METODE ANALISIS CLUSTER

PERTUMBUHAN EKONOMI KABUPATEN/KOTA DI PROVINSI KALIMANTAN BARAT

JURUSAN SIPIL

PRODI PERENCANAAN WILAYAH DAN KOTA

IMAM TRI RAMADHAN – D1091131004

RAFHI UDDIN SIAHAAN – D1091131015

MEITY WULANDARI – D1091131019

TAHUN AJARAN 2015/2016

FAKULTAS TEKNIK

UNIVERSITAS TANJUNGPURA

BAB I
 PENDAHULUAN

1.1 Latar Belakang

Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek berdasarkan karakteristik yang dimilikinya. Analisis cluster
mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain
berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal
yang tinggi dan heterogenitas eksternal yang tinggi. Berbeda dengan teknik multivariat lainnya,
analisis ini tidak mengestimasi set vaiabel secara empiris sebaliknya menggunakan setvariabel
yang ditentukan oleh peneliti itu sendiri. Fokus dari analisis cluster adlah membandingkan objek
berdasarkan set variabel, hal inilah yang menyebabkan para ahli mendefinisikan set variabel
sebagai tahap kritis dalam analisis cluster. Set variabel cluster adalah suatu set variabel yang
merpresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan analisis faktor adalah
bahwa analisis cluster terfokus pada pengelompokan objek sedangkan analisis faktor terfokus
pada kelompok variabel.
Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap penyelesaian/solusi
tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat diperoleh
dengan mengubah satu elemen atau lebih. Solusi cluster secara keseluruhan bergantung pada
variabel-variaabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau
pengurangan variabel-variabel yang relevan dapat mempengaruhi substansi hasi analisisi cluster.

Saat ini di Kalimantan Barat sudah mengalami perkembangan Kota/Kabupaten yang

begitu pesat dengan adanya perkembangan itu pula maka pembentukan Kota/Kabupten
menggolongkan wilayah tersebut dalam beberapa bagian. Maka dengan adanya Metode Cluster
ini membantu untuk menggolongkan Kota/Kabupaten tersebut menjadi bagian yang berbeda
dengan menggunakan beberapa variabel.

1.2 Rumusan Masalah

Rumusan Masalah memiliki peran penting di dalam sebuah penelitian karya ilmiah,
dalam penelitian ini akan membahas “Metode Analisis Cluster, Pertumbuhan Ekonomi
Kabupaten/Kota di Provinsi Kalimantan Barat”. Adapun permasalahan yang akan dikemukakan
dalam penulisan ini adalah melihat pengaruh pertumbuhan ekonomi terhadap potensi antar
Kabupaten/Kota yang ada di Provinsi Kalimantan Barat.

1.3 Tujuan dan Sasarana

Dalam penelitian ini diharapkan dapat mencapai tujuan sebagai berikut :

1) Untuk mengetahui pertumbuhan ekonomi suatu Kabupaten/Kota di Provinsi Kalimantan

Barat.
2) Untuk mengetahui pengaruh pertumbuhan ekonomi terhadap potensi yang dimiliki antar
Kabupaten/Kota di Provinsi Kalimantan Barat.

Dalam penelitian ini diharapkan dapat mencapai sasaran sebagai berikut :

1) Mengelompokan Kabupaten/Kota di Provinsi Kalimantan Barat.

2) Menganalisis pengaruh pertumbuhan ekonomi terhadap potensi yang dimiliki antar
Kabupaten/Kota di Provinsi Kalimantan Barat.

BAB II

PEMBAHASAN

2.1 Pengertian Analisis Cluster

Sama dengan analisis factor, analisis cluster (cluster analysis) termasuk

pada Interdependes Techniques. Namun ada perbedaan mendasar di antara kedua alat analisis
multivariate ini. Jika analisis factor (R factor analysis) bertujuan mereduksi variabel, analisis
cluster (Q factor analysis) lebih bertujuan mengelompokkan isi variabel, walaupun bisa juga
disertai dengan pengelompokan variabel. Tujuan utama aalisis cluster adalah mengelompokkan
objek berdasarkan kesamaan karakteristik di antara objek tersebut. Kemudian objek tersebut
akan diklasifikasikan ke dalam satu atau lebih kelompok (cluster). Jadi, dapat didefinisikan
bahwa Analisis cluster adalah teknik multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek-objek/cases berdasarkan karakteristik yang dimilikinya. Analisis cluster
mengklasifikasi objek sehingga setiap objek yang memiliki sifat yang mirip (paling dekat
kesamaannya) akan mengelompok kedalam satu cluster (kelompok) yang sama.

2.2 Metode Pengelompokan Cluster

Adapun metode pengelompokan dalam analisis cluster yaitu :

 Metode Hirarki, Metode ini memulai peneglompokan dengan dua atau lebih obyek yang
mempunyai kesamaan paling dekat. Kemudian diteruskan pada obyek yang lain dan
seterusnya hingga cluster akan memebentuk semacam pohon, dimana terdapat tingkatan
(hirarki) yang jelas antar obyek, dari yang paling mirip hingga yang paling tidak mirip.
Alat yang membantu untuk memperjelas proses hirarki ini disebut dendogram.
 Metode Non-Hirarki, Metode ini dimulai dengan menentukan terlebih dahulu jumlah
cluster yang di inginkan. Setelah jumlah cluster ditentukan, maka proses cluster
dilakukan dengan tanpa mengikuti proses hirarki. Metode ini biasa disebut K-Means
Cluster.

2.3 Proses Analisis Cluster

Untuk menganalisis cluster, anda perlu melakukan proses sebagai berikut :

Tahap 1 :

 Mengukur kesamaan antar objek (similarity). Sesuai prinsip analisis cluster yang
mengelompokkan objek yang mempunyai kemiripan, proses pertama adalah mengukur
seberapa jauh ada kesamaan antar objek. Metode yang digunakan:

 Mengukur korelasi antar sepasang objek pada beberapa variabel

  Mengukur jarak (distance) antara dua objek. Pengukuran ada bermacam-macam, yang
paling popular adalah metode Euclidian distance.

Tahap 2 :

Non-Hirarchial Methode

 Berbeda dengan metode hirarki, metode ini justru dimulai dengan terlebih dahulu jumlah
cluster yang diinginkan (dua cluster, tiga cluster atau yang lain). Setelah jumlah cluster
diketahui, baru proses cluster dilakukan tanpa mengikuti proses hirarki. Metode ini biasa
disebut dengan K-Means Cluster.
 Kebalikan dari metode hirarki, metode non-hirarki menempatkan objek-objek ke dalam
cluster sekaligus sehingga terbentuk sejumlah cluster tertentu. Langkah pertama adalah
memilih sebuah cluster sebagai inisial cluster pusat, dan semua objek dalam jarak tertentu
ditempatkan pada cluster yang terbentuk. Kemudian memilih cluster selanjutnya dan
penempatan dilanjutkan sampai semua objek ditempatkan. Objek-objek bisa ditempatkan
lagi jika jaraknya lebih dekat pada cluster lain daripada cluster asalnya.

Tahap 3 :

Melakukan validasi dan profiling cluster. Cluster yang terbentuk kemudian diuji apakah
hasil tersebut valid. Kemudian dilakukan proses profiling untuk menjelaskan karakteristik setiap
cluster berdasarkan profil tertentu (seperti usia konsumen pembeli rumah, tingkat
penghasilannya dan sebagainya). Analisis cluster agak bersifat subjektif dalam penentuan
penyelesaian cluster yang optimal, sehingga peneliti seharusnya memberikan perhatian yang
besar mengenai validasi dan jaminan tingkat signifikansi pada penyelesaian akhir dari cluster.

 Validasi termasuk usaha yang dilakukan oleh peneliti untuk menjamin bahwa hasil
cluster adalah representatif terhadap populasi secara umum, dan dengan demikian dapat
digeneralisasi untuk objek yang lain dan stabil untuk waktu tertentu. Pendekatan
langsung dalam hal ini adalah dengan analisis sample secara terpisah kemudian
membandingkan antara hasil cluster dengan perkiraan masing-masing cluster. Pendekatan
ini sering tidak praktis, karena adanya keterbatasan waktu dan biaya atau objek untuk
perkalian analisis cluster. Dalam hal ini pendekatan yang biasa digunakan adalah dengan
 membagi sample menjadi dua kelompok. Masing-masing dianalisis cluster secara
terpisah, kemudian hasilnya dibandingkan.
 Tahap Profiling meliputi penggambaran karakteristik masing- masing cluster untuk
menjelaskan bagaimana mereka bisa berbeda secara relevan pada tiap dimensi. Tipe ini
meliputi penggunaan analisis diskriminan. Prosedur dimulai setelah cluster ditentukan.

2.4 Manfaat Dalam Contoh Kasus

 Meramalkan Perkembangan suatu Kabupaten/Kota di Provinsi Kalimantan Barat

 Prediksi pertumbuhan (Tinggi, Sedang, dan Rendah) suatu Kabupaten/Kota di Provinsi

Kalimantan Barat

 Melihat kesamaan karakteristik potensi yang dimiliki antar wilayah satu dengan yang
lainnya dengan mudah dan berpola

Hasil dari analisis cluster dipengaruhi oleh obyek yang diclusterkan, peubah yang diamati,
ukuran kemiripan (jarak) antar Kabupaten/Kota.
 BAB III

HASIL ANALISIS

3.1 Contoh Kasus

Dari penelitian yang dilakukan terhadap 14 Kabupaten/Kota, ingin diketahui

pengelompokan Kabupaten/Kota tersebut berdasarkan instrumen 5 variabel yaitu :

1) Jumlah PDRB atas dasar harga konstan Kabupaten/Kota (juta Rp)

2) Jumlah pertumbuhan ekonomi Kabupaten/Kota (%)
3) Jumlah dana hibah yang dimiliki Kabupaten/Kota (milyar Rp)
4) Jumlah konsumsi pemerintah kota (milyar Rp)
5) Jumlah penduduk kota (juta jiwa)

Untuk itu dapat dilihat pada tampilan data dalam SPSS dibawah ini :
Sumber : BPS Provinsi Kalimantan Barat, 2014

Untuk menyelesaikan contoh kasus diatas dengan aplikasi program SPSS ,perlu dilakukan
beberapa proses.

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

PDRB 14 488 7436 2410.93 1997.390

Pertumbuhan_Ekonomi 14 3.17 6.69 5.7350 .83703
Dana_Hibah 14 6 9 7.50 1.160
Konsumsi_Pemerintah 14 50 88 72.36 12.087
Jumlah_Penduduk 14 99 575 327.43 150.076
Valid N (listwise) 14

Data diatas digunakan sebagai dasar perhitungan z-score yang diperoleh. Kemudian akan muncul
tabel dari tampilan data view seperti berikut :
Selanjutnya akan dilakukan metode non-hirarki dengan k-means cluster.

Initial Cluster Centers

Cluster

1 2 3

Zscore(PDRB) .43711 -.54618 2.51582

Zscore(Pertumbuhan_Ekonomi) .17323 -3.06439 .40022
Zscore(Dana_Hibah) 1.29284 -.43095 -.43095
Zscore(Konsumsi_Pemerintah) -1.84970 -.69142 .96326
Zscore(Jumlah_Penduduk) 1.18321 -.57590 -.88907

Tabel diatas merupakan tampilan pertama proses clustering data sebelum dilakukan iterasi.
Untuk mendeteksi berapa kali proses iterasi yang dilakukan dalam proses clustering dari 14
obyek yang diteliti, dapat dilihat pada tampilan output berikut ini :
 Iteration Historya

Iteration Change in Cluster Centers

1 2 3

1 2.302 .000 2.007

dimension0

2 .272 .000 .591

3 .000 .000 .000

a. Convergence achieved due to no or small change in

cluster centers. The maximum absolute coordinate
change for any center is .000. The current iteration is
3. The minimum distance between initial centers is
4.342.

Dari tabel dapat terlihat akan dilakukan melalui 3 tahapan iterasi untuk mendapatkan cluster
yang tepat. Dari tabel dapat terlihat bahwa jarak minimum antar pusat cluster yang terjadi dari
hasil iterasi adalah 4,342. Adapun hasil akhir dari proses clustering yaitu :

Final Cluster Centers

Cluster

1 2 3

Zscore(PDRB) -.13069 -.54618 .43060

Zscore(Pertumbuhan_Ekonomi) .26217 -3.06439 .17622
Zscore(Dana_Hibah) .52671 -.43095 -1.07736
Zscore(Konsumsi_Pemerintah) -.24098 -.69142 .71506
Zscore(Jumlah_Penduduk) -.02655 -.57590 .20371

Output final cluster centers tersebut masih terkait dengan proses strandardiasi data sebelumnya,
yang mengacu pada z-score dengan ketentuan :
 Nilai negative (-) berarti data dibawah rata-rata total.
 Nilai positif (+) berarti data berada di atas rata-rata total.
Dari tabel output final cluster centers, dengan ketentuan yang telah ditentukan maka :
  Cluster 1
Pada cluster 1 berisikan kota-kota yang memiliki jumlah pertumbuhan ekonomi dan jumlah dana
hibah yang lebih dari rata-rata populasi kota yang diteliti. Hal ini terbukti dari nilai positif (+)
yang terdapat pada tabel output dalam keseluruhan variabel. Dengan demikian, dapat diprediksi
bahwa cluster 1 merupakan pengelompokan dari Kabupaten/Kota dengan pertumbuhan sedang.

 Cluster 2
Pada cluster 2 berisikan kota-kota yang memiliki jumlah PDRB, jumlah pertumbuhan ekonomi,
jumlah dana hibah, jumlah konsumsi pemerintah, dan jumlah penduduk yang kurang dari rata-
rata populasi kota yang diteliti. Hal ini terbukti dari nilai positif (-) yang terdapat pada tabel
output dalam keseluruhan variabel. Dengan demikian, dapat diprediksi bahwa cluster 2
merupakan pengelompokan dari Kabupaten/Kota dengan pertumbuhan rendah.

 Cluster 3
Pada cluster 3 berisikan kota-kota yang memiliki jumlah PDRB, jumlah pertumbuhan ekonomi,
jumlah konsumsi pemerintah, dan jumlah penduduk yang lebih dari rata-rata populasi kota yang
diteliti. Hal ini terbukti dari nilai positif (+) yang terdapat pada tabel output dalam keseluruhan
variabel. Dengan demikian, dapat diprediksi bahwa cluster 3 merupakan pengelompokan dari
Kabupaten/Kota dengan pertumbuhan tinggi.

Selanjutnya, melihat perbedaan variabel pada cluster yang terbentuk. Ini dapat terlihat dari nilai
F dan nilai probabilitas (sig) masing-masing variabel, seperti dibawah ini :
 ANOVA

Cluster Error

Mean Square df Mean Square df F Sig.

Zscore(PDRB) .597 2 1.073 11 .556 .589

Zscore(Pertumbuhan_Ekonomi) 5.067 2 .261 11 19.441 .000
Zscore(Dana_Hibah) 3.663 2 .516 11 7.100 .010
Zscore(Konsumsi_Pemerintah) 1.523 2 .905 11 1.683 .230
Zscore(Jumlah_Penduduk) .252 2 1.136 11 .222 .805

The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among cases in
different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the
cluster means are equal.

Dimana dalam tabel diatas, MS Between ditunjukkan oleh mean square kolom cluster ,
sedangkan MS Within ditunjukkan oleh means square kolom error.

Semakin besar nilai F dan (sig < 0,05), maka semakin besar perbedaan variabel pada cluster yang
terbentuk

Dengan demikian hasil cluster yang di dapat dalam penelitian ini bahwa instrument jumlah
pendapatan kota yang paling menunjukkan perbedaaan diantara kota-kota pada ketiga cluster
yang terbentuk, yang ditunjukkan nilai F = 19,441 dan sig = 0,000 dan seterusnya.Selanjutnya
untuk mengetahui jumlah anggota masing-masing cluster yang terbentuk dapat terlihat pada tabel
output berikut ini :

Number of Cases in each Cluster

Cluster 1 9.000

2 1.000

3 4.000
Valid 14.000

Missing .000

Dari tabel dapat terlihat bahwa cluster 1 beranggotakan 9 kota, cluster 2 berisi 1 kota, dan cluster
3 terdapat 4 kota yang mengelompok. Dan untuk mengetahui kota-kota mana saja yang termasuk
dalam kategori tiap cluster dapat kembali dilihat tampilan data view pada kolom terakhir berikut
ini :

Dari tabel qcl_1 merupakan nomor keberadaan cluster dan tabel qcl_2 merupakan jarak antara
obyek dengan pusat cluster, dapat terlihat pemaparan dibawah ini :

Cluster 1 :

1) kota Kab. Sambas – 2.22907

2) Kab. Bengkayang – 1.40761
3) Kab. Landak – 1.25380
4) Kab. Ketapang – 1.87681
5) Kab. Sintang – 1.61990
6) Kab.Sekadau – 1.58393
7) Kab. Melawi – 1.45735
8) Kab. Kayong Utara – 2.60799
9) Kab. Kubu Raya – 2.46413

Cluster 2 berisikan :

1) Kabupaten Pontianak - 0
Cluster 3 :

1) Kab. Sanggau – 1.06525

2) Kab. Kapuas Hulu – 1.43681
3) Kota Singkawang – 2.46413
4) Kota Pontianak – 1.77222

BAB IV

PENUTUP

4.1 Kesimpulan

Jadi, dapat disimpulkan bahwa dari 3 pengelompokan (cluster) terdapat beberapa kota
yang memiliki kesamaan karakteristik terhadap potensi pertumbuhan ekonomi Kabupaten/Kota
yaitu pada cluster 3 (Pertumbuhan Tinggi) yang berisikan 4 kota beserta jarak antara obyek satu
dengan yang lainnya, sebagai berikut berisikan Kab. Sanggau – 1.06525, Kab. Kapuas Hulu –
1.43681, Kota Singkawang – 2.46413, Kota Pontianak – 1.77222 , cluster 1 (Pertumbuhan
Sedang) yang berisikan 9 kota beserta jarak antara obyek satu dengan yang lainnya, sebagai
berikut berisikan Kab. Sambas – 2.22907, Kab. Bengkayang – 1.40761, Kab. Landak – 1.25380,
Kab. Ketapang – 1.87681, Kab. Sintang – 1.61990, Kab.Sekadau – 1.58393, Kab. Melawi –
1.45735, Kab. Kayong Utara – 2.60799, Kab. Kubu Raya – 2.46413, dan cluster 2 (Pertumbuhan
Rendah) yang berisikan 1 kota beserta jarak antara obyek satu dengan yang lainnya yaitu
Kabupaten Pontianak – 0.

4.2 Rekomendasi

Berhubungan dengan Perencanaan Wilayah dan Kota, Metode Analisis Cluster dapat
digunakan dalam mengelompokkan kesamaan karakteristik potensi pertumbuhan tinggi,
pertumbuhan sedang, dan pertumbuhan rendah yang dimiliki antar Kabupaten/Kota di Provinsi
Kalimantan Barat.

DAFTAR PUSTAKA

__-https://portal_statistik.com, diunduh tanggal 28 Mei 2015

__-https://naufalmti.files.wordpress.com/2010/07/modul-cluster.pdf Statistikian.2014.Analisis
Cluster. Diunduh tanggal 28 Mei 2015

__-http://www.statistikian.com/2014/03/analisis-cluster.html. Di unduh pada tanggal 29 Mei

2015.