikansi dalam model)
- Tingkat Signifikansi:
Tingkat signifikansi () yang digunakan adalah 0,15
- Daerah Kritis :
p-value <  maka H0 ditolak.
- Keputusan :
Berdasarkan output pada table koefisien di atas dapat dilihat bahwa
nilai sig atau p-value <  dengan nilai 0,746 > 0,15 maka H0 diterima.
- Kesimpulan:
 Dengan menggunakan tingkat kepercayaan 85% maka dapat di tarik suatu
kesimpulan bahwa jumlah penduduk usia 13-15 tahun tidak signifikan
dalam model.

Dari beberapa kriteria diatas dapat disimpulkan bahwa nilai R-Square

kecil, dan model regresi tidak layak untuk digunakan. Berdasarkan hal tersebut
penulis menduga adanya suatu pengelompokkan berdasarkan kecamatan, sehingga
membuat model regresi tidak layak untuk digunakan.

Gambar 5. Dugaan adanya pengelompokkan

Untuk memperbaiki hal tersebut, penulis mencoba untuk membuat

kelompok (clusters) berdasarkan kecamatan dengan menggunakan clusterwise
regression menggunakan bantuan proc plexmix pada software R.

Syntax yang digunakan yaitu:

> library(flexmix)
> data<-read.delim("clipboard")
> model <- flexmix(APK ~Penduduk.13.15, data=data, k=3)
> clusters(model)
> data$clusters<-clusters(model)
> data
Untuk kasus diatas penulis mencoba untuk membuat kelompok sebanyak 3
buah kelompok berdasarkan kecamatannya. Berikut adalah cluster yang terbentuk.
 Gambar 6. Pengelompokkan berdasarkan metode Clusterwise Regression

Setelah diproleh pengelompokkan berdasarkan kecamatan, langkah

selanjutnya yaitu dengan membuat model regresi masing-masing kelompok
dengan tingkat kepercayaan 85%.

Tabel 2. Persamaan Regresi Masing-Masing Cluster

K Model R2 Uji Simultan Uji Parsial

1 Y) = 132 + 0,00100 X 92.2% 0,172 (Tidak Signifikan) 0,172 (Tidak Signifikan)
2 Y = 89,1 + 0,00381 X 29.5 0,131 (Signifikan) 0,131 (Signifikan)
3 Y = 127 - 0,00336 X 61.5% 0,021 (Signifikan) 0,021 (Signifikan)

Berikut adalah Asumsi Klasik untuk model regresi pada kluster 2 dan 3

A. Uji Normalitas.

Pada prinsipnya normalitas dapat dilihat dengan melihat penyebaran data (titik)
pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya.
Adapun dasar dari pengambilan keputusan untuk melihat kenormalannya adalah:
(Ghozali:2011)
 1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal,
maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis
diagonal atau grafik histogramnya tidak mengikuti pola distribusi normal,
maka model regresi tidak memenuhi asumsi normalitas.

Kluster 2 Kluster 3

Gambar 7. Plot Residual dan Histogram

Berdasarkan tampilan grafik Histogram dari nilai sisaan dapat dilihat

bahwa grafik berdistribusi normal. Pada plot residual, terlihat titik-titik berada
disekitar garis diagonal. Berdasarkan kedua grafik ini baik menggunakan
histogram maupun grafik dari plot residualnya, dapat ditarik suatu kesimpulan
bahwa data residual berdistribusi normal. Untuk memperjelas apakah data residual
berdistribusi normal atau tidak maka dilakukan uji Kolmogorov-Smirnov.

Uji Kolmogorov-Smirnov

- Hipotesis
H0 : Data residual berdistribusi normal
H1 : Data residual tidak berdistribusi normal
- Tingkat Signifikansi
Tingkat signifikansi yang digunakan () adalah 0,05
- Daerah Kritis :
Tolak H0 Jika probailitas (Asym.sig.(2-tailed) < α (0.15)
- Keputusan:
Berdasarkan output pada Grafik diatas dapat dilihat bahwa nilai
probabilitasnya 0,629 > 0,15 (untuk kluster 2) dan 0,892 > 0,15 (untuk
kluster 3), maka H0 gagal tolak.
- Kesimpulan:
Dengan menggunakan tingkat kepercayaan 85% maka dapat ditarik
suatu kesimpulan bahwa data residual berdistribusi normal.
B. Asumsi Homoskedastisitas.

Dalam uji regresi tidak boleh terjadi ketidaksamaan varians data residual
dari suatu pengamatan ke pengamatan lain. Jika varians dari residual suatu
pengamatan ke pengamatan lain tetap (sama) maka dikatakan homoskedastisitas,
sedangkan jika varians dari residual suatu pengamatan ke pengamatan yang lain
berbeda maka dikatakan heteroskedastisitas. Model regresi yang baik adalah
ketika asumsi homoskedastisitas terpenuhi atau tidak terjadi heteroskedastisitas,
salah satu cara untuk melakukan pengujian heteroskedastisitas yaitu dengan
menggnakan uji Breusch-Pagan.

- Hipotesis

H 0=σ 21=σ 2 ( Ragam Sisaan homogen )

H 1=σ 2i =c χ 2i ( Ragam Sisaantidak homogenatau heterogen )

 - Tingkat keercayaan = 0.85
JKR(Jumlah Kuadrat Residual) 2
- Daerah Kritis: Tolak H0 jika >( χ (1)=3.84
2
)
- Keputusan
Tabel 3. Nilai Jumlah Kuadrat Residual kluster 2 dan 3

Kluster 2 Kluster 3
JKR JKR/2 JKR JKR/2
155,59 77.795 209,98 104.99
(terima H0) (terima H0)

Kesimpulan

2
Karena nilai JKR/2 > χ (1) maka dapat disimpulkan ragam sisaan
homogen atau asumsi kehomogenan ragam terpenuhi untuk masing-
masing cluster.
C. Uji Autokorelasi

Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi

linear ada korelasi antara kesalahan pengganggu pada periode ke t dengan
kesalahan pengganggu pada periode ke t-1 atau kesalahan sebelumnya
(Utami;2003). Model Regresi yang baik adalah model regresi yang bebas dari
autokorelasi.

Terdapat beberapa cara dalam mendeteksi ada atau tidaknya autokorelasi

yaitu dengan menggunakan kriteria durbin watson, pola grafik dan run test. Run
test sebagai bagian dari statistic non-parametrik dapat pula digunakan untuk
menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar Residual
tidak terdapat hubungan korelasi maka dapat dikatakan bahwa residual acak atau
random. Run test digunakan untuk melihat apakah data residual terjadi secara
random atau tidak (Ghozali:2011). Untuk kasus ini tidak relevan dilakukan uji
autokorelasi karena data tidak terdapat pengaruh waktu dan masing-masing data
setiap kecamatan diasumsikan independen.
Letak Geografis Masing-Masing Kluster.

Berikut adalah letak kluster 1, 2, dan 3 secara geografis (Gambar 7)

Gambar 8. Letak Geografis masing-masing Kluster

Keterangan:
K1. Merah
K2. Hijau
K3. Kuning
Berdasarkan gambar 8 dapat dilihat terbentuknya kluster pada umumnya
disebabkan oleh faktor kedekatan letak geografis kecamatan. Sehingga kesadaran
masyarakat akan pentingnya pendidikan bisa saja dipengaruhi oleh interaksi sosial
dalam bermasyarakat.
 BAB IV
PENUTUP

Kesimpulan:

1. Clusterwise Regression dapat digunakan untuk menerapkan metode

Regresi dan metode clustering secara bersamaan.
2. Hasil cluster 1, 2, dan 3. yang menggamabrakan pengaruh jumlah
penduduk usia 13-15 tahun terhadap Angka Partisipasi Kasar berdasarkan
kecamatan di Kabupaten Lombok Timur.

Tabel 4. Hasil Cluster dengan menggunkan metode Clusterwise Regression

Kecamatan Penduduk 13-15 APK Clusters

Keruak 3797 136,15 1
Jerowaru 3024 101,29 2
Sakra 3124 109,28 2
Sakra Barat 2899 122,63 3
Sakra Timur 2449 121,68 3
Terara 3806 104,55 2
Montong Gading 2335 134,22 1
Sikur 3797 115,56 3
masbagik 5231 115,69 2
Pringgasela 2943 84,61 2
Sukamulia 1611 134,08 1
Suralaga 3290 100,24 2
Selong 5115 102,72 2
Labuhan haji 2976 111,39 3
Pringgabaya 5426 105,03 3
suela 2012 119,09 3
aikmel 5983 110,45 3
wanasaba 3553 115,48 3
sembalun 1129 89,81 2
sambelia 1789 105,53 2
3. Model Regresi untuk masing-masing Cluster yaitu :

Tabel 5. Persamaan Regresi Yang diproleh

Cluster Model R2 Keterangan

1 Y = 132 + 0,00100 X 92.2% Model tidak Layak
2 Y = 89,1 + 0,00381 X 29.5 Model Layak
3 Y = 127 - 0,00336 X 61.5% Model Layak
 DAFTAR PUSTAKA

Algifari.2000.Analisis Regresi Teori, Kasus dan Solusi. Yogyakarta:BPFE

Yogyakarta.

Algifari.1996.Analisi Statistik untuk Bisnis Dengan Regresi, Korelasi, dan

Nonparametrik. Yogyakarta:BPFE Yogyakarta.

Bps.go.id. Konsep. https://www.bps.go.id/Subjek/view/id/28 Diunduh Tanggal 22

November 2016 Pukul 07.05WIB.

Chamidi, S. 2005. Makna dan Aplikasi Sederhana Indikator Pendidikan. Jakarta:

Departemen Pendidikan Nasional, Badan Pendidikan dan Pengembangan,
Pusat Data dan Inforamasi Pendidikan, Bidang Pendayagunaan Data dan
Informasi.

Ghozali, I. 2011. Aplikasi Analisis Multivariate dengan Program IBM

SPSS19.Semarang:BP Universitas Diponogoro

kemendigbud.go.id. 2016. Kemendikbud Upayakan Wajib Belajar 12 Tahun

Melalui PIP. https://psmk.kemdikbud.go.id/konten/1906/kemdikbud-
upayakan-wajib-belajar-12-tahun-melalui-pip. Diunduh Tanggal 22
November 2016 Pukul 09.15WIB.

Park, Y.W., Jiang, Y., Klabjan, D & Williams, L,.2015. Algorithms for
Generalized Cluster-wise Linear Regression. USA: Northwestern University

Sembiring, RK.1995.Analisis Regresi.Bandung:ITB

Undang-Undang. (2016). Undang-undang tentang Sistem Pendidikan Nasional.

Undang-undang Republik Indonesia No. 20 tahun 2003.

Utami, H. 2003. Modul Praktikum Analisis Regresi Terapan. Yogyakarta: FMIPA

UII.

Yusuf, A & Chandrasa, H. 2014. Prediksi Nilai Dengan Metode Spectral

Clustering Dan Clusterwise Regression. Jurnal Simantec. Vol. 4, No. 1 Juni
2014