SKRIPSI
M. FIQRAM SAID
G 501 17 024
JUNI 2022
PEBANDINGAN METODE SINGLE LINKAGE DAN
COMPLETE LINKAGE DALAM KLASTER
KABUPATEN/KOTA BERDASARKAN INDIKATOR
PERKEBUNAN SULAWESI TENGAH
SKRIPSI
M. FIQRAM SAID
G 501 17 024
JUNI 2022
PERSETUJUAN PEMBIMBING
Pembimbing I Pembimbing II
Mengetahui,
Ketua Jurusan Matematika
FMIPA Universitas Tadulako
iii
PENGESAHAN DEWAN PENGUJI
Disetujui tanggal :
DEWAN PENGUJI
Mengetahui,
Dekan FMIPA
Universitas Tadulako
iv
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam tugas akhir ini tidak terdapat karya yang
pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan
sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis
atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah dan
disebutkan dalam daftar pustaka.
M. Fiqram Said
G 501 17 024
v
ABSTRAK
vi
ABSTRACT
Plantations have an important position in the development of the agricultural sector both
nationally and regionally. The development of plantations in Central Sulawesi Province
shows increasing progress. Plantations in an area have different results, so there needs
to be a classification based on the similarity of objects in cluster compared between
objects from clusters . In this study, the authors used hierarchical cluster , namely the
single linkage method and the complete linkage for grouping districts/cities based on
plantation indicators in Central Sulawesi Province and a comparison of the two
methods. The purpose of this study was to obtain the results clusters in Central Sulawesi
Province based on plantation indicators using single linkage and complete linkage
methods. In the single linkage 4 clusters with the result ie 0.42 and the single linkage
There are 4 clusters with the result ie 0.56. Based on the smallest ratio value of 0.42 , it
can be concluded that the single linkage is better than the complete linkage.
vii
KATA PENGANTAR
Bismillahirrahmaanirrahiim
Alhamdulillahirobbil’alamin segala puji dan syukur atas kehadirat Allah
Subhanahu wa Ta’ala karena dengan rahmat dan hidayah-Nya sehingga penulis
diberikan kemudahan dalam penyusunan Skripsi ini. Penulisan Skripsi ini dimaksudkan
sebagai syarat dalam memperoleh gelar sarjana Strata (1) di Program Studi Statistika
Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Tadulako. Ucapan terima kasih dan rasa hormat sebagai suatu bentuk penghargaan
penulis berikan kepada Ibu Nur’eni, S.Si., M.Si selaku Dosen Pembimbing I dan Ibu
Lilies Handayani, S.Si., M.Si selaku Dosen Pembimbing II yang telah menuntun,
membimbing dan mengarahkan penulis dengan penuh kesabaran dan ketelitian dalam
proses penelitian hingga pada penyusunan skripsi.
Pada kesempatan ini, penulis mengucapkan terima kasih sebagai suatu bentuk
penghargaan terbesar, kepada yang terhormat:
1. Prof. Dr. Ir. Mahfudz, M.P selaku Rektor Universitas Tadulako
2. Ibu Prof. Ir. Darmawati Darwis, S.Si., M.Si., Ph.D selaku Dekan Fakultas MIPA
Universitas Tadulako
3. Bapak Junaidi, S.Si., M.Si., Ph.D selaku ketua Jurusan Matematika Fakultas
MIPA Universitas Tadulako
4. Ibu Resnawati, S.Si., M.Si selaku Sekretaris Jurusan Matematika Fakultas MIPA
Universitas Tadulako.
5. Ibu Nur’eni, S.Si., M.Si selaku Koordinator Program Studi Statistika Jurusan
Matematika Fakultas MIPA Universitas Tadulako.
6. Bapak Mohammad Fajri, S.Si., M.Si, selaku Ketua Laboratorium Statistika Dasar
Jurusan Matematika Fakultas MIPA Universitas Tadulako.
7. Ibu Lilies Handayani, S.Si., M.Si selaku Ketua Laboratorium Statistika Terapan
Jurusan Matematika Fakultas MIPA Universitas Tadulako.
8. Ibu Iut Tri Utami, S.Si., M.Si Ibu Fadjryani, ST., M.Si, Ibu Hartayuni Sain, S.Si.,
M.Si, Bapak Mohammad Fajri, S.Si., M.Si, Bapak Iman Setiawan, S.Si., M.Si, Ibu
Nurul Fiskia Gamayanti, S.Si., M.Stat, dan seluruh dosen Fakultas MIPA
Universitas Tadulako.
viii
9. Segenap Staf Tata Usaha Fakultas MIPA Universitas Tadulako.
10. Kedua orang tua penulis Bapak Abustam dan Ibu Hermin yang telah berjuang
mendidik anak-anaknya, terima kasih atas doa dan dukungan yang selalu diberikan
dan pengorbanan selama ini dalam penyelesaian studi penulis.
11. Kakek Alm Amir dan nenek Nurhana yang telah membesarkan dan merawat saya
sampai sekarang.
12. Saudara kandung penulis Daffa, Tiwi dan Arsya yang selalu memberikan
semangat dalam proses penyelesaian skripsi ini.
13. Tante penulis ibu Nasmiyani
14. Sahabat-sahabat Sigma 6 (Statistika Angkatan 2017) Andri, Imam, Ipal, Rahman,
Ade, Agung, Dita, Nisa, Nican, Ananda, Fitri, Alm Tanti, Dewe, Melinda, Sinta,
Iki, Ebong, Eka, Dwiki, Said, Ayu, Mufi atas semangat dan kekompakannya serta
motivasinya semasa kuliah.
15. Sahabat-sahabat Perdos Adel, Wahyu, Gilang, Heber, Tian, Rafael dan Gombong
16. Keluarga Besar HIMASTIKA FMIPA UNTAD (Angkatan 2012 – 2021).
17. Seluruh Pegawai Badan Pusat Statistik kota Palu yang telah memberikan
kesempatan kepada penulis atas pengalaman kerja selama melaksanakan tugas
magang.
Akhir kata, penulis menyadari bahwa dalam penyusunan skripsi ini belum
mencapai kata sempurna, sehingga penulis membutuhkan saran maupun kritik yang
membangun dan semoga skripsi ini bermanfaat bagi semua pihak.
Penulis
ix
DAFTAR ISI
HALAMAN SAMPUL i
HALAMAN JUDUL ii
PERSETUJUAN PEMBIMBING iii
PENGESAHAN DEWAN PENGUJI iv
PERNYATAAN v
ABSTRAK vi
ABSTRACT vii
KATA PENGANTAR viii
DAFTAR ISI x
DAFTAR TABEL xii
DAFTAR GAMBAR xiii
DAFTAR SIMBOL xiv
DAFTAR LAMPIRAN xv
BAB I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Manfaat Penelitian 3
x
4.7 Penentuan Metode Terbaik 25
4.7.1 Simpangan Baku Dalam Klaster 25
4.7.2 Simpangan Baku Antar Klaster 27
4.7.3 Perbandingan Rasio Simpangan Baku 28
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan 30
5.2 Saran 31
DAFTAR PUSTAKA 32
LAMPIRAN
RIWAYAT HIDUP
SURAT KETERANGAN TELAH MELAKSANAKAN PENELITIAN
SURAT KETERANGAN PUBLIKASI
SURAT KEPUTUSAN (SK) PEMBIMBING SKRIPSI
xi
DAFTAR TABEL
Tabel 4.5 : Rasio Metode Single Linkage dan Metode Complete Linkage 26
xii
DAFTAR GAMBAR
xiii
DAFTAR SIMBOL
𝑁1 : Banyaknya objek
𝑁2 : Banyaknya objek
𝑅2 : Koefisien determinasi
xiv
DAFTAR LAMPIRAN
xv
Halaman ini sengaja dikosongkan
BAB 1
PENDAHULUAN
Saat ini Indonesia sudah mengembangkan 4 juta hektar lahan budidaya kelapa
sawit dan dalam waktu dekat pemerintah sudah merencanakan akan
mengembangkan komoditas ini menjadi 5,5 juta hektar. Kapasitas produksi
kelapa sawit Indonesia saat ini menempati posisi pertama dengan jumlah
sebesar 31,10 juta ton per tahun, sedangkan Malaysia menempati posisi kedua
dengan jumlah kapasitas produksi sebesar 19,2 juta ton per tahun (Risza,
2010).
Analisis klaster merupakan metode yang digunakan untuk mengklasifikasi
objek sehingga setiap objek dengan objek lain berada dalam cluster yang sama
(Sitepu, 2011). Analisis cluster berguna untuk meringkas data dengan jalan
mengelompokkan objek-objek dalam hal ini Kabupaten/Kota yang ada di
Sulawesi Tengah yang paling dekat kesamaannya berdasarkan kesamaan
karakteristiknya diantara objek-objek yang akan diteliti.
Penelitian terdahulu yang dilakukan oleh Sulthan Fikri Mu’afa dan
Nurissaidah Ulinnuha tentang perbandingan metode single linkage, complete
linkage dan average linkage dalam pengelompokan kecamatan berdasarkan
variabel jenis ternak Kabupaten Sidoarjo (2019) menunjukan bahwa metode
complete linkage lebih baik dibandingkan dengan metode single linkage dan
average linkage pada kasus klaster kecamatan berdasarkan variabel jenis
ternak kabupaten Sidoarjo. Kemudian penelitian yang dilakukan oleh Rezki
Wahyuni, Sigit Nugroho, dan Pepi Novianti (2013) mengenai analisis klaster
dengan menggunakan metode single linkage dan metode k-means.
Didapatkan bahwa pada metode single linkage klaster yang terbentuk tidak
mendapatkan perbedaan yang jauh antara setiap data yang digunakan.
Sedangkan metode K-means klaster yang terbentuk mendapatkan perbedaan
yang jauh antar setiap data yang digunakan. Pada metode partitioning, jumlah
atau banyaknya cluster (k) ditentukan terlebih dahulu. Penentuan jumlah
cluster menggunakan metode Elbow. Metode Elbow adalah metode yang
digunakan untuk memperoleh informasi mengenai jumlah cluster terbaik
yang sebaiknya digunakan pada penelitian dengan cara melihat presentase
hasil berbandingan antara jumlah cluster yang akan membentuk siku pada
suatu titik (Merlina, 2015) .
2
2. Bagaimana hasil klaster Kabupaten/Kota di Provinsi Sulawesi Tengah
berdasarkan indikator perkebunan menggunakan metode complete
linkage?
3. Bagaimana perbandingan hasil klaster Kabupaten/Kota di Provinsi
Sulawesi Tengah berdasarkan indikator perkebunan menggunakan
metode single linkage dan complete linkage?
3
Halaman ini sengaja dikosongkan
BAB II
TINJAUAN PUSTAKA
1
𝑉𝐼𝐹 = 1−𝑅𝑗2
(2.1.1)
6
a. Pautan Lengkap (Complete Linkage)
Prosedur ini dimulai dengan mengelompokkan dua individu atau objek
yang mempunyai jarak terjauh (lebih melihat ketidaksamaan).
𝑑(𝑖𝑗)𝑘 = Max(𝑑𝑖𝑗 , 𝑑𝑗𝑘 ) (2.3.1)
Keterangan :
𝑑𝑖𝑗 𝑑𝑎𝑛 𝑑𝑗𝑘 masing-masing adalah jarak antara anggota yang paling jauh
dari klaster i dan j serta klaster j dan k
b. Pautan Tunggal (Single Linkage)
Prosedur ini klaster dilakukan berdasarkan jarak minimum.
Keterangan :
𝑑𝑖𝑗 𝑑𝑎𝑛 𝑑𝑗𝑘 masing-masing adalah jarak terpendek antara klaster-klaster
i dan j serta klaster j dan k
c. Pautan Rata-rata (Average Linkage)
Prosedur ini dilakukan dengan meminimumkan rata-rata jarak semua
pasangan individu yang berasal dari kelompok terhadap kelompok
lainnya.
𝑛𝑖 𝑛𝑗
𝑑(𝑖𝑗)𝑘 = 𝑛 +𝑛 𝑑𝑖𝑘 + 𝑛 +𝑛 𝑑𝑗𝑘 (2.3.3)
𝑖 𝑗 𝑖 𝑗
Keterangan :
Jumlah individu 𝑛𝑖 pada kelompok i dan 𝑛𝑗 pada kelompok j
d. Pautan Median (Median Linkage)
Prosedur ini dilakukan dengan jarak antara dua klaster yaitu jarak antara
centroid klaster. Centroid adalah rata-rata jarak yang ada pada sebuah
suatu klaster tertentu. Dengan metode ini, setiap terjadi klaster baru, akan
7
Keterangan :
𝑑𝑖𝑗 𝑑𝑎𝑛 𝑑𝑗𝑘 masing-masing adalah nilai tengah antara klaster-klaster i
dan k serta klaster j dan k
e. Metode Ward
Prosedur klaster yang digunakan dalam metode ini didasarkan pada
Keterangan :
𝑛𝑖 : jumlah objek gerombol ke-i
𝑛𝑗 : jumlah objek gerombol ke-j
𝑛𝑘 : jumlah objek gerombol ke-k
(Hardius dan Nurdin, 2013)
Dalam menentukan hirarki pada sebuah klaster yang disebut dengan klaster
optimum digunakan analisis klaster yang menghasilkan output plot atau scree
plot dengan melihat number of cluster. Jumlah batas k atau klaster yang ingin
digunakan berdasarkan penurunan grafik yang terjadi secara perlahan hingga
menghasilkan perbandingan jarak antar klaster tidak terlalu jauh atau
signifikan biasanya ditandai dengan garis landai mendekati garis lurus.
Metode Elbow merupakan suatu metode yang digunakan untuk menghasilkan
informasi dalam menentukan jumlah klaster terbaik dengan cara melihat
persentase hasil perbandingan antara jumlah klaster yang akan membentuk
siku pada suatu titik. Metode ini memberikan ide/gagasan dengan cara
memilih nilai kluster dan kemudian menambah nilai klaster tersebut untuk
dijadikan model data dalam penentuan klaster terbaik. Dan selain itu
persentase perhitungan yang dihasilkan menjadi pembanding antara jumlah
klaster yang ditambah. Hasil persentase yang berbeda dari setiap nilai klaster
dapat ditunjukan dengan menggunakan grafik sebagai sumber informasinya.
Jika nilai klaster pertama dengan nilai klaster kedua memberikan sudut dalam
8
grafik atau nilainya mengalami penurunan paling besar maka nilai klaster
tersebut yang terbaik.
(Anggara, 2016).
∑𝑝 ∑𝑝 2
𝑖=1 𝑗=1 𝑟𝑖𝑗
KMO = ∑𝑝 ∑𝑝 2 𝑝
∑𝑝 2 (2.5.1)
𝑖=1 𝑗=1 𝑟𝑖𝑗 +∑𝑖=1 𝑗=1 𝑎𝑖𝑗
Keterangan:
𝑟𝑖𝑗 : koefisisen korelasi sederhana antara peubah i dan j
𝑎𝑖𝑗 : koefisien korelasi parsial antara peubah i dan j
Adapun penilaian uji KMO dari matriks antar peubah adalah sebagai berikut:
0,90 < KMO < 1,00 : data sangat baik untuk analisis klaster
0,80 < KMO < 0,90 : data baik untuk analisis klaster
0,70 < KMO < 0,80 : data agak baik untuk analisis klaster
0,60 < KMO < 0,70 : data lebih dari cukup untuk analisis klaster
0,50 < KMO < 0,60 : data cukup untuk analisis klaster
KMO < 0,50 : data tidak layak untuk uji lebih lanjut dengan analis
klaster
(Putrian dkk, 2016)
9
menghubungkan antar objek. Perhitungan jarak euclidean sebagai
berikut:
Keterangan :
𝑑𝑖𝑗 : jarak antara objek ke-i dan objek ke-j
𝑝 : jumlah variabel klaster
𝑋𝑖𝑘 : data dari subjek ke-i pada variabel ke-k
𝑋𝑗𝑘 : data dari subjek ke-j pada variabel ke-k
2. Jarak squared euclidean
Dalam metode ini, pengukuran jarak dilakukan dengan penjumlahkan
kuadrat perbedaan dari nilai masing-masing variabel. Perhitungan jarak
squared euclidean sebagai berikut :
Keterangan :
𝑑𝑖𝑗 : jarak antara objek ke-i dan objek ke-j
𝑋𝑖𝑘 : data dari subjek ke-i pada variabel ke-k
𝑋𝑗𝑘 : data dari subjek ke-j pada variabel ke-k
3. Jarak manhattan atau city block
Dalam metode ini, pengukuran jarak dilakukan dengan menjumlahkan
Keterangan :
𝑑𝑖𝑗 : jarak antara objek ke-i dan objek ke-j
𝑋𝑖𝑘 : data dari subjek ke-i pada variabel ke-k
𝑋𝑗𝑘 : data dari subjek ke-j pada variabel ke-k
(Gudono, 2015)
10
2.6 Pemilihan Metode Terbaik dengan Simpangan Baku
Sebuah metode klaster yang baik jika mempunyai nilai simpangan baku
dalam kelompok (𝑆𝑊 ) yang minimum dan nilai simpangan baku antar
menghitung simpangan baku dalam kelompok (𝑆𝑊 ) (Bunkers et.al, 2010) sebagai
berikut :
SW = 𝐾 −1 ∑𝐾
𝑘=1 𝑆𝑘 (2.7.1)
anggota 𝑥𝑖 , dimana i =1,...,n dan n adalah jumlah anggota dari setiap klaster,
dan 𝑋̅𝑘 adalah rata-rata dari klaster k maka untuk mencari nilai simpangan
Keterangan :
K: banyaknya kelompok yang terbentuk
𝑆𝑘 : simpangan baku kelompok ke-k
Jika terdapat rata-rata variabel dalam setiap klaster k dan 𝑋̅𝑘 maka komponen
dari setiap klaster berbeda, dan simpangan baku antar kelompok 𝑆𝐵 dapat
2.7 Perkebunan
11
mengolah dan memasarkan bareng dan jasa hasil tanaman tersebut, dengan
bantuan ilmu pengetahuan dan teknologi, permodalan sertamanajemen
untukmewujudkan kesejahteraan bagi pelaku usaha perkebunan dan
masyarakat. Sedangkan menurut Peraturan Menteri Pertanian, Perkebunan
adalah segala kegiatan pengelolaan sumber daya alam, sumber daya manusia,
sarana produksi, alat dan mesin, budi daya, panen, pengolahan, dan
pemasaran terkait tanaman perkebunan.
12
2.8 Kerangka Pikir
Mulai
Pengambilan Data
Uji
Multikolinearitas
Ya
Interpretasi Klaster
Kesimpulan
Selesai
13
Halaman ini sengaja dikosongkan
BAB III
METODE PENELITIAN
Lokasi penelitian di Kantor Badan Pusat Statistik (BPS) dan tempat penelitian
di Laboratorium Statistika Terapan Program Studi Statistika Jurusan
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Tadulako.
Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari Badan Pusat Statistik (BPS) Provinsi Sulawesi Tengah, dimana
jumlah Kabupaten/Kota yang terdapat di Provinsi Sulawesi Tengah dengan
unit observasi sebanyak 13 Kabupaten/Kota. Adapun variabel yang
digunakan dalam penelitian ini adalah X1 (kelapa), X2 (kopi), X3 (cengkeh),
X4 (kapuk), X5 (lada), X6 (pala), X7 (jambu mete), X8 (kakao), X9 (sagu), dan
X10 (kelapa sawit).
16
BAB IV
Cengkeh (X3 ) memiliki nilai hasil kebun terendah sebesar 0.53 ton yaitu pada
kota Palu. Hasil kebun kopi tertinggi sebesar 10276.28 yaitu yaitu pada
kabupaten Tolitoli. Nilai rata-rata sebesar 1320.88 ton. Nilai simpangan baku
sebesar 2752.95ton.
Kapuk (X4 ) memiliki nilai hasil kebun terendah sebesar 0 yaitu kota Palu,
kabupaten Morowali, Morowali Utara, Poso, Tolitoli, Sigi dan Banggai Laut.
Nilai hasil kebun tertinggi sebesar 150 ton yaitu kabupaten Donggala. Nilai
rata-rata sebesar 16.96 ton dan nilai simpangan baku sebesar 41.61 ton.
Lada (X5 ) memiliki nilai hasil kebun terendah sebesar 0 yaitu kota Palu dan
kabupaten Sigi. Nilai hasil kebun tertinggi sebesar 36.25 ton yaitu kabupaten
Tolitoli. Nilai rata-rata sebesar 12.49 ton. Nilai simpangan baku sebesar 13.59
ton.
Pala (X6 ) memiliki nilai hasil kebun terendah sebesar 0 yaitu kota Palu. Hasil
kebun tertinggi sebesar 113.6 ton yaitu pada kabupaten Tojo Una Una. Nilai
rata-rata sebesar 31.28 ton. Nilai simpangan baku sebesar 33.53 ton.
Jambu mete (X7 ) memiliki nilai hasil kebun terendah sebesar 0 yaitu
kabupaten Poso dan kabupaten Tolitoli. Hasil kebun tertinggi sebesar 991 ton
yaitu pada kabupaten Banggai. Nilai rata-rata sebesar 165.4 ton. Nilai
simpangan baku sebesar 273.82 ton.
Kakao (X8 ) memiliki nilai hasil kebun terendah sebesar 58.03 ton yaitu pada
kota Palu. Hasil kebun tertinggi sebesar 45918.3 ton yaitu pada kabupaten
Parigi Moutong. Nilai rata-rata sebesar 12979.53 ton. Nilai simpangan baku
18
sebesar 12832.92 ton.
Sagu (X9 ) memiliki nilai hasil kebun terendah sebesar 0 yaitu pada kota Palu
dan kabupaten Banggai Kepualuan, Poso, Tolitoli, Tojo Una-Una dan Sigi.
Hasil Kebun tertinggi sebesar 289.05 ton yaitu pada kabupaten Buol. Nilai
rata-rata sebesar 55 ton. Nilai simpangan baku sebesar 97.37 ton.
Kelapa Sawit (X10) memiliki nilai hasil kebun terendah sebesar 0 yaitu pada
kota Palu. Hasil kebun tertinggi sebesar 96313.38 ton yaitu pada kabupaten
Morowali. Nilai rata-rata sebesar 13449.06 ton. Nilai simpangan baku sebesar
26627.06 ton.
Selain itu, perbedaan nilai minimum dan maksimum yang besar pada
beberapa peubah menandakan bahwa Sulawesi Tengah memiliki
kabupaten/kota dengan indikator perkebunan yang beragam atau timpang
(tidak seimbang). Sehingga analisis gerombol dibutuhkan untuk melihat
keragaman kabupaten/kota berdasarkan indikator perkebunan. Dapat dilihat
pada (Lampiran 1.)
Berikut ini adalah hasil uji Multikolinearitas menggunakan uji VIF dapat
dilihat pada tabel berikut:
19
Tabel 4.2 Hasil Uji Multikolinearitas
Variabel VIF
X1 14.29
X2 7.69
X3 2.5
X4 20
X5 3.57
X6 3.7
X7 7.69
X8 20
X9 2.38
X10 1.92
Tabel 4.2 di atas menunjukan bahwa nilai VIF pada variabel X1, X4 dan X8
bernilai lebih dari 10. Maka dapat dikatakan bahwa variabel-variabel
terindikasi multikolinieritas. Dilakukan perbaikan dengan cara menghapus
variabel yang memiliki nilai VIF > 10 secara satu persatu.
20
= √91373.2 + 43852.55 + ⋯ + 481978116
= √4825244586.9
= 21966.44
21
Gambar 4.1 di atas merupakan scree plot yang digunakan untuk melihat
klaster (k) optimum yang akan digunakan dalam pembuatan klaster. Pada
gambar di atas setelah klaster ke empat penurunan terjadi secara perlahan.
Sehingga jumlah klaster (k) yang dapat digunakan yaitu 4 klaster. Proses
klaster juga dapat diilustrasikan dalam bentuk dendogram. Di bawah ini
merupakan dendogram dari metode single linkage
22
Adapun anggota dari setiap klaster dapat dilihat pada tabel di bawah ini.
Tabel 4.3 Hasil Cluster Single Linkage
1(A) Kabupaten Morowali
Kabupaten Donggala, Kabupaten Buol, Kabupaten
2(B)
Banggai, Kabupaten Morowali Utara
3(C) Kabupaten Toli-Toli
Klaster
Kabupaten Banggai Kepulauan, Kabupaten Poso,
Kabupaten Sigi, Kabupaten Banggai Laut, Kota Palu,
4(D)
Kabupaten Parigi Moutong, Kabupaten Tojo Una-
Una
23
Berdasarkan Gambar 4.4 di atas, dapat diketahui bahwa terdapat 4 klaster
dengan rincian terdapat 1 Kabupaten pada klaster pertama, 8 Kabupaten pada
klaster kedua, 2 Kabupaten pada klaster ketiga dan 2 Kabupaten pada klaster
keempat. Adapun anggota dari setiap klaster dapat dilihat pada Tabel di
bawah.
Tabel 4.5 Hasil Cluster Complete Linkage
1(A) Kabupaten Morowali
Kabupaten Banggai Kepulauan, Kabupaten Toli-Toli,
Kabupaten Parigi Moutong, Kabupaten Tojo Una-Una,
2(B)
Klaster Kabupaten Poso, Kabupaten Sigi, Kabupaten Banggai
Laut, Kota Palu
24
(3439.13 − 11851.5)2 + ⋯ + (3582.5 − 11851.53)2
𝑆4 = √
4−1
317421144.8
𝑆2 = √
3
𝑆2 = 10286.25
c. Klaster 3
Simpangan baku klaster 3 bernilai 0, karena klaster 3 hanya terdiri
dari satu Kabupaten/Kota dalam klaster, maka S tidak berpengaruh
(bernilai 0).
d. Klaster 4
6916605.24
𝑆4 = √
6
𝑆4 = 1073.67
Berikut ini adalah perhitungan nilai simpangan baku dalam
klister:
𝐾
−1 ∑ 𝑆𝑘
𝑆𝑤 = 𝐾
𝑘=1
𝑆𝑤 = 4−1 (𝑆1 + 𝑆2 + 𝑆3 + 𝑆4 )
(0 + 10286.25 + 0 + 1073.67)
𝑆𝑤 =
4
𝑆𝑤 = 2839.98
25
b. Klaster 2
44865471.91
𝑆2 = √
7
𝑆2 = 2531.67
c. Klaster 3
24669103.4
𝑆3 = √
1
𝑆3 = 4966.08
d. Klaster 4
11841511.6
𝑆4 = √
1
𝑆4 = 3441.15
Berikut ini adalah perhitungan nilai simpangan baku dalam
klister:
𝐾
−1 ∑ 𝑆𝑘
𝑆𝑤 = 𝐾
𝑘=1
26
𝑆𝑤 = 4−1 (𝑆1 + 𝑆2 + 𝑆3 + 𝑆4 )
(0 + 2531.67 + 4966.08 + 3441.15)
𝑆𝑤 =
4
𝑆𝑤 = 2734.72
SB = (44860176.7)1/2
SB = 6697.77
SB = (23406009.6)1/2
SB = 4837.98
27
2. Metode Complete Linkage
𝑆𝑤
𝑅𝑎𝑠𝑖𝑜 =
𝑆𝐵
2734.72
=
4837.98
= 0.565
Tabel 4.6 di atas menunjukkan bahwa metode single linkage memperoleh nilai rasio
sebesar 0,42 sedangkan rasio metode complete linkage sebesar 0,56, yang artinya
bahwa nilai rasio dengan menggunakan metode single linkage lebih kecil daripada
rasio menggunakan metode complete linkage. Sehingga dapat disimpulkan bahwa
klaster Kabupaten/Kota di Sulawesi Tengah berdasarkan indikator perkebunan
tahun 2017 lebih baik dengan menggunakan metode single linkage.
28
BAB V
5.1 Kesimpulan
30
DAFTAR PUSTAKA
Fathia, Annisa, N., Rahmawati, R., dan Tarno. (2016). Analisis Klaster Kecamatan
Di Kabupaten Semarang Berdasarkan Potensi Desa menggunakan Metode
Ward dan Single Linkage. Jurnal Gaussian Volume 5 No. 4, 801-810.
Fauzi, Y., Widyastuti, Y. E., Satyawibawa, I., & Paeru, R. H. (2012). Kelapa Sawit.
Niaga Swadaya, Jakarta.
Hardius, U., dan Nurdin, S. (2013). Aplikasi Teknik Multivariate untuk Riset
Pemasaran. Jakarta: Raja Grafindo Persada.
Merlina. (2015). Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means.
Purwekerto : Institut Teknologi Telkom.
Pardamean, M. (2011). Sukses Membuka Kebun Dan Pabrik Kelapa Sawit. Penebar
Swadaya, Jakarta.
Putriana, U., Setyawan, Y., & Noeryanti, N. (2016). Metode Cluster Analysis
Untuk Pengelompokan Kabupaten/Kota Di Provinsi Jawa Tengah
Berdasarkan Variabel Yang Mempengaruhi Kemiskinan Pada Tahun
2013. Jurnal Statistika Industri dan Komputasi, 1(01), 38-52.
31
Sitepu , R. anggara(2011). Analisis cluster terhadap tingkat pencemaran udara
pada sektor industri di Sumatera Selatan. Jurnal Penelitian Sains.
Wahyuni, R., Nugroho, S., & Novianti, P. (2013). Analisis Klaster Dengan
Menggunakan Metode Single Linkage Dan Metode K-Means. Kutai Barat:
UNMUL.
32
Lampiran 1. Data Penelitian
Kabupaten Kelapa Kopi Cengkeh Kapuk Lada Pala JambuMete Kakao Sagu KelapaSawit
Bangkep 9360.89 2.95 837.41 1.14 0.52 62.11 376.2 1869.01 0 0
Banggai 48331 305.23 628 16.2 1.02 17.7 991 18225.77 176.9 21954
Morowali 1237.94 110.05 79.73 0 3.8 46 208.8 4767.1 57 96313.38
Poso 3957.8 1039.9 226 0 21.88 5.6 0 25639 0 732
Donggala 28355.47 339.3 1424 40.83 34.7 65.45 154.4 19335.99 1.75 16970.5
Tolis 10483.44 172.4 10276.28 0 36.25 42 0 11260.95 0 0
Buol 10162 182.56 314.93 4.46 7.11 10.08 0.2 5719.31 289.05 14015.32
Parimo 36750.51 94.2 1324.39 150 11 25 212.4 45918.3 1.65 29.25
Tojouna 27811.96 251.63 1701.6 7.88 24.79 113.6 79.2 8814.5 0 0
Sigi 2516 419.2 26.62 0 0 2 3 19356 0 0
BanggaiLaut 4909.99 0 305.3 0 0.2 14.34 113.77 271.87 1.54 0
Morut 416.24 9.96 26.58 0 21.13 2.8 6.67 7498.08 187.05 24823.35
Palu 193.28 0 0.53 0 0 0 4.8 58.03 0 0
33
Lampiran 3. Rata-Rata Variabel Setiap Klaster (Complete Linkage)
34
Lampiran 4. Syntax Rstudio
library(factoextra)
library(regclass)
library(openxlsx)
# panggil data
data <- read.xlsx('data.xlsx')
head(data)
str(data)
data <- data[, 2:11]
head(data)
str(data)
summary(data)
35
rect.hclust(metode_complete4, 4, border = 2:5)
data.frame(single=tabel_single4, complete=tabel_complete4)
36