Prosiding Seminar Nasional MIPA 2016

“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”

Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Pengelompokkan Kabupaten/Kota Di Pulau Jawa Berdasarkan

Pembangunan Manusia Berbasis Gender Menggunakan
Bisecting K-Means
Dila Fitriani Azuri*, Zulhanif, Resa Septiani Pontoh

Departemen Statistika, FMIPA Universitas Padjadjaran

*E-mail: dilafazuri@gmail.com

Abstrak

Pemaknaan gender pada pembangunan manusia berbasis gender mengacu pada perbedaan laki-laki dan
perempuan dalam peran, perilaku, kegiatan serta atribut yang dikontruksikan secara sosial. Perbedaan ini
tidak menjadi masalah bila disertai keadilan, namun dalam kenyataannya terjadi ketidakadilan gender.
Indikator untuk evaluasi pembangunan berbasis gender, yaitu Indeks Pembangunan Gender (IPG) dan
Indeks Pemberdayaan Gender (IDG). Nilai IPG dan IDG pada setiap Kabupaten/Kota di pulau Jawa
masih terjadi ketimpangan yang menandakan belum terjadinya pemerataan pembangunan yang dirasakan
oleh seluruh rakyat. Salah satu prasyarat keberhasilan program pembangunan bergantung pada ketepatan
pengidentifikasian target group dan target area. Pada penelitian ini digunakan Bisecting K-means untuk
pengelompokkan Kabupaten/Kota di Pulau Jawa. Dari penelitian didapatkan 3 klaster yang terbentuk baik
pada laki-laki ataupun perempuan. Pada klaster laki-laki, klaster 1 beranggotakan 32 Kabupaten/Kota,
anggota pada klaster 2 yaitu 43 Kabupaten/Kota, dan klaster 3 terdapat 44 Kabupaten/Kota. Nilai
silhouette coefficient pada klaster laki-laki yaitu 0,3. Sedangkan pada klaster perempuan yaitu dimana
pada klaster 1 beranggotakan 42 Kabupaten/Kota, anggota pada klaster 2 yaitu 42 Kabupaten/Kota, dan
klaster 3 terdapat 35 Kabupaten/Kota. Nilai silhouette coefficient pada klaster perempuan yaitu 0,26. Baik
pada klaster perempuan ataupun laki-laki, klaster yang terbentuk masih tergolong lemah.

Kata Kunci: Bisecting K-means, Metode Elbow, Pembangunan Manusia Berbasis Gender, Radial Plot,
Silhouette Coefficient

1. Pendahuluan kebijakan dan strategi pembangunan bisa tepat

Pembangunan manusia berbasis gender
merupakan salah satu indikator yang menjadi
perhatian dunia. Pemaknaan gender mengacu pada
perbedaan laki-laki dan perempuan, perbedaan ini
tidak menjadi masalah bila disertai keadilan antar
keduanya. Namun kenyataannya telah terjadi
ketidakadilan gender, dimana salah satu jenis
kelamin mengalami diskriminasi. Untuk
menghilangkan ketidakadilan gender maka
diperlukan kesetaraan dan keadilan gender dalam
proses bermasyarakat dan bernegara (BPS, 2015).
Indikator untuk evaluasi pembangunan berbasis
gender yaitu Indeks Pembangunan Gender (IPG)
dan Indeks Pemberdayaan Gender (IDG). IPG
dapat mengukur kesenjangan pembangunan antara
laki-laki dan perempuan serta IDG dapat
mengukur persamaan peranan perempuan dan laki-
laki dalam pengambilan keputusan, politik, dll.
Namun pada kenyataannya masih terjadi
ketimpangan IPG dan IDG, dimana masih terdapat
Kabupaten/Kota yang memiliki IPG atau IDG
tertinggi atau terendah. Hal ini menandakan belum
adanya pemerataan pembangunan manusia
berbasis gender yang tentu bertentangan dengan
tujuan pembangunan di Indonesia, yaitu adanya
pemerataan hasil pembangunan yang dapat
dirasakan oleh seluruh penduduk. Untuk
melaksanakan program pembangunan perlu adanya
identifikasi berdasarkan indikator pembangunan
manusia berbasis gender agar dalam mengambil
sasaran dan tepat guna. Salah satu prasyarat
keberhasilan program-program pembangunan
sangat bergantung pada ketepatan
pengidentifikasian target group dan target area
(Basri, 1995, seperti dikutip Yulianto, 2014).
Salah satu teknik pengelompokkan yaitu
clustering. Clustering merupakan proses
mengelompokkan objek ke dalam sebuah klaster,
objek yang berada pada klaster sama memiliki
kemiripan tinggi (Hair dkk., 2010). Dalam
clustering terdapat dua metode, yaitu metode
hirarki dan metode non hirarki. Metode hirarki
memiliki kelemahan yaitu tidak cocok untuk data
dengan jumlah observasi yang besar (Hair dkk.,
2010). Sedangkan metode non hirarki dapat
digunakan untuk data yang berjumlah besar
(Johnson dan Wichern, 2007:696). Salah satu
pendekatan dari metode non hirarki adalah
Bisecting K-means. Beberapa penelitian telah
dilakukan mengenai metode ini. Bisecting K-
means merupakan jenis lain dari K-means.
Bisecting K-means lebih baik daripada K-means
dan sama baik atau lebih baik daripada metode
hirarki (Steinbatch dkk., 2000:1). Bisecting K-
means menghasilkan klaster yang seragam
(memiliki ukuran yang sama), tidak menghasilkan
empty cluster, waktu perhitungan lebih cepat,
tingkat akurasi lebih baik, dan lebih efisien jika
jumlah klaster bertambah (Patil dan Khan,
2015:40).

78
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

2. Metode dengan menggunakan K-means dan mengikuti

2.1 Metode Pengumpulan Data aturan dibawah ini:
Data yang digunakan dalam penelitian ini
merupakan data sekunder, yaitu data dari publikasi
Badan Pusat Statistik dengan judul Pembangunan
Manusia Berbasis Gender 2015. Kabupaten/Kota 3. Hitung centroid dari ML dan MR, yaitu dan
di Pulau Jawa berjumlah 119 dan variabel yang .
terlibat dalam penelitian ini berjumlah enam
4. Jika dan berhenti.
variabel, yaitu angka harapan hidup, rata-rata lama
sekolah, harapan lama sekolah, pengeluaran per Namun, jika dan dan
kapita, keterwakilan di parlemen, dan profesi ulangi langkah ke-2.
sebagai tenaga manajer, profesional, administrasi,
dan teknisi. 2.2.3 Silhouette Coefficient
Setelah dilakukan pengelompokkan, maka
2.2 Metode Analisis Data selanjutnya mengevaluasi hasil pengelompokkan
2.2.1 Metode Elbow menggunakan validasi klaster. Validasi klaster
Sebelum melakukan pengelompokkan, sama dilakukan untuk mengukur seberapa baik hasil
seperti K-means, pada Bisecting K-means jumlah pengelompokkan yang didapat. Dalam penelitian
klaster ditentukan terlebih dahulu. Penentuan ini digunakan salah satu internal validation index
jumlah klaster menggunakan metode Elbow. yaitu Silhouette Coefficient. Dengan langkah
Penentuan jumlah klaster pada metode ini dapat sebagai berikut (Kaufman dan Rousseeauw, 2005):
dihasilkan dari perbandingan hasil SSE (Sum of
Square Error) pada masing-masing jumlah klaster 1. Hitung nilai silhouette dengan rumus sebagai
dengan rumus SSE sebagai berikut (Irwanto dkk., berikut:
2012, seperti dikutip Merliana, 2015:17):

dengan,
dengan,
a(i)= Rata-rata jarak i terhadap semua objek di
= Nilai atau data pada objek ke-i klaster A
= Centroid pada klaster b(i)= Rata-rata jarak i terhadap semua objek
pada klaster lain
2.2.2 Bisecting K-means Nilai silhouette berada pada interval −1 ≤
Setelah menentukan jumlah klaster lalu s(i) ≤ 1. Tabel berikut menyajikan interpretasi
dilakukan pengelompokkan menggunakan nilai silhouette yang mengindikasikan derajat
Bisecting K-means. Bisecting K-means kepemilikan tiap objek.
menggunakan centroid sebagai pusat klaster dan
Tabel 1. Interpretasi Nilai Silhouette
menggunakan nila rata-rata sebagai centroidnya.
Misalkan terdapat set data matriks Silhouette Interpretasi
(dimana setiap Nilai s(i) Menunjukkan bahwa jarak a(i) lebih
kolom M, , adalah titik data) dibagi menjadi mendekati besar daripada b(i). Sehingga objek i
-1 seharusnya berada di klaster B.
dua submatriks (subklaster) yaitu dan Nilai s(i) Menunjukkan bahwa a(i) dan b(i) sama.
dan . Berikut berada Artinya objek i bisa masuk ke klaster A
di sekitar 0 atau B.
merupakan langkah-langkah Bisecting K-means
Nilai s(i) Menunjukkan bahwa jarak dalam a(i)
(Savaresi dkk., 2000:2): mendekati lebih kecil dibanding jarak b(i). Hal ini
1. Inisialisasi. Pilih point atau titik data, misal 1 menandakan bawah objek i memang
; lalu hitung centroid (w) dari matriks berada pada klaster A.
M, dan hitung sebagai Sumber: Kaufmaan dan Rousseeauw, 2005:85

. Dimana rumus untuk 2. Menghitung nilai silhouette width, yaitu nilai

menghitung centroid (w) adalah sebagai rata-rata silhouette pada semua objek yang
berikut: berada dalam masing-masing klaster.
3. Menghitung nilai Silhouette Coefficient.

dengan,
N = Jumlah objek
= Kolom ke-j pada M
2. Bagi matriks
menjadi dua subklaster, yaitu ML dan MR

79
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Tabel 2. Interpretasi Nilai Silhouette Coefficient Tabel 3. Hasil Pengelompokkan menggunakan Bisecting K-
means untuk Jenis Kelamin Laki-laki
Silhouette Interpretasi
Coefficient Klaster 1 Klaster 2 Klaster 3
0,71-1,00 Klaster yang kuat Sum 75.0314 98.5433 105.1935
0,51-0,70 Klaster telah layak atau sesuai Square
0,26-0,50 Klaster yang lemah Error
≤ 0,25 Tidak dapat dikatakan sebagai klaster Jumlah 32 43 44
Sumber: Kaufmaan dan Rousseeauw, 2005:88 Anggota
Anggota Kota Jakarta Sukabumi Kep. Seribu
Selatan
2.2.4 Interpretasi dan Profiling Klaster
Kota Jakarta Cianjur Bogor
Setelah validasi klaster yang telah terbentuk, Timur
selanjutnya dilakukan interpretasi dan profiling Kota Jakarta Bandung Ciamis
klaster. Tahap interpretasi klaster merupakan tahap Pusat
memberikan label yang dapat mendeskripsikan Kota Jakarta Garut Kuningan
Barat
klaster tersebut dan tahap profiling klaster yaitu Kota Jakarta Tasikmalaya Sumedang
memahami karakteristik yang membedakan Utara
masing-masing klaster (Hair dkk., 2010: 513). Kota Bogor Cirebon Bekasi
Untuk tahap profiling dari klaster yang telah Kota Sukabumi Majalengka Kota
terbentuk dapat menggunakan Radial Plot. Radial Tasikmalaya
Kota Bandung Indramayu Kota Banjar
Plot merupakan cara yang paling efektif untuk Kota Cirebon Subang Cilacap
menampilkan profil klaster (Williams, 2014:29). Kota Bekasi Purwakarta Banyumas
Kota Depok Karawang Purworejo
4. Hasil dan Pembahasan Kota Cimahi Bandung Boyolali
Satuan pada variabel yang digunakan berbeda- Barat
Karanganyar Pangandaran Klaten
beda. Oleh karena itu perlu dilakukan standarisasi Kota Magelang Purbalingga Sukoharjo
data, salah satunya menggunakan z-score. Setelah Kota Surakarta Banjarnegara Wonogiri
proses standarisasi dilakukan selanjutnya Kota Salatiga Kebumen Sragen
menentukan jumlah klaster. Dalam penelitian ini Kota Semarang Wonosobo Grobogan
jumlah klaster yang akan dibentuk yaitu sebanyak Kota Tegal Magelang Pati
Bantul Blora Kudus
3 klaster. Dimana akan dibedakan klaster untuk
Sleman Rembang Jepara
jenis kelamin laki-laki dan klaster untuk jenis Kota Temanggung Demak
kelamin perempuan. Adapun dalam komputasinya Yogyakarta
menggunakan software R dan Python. Sidoarjo Batang Semarang
Gresik Pemalang Kendal
Kota Kediri Tegal Pekalongan
4.1 Klaster untuk Jenis Kelamin Laki-laki
Kota Malang Brebes Kota
Dengan menggunakan algoritma Bisecting K- Pekalongan
means maka didapatkan hasil pengelompokkan Kota Mojokerto Pacitan Kulon Progo
Seperti ditunjukkan pada Tabel 3. Kota Madiun Trenggalek Gunung Kidul
Pada Tabel 3 dapat dilihat anggota pada Kota Surabaya Malang Ponorogo
masing-masing klaster. Dimana pada klaster 1 Kota Batu Lumajang Tulungagung
Kota Tangerang Jember Blitar
beranggotakan 32 Kabupaten/Kota, anggota pada Kota Tangerang Banyuwangi Kediri
klaster 2 yaitu 43 Kabupaten/Kota, dan klaster 3 Selatan Bondowoso Mojokerto
terdapat 44 Kabupaten/Kota. Nilai sum sequared Situbondo Jombang
error terbesar yaitu pada klaster 3 dan terkecil Probolinggo Nganjuk
yaitu pada klaster 1. Setelah melakukan Pasuruan Madiun
Ngawi Magetan
pengelompokkan selanjutnya lakukan validasi Bojonegoro Lamongan
klaster menggunakan silhouette coefficient untuk Tuban Kota Blitar
melihat hasil dari pengelompokkan yang telah Bangkalan Kota
dilakukan. Probolinggo
Pada Gambar 1 dapat dilihat hasil dari Sampang Kota Pasuruan
Pamekasan Tangerang
Silhouette. Dimana nilai Silhouette Coefficient Sumenep Kota Cilegon
yaitu sebesar 0,3. Hal ini menandakan bahwa Pandeglang Kota Serang
klaster yang telah terbentuk dapat dikatakan klaster Lebak
yang lemah. Dapat dilihat pada masing-masing Serang
klaster masih terdapat nilai silhouette
Kabupaten/Kota yang bernilai negatif, yang artinya
masih terdapat Kabupaten/Kota yang seharusnya
tidak berada pada klaster tersebut namun berada
klaster itu.

80
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

4.2 Klaster untuk Jenis Kelamin Perempuan

Berikut merupakan hasil pengelompokkan
dengan menggunakan algoritma Bisecting K-
means untuk data jenis kelamin perempuan yang
ditunjukkan pada Tabel 4.
Tabel 4. Hasil Pengelompokkan menggunakan Bisecting K-
means untuk Jenis Kelamin Perempuan

Klaster 1 Klaster 2 Klaster 3

Sum 99.0563 95.4478 82.9358
Square
Error
Jumlah 42 42 35
Anggota
Gambar 1. Plot Silhouette untuk Klaster Laki-laki
Anggota Kota Jakarta Kota Kota Jakarta
Timur Sukabumi Selatan
Kota Jakarta Kota
Pusat Bandung Kota Bekasi
Kota Jakarta
Barat Kota Cirebon Karanganyar
Kota Jakarta Kota
Utara Kota Depok Magelang
Kota Bogor Kota Cimahi Sidoarjo
Kota Kota
Semarang Surakarta Sukabumi
Kota Malang Kota Salatiga Cianjur
Kota
Mojokerto Kota Tegal Garut
Kota Madiun Bantul Majalengka
Gambar 2. Radial Plot untuk Klaster Laki-laki Kota Surabaya Sleman Indramayu
Kota
Dapat dilihat pada Gambar 2 menunjukkan Kota Batu Yogyakarta Purwakarta
Kabupaten/Kota yang tergabung dalam klaster 1 Kota
memiliki angka harapan hidup, harapan lama Tangerang Gresik Karawang
sekolah, rata-rata lama sekolah, dan pengeluaran Kota
Tangerang
per kapita tertinggi dibandingkan dengan Selatan Kota Kediri Purbalingga
Kabupaten/Kota pada klaster lain. Pada klaster 1 Bandung
variabel yang memiliki nilai tertinggi yaitu rata- Barat Bandung Kebumen
rata lama sekolah. Artinya bahwa pada Pangandaran Tasikmalaya Wonosobo
Kabupaten/Kota tersebut penduduk laki-laki Banjarnegara Cirebon Rembang
Tegal Subang Temanggung
banyak yang menempuh pendidikan. Sedangkan Bondowoso Magelang Batang
variabel yang memiliki nilai terkecil yaitu Situbondo Blora Pemalang
ketenagakerjaan sebagai profesional, teknisi, Probolinggo Trenggalek Brebes
administrasi walaupun tidak paling kecil Pasuruan Lumajang Pacitan
dibandingan dengan klaster lain. Jadi pada klaster Ngawi Jember Malang
Bojonegoro Banyuwangi Lebak
1 ini berisi Kabupaten/Kota yang memiliki angka
Tuban Sampang Serang
harapan hidup, harapan lama sekolah, rata-rata Bangkalan Pandeglang Kep. Seribu
lama sekolah, dan pengeluaran perkapita tertinggi Pamekasan Kuningan Bogor
dibanding klaster lain, namun memiliki Sumenep Sumedang Ciamis
keterwakilan di parlemen yang paling rendah Boyolali Bekasi Klaten
dibanding Kabupaten/Kota pada klaster lain. Kota
Wonogiri Tasikmalaya Sukoharjo
Pada klaster 2 variabel yang memiliki nilai Semarang Kota Banjar Sragen
tertinggi yaitu keterwakilan di parlemen sedangkan Gunung Kidul Cilacap Grobogan
variabel yang memiliki nilai terendah yaitu rata- Ponorogo Banyumas Pati
rata lama sekolah. Artinya bahwa memang pada Tulungagung Purworejo Demak
laki-laki Kabupaten/Kota yang berada pada klaster Blitar Kudus Kota Blitar
Kediri Jepara Kota Cilegon
2 lebih berminat dalam dunia politik daripada Mojokerto Kendal
bersekolah. Sedangkan pada klaster 3, variabel Jombang Pekalongan
keterwakilan ketenagakerjaan merupakan variabel Kota
dengan nilai yang tertinggi dibandingkan dengan Nganjuk Pekalongan
variabel lain dan dibandingan dengan nilai Madiun Kulon Progo
Kota Pasuruan Magetan
keterwakilan di parlemen pada klaster lain. Tangerang Lamongan
Sedangkan yang terendah yaitu variabel Kota
keterwakilan di parlemen. Kota Serang Probolinggo

81
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Pada Tabel 4 dapat dilihat anggota pada
masing-masing klaster. Dimana pada klaster 1
beranggotakan 42 Kabupaten/Kota, anggota
pada klaster 2 yaitu 42 Kabupaten/Kota, dan
klaster 3 terdapat 35 Kabupaten/Kota. Nilai
sum squared error terbesar yaitu pada klaster 1
dan terkecil yaitu pada klaster 3. Setelah
melakukan pengelompokkan selanjutnya
lakukan validasi klaster menggunakan
silhouette coefficient untuk melihat hasil dari
pengelompokkan yang telah dilakukan.
klaster 1, variabel yang memiliki nilai tertinggi
yaitu rata-rata lama sekolah serta variabel yang
memiliki nilai terendah yaitu keterwakilan di
parlemen. Sedangkan kondisi pada klaster 2
merupakan kebalikan dari klaster 1. Dimana
variabel keterwakilan di parlemen merupakan
variabel yang memiliki nilai paling besar dan
variabel yang memiliki nilai paling kecil yaitu
rata-rata lama sekolah. Sedangkan pada klaster 3
variabel yang memiliki nilai tertinggi yaitu
variabel harapan lama sekolah dan variabel yang
memiliki nilai terendah yaitu keterwakilan
perempuan diparlemen.

Tabel 5. Perbandingan Variabel yang Memiliki Nilai Tertinggi

dan Terendah pada Masing-masing Klaster Berdasarkan Jenis
Kelamin

Klas Klaster Laki-laki Klaster Perempuan

ter Tertinggi Terendah Tertinggi Terendah
1 Rata-rata Ketenaga- Rata-rata Keterwakil-
lama kerjaan lama an di
sekolah sekolah parlemen
35 | 0.26
2 Keterwakil- Rata-rata Keterwakil- Rata-rata
an di lama an lama
parlemen sekolah diparlemen sekolah
3 Ketenaga- Keterwakil- Harapan Keterwakil-
kerjaan an di lama an di
parlemen sekolah parlemen

Gambar 3. Plot Silhouette untuk Klaster Perempuan Dapat dilihat dalam Tabel 5 bahwa terdapat
kesamaan variabel tertinggi ataupun terendah pada
Pada Gambar 3 dapat dilihat hasil dari
klaster walaupun Kabupaten/Kota yang termasuk
Silhouette. Dimana nilai Silhouette Coefficient
ke dalam klaster yang berdasarkan jenis kelamin
yaitu sebesar 0,26. Hal ini menandakan bahwa
berbeda-beda. Pada klaster 1 baik itu klaster laki-
klaster yang telah terbentuk dapat dikatakan klaster
laki atau perempuan, variabel yang memiliki nilai
yang lemah. Hal ini disebabkan karena masih
tertinggi adalah rata-rata lama sekolah. Pada
terdapat nilai silhouette Kabupaten/Kota pada
klaster 2 baik itu untuk klaster laki-laki ataupun
masing-masing klaster yang bernilai negatif.
perempuan memiliki kesamaan pada variabel yang
Artinya masih terdapat Kabupaten/Kota yang
memiliki nilai tertinggi atau terendah. Variabel
seharusnya tidak berada pada klaster tersebut
yang memiliki nilai tertinggi adalah keterwakilan
namun berada klaster itu.
di parlemen sedangkan variabel yang memiliki
nilai terendah yaitu rata-rata lama sekolah. Pada
klaster 3 memiliki kesamaan pada variabel yang
memiliki nilai terendah yaitu keterwakilan di
parlemen.

Gambar 4. Radial Plot untuk Klaster Perempuan
Pada Gambar 4 dapat dilihat bahwa klaster 1
memiliki nilai tertinggi pada semua variabel
apabila dibandingkan dengan klaster 2 dan 3.
Artinya Kabupaten/Kota yang termasuk ke dalam
klaster 1 ini memiliki nilai angka harapan hidup,
rata-rata lama sekolah, harapan lama sekolah,
pengeluaran per kapita, keterwakilan di parlemen,
dan ketenagakerjaan paling baik bila dibandingkan
dengan Kabupaten/Kota pada klaster lain. Pada
4. Kesimpulan
Dari hasil penelitian yang telah dilakukan baik
hasil pengelompokkan pada jenis kelamin
perempuan ataupun laki-laki memiliki nilai
silhouette yang tidak terlalu baik. Dimana nilai
tersebut menandakan bahwa klaster yang telah
terbentuk adalah klaster yang lemah. Hal ini
dikarenakan masih terdapat Kabupaten/Kota yang
seharusnya tidak berada dalam klaster tersebut
yang akan menyebabkan nilai silhouette yang
didapat menjadi kecil.
Pada klaster laki-laki terbentuk 3 klaster.
Dimana pada klaster 1 beranggotakan 32
Kabupaten/Kota, anggota pada klaster 2 yaitu 43
Kabupaten/Kota, dan klaster 3 terdapat 44
Kabupaten/Kota. Pada klaster 1 variabel yang

82
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1
memiliki nilai tertinggi yaitu rata-rata lama
sekolah. Sedangkan variabel yang memiliki nilai
terkecil yaitu ketenagakerjaan sebagai profesional,
teknisi, administrasi. Pada klaster 2 variabel
yang memiliki nilai tertinggi yaitu keterwakilan di
parlemen sedangkan variabel yang memiliki nilai
terendah yaitu rata-rata lama sekolah. Sedangkan
pada klaster 3, variabel keterwakilan
ketenagakerjaan merupakan variabel dengan nilai
yang tertinggi dan variabel yang memiliki nilai
terendah yaitu variabel keterwakilan di parlemen.
Pada klaster perempuan terbentuk 3 klaster.
Dimana pada klaster 1 beranggotakan 42
Kabupaten/Kota, anggota pada klaster 2 yaitu 42
Kabupaten/Kota, dan klaster 3 terdapat 35
Kabupaten/Kota. Pada klaster 1, variabel yang
memiliki nilai tertinggi yaitu rata-rata lama
sekolah serta variabel yang memiliki nilai terendah
yaitu keterwakilan di parlemen. Pada klaster 2,
variabel keterwakilan di parlemen memiliki nilai
paling besar dan variabel yang memiliki nilai
paling kecil yaitu rata-rata lama sekolah.
Sedangkan pada klaster 3 variabel yang memiliki
nilai tertinggi yaitu variabel harapan lama sekolah
dan variabel yang memiliki nilai terendah yaitu
keterwakilan perempuan diparlemen. Dengan
diketahuinya nilai variabel yang masih kurang
pada masing-masing klaster, diharapkan
pemerintah Kabupaten/Kota dapat mengeluarkan
kebijakan-kebijakan yang dapat meningkatkan
nilai variabel tersebut.
Saran untuk penelitian selanjutnya yaitu
mencoba menggunakan validasi klaster yang lain,
tidak hanya bergantung pada satu metode validasi
klaster agar dapat dibandingkan. Serta untuk
profiling klaster dapat dicobakan analisis
diskriminan.
Ucapan Terima Kasih
Terima kasih pada pihak-pihak yang telah
membantu secara substansi maupun finansial.
83
Daftar Pustaka
Badan Pusat Statistika dan Kementerian
Pemberdayaan Perempuan dan Perlidungan
Anak. 2015. Pembangunan Manusia Berbasis
Gender 2015. Pulau Jawa: CV. Lintas
Khatulistiwa.
Hair, Joseph F., Ronald L. Tatham, Rolph E.
Anderson, dan William Black. 2010.
Multivariate Data Analysis seventh edition.
New Jersey: Prentice-Hall.
Johnson, Richard, dan Dean Wichern. 2007.
Applied Multivariate Statistical Analysis (6th
ed.). New Jersey: Person Prentice Hall.
Kaufman, L., & Rousseeauw, P. J. 2005. Finding
Groups in Data: An Introduction to Cluster
Analysis. New Jersey: John Wiley & Sons, Inc.
Merliana, Ni Putu Eka. 2015. Perbandingan
Metode K-means dengan Fuzzy C-means untuk
Analisa Karakteristik Mahasiswa Berdasarkan
Kunjungan ke Perpustakaan. Tesis. Universitas
Atma Jaya Yogyakarta.
Patil, Ruchika R., dan Amreen Khan. 2015.
Bisecting K-means for Clustering Web Log
Data. International Journal of Computer
Applications, Volume 116- No.19.
Savaresi, Sergio M., Daniel L. Boley, Sergio
Bittanti, dan Giovanna Gazzaniga. 2000.
Choosing the Cluster to Split in Bisecting
Divisive Clustering Algorithm.
Steinbatch, M., George Karypis, dan Vipin Kumar.
2000. A Comparison of Document Clustering
Techniques. Proceedings of World Text Mining
Conference, KDD2000, Boston.
Williams, Graham. 2014. Data Science with R
Cluster Analysis. Springer
Yulianto, Safa’at, dan Kishera H. Hidayatullah.
2014. Analisis Klaster untuk Pengelompokkan
Kabupaten/Kota di Provinsi Jawa Tengah
berdasarkan Indikator Kesejahteraan Rakyat.
Statistika, Vol.2, No.1