LAPORAN PRAKTIK KERJA LAPANGAN DI BADAN PUSAT STATISTIK

KABUPATEN BLORA

PENERAPAN METODE K-MEANS CLUSTERING DALAM

PENGELOMPOKKAN PARTISIPASI KECAMATAN DI PILKADA
BUPATI DAN WAKIL BUPATI KABUPATEN BLORA 2020

Disusun oleh:

Nama : Bagus Sriyono

NIM : 4112319021
Jurusan : Matematika
Prodi : Statistika Terapan dan Komputasi

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
UNIVERSITAS NEGERI SEMARANG
2022
LAPORAN PRAKTIK KERJA LAPANGAN DI BADAN PUSAT STATISTIK
KABUPATEN BLORA

PENERAPAN METODE K-MEANS CLUSTERING DALAM

PENGELOMPOKKAN PARTISIPASI KECAMATAN DI PILKADA
BUPATI DAN WAKIL BUPATI KABUPATEN BLORA 2020

Disusun Oleh:

Nama : Bagus Sriyono

NIM : 4112319021
Jurusan : Matematika
Prodi : Statistika Terapan dan Komputasi

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
UNIVERSITAS NEGERI SEMARANG
2022

1
 HALAMAN PENGESAHAN

Laporan Praktik Kerja Lapangan (PKL) di Badan Pusat Statistik(BPS)

Kabupaten Blora yang berjudul:

PENERAPAN METODE K-MEANS CLUSTERING DALAM

PENGELOMPOKKAN PARTISIPASI KECAMATAN DI PILKADA
BUPATI DAN WAKIL BUPATI KABUPATEN BLORA 2020

Disusun oleh
Nama : Bagus sriyono

NIM : 4112319021
Jurusan : Matematika

Progam Studi : Statistika Terapan dan Komputasi

Telah disahkan pada Hari :

Tanggal :

Dosen Pembimbing Pembimbing Lapangan

Dr. Wardhono, M.Si. Sigit Nova Riyanto, S.Si.

NIP. NIP.
196202071986011001

Ketua Jurusan Matematika Kepala Subbagian BPS Blora

Dr. Mulyono, M.Si. Kurniadi Sosiawan S.Si, M.T.

NIP. NIP.
197009021997021001

2
 ABSTRAK

Bagus sriyono. 2022. “PENERAPAN METODE K-MEANS CLUSTERING

DALAM PENGELOMPOKKAN PARTISIPASI KECAMATAN DI PILKADA
BUPATI DAN WAKIL BUPATI KABUPATEN BLORA 2020”. Laporan Praktik
Kerja Lapangan (PKL) Program Studi Statistika Terapan dan Komputasi, Jurusan
Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Negeri Semarang, 2022.

Kata Kunci: Pemilu, Pilkada, Kecamatan, K-Means, Klaster, SPSS, R

Pemilihan Kepala Daerah(Pilkada) Kabupaten Blora 2020 berperan penting dalam

memastikan rotasi kepemimpinan berjalan secara demokratis. Selain itu memastikan
agenda pemerintahan dapat berjalan efektif dalam mempercepat pembangunan dan
kesejahteraan. Komisi Pemilihan Umum(KPU) Blora menyatakan partisipasi melebihi
target 77.5% setelah menggelar rapat pleno terbuka perhitungan perolehan suara
pemilihan Bupati dan Wakil Bupati Blora. Disimpulkan bahwa partisipasi pemilih
mencapai 77,63% dari Daftar Pemilih Tetap(DPT) sebanyak 700.995 pemilih. Penelitian
ini bertujuan untuk mengklasifikasikan Kecamatan di Kabupaten Blora dalam
pelaksanaan pemilihan Bupati dan Wakil Bupati Kabupaten Blora 2020. Analisis
dilakukan dengan metode K- Means Klaster berbantuan software SPSS dan R.

The 2020 Blora Regency Regional Head Election(Pilkada) plays an important

role in ensuring the rotation of leadership runs democratically. In addition, it
ensures that the government’s agenda can run effectively in supporting
development and prosperity. The General Election Commission(KPU) of Blora
stated that the participation exceeded the target of 77.5% after holding a
pleanary meeting to calculate the voting for the election of the Regent and Deputy
Regent of Blora. It was conclude that voter participation reached 77.63% of the
Permanent Voters List(DPT) of 700.995. This study aims to classify the selection
of sub-districts in Blora Regency in the implementation of the Regent and Deputy
Regent of Blora Regency 2020 . The analysis was carried out using the K-Means
Klaster method with the help of SPSS 25 software.

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.

Penulisan Laporan Praktik Kerja Lapangan (PKL) ini disusun untuk

memenuhi syarat mata kuliah Praktik Kerja lapangan (PKL) dengan bobot 4 SKS.
Keberhasilan dalam penyelesaian penyusunan Laporan Praktik Kerja Lapangan
(PKL) ini tidak terlepas dari bantuan berbagai pihak. Penulis mengucapkan terima
kasih kepada:
1. Prof. Dr. Fathur Rokhman, M.Hum, Rektor Universitas Negeri Semarang,
2. Dr. Sugianto M.Si., Dekan FMIPA Universitas Negeri Semarang,
3. Dr. Mulyono, M.Si., Ketua Jurusan Matematika FMIPA Universitas Negeri
Semarang,
4. Dr. Iqbal Kharisudin, M.Sc., Ketua Program Studi Statistika Terapan dan
Komputasi FMIPA Universitas Negeri Semarang,
5. Dr. Wardhono, M.Si., dosen pembimbing PKL yang telah memberikan
bimbingan, arahan, saran dan tim koreksi sehingga laporan PKL ini dapat
terselesaikan,
6. Kurniadi Sosiawan S.Si, M.T, Kepala Subbagian BPS Kabupaten Blora, yang
telah memberi izin untuk melaksanakan PKL di BPS Kabupaten Blora,
7. Sigit Nova Riyanto, S.Si , pembimbing lapangan, yang telah memberikan
bimbingan dan arahan selama kegiatan PKL,
8. Seluruh staf dan karyawan BPS Kabupaten Blora, yang telah memberikan
bimbingan dan arahan selama kegiatan PKL,
9. Kedua orang tua, saudara, dan teman-teman yang selalu memberikan semangat
dan doa.

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.

Semarang, 15 Juni 2022

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

1.1 Latar Belakang...................................................................................................................................12

1.2 Rumusan Masalah dan Batasan Masalah........................................................................................13

1.2.1 Rumusan Masalah..........................................................................................................................13
1.2.2 Batasan Masalah.............................................................................................................................13

1.3 Tujuan dan Manfaat..........................................................................................................................13

1.3.1 Tujuan.............................................................................................................................................13
1.3.2 Manfaat...........................................................................................................................................14

1.4 Tempat dan Pelaksanaan..................................................................................................................14

1.4.1 Tempat PKL....................................................................................................................................14
1.4.2 Waktu PKL.....................................................................................................................................14

1.5 Metode Pengumpulan Data...............................................................................................................15

1.6 Landasan Teori..................................................................................................................................15

1.6.1 Pemilihan Kepala Daerah(Pilkada)...............................................................................................15
1.6.2 Data Mining....................................................................................................................................16
1.6.3 Clustering........................................................................................................................................18
1.6.4 Metode K-Means.............................................................................................................................18
1.6.5 Software SPSS.................................................................................................................................20
1.6.6 Sofware Rstudio..............................................................................................................................31
Menu-Menu yang Terdapat di Rstudio...................................................................................................32

a. Sistematika Laporan..........................................................................................................................34
BAB II......................................................................................................................................................36
PEMBAHASAN LAPORAN..................................................................................................................36

2.1 Gambaran Umum Badan Pusat Statistik.........................................................................................36

2.1.1 Sejarah Perkembangan BPS..........................................................................................................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 Hasil Analisis Data.............................................................................................................................41

2.2.1 Pengolahan dan Analisis Data Menggunakan SPSS....................................................................42
2.2.2 Pengolahan dan Analisis Data menggunakan RStudio................................................................48

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

Gambar 1. Pasangan Calon Pre............................................................................16

Gambar 2. Menu File dan Fitur-Fiturnya.............................................................23
Gambar 3. Menu Edit dan Fitur-Fiturnya.............................................................24
Gambar 4. Menu View dan Fitur-Fiturnya...........................................................24
Gambar 5. Menu Data dan Fitur-Fiturnya............................................................25
Gambar 6. Menu Transform dan Fitur-Fiturnya...................................................26
Gambar 7. Menu Analyze dan Fitur-Fiturnya......................................................27
Gambar 8. Menu Graphs dan Fitur-Fiturnya........................................................28
Gambar 9. Menu Utilities dan Fitur-Fiturnya.......................................................28
Gambar 10. Menu Extensions dan Fitur-Fiturnya................................................29
Gambar 11. Menu Window dan Fitur-Fiturnya....................................................29
Gambar 12. Menu Help dan Fitur-Fiturnya..........................................................30
Gambar 13. Menu Variable View.........................................................................30
Gambar 14. Menu Data View...............................................................................30
Gambar 15. Jendela RStudio................................................................................33
Gambar 16. Logo BPS..........................................................................................40
Gambar 17. Variabel dari Data Pilpres 2019 di Kabupaten Blora.......................45
Gambar 18. Data Pilpres 2019 di Kabupaten Blora.............................................46

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

Tabel 2. Initial Cluster Centers..............................................................................48

Tabel 3. Iteration Historya.....................................................................................49
Tabel 4. Final Cluster Centers...............................................................................49
Tabel 5. ANOVA...................................................................................................50
Tabel 6. Number of Cases in each Cluster............................................................50
Tabel 7. Perbandingan Hasil Analisis K-Means Cluster.......................................64

11
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Pemerintah, DPR RI, dan Penyelenggara Pemilu (Bawaslu, KPU, dan
DKPP) sepakat Pilkada Serentak 2020 digelar 9 Desember 2020. Di Blora,
Pilkada diadakan dalam rangka pemilihan Bupati dan Wakil Bupati periode 2021-
2024. Pendaftaran di KPU dibuka pada tanggal 04-06 September 2020. Bupati
petahana, Djoko Nugroho tidak dapat maju kembali dalam pemilihan ini karena
menjabat selama dua periode. Pelaksanaan Pilkada serentak ini merupakan
keputusan dalam rapat kerja Komisi II DPR RI dengan Mendagri, Bawaslu RI,
KPU RI serta DKPP RI. Sekaligus menegaskan keputusan yang sudah diambil
pemerintah dan DPR sebelumnya. Dalam rapat kerja ini juga menyetujui opsi
tahapan Pilkada yang sempat ditunda, dimulai kembali pada 15 Juni 2020.
Penundaan ini dikarenakan perkembangan kondisi masyarakat dan kesiapan
negara yang belum memungkinkan akibat penambahan kasus positif Covid-19
masih berlangsung masif. Adapun poin-poin hasil rapat tersebut adalah sebagai
berikut :

(1). Berdasarkan penjelasan yang disampaikan oleh KPU RI, langkah-

langkah kebijakan dan situasi pengendalian oleh pemerintah, termasuk saran,
usulan dan dukungan dari Gugus Tugas Percepatan Penanganan Covid-19 melalui
Surat Ketua Gugus Tugas Nomor B-196/KA GUGUS/PD.01.02/05/2020 Tanggal
27 Mei 2020, maka Komisi II DPR RI bersama Mendagri RI dan KPU RI setuju
pemungutan suara serentak dilaksanakan pada 9 Desember 2020 sesuai dengan
Perppu Nomor 2 Tahun 2020 tentang Perubahan Ketiga Atas Undang-undang
Nomor 1 Tahun 2015 tentang Penetapan Perppu Nomor 1 Tahun 2-14 tentang
Pemilihan Gubernur, Bupati dan Walikota menjadi Undang-Undang.

(2). Komisi II DPR RI menyetujui usulan perubahan Rancangan Peraturan

KPU RI Tentang Perubahan Ketiga atas Peraturan Komisi Pemilihan Umum
Nomor 15 Tahun 2019 Tentang Tahapan, Program dan Jadwal Penyelenggaraan
Pemilihan Gubernur dan Wakil Gubernur, Bupati dan Wakil Bupati, dan/atau
Walikota dan Wakil Walikota Tahun 2020 yang tahapan lanjutannya dimulai pada

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

Komisi Pemilihan Umum(KPU) Blora menyatakan partisipasi melebihi

target 77.5% setelah menggelar rapat pleno terbuka perhitungan perolehan suara
pemilihan Bupati dan Wakil Bupati Blora. Disimpulkan bahwa partisipasi pemilih
mencapai 77,63% dari Daftar Pemilih Tetap(DPT) sebanyak 700.995 pemilih

Berdasarkan latar belakang tersebut, penulis melakukan penelitian yang

berjudul “Penerapan Metode K-Means Clustering dalam Pengelompokkan
Partisipasi Kecamatan di Pilkada Bupati dan Wakil Bupati Kabupaten Blora
2020”.

1.2 Rumusan Masalah dan Batasan Masalah

1.2.1 Rumusan Masalah
Dalam laporan ini terdapat rumusan masalah berdasarkan latar belakang di
atas, yaitu sebagai berikut:
a. Bagaimana perbandingan tiap Kecamatan berdasarkan partisipasi Pilkada dengan
Metode K- Means Clustering?

1.2.2 Batasan Masalah

Dalam laporan ini, penulis melakukan pengelompokkan menggunakan
metode K-Means Klaster berbantuan software SPSS dan Rstudio untuk
mengetahui partisipasi tiap Kecamatan dalam pelaksanaan Pilkada Bupati dan
Wakil Bupati Blora 2020. Data yang digunakan diperoleh dari publikasi BPS
Blora.

1.3 Tujuan dan Manfaat

1.3.1 Tujuan
Tujuan dari penyusunan laporan PKL ini adalah:
13
1. Mengetahui kelompok Kecamatan berdasarkan partisipasinya dalam Pilkada Blora
2020

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.

b. Bagi Jurusan Matematika FMIPA UNNES

1. Menambah informasi dan referensi dalam usaha peningkatan mutu Pendidikan
di masa yang akan datang.
2. Sebagai bahan studi kasus bagi pembaca dan acuan bagi mahasiswa untuk
melakukan penelitian, terutama dalam bidang pemilihan umum.

c. Bagi Badan Pusat Statistik(BPS) Kabupaten Blora

1. Dapat memberikan informasi terkait partisipasi tiap Kecamatan dalam
pelaksanaan Pilkada Blora 2020
3. Menambah informasi dan referensi dalam usaha peningkatan mutu Pendidikan
di masa yang akan datang.

1.4 Tempat dan Pelaksanaan

1.4.1 Tempat PKL
Tempat pelaksanaan kegiatan Praktik Kerja Lapangan (PKL) yaitu di
Badan Pusat Statistik(BPS) Kabupaten Blora , Jl. Rajawali No.12, Blora,
Tempelan, Kec. Blora, Kabupaten Blora, Jawa Tengah 58211, No. Telepon:
(0296)531191, Email: bps3316@bps.go.id
1.4.2 Waktu PKL
Waktu pelaksanaan kegiatan Praktik Kerja Lapangan (PKL) di Badan
Pusat Statistik(BPS) Kabupaten Blora dilaksanakan selama 22 hari, dimulai pada
hari Rabu 16 Maret s.d. hari Kamis 21 April 2022. Badan Pusat Statistik(BPS)
15
 Kabupaten Blora memiliki jam kerja sebagai berikut:
a. Hari Senin s.d. Kamis mulai pukul 07.30 s.d. 16.00 WIB.
b. Hari Jumat mulai pukul 07.30 s.d. 16.30 WIB.
c. Hari Sabtu, Minggu, serta hari-hari besar Nasional libur.

1.5 Metode Pengumpulan Data

Teknik pengumpulan data yang digunakan pada penulisan laporan PKL ini
diambil dari beberapa sumber diantaranya:
a. Data partisipasi Pilkada tiap Kecamatan yang dipublikasikan oleh BPS Kabupaten
Blora melalui situs website resmi BPS Kabupaten Blora.
b. Berdasarkan sumber Pustaka yang relevan dan digunakan untuk mengumpulkan
informasi yang dibutuhkan dalam penyusunan laporan sebagai landasan teori baik
berupa buku, artikel, karya ilmiah, dan sebagainya.

1.6 Landasan Teori

1.6.1 Pemilihan Kepala Daerah(Pilkada)

Salah satu langkah fundamental dalam kebijakan desentralisasi yakni

pelaksanaan pemilihan umum lokal dalam memilih kepala daerah (Pilkada).
Kebijakan ini merupakan hal yang sangat fundamental sebagai kelanjutan dari
arus perubahan yang sangat kuat terutama sejak Tahun 1996. Henk Schulte
Nordholt menyebutnya sebagai ‘the consolidation of electoral democracy’, karena
berlangsungnya pemilu yang secara luar biasa di tingkat Kabupaten/Kota,
Provinsi dan nasional yang berlangsung sejak Tahun 1999, 2004 dan 2005.

Pemilihan Kepala Daerah (Pilkada) langsung dengan demikian merupakan

proses politik yang tidak saja merupakan mekanisme politik untuk mengisi
jabatan demokratis (melalui pemilu); tetapi juga sebuah implementasi pelaksanaan
otonomi daerah atau desentralisasi politik yang sesungguhnya. Keduanya
merupakan reaksi atas model penyelenggaraan pemilu Rezim Orde Baru yang
tidak demokratis dan kekuasaan yang sentralistik.

Beberapa peraturan terkait adalah Peraturan pelaksanaan pemilihan kepala

daerah lansung juga telah dikeluarkan melalui Peraturan Pemerintah Nomor 6
Tahun 2005. Untuk menyempurnakan pelaksanaan pemilihan kepala daerah

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

Hampir semua Daerah di Indonesia sejak berlakunya Undang-Undang

Nomor 32 Tahun 2004 tentang Pemerintahan daerah, kini telah mengadakan
proses pemilihan kepala daerah baik di Propinsi, maupun di kabupaten/kota sesuai
amanat undang-undang tersebut. Diaturnya pemilihan kepala daerah adalah
merupakan pertanda bahwa hal tersebut telah menjadi konsensus nasional.

1.6.2 Data Mining

Data Mining sudah banyak diterapkan dalam berbagai bidang, salah
17
 satunya metode clustering khususnya K-Means. Menurut Widodo (2013:1) Data
Mining adalah Analisa terhadap data untuk menemukan hubungan yang jelas serta
menyimpulkannya yang belum diketahui sebelumnya dengan cara terkini
dipahami dan bermanfaat bagi pemilik data tersebut. Sedangkan menurut Sulianta
(2010:17) Data Mining adalah metoda yang digunakan untuk mengekstraksi
informasi prediktif tersembunyi pada database, ini adalah teknologi yang sangat
potensial bagi perusahaan dalam memberdayakan data werehouse.
Secara garis besar, Data Mining dapat dikelompokkan menjadi dua
kategori utama, yaitu:
a. Descriptive Mining, yaitu proses untuk menemukan karakteristik penting dari data
dalam satu barus data. Teknik Data Mining yang termasuk Descriptive Mining
adalah clustering, asosiation, dan sequential mining.
b. Predictive Mining, yaitu proses untuk menemukan pola dari data dengan
menggunakan beebrapa variabel lain di masa depan. Salah satu Teknik yang
terdapat dalam Predictive Mining adalah klasifikasi.
Secara sederhana Data Mining biasa dikatakan sebagai proses menyaring atau
menambang pengetahuan dari sejumlah data yang besar. Istilah lain untuk Data
Mining adalah Knowlegde Discovery in Database (KDD).

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:

Algoritma K-Means adalah metode non-hierarki yang awalnya mengambil

beberapa jumlah komponen populasi yang akan dijadikan pusat klaster awal. Pada
tahap ini pusat klaster dipilih secara acak dari sekumpulan data populasi.
Selanjutnya K-Means menguji masing-masing komponen dalam populasi data dan
tandai komponen ke salah satu pusat klaster yang telah ditentukan tergantung
pada jarak minimum antar komponen dengan setiap klaster. Posisi pusat klaster
akan dihitung ulang sampai semua komponen data diklasifikasikan ke dalam
setiap pusat klaster dan akhirnya akan terbentuk posisi pusat klaster yang baru.
Algoritma K-Means pada dasarnya melakukan dua proses, yakni proses
pendeteksian lokasi pusat tiap klaster dan proses pencarian anggota dari tiap-tiap
klaster. Cara kerja algoritma K-Means sebagai berikut:
1. Tentukan k sebagai jumlah klaster yang ingin dibentuk.
2. Bangkitkan k centroid (titik pusat klaster) awal secara random.
3. Hitung jarak setiap data ke masing-masing centroid.
4. Setiap data memilih centroid yang terdekat.
5. Tentukan posisi centroid yang baru dengan cara menghitung nilai rata-rata
dari data-data yang terletak pada centroid yang sama.

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

Transformasi data akan membantu pengguna mendapatkan data yang siap

untuk dianalisis. Pengguna dapat dengan mudah men-subset data,
menggabungkan kategori, menambahkan, mengagregasi, menggabungkan,
membagi, dan beberapa perintah mentranspose file, dan lainnya.
7. Electronic Distribution
Pengguna dapat mengirimkan laporan secara elektronik menggunakan
tombol transfer data (e-mail) atau mengekspor tabel dan grafik ke mode HTML
untuk mendukung distribusi melalui internet dan intranet.
8. Online Help
SPSS menyediakan fasilitas bantuan online yang akan selalu siap
membantu pengguna dalam melakukan pekerjaannya. Bantuan yang diberikan
dapat berupa petunjuk pengoperasian yang detail, kemudahan dalam mencari
prosedur yang diinginkan hingga contoh kasus dalam pengoperasian program ini.
9. Akses Data Tanpa Tempat Penyimpanan Sementara
Analisis file data yang sangat besar disimpan tanpa perlu penyimpanan
sementara. Hal ini berbeda dengan SPSS sebelum versi 11.5 dimana file data yang
sangat besar dibuat sebagai file sementara.
10. Interface dengan Database Relasional
Fasilitas ini akan meningkatkan efisiensi dan menyederhanakan pekerjaan
mengekstrak data dan menganalisisnya dari database relasional.
11. Analisis Distribusi
Fasilitas ini didapat saat menggunakan SPSS for Server atau untuk aplikasi
multi user. Kegunaan dari analisis ini adalah jika peneliti akan menganalisis file
data yang sangat besar, mereka dapat diremote langsung dari server dan
memprosesnya sekaligus tanpa harus memindahkannya ke komputer pengguna.
12. Sesi Berganda

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.

Menu yang Terdapat di SPSS

. 1. File

Gambar 2. Menu File dan Fitur-Fiturnya

(Sumber: Dokumen Pribadi, 2022)

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)

Untuk melakukan pengeditan pada operasi SPSS baik data, serta

pengaturan/option untuk konfigurasi SPSS secara keseluruhan. Fitur-fitur di menu
Edit yakni Undo, Redo, Cut, Copy, Copy with Variable Names, Copy with
Variable Labels, Paste, Paste Variable, Paste with Variable Names, Clear, Insert
Variables, Insert Cases, Search Data Files, Find, Find Next, Replace, Go to
Cases, Go to Variables, Go to Imputation, dan Options.
3. View

Gambar 4. Menu View 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

Gambar 5. Menu Data dan Fitur-Fiturnya

(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk melakukan pemrosesan data. Fitur-fitur di menu Data

yakni Define Variable Properties, Set Measurement Level for Unknown, Copy
Data Properties, New Custom Attribute, Define date and time, Define Multiple

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

Gambar 6. Menu Transform dan Fitur-Fiturnya

(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk melakukan perubahan-perubahan atau penambahan data.

Fitur-fitur di menu Transform yakni Compute Variable, Programmability
Transformation, Count Values within Cases, Shift Values, Recode into Same
Variables, Recode into, Different Variables, Automatic Recode, Create Dummy
Variables, Visual Binning, Optimal Binning, Prepare Data for Modeling, Rank

27
Cases, Date and Time Wizard, Create Time Series, Replace Missing Values,
Random Number Generators, dan Run Pending Tranforms.
6. Analyze

Gambar 7. Menu Analyze dan Fitur-Fiturnya

(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk melakukan analisis data yang telah dimasukkan ke dalam

computer. Fitur- fitur di menu Analyze yakni Report, Descriptive Statistics,
Bayesian Statistics, Tables, Compare Means, General Linear Model, Generalized
Linear Model, Mixed Models, Correlate, Regression, Loglinear, Classify,
Dimension Reduction, Scale, Nonparametric Tests, Forecasting, Survival,
Multiple Response, Missing Value Analysis, Multiple Imputation, Complex
Samples, Simulation, Quality Control, ROC Curve, Spatial and Temporal
Modeling, dan Direct Marketing.
7. Graphs

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

Gambar 9. Menu Utilities dan Fitur-Fiturnya

(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk mengetahui informasi variabel, informasi file, dan

sebagainya. Fitur-fitur di menu Utilities yakni Variables, OMS Control Panel,
OMS Identifiers, Scoring Wizard, Merge Model XML, Calculate with Pivot Table,
Data File Comments, Define Variable Macro, Define Variable Sets, Censor
Table, Use Variable Sets, Show All Variables, Create Text Output, Spelling,
Process Data Files, Run Script, Production Facility, dan Map Conversion Utility.
9. Extensions

29
 Gambar 10. Menu Extensions dan Fitur-Fiturnya
(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk memberikan perintah pada SPSS jika ingin

menggunakan aplikasi tambahan. Fitur-fitur pada menu Extensions yakni
Extension Hub, Install Local Extension Bundle, Custom Dialog Builder for
Extensoins, dan Utilities.
10. Window

Gambar 11. Menu Window dan Fitur-Fiturnya

(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk melakukan perpindahan (switch) dari satu file ke file

lainnya. Fitur-fitur di menu Window yakni Split, Minimize All Windows, Go to
Designated Viewer Window, Go to Designated Syntax Window, Reset Dialog
Sizes and Positions, dan 1 Untitled [DataSet0] – IBM SPSS Statistics Data Editor.
11. Help

30
 Gambar 12. Menu Help dan Fitur-Fiturnya
(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk membantu pengguna dalam memahami perintah-

perintah SPSS jika menemui kesulitan. Fitur-fitur di menu Help yakni Topics,
SPSS Support, SPSS Forums, Documentation in PDF Format, Command Syntax
Reference, Compatibility Report Tool, About, Diagnostic Tool, dan IBM SPSS
Predictive Analytics Community.
12. Variable View

Gambar 13. Menu Variable View

(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk memasukkan variabel pada data yang akan dianalisis.

13. Data View

Gambar 14. Menu Data View

(Sumber: Dokumen Pribadi, 2022)

Digunakan untuk memasukkan data yang akan dianalisis.

31
1.6.6 Sofware Rstudio
Rstudio adalah sebuah program komputasi statistika dan grafis. Saat ini
Rstudio sudah dikenal luas sebagai salah satu powerful software untuk analisis
data dan Data Science. Rstudio dibuat dengan tujuan awal untuk komputasi
statistika dan grafis dengan berbasih bahasa pemrograman R.. Anda dapat
membuat dan update report rutin menggunakan R Markdown. Anda juga dapat
membuat aplikasi web interaktif atau dashboard dengan package shiny. Rstudio
didesain untuk analisis data dan perkembangan serta kemampuannya mencakup
hampir semua lini dalam analisis data dan memudahkan implementasi bahasa
pemrograman R dengan tampilan yang user-friendly, tidak heran saat ini banyak
analisis data dan ilmuwan data (data scientist) menggunakan Rstudio untuk
menyelesaikan berbagai masalah mereka.
Fitur Rstudio
Beberapa kemudahan lain yang dimiliki Rstudio dalam pengoperasiannya adalah
karena R menyediakan beberapa fasilitas seperti berikut ini:
1. Gratis dan Open Source
Merujuk kepada opensource.com, istilah open source merujuk kepada sesuatu
yang bisa dimodifikasi dan dibagikan. Open Source Software (OSS) sendiri berarti
software yang source code-nya dapat diperiksa, dimodifikasi, ditambahkan dan
dibagikan oleh siapapun.
2. Tersedia banyak package
Karena Rstudio adalah open source software, hampir semua package yang ada
pun dapat digunakan secara bebas. Package adalah kumpulan suatu script yang
umumnya berupa function atau data yang dapat digunakan untuk kebutuhan
tertentu.
3. Dibuat oleh statistisi dan untuk statistisi data analyst/data scientist
Bahasa pemrogramannya yang menjadi basis dari Rstudio itu sendiri yaitu R
awalnya dibuat untuk kebutuhan statistisi. Oleh karena itu banyak fungsi-fungsi
dasar untuk statistika maupun eksplorasi data dan grafis sederhana sudah terdapat
di R meskipun tanpa install package tambahan. Namun saat ini R sudah
menjadi salah satu

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}.

Menu-Menu yang Terdapat di Rstudio

Rstudio memiliki empat jendela utama yaitu Script Window, Console
Window, Environment/ History Window, dan File/ Plots/ Packages/ Help/ Viewer
Window. Selain itu, seperti perangkat lunak kebanyakan, Rstudio juga memiliki
Menu Bar dan Toolbar.

33
 Gambar 15. Jendela RStudio
(Sumber: Dokumen Pribadi, 2022)

Penjelasan pada masing-masing jendela yaitu sebagai berikut:

1. Menu Bar
Rstudio memiliki pilihan menu standar yang memberi akses pengguna kepada
fungsi – fungsi yang ada di dalamnya. Di dalam menubar terdapat menu file, edit,
code, view, plots, session, build, debug, profile, tools, dan help.
2. Toolbar
Toolbar dalam Rstudio sangat sederhana dengan tool- tool yang berfungsi untuk
membuat dokumen baru, membuka dan menyimpan dokumen, mencetak
dokumen, fungsi Go to, pengaturan workspace dan pengaturan Add ins. Toolbar
dapat disembunyikan dan ditampilkan melalui Menu View.
3. Script Window

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

2.1 Gambaran Umum Badan Pusat Statistik

2.1.1 Sejarah Perkembangan BPS

Gambar 1. Peta Kabupaten Blora

Badan Pusat Statistik adalah Lembaga Pemerintah Non-Departemen yang

bertanggung jawab langsung kepada Presiden. Sebelumnya, BPS merupakan Biro
Pusat Statistik, yang dibentuk berdasarkan UU Nomor 6 Tahun 1960 tentang
Sensus dan UU Nomer 7 Tahun 1960 tentang Statistik. Sebagai pengganti kedua
UU tersebut ditetapkan UU Nomor 16 Tahun 1997 tentang Statistik. Berdasarkan
UU ini yang ditindaklanjuti dengan peraturan perundangan dibawahnya, secara
formal nama Biro Pusat Statistik diganti menjadi Badan Pusat Statistik.

Materi yang merupakan muatan baru dalam UU Nomor 16 Tahun 1997,

antara lain:

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.

Berdasarkan undang-undang yang telah disebutkan di atas, peranan yang

harus dijalankan oleh BPS adalah sebagai berikut:

1. Menyediakan kebutuhan data bagi pemerintah dan masyarakat. Data ini

didapatkan dari sensus atau survey yang dilakukan sendiri dan juga dari
departemen atau lembaga pemerintahan lainnya sebagai data sekunder
2. Membantu kegiatan statistik di departemen, lembaga pemerintah atau institusi
lainnya, dalam membangun sistem perstatistikan nasional.
3. Mengembangkan dan mempromosikan standar teknik dan metodologi statistik,
dan menyediakan pelayanan pada bidang pendidikan dan pelatihan statistik.
4. Membangun kerjasama dengan institusi internasional dan negara lain untuk
kepentingan perkembangan statistik Indonesia.

2.1.2 Visi dan Misi BPS

1) Visi BPS
Visi dari BPS adalah “Penyedia Data Statistik Berkualitas untuk Indonesia
Maju”. Dalam visi yang baru tersebut berarti bahwa BPS berperan dalam
penyediaan data statistik nasional maupun internasional, untuk menghasilkan
statistik yang mempunyai kebenaran akurat dan menggambarkan keadaan yang
sebenarnya, dalam rangka mendukung Indonesia Maju.
Dengan visi baru ini, eksistensi BPS sebagai penyedia data dan informasi statistik
menjadi semakin penting, karena memegang peran dan pengaruh sentral dalam
penyediaan statistik berkualitas tidak hanya di Indonesia, melainkan juga di
tingkat dunia. Dengan visi tersebut juga, semakin menguatkan peran BPS sebagai
pembina data statistik.

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.

2.1.3 Nilai-Nilai Inti BPS Kabupaten Blora

Core values (nilai–nilai inti) BPS merupakan pondasi yang kokoh untuk
membangun jati diri dan penuntun perilaku setiap insan BPS dalam melaksanakan
tugas. Nilai-nilai Inti BPS terdiri dari:

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.

2.1.4 Tugas, Fungsi, dan Kewenangan BPS

Tugas, fungsi dan kewenangan BPS telah ditetapkan berdasarkan
Peraturan Presiden Nomor 86 Tahun 2007 tentang Badan Pusat Statistik dan
Peraturan Kepala Badan Pusat Statistik Nomor 7 Tahun 2008 tentang Organisasi
dan Tata Kerja Badan Pusat Statistik.

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.

2.1.5 Tugas dan Struktur Organisasi BPS Kabupaten Blora

Struktur Organisasi BPS Kabupaten Blora terlampir.
Tugas struktur organisasi BPS Kabupaten Blora terdiri dari:
1. Kepala Badan mempunyai tugas untuk memimpin BPS Kabupaten Blora sesuai
dengan ketentuan perundang-undangan yang berlaku, menyiapkan kebijakan
umum sesuai dengan tugas BPS, serta menetapkan kebijakan teknis pelaksanaan
kerjasama dengan instansi dan organisasi lain.
2. Kasubag Tata Usaha mempunyai tugas melakukan penyusunan rencana dan
program, urusan kepegawaian, hukum, keuangan, dan perlengkapan.
3. Sub Bidang, terdiri dari:
a. Kasi Statistik Sosial bertugas melakukan pengumpulan, pengolahan, analisis,
evaluasi, dan pelaporan statistik sosial.
b. Kasi Statistik Produksi bertugas melakukan pengumpulan analisis, evaluasi, dan
pelaporan statistik produksi.
c. Kasi Statistik Distribusi bertugas melakukan pengumpulan, analisis, evaluasi, dan
pelaporan statisik distribusi.
d. Kasi Nerwilisis bertugas melakukan pengumpulan, analisis, evaluasi, dan
pelaporan statistik neraca wilayah dan analisis statistik.
e. Kasi IPDS bertugas melakukan pengintegrasian pengolahan data, pengolahan
jaringan dan rujukan statistik serta diseminasi dan layanan statistik.
41
f. Koordinator Statistik Kecamatan, merupakan ujung tombak pengumpulan data
statistik tingkat kecamatan.

2.2 Hasil Analisis Data

Dalam sub bab ini dijelaskan proses pengolahan data yang telah diperoleh
dari hasil Praktik Kerja Lapangan (PKL) yang telah dilaksanakan di Badan Pusat
Statistik(BPS) Kabupaten Blora pada tanggal 16 Maret s.d. 21 April 2022.
Laporan PKL ini menggunakan data Pilkada Bupati dan Wakil Bupati Blora 2020,
yang terdiri dari 16 data dan 5 variabel. Data tersebut seperti berikut ini:

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:

Gambar 17. Variabel dari Pelaksanaan Pilkada 2020 di Kabupaten Blora

(Sumber: Dokumen Pribadi, 2022)

b. Selanjutnya arahkan ke Data View untuk memasukkan datanya.

Gambar 18. Data Pilkada 2020 di Kabupaten Blora

(Sumber: Dokumen Pribadi, 2022)

43
c. Untuk melakukan analisis pilih menu Analyze -> Classify -> K-Means Klaster.

Gambar 19. Menu Analisis K-Means Klaster

(Sumber: Dokumen Pribadi, 2022)

d. Pada kotak dialog K-Means Klaster, masukkan kecamatan sebagai Label Case dan
variabel yang lain dalam variabel.

Gambar 20. Kotak Dialog K-Means Klaster Analysis

(Sumber: Dokumen Pribadi, 2022)

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.

Gambar 22. Kotak Dialog K-Means Klaster: Options

(Sumber: Dokumen Pribadi, 2022)

g. Klik Continue, lalu OK hingga keluar output sebagai berikut:

Tabel 2. Initial Klaster Centers

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

Tabel 4. Final Klaster Centers

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.

Tabel 6. Number of Cases in each Klaster

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)

Pada kolom QCL_1 adalah klaster dari keberadaan Kabupaten/Kota. Dengan

demikian dapat disimpulkan sebagai berikut:
a. Klaster 1: berisikan Kecamatan Jati, Kradenan, Sambong, Jiken, Bogorejo,
Banjarejo dan Japah.
b. Klaster 2: berisikan Kecamatan Randublatung, Kedungtuban, Cepu, Jepon, Blora
Kota, Tunjungan, Ngawen, Kunduran dan Todanan.

48
 2.2.2 Pengolahan dan Analisis Data menggunakan Rstudio

Dalam melakukan K-Means Clustering menggunakan software Rstudio

langkah- langkahnya sebagai berikut:
a. Pertama jalankan library di bawah ini pada software Rstudio.
library(tidyverse) #Transformasi data
library(cluster) #Algoritma klastering library(factoextra)
#Algoritma klastering dan visualisasi library(DT)
#Membaca data tabel
b. Selanjutnya masukkan data Pilkada 2020 ke software Rstudio dengan cara pergi
ke menu Environment -> From SPSS.

Gambar 24. Menu Environment from excel

(Sumber: Dokumen Pribadi, 2022)

c. Import dataset tersebut sekaligus memberi nama menjadi DataPilkada

49
 Gambar 25. Melakukan import dataset ke dalam Rstudio

(Sumber: Dokumen Pribadi, 2022)

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)

Gambar 26. Membuat dataframe variabel numerik

(Sumber: Dokumen Pribadi, 2022)

e. Melakukan uji kelayakan data dengan paket “psych”

>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")

Gambar 30. Plot Jumlah Klaster yang Optimal

(Sumber: Dokumen Pribadi, 2022)

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

Within cluster sum of squares by cluster:

[1] 585966472 329187011
(between_SS / total_SS = 71.7 %)

Available components:

[1] "cluster" "centers"

[3] "totss" "withinss"
[5] "tot.withinss" "betweenss"
[7] "size" "iter"
[9] "ifault"

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

m. Untuk dapat melihat semua data dapat menggunakan syntax:

>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)

Berdasarkan hasil analisis di atas, dimana dengan 2 klaster yang anggotanya

masing-masing sebagai berikut:
1. Klaster 1 : Randublatung, Kedungtuban, Cepu, Jepon, Blora Kota, Tunjungan,
Ngawen, Kunduran dan Todanan.
2. Klaster 2 : Jati, Kradenan, Sambong, Jiken, Bogorejo, Banjarejo dan Japah
n. Visualisasi persebaran klaster pada plot:
>fviz_cluster(kmeans_clustering,data=DataPilkada1)

55
 Gambar 30. Plot Jumlah Klaster yang Optimal
(Sumber: Dokumen Pribadi, 2022)

o. Melakukan inteprestasi terhadap kedua klaster

Berdasarkan hasil di atas disimpulkan bahwa Kecamatan yang berada di klaster

yang lebih banyak daripada klaster 2

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

Abdilah. (2021). SPSS Adalah – Pengertian, Sejarah, Fungsi, Kepanjangan. URL:

https://rumusrumus.com/spss-adalah/. Diakses pada 2022.
Bachtiar, F. R. (2014). Pemilu Indonesia: kiblat negara demokrasi dari berbagai
refresentasi. Jurnal Politik Profetik, 2(1).
Ediyanto, Mara, N., & Satyahadewi, N. (2013). Pengklasifikasian Karakteristik
Dengan Metode K-Means Cluster Analysis. Buletin Ilmiah Mat. Stat. Dan
Terapannya (Bimaster), 02(2), 133–136.
Heraldi, H. Y., Aprilia, N. C., & Pratiwi, H. (2019). Analisis Cluster Intensitas
Kebencanaan di Indonesia Menggunakan Metode K-Means. Indonesian Journal of
Applied Statistics, 2(2), 137-144.
Hidayat, A. (2014). Analisis Klaster Non Hirarki dengan SPSS. URL:
https://www.statistikian.com/2014/03/analisis-cluster-non-hirarki-dengan-
spss.html. Diakses pada 2022.
Hidayat. A. (2014). Interprestasi Analisis Cluster Non Hirarki dengan SPSS. URL:
https://www.statistikian.com/2014/03/interprestasi-analisis-cluster-non- hirarki-
dengan-spss.html. Diakses pada 2022.
Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised
machine learning (Vol. 1). Sthda.
Kurniawan, I., & Susanto, A. (2019). Implementasi Metode K-Means dan Naï ve
Bayes Classifier untuk Analisis Sentimen Pemilihan Presiden (Pilpres) 2019.
Jurnal Eksplora Informatika, 9(1), 1-10.
Metisen, B. M., & Sari, H. L. (2015). Analisis clustering menggunakan metode K-
Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila. Jurnal
Media Infotama, 11(2), 110–118.
Nabila, Z., Rahman Isnain, A., & Abidin, Z. (2021). Analisis Data Mining Untuk
Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K- Means.
Jurnal Teknologi Dan Sistem Informasi (JTSI), 2(2), 100.

59
60
 LAMPIRAN-LAMPIRAN

Lampiran 1. Dokumentasi PKL

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