KEPUTUSAN

DEKAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS TADULAKO
Nomor : 2881 /UN28.1.28/KM/2022
TENTANG
PERPANJANGAN PENGANGKATAN DOSEN PEMBIMBING KARYA TULIS ILMIAH/SKRIPSI
DEKAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Menimbang : a. bahwa sesuai surat Ketua/Sek.Jur/Koord.Prodi. Statistika No.566/UN28.1.28.Jur/KP/2022 tanggal 24 Mei 2022 tentang Usul
Perpanjangan Pengangkatan Dosen Pembimbing Karya Tulis/Skripsi, maka usul tersebut disetujui;
b. bahwa berhubung belum selesainya penulisan/penyusunan karya tulis ilmiah/skripsi mahasiswa atas nama :
Nama : M. Fiqram said
NIM : G 501 17 024
Jurusan/Prodi : Matematika/Statistika
maka dipandang perlu perpanjangan pengangkatan dosen pembimbing;
c. bahwa untuk kelancaran serta terarahnya penulisan/penyusunan karya ilmiah/skripsi mahasiswa, dipandang perlu mengangkat
kembali dosen pembimbing;
d. bahwa yang tersebut namanya di bawah ini dipandang memenuhi syarat untuk diangkat sebagai pembimbing
penulisan/penyusunan karya ilmiah/skripsi;
e. bahwa berdasarkan pertimbangan huruf a, huruf b, huruf c dan huruf d di atas, perlu ditetapkan dengan Keputusan Dekan
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tadulako sebagai dasar pelaksanaannya;
Mengingat : 1. Undang-undang RI, Nomor 17 Tahun 2003, Tentang Keuangan Negara;
2. Undang-undang RI, Nomor 20 Tahun 2003, Tentang Sistem Pendidikan Nasional (Lembaran Negara Republik Indonesia Tahun
2003 Nomor 78, Tambahan Lembaran Negara Republik Indonesia Nomor 4301);
3. Undang-undang RI, Nomor 12 Tahun 2012, Tentang Pendidikan Tinggi;
4. Undang-undang RI Nomor 5 Tahun 2014, Tentang Aparatur Sipil Negara;
5. Peraturan Pemerintah Nomor 4 Tahun 2014 , Tentang Penyelenggaraan Pendidikan Tinggi dan Pengelolaan Perguruan Tinggi;
6. Peraturan Menteri Riset, Teknologi dan Pendidikan Tinggi RI, Nomor 8 Tahun 2015 Tentang Statuta Universitas Tadulako;
7. Peraturan Menteri Riset, Teknologi dan Pendidikan Tinggi , Nomor 44 Tahun 2017 jo. Nomor 3 Tahun 2019 Tentang Organisasi
dan Tata Kerja Universitas Tadulako;
8. Peraturan Menteri Pendidikan dan Kebudayaan Nomor 3 Tahun 2020 tentang Standar Nasional Perguruan Tinggi;
9. Keputusan Presiden Nomor 82 Tahun 2019, Tentang Kementerian Pendidikan dan Kebudayaan;
10. Keputusan Presiden RI, Nomor 36 Tahun 1981, Tentang Pendirian Universitas Tadulako;
11. Keputusan Menteri Keuangan RI, Nomor 97/KMk.05/2012, Tentang Penetapan Universitas Tadulako pada Kementerian
Pendidikan dan Kebudayaan sebagai Instansi Pemerintah yang menerapkan Pengelolaan Keuangan Badan Layanan Umum;
12. Keputusan Menteri Riset, Teknologi dan Pendidikan Tinggi RI Nomor : 10782/M/KP/2019, tentang Pengangkatan Rektor
Universitas Tadulako Masa Jabatan 2019-2023
13. Keputusan Menteri Keuangan Nomor: 193/PMK.05/2016, tentang penetapan Remunerasi bagi Pejabat Pengelola, Dewan
Pengawas dan Pegawai Badan Layanan Umum Universitas Tadulako pada Kementerian Riset dan Pendidikan Tinggi;
14. Keputusan Rektor Universitas Tadulako, Nomor 2958/H28/KP/2007, Tentang Pembukaan Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Tadulako;
15. Keputusan Rektor Universitas Tadulako, Nomor 4418/UN28/KP/2019,Tentang Pengangkatan Dosen yang diberi Tugas
Tambahan Sebagai Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tadulako masa jabatan 2019-2023.
MEMUTUSKAN
Menetapkan : KEPUTUSAN DEKAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS TADULAKO TENTANG
PERPANJANGAN PENGANGKATAN DOSEN PEMBIMBING KARYA ILMIAH/SKRIPSI
KESATU : Mengangkat kembali dosen pembimbing masing-masing :
Nama : Nur’eni, S.Si, M.Si
NIP/NIDN : 197107071998032003
Pangkat/Gol. : Pembina, IV/a sebagai Pembimbing I
Nama : Lilies Handayani, S.Si, M.Si
NIP/NIDN : 199002152015042002
Pangkat/Gol. : Penata Muda Tkt. I, III/b sebagai Pembimbing II
KEDUA : Mereka yang namanya tersebut pada dictum KESATU pada keputusan ini untuk segera melanjutkan pembimbingan
penulisan/penyusunan karya tulis ilmiah/skripsi kepada mahasiswa:
Nama : M. Fiqram Said
NIM : G 501 17 024
Jurusan/Prodi : Matematika/Statistika
DenganJudul : Perbandingan Metode Single Linkage Dan Complete Linkage Dalam Pengelompokan Kabupaten/Kota Berdasarkan
Indikator Perkebunan Provinsi Sulawesi Tengah
KETIGA : Jika mahasiswa tidak dapat menyelesaikan karya tulis ilmiah/skripsi tersebut sampai berakhirnya SK tersebut, maka segera
mengganti judul karya tulis ilmiah/skripsi dan/atau dosen pembimbing.
KEEMPAT : Konsekuensi biaya yang diperlukan atas diterbitkannya keputusan ini dibebankan pada DIPA Universitas Tadulako yang dialokasikan
pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universita Tadulako melalui sistem perhitungan pembayaran remunerasi.
KELIMA : Keputusan ini mulai berlaku sejak tanggal ditetapkan dan berakhir pada tanggal 31 Desember 2022.
Ditetapkan di : Palu
Pada tanggal : 27 Mei 2022
D e k a n,

Prof. Ir. DARMAWATI DARWIS, S.Si.,M.Si.,Ph.D

NIP.197111241997022001
Tembusan :
1. Rektor UniversitasTadulako
2. Wakil Dekan Bidang Akademik FMIPA UNTAD 2020
3. Ketua Jurusan/Prodi Statistika FMIPA UNTAD
4. Masing-masing yang bersangkutan untuk dilaksanakan
 PERBANDINGAN METODE SINGLE LINKAGE DAN
COMPLETE LINKAGE DALAM KLASTER
KABUPATEN/KOTA BERDASARKAN INDIKATOR
PERKEBUNAN SULAWESI TENGAH

SKRIPSI

M. FIQRAM SAID
G 501 17 024

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO

JUNI 2022
 PEBANDINGAN METODE SINGLE LINKAGE DAN
COMPLETE LINKAGE DALAM KLASTER
KABUPATEN/KOTA BERDASARKAN INDIKATOR
PERKEBUNAN SULAWESI TENGAH

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Persyaratan

dalam Menyelesaikan Program Sarjana Strata Satu (S1)
Program Studi Statistika Jurusan Matematika FMIPA
Universitas Tadulako

M. FIQRAM SAID
G 501 17 024

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO

JUNI 2022
 PERSETUJUAN PEMBIMBING

Judul : Perbandingan Single Linkage dan Complete Linkage

Dalam Klaster Kabupaten/Kota Berdasarkan Indikator
Perkebunan Provinsi Sulawesi Tengah

Nama : M. Fiqram Said

Stambuk : G 501 17 024

Telah diperiksa dan disetujui untuk diajukan pada Seminar Hasil

Palu, 10 Juni 2022

Pembimbing I Pembimbing II

Nur’eni, S.Si., M.Si Lilies Handayani, S.Si., M.Si

NIP. 197107071998032003 NIP.199002152015042002

Mengetahui,
Ketua Jurusan Matematika
FMIPA Universitas Tadulako

Junaidi, M.Si., Ph.D

NIP. 197402262000121001

iii
 PENGESAHAN DEWAN PENGUJI

Judul : Perbandingan Metode Single Linkage dan Complete

Linkage Dalam Klaster Kabupaten/Kota Berdasarkan
Indikator Perkebunan Provinsi Sulawesi Tengah

Nama : M. Fiqram Said

Stambuk : G 501 17 024

Disetujui tanggal :

DEWAN PENGUJI

Ketua : Nur’eni, S.Si., M.SiJunidi M.h.D ……………….

Sekretaris : Lilies Handayani, S.Si., M.Si ……………….

Anggota : Iman Setiawan, S.Si., M.Si ……………….

Fadjriyani, S.T., M.Si ……………….

Nurul Fiskia Gamayanti, S.Si., M.Stat ……………….

Mengetahui,
Dekan FMIPA
Universitas Tadulako

Prof. Ir. Darmawati Darwis, S.Si., M.Si., Ph.D

NIP. 197111241997022001

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.

Palu, 10 Juni 2022

Penulis,

M. Fiqram Said
G 501 17 024

v
 ABSTRAK

Perkebunan mempunyai kedudukan yang penting di dalam pengembangan sektor

pertanian baik nasional maupun regional. Perkembangan perkebunan di Provinsi
Sulawesi Tengah menunjukkan kemajuan yang semakin meningkat. Perkebunan di
suatu daerah memiliki hasil yang berbeda beda, sehingga perlu adanya
pengklasifikasian berdasarkan kemiripan objek dalam cluster yang sama dibandingkan
antar objek dari cluster yang berbeda. Pada penelitian ini akan dilakukan menggunakan
analisis cluster hierarki yaitu metode single linkage dan metode complete linkage untuk
pengelompokan Kabupaten/Kota berdasarkan indikator perkebunan di Provinsi
Sulawesi Tengah dan perbandingan kedua metode. Penelitian ini memperoleh hasil
cluster Kabupaten/Kota di Provinsi Sulawesi Tengah berdasarkan indikator perkebunan
menggunakan metode single linkage dan complete linkage. Pada metode single linkage
terdapat 4 cluster dengan hasil yaitu 0,42 dan metode single linkage terdapat 4 cluster
dengan hasil yaitu 0,56. Berdasarkan nilai rasio terkecil yaitu 0,42 dapat disimpulkan
bahwa metode single linkage lebih baik dibandingkan dengan metode complete linkage.

Kata Kunci: Cluster, Complete Linkage, Single Linkage

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.

Keywords: Cluster, Complete Linkage, Single 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.

Palu, 10 Juni 2022

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

BAB II TINJAUAN PUSTAKA

2.1 Uji Multikolinearitas 5
2.2 Analisis Klaster 5
2.3 Metode Hirarki 6
2.4 Uji Kelayakan Data 9
2.5 Ukuran Kemiripan Jarak 9
2.6 Pemilihan Metode Terbaik Simpangan Baku 11
2.7 Perkebunan 12
2.8 Kerangka Pikir 14

BAB III METODE PENELITIAN

3.1 Lokasi dan Tempat Penelitian 15
3.2 Populasi Penelitian 15
3.3 Prosedur Pengambilan Data 15
3.4 Analisis Data 15

BAB IV HASIL DAN PEMBAHASAN

4.1 Eksplorasi Data 17
4.2 Uji Multikolinearitas 19
4.3 Menentukan Ukuran Kemiripan dan Ketakmiripan 20
4.4 Menentukan Klaster Optimum 21
4.5 Pengklasteran Menggunakan Single Linkage 22
4.6 Pengklasteran Menggunakan Complite Linkage 24

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 4.1 : Analisis Deskriptif Setian Variabel 15

Tabel 4.2 : Hasil Uji Multikolinearitas 18

Tabel 4.3 : Cluster Single Linkage 21

Tabel 4.4 : Cluster Complite Linkage 22

Tabel 4.5 : Rasio Metode Single Linkage dan Metode Complete Linkage 26

xii
 DAFTAR GAMBAR

Gambar 4.1 : Scree Plot 19

Gambar 4.2 : Cluster Single Linkage 20

Gambar 4.3 : Cluster Complite Linkage 21

xiii
 DAFTAR SIMBOL

𝑛𝑖 : Jumlah objek gerombol ke-i

𝑛𝑗 : Jumlah objek gerombol ke-j

𝑛𝑘 : Jumlah objek gerombol ke-k

𝑁1 : Banyaknya objek

𝑁2 : Banyaknya objek

𝑅2 : Koefisien determinasi

𝑟𝑖𝑗 : Koefisien korelasi sederhana antara peunah i dan j

𝑑𝑖𝑗 : Jarak antara objek ke-i dan objek ke j

𝑎𝑖𝑗 : Koefisien korelasi parsial antara peunah i dan 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

𝐾 : Banyaknya kelompok yang terbentuk

𝑠𝑘 : Simpangan baku kelompok ke-k

𝑋̅𝑘 : Rataan kelompok ke-k

𝑋̅ : Rataan keseluruhan kelompok

𝑠𝑤 : Simpangan baku dalam klaster

𝑠𝐵 : Simpangan baku antar klaster

xiv
 DAFTAR LAMPIRAN

Lampiran 1 : Data Penelitian 33

Lampiran 2 : Rata-rata variabel setiap klaster (single linkage) 34

Lampiran 3 : Rata-rata variabel setiap klaster (complete linkage) 35

Lampiran 4 : Syntax Rstudio 36

xv
Halaman ini sengaja dikosongkan
 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Sektor perkebunan setiap tahunnya terus mengalami peningkatan.

Perkembangan sektor perkebunan sendiri memiliki arti penting dalam
pengembangan pertanian baik skala regional maupun nasional. Indonesia
merupakan negara penghasil kelapa sawit terbesar di dunia. Kebutuhan buah
kelapa sawit meningkat tajam seiring dengan meningkatnya kebutuhan Crude
Palm Oil (CPO) dunia. Oleh karenanya, peluang perkebunan kelapa sawit dan
industri pengolahan kelapa sawit masih sangat prospek, baik untuk memenuhi
pasar dalam maupun luar negeri (Pardamean, 2011).

Kelapa sawit merupakan komoditas perkebunan unggulan dan utama

Indonesia tanaman yang produk utamanya terdiri dari minyak sawit / Crude
Plam Oil (CPO) dan minyak inti sawit/ Kernel Palm Oil (KPO) ini memiliki
nilai ekonomis tinggi dan menjadi salah satu penyumbang devisa negara yang
terbesar dibandingkan dengan komoditas perkebunan lainnya. Hingga saat ini
kelapa sawit telah diusahakan dalam bentuk perkebunan dan pabrik
pengolahan kelapa sawit hingga menjadi minyak dan produk turunannya
(Fauzi,dkk, 2012).

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) .

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas, maka dapat

dirumuskan permasalahan sebagai berikut :
1. Bagaimana hasil klaster Kabupaten/Kota di Provinsi Sulawesi Tengah
berdasarkan indikator perkebunan menggunakan metode single linkage?

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?

1.3 Tujuan Penelitian

Tujuan dalam penelitian ini yaitu :

1. Menentukan hasil klaster Kabupaten/Kota di Provinsi Sulawesi Tengah
berdasarkan indikator perkebunan menggunakan metode single linkage
2. Menentukan hasil klaster Kabupaten/Kota di Provinsi Sulawesi Tengah
berdasarkan indikator perkebunan menggunakan metode complete
linkage
3. Menentukan perbandingan hasil klaster Kabupaten/Kota di Provinsi
Sulawesi Tengah berdasarkan indikator perkebunan menggunakan
metode single linkage dan complete linkage

1.4 Manfaat Penelitian

Berikut adalah beberapa manfaat untuk penelitian ini yaitu :

1. Sebagai bahan masukan bagi penulis sendiri, agar dapat memperdalam
ilmu tentang analisis multivariat pada indikator perkebunan.
2. Dapat menambah wawasan pembaca tentang penerapan ilmu statistika,
pada analisis multivariat khususnya metode single linkage dan complete
linkage.
3. Agar dapat memberikan manfaat dan informasi kepada pemerintah
maupun masyarakat.

3
Halaman ini sengaja dikosongkan
 BAB II

TINJAUAN PUSTAKA

2.1 Uji Multikolinearitas

Multikolinearitas adalah adanya hubungan linier sempurna atau pasti diantara

beberapa atau semua variabel. Sebaiknya tidak terjadi atau tidak terdapat
multikolinearitas diantara variabel-variabel. Salah satu cara indentifikasi
adanya multikolinearitas adalah menghitung nilai Varians Inflation Factor
(VIF) dengan rumus sebagai berikut (Fathia dkk, 2016):

1
𝑉𝐼𝐹 = 1−𝑅𝑗2
(2.1.1)

dimana 𝑅𝑗2 adalah koefisien determinasi antara 𝑥𝑗 dengan variabel prediktor

lainnya. Apabila nilai VIF lebih besar dari 10 maka dapat disimpulkan
terjadi multikolinieritas.

2.2 Analisis Klaster

Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama

mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya.
Analisis cluster mengklasifikasikan objek sehingga setiap objek yang paling
dekat kesamaannya dengan objek lain berada dalam cluster yang sama
(Wijaya,2010). Klaster-klaster yang terbentuk memiliki homogenitas
(kesamaan) yang tinggi antar anggota dalam satu cluster dan heterogenitas
(perbedaan) yang tinggi antar cluster yang satu dengan cluster yang lain.
Solusi analisis cluster secara keseluruhan bergantung pada variabel-variabel
yang digunakan sebagai dasar untuk menilai kesamaan (Wijaya, 2010).

Menurut Gudono (2015) analisis klaster termasuk dalam analisis multivariat

metode saling ketergantungan (interdependensi). Analisis klaster merupakan
suatu teknik analisis multivariat yang bertujuan untuk mengelompokkan data
observasi ataupun variabel-variabel kedalam kelompok sedemikian sehingga
 masing-masing kelompok bersifat homogen sesuai dengan faktor yang
digunakan untuk melakukan klaster, untuk mendapatkan kelompok yang
sedemikian mungkin, maka yang digunakan sebagai dasar klaster adalah
kesamaan skor nilai yang dianalisis sehingga masing-masing kelompok
bersifat homogen sesuai dengan faktor yang digunakan untuk melakukan
klaster, untuk mendapatkan kelompok yang sedemikian mungkin, maka yang
digunakan sebagai dasar klaster adalah kesamaan skor nilai yang dianalisis.
Data mengenai ukuran kesamaan tersebut kemudian dianalisis dengan
berbagai metode pada analisis klaster sehingga dapat ditentukan objek yang
masuk kelompok yang mana. Berbeda dengan teknik analisis multivariat
lainnya, analisis klaster tidak mengestimasi set variabel secara empiris
sebaliknya menggunakan set variabel yang ditentukan oleh peneliti itu
sendiri. Fokus dari analisis klaster adalah set variabel hal inilah yang
menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis dalam
analisis klaster. Langkah-langkah analisis klaster, yaitu:
1. Merumuskan masalah
2. Memilih metode pengukuran jarak
3. Memilih prosedur klaster
4. Menentukan jumlah klaster
5. Menginterpretasikan klaster yang terbentuk
6. Mengukur validitas klaster yang terbentuk

2.3 Metode Hirarki

Analisis kluster hirarki (hierarchical clustering) adalah suatu metode

pengelompokkan data yang dimulai dengan dua atau lebih obyek yang
memiliki kesamaan paling dekat, dari yang paling mirip sampai yang paling
tidak mirip. Berbeda dengan cluster hirarki, metode cluster non hirarki (Non-
hierarchical clustering) justru dimulai dari menentukan jumlah cluster yang
diinginkan, kemudian proses cluster dilakukan tanpa mengikuti proses
hirarki. Metode ini biasa disebut K-Means clustering (Anggara, 2016).

Beberapa metode klaster hirarki, antara lain:

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.

𝑑(𝑖𝑗)𝑘 = 𝑀𝑖𝑛 (𝑑𝑖𝑘 , 𝑑𝑗𝑘 ) (2.3.2)

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

klaster yang didapat dengan melakukan rata-rata pada semua anggota

suatu klaster tertentu. Dengan metode ini, setiap terjadi klaster baru, akan

terjadi perhitungan ulang centroid hingga terbentuk klaster tetap.

𝑑(𝑖𝑗)𝑘 = 𝑚𝑒𝑑𝑖𝑎𝑛 (𝑑𝑖𝑘 , 𝑑𝑗𝑘 ) (2.3.4)

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

minimum varian dalam suatu kelompok. Adapun ukuran jarak yang

digunakan dalam prosedur ini adalah

(𝑛𝑖 + 𝑛𝑘 )𝑑𝑖𝑘 (𝑛𝑗 + 𝑛𝑘 ) 𝑑𝑗𝑘 − 𝑛𝑘 𝑑𝑖𝑗

𝑑(𝑖𝑗)𝑘 = (2.3.5)
𝑛𝑖 + 𝑛𝑗 + 𝑛 𝑘

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).

2.4 Uji Kelayakan Data

Uji kelayakan data dilakukan dengan menggunakan Kaiser Meyer Olkin

(KMO). Uji KMO digunakan untuk mengetahui apakah data yang digunakan
dapat dianalisis lebih lanjut atau tidak dengan analisis klaster. Rumusan uji
KMO adalah

∑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)

2.5 Ukuran Kemiripan Jarak

Tujuan analisis klaster adalah untuk mengelompokkan objek berdasarkan

pada kemiripan, maka diperlukan suatu metode untuk mengukur kemiripan
atau perbedaan antar objek. Beberapa metode pengukuran jarak kemiripan
yaitu sebagai berikut (Gudono, 2015):
1. Jarak euclidean
Jarak euclidean adalah besarnya jarak suatu garis lurus yang

9
 menghubungkan antar objek. Perhitungan jarak euclidean sebagai
berikut:

𝑑𝑖𝑗 = √∑𝑝𝑘=1(𝑋𝑖𝑘 − 𝑋𝑗𝑘 )² (2.6.1)

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 :

𝑑𝑖𝑗 = ∑𝑝𝑘=1(𝑋𝑖𝑘 − 𝑋𝑗𝑘 )² (2.6.2)

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

nilai absolut perbedaan untuk masing-masing variabel. Perhitungan jarak

manhattan atau city blocksebagai berikut :

𝑑𝑖𝑗 = ∑𝑝𝑘=1|𝑋𝑖𝑘 − 𝑋𝑗𝑘 | (2.6.3)

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

kelompok (𝑆𝐵 ) yang maksimum (Bunkers, 2010). Formula untuk

menghitung simpangan baku dalam kelompok (𝑆𝑊 ) (Bunkers et.al, 2010) sebagai

berikut :

SW = 𝐾 −1 ∑𝐾
𝑘=1 𝑆𝑘 (2.7.1)

Jika diberikan klaster 𝑐𝑘 , dimana k=1,...,p, dan setiap klaster memiliki

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

baku ke-k 𝑆𝑘 digunakan rumus berikut:

1
Sk = 𝛴𝑘𝑛 (𝑥1 − 𝑋̅𝑘 )𝟐 (2.7.2)
𝑛−1

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

dirumuskan sebagai berikut :

SB = [(𝐾 − 1)−1 ∑𝐾 ̅ ̅ 2 1/2

𝑘=1(𝑋𝑘 − 𝑋 ) ] (2.7.3)

2.7 Perkebunan

Perkebunan adalah segala kegiatan yang mengusahakan tanaman tertentu

pada tanah dan/atau mediatumbuh lainnya dalam ekosistem yang sesuai,

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.

Perkebunan merupakan suatu andalan komoditas unggulan dalam menopang

pembangunan perekonomian Nasional Indonesia, baik dari sudut pandang
pemasukan devisa Negara maupun dari sudut pandang peningkatan
kesejahteraan masyarakat secara keseluruhan, dengan cara membuka
lapangan pekerjaan yang sangat terbuka luas. Dalam dictum menimbang UU
Nomor 18 Tahun 2004 Tentang Perkebunan dinyatakan bahwa, untuk
mewujudkan kesejahteraan dan kemakmuran rakyat secara berkeadilan,
maka perkebunan perlu dijamin keberlanjutan serta ditingkatkan fungsi dan
peranannya dan perkebunan sebagai salah satu.

12
2.8 Kerangka Pikir

Mulai

Pengambilan Data

Tidak Eksplorasi Data

Uji
Multikolinearitas

Ya

Menghitung Jarak Euclidean antar Objek

Pembentukan Klaster Menggunakan Single Linkage dan Complete Linkage

Interpretasi Klaster

Penentuan Metode Terbaik

dengan Uji Simpangan Baku

Kesimpulan

Selesai

13
Halaman ini sengaja dikosongkan
 BAB III

METODE PENELITIAN

3.1 Lokasi dan Tempat 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.

3.2 Populasi Penelitian

Populasi yang digunakan dalam penelitian ini adalah data perkebunan

Provinsi Sulawesi Tengah, sedangkan sampel yang diambil adalah data
perkebunan yang tersedia di Kabupaten/Kota yang berada di wilayah
Provinsi Sulawesi Tengah tahun 2016.

3.3 Prosedur Pengambilan Data

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).

3.4 Analisis Data

Analisis data dalam penelitian ini dilakukan menggunakan metode single

linkage dan complete linkage Hasilnya selanjutnya akan dianalisis dengan
menggunakan teori-teori yang telah dipaparkan dalam tinjauan pustaka.
Berikut adalah tahapan-tahapan yang akan dilakukan untuk menganalisis data
dalam penelitian ini:
 1. Menggumpulkan data yang diambil dari website resmi BPS (Badan Pusat
Statistik) Provinsi Sulawesi Tengah.
2. Melakukan analisis statistik deskriptif untuk mengkaji indikator
perkebunan Kabupaten/Kota di Provinsi Sulawesi Tengah dengan
menggunakan penyajian tabel.
3. Melakukan uji multikolinearitas untuk mengetahui adanya
multikolinearitas dengan menghitung nilai variance inflation factor (VIF).
4. Menghitung jarak kemiripan dan ketidakmiripan antar objek
menggunakan rumus jarak euclidean.
5. Pembentukan klaster menggunakan single linkage dan complete linkage.
6. Menginterprestasi klaster single linkage dan complete linkage
7. Membandingkan metode single linkage dan complete linkage.
8. Menentukan metode terbaik single linkage dan complete linkage
menggunakan uji simpangan baku.
9. Penarikan kesimpulan.

16
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Eksplorasi Data

Statistika deskriptif dilakukan untuk mengetahui gambaran secara umum

karakteristik dari indikator pertanian di Provinsi Sulawesi Tengah. Hasil analisis
deskriptif disetiap variabel yang digunakan adalah sebagai berikut:

Table 4.1 Analisis deskriptif setiap variabel

Nilai Nilai Simpangan
Variabel Rata-Rata
Minimum Maksimum Baku
X1 193.3 48331 14191.3 15797.06
X2 0 1039.9 225.18 281.91
X3 0.53 10276.28 1320.88 2752.95
X4 0 150 16.96 41.61
X5 0 36.25 12.49 13.59
X6 0 113.6 31.28 33.53
X7 0 991 165.4 273.82
X8 58.03 45918.3 12979.53 12832.92
X9 0 289.05 55 97.37
X10 0 96313.38 13449.06 26627.06

Tabel 4.1 di atas menunjukan statisktik deskriptif mengenai tujuan variabel

yang berhubungan dengan indikator perkebunan di kabupaten/kota di
Sulawesi Tengah.Berdasarkan Tabel 4.1 di atas diketahui bahwa peubah
kelapa (X1 ) memiliki nilai hasil perkebunan kelapa terendah sebesar 193.3 ton
yaitu pada kota Palu. Nilai hasil perkebunan kelapa tertinggi sebesar 48331
ton yaitu pada kabupaten Banggai. Hal ini menunjukkan bahwa
kabupaten/kota yang memiliki hasil perkebunan paling banyak adalah
kabupaten Banggai. NIlai rata rata sebesar 14191.3 ton dan nilai simpangan
baku sebesar 15797.06 ton.
 Kopi (X2 ) memiliki nilai hasil kebun terendah sebesar 0 yaitu kota Palu dan
kabupaten Sigi. Hasil kebun kopi tertinggi sebesar 1039.9 ton yaitu pada
kabupaten Poso. Nilai rata rata sebesar 225.18 ton dan nilai simpangan baku
sebesar 281.91ton.

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.)

4.2 Uji Multikolinearitas

Multikolinearitas adalah adanya hubungan atau korelasi antar variabel bebas.

Besaran (quality) yang dapat digunakan untuk mendeteksi adanya
multikolinearitas adalah Variance Inflation Factor (VIF). Pengambilan
keputuan uji VIF sebagai berikut:

Jika nilai VIF < 10, maka tidak terjadi multikolinearitas

Jika nilai VIF > 10, maka terjadi multikolinearitas

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.

4.3 Menentukan Ukuran Kemiripan dan Ketakmiripan

Sebelum melakukan klaster pada kabupaten/kota di pulau Sulawesi

berdasarkan indikator peternakan menggunakan centroid linkage, terlebih
dahulu dilakukan perhitungan jarak antar objek. Semakin besar jarak
menunjukkan ketaksamaan antar objek, sebaliknya semakin kecil jarak
menunjukkan kesamaan antar objek. Ukuran kesamaan antar objek yang
digunakan adalah jarak euclidean. Dengan menggunakan data pada (Lampiran
1) diperoleh hasil perhitungan jarak sebagai berikut:
1. Perhitungan jarak (kemiripan) antara kabupaten Banggai Kepulauan dan
Banggai (Objek 1 dan 2)

𝑑1,2 = √(1𝑝1 − 2𝑝1 )2 + (1𝑝2 − 2𝑝2 )2 + ⋯ + (1𝑝7 − 2𝑝7 )2

= √(2.95 − 305.23)2 + (837.41 − 628)2 + ⋯ + (0 − 21954)2

20
 = √91373.2 + 43852.55 + ⋯ + 481978116
= √4825244586.9
= 21966.44

Perhitungan jarak(kemiripan) antara kabupaten Banggai Kepulauan dan

Banggai menghasilkan jarak sebesar 21966.44
2. Perhitungan jarak (kemiripan) antara kabupaten Banggai Kepulauan dan
Morowali (Objek 1 dan 3)

𝑑1,3 = √(1𝑝1 − 3𝑝1 )2 + (1𝑝2 − 3𝑝2 )2 + … + (1𝑝7 − 3𝑝7 )2

= √(2.95 − 110.05)2 + ⋯ + (0 − 96313.38)2

= √11470.41 + ⋯ + 9276267167
= √9276884258
= 96316.589

Perhitungan kemiripan antar kabupaten Banggai Kepulauan dan Morowali

menghasilkan jarak sebesar 96316.589

4.4 Menentukan Cluster Optimum

Pada penelitian ini untuk mengelompokkan Kabupaten/Kota berdasarkan

indikator perkebunan digunakan klaster optimum untuk tingkat variasi di
dalam klaster yang baik. Klaster (k) optimum dipilih dengan menggunakan
scree plot seperti pada gambar berikut ini:

Gambar 4.1 scree plot

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

4.5 Pengklasteran Menggunakan Single Linkage

Hasil pengklasteran dengan menggunakan k = 4 dapat diilustrasikan dalam

bentuk dendogram. Seperti dendogram single linkage dibawah ini.

Berdasarkan Gambar 4.2 dapat diketahui bahwa terdapat 4 klaster dengan

rincian terdapat 1 Kabupaten pada klaster pertama, 4 Kabupaten pada klaster
kedua, 1 Kabupaten pada klaster ketiga dan 7 Kabupaten pada klaster
keempat.

Gambar 4.2 Cluster 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

Berdasarkan Tabel 4.3 di atas, dapat diketahui bahwa terdapat 4 klaster

dengan rincian terdapat 1 Kabupaten pada klaster pertama, 4 Kabupaten
pada klaster kedua, 1 Kabupaten pada klaster ketiga dan 7 Kabupaten pada
klaster keempat. Adapun anggota dari setiap klaster dapat dilihat pada Tabel
di bawah.

4.6 Pengklasteran Menggunakan Complete Linkage

Hasil pengklasteran dengan menggunakan k = 4 dapat diilustrasikan dalam

bentuk dendogram. Seperti dendogram complete linkage dibawah ini.

Gambar 4.4 Complete Linkage

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

3(C) Kabupaten Morowali Utara, Kabupaten Banggai

4(D) Kabupaten Donggala, Kabupaten Buol

Berdasarkan Tabel 4.5 diatas, menunjukkan hasil analisis yaitu

mengindikasikan adanya kedektan antar objek yang bisa dijadikan panduan
objek mana yang memiiki kemiripan karakteristik yang sama. Dua objek yang
dengan karakteristik sama akan digambarkan sebagai dua titik yang posisinya
berdekatan, semakin dekat posisi dua buah objek maka semakin mirip dan
begitu sebaliknya

4.7 Penentuan Metode Terbaik

4.7.1 Simpangan Baku Dalam Klaster

1. Metode Single Linkage

a. Klaster 1
Simpangan baku klaster 1 bernilai 0, karena klaster 1 hanya terdiri
dari satu Kabupaten/Kota dalam klaster, maka S tidak berpengaruh
(bernilai 0).
b. Klaster 2

(𝑋̅1 − 𝑋̅𝐵 )2 + ⋯ + (𝑋̅4 − 𝑋̅𝐵 )2

𝑆2 = √
𝐾−1

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

(𝑋̅1 − 𝑋̅𝐷 )2 + ⋯ + (𝑋̅7 − 𝑋̅𝐷 )2

𝑆4 = √
𝐾−1

(182.7414 − 1152.083)2 + ⋯ + (0.76 − 1152.083)2

𝑆4 = √
7−1

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

2. Metode Complete Linkage

a. Klaster 1
Simpangan baku klaster 1 bernilai 0, karena klaster 1 hanya terdiri
dari satu Kabupaten/Kota dalam klaster, maka S tidak berpengaruh
(bernilai 0).

25
 b. Klaster 2

(𝑋̅1 − 𝑋̅𝐵 )2 + ⋯ + (𝑋̅8 − 𝑋̅𝐵 )2

𝑆2 = √
𝐾−1

(182.74 − 2655.93)2 + ⋯ + (0.76 − 2655.93)2

𝑆2 = √
8−1

44865471.91
𝑆2 = √
7

𝑆2 = 2531.67

c. Klaster 3

(𝑋̅1 − 𝑋̅𝐶 )2 + (𝑋̅2 − 𝑋̅𝐶 )2

𝑆3 = √
𝐾−1

(3439.12 − 7021.62)2 + (3582.5 − 7021.62)2

𝑆3 = √
2−1

24669103.4
𝑆3 = √
1

𝑆3 = 4966.08
d. Klaster 4

(𝑋̅1 − 𝑋̅𝐷 )2 + (𝑋̅2 − 𝑋̅𝐷 )2

𝑆4 = √
𝐾−1

(2712.87 − 4829.9)2 + (2117.04 − 4829.9)2

𝑆4 = √
2−1

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

4.7.2 Simpangan Baku Antar Klaster

1. Metode Single Linkage

𝑋̅𝐴 + 𝑋̅𝐵 + 𝑋̅𝐶 + 𝑋̅𝐷

𝑋̅ =
4
13831.25 + 11851.53 + 1503.85 + 1152.08
𝑋̅ =
4
𝑋̅ = 7084.68
𝐾 1/2
S B = [ (𝐾 − 1 )−1 ∑ (𝑋̅𝑘 − 𝑋̅)2 ]
𝑘=1

SB = (44860176.7)1/2
SB = 6697.77

2. Metode Complete Linkage

𝑋̅𝐴 + 𝑋̅𝐵 + 𝑋̅𝐶 + 𝑋̅𝐷

𝑋̅ =
4
13831.25 + 2655.93 + 7021.63 + 4829.9
𝑋̅ =
4
𝑋̅ = 7084.68
𝐾 1/2
SB = [(𝐾 − 1)−1 ∑ (𝑋̅𝑘 − 𝑋̅ )2 ]
𝑘=1

SB = (23406009.6)1/2
SB = 4837.98

4.7.3 Perbandingan Rasio Simpangan Baku

1. Metode Single Linkage

𝑆𝑤
𝑅𝑎𝑠𝑖𝑜 =
𝑆𝐵
2839.98
=
6697.77
= 0.424

27
 2. Metode Complete Linkage

𝑆𝑤
𝑅𝑎𝑠𝑖𝑜 =
𝑆𝐵

2734.72
=
4837.98

= 0.565

Rasio Metode Single Linkage dan Metode Complete Linkage

Hasil perhitungan rasio simpangan baku diperoleh sebagai berikut ini.
Tabel 4.6 Hasil Perbandingan Rasio
Metode Single Linkage Metode Complete Linkage
Rasio
0.42 0.56

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

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil dan pembahasan yang telah dilakukan sebelumnya maka

diperoleh beberapa kesimpulan sebagai berikut:
1. Pada pengklasteran menggunakan metode single linkage, pengklasteran
13 kabupaten/kota. Diperoleh 4 klaster agar proses pengembangan hasil
perkebunan lebih spesifik pada tiap kabupaten/kota. Dapat diketahui
bahwa terdapat 4 klaster dengan rincian terdapat 1 Kabupaten pada
klaster pertama, 4 Kabupaten pada klaster kedua, 1 Kabupaten pada
klaster ketiga dan 7 Kabupaten pada klaster keempat.
2. Pada pengklasteran menggunakan metode complete linkage,
pengklasteran 13 kabupaten/kota. Dibagi menjadi 4 klaster
menggunakan scree plot agar proses pengembangan hasil perkebunan
lebih spesifik pada tiap kabupaten/kota. 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.
3. Berdasarkan nilai rasio pada masing-masing metode. 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 metode single linkage lebih baik dibandingkan dengan metode
complete linkage.
5.2 Saran

1. Menggunakanukuran jarak dan penentuan klaster terbaik yang berbeda

dengan yang telah digunakan oleh penulis.
2. Dipertimbangkan untuk penelitian selanjutnya adalah dapat
menggunakan metode hirarki yang lain untuk mendapatkan hasil yang

30
 DAFTAR PUSTAKA

Anggara, M. (2016). Pemilihan Distance Measure pada K-Means Clustering Untuk

Pengelompokan Member di Alvaro Fitnes. Jurnal Sistem dan Teknologi
Informasi (JUATIN). Vol.1. No.1.

Bunkers, W. J., Miller, J. R., & DeGaetano, A. T. (2010). Definition of Climate

Regions in the Northern Plains Using an Objective Cluster Modification
Technique. J.Climate 9:130-146.

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.

Gudono. (2015). Analisis Data Multivariat Edisi Empat. Yogyakarta: BPFE.

Hardius, U., dan Nurdin, S. (2013). Aplikasi Teknik Multivariate untuk Riset
Pemasaran. Jakarta: Raja Grafindo Persada.

Liantoni, F., Ramadijanti, N., Mubtada’i, N. R. (2010). Klasifikasi Daun Dengan

Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun. Surabaya
: ITS.

Merlina. (2015). Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means.
Purwekerto : Institut Teknologi Telkom.

Mu’afa, S. F & Ulinnuha. N. (2019). Perbandingan Metode Single Linkage,

Complete Linkage Dan Average Linkage Dalam Pengelompokan Kecamatan
Berdasarkan Variabel Jenis Ternak Kabupaten Sidoarjo. Surabaya :
Universitas Sunan Ampel.

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.

Republik Indonesia. 2014. Undang-undang Republik Indonesia Nomor 18 Tahun

2004 Tentang Perkebunan. Jakarta: Kementrian Pertanian.

Risza, S. (2010). Masa Depan Perkebunan Kelapa Sawit. Kanisius, Yogyakarta.

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.

Wijaya, T. (2010). Analisis Multivariat. Universitas Atma Jaya Yogyakarta,

Yogyakarta. 2010

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

Lampiran 2. Rata-Rata Variabel Setiap Klaster (Single Linkage)

Variabel Kluster 1 Kluster 2 Kluster 3 Kluster 4
Kopi 110.5 837.05 172.4 1807.88
Cengkeh 79.73 2393.51 10276.28 4421.85
Lada 3.8 63.96 36.25 58.39
Pala 46 96.03 42 222.65
Jambu Mete 208.8 1152.27 0 789.37
Sagu 57 654.75 0 3.19
Kelapa Sawit 96313.38 77763.17 0 761.25
Rata-Rata 13831.25 11851.53 1503.847 1152.083

33
Lampiran 3. Rata-Rata Variabel Setiap Klaster (Complete Linkage)

Variabel Kluster 1 Kluster 2 Kluster 3 Kluster 4

Kopi 110.5 1980.28 315.19 521.86
Cengkeh 79.73 14698.13 654.58 1738.93
Lada 3.8 94.64 22.15 41.81
Pala 46 264.65 20.5 75.53
Jambu Mete 208.8 789.37 997.67 154.6
Sagu 57 3.19 363.95 290.8
Kelapa Sawit 96313.38 761.25 46777.35 30985.82
Rata-Rata 13831.25 2655.93 7021.627 4829.90

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)

# menghitung nilai VIF

mod <- lm(KelapaSawit ~ ., data=data)

# membuat data baru tanpa x1, x4, x8

data <- data[, c(-1, -4, -8)]
head(data)

# menghitung jarak euclidean

d <- round(dist(x = data, method = "euclidean"), 2)

# melihat jumlah k optimal

fviz_nbclust(data, hcut, method = "wss")

# -------------------- Single linkage ----------------------

metode_single4 <- hclust(d, method = "single")
plot(metode_single4)

rect.hclust(metode_single4, 4, border = 2:5)

anggota_single4 <- cutree(metode_single4, 4)

anggota_single4

fviz_cluster(list(data = data, cluster = anggota_single4))

tabel_single4 <- data.frame(anggota_single4)

tabel_single4

# ------------------------ Complete linkage ------------------------------

metode_complete4 <- hclust(d, method = "complete")
metode_complete4
plot(metode_complete4)

35
rect.hclust(metode_complete4, 4, border = 2:5)

anggota_complete4 <- cutree(metode_complete4, 4)

anggota_complete4

fviz_cluster(list(data = data, cluster = anggota_complete4))

tabel_complete4 <- data.frame(anggota_complete4)

tabel_complete4

data.frame(single=tabel_single4, complete=tabel_complete4)

36