KABUPATEN BLORA
Disusun oleh:
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
UNIVERSITAS NEGERI SEMARANG
2022
LAPORAN PRAKTIK KERJA LAPANGAN DI BADAN PUSAT STATISTIK
KABUPATEN BLORA
Disusun Oleh:
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
UNIVERSITAS NEGERI SEMARANG
2022
1
HALAMAN PENGESAHAN
Disusun oleh
Nama : Bagus sriyono
NIM : 4112319021
Jurusan : Matematika
2
ABSTRAK
3
KATA PENGANTAR
Segala puji atas kehadirat Allah SWT yang Maha Pengasi lagi Maha
Penyayang yang telah melimpahkan rahmat dan hidayah-Nya, sehingga penulis
dapat menyelesaikan penyusunan laporan praktik kerja lapangan di Badan Pusat
Statistik(BPS) kabupaten blora dengan judul “PENERAPAN METODE K-
MEANS CLUSTERING DALAM PENGELOMPOKKAN PARTISIPASI
KECAMATAN DI PILKADA BUPATI DAN WAKIL BUPATI
KABUPATEN BLORA 2020 ” ini dengan baik dan lancar.
4
Penulis menyadari bahwa dalam penyusunan Laporan PKL ini masih jauh
dari kata sempurna. Oleh karena itu, penulis mengharapkan kritikan maupun saran
dari pembaca supaya penyusunan Laporan PKL ini bisa lebih baik lagi. Penulis
juga berharap semoga laporan ini dapat bermanfaat bagi para pembaca.
Penulis
5
DAFTAR ISI
HALAMAN PENGESAHAN....................................................................................................................2
ABSTRAK..................................................................................................................................................3
KATA PENGANTAR...............................................................................................................................4
DAFTAR ISI..............................................................................................................................................6
DAFTAR GAMBAR.................................................................................................................................8
DAFTAR TABEL....................................................................................................................................11
BAB I........................................................................................................................................................12
PENDAHULUAN....................................................................................................................................12
a. Sistematika Laporan..........................................................................................................................34
BAB II......................................................................................................................................................36
PEMBAHASAN LAPORAN..................................................................................................................36
6
2.1.2 Visi dan Misi BPS...........................................................................................................................37
2.1.3 Nilai-Nilai Inti BPS Kabupaten Blora...........................................................................................38
2.1.4 Tugas, Fungsi, dan Kewenangan BPS...........................................................................................39
2.1.5 Tugas dan Struktur Organisasi BPS Kabupaten Blora...............................................................40
2.2 Pembahasan........................................................................................................................................55
BAB III.....................................................................................................................................................56
PENUTUP................................................................................................................................................56
3.1 Kesimpulan.........................................................................................................................................56
3.2 Saran......................................................................................................................................................57
DAFTAR PUSTAKA...............................................................................................................................58
LAMPIRAN-LAMPIRAN.......................................................................................................................60
7
DAFTAR GAMBAR
8
Gambar 19. Menu Analisis K-Means Cluster.......................................................46
Gambar 20. Kotak Dialog K-Means Cluster Analysis.........................................47
Gambar 21. Kotak Dialog K-Means Cluster: Save..............................................48
Gambar 22. Kotak Dialog K-Means Cluster: Options..........................................48
Gambar 23. Hasil dari K-Means Cluster..............................................................51
Gambar 24. Menu Environment from excel.........................................................52
Gambar 25. Kotak Dialog Import Excel Data......................................................53
Gambar 26. Data Tabel Pilpres 2019....................................................................53
Gambar 27. Data Tabel Pilpres1...........................................................................54
Gambar 28. Data Tabel Data Standarisasi............................................................56
Gambar 29. Plot jarak Antar Objek......................................................................57
Gambar 30. Plot Jumlah Cluster yang Optimal....................................................58
9
Gambar 31. Data Tabel Hasil Cluster...................................................................61
Gambar 32. Plot Hasil Cluster..............................................................................62
Gambar 33. Dokumentasi PKL.............................................................................72
Gambar 34. Struktur Organisasi BPS Kabupaten Blora.......................................73
Gambar 35. Surat Pengantar Observasi................................................................74
Gambar 36. Surat Penerimaan PKL......................................................................75
Gambar 37. Surat Tugas Dosen Pembimbing PKL..............................................76
Gambar 38. Surat Tugas Pembimbing Lapangan PKL........................................77
Gambar 39. Surat Tugas Dosen Pembimbing PKL..............................................78
Gambar 40. Surat Penarikan Mahasiswa PKL.....................................................79
Gambar 41. Daftar Hadir Mahasiswa PKL...........................................................81
10
DAFTAR TABEL
11
BAB I
PENDAHULUAN
12
15 Juni 2020, dengan syarat bahwa seluruh tahapan Pilkada harus dilakukan
sesuai dengan protokol Kesehatan, berkoordinasi dengan Gugus Tugas Covid-19,
serta tetap berpedoman pada prinsip-prinsp demokrasi.
(3). Komisi II DPR RI meminta kepada KPU RI, Bawaslu RI dan DKPP
RI untuk mengajukan usulan tambahan anggaran terkait Pilkada di Provinsi,
Kabupaten dan Kota secara lebih rinci untuk selanjutnya dibahas oleh Pemerintah
dan DPR RI
14
1.3.2 Manfaat
a. Bagi Penulis
1. Memperoleh informasi tentang bagaimana penerapan metode K-Means Klaster
dan analisisnya dalam pengelompokkan Kecamatan berdasarkan partisipasinya
dalam Pilkada Blora 2020.
2. Menambah pengetahuan mahasiswa dalam menganalisis dan mengolah data
menggunakan SPSS dan Rstudio.
3. Meningkatkan kemampuan untuk menerapkan ilmu yang telah didapatkan di
perkuliahan guna terjun dan berhubungan dengan masyarakat di dunia kerja.
4. Meningkatkan kemampuan dalam berkomunikasi dengan masyarakat di dunia
kerja.
5. Memperoleh kesempatan berlatih dalam dunia kerja.
16
secara langsung pemerintah juga telah mengeluarkan Peraturan Pemerintah
Pengganti Undang-Undang Nomor 3 Tahun 2005 tentang Perubahan atas Undang-
Undang Nomor 32 Tahun 2004 yang kemudian ditetapkan dengan UU No.8
Tahun 2005 sebagai Undang-undang, dan UU No. 12 Tahun 2008 tentang
Perubahan Kedua atas Undang-Undang Nomor 32 Tahun 2004, serta Peraturan
Pemerintah Nomor 17 Tahun 2005 Tentang Perubahan atas Peraturan Pemerintah
Nomor 6 Tahun 2005.
Menurut UU No.22 Tahun 2007, Pemilu Kepala Daerah dan Wakil Kepala
Daerah adalah Pemilu untuk memilih kepala daerah dan wakil kepala daerah
secara langsung dalam Negara Kesatuan Republik Indonesia berdasarkan
Pancasila dan UndangUndang Dasar Negara Republik Indonesia Tahun 1945.
Sedangkan Menurut PP No.6 Tahun 2005, Pemilihan Kepala Daerah dan Wakil
Kepala Daerah adalah sarana pelaksanaan kedaulatan rakyat di wilayah provinsi
dan/atau kabupaten/kota berdasarkan Pancasila dan Undang-Undang Dasar
Negara Republik Indonesia Tahun 1945 untuk memilih Kepala Daerah dan Wakil
Kepala Daerah. Sebelumnya, Kepala Daerah dan Wakil Kepala Daerah dipilih
oleh Dewan Perwakilan Rakyat Daerah (DPRD). Dasar hukum penyelenggaraan
Pilkada adalah UndangUndang Nomor 32 Tahun 2004 tentang Pemerintahan
Daerah. Dalam undang-undang ini, PILKADA (Pemilihan Kepala Daerah dan
Wakil Kepala Daerah) belum dimasukkan dalam rezim Pemilihan Umum
(Pemilu). Tetapi Sejak berlakunya Undang-Undang Nomor 22 Tahun 2007
tentang Penyelenggara Pemilihan Umum, PILKADA dimasukkan dalam rezim
Pemilu, sehingga secara resmi bernama Pemilihan Umum Kepala Daerah dan
Wakil Kepala Daerah
18
1.6.3 Clustering
Menurut Widodo (2013:9) clustering atau klasifikasi adalah metode yang
digunakan untuk membagi rangkaian data menjadi beberapa kelompok
berdasarkan kesamaan yang telah ditentukan sebelumnya. Klaster adalah
sekelompok atau sekumpulan objek-objek data yang similar atau sama lain dalam
klaster yang sama dan dissimilar terhadap objek-objek yang berbeda klaster.
Objek akan dikelompokkan menjadi satu atau lebih klaster sehingga objek yang
berada dalam satu klaster akan memiliki kesamaan yang tinggi antara satu dengan
yang lain. Objek yang dikelompokkan berdasarkan prinsip memaksimalkan
kesamaan objek pada klaster yang sama dan memaksimalkan ketidaksetaraan
dalam kelompok yang berbeda. Kesamaan objek biasanya diperoleh dari nilai-
nilai atribut yang menggambarkan objek data, sehingga objek data biasanya
direpresentasikan sebagai titik di ruang multidimensi.
Dengan menggunakan pengelompokan ini, kita dapat mengklasifikasikan
daerah yang padat, menemukan pola distribusi keseluruhan, dan menemukan
hubungan yang menarik antara atribut data. Dalam penambangan data, upaya
difokuskan pada metode penemuan untuk klaster atas dasar data yang besar secara
efektif dan efisien. Beberapa kebutuhan clustering dalam data mining termasuk
skalabilitas, kemampuan untuk menangani tipe atribut yang berbeda dapat
menangani dimensi tinggi, menangani data besar memiliki kebisingan, dan dapat
diterjemahkan dengan mudah.
Adapun tujuan dari pengelompokan data ini adalah untuk meminimalkan
fungsi tujuan yang ditetapkan dalam proses pengelompokan, yang secara umum
berusaha untuk meminimalkan variasi dalam klaster. Dan meminimalkan variasi
antar klaster. Secara garis besar, ada beberapa metode klasifikasi data. Pemilihan
metode pengelompokan tergantung pada tipe data dan tujuan pengelompokan
sendiri.
1.6.4 Metode K-Means
K-Means adalah salah satu metode data clustering non-hierarki yang
mencoba mempartisi data yang ada ke dalam satu atau lebih klaster atau
kelompok sehingga data yang memiliki karakteristik yang sama
dikelompokkan menjadi
19
klaster yang sama dan data yang memiliki karakteristik yang berbeda
dikelompokkan menjadi kelompok yang lainnya.
K-Means adalah metode clustering berbasis jarak yang membagi data
menjadi beberapa klaster dan Algoritma ini hanya bekerja pada atribut numerik.
Algoritma K-Means mencakup pengelompokan partisi yang memisahkan data
menjadi k himpunan bagian yang terpisah. Algoritma K-Means sangat terkenal
karena kemudahan dan kemampuan untuk mengelompokkan data besar dan data
outlier sangat banyak cepat. Dalam algoritma K-Means, setiap data harus
termasuk klaster tertentu dan dapat dimungkinkan untuk setiap data yang
termasuk dalam klaster tertentu di satu tahap proses, pada tahap berikutnya pindah
ke cluster lain.
Pada dasarnya penggunaan algoritma melakukan proses clustering
tergantung dari data yang ada dan konklusi yang ingin dicapai. Untuk itu
digunakan algoritma K-Means yang di dalamnya memerlukan penentuan jumlah
klaster yang ingin dimasukkan dan memiliki atribut tipe numerik:
20
Kembali ke langkah 3 jika posisi centroid baru dengan centroid yang lama tidak
sama.
1.6.5 Software SPSS
SPSS adalah program aplikasi yang memiliki kemampuan analisis statistik
tinggi dan sistem pengelolaan data dalam lingkungan grafis menggunakan menu
deskriptif dan kotak dialog sederhana sehingga mudah dipahami cara
pengoperasiannya. Beberapa aktivitas dapat dilakukan dengan mudah dengan
menggunakan mouse pointing dan click. SPSS banyak digunakan dalam berbagai
riset pemasaran, kontrol kualitas dan peningkatan, dan penelitian ilmiah. SPSS
pertama kali muncul dengan versi PC (bisa digunakan untuk komputer desktop)
dengan nama SPSS/PC+ (versi DOS). Namun, dengan popularitas sistem operasi
Windows. SPSS mulai mengeluarkan versi windows (mulai dari versi 6.0 hingga
versi terbaru sekarang).
Pada awalnya SPSS adalah singkatan dari Statistical Package for the
Social Sciences, dimana pada saat itu SPSS dibuat untuk keperluan pengolahan
data statistik untuk ilmu-ilmu sosial. Kini kemampuan SPSS diperluas untuk
melayani berbagai jenis pengguna (user), seperti untuk proses produksi di pabrik,
penelitian ilmiah dan lain-lain. Jadi, sekarang adalah SPSS yang merupakan
singkatan dari Statistical Product and Service Solutions.
SPSS dapat membaca berbagai jenis data atau memasukkan data langsung
ke dalam SPSS Data Editor. Apapun struktur file data mentahnya, data dalam
SPSS Data Editor harus berupa baris (cases) dan kolom (variables). Kasus berisi
informasi untuk satu unit analisis, sedangkan variabel adalah informasi yang
dikumpulkan dari setiap kasus. Perangkat lunak SPSS dibuat dan dikembangkan
oleh SPSS Inc. yang kemudian diakuisisi oleh IBM Corporation. Perangkat lunak
komputer ini memiliki keunggulan dalam kemudahan penggunaannya dalam
mengolah dan menganalisis data statistik.
Fitur yang ditawarkan antara lain IBM SPSS Data Collection untuk
pengumpulan data, IBM SPSS Statistics untuk menganalisis data, IBM SPSS
Modeler untuk memprediksi tren, dan IBM Analytical Decision Management
untuk pengambilan keputusan. Program SPSS banyak diterapkan dan digunakan
oleh para
21
pengguna komputer di bidang bisnis, perkantoran, pendidikan, dan penelitian.
SPSS dapat dijalankan di sistem operasi Windows, Mac OS, dan Linux.
Untuk menginstal versi terbaru dari program ini, komputer Windows Anda
harus memiliki spesifikasi minimum menggunakan prosesor Intel atau AMD
dengan kecepatan 1 GHz, memori (RAM) 1 GB, resolusi monitor 1024x768
piksel, dan hard disk dengan kapasitas bebas minimal 800 MB. Hasil analisis
muncul di SPSS Output Navigator. Kebanyakan prosedur Sistem Dasar
menghasilkan tabel pivot, di mana kita dapat meningkatkan tampilan output yang
disediakan oleh SPSS. Untuk meningkatkan output, maka kita dapat memperbaiki
output sesuai kebutuhan.
Fitur SPSS
Beberapa kemudahan lain yang dimiliki SPSS dalam pengoperasiannya
adalah karena SPSS menyediakan beberapa fasilitas seperti berikut ini:
1. Data Editor
Merupakan jendela untuk pengolahan data. Editor data dirancang
sedemikian rupa seperti pada aplikasi spreadsheet untuk mendefinisikan,
memasukkan, mengedit, dan menampilkan data.
2. Viewer
Penampil memudahkan pengguna untuk melihat hasil pemrosesan,
menampilkan atau menghapus bagian tertentu dari output, serta memfasilitasi
distribusi hasil pemrosesan dari SPSS ke aplikasi lain.
3. Multidimensional Pivot Tables
Hasil pengolahan data akan ditampilkan dengan tabel pivot multidimensi.
Pengguna dapat menjelajahi tabel dengan mengatur baris, kolom, dan lapisan.
Pengguna juga dapat dengan mudah mengelola grup data dengan memisahkan
tabel sehingga hanya satu grup tertentu yang ditampilkan dalam satu waktu.
4. High-Resolution Graphics
Dengan kemampuan grafis resolusi tinggi, baik untuk menampilkan
diagram lingkaran, diagram batang, histogram, scatterplot, grafis 3-D, dan lain-
lain, akan membuat SPSS tidak hanya mudah dioperasikan tetapi juga membuat
pengguna merasa nyaman dalam bekerja.
22
5. Database Akses
Pengguna program ini dapat mengambil informasi dari database
dengan menggunakan Database Wizard yang disediakan.
6. Data Transformation
23
SPSS menyediakan kemampuan untuk menganalisis lebih dari satu file
data secara bersamaan.
13. Mapping
Visualisasi data dapat dibuat dengan berbagai jenis, baik secara
konvensional maupun interaktif, misalnya dengan menggunakan jenis batang,
lingkaran atau rentang nilai, simbol bertahap, dan grafik.
Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan
percetakan dan sebagainya ada 5 macam data yang digunakan dalam SPSS, yaitu
Data, Systax, Output, Script, dan Database. Dalam menu File terdapat beberapa
fitur, yakni New, Open, Import Data, Close, Save, Save As, Save All Data, Export,
Mark File Read Only, Revert to Saved File, Rename Dataset, Display Data File
Transformation, Cache Data, Collect Variable Information, Stop Processor,
Switch Server, Repository, Print Preview, Print, Welcome Dialog, Recently Used
Data, Recently Used Files, dan Exit.
2. Edit
24
Gambar 3. Menu Edit dan Fitur-Fiturnya
(Sumber: Dokumen Pribadi, 2022)
25
Untuk pengaturan tampilan di layer kerja SPSS, serta mengetahui proses-
proses yang sedang terjadi pada operasi SPSS. Fitur-fitur di menu View yakni
Status Bar, Toolbar, Menu Editor, Fonts, Grid Lines, Value Labels, Mark
Imputed Data, Customize Variable View, dan Variables.
4. Data
26
Response Sets, Validation, Indentify Duplicate Cases, Identify Unusual Cases,
Compare Datasets, Sort Cases, Sort Variables, Transpose, Adjust String Widths
Across Files, Merge Files, Restructure, Rake Weights, Propensity Score
Matching, Case Control Matching, Aggregate, Orthogonal Design, Split into
Files, Copy Dataset, Split File, Select Cases, dan Weight Cases.
5. Transform
27
Cases, Date and Time Wizard, Create Time Series, Replace Missing Values,
Random Number Generators, dan Run Pending Tranforms.
6. Analyze
28
Gambar 8. Menu Graphs dan Fitur-Fiturnya
(Sumber: Dokumen Pribadi, 2022)
Digunakan untuk membuat grafik, diantaranya adalah bar, line, pie, dan
sebagainya. Fitur-fitur di menu Graph yakni Chart Builder, Graphboard
Template Chooser, Weibull Plot, Compare Subgroups, dan Legacy Dialogs.
8. Utilities
29
Gambar 10. Menu Extensions dan Fitur-Fiturnya
(Sumber: Dokumen Pribadi, 2022)
30
Gambar 12. Menu Help dan Fitur-Fiturnya
(Sumber: Dokumen Pribadi, 2022)
32
bahasa pemrograman yang digunakan dalam data science karena
banyaknya package yang dapat mendukung.
4. Mudah dalam melakukan transformasi dan pemrosesan data
Karena Rstudio sudah dipercaya sebagai IDE(Integrated Developement
Environment) untuk bahasa pemrograman R, kemampuan Rstudio dalam
transformasi data seperti penyiapan data, import dan export data dalam berbagai
format, dan lain-lain.
5. Visualisasi data dengan baik
Salah satu keunggulan yang dimiliki oleh Rstudio memvisualisasikan data yang
dihasilkan dengan baik dan mudah diinterpretasikan. Salah satu yang diunggulkan
adalah package {ggplot2}. Tentu saja masih banyak package untuk visualisasi
selain {ggplot2}
6. Membuat Reproducible report
Ketika Anda mempunyai pekerjaan untuk membuat laporan secara rutin, maka
Anda dapat membuat program R untuk otomatisasi pekerjaan tertentu .
Dengan package {rmarkdown} Anda dapat membuat laporan rutin dengan hanya
satu baris perintah.
7. Dapat membuat aplikasi interaktif/dashboard berbasis web
Package {shiny} (dan semua pengembangannya) dan {flexdashboard} dapat
Anda gunakan untuk membuat visualisasi interaktif ataupun sebagai sebuah
produk dari data science.
8. Membuat REST API
Setelah Anda membuat fungsi atau model prediktif dan ingin digunakan secara
lebih luas, Anda dapat membuatnya sebagai API menggunakan package
{plumber}.
33
Gambar 15. Jendela RStudio
(Sumber: Dokumen Pribadi, 2022)
34
Script Window merupakan jendela tempat script atau kode ditulis. Jendela ini
dapat diakses melalui tiga cara, yaitu melalui Menu File > New File > R Script,
melalui toolbar New dan melalui shortcut CTRL+SHIFT+N.
4. Console
Console menampilkan script yang telah dijalankan. Saat Console siap menerima
perintah untuk menjalankan script, tanda prompt “>” (tanda lebih dari) akan
muncul. Saat script sedang diproses, tanda merah seperti rambu berhenti akan
muncul (). Tanda ini dapat diklik untuk menghentikan proses yang sedang
berjalan. Console menampilkan apakah script berjalan dengan baik atau tidak,
serta menunjukkan kesalahan script melalui error code. Script dapat langsung
ditulis di Console. Namun, hal ini tidak disarankan karena script yang terdapat di
Console tidak dapat disimpan.
5. Environment/ History/Connections/Tutorial
Environment menunjukkan daftar “object” yang tersedia beserta yang telah kita
buat. Pada tab History, ditampilkan rangkaian proses-proses yang telah dijalan
secara urut. Pada tab Tutorial ditampilkan tutorial cara menggunakan rstudio.
6. File/ Plots/ Packages/ Help/ Viewer Jendela terakhir berisis beberapa tab:
7. File digunakan untuk navigasi folder yang terdapat pada lokasi Home dari
Rstudio.
8. Plots menampilkan hasil plotting grafik atau gambar.
9. Packages menunjukkan daftar packages yang dapat diinstal dan digunakan
dalam analisis mengunakan Rstudio.
10. Help digunakan untuk mencari dan menampilkan bantuan untuk memahami
fungsi atau packages.
11. Viewer berfungsi untuk melihat data frame dan data lain yang berstruktur
rektangular, dan juga preview untuk jenis-jenis file lainnya.
a. Sistematika Laporan
Sistematika Laporan PKL secara keseluruhan ini dibagi menjadi tiga bagian
yaitu:
35
a. Pengantar Laporan Praktik Kerja Lapangan (PKL)
Berisi Halaman Judul, Halaman Pengesahan, Abstrak, Kata Pengantar, Dafta Isi,
Daftar Tabel, Daftar Gambar, dan Daftar Lampiran.
b. Bagian Isi
Berisi tiga bab diantaranya:
BAB I PENDAHULUAN
Pada bab ini berisi Latar Belakang, Rumusan Masalah, Tujuan, Manfaat, Tempat
dan Waktu, Metode Pengumpulan Data, Landasan Teori dan Sistematika Laporan.
BAB II PEMBAHASAN LAPORAN
Pada bab ini berisi Gambaran Umum BPS dan Analisis Hasil Kegiatan. BAB III
PENUTUP
Pada Bab ini berisi Simpulan dan Saran.
c. Bagian Akhir
Berisi Daftar Pustaka dan Lampiran-Lampiran.
36
BAB II
PEMBAHASAN LAPORAN
1. Jenis statistik berdasarkan tujuan pemanfaatannya terdiri atas statistik dasar yang
sepenuhnya diselenggarakan oleh BPS, statistik sektoral yang dilaksanakan oleh
instansi Pemerintah secara mandiri atau bersama dengan BPS, serta statistik
37
khusus yang diselenggarakan oleh lembaga, organisasi, perorangan, dan atau
unsur masyarakat lainnya secara mandiri atau bersama dengan BPS.
2. Hasil statistik yang diselenggarakan oleh BPS diumumkan dalam Berita Resmi
Statistik (BRS) secara teratur dan transparan agar masyarakat dengan mudah
mengetahui dan atau mendapatkan data yang diperlukan.
3. Sistem Statistik Nasional yang andal, efektif, dan efisien.
4. Dibentuknya Forum Masyarakat Statistik sebagai wadah untuk menampung
aspirasi masyarakat statistik, yang bertugas memberikan saran dan pertimbangan
kepada BPS.
38
2) Misi BPS
Dalam mewujudkan Visi “Penyedia Data Statistik Berkualitas untuk Indonesia
Maju” misi BPS diuraikan sebagai berikut:
1. Menyediakan statistik berkualitas yang berstandar nasional dan internasional.
2. Membina K/L/D/I melalui Sistem Statistik Nasional yang berkesinambungan.
3. Mewujudkan pelayanan prima di bidang statistik untuk terwujudnya Sistem
Statistik Nasional.
4. Membangun SDM yang unggul dan adaptif berlandaskan nilai profesionalisme,
integritas dan amanah.
1. PROFESIONAL
a. Kompeten
Mempunyai keahlian dalam bidang tugas yang diemban.
b. Efektif
Memberikan hasil maksimal.
c. Efisien
Mengerjakan setiap tugas secara produktif, dengan sumber daya minimal.
d. Inovatif
Selalu melaukan permbaruan dan/atau penyempurnaan melalui proses
pembelajaran diri secara terus menerus.
e. Sistemik
Meyakini bahwa setiap pekerjaan mempunyai tata urutan proses perkerjaan yang
satu menjadi bagian tidak terpisahkan dari pekerjaan yang lain.
2. INTEGRITAS
a. Dedikasi
Memiliki pengabdian yang tinggi terhadap profesi yang diemban dan institusi.
b. Disiplin
Melaksanakan pekerjaan sesuai dengan ketentuan yang telah ditetapkan.
c. Konsisten
Satunya kata dengan perbuatan.
39
d. Terbuka
Menghargai ide, saran, pendapat, masukan, dan kritik dari berbagai pihak.
e. Akuntabel
Bertanggung jawab dan setiap langkahnya terukur.
3. AMANAH
a. Terpercaya
Melaksanakan pekerjaan sesuai dengan ketentuan, yang tidak hanya didasarkan
pada logika tetapi juga sekaligus menyentuh dimensi mental spiritual.
b. Jujur
Melaksanakan semua pekerjaan dengan tidak menyimpang dari prinsip moralitas.
c. Tulus
Melaksanakan tugas tanpa pamrih, menghindari konflik kepentingan (pribadi,
kelompok, dan golongan), serta mendedikasikan semua tugas untuk perlindungan
kehidupan manusia, sebagai amal ibadah atau perbuatan untuk Tuhan Yang Maha
Esa.
d. Adil
Menempatkan sesuatu secara berkeadilan dan memberikan haknya.
1. Tugas
Melaksanakan tugas pemerintahan dibidang statistik sesuai peraturan perundang-
undangan.
2. Fungsi
a. Pengkajian, penyusunan dan perumusan kebijakan dibidang statistik.
b. Pengkoordinasian kegiatan statistik nasional dan regional.
c. Penetapan dan penyelenggaraan statistik dasar.
d. Penetapan sistem statistik nasional.
e. Pembinaan dan fasilitasi terhadap kegiatan instansi pemerintah dibidang kegiatan
statistik.
40
f. Penyelenggaraan pembinaan dan pelayanan administrasi umum dibidang
perencanaan umum, ketatausahaan, organisasi dan tatalaksana, kepegawaian,
keuangan, kearsipan, kehumasan, hukum, perlengkapan dan rumah tangga.
3. Kewenangan
a. Penyusunan rencana nasional secara makro di bidangnya.
b. Perumusan kebijakan di bidangnya untuk mendukung pembangunan secara
makro.
c. Penetapan sistem informasi di bidangnya.
Penetapan dan penyelenggaraan statistik nasional.
d. Kewenangan lain sesuai dengan ketentuan peraturan perundang-undangan yang
berlaku, yaitu;
i. Perumusan dan pelaksanaan kebijakan tertentu di bidang kegiatan statistik.
ii. Penyusun pedoman penyelenggaraan survei statistik sektoral.
42
2.2.1 Pengolahan dan Analisis Data Menggunakan SPSS
Dalam melakukan Clustering K-Means menggunakan software SPSS 25
langkah-langkahnya sebagai berikut:
a. Pertama buka software SPSS 25 dan arahkan pada bagian Variable View untuk
memasukkan variabel-variabelnya. Pada data terdapat tujuh variabel sebagai
berikut ini:
43
c. Untuk melakukan analisis pilih menu Analyze -> Classify -> K-Means Klaster.
d. Pada kotak dialog K-Means Klaster, masukkan kecamatan sebagai Label Case dan
variabel yang lain dalam variabel.
e. Kemudian pilih menu Save hingga muncul kotak dialog Save dan beri centang
44
pada Klaster membership dan Distance from klaster center.
f. Klik Continue, lalu pilih menu Options hingga muncul kotak dialog Options dan
beri centang pada Initial klaster centers, ANOVA table, dan Exclude cases
listwise.
45
Tabel “Initial Klaster Centers” adalah tampilan awal proses clustering
sebelum dilakukan proses iterasi.
Agar dapat mengetahui berapa kali dilakukan proses iterasi maka dapat dilihat
pada objek sebanyak 16 sampel. Dari tabel “Iteration History” di atas, dapat
diketahui bahwa proses iterasi dilakukan sebanyak 2 kali. Proses ini dilakukan
untuk mendapatkan klaster yang tepat. Dapat diketahui bahwa jarak minimum
antar pusat klaster yang terjadi pada hasil iterasi adalah 52343.247
Pada tabel “Final Klaster Centers” di atas, dapat disimpulkan bahwa kluster 1
memiliki partisipasi yang lebih sedikit dalam pelaksanaan Pilkada Bupati dan
Wakil Bupati Kabupaten Blora 2020.
46
Tabel 5. ANOVA
Jika nilai F semakin besar dan (sig < 0,05) maka semakin besar pula perbedaan
variabel pada klaster yang terbentuk. Dalam tabel ANOVA di atas, disimpulkan
bahwa variabel Presentase_Golput memiliki perbedaan yang signifikan dari
variabel yang lainnya serta pada cluster yang terbentuk.
Dari tabel “Number of Cases in each Klaster” di atas, dapat diketahui bahwa
kluster 1 terdiri dari 7 data dan kluster 2 dari 9 data.
47
Gambar 23. Hasil dari K-Means Klaster
(Sumber: Dokumen Pribadi, 2022)
48
2.2.2 Pengolahan dan Analisis Data menggunakan Rstudio
49
Gambar 25. Melakukan import dataset ke dalam Rstudio
d. Dalam proses clustering terdapat asumsi yang harus terpenuhi yaitu uji kelayakan
model dan kecukupan data serta uji multikolinearitas. Sebelum melakukan uji
tersebut, pertama harus membuat data frame baru yang tipe datanya hanya
numerik saja.
>DataPilkada1=data.frame(TPS=DataPilkada$TPS,
P=DataPilkada$Pemilih,PG=DataPilkada$Pemilih_Golput,
Per=DataPilkada$Presentase_Golput)
>View(DataPilkada1)
>library(psych)
>KMO(DataPilkada1)
Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = DataPilkada1)
Overall MSA = 0.51
MSA for each item =
TPS P PG Per
0.92 0.52 0.50 0.05
50
Berdasarkan hasil di atas diketahui bahwa perolehan nilai KMO sebesar 0.51
> 0.5 yang artinya nilai bahwa sampel data tersebut dikatakan mewakili
populasi atau sampel representatif (Hair et al, 2006).
f. Melakukan uji multikolinearitas dengan paket “car”:
>library(car)
> round(cor(DataPilkada1),4)
TPS P PG Per
TPS 1.0000 0.9605 0.8784 -0.1556
P 0.9605 1.0000 0.9346 -0.1005
PG 0.8784 0.9346 1.0000 0.2412
Per -0.1556 -0.1005 0.2412 1.0000
Menurut Gujarati (1978) dalam (Rahmawati, Abadyo, & Lestari, 2013) dikatakan
terjadi multikolinearitas jika terdapat koefisien korelasi sederhana yang mencapai
atau melebihi 0,8. Dari hasil analisis di atas, terdapat beberapa nilai korelasi yang
melebihi 0,8 yang artinya terjadi gejala multikolnearitas.
g. Melakukan uji multikolinearitas menggunakan nilai VIF dengan membuat objek
baru di sini dinamai model:
> model=lm(TPS~.,data=DataPilkada1)
> vif(model)
P PG Per
72.619869 76.325329 9.755123
Kita mendapatkan beberapa variabel dengan nilai VIF > 5, yang mana
menandakan adanya multikolinieritas.
h. Untuk memperbaiki masalah multikolinearitas, diperlukan menghilangkan
variabel dengan nilai VIF tertinggi yaitu variabel PHP:
> model=lm(TPS~P+Per,data=DataPilkada1)
> vif(model)
P Per
1.010201 1.010201
i. Karena nilai VIF < 5 maka sudah tidak terjadi gejala multikolinearitas sehingga
uji asumsi terpenuhi.
51
j. Dalam metode k-means banyaknya klaster ditentukan sendiri oleh pengguna.
Maka dari itu perlu dicari jumlah klaster yang optimum yang dapat
mengelompokkan objek dengan baik (Perlu diketahui bahwa metode ini relatif
subjektif). Salah satu metode yang digunakan adalah Elbow Plot. Elbow Plot
merupakan plot antara banyak klaster dengan total within- klaster variation (total
dari simpangan per klaster). Banyak klaster yang dipilih adalah bagian “siku” atau
titik dimana terdapat penurunan yang tajam sebelum titik tersebut dan disusul
penurunan yang tidak tajam setelah titik tersebut. Hal ini karena penambahan
jumlah klaster tidak membawa pengaruh banyak atas variasi yang ada
di dalam klaster tersebut.
> library(factoextra)
> library(cluster)
> fviz_nbclust(DataPilkada1, kmeans, method="wss")
52
Berdasarkan grafik di atas dapat diketahui bahwa dengan metode elbow plot
untuk nilai k optimalnya adalah sebanyak 2.
k. Selanjutnya melakukan analisis k-means clustering:
> set.seed(123)
> kmeans_clustering=kmeans(x=DataPilkada1,centers=2,nstart=25)
Parameter nstart digunakan untuk memberitahu fungsi berapa kali inisiasi centroid
awal (secara acak) yang akan dibentuk dan centers digunakan untuk memberitahu
fungsi berapa jumlah klaster yang akan dibentuk.
> kmeans_clustering
K-means clustering with 2 clusters of sizes 9, 7
Cluster means:
TPS P PG
1 167.2222 54189.00 12183.556
2 99.0000 30470.29 6944.429
Per
1 22.52778
2 22.80286
Clustering vector:
[1] 2 1 2 1 1 2 2 2 1 1 2 1 2 1 1
[16] 1
Available components:
Output dari fungsi k-means() terdiri atas beberapa informasi sebagai berikut:
klaster : vektor yang berisikan lokasi klaster tiap objek.
centers : matriks yang berisikan centroid/rata-rata nilai tiap klaster.
withinss : vektor yang berisikan simpangan tiap klaster yang terbentuk.
53
tot.withinss : total dari simpangan tiap klaster yang terbentuk. Biasa digunakan
untuk membuat Elbow Plot guna mengetahui banyak klaster yang sebaiknya
dipilih.
size : jumlah objek pada tiap klaster.
l. Pengelompokkan objek ke dalam klaster yang terbentuk dapat dilihat dari output
klaster.
>DataPilkada%>%mutate(Klaster=kmeans_clustering$cluster)%>
%select('Kecamatan',Klaster)%>%arrange(Klaster)
Kecamatan Klaster
<chr> <int>
1 Randublatung 1
2 Kedungtuban 1
3 Cepu 1
4 Jepon 1
5 Blora Kota 1
6 Tunjungan 1
7 Ngawen 1
8 Kunduran 1
9 Todanan 1
10 Jati 2
11 Kradenan 2
12 Sambong 2
13 Jiken 2
14 Bogorejo 2
15 Banjarejo 2
16 Japah 2
>Hasil_Klaster=data.frame(DataPilkada$'Kecamatan',DataPilkada1,kmeans_clust
ering$cluster)
> View(Hasil_Klaster)
54
Gambar 30. Plot Jumlah Klaster yang Optimal
(Sumber: Dokumen Pribadi, 2022)
55
Gambar 30. Plot Jumlah Klaster yang Optimal
(Sumber: Dokumen Pribadi, 2022)
2.2 Pembahasan
Setelah dilakukan analisis k-means clustering dengan software SPSS dan
Rstudio didapatkan bahwa tiap kecamatan yang memiliki karakteristik yang sama
terdapat pada klaster yang sama pula.
56
BAB III
PENUTUP
3.1 Kesimpulan
Berdasarkan hasil analisis yang dilakukan didapatkan perbandingan
analisis k-means clustering menggunakan software SPSS dan Rstudio. Hasil
analisis dengan software SPSS didapatkan kesimpulan sebagai berikut:
a. Dataset dikelompokkan ke dalam 2 klaster dan dapat disimpulkan bahwa
Randublatung, Kedungtuban, Cepu, Jepon, Blora Kota, Tunjungan, Ngawen,
Kunduran dan Todanan memiliki memiliki partisipasi yang lebih signifikan
daripada Jati, Kradenan, Sambong, Jiken, Bogorejo, Banjarejo dan Japah.
b. Pengelompokkan dilakukan tidak memperhatikan variabel yang digunakan, tidak
adanya uji kelayakan dan asumsi, serta tidak adanya penentuan jumlah klaster
yang optimal.
Hasil analisis menggunakan software R didapatkan kesimpulan sebagai berikut:
a. Pengelompokkan dilakukan dengan memperhatikan penentuan variabel yang
digunakan, melakukan uji kelayakan dan asumsi, serta menentukan jumlah klaster
yang optimal.
b. Dalam memperhatikan uji asumsi, didapatkan variabel TPS, Pemilih, Pemilih
Golput dan Presentase Golput.
c. Dataset dikelompokkan ke dalam 2 klaster dan dapat disimpulkan bahwa
Randublatung, Kedungtuban, Cepu, Jepon, Blora Kota, Tunjungan, Ngawen,
Kunduran dan Todanan memiliki memiliki partisipasi yang lebih signifikan
daripada Jati, Kradenan, Sambong, Jiken, Bogorejo, Banjarejo dan Japah.
57
Berdasarkan perbandingan proses analisis k-means clustering yang tepat dapat
disimpulkan bahwa software Rstudio memiliki proses analisis clustering yang
lebih kompleks dan menyeluruh dibandingkan software SPSS.
3.2 Saran
Dari hasil laporan PKL ini diharapkan untuk analisis clustering yang
dilakukan pada software SPSS 25 seharusnya juga memperhatikan uji kelayakan
dan asumsi serta menentukan jumlah klaster yang optimal sebelum dilakukan
analisis k-means clustering untuk memastikan hasil clustering yang dihasilkan
optimal.
58
DAFTAR PUSTAKA
59
60
LAMPIRAN-LAMPIRAN
61
Lampiran 2. Surat Pengantar Observasi
62
Lampiran 3. Surat Ijin PKL
63
Lampiran 4. Surat Penerimaan dari Mitra
64
Lampiran 5. Surat Penerjunan PKL
65
Lampiran 6. Surat Tugas Dosen Pembimbing
66
Lampiran 7. Surat Tugas Pembimbing Lapangan
67
Lampiran 8. Surat Penarikan PKL
68
Gambar 41. Daftar Hadir Mahasiswa PKL
69