UJI VALIDITAS DAN UJI RELIABILITAS SERTA ANALISIS

CLUSTER PADA LUAS AREAL DI 3 STATUS PERKEBUNAN

KELAPA SAWIT MENURUT PROVINSI TAHUN 2019

Diajukan untuk melengkapi tugas yang diberikan oleh Irmeilyana, S.Si., M.Si. pada mata
kuliah Biostatitika

DISUSUN OLEH:

Desfarina Fitriani (08011182025006)

Verti Mona Despalia (08011182025018)

JURUSAN MATEATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SRIWIJAYA
2022
A. PENDAHULUAN
1. Masalah
Luas areal perkebunan kelapa sawit di Indonesia seiring berjalannya waktu mengalami
tren yang meningkat. Kementerian Pertanian (Kementan) mencatat, luas perkebunan minyak
kelapa sawit mencapai 14,5 juta hektare (ha) pada 2019. Luas perkebunan tersebut naik 1,4%
dibanding tahun sebelumnya yang seluas 14,3 juta ha. Dari 14,5 juta ha, mayoritas dimiliki
oleh Perkebunan Besar Swasta (PBS) yaitu seluas 8 juta ha (55,2%). Kemudian, Perkebunan
Rakyat (PR) seluas 5,9 juta ha (40,7%) dan Perkebunan Besar Negara (PBN) seluas 0,6 juta ha
(4,1%). Areal perkebunan kelapa sawit tersebar di 26 provinsi di Indonesia. Provinsi Riau
memiliki areal perkebunan kelapa sawit terluas dengan 2,7 juta ha pada 2019 atau 18,6% dari
total luas areal perkebunan kelapa sawit di tahun tersebut. Lalu dari data luas areal di 3 status
perkebunan kelapa sawit menurut provinsi tahun 2019 akan dilakukan analisis cluster, uji
validitas dan uji reliabilitas.

2. Teori
Analisis data dilakukan dengan menggunakan analisis cluster. Sebelum itu perlu
dilakukan uji validitas dan reliabilitas terlebih dahulu. Validitas mengarahkan sampai
dimanakah tolak ukur apa saja yang ingin diukur, pengukuran itu mengukur apa yang ingin di
ukur dan sejauh mana alat ukur yang dipakai untuk mengenai sasaran. Jika semakin besar suatu
validitas tersebut, maka alat ukur itu mengenai pada tujuannya. Seperti hal nya contoh bahwa
penggaris dinyatakan benar – benar valid jika dipakai untuk mengukur suatu panjang benda,
namun tidak dinyatakan valid jika dipakai untuk mengukur benda. Artinya adalah penggaris
memang benar dan tepat dipakai untuk mengukur apa yang seharusnya diukur itu.
Adapun pengujian validitas statistika mengacu pada kriteria yakni R Hitung < r Kritis
maka tidak valid dan R Hitung > r Kritis maka valid. Berikut ini disajikan rumus korelasi untuk
mencari koefisien korelasi hasil uji instrumen dengan uji kriterianya.

Keterangan:
rxy = koefisien korelasi
n = jumlah responden
xi = skor setiap item pada instrumen
yi = skor setiap item pada kriteria
Nilai koefisien ini disebut sebagai koefisien validitas (Fraenkel, Wallen, & Hyun, 2012). Nilai
koefisien validitas berkisar antara +1,00 sampai -1,00. Nilai koefisien +1,00 mengindikasikan
bahwa individu pada uji instrumen maupun uji kriteria, memiliki hasil yang relatif sama,
sedangan jika koefisien validitas bernilai 0 mengindikasikan bahwa tidak ada hubungan antara
instrumen dengan kriterianya. Semakin tinggi nilai koefisien validitas suatu instrumen, maka
semakin baik instrumen tersebut.
Kemudian sehabis dilakukan uji validitas atas pertanyaan yang dipakai di penelitian ini ,
berikutnya akan dilakukan uji ketepatan/keandalan output suatu ukuran yakni uji reliabilitas.
Ukuran yang memiliki reliabilitas yang cukup tinggi, yaitu ukuran yang bisa memnampilkan
output ukur yang dapat terpercaya (reliabel). Reliabilitas adalah salah satu ciri atau objek utama
instrumen pengukuran yang baik. Namun terkadang reliabilitas disebut juga sebagai ketepatan,
bisa diandalkan, stabilitas, dan sebagainya, namun ide pokok dalam konsep reliabilitas adalah
sejauh mana hasil suatu tolak ukur yang dapat dipercaya, dan artinya sejauh mana output
pengukuran terbebas dari kesalahan ukuran (measurement error). Pengujian reliabilitas
menggunakan uji Cronbach’s Alpha, item dikatakan reliabel jika nilai Cronbach’s Alpha lebih
dominan dari nilai kritis atau fatal. Rumus Cronbach’s Alpha (Sugiono, 2007:365) sebagai
berikut:

Keterangan:
𝑟𝑖 = koefisien reliabilitas Cronbach’s Alpha
𝑛 = jumlah item
𝑆𝑖 2 = varians total
∑ 𝑆𝑖 2 = jumlah varians skor tiap item
Rumus varians item dan varians total,
Keterangan:
Si2 = varians tiap item
JKi = jumlah kuadrat seluruh skor item
JKs = jumlah kuadrat subjek
n = jumlah responden
St2 = varians total
Xt = skor total
Jika koefisien reliabilitas Alfa Cronbach telah dihitung (ri), nilai tersebut kemudian
dibandingkan dengan kriteria koefisien reliabilitas Alfa Cronbach untuk instrumen yang
reliabel. Menurut Nunnally (dalam Streiner, 2003) menyatakan bahwa instrumen dikatakan
reliabel jika koefisien reliabilitas Alfa Cronbach lebih dari 0,70 (ri > 0,70) dan Streiner sendiri
(2003) menyatakan bahwa koefisien reliabilitas Alfa Cronbach, tidak boleh lebih dari 0,90 (ri
< 0,9). Dan jika koefisien reliabilitas Alfa Cronbach kurang dari 0,70 (ri < 0,70), Tavakol &
Dennick (2011) menyarankan untuk merevisi atau menghilangkan item soal yang memiliki
korelasi yang rendah. Cara mudah menentukan item soal tersebut adalah dengan bantuan
program di komputer. Jika koefisien reliabilitas Alfa Cronbach lebih dari 0,90 (ri > 0,90),
mereka pun memiliki saran. Mereka menyarankan untuk mengurangi jumlah soal dengan
kriteria soal yang sama meskipun dalam bentuk kalimat yang berbeda.
Setelah dilakukan uji validitas dan reliabilitas, maka dapat dilakukan analisis cluster.
Clutering adalah proses membuat pengelompokan sehingga semua anggota dari setiap partisi
mempunyai persamaan berdasarkan matriks tertentu. Analisis cluster atau analisis kelompok
merupakan teknik analisis data yang bertujuan untuk mengelompokan individu atau objek ke
dalam beberapa kelompok yang memiliki sifat berbeda antar kelompok, sehingga individu atau
objek yang terletak di dalam satu kelompok akan mempunyai sifat relatif homogen. Tujuan
analisis cluster adalah mengelompokan objek-objek tersebut.
Analisis Cluster memiliki beberapa kelebihan dan juga kekurangan. Kelebihan analisis
cluster yakni dapat mengelompokan data observasi dalam jumlah besar dan variabel yang
relatif banyak, data yang di reduksi dengan kelompok akan mudah dianalisis dan dapat dipakai
dalam skala data ordinal, interval dan rasio. Kelemahan analsis cluster yakni pengelompokan
bersifat subjektifitas peneliti karena hanya melihat dari gambar dendogram, untuk data
heterogen antara objek penelitian yang satu dengan yang lain akan sulit bagi peneliti untuk
menentukan jumlah kelompok yang di bentuk, metode-metode yang dipakai memberikan
perbedaan yang signifikan, sehingga dalam perhitungan biasanya masing-masing metode
dibandingkan dan semakin besar observasi, biasanya tingkat kesalahan akan semakin besar.
 B. TUJUAN
Dilakukannya pengujian dan analisis ini adalah untuk mengetahui bahwa data yang akan
dianalisis benar-benar baik dalam mengukur gejala/menghasilkan data yang valid dan untuk
megetahui sejauhmana hasil pengukuran dengan alat tersebut dapat dipercaya, hasil
pengukuran harus reliabel dalam artian harus memiliki tingkat konsistensi dan kemantapan.
Dan dilakukannya analisis cluster yakni untuk mengelompokkan objek-objek berdasarkan
kesamaan karakteristik di antara objek-objek tersebut.

C. DATA
Jumlah
No Provinsi Luas PR Luas PN Luas PS Rata- rata Varians
Luas
1 Aceh 240365 37582 209579 37582 162508,667 7961298988
Sumatera
2 439315 305372 628586 305372 457757,667 17581280943
Utara
Sumatera
3 219661 8403 151598 8403 126554 7751924729
Barat
4 Riau 1733959 79244 928418 79244 913873,667 4,56453E+11
Kepulauan
5 1281 0 6115 0 2465,33333 6933526,889
Riau
6 Jambi 651712 20430 362662 20430 344934,667 66576623094
Sumatera
7 637676 38918 514807 38918 397133,667 66675363783
Selatan
Kep.
8 Bangka 70671 0 154490 0 75053,6667 3987463900
Belitung
9 Bengkulu 209178 829 100665 829 103557,333 7239067096
10 Lampung 109609 10225 73170 10225 64334,6667 1685228134
DKI
11 0 0 0 0 0 0
Jakarta
12 Jawa Barat 304 10174 3238 10174 4572 17125928
13 Banten 6868 9997 2377 9997 6414 9780458
Jawa
14 0 0 0 0 0 0
Tengah
DI
15 0 0 0 0 0 0
Yogyakarta
 Jawa
16 0 0 0 0 0 0
Timur
17 Bali 0 0 0 0 0 0
Nusa
18 Tenggara 0 0 0 0 0 0
Barat
Nusa
19 Tenggara 0 0 0 0 0 0
Timur
Kalimantan
20 564338 28977 1424141 28977 672485,333 3,30262E+11
Barat
Kalimantan
21 380088 0 1541996 0 640694,667 4,3025E+11
Tengah
Kalimantan
22 106411 5453 359400 5453 157088 22163825633
Selatan
Kalimantan
23 255919 19716 978589 19716 418074,667 1,66387E+11
Timur
Kalimantan
24 37319 0 118060 0 51793 2427775605
Utara
Sulawesi
25 0 0 0 0 0 0
Utara
26 Gorontalo 3653 0 8096 0 3916,33333 10958874,89
Sulawesi
27 54084 0 83455 0 45846,3333 1194719080
Tengah
Sulawesi
28 28423 20264 3080 20264 17255,6667 111569642,9
Selatan
Sulawesi
29 104766 0 51304 0 52023,3333 1829577846
Barat
Sulawesi
30 6731 6500 48490 6500 20573,6667 389669726,9
Tenggara
31 Maluku 853 0 9149 0 3334 17028380,67
Maluku
32 0 0 5541 0 1847 6822818
Utara
33 Papua 14244 15417 144026 15417 57895,6667 3709446482
 Papua
34 19347 0 31303 0 16883,3333 166347794,9
Barat
Jumlah 5896775 617501 7942335 617501
Rata-rata 173434,5588 18161,7941 233598,0882 18161,7941
Varians 1,09753E+11 2764386199 1,60152E+11 2764386199
Sumber data: Buku Statistik Perkebunan Unggulan Nasional 2019-2021 halaman 15-16.

D. METODE
1. Uji Validitas dan Reabiltas
a. Uji Validitas

Langkah awal adalah salin data luas areal yang bersumber atas buku Statistik Perkebunan
Unggulan Nasional 2019-2021 di excel seperti tampak pada gambar di atas.

Kemudian buka aplikasi SPSS dan input data yang ada di excel ke aplikasi SPSS seperti tampak
pada gambar di atas.
Pada Menu, klik Analyze, Correlate, Bivariate Correlations. Kemudian masukkan semua item
ke kotak Variables. Pada Correlation Coefficients centang kotak Pearson lalu klik Two-tailed
pada Test of Significance dan centang pula Flag significant correlations, seperti tampak gambar
di atas.

Lalu klik Options dan klik Exclud cases pairwise seperti tampak gambar di atas, kemudian
klik Continue.

Setelah itu, akan balik ke tampilan sebelumnya. Kemudian klik Ok.

Setelah di klik Ok tadi maka muncul lah ouput berupa tabel Correlations, seperti tampak pada
gambar di atas.

b. Uji Reabilitas

Sama seperti uji validitas sebelumnya, kita menggunakan data yang sama yakni data luas areal
yang bersumber atas buku Statistik Perkebunan Unggulan Nasional 2019-2021 di excel seperti
tampak pada gambar di atas.

Kemudian buka aplikasi SPSS dan input data yang ada di excel ke aplikasi SPSS seperti tampak
pada gambar di atas.
Pada Menu, klik Analyze, Scale, Relliability Analysis, seperti tampak pada gambar di atas.

Kemudian masukkan semua item ke kotak Items. Pada Combobox Model, pilih Alpha lalu klik
Ok.

Setelah di klik Ok tadi maka muncul lah ouput berupa tabel Case Processing Summary dan
Realibillity Statistic, seperti tampak pada gambar di atas.
2. Uji Cluster

Sama seperti uji validitas dan uji reliabilitas sebelumnya, kita menggunakan data yang sama
yakni data luas areal yang bersumber atas buku Statistik Perkebunan Unggulan Nasional 2019-2021
di excel seperti tampak pada gambar di atas.
Kemudian buka aplikasi SPSS dan input data yang ada di excel ke aplikasi SPSS seperti tampak
pada gambar di atas, secara berurut gambar diatas berupa Data View dan Variabel View.

Pada Menu, klik Analyze, Classify, K-Means Cluster Analysis, seperti tampak pada gambar di
atas.
Kemudian masukkan semua item kecuali Provinsi ke kotak Variabels dan untuk Provinsi
masukkan ke kotak Label Cases by. Pada Combobox Number of Clusters isi angka 2 dan untuk
Method pilih/klik Iterare and classify.

Selanjutnya klik Save, centang Cluster membership lalu klik Continue.

Selanjutnya akan kembali seperti sebelumnya dan klik Options lalu centang Initial cluster
centers, Anova table dan Cluster information for each case pada combobox Statistics. Untuk
combobox Missing Value klik/pilih exclude cases listwise, seperti tampak pada gambar di atas
kemudian klik Continue.
Setelah itu, akan balik ke tampilan sebelumnya. Kemudian klik Ok.

Setelah di klik Ok tadi maka muncul lah beberapa ouput, seperti tampak pada gambar di atas.

E. HASIL DAN PEMBAHASAN

1. Uji Validitas dan uji reliabilitas
Provinsi Luas PR (X1) Luas PN (X2) Luas PS (X3) Xtot
Aceh 240365 37582 209579 487526
Sumatera Utara 439315 305372 628586 1373273
Sumatera Barat 219661 8403 151598 379662
Riau 1733959 79244 928418 2741621
Kepulauan Riau 1281 0 6115 7396
Jambi 651712 20430 362662 1034804
Sumatera Selatan 637676 38918 514807 1191401
Kep. Bangka Belitung 70671 0 154490 225161
Bengkulu 209178 829 100665 310672
Lampung 109609 10225 73170 193004
DKI Jakarta 0 0 0 0
Jawa Barat 304 10174 3238 13716
Banten 6868 9997 2377 19242
Jawa Tengah 0 0 0 0
DI Yogyakarta 0 0 0 0
Jawa Timur 0 0 0 0
Bali 0 0 0 0
Nusa Tenggara Barat 0 0 0 0
Nusa Tenggara Timur 0 0 0 0
Kalimantan Barat 564338 28977 1424141 2017456
Kalimantan Tengah 380088 0 1541996 1922084
Kalimantan Selatan 106411 5453 359400 471264
Kalimantan Timur 255919 19716 978589 1254224
Kalimantan Utara 37319 0 118060 155379
Sulawesi Utara 0 0 0 0
Gorontalo 3653 0 8096 11749
Sulawesi Tengah 54084 0 83455 137539
Sulawesi Selatan 28423 20264 3080 51767
Sulawesi Barat 104766 0 51304 156070
Sulawesi Tenggara 6731 6500 48490 61721
Maluku 853 0 9149 10002
Maluku Utara 0 0 5541 5541
Papua 14244 15417 144026 173687
Papua Barat 19347 0 31303 50650

X1Xtot X2Xtot X3Xtot

1 247161 449944 277947
2 933958 1067901 744687
3 160001 371259 228064
4 1007662 2662377 1813203
5 6115 7396 1281
6 383092 1014374 672142
7 553725 1152483 676594
8 154490 225161 70671
9 101494 309843 210007
10 83395 182779 119834
11 0 0 0
12 13412 3542 10478
13 12374 9245 16865
14 0 0 0
15 0 0 0
16 0 0 0
17 0 0 0
18 0 0 0
19 0 0 0
 20 1453118 1988479 593315
21 1541996 1922084 380088
22 364853 465811 111864
23 998305 1234508 275635
24 118060 155379 37319
25 0 0 0
26 8096 11749 3653
27 83455 137539 54084
28 23344 31503 48687
29 51304 156070 104766
30 54990 55221 13231
31 9149 10002 853
32 5541 5541 0
33 159443 158270 29661
34 31303 50650 19347

r_tabel 0,878
r_total 0,889 0,453 0,918
r_corrected 0,662 0,389 0,644

Untuk X1-X3
S^2 1E+11 3E+09 2E+11 5E+11

Untuk X1Xtot-
X3Xtot
S^2 2E+11 5E+11 1E+11

alpha_total 0,630
alpha_corrected -4,344 -1,685 -7,289

Berikut hasil output menggunakan aplikasi SPSS:

2. Analisis cluster
Berikut hasil output analisis cluster dengan menggunakan aplikasi SPSS:
a. Final Cluster Centers

Interpretasi :
Tabel Final Cluster Centers merupakan tabel yang berisi nilai tengah/rata-rata dari setiap
variabel (Luas Perkebunan) yang dibagi berdasarkan setiap cluster. Dari output diatas,
diperoleh :
 Pada variabel Luas Perkebunan Rakyat diperoleh nilai rata-rata : Cluster 2 > Cluster 1
 Pada variabel Luas Perkebunan negara diperoleh nilai rata-rata : Cluster 2 > Cluster 1
 Pada variabel Luas Perkebunan Swata diperoleh nilai rata-rata : Cluster 2 > Cluster 1
Dari hasil diatas diperoleh Cluster 2 > Cluster 1 atau dapat kita kategorikan sebagai berikut :
 Cluster 2 : Kelompok luas wilayah yang luas perkebunannya paling luas.
 Cluster 1 : Kelompok luas wilayah yang luas perkebunannya tidak luas (sempit).

b. Jumlah Item per Kelompok

Interpretasi :
Output diatas adalah banyaknya pembagian wilayah pada setiap cluster, sehingga diperoleh:
 Cluster 1 (Kelompok luas wilayah yang luas perkebunannya tidak luas) terdapat 30 wilayah.
 Cluster 2 (Kelompok luas wilayah yang luas perkebunannya paling luas) terdapat 4 wilayah.

c. Pembagian Kelompok

Output diatas merupakan pembagian luas wilayah yang berdasarkan kelompok.

Berikut pembagian kelompok dari luas wilayah :
 Luas wilayah yang (paling luas) Luas wilayah yang (tidak luas/sempit)
di setiap Provinsi di setiap Provinsi
Riau Aceh DI Yogyakarta
kalimantan Barat Sumtera Utara Jawa Timur
Kalimantan Tengah Sumatera Selatan Bali
Kalimantan Timur Kepulauan Riau Nusa Tenggara Barat
Jambi Nusa tenggara Timur
Sumatera Barat Kalimantan Selatan
Kep. Bangka Belitung Sulawesi Utara
Bengkulu Gorontalo
Lampung Sulawesi Tengah
DKI Jakarta Sulawesi Barat
Jawa Barat Sulawesi Selatan
Banten Sulawesi Tenggara
Jawa Tengah Maluku
Papua Maluku Utara
Papua Barat Kalimantan Utara

d. Initial Cluster Centers

Interpretasi :
Output diatas menjelaskan tentang suatu tampilan pertama dalam proses clustering data sebelum
dilakukan iterasi.

e. Iteration History
Interpretasi :
Output diatas menjelaskan tentang bahwasanya tahapan clustering cukup dengan 3 iterasi saja. Dan
angka 1968464.734 menunjukkan jarak minimum.

f. Distances Between Final Cluster Centers

Interpretasi :
Output diatas menjelaskan jarak antar cluster, semakin besar nilai maka semakin besar jarak antar
cluster, diperoleh :
 Cluster 1 berjarak dengan Cluster 2 sebesar 1284002.035
 Cluster 2 berjarak dengan Cluster 1 sebesar 1284002.035
sehingga dapat disimpulkan bahwa baik jarak antara Cluster 1 dengan Cluster 2 dan Cluster 2 dengan
Cluster 1 sama besar yaitu 1284002.035.

g. Anova

Interpretasi :
Output diatas digunakan untuk menguji apakah masing-masing Cluster berbeda secara
signifikan. Untuk mempermudah kita menggunakan p-value signifikansi saja. Untuk
hipotesisnya sebagai berikut :
H0 : Kedua Cluster tidak ada perbedaan yang signifikan
H1 : kedua Cluster ada perbedaan yang signifikan
Tolak H0 Jika nilai p-value < 0.05
Pada output diatas dapat kita lihat bahwa nilai p-value pada variabel Luas Perkebuanan Rakyat
sebesar 0.000, variabel Luas Perkebunan Negara sebesar 0.589, dan variabel Luas Perkebunan
Swata sebesar 0.000. Sehingga dapat disimpulkan bahwa ketiga (3) variabel tersebut tidak ada
perbedaan yang signifikan karena pada salah satu variabel-nya yaitu variabel Luas Perkebunan
Negara nilai p-value yang didapat > 0.05.
h. Number of Cases in each Cluster

Interpretasi :
Output diatas meberikan gambaran jumlah responden yang masuk ke dalam setiap Cluster, yaitu Cluster
1 terdapat 30 responden dan Cluster 2 terdapata 4 respnden.

F. KESIMPULAN
Berdasarkan hasil uji validitas dan reliabilitas dapat ditarik kesimpulan bahwa:
1. Terlihat dari 3 data diatas, tidak ada data yang nilainya lebih tinggi dari nilai r tabel (0.878).
Sehingga semua data diatas dapat dinyatakan tidak valid.
2. Berdasarkan hasil uji yang telah kita lakukan, nilai r alpha (0.630). Yang mana nilai r alpha
tersebut lebih kecil dari pada nilai r tabel (0.879), sehingga dapat dikatakan bahwa 3 data di
atas dinyatakan tidak reliabel.
Berdasarkan hasil analisis cluster dapat ditarik kesimpulan bahwa:
No Variabel Nilai F Signif. Ket Cluster
1 Luas Perkebunan Rakyat 19,710 0,000 Signifikan Cluster 2
2 LuasPerkebunan Negara 0,298 0,589 Tidak Signifikan Cluster 2
3 Luas Perkebunan Swasta 134,012 0,000 Signifikan Cluster 2