BAB IV

HASIL DAN PEMBAHASAN

4.1 Sari Numerik

Sari numerik bertujuan untuk mendeskripsikan data menjadi informasi yang
lebih jelas dan mudah dipahami yang dapat memberikan gambaran terkait
variabel-variabel yang digunakan dalam penelitian. Penelitian ini menggunakan 4
variabel indikator pembentuk IPM. Berikut adalah analisis sari numerik dari 4
variabel Indikator IPM yaitu UHH, HLS, RLS, dan PPP.

Tabel 4.1 Sari numerik data penelitian

Std.
Variabel N Min Q1 Median Q3 Maks Mean
Deviasi
UHH 15 63,5 68,8 69,4 70,04 71,63 69,23 1,927
HLS 15 11,63 12,115 12,36 12,84 14,64 12,63 0,863
RLS 15 6,88 7,535 7,7 8,135 10,96 8,11 1,2151
PPP 15 7892 8595 9875 10473 12197 9718 1366

Untuk mengetahui karakteristik dari 4 variabel indikator IPM maka

dilakukan analisis sari numerik yang akan divisualisasikan dalam bentuk Box-plot
pada Gambar 4.1

Gambar 4.1 Box-plot HLS, RLS, dan UHH

21
A. Sari numerik Umur Harapan Hidup (UHH)
Berdasarkan Tabel 4.1 hasil analisis sari numerik di atas menunjukkan
bahwa N atau jumlah data variabel 𝑋1 UHH yang valid berjumlah 15. Dari 15 data
tersebut, memiliki nilai minimum sebesar 63.5 yang terdapat pada Kabupaten
Pesisir Barat, nilai maksimum sebesar 71.63 yaitu Kota Metro, nilai rata-rata
(mean) sebesar 69.23, dan nilai standar deviasi sebesar 1.927. Berdasarkan
Gambar 4.1 hasil visualisasi Box-plot dari variabel 𝑋1 UHH terdapat pencilan
bawah (outlier) yaitu Kabupaten Pesisir Barat dengan nilai UHH paling minimum
yang nilainya berbeda jauh dengan data yang lain yaitu 63,5 tahun.

B. Sari numerik Harapan Lama Sekolah (HLS)

Berdasarkan Tabel 4.1 hasil analisis sari numerik di atas menunjukkan
bahwa N atau jumlah data 𝑋2 HLS yang valid berjumlah 15. Dari 15 data tersebut,
memiliki nilai minimum sebesar 11.63 yang terdapat pada Kabupaten Mesuji,
nilai maksimum sebesar 14.64 yaitu Kota Bandar Lampung, nilai rata-rata (mean)
sebesar 12.63, dan nilai standar deviasi sebesar 0.863. Berdasarkan Gambar 4.1
hasil visualisasi Box-plot dari variabel 𝑋2 HLS terdapat pencilan atas (outlier)
yaitu Kota Metro dan Kota Bandar Lampung yang memiliki nilai HLS terbesar
diantara 13 Kabupaten lainnya.

C. Sari numerik Rata-Rata Lama Sekolah (RLS)

Berdasarkan Tabel 4.1 hasil analisis sari numerik di atas menunjukkan
bahwa N atau jumlah data variabel X3 RLS yang valid berjumlah 15. Dari 15 data
tersebut, memilik nilai minimum sebesar 6.88 yang terdapat pada Kabupaten
Mesuji, nilai maksimum sebesar 10.96 yaitu Kota Metro, nilai rata-rata (mean)
sebesar 8.11, dan nilai standar deviasi sebesar 1.21509. Berdasarkan Gambar 4.1
hasil visualisasi Box-plot dari variabel X3 RLS terdapat pencilan atas (outlier)
yaitu Kota Metro dan Kota Bandar Lampung yang memiliki nilai RLS terbesar
diantara 13 Kabupaten lainnya.

22
D. Sari numerik Pengeluaran Perkapita (PPP)
Berdasarkan Tabel 4.1 hasil analisis sari numerik di atas menunjukkan
bahwa N atau jumlah data variabel 𝑋4 PPP yang valid berjumlah 15. Dari 15 data
tersebut, memiliki nilai minimum sebesar 7892 yang terdapat pada Kabupaten
Pesawaran, nilai maksimum sebesar 12197 yaitu Kota Bandar Lampung, nilai
rata-rata (mean) sebesar 9718, dan nilai standar deviasi sebesar 1365,983.

4.2 Standardisasi Data

Standardisasi dilakukan apabila terdapat perbedaan satuan yang signifikan
diantara variabel-variabel yang diteliti. Penelitian ini menggunakan empat
variabel dengan satuan yang berbeda-beda. Berdasarkan hal tersebut, maka perlu
dilakukan standardisasi data sebelum dianalisis lebih lanjut. Proses standardisasi
dilakukan dengan mentransformasi data kedalam bentuk nilai standar atau Z-
Score. Hasil standardisasi menggunakan persamaan Z-Score dengan bantuan
Microsoft Excel dapat dilihat pada Lampiran 2.

4.3 Pengelompokkan Kabupaten/Kota Provinsi Lampung Berdasarkan

Indikator Indeks Pembangunan Manusia (IPM) Tahun 2020

1. Penentuan Jumlah Cluster Optimal

Tahapan awal yang harus dilakukan dalam pengelompokkan menggunakan
metode K-Means Clustering adalah menentukan jumlah cluster (k) terlebih
dahulu. Pada penelitian ini metode yang digunakan adalah metode Sillhouette
untuk menentukan jumlah cluster (𝑘) optimal pada K-Means Clustering. Hasil
perhitungan nilai silhouette berada pada rentang antara -1 hingga 1. Jika nilai
silhoutte semakin mendekati 1 berarti objek i sudah berada dalam cluster yang
tepat [18]. Berikut merupakan grafik nilai sillhouette dengan bantuan Software
RStudio.

23
 Gambar 4.2 Jumlah cluster optimum metode sillhouette

Pada pengelompokkan 15 Kabupaten/Kota berdasarkan indikator IPM

menggunakan metode sillhouette menunjukan hasil berupa jumlah cluster optimal
sebanyak dua cluster yang memaksimalkan nilai sillhouette. Sedangkan empat
cluster masuk sebagai jumlah cluster optimal kedua dan tiga cluster masuk
sebagai jumlah cluster optimal ketiga. Hal tersebut dapat dilihat berdasarkan
grafik tertingginya karena semakin tinggi nilai sillhouette atau semakin mendekati
nilai 1 maka akan semakin baik cluster yang terbentuk. Berdasarkan grafik diatas,
maka jumlah cluster optimum berada pada grafik tertingginya yaitu 𝑘 = 2, grafik
tertinggi kedua yaitu 𝑘 = 4 dan grafik tertinggi ketiga yaitu 𝑘 = 3. Berdasarkan
hal tersebut, maka pada penelitian ini akan dilakukan pengelompokkan
menggunakan metode K-Means Clustering dengan dua cluster, empat cluster, dan
tiga cluster.

2. Pengelompokkan dengan Metode K-Means Clustering

Berdasarkan hasil pengujian menggunakan metode Sillhouette, diperoleh
jumlah cluster terbaik berdasarkan grafik tertingginya yaitu 𝑘 = 2, grafik
tertinggi kedua yaitu 𝑘 = 4 dan grafik tertinggi ketiga yaitu 𝑘 = 3. Berdasarkan
hal tersebut makapengelompokkan Kabupaten/Kota menggunakan metode K-
Means Clustering masing-masing akan dibentuk menjadi dua cluster, empat

24
cluster dan tiga cluster. Berikut merupakan pengelompokkan dengan metode K-
Means Clustering dengan 𝑘 = 2, 𝑘 = 4 dan 𝑘 = 3.

A. Pengelompokkan dengan 𝒌 = 𝟐
Pada tahap ini dapat diketahui bahwa:
jumlah cluster :2
jumlah data : 15
jumlah atribut/variabel : 4
Iterasi-1
1. Menentukan centroid awal atau titik pusat cluster
centroid awal ditentukan sesuai dengan jumlah cluster yang akan dibentuk
yaitu 𝑘 = 2 maka jumlah centroid yang digunakan adalah 2. Pada penelitian
ini centroid diambil pada data ke-2 yaitu Kabupaten Tanggamus dan data
ke-15 yaitu Kota Metro yang dapat dilihat pada Tabel 4.2
Tabel 4.2 Centroid iterasi 1 (𝑘 = 2)

UHH HLS RLS PPP

Centroid Kab/Kota
𝑋1 𝑋2 𝑋3 𝑋4
C2 Tanggamus -0,34700 -0,51770 -0,73250 -0,34300
C1 Kota Metro 1,24616 2,13627 2,34551 1,60143

2. Menghitung jarak setiap data ke titik pusat cluster dan menentukan jarak
paling minimum.
Perhitungan jarak akan dilakukan dengan menggunakan data yang sudah
distandardisasi. Pada penelitian ini metode perhitungan jarak yang akan
digunakan adalah Euclidan Distance. Berikut adalah perhitungan jarak
setiap data ke titik pusat clustermenggunakan persamaan Euclidean
Distance.
Misalnya : P1 untuk data ke-1 yaitu Kabupaten Lampung Barat

(−0,85557 − 1,24616 )2 + (−0,43653 − 2,13627 )2

𝐷(𝑃1, 𝐶1) = √
+(−0,04115 − 2,34551)2 + (0,15413 − 1,60143) 2

= 4,33905428

25
Hasil perhitungan jarak data ke-1 sampai data ke-15 terhadap centroid 1 dan
centroid 2 pada iterasi ke-1 menggunakan bantuan Microsoft Excel dapat
dilihat pada Tabel 4.3

Berdasarkan hasil perhitungan jarak data terhadap centroidnya maka

tahapan selanjutnya adalah mengelompokkan data berdasarkan jarak
minimum (terdekat) dengan membandingkan hasil perhitungan jarak yang
paling miniminum antara centroid 1 atau centroid 2. Hasil pengelompokkan
data berdasarkan jarak minimumnya dapat dilihat pada Tabel 4.3. Berikut
merupakan hasil pengelompokkan cluster pada iterasi ke-1 dapat dilihat
pada Tabel 4.3

Tabel 4.3 Hasil pengelompokkan iterasi 1 (𝑘 = 2)

Jarak Data ke
Data Centroid Min
Kab/Kota Cluster
ke- (D1,D2)
D(P,C1) D(P,C2)
1 Lampung Barat 4,33905 0,9951 0,9951 C2
2 Tanggamus 4,7787 0 0 C2
3 Lampung Selatan 4,01124 0,81004 0,81004 C2
4 Lampung Timur 3,65667 1,50226 1,50226 C2
5 Lampung Tengah 3,47568 1,82819 1,82819 C2
6 Lampung Utara 4,17297 1,02066 1,02066 C2
7 Way Kanan 4,32788 0,63351 0,63351 C2
8 Tulang Bawang 4,31732 1,34099 1,34099 C2
9 Pesawaran 4,85996 1,11802 1,11802 C2
10 Pringsewu 3,19628 1,62786 1,62786 C2
11 Mesuji 5,82415 1,22755 1,22755 C2
12 Tulang Bawang Barat 4,95585 0,9865 0,9865 C2
13 Pesisir Barat 6,19113 2,77549 2,77549 C2
14 Kota Bandar Lampung 0,32097 4,92253 0,32097 C1
15 Kota Metro 0 4,7787 0 C1

26
3. Menentukan centroid baru untuk iterasi berikutnya dengan cara mencari
rata-rata nilai pada cluster 1 dan cluster 2. Berikut adalah centroid baru
berdasarkan perhitungan nilai rata-rata pada masing-masing cluster yang
akan digunakan sebagai perhitungan jarak pada iterasi ke-2.
Tabel 4.4 Centroid iterasi 2 (𝑘 = 2)

Centroid 𝑋1 𝑋2 𝑋3 𝑋4
C1 1,17869 2,23478 2,33316 1,70795
C2 -0,18133 -0,34381 -0,35894 -0,26280

Jika setiap anggota pada masing-masing cluster tidak ada yang berpindah
lagi, maka iterasi selesai. Pada penelitian untuk 𝑘 = 2, iterasi dilakukan
sampai iterasi ke 2. Hasil akhir cluster iterasi 2 dapat dilihat pada Tabel 4.5
dibawah ini
Tabel 4.5 Hasil pengelompokkan iterasi 2 (𝑘 = 2)

Data
Kab/Kota Cluster
ke-

1 Lampung Barat C2
2 Tanggamus C2
3 Lampung Selatan C2
4 Lampung Timur C2
5 Lampung Tengah C2
6 Lampung Utara C2
7 Way Kanan C2
8 Tulang Bawang C2
9 Pesawaran C2
10 Pringsewu C2
11 Mesuji C2
12 Tulang Bawang Barat C2
13 Pesisir Barat C2
14 Kota Bandar Lampung C1
15 Kota Metro C1

27
Berikut merupakan hasil visualisasi pengelompokkan Kabupaten/Kota
Provinsi Lampung berdasarkan Indikator Indeks Pembangunan Manusia
(IPM) dengan jumlah cluster 𝑘 = 2.

Gambar 4.3 Visualisasi cluster 𝑘 = 2

Berdasarkan Gambar 4.3 hasil pengelompokkan menggunakan metode K-

Means Clustering dengan 𝑘 = 2 menunjukkan bahwa data yang termasuk
kedalam cluster 1 yaitu data ke-14 dan ke-15 terdiri dari 2 Kota yaitu Kota
Bandar Lampung dan Kota Metro yang diberi warna merah Sedangkan
untuk data ke-1 sampai data ke-13 yang terdiri Kabupaten Lampung Barat,
Kabupaten Tanggamus, Kabupaten Lampung Selatan, Kabupaten Lampung
Timur, Kabupaten Lampung Tengah, Kabupaten Lampung Utara,
Kabupaten Way Kanan, Kabupaten Tulang Bawang, Kabupaten Pesawaran,
Kabupaten Pringsewu, Kabupaten Mesuji, Kabupaten Tulang Bawang
Barat, dan Kabupaten Pesisir Barat masuk kedalam cluster 2 yang diberi
warna biru.

28
B. Pengelompokkan dengan 𝒌 = 𝟒
Pada tahap ini dapat diketahui bahwa:
jumlah cluster :4
jumlah data : 15
jumlah atribut/variabel : 4
Iterasi-1
1. Menentukan centroid awal atau titik pusat cluster
centroid awal ditentukan sesuai dengan jumlah cluster yang akan dibentuk
yaitu 𝑘 = 4 maka jumlah centroid yang digunakan adalah 4. Pada penelitian
ini centroid diambil pada data ke-15 yaitu Kota Metro, data ke- 10
Kabupaten Pringsewu, data ke-2 Kabupaten Tanggamus dan data ke-13
yaitu Kabupaten Pesisir Barat yang dapat dilihat pada Tabel 4.6

Tabel 4.6 Centroid iterasi 1 (𝑘 = 4)

UHH HLS RLS PPP

Centroid Kab/Kota 𝑋1 𝑋2 𝑋3 𝑋4
C1 Kota Metro 1,24616 2,13627 2,34551 1,60143
C2 Pringsewu 0,44179 0,23565 0,22221 0,39791
C3 Tanggamus -0,34700 -0,51765 -0,73246 -0,34295
C4 Pesisir Barat -2,97286 -0,73784 -0,08230 -0,92349

2. Menghitung jarak setiap data ke titik pusat cluster

Perhitungan jarak akan dilakukan dengan menggunakan data yang sudah
distandardisasi. Pada penelitian ini metode perhitungan jarak yang akan
digunakan adalah Euclidan Distance. Berikut adalah perhitungan jarak
setiap data ke titik pusat clustermenggunakan persamaan Euclidean
Distance.
Misalnya : P1 untuk data ke 1 yaitu Kabupaten Lampung Barat

(−0,85557 − 1,24616)2 + (−0,43653 − 2,13627 )2

𝐷(𝑃1, 𝐶1) = √
+(−0,04115 − 2,34551)2 + (0,15413 − 1,60143)2

= 4,33905

29
 Hasil perhitungan jarak data ke-1 sampai data ke-15 terhadap centroid 1,
centroid 2, centroid 3 dan centroid 4 pada Iterasi 1 menggunakan bantuan
Microsoft Excel dapat dilihat pada Tabel 4.7

Berdasarkan hasil perhitungan jarak data terhadap centroidnya maka

tahapan selanjutnya adalah mengelompokkan data berdasarkan jarak
minimum (terdekat) dengan membandingkan hasil perhitungan jarak yang
paling miniminum antara centroid 1, centroid 2, centroid 3 atau centoid 4.
Hasil pengelompokkan data berdasarkan jarak minimumnya dapat dilihat
pada Tabel 4.7

Tabel 4.7 Hasil pengelompokkan iterasi 1 (𝑘 = 4)

Data Jarak Data ke Centroid Min Jarak

ke- (D1,D2,D3,D4)
D(P,C1) D(P,C2) D(P,C3) D(P,C4) Terdekat
1 4,33905 1,50458 0,9951 2,39513 0,9951 C3
2 4,7787 1,62786 0 2,77549 0 C3
3 4,01124 0,83695 0,81004 3,26338 0,81004 C3
4 3,65667 0,75373 1,50226 4,0537 0,75373 C2
5 3,47568 0,97503 1,82819 4,02494 0,97503 C2
6 4,17297 1,28096 1,02066 3,02833 1,02066 C3
7 4,32788 1,20646 0,63351 3,13789 0,63351 C3
8 4,31732 1,34963 1,34099 3,75838 1,34099 C3
9 4,85996 1,97774 1,11802 2,9471 1,11802 C3
10 3,19628 0 1,62786 3,80083 0 C2
11 5,82415 2,72491 1,22755 2,67066 1,22755 C3
12 4,95585 1,8887 0,9865 3,43315 0,9865 C3
13 6,19113 3,80083 2,77549 0 0 C4
14 0,32097 3,35545 4,92253 6,27559 0,32097 C1
15 0 3,19628 4,7787 6,19113 0 C1

30
3. Menentukan centroid baru untuk iterasi berikutnya dengan cara mencari
rata-rata nilai pada cluster 1, cluster 2, cluster 3, dan cluster 4. Berikut
adalah centroid baru yang akan digunakan pada perhitungan jarak untuk
iterasi 2 berdasarkan perhitungan nilai rata-rata pada masing-masing cluster
yang dapat dilihat pada Tabel 4.8 dibawah ini.
Tabel 4.8 Centroid iterasi 2 (𝑘 = 4)

𝑋1 𝑋2 𝑋3 𝑋4
Centroid
C1 1,17870 2,23478 2,33317 1,707950
C2 0,51272 0,27814 -0,21123 0,563357
C3 -0,10250 -0,50730 -0,43892 -0,464719
C4 -2,97286 -0,73784 -0,08230 -0,923490

Jika setiap anggota pada masing-masing cluster tidak ada yang berpindah
lagi, maka iterasi selesai. Pada penelitian untuk 𝑘 = 4, iterasi dilakukan
sampai 4 iterasi. Hasil akhir cluster iterasi 4 dapat dilihat pada Tabel 4.9
dibawah ini.
Tabel 4.9 Hasil pengelompokkan iterasi 4 (𝑘 = 4)

Data
Kab/Kota Cluster
ke-

1 Lampung Barat 3
2 Tanggamus 3
3 Lampung Selatan 2
4 Lampung Timur 2
5 Lampung Tengah 2
6 Lampung Utara 3
7 Way Kanan 3
8 Tulang Bawang 2
9 Pesawaran 3
10 Pringsewu 2
11 Mesuji 3
12 Tulang Bawang Barat 3
13 Pesisir Barat 4
14 Kota Bandar Lampung 1
15 Kota Metro 1

31
Berikut merupakan hasil visualisasi pengelompokkan Kabupaten/Kota
Provinsi Lampung berdasarkan Indikator Indeks Pembangunan Manusia
(IPM) dengan jumlah cluster 𝑘 = 4.

Gambar 4.4 Visualisasi cluster 𝑘 = 4

Berdasarkan Gambar 4.4 hasil pengelompokkan menggunakan metode K-

Means Clustering dengan 𝑘 = 4 menunjukkan bahwa data ke- 14 dan 15
yang terdiri dari dua Kota yaitu Kota Bandar Lampung dan Kota Metro
masuk kedalam kelompok cluster 1 yang diberi warna merah. Sedangkan
data ke-3,4,5,8, dan 10 yang terdiri dari Kabupaten Lampung Selatan,
Kabupaten Lampung Timur, Kabupaten Lampung Tengah, Kabupaten
Tulang Bawang dan Kabupaten Pringsewu masuk kedalam cluster 2 yang
diberi warna hijau. Pada cluster 3 dengan warna biru, terdapat data ke-
1,2,6,7,9,11, dan 12 yang terdiri dari Kabupaten Lampung Barat, Kabupaten
Tanggamus, Kabupaten Lampung Utara, Kabupaten Way Kanan,
Kabupaten Pesawaran, Kabupaten Mesuji dan Kabupaten Tulang Bawang
Barat. Sedangkan pada cluster 4 hanya berisi satu anggota saja, yaitu data
ke-13 yang merupakan Kabupaten Pesisir Barat.

32
C. Pengelompokkan dengan 𝐤 = 𝟑
Pada tahap ini dapat diketahui bahwa:
jumlah cluster :3
jumlah data : 15
jumlah atribut/variabe l : 4
Iterasi-1
1. Menentukan centroid awal atau titik pusat cluster
centroid awal ditentukan sesuai dengan jumlah cluster yang akan dibentuk
yaitu 𝑘 = 3 maka jumlah centroid yang digunakan adalah 3. Pada penelitian
ini centroid diambil pada data ke 2 yaitu Kabupaten Tanggamus dan data ke
15 yaitu Kota Metro yang dapat dilihat pada Tabel 4.10 dibawah ini.
Tabel 4.10 Centroid iterasi 1 (𝑘 = 3)

UHH HLS RLS PPP

Centroid Kab/Kota 𝑋1 𝑋2 𝑋3 𝑋4

C1 B. Lampung 1,11123 2,33329 2,32082 1,81447

C2 Way Kanan 0,08891 -0,30904 -0,33742 -0,45130
C3 Pesisir Barat -2,97286 -0,73784 -0,08230 -0,92349

2. Menghitung jarak setiap data ke titik pusat cluster

Perhitungan jarak akan dilakukan dengan menggunakan data yang sudah
distandardisasi. Pada penelitian ini metode perhitungan jarak yang akan
digunakan adalah Euclidan Distance. Berikut adalah perhitungan jarak
setiap data ke titik pusat cluster menggunakan persamaan Euclidean
Distance.
Misalnya : P1 untuk data ke-1 yaitu Kabupaten Lampung Barat

(−0,85557 − 1,11123)2 + (−0,43653 − 2,33329 )2

𝐷(𝑃1, 𝐶1) = √
(−0,04115 − 2,32082)2 + (0,15413 − 1,81447)2

= 4,45823

Hasil perhitungan jarak data ke-1 sampai data ke-15 terhadap centroid 1,
centroid 2 dan centroid 3 pada Iterasi 1 menggunakan bantuan Microsoft
Excel dapat dilihat pada Tabel 4.11

33
 Berdasarkan hasil perhitungan jarak data terhadap centroid maka tahapan
selanjutnya adalah mengelompokkan data berdasarkan jarak minimum
(terdekat) dengan membandingkan hasil perhitungan jarak yang paling
miniminum antara centroid 1, centroid 2 atau centroid 3. Hasil
pengelompokkan data berdasarkan jarak minimumnya dapat dilihat pada
Tabel 4.11. Hasil pengelompokkan cluster pada Iterasi 1 dapat dilihat pada
Tabel 4.11 dibawah ini.

Tabel 4.11 Hasil pengelompokkan iterasi 1 (𝑘 = 3)

Jarak Data ke Centroid Min Jarak

Kab/Kota
(D1,D2,D3)
D(P,C1) D(P,C2) D(P,C3) Terdekat
Lampung Barat 4,45823 1,16731 2,39513 1,16731 C2
Tanggamus 4,92253 0,63351 2,77549 0,63351 C2
Lampung Selatan 4,15587 0,58986 3,26338 0,58986 C2
Lampung Timur 3,81462 1,10525 4,0537 1,10525 C2
Lampung Tengah 3,56616 1,69852 4,02494 1,69852 C2
Lampung Utara 4,35483 0,52744 3,02833 0,52744 C2
Way Kanan 4,49744 0 3,13789 0 C2
Tulang Bawang 4,46412 1,32426 3,75838 1,32426 C2
Pesawaran 5,04407 0,9053 2,9471 0,9053 C2
Pringsewu 3,35545 1,20646 3,80083 1,20646 C2
Mesuji 5,9937 1,53215 2,67066 1,53215 C2
Tulang Bawang
5,14629 0,79827 3,43315 0,79827 C2
Barat
Pesisir Barat 6,27559 3,13789 0 0 C3
Kota Bandar
0 4,49744 6,27559 0 C1
Lampung
Kota Metro 0,32097 4,32788 6,19113 0,32097 C1

3. Menentukan centroid baru untuk iterasi berikutnya dengan cara mencari

rata-rata nilai pada cluster 1, cluster 2, dan cluster 3. Berikut adalah
centroid baru berdasarkan perhitungan nilai rata-rata pada masing-masing
cluster yang akan digunakan sebagai perhitungan jarak pada iterasi 2.

34
 Tabel 4.12 Centroid iterasi 2 (𝑘 = 3)
Centroid 𝑋1 𝑋2 𝑋3 𝑋4

C1 1,17870 2,23478 2,33317 1,70795

C2 0,05129 -0,31100 -0,38200 -0,20770
C3 -2,97290 -0,73780 -0,08230 -0,92350

Pada pengelompokkan dengan 𝑘 = 3, setiap anggota pada masing-masing

cluster tidak ada yang berpindah lagi, maka iterasi selesai. Pada penelitian
untuk 𝑘 = 3 ini, iterasi dilakukan sampai iterasi ke-2. Hasil akhir cluster
iterasi 2 dapat dilihat pada Tabel 4.13 dibawah ini.

Tabel 4.13 Hasil pengelompokkan iterasi 2 (𝑘 = 3)

Data Jarak
Kab/Kota
ke- Terdekat
1 Lampung Barat C2
2 Tanggamus C2
3 Lampung Selatan C2
4 Lampung Timur C2
5 Lampung Tengah C2
6 Lampung Utara C2
7 Way Kanan C2
8 Tulang Bawang C2
9 Pesawaran C2
10 Pringsewu C2
11 Mesuji C2
12 Tulang Bawang Barat C2
13 Pesisir Barat C3
14 Kota Bandar Lampung C1
15 Kota Metro C1

Berikut merupakan hasil visualisasi pengelompokkan Kabupaten/Kota

Provinsi Lampung berdasarkan Indikator Indeks Pembangunan Manusia
(IPM) dengan jumlah cluster 𝑘 = 3.

35
 Gambar 4.5 Visualisasi cluster 𝑘 = 3

Berdasarkan Gambar 4.5 hasil pengelompokkan menggunakan metode K-

Means Clustering dengan 𝑘 = 3 menunjukkan bahwa data ke- 14 dan 15
yang terdiri dari 2 Kota yaitu Kota Bandar Lampung dan Kota Metro masuk
kedalam kelompok cluster 1 yang diberi warna merah. Sedangkan data ke-1
sampai data ke-12 yang terdiri dari Kabupaten Lampung Barat, Kabupaten
Tanggamus, Kabupaten Lampung Selatan, Kabupaten Lampung Timur,
Kabupaten Lampung Tengah, Kabupaten Lampung Utara, Kabupaten Way
Kanan, Kabupaten Tulang Bawang, Kabupaten Pesawaran, Kabupaten
Pringsewu, Kabupaten Mesuji dan Kabupaten Tulang Bawang Barat
termasuk kedalam cluster 2 yang diberi warna hijau. Sedangkan pada
cluster 3 dengan warna biru, terdapat data ke-13 yang merupakan
Kabupaten Pesisir Barat.

36
 Berdasarkan pengelompokkan Kabupaten/Kota dengan Metode K-Means
Clustering pemilihan centroid berpengaruh besar terhadap iterasi pada setiap
cluster. Pada penelitian ini, pemilihan centroid dibantu oleh adanya visualisasi
scatter plot dan box-plot yang memudahkan peneliti dalam melihat data-data yang
memang sudah berdekatan, sehingga proses iterasi tidak terlalu banyak. Selain itu,
pemilihan centroid secara acak akan menghasilkan hasil cluster yang sama.

3. Validasi Hasil Cluster dengan Metode Davies Bouldin Index (DBI)

Uji validasi digunakan untuk mengevaluasi hasil cluster dengan
menggunakan metode Davies Bouldin Index (DBI). Pada penelitian ini, pengujian
akan dilakukan berdasarkan hasil pengelompokkan metode K-Means dengan 𝑘 =
2, 𝑘 = 4 dan 𝑘 = 3. Perhitungan nilai DBI dilakukan dengan pendekatan kohesi
menggunakan persamaan Sum of Square Within (SSW) dan pendekatan separasi
dengan menggunakan persamaan Sum of Square Between (SSB). Berikut
merupakan perhitungan nilai DBI dengan menggunakan hasil pengelompokkan
dengan 𝑘 = 2, 𝑘 = 4 dan 𝑘 = 3.

1. Perhitungan Nilai DBI untuk 𝒌 = 𝟐

Langkah 1 : Menghitung nilai Sum of Square Within (SSW)
Perhitungan nilai SSW dilakukan dengan menghitung nilai rata-rata jarak
minimum setiap data pada cluster yang sama. Berikut ini merupakan
perhitungan nilai SSW untuk 𝑘 = 2.
Misalkan 𝑆𝑆𝑊𝑖 dengan 𝑖 = 1 adalah cluster 1 dan 𝑖 = 2 adalah cluster 2.

(0,160483 + 0,160483)
𝑆𝑆𝑊1 =
2
= 0,16049

Hasil perhitungan SSW pada cluster 1 dan cluster 2 dapat dilihat pada Tabel
4.14 dibawah ini.

37
 Tabel 4. 14 Hasil perhitungan SSW 𝑘 = 2

Data Jarak
Kab/Kota Cluster SSW
ke- Minimum
1 Lampung Barat 2 0,859056
2 Tanggamus 2 0,451227
3 Lampung Selatan 2 0,485908
4 Lampung Timur 2 1,223781
5 Lampung Tengah 2 1,604717
6 Lampung Utara 2 0,681733
7 Way Kanan 2 0,332045 1,12794
8 Tulang Bawang 2 1,24179
9 Pesawaran 2 1,078359
10 Pringsewu 2 1,224048
11 Mesuji 2 1,53751
12 Tulang Bawang Barat 2 1,034242
13 Pesisir Barat 2 2,908771
14 Kota Bandar Lampung 1 0,160483
0,16049
15 Kota Metro 1 0,160483

Berdasarkan hasil perhitungan nilai 𝑆𝑆𝑊 dalam mengukur seberapa besar

keterikatan sesama anggota maka berdasarkan hasil perhitungan jarak yang
terkecil adalah 𝑆𝑆𝑊 pada cluster 1 yaitu 0,160483. Karena semakin kecil
jarak maka keterikatan sesama anggota didalam cluster 1 semakin baik.

Langkah 2 : Menghitung nilai Sum of Square Between (SSB)

Nilai SSB merupakan nilai perhitungan jarak antara centroid satu dengan
centroid lainnya. Perhitungan nilai SSB centroid 1 dengan centroid 2 akan
dihitung menggunakan nilai centroid pada iterasi akhir. Berikut merupakan
tabel centroid iterasi akhir berdasarkan hasil pengelompokkan metode K-
Means.
Tabel 4. 15 Centroid iterasi akhir 𝑘 = 2

𝑋1 𝑋2 𝑋3 𝑋4
Centroid
C1 1,178695 2,23478 2,333165 1,70795
C2 -0,18134 -0,34381 -0,35895 -0,2628

38
 Hasil perhitungan nilai SSB centroid 1 dan centroid 2 dapat dilihat pada
Tabel 4.16
Tabel 4.16 Hasil perhitungan nilai SSB 𝑘 = 2

SSB C1 C2
C1 0 4,430575
C2 4,43057 0

Langkah 3 : Menghitung nilai rasio

Perhitungan nilai rasio akan dihitung menggunakan nilai SSW dan SSB.
Berikut merupakan hasil perhitungan nilai rasio antara cluster 1 dan cluster
2.

𝑆𝑆𝑊1 + 𝑆𝑆𝑊2
𝑅1,2 =
𝑆𝑆𝐵1,2
0,16049 + 1,12794
=
4,43057
= 0,644210021

Langkah 4 : Menghitung nilai DBI

Berdasarkan hasil uji validasi menggunakan metode DBI dengan 𝑘 = 2
menghasilkan nilai DBI sebesar 0,644210021.

2. Perhitungan Nilai DBI untuk 𝒌 = 𝟒

Langkah 1 : Menghitung nilai Sum of Square Within (SSW)
Perhitungan nilai SSW dilakukan dengan menghitung nilai rata-rata jarak
minimum setiap data pada cluster yang sama. Proses perhitungan nilai SSW
untuk 𝑘 = 4 dapat dilihat pada Lampiran 5
.
Hasil perhitungan SSW pada cluster 1,2,3 dan 4 dapat dilihat pada Tabel
4.17

39
 Tabel 4. 17 Hasil perhitungan SSW 𝑘 = 4
Data Jarak
Kab/Kota Cluster SSW
ke- Minimum
14 Kota Bandar Lampung 1 0,1604851
0,16048
15 Kota Metro 1 0,1604801
3 Lampung Selatan 2 0,531686
4 Lampung Timur 2 0,5854616
5 Lampung Tengah 2 0,7211538 0,66133
8 Tulang Bawang 2 0,8718011
10 Pringsewu 2 0,5965518
1 Lampung Barat 3 1,1654466
2 Tanggamus 3 0,495933
6 Lampung Utara 3 0,6513567
7 Way Kanan 3 0,4479738 0,68347
9 Pesawaran 3 0,6691157
11 Mesuji 3 1,1164213
12 Tulang Bawang Barat 3 0,7199962
13 Pesisir Barat 4 0 0

Berdasarkan hasil perhitungan nilai 𝑆𝑆𝑊 dalam mengukur seberapa besar

keterikatan sesama anggota maka berdasarkan hasil perhitungan jarak yang
terkecil adalah 𝑆𝑆𝑊 pada cluster 1 yaitu 0,16048. Karena semakin kecil
jarak maka keterikatan sesama anggota didalam cluster 1 semakin baik.
Sedangkan untuk cluster 4 menghasilkan nilai 𝑆𝑆𝑊 = 0 karena pada cluster
4 hanya terdiri dari satu anggota saja, maka hasil perhitungan jaraknya sama
dengan 0.

Langkah 2 : Menghitung nilai Sum of Square Between (SSB)

Nilai SSB merupakan nilai perhitungan jarak antara centroid satu dengan
centroid lainnya. Perhitungan nilai SSB centroid 1, centroid 2, centroid 3
dan centroid 4 akan dihitung menggunakan nilai centroid pada iterasi akhir.
Hasil perhitungan nilai SSB centroid 1, centroid 2, centroid 3, dan centroid
4 dapat dilihat pada Tabel 4.18

40
 Tabel 4.18 Hasil perhitungan nilai SSB 𝑘 = 4

SSB C1 C2 C3 C4
C1 0 3,75958 4,79445 6,23144
C2 3,75958 0 1,44072 3,73075
C3 4,79445 1,44072 0 2,81881
C4 6,23144 3,73075 2,81881 0

Berdasarkan Tabel 4.18 hasil perhitungan jarak antar cluster yang paling
besar terletak pada cluster 1 dengan cluster 4 dan jarak paling kecil yaitu
cluster 2 dengan cluster 3. Berdasarkan hal tersebut, cluster 1 dan cluster 4
memiliki perbedaan antar cluster yang paling baik.

Langkah 3 : Menghitung nilai rasio

Perhitungan nilai rasio akan dihitung menggunakan nilai SSW dan SSB.
Berikut merupakan perhitungan nilai rasio antara cluster 1 dengan cluster
2,3, 4 dan cluster 2 dengan cluster 3 dan 4. Proses perhitungan rasio dapat
dilihat pada Lampiran 3. Berikut merupakan hasil perhitungan nilai rasio
dapat dilihat pada Tabel 4.19
Tabel 4.19 Hasil perhitungan rasio 𝑘 = 4

Rasio 1 2 3 4 Rasio maks

1 0 0,21859 0,17603 0,13543 0,218591985
2 0,21859 0 0,93342 0,17726 0,933418428
3 0,17603 0,93342 0 0,24247 0,933418428
4 0,13543 0,17726 0,24247 0 0,24246625

Langkah 4 : Menghitung nilai DBI

Perhitungan nilai DBI menggunakan rata-rata nilai rasio maximal yang ada
pada Tabel 31. Berikut merupakan perhitungan nilai DBI untuk 𝑘 = 4.
1
𝐷𝐵𝐼 = ( 0,218591985 + 0,933418428 + ⋯ + 0,24246625)
4
= 0,581973773

Berdasarkan hasil uji validasi menggunakan metode DBI dengan 𝑘 = 4

menghasilkan nilai DBI sebesar 0,581973773.

41
3. Perhitungan Nilai DBI untuk 𝒌 = 𝟑
Langkah 1 : Menghitung nilai Sum of Square Within (SSW)
Perhitungan nilai SSW dilakukan dengan menghitung nilai rata-rata jarak
minimum setiap data pada cluster yang sama. Hasil perhitungan SSW pada
cluster 1,2 dan 3 dapat dilihat pada Tabel 4.20 dibawah ini.
Tabel 4. 20 Hasil perhitungan SSW 𝑘 = 3

Data Jarak
Kab/Kota Cluster SSW
ke- Minimum
14 Kota Bandar Lampung 1 0,160485058
0,16048
15 Kota Metro 1 0,160480085
1 Lampung Barat 2 1,041754535
2 Tanggamus 2 0,585195626
3 Lampung Selatan 2 0,363531975
4 Lampung Timur 2 1,008429191
5 Lampung Tengah 2 1,484440816
6 Lampung Utara 2 0,709296147
0,9512
7 Way Kanan 2 0,250494396
8 Tulang Bawang 2 1,121263744
9 Pesawaran 2 1,140095964
10 Pringsewu 2 1,087726836
11 Mesuji 2 1,652381133
12 Tulang Bawang Barat 2 0,96974235
13 Pesisir Barat 3 0 0

Berdasarkan hasil perhitungan nilai 𝑆𝑆𝑊 dalam mengukur seberapa besar

keterikatan sesama anggota maka berdasarkan hasil perhitungan jarak yang
terkecil adalah 𝑆𝑆𝑊 pada cluster 1 yaitu 0,16048. Karena semakin kecil
jarak maka keterikatan sesama anggota didalam cluster 1 semakin baik.
Sedangkan untuk cluster 3 menghasilkan nilai 𝑆𝑆𝑊 = 0 karena pada cluster
3 hanya terdiri dari satu anggota saja, maka hasil perhitungan jaraknya sama
dengan 0.

42
Langkah 2 : Menghitung nilai Sum of Square Between (SSB)
Nilai SSB merupakan nilai perhitungan jarak antara centroid satu dengan
centroid lainnya. Perhitungan nilai SSB centroid 1, centroid 2 dan centroid
3 akan dihitung menggunakan nilai centroid pada iterasi akhir. Hasil
perhitungan nilai SSB centroid 1, centroid 2 dan centroid 3 dapat dilihat
pada Tabel 4.21
Tabel 4. 21 Hasil perhitungan nilai SSB 𝑘 = 3

SSB C1 C2 C3
C1 0 4,33519 6,23146
C2 4,33519 0 3,1512
C3 6,23146 3,1512 0

Berdasarkan Tabel 4.21 hasil perhitungan jarak antar cluster yang paling
besar terletak pada cluster 1 dengan cluster 3 dan jarak antar cluster yang
paling kecil yaitu cluster 2 dengan cluster 3. Berdasarkan hal tersebut,
cluster 1 dan cluster 3 memiliki perbedaan antar cluster yang paling baik.

Langkah 3 : Menghitung nilai rasio

Perhitungan nilai rasio akan dihitung menggunakan nilai SSW dan SSB.
Berikut merupakan hasil perhitungan nilai rasio antara cluster 1 dengan
cluster 2 dan cluster 2 dengan cluster 3 dapat dilihat pada Tabel 4.22
Tabel 4.22 Hasil perhitungan rasio 𝑘 = 3

Rasio 1 2 3 Rasio maks

1 0 0,25643 0,02575 0,25643
2 0,25643 0 0,30185 0,30185
3 0,02575 0,30185 0 0,30185

Langkah 4 : Menghitung nilai DBI

Perhitungan nilai DBI menggunakan rata-rata nilai rasio maximal yang ada
pada Tabel 35. Berikut merupakan perhitungan nilai DBI untuk 𝑘 = 3.
1
𝐷𝐵𝐼 = ( 0,256431 + 0,301855 + 0,301855)
3
= 0,28671383

43
 Berdasarkan hasil uji validasi menggunakan metode DBI dengan 𝑘 = 3
menghasilkan nilai DBI sebesar 0,28671383.

Berikut merupakan grafik perbandingan jumlah cluster (𝑘) dengan

menggunakan hasil perhitungan nilai Davies Bouldin Index (DBI).
Tabel 4.23 Hasil perhitungan DBI

Cluster DBI
𝑘=2 0,644210021
𝑘=3 0,286713833
𝑘=4 0,581973773

Davies Bouldin Index (DBI)

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
K=2 K=3 K=4
Davies Bouldin Index (DBI)

Gambar 4.6 Hasil perhitungan DBI

Berdasarkan pengujian hasil cluster menggunakan metode Davies Bouldin

Index (DBI) diperoleh nilai DBI terbesar terletak pada 𝑘 = 4 dengan nilai DBI
sebesar 0,581973773. Sedangkan nilai DBI terkecil terletak pada cluster 𝑘 = 3
dengan nilai DBI sebesar 0,28671383. Semakin kecil nilai DBI atau semakin
mendekati nilai 0 maka semakin baik cluster yang diperoleh. Berdasarkan
Gambar 4.6 𝑘 = 3 merupakan cluster terbaik karena memiliki nilai DBI yang
mendekati 0 dibandingkan nilai DBI pada 𝑘 = 2 dan 𝑘 = 4. Pada 𝑘 = 3
berdasarkan uji validasi hasil cluster yang diukur dari rasio kohesi dan separasi
yang menyatakan adanya kesamaan antar anggota dalam satu cluster dan
pemisahan antar cluster, maka 𝑘 = 3 termasuk kedalam ciri-ciri cluster yang baik.

44
Berdasarkan hal tersebut jumlah cluster yang terbaik berdasarkan pengujian
secara teoritis adalah tiga cluster. Selain itu, ada opsi lain yang dapat digunakan
dalam pengelompokkan berdasarkan ketentuan yang ada pada Badan Pusat
Statistik (BPS) terkait pengelompokkan IPM menggunakan empat cluster. Tetapi
berdasarkan pengujian nilai DBI untuk 𝑘 = 4 menghasilkan nilai DBI yang
kurang baik dibandingkan dengan 𝑘 = 3, hal ini dipengaruhi oleh nilai hasil
perhitungan jarak antara cluster 2 dan cluster 3 kecil yang berarti perbedaan
cluster 1 dan cluster 2 kecil. Berdasarkan hal tersebut maka jumlah cluster 𝑘 = 4
termasuk kedalam ciri-ciri cluster yang cukup baik jika dibandingkan dengan
cluster 3. Berdasarkan nilai DBI nya juga termasuk kedalam kategori yang sedang
yaitu sebesar 0,581973773 dimana nilai DBI berada pada rentang 0 hingga 1.
Maka untuk 𝑘 = 4 tidak menutup kemungkinan bahwa pengelompokkan dengan
𝑘 = 4 tidak bisa digunakan dalam penelitian ini. Berdasarkan hal tersebut
pengelompokkan dengan 𝑘 = 4 juga akan diinterpretasikan sebagai opsi lain yang
bisa digunakan dalam pengelompokkan berdasarkan indikator IPM.

4. Interpretasi Hasil Cluster

Berdasarkan hasil uji validasi cluster yang telah dilakukan secara teoritis,
mengahasilkan pengelompokkan yang paling baik adalah 𝑘 = 3, maka akan
dilakukan interpretasi hasil cluster terhadap data Indikator Indeks Pembangunan
Manusia (IPM) berdasarkan Kabupaten/Kota di Provinsi Lampung Tahun 2020
sebanyak tiga cluster yang dapat dilihat pada Tabel 4.24
Tabel 4.24 Hasil pengelompokkan tiga cluster

Cluster Kabupaten/Kota
Cluster 1 Kota Bandar Lampung dan Kota Metro
Lampung Barat, Tanggamus, Lampung
Selatan, Lampung Timur, Lampung
Cluster 2 Tengah, Lampung Utara, Way Kanan,
Tulang Bawang, Pesawaran, Pringsewu,
Mesuji dan Tulang Bawang Barat
Cluster 3 Pesisir Barat

45
 Untuk mengetahui karakteristik dari masing-masing cluster maka
digunakan nilai rata-rata objek yang terdapat dalam cluster pada setiap variabel
yang dapat dilihat pada Tabel 4.25 dibawah ini.
Tabel 4. 25 Rata-rata variabel hasil pengelompokkan tiga Cluster

UHH HLS RLS Pengeluaran Per

Kabupaten/Kota Cluster (Tahun) (Tahun) (Tahun) Kapita (000 rupiah)
𝑋1 𝑋2 𝑋3 𝑋4
Kota Bandar
Lampung 71,50 14,56 10,95 12052
1
(Tinggi) (Tinggi) (Tinggi) (Tinggi)
Kota Metro
Lampung Barat
Tanggamus
Lampung
Selatan
Lampung
Timur
Lampung
Tengah
Lampung 69,33 12,36 7,65 9435
Utara 2
(Sedang) (Sedang) (Rendah) (Sedang)
Way Kanan
Tulang
Bawang
Pesawaran
Pringsewu
Mesuji
Tulang
Bawang Barat
Pesisir Barat 3 63,50 11,99 8,01 8457
(Rendah) (Rendah) (Sedang) (Rendah)

Berdasarkan Tabel 4.25 maka karakteristik dari masing-masing cluster

adalah sebagai berikut:
a. Cluster 1 hanya terdiri dari dua kota yaitu Kota Bandar Lampung dan Kota
Metro. Berdasarkan nilai rata-rata pada cluster 1, Kota Bandar Lampung
dan Kota Metro memiliki nilai rata-rata yang tinggi disetiap variabel
indikator IPM. Pada variabel (𝑋1 ) UHH memiliki nilai rata-rata yang
tinggi, hal ini berarti tingkat kesehatan masyarakat Kota Bandar Lampung
dan Kota Metro lebih baik dibandingkan dengan daerah-daerah lainnya.

46
 Pada variabel (𝑋2 ) HLS dan variabel (𝑋3 ) RLS juga memiliki nilai rata-
rata tinggi dibandingkan dengan cluster 2 dan cluster 3, hal ini berarti
tingkat pendidikan masyarakat Kota Bandar Lampung dan Kota Metro
sudah baik. Sedangkan untuk variabel (𝑋4 ) PPP juga memiliki nilai rata-
rata yang tinggi, hal ini berarti tingkat pendapatan per kapita Kota Bandar
Lampung dan Kota Metro tergolong tinggi dibandingkan dengan 13
Kabupaten lainnya. Berdasarkan hal tersebut, Kota Bandar Lampung dan
Kota Metro sudah termasuk kedalam capaian IPM yang paling baik
dibandingkan dengan daerah lainnya. Sesuai dengan karakteristiknya maka
cluster 1 termasuk kedalam cluster tinggi.
b. Cluster 2 terdiri dari 12 kabupaten. Beradasarkan nilai rata-ratanya
variabel (𝑋1 ) UHH memiliki nilai rata-rata yang sedang, hal ini berarti
bahwa tingkat kesehatan masyarakat tergolong cukup baik. Pada variabel
(𝑋2 ) HLS juga memiliki nilai rata-rata sedang jika dibandingkan dengan
cluster lainnya. Pada variabel (𝑋3 ) RLS memiliki nilai rata-rata yang
rendah. Rendahnya nilai rata-rata RLS pada cluster 2 dipengaruhi oleh
Kabupaten Mesuji dengan angka RLS terendah di Provinsi Lampung yaitu
11, 63 tahun. Hal ini berarti tingkat pendidikan wilayah kabupaten
tergolong rendah atau kurang baik. Relatif rendahnya pencapaian rata-rata
lama sekolah dimungkinkan karena masih banyak penduduk yang tingkat
pendidikannya tidak tamat SD. Sedangkan untuk variabel (𝑋4 ) PPP juga
memiliki nilai rata-rata yang sedang, hal ini berarti tingkat pendapatan per
kapita tergolong cukup baik. Berdasarkan hal tersebut, cluster 2 sudah
termasuk kedalam capaian IPM yang cukup baik. Sesuai dengan
karakteristiknya maka cluster 2 termasuk kedalam cluster sedang.
c. Cluster 3 terdiri dari 1 kabupaten yaitu Pesisir Barat. Beradasarkan nilai
rata-ratanya variabel (𝑋1 ) UHH memiliki nilai rata-rata yang rendah, hal
ini berarti bahwa tingkat kesehatan masyarakat tergolong kurang baik.
Pada variabel (𝑋2 ) HLS juga memiliki nilai rata-rata rendah jika
dibandingkan dengan cluster lainnya. Sedangkan untuk variabel (𝑋3 ) Rata-
RLS memiliki nilai rata-rata yang sedang. Untuk variabel (𝑋4 ) PPP juga
memiliki nilai rata-rata yang rendah, hal ini berarti tingkat pendapatan per

47
 kapita tergolong kurang baik karena rendahnya daya beli masyarakat
berakibat pada pembangunan di bidang ekonomi yang kurang baik.
Berdasarkan hal tersebut, cluster 3 termasuk kedalam capaian IPM yang
kurang baik. Sesuai dengan karakteristiknya maka cluster 3 termasuk
kedalam cluster rendah.

Berikut merupakan peta hasil pengelompokkan Kabupaten/Kota di

Provinsi Lampung dengan tiga cluster berdasarkan indikator Indeks Pembangunan
Manusia (IPM) Tahun 2020.

Gambar 4.7 Peta pengelompokkan Provinsi Lampung dengan tiga cluster

Provinsi Lampung terdiri dari dua kota yaitu Kota Bandar Lampung, Kota
Metro dan 13 kabupaten yaitu Kabupaten Lampung Barat, Kabupaten
Tanggamus, Kabupaten Lampung Selatan, Kabupaten Lampung Timur,

48
Kabupaten Lampung Tengah, Kabupaten Lampung Utara, Kabupaten Way
Kanan, Kabupaten Tulang Bawang, Kabupaten Pesawaran, Kabupaten Pringsewu,
Kabupaten Mesuji, Kabupaten Tulang Bawang Barat, dan Kabupaten Pesisir
Barat. Berdasarkan hasil pengelompokkan dengan menggunakan metode K-Means
Clustering berdasarkan indikator IPM, yang termasuk kedalam cluster tinggi
adalah daerah perkotaan yaitu Kota Bandar Lampung dan Kota Metro yang diberi
warna cokelat. Pada cluster tinggi, dicirikan dengan angka yang tinggi pada
keempat indikator IPM yaitu UHH tinggi, HLS tinggi, RLS tinggi dan PPP tinggi.
Hal ini berarti penduduk di daerah perkotaan sudah mencapai kualitas kesehatan,
pendidikan, dan ekonomi yang sudah baik.
Dalam bidang pendidikan masyarakat Kota Bandar Lampung dan Kota
Metro memiliki tingkat pendidikan yang sudah baik dan berdampak positif karena
semakin banyak penduduk yang bersekolah menjadikan modal penting dalam
membangun kualitas SDM. Kualitas hidup yang sudah baik juga sangat
dipengaruhi oleh adanya program-program pembangunan baik dibidang
kesehatan, pendidikan, dan ekonomi.
Daerah yang termasuk kedalam cluster sedang adalah 12 wilayah kabupaten
yaitu Kabupaten Lampung Barat, Kabupaten Tanggamus, Kabupaten Lampung
Selatan, Kabupaten Lampung Timur, Kabupaten Lampung Tengah, Kabupaten
Lampung Utara, Kabupaten Way Kanan, Kabupaten Tulang Bawang, Kabupaten
Pesawaran, Kabupaten Pringsewu, Kabupaten Mesuji dan Kabupaten Tulang
Bawang Barat yang diberi warna kuning. Pada cluster sedang, dicirikan dengan
angka UHH yang sedang dibandingkan dengan wilayah yang masuk kedalam dua
cluster lainnya. Hal ini menunjukkan bahwa penduduk wilayah kabupaten
memiliki kualitas hidup yang cukup baik. Dalam meningkatkan kualitas hidup
masyarkat diharapkan pemerintah menerapkan program-program yang lebih
inovatif dan tepat sasaran agar dapat meningkatkan capaian IPM yang lebih baik.
Untuk indikator IPM lainnya yaitu angka HLS di 12 kabupaten juga tergolong
sedang atau cukup baik. Sedangkan untuk indikator RLS memiliki angka RLS
yang rendah jika dibandingkan dengan wilayah-wilayah yang berada pada dua
cluster lainnya.

49
Berdasarkan informasi yang didapatkan dari berbagai sumber terkait
permasalahan mengenai rendahnya indikator dalam bidang pendidikan adalah
kurangnya sarana dan prasarana pendidikan dan perlu dilakukan perbaikan.
Salah satu contoh kasusnya yaitu banyaknya sekolah di Kabupaten
Lampung Timur yang masih membutuhkan perbaikan dari sisi infrastruktur,
kurang fokusnya pada pemeliharaan mutu pendidikan, dan ada permasalahan dari
sisi akses [27]. Kasus lainnya yaitu di SMA Negeri 1 Batu Ketulis, Kabupaten
Lampung Barat kondisinya sangat memprihatinkan. Akses jalan yang belum di
aspal dan masih tanah merah serta kondisi jalan yang menanjak, terlebih pada
musim penghujan membuat jalan semakin sulit dilalui. Akibatnya siswa dan
pengajar kurang berminat dalam kegiatan belajar mengajar [28]. Melihat berbagai
kondisi sarana dan prasarana pendidikan di Lampung Timur dan Lampun Barat
yang cukup memprihatinkan, maka perlunya perhatian dari pemerintah untuk
memacu perbaikan tingkat pendidikan harus terus ditingkatkan.
Salah satu upaya pemerintah untuk meningkatkan kualitas pendidikan di
Lampung adalah dengan mengalokasikan dana untuk sarana dan prasarana
pendidikan [29]. Selain itu, untuk indikator PPP pada cluster ini tergolong sedang.
Hal ini menunjukkan bahwa kualitas standar hidup layak manusia pada cluster
sedang tergolong cukup baik dibandingakan dengan dua cluster lainnya.
Pada cluster rendah hanya terdiri dari satu kabupaten yaitu Kabupaten
Pesisir Barat yang diberi warna hijau. Kabupaten Pesisir Barat termasuk
kabupaten yang wilayah serta masyarakatnya kurang berkembang dibandingkan
dengan daerah lain. Berdasarkan kondisi infrastruktur di Kabupaten Pesisir Barat
terutama jalan, banyak dipengaruhi oleh faktor geografis. Beberapa wilayah yang
terisolasi karena akses jalan tidak dapat dialalui kendaraan roda empat.
Rendahnya tingkat kemantapan jalan juga mengakibatkan jalur lalu lintas menjadi
terhambat. Selain itu masih terdapat wilayah yang terisolasi dengan topografi
pegunungan, yang menyebabkan aksesibilitas penduduk rendah. Akibatnya
sebagian besar penduduk mengalami kesulitan melakukan aktifitas ekonomi
maupun sosial. Berdasarkan hal tersebut, terkait dengan keterbatasan yang ada
maka berpengaruh terhadap rendahnya capaian IPM baik dari segi eknomi,
kesehatan maupun pendidikan.

50
 Pada cluster rendah ini, Kabupaten Pesisir Barat dicirikan dengan ketiga
indikator IPM yang rendah jika dibandingkan dengan daerah yang berada pada
cluster lainnya. Adapun indikator IPM yang tergolong rendah yaitu UHH, HLS,
dan PPP. Berdasarkan informasi yang didapatkan dari berbagai sumber beberapa
penyebab rendahnya kualitas kesehatan di Kabupaten Pesisir Barat adalah
kurangnya sarana dan prasarana kesehatan, kurangnya air bersih, dan kurangnya
pengetahuan masyarakat tentang kesehatan.
Dapat disimpulan bahwa tinggi rendahnya UHH dipengaruhi oleh keadaan
lingkungan, ketersediaan sarana kesehatan, dan lain sebagainya. Berdasarkan hal
tersebut, untuk meningkatkan derajat kesehatan disuatu daerah harus diikuti
dengan program pembangunan kesehatan, dan program sosial lainnya termasuk
kesehatan lingkungan.
Selain itu indikator HLS juga tergolong rendah, salah satu penyebab
rendahnya tingkat pendidikan di Kabupaten Pesisir Barat adalah kurangnya sarana
pendidikan dan tingkat kesadaran masyarakat akan pentingnya pendidikan masih
rendah Sedangkan untuk indikator RLS di Kabupaten Pesisir Barat tergolong
sedang atau cukup baik. Kasus lainnya terkait rendahnya indikator IPM,
Kabupaten Pesisir Barat memiliki infrastruktur yang minim. Keterbatasan
infrastruktur tersebut diantaranya akses yang sulit terhadap listrik dari PLN dan
moda transportasi gerobak sapi dan sepeda motor menjadi sarana utama
masyarakat dalam melakukan aktifitas sehari-hari [30].
Berdasarkan hal tersebut, Kabupaten Pesisir Barat masih membutuhkan
perhatian yang lebih agar program pemerintah dapat tercapai terutama dalam
membuat program kerja sebaik mungkin terkait IPM. Dengan demikian, terdapat
13 kabupaten yang masih membutuhkan perhatian dari pemerintah, maka
pemerintah perlu melakukan perencanaan prioritas program pembangunan yang
lebih baik untuk meningkatkan angka IPM di Provinsi Lampung.

51
 Selain itu interpretasi hasil cluster juga akan dilakukan terhadap data
Indikator Indeks Pembangunan Manusia (IPM) berdasarkan Kabupaten/Kota di
Provinsi Lampung Tahun 2020 sebanyak empat cluster yang dapat dilihat pada
Tabel 4.26 dibawah ini.
Tabel 4.26 Hasil pengelompokkan empat cluster

Cluster Kabupaten/Kota

Cluster 1 Kota Bandar Lampung dan Kota Metro

Lampung Selatan, Lampung Timur, Lampung
Cluster 2
Tengah, Tulang Bawang, dan Pringsewu.

Lampung Barat, Tanggamus, Lampung Utara, Way

Cluster 3 Kanan, Pesawaran, Mesuji dan Tulang Bawang
Barat.

Cluster 4 Pesisir Barat

Berdasarkan Tabel 4.26 terdapat empat cluster beserta anggotanya. Dimana

pada cluster 1 terdiri dari dua kota yaitu Kota Bandar Lampung dan Kota Metro,
cluster 2 terdiri dari lima kabupaten yaitu Lampung Selatan, Lampung Timur,
Lampung Tengah, Tulang Bawang, dan Pringsewu, cluster 3 terdiri dari tujuh
kabupaten yaitu Lampung Barat, Tanggamus, Lampung Utara, Way Kanan,
Pesawaran, Mesuji dan Tulang Bawang Barat dan cluster 4 terdiri dari 1
kabupaten yaitu Pesisir Barat.

Untuk mengetahui karakteristik dari masing-masing cluster maka digunakan

nilai rata-rata objek. Perhitungan nilai rata-rata dihitung berdasarkan empat
variabel yang berada di masing-masing cluster yang terdapat dalam cluster pada
setiap variabel yang dapat dilihat pada Tabel 4.27

52
 Tabel 4.27 Rata-rata variabel hasil pengelompokkan empat cluster

Pengeluaran
UHH HLS RLS Per
Kabupaten/Kota Cluster (Tahun) (Tahun) (Tahun) Kapita (000
rupiah)
𝑋1 𝑋2 𝑋3 𝑋4
Kota Bandar 71,50 14,56 10,95 12052
Lampung 1 (Sangat (Sangat (Sangat (Sangat
Kota Metro Tinggi) Tinggi) Tinggi) Tinggi)
Lampung Selatan
Lampung Timur
69,99 12,60 7,75 10404
Lampung Tengah 2
(Tinggi) (Tinggi) (Sedang) (Tinggi)
Tulang Bawang
Pringsewu
Lampung Barat
Tanggamus
Lampung Utara
Way Kanan 68,85 12,19 7,57 8742
3
Pesawaran (Sedang) (Sedang) (Rendah) (Sedang)
Mesuji
Tulang Bawang
Barat
Pesisir Barat 4 63,50 11,99 8,01 8457
(Rendah) (Rendah) (Tinggi) (Rendah)

Berdasarkan Tabel 4.27 maka karakteristik dari masing-masing cluster

adalah sebagai berikut:
a. Cluster 1 hanya terdiri dari dua kota yaitu Kota Bandar Lampung dan Kota
Metro. Berdasarkan nilai rata-rata pada cluster 1, Kota Bandar Lampung
dan Kota Metro memiliki nilai rata-rata yang sangat tinggi di setiap
variabel indikator IPM. Pada variabel (𝑋1 ) UHH memiliki nilai rata-rata
yang sangat tinggi, hal ini berarti tingkat kesehatan masyarakat Kota
Bandar Lampung dan Kota Metro lebih baik dibandingkan dengan daerah-
daerah lainnya. Pada variabel (𝑋2 ) HLS dan variabel (𝑋3 ) RLS juga
memiliki nilai rata-rata sangat tinggi dibandingkan dengan cluster 2,
cluster 3 dan cluster 4, hal ini berarti tingkat pendidikan masyarakat Kota
Bandar Lampung dan Kota Metro sudah sangat baik dan berdampak
positif karena semakin banyak penduduk yang bersekolah menjadikan

53
 modal penting dalam membangun kualitas SDM yang lebih baik.
Sedangkan untuk variabel (𝑋4 ) PPP juga memiliki nilai rata-rata yang
sangat tinggi, hal ini berarti tingkat pendapatan per kapita Kota Bandar
Lampung dan Kota Metro tergolong sangat tinggi dibandingkan dengan 13
Kabupaten lainnya. Berdasarkan hal tersebut, Kota Bandar Lampung dan
Kota Metro sudah termasuk kedalam capaian IPM yang paling baik
dibandingkan dengan daerah lainnya. Sesuai dengan karakteristiknya
dimana keempat indikator IPM nya sangat tinggi maka cluster 1 termasuk
kedalam cluster sangat tinggi.
b. Cluster 2 terdiri dari 5 kabupaten. Beradasarkan nilai rata-ratanya variabel
(𝑋1 ) UHH memiliki nilai rata-rata yang tinggi, hal ini berarti bahwa
tingkat kesehatan masyarakat tergolong baik. Pada variabel (𝑋2 ) HLS juga
memiliki nilai rata-rata tinggi jika dibandingkan dengan cluster lainnya.
Pada variabel (𝑋3 ) RLS memiliki nilai rata-rata yang sedang. Sedangkan
untuk variabel (𝑋4 ) PPP juga memiliki nilai rata-rata yang tinggi, hal ini
berarti tingkat pendapatan per kapita tergolong baik. Berdasarkan hal
tersebut, cluster 2 sudah termasuk kedalam capaian IPM yang baik. Sesuai
dengan karakteristiknya dimana ketiga indikator IPM nya termasuk
kedalam kategori tinggi maka cluster 2 termasuk kedalam cluster tinggi.
c. Cluster 3 terdiri dari 7 kabupaten yaitu Lampung Barat, Tanggamus,
Lampung Utara, Way Kanan, Pesawaran, Mesuji dan Tulang Bawang
Barat. Beradasarkan nilai rata-ratanya variabel (𝑋1 ) UHH memiliki nilai
rata-rata yang sedang, hal ini berarti bahwa tingkat kesehatan masyarakat
tergolong cukup baik. Tinggi rendahnya UHH dipengaruhi oleh keadaan
lingkungan, ketersediaan sarana kesehatan, dan lain sebagainya.
Berdasarkan hal tersebut, untuk meningkatkan derajat kesehatan disuatu
daerah harus diikuti dengan program pembangunan kesehatan, dan
program sosial lainnya termasuk kesehatan lingkungan. Pada variabel (𝑋2 )
HLS juga memiliki nilai rata-rata sedang jika dibandingkan dengan cluster
lainnya. Pada variabel (𝑋3 ) RLS memiliki nilai rata-rata yang rendah.
Rendahnya nilai rata-rata RLS pada cluster 3 dipengaruhi oleh Kabupaten
Mesuji dengan angka RLS terendah di Provinsi Lampung yaitu 11,63

54
 tahun. Hal ini berarti tingkat pendidikan wilayah kabupaten tergolong
rendah atau kurang baik. Relatif rendahnya pencapaian rata-rata lama
sekolah dimungkinkan karena masih banyak penduduk yang tingkat
pendidikannya tidak tamat SD. Sedangkan untuk variabel (𝑋4 ) PPP juga
memiliki nilai rata-rata yang sedang, hal ini berarti tingkat pendapatan per
kapita tergolong cukup baik. Berdasarkan hal tersebut, cluster 3 termasuk
kedalam capaian IPM yang cukup baik atau sedang. Sesuai dengan
karakteristiknya dimana ketiga indikator IPM pada cluster 3 termasuk
kedalam kategori sedang maka cluster 3 termasuk kedalam cluster sedang.
d. Cluster 4 terdiri dari 1 kabupaten yaitu Pesisir Barat. Beradasarkan nilai
rata-ratanya variabel (𝑋1 ) UHH memiliki nilai rata-rata yang rendah, hal
ini berarti bahwa tingkat kesehatan masyarakat tergolong kurang baik.
Beberapa penyebab rendahnya kualitas kesehatan di Kabupaten Pesisir
Barat adalah kurangnya sarana dan prasarana kesehatan, kurangnya air
bersih, dan kurangnya pengetahuan masyarakat tentang kesehatan. Pada
variabel (𝑋2 ) HLS juga memiliki nilai rata-rata rendah jika dibandingkan
dengan cluster lainnya. Salah satu penyebab rendahnya tingkat pendidikan
di Kabupaten Pesisir Barat adalah kurangnya sarana pendidikan dan
tingkat kesadaran masyarakat akan pentingnya pendidikan masih rendah.
Sedangkan untuk variabel (𝑋3 ) RLS memiliki nilai rata-rata yang tinggi.
Untuk variabel (𝑋4 ) PPP juga memiliki nilai rata-rata yang rendah, hal ini
berarti tingkat pendapatan per kapita tergolong kurang baik karena
rendahnya daya beli masyarakat berakibat pada pembangunan di bidang
ekonomi yang kurang baik. Berdasarkan hal tersebut, cluster 4 termasuk
kedalam capaian IPM yang kurang baik. Sesuai dengan karakteristiknya
dimana ketiga indikator IPM nya termasuk kategori rendah, maka cluster
3 termasuk kedalam cluster rendah.

Berikut merupakan peta hasil pengelompokkan Kabupaten/Kota di Provinsi

Lampung dengan empat cluster berdasarkan indikator Indeks Pembangunan
Manusia (IPM) Tahun 2020.

55
 Gambar 4.8 Peta pengelompokkan Provinsi Lampung dengan empat cluster

Berdasarkan hasil pengelompokkan dengan menggunakan metode K-Means

Clustering berdasarkan indikator Indeks Pembangunan Manusia (IPM), yang
termasuk kedalam cluster sangat tinggi adalah daerah perkotaan yaitu Kota
Bandar Lampung dan Kota Metro yang diberi warna merah. Pada cluster sangat
tinggi, dicirikan dengan angka yang sangat tinggi pada keempat indikator IPM.
Hal ini berarti penduduk di daerah perkotaan sudah mencapai kualitas kesehatan,
pendidikan, dan ekonomi yang sudah baik. Kualitas hidup yang sudah baik ini
sangat dipengaruhi oleh adanya program-program pembangunan baik dibidang
kesehatan, pendidikan, dan ekonomi.
Daerah yang termasuk kedalam cluster tinggi terdiri dari 5 kabupaten yaitu
Lampung Barat, Tanggamus, Lampung Utara, Way Kanan, Pesawaran, Mesuji
dan Tulang Bawang Barat. Pada cluster tinggi, dicirikan dengan angka yang
tinggi pada ketiga indikator IPM yaitu angka UHH tinggi, HLS tinggi, dan PPP
tinggi. Sedangkan untuk indikator RLS tergolong sedang. Hal ini berarti
masyarakat pada lima kabupaten tersebut sudah mencapai kualitas kesehatan,

56
pendidikan, dan ekonomi yang sudah baik namun membutuhkan perhatian lebih
dalam dimensi pendidikannya agar lebih baik lagi.
Daerah yang termasuk kedalam cluster sedang adalah tujuh wilayah
kabupaten yaitu Lampung Barat, Tanggamus, Lampung Utara, Way Kanan,
Pesawaran, Mesuji dan Tulang Bawang Barat. Pada cluster sedang, dicirikan
dengan angka UHH yang sedang dibandingkan dengan wilayah yang masuk
kedalam dua cluster lainnya. Hal ini menunjukkan bahwa penduduk wilayah
kabupaten memiliki kualitas hidup yang cukup baik. Dalam meningkatkan
kualitas hidup masyarkat diharapkan pemerintah menerapkan program-program
yang lebih inovatif dan tepat sasaran agar dapat meningkatkan capaian IPM yang
lebih baik. Untuk indikator IPM lainnya yaitu angka Harapan Lama Sekolah
(HLS) di 7 kabupaten juga tergolong sedang atau cukup baik. Sedangkan untuk
indikator RLS memiliki rata-rata angka RLS yang rendah jika dibandingkan
dengan wilayah-wilayah yang berada di dua cluster lainnya.
Berdasarkan hal tersebut, upaya pemerintah untuk memacu perbaikan
tingkat pendidikan harus terus ditingkatkan. Salah satu upaya pemerintah untuk
meningkatkan kualitas pendidikan di Lampung adalah dengan mengalokasikan
dana untuk sarana dan prasarana pendidikan [29]. Selain itu, untuk indikator PPP
pada cluster ini tergolong sedang. Hal ini menunjukkan bahwa kualitas standar
hidup layak manusia pada cluster sedang tergolong cukup baik dibandingakan
dengan dua cluster lainnya.
Pada cluster rendah hanya terdiri dari satu kabupaten yaitu Kabupaten
Pesisir Barat. Kabupaten Pesisir Barat termasuk kabupaten yang wilayah serta
masyarakatnya kurang berkembang dibandingkan dengan daerah lain.
Berdasarkan hal tersebut, pada cluster 4 dicirikan dengan ketiga indikator IPM
tergolong rendah jika dibandingkan dengan daerah yang berada pada cluster
lainnya. Adapun indikator IPM yang tergolong rendah yaitu UHH, HLS, dan PPP.
Sedangkan untuk indikator RLS di Kabupaten Pesisir Barat tergolong baik.
Berdasarkan hal tersebut, Kabupaten Pesisir Barat masih membutuhkan perhatian
yang lebih agar program pemerintah dapat tercapai terutama dalam membuat
program kerja sebaik mungkin terkait IPM.

57
 Dengan demikian, Kabupaten Kabupaten Pesisir Barat merupakan prioritas
utama bagi pemerintah, terutama dalam meningkatkan dan memperbaiki
infrastruktur yang ada agar memudahkan penduduk dalam melakukan aktifitas
ekonomi maupun sosial yang tentunya akan berdampak positif dalam peningkatan
kualitas hidup manusia berdasarkan indikator IPM. Selain itu, kabupaten yang
berdekatan dengan Pesisir Barat seperti Lampung Barat dan Tanggamus juga bisa
dijadikan prioritas bagi pemerintah sebagai upaya meningkatkan IPM Provinsi
Lampung.

58