Dosen Pengampu
Widiyanto Hari Subagyo Widodo, ST., M. Sc
Disusun oleh :
Ester Parmanes / 2224034
a. Tingkat kesamaan yang tinggi antar anggota dalam satu cluster (homogenitas).
b. Tingkat perbedaan yang tinggi antara satu cluster dengan cluster lainnya
(heterogenitas).
1.5 Tujuan Analisis Cluster
Tujuan utama dari analisis cluster adalah untuk menggolongkan objek-objek berdasarkan
kesamaan karakteristik tertentu di antara objek-objek yang diteliti. Tujuan dari Analisis Cluster
setelah mengelompokkan n objek pengamatan ke dalam m kelompok berdasarkan p variabel
adalah untuk mendapatkan kelompok objek yang memiliki nilai relatif serupa. Dengan demikian,
objek-objek dalam satu cluster memiliki kemungkinan tinggi untuk muncul bersamaan pada satu
individu.
1.6 Analisis MDS
Multidimensional Scaling (MDS) adalah suatu teknik analisis multivariat yang
menunjukkan hubungan antar objek dalam ruang multidimensional berdasarkan penilaian
responden terhadap tingkat kemiripan atau kedekatan antar objek. MDS metrik dan MDS non-
metrik. MDS metrik menggunakan data jarak yang bersifat rasio atau interval. Tujuannya adalah
menemukan himpunan titik dalam ruang dimensi n, di mana setiap titik mewakili satu objek.
MDS metrik mengatur titik-titik objek sedekat mungkin dengan input jarak yang diberikan.
Sementara itu, MDS non-metrik mengasumsikan data bersifat kualitatif (nominal dan ordinal).
Program MDS non-metrik menggunakan transformasi monoton pada data untuk dapat melakukan
operasi aritmatika terhadap nilai ketidaksamaannya. Hasil transformasi ini disebut sebagai
disparitas, yang digunakan untuk mengukur tingkat ketidaksesuaian konfigurasi objek dalam peta
multidimensional dengan data ketidaksamaannya. Untuk menggunakan MDS, terdapat beberapa
persyaratan yang harus dipenuhi. Model harus telah dijelaskan dengan tepat, menggunakan level
pengukuran yang sesuai, jumlah objek harus paling tidak sebanyak dimensi, dan skala yang
digunakan harus setara atau distandarisasi. Selain itu, objek yang diperbandingkan harus memiliki
kesamaan yang cukup berarti sehingga dapat dibandingkan. Beberapa istilah yang terkait dengan
MDS meliputi "Stress" yang merupakan ukuran ketidakcocokan antara data dengan pengukuran
MDS, "R Square" yang menunjukkan proporsi varian yang dijelaskan oleh prosedur penskalaan
multidimensional, dan "Peta Konfigurasi" yang menggambarkan hubungan geometris antara
objek dalam ruang koordinat multidimensional.
1.7 Tujuan Analisi MDS
Tujuan dari penggunaan MDS adalah untuk membantu peneliti melihat struktur data yang
diperoleh. Secara lebih spesifik, MDS digunakan untuk mempresentasikan tingkat kemiripan dan
ketidaksamaan data, menguji kriteria yang membedakan objek, menemukan dimensi yang
mendasari kesamaan atau ketidaksamaan objek, serta merepresentasikan informasi yang terdapat
dalam matriks korelasi.
BAB 2
TAHAPAN ANALISIS
1.1 Hirarki
Praktikum analisis cluster menggunakan metode hirarki dengan studi kasus yang
berkaitan langsung dengan bidang Perencanaan Wilayah Kota.
1.1.1 Studi Kasus
Dengan memiliki pendidikan yang berkualitas, seseorang dapat meningkatkan taraf hidupnya
menuju kesejahteraan di masa depan. Meningkatkan mutu pendidikan atau Sumber Daya Manusia
(SDM) di suatu daerah tidak dapat terjadi dengan mudah. Dibutuhkan kerja keras dari semua
pihak . Di Indonesia Nusa Tenggara Timur (NTT) dikenal sebagai salah satu provinsi dengan mutu
pendidikan terendah di Indonesia. Data Badan Pusat Statistik (BPS) menunjukkan, Indeks
Pembangunan Manusia (IPM) untuk NTT, yang antara lain salah satu indikatornya terkait
pendidikan, berada di urutan ke-32 dari total 34 provinsi atau hanya bisa mengungguli Provinsi
Papua dan Papua Barat. Dengan angka 63,13, IPM NTT terpaut cukup jauh di bawah angka rata-
rata nasional 70,18. Pada Studi kasus ini menggunakan Klaster Hirarki dan MDS untuk
mengetahui tercukupnya jumlah fasilitas Pendidikan di NTT Indonesia.
1. Cluster
Berikut merupakan data Case Processing untuk melihat data yang telah di
proses.
Dari semua data yang ada, memiliki tingkat validitas 100% atau yang berarti tidak ada
data yang hilang
2. Ward Linkage
● Pada tahap 1 (stage 1), kasus nomor 14 (Kab Malaka ) dan kasus nomor
18 (Kecamatan Kesugihan) adalah kasus yang paling mirip
karakteristiknya, sehingga mereka menjadi satu kelompok terlebih
dahulu. Kemudian dilihat dari kolom bagian next page pada stage 9,
yang merupakan kelanjutan stage untuk cluster. Terlihat stage 9 yang
berarti proses dilanjutkan dengan meloncat ke stage 9.
● Pada stage 12, perhatikan angka 13 (Kab Kupang ) dan nomor 21 ( Kab
Sabu Raijua) satu kelompok dengan Kabupaten sebelumnya 21 dan 22
Kabupaten tersebut telah menjadi sekelompok,selanjutnya lompat next
stage yaitu stage 20.
2. ALSCAL
Note # 14690
You cannot use an ALSCAL individual difference scaling model
(MODEL = INDSCAL or MODEL = GEMSCAL) with only one matrix. These
models require at least two matrices.
ALSCAL will continue the analysis using the Euclidean model (MODEL= EUCLID).
1 2 3 4 5 6 7 8 9 10
1 ,000
2 ,485 ,000
3 ,819 ,783 ,000
4 ,387 ,459 ,618 ,000
5 ,781 ,718 ,219 ,591 ,000
6 ,503 ,403 ,519 ,413 ,508 ,000
7 ,856 ,716 ,226 ,632 ,217 ,558 ,000
8 ,739 ,529 ,342 ,528 ,258 ,409 ,218 ,000
9 ,743 ,775 ,180 ,527 ,224 ,508 ,331 ,390 ,000
10 ,781 ,735 ,096 ,568 ,224 ,451 ,245 ,315 ,185 ,000
11 ,540 ,696 ,390 ,376 ,394 ,436 ,517 ,498 ,249 ,360
12 ,668 ,575 ,251 ,489 ,190 ,323 ,278 ,194 ,262 ,206
13 ,937 ,774 ,380 ,652 ,352 ,675 ,240 ,319 ,414 ,402
14 ,909 ,799 ,157 ,682 ,231 ,548 ,206 ,306 ,273 ,173
15 ,918 ,788 ,225 ,692 ,192 ,564 ,202 ,274 ,302 ,237
16 ,711 ,888 ,542 ,461 ,585 ,670 ,661 ,686 ,395 ,523
17 ,808 ,922 ,371 ,572 ,438 ,641 ,531 ,597 ,235 ,362
18 ,942 ,823 ,212 ,682 ,288 ,628 ,156 ,330 ,319 ,241
19 ,835 ,814 ,230 ,553 ,283 ,599 ,290 ,394 ,182 ,240
20 ,993 ,851 ,315 ,731 ,273 ,690 ,194 ,334 ,378 ,340
21 1,065 ,943 ,286 ,813 ,342 ,703 ,300 ,431 ,380
,314
22 1,037 ,938 ,268 ,791 ,288 ,704 ,276 ,420 ,342
,300
23 10,972 11,091 11,757 11,193 11,712 11,363 11,727 11,590
11,690 11,715
11 12 13 14 15 16 17 18 19 20
11 ,000
12 ,349 ,000
13 ,595 ,418 ,000
14 ,493 ,268 ,323 ,000
15 ,517 ,263 ,298 ,102 ,000
16 ,299 ,581 ,661 ,634 ,669 ,000
17 ,280 ,471 ,570 ,459 ,500 ,239 ,000
18 ,539 ,355 ,228 ,165 ,202 ,626 ,476 ,000
19 ,373 ,349 ,300 ,274 ,304 ,409 ,277 ,227 ,000
20 ,596 ,391 ,190 ,233 ,190 ,688 ,539 ,164 ,287 ,000
21 ,619 ,423 ,343 ,165 ,182 ,710 ,519 ,198 ,331 ,213
22 ,583 ,405 ,332 ,178 ,171 ,676 ,482 ,194 ,294 ,173
23 11,481 11,600 11,745 11,834 11,837 11,505 11,700 11,821
11,726 11,861
21 22 23
21 ,000
22 ,095 ,000
23 11,980 11,958 ,000
1.9 Interpretasi
Iterasi sejarah untuk solusi 2 dimensi (dalam jarak kuadrat), Rumus S-stress
Young 1 digunakan.
Iterasi S-stress Peningkatan 1,00149. Iterasi dihentikan karena S-stress kurang
dari ,005000. Stres dan korelasi kuadrat (RSQ) dalam jarak.
Nilai RSQ adalah proporsi varian dari data yang telah diukur ulang (disparitas) dalam
partisi (baris, matriks, atau seluruh data) yang diakui oleh jarak-jarak mereka yang
sesuai. Nilai Stres adalah rumus stres Kruskal 1.
Untuk matriks
Stres = ,02273 RSQ = ,99972
Keterangan :
Var 1 : Sumba Barat
Var 2 : Sumba Timur
Var 3 : Kupang
Var 4 : Timor Tengah Selatan
Var 5 : Timor Tengah Utara
Var 6 : Belu
Var 7 : Alor
Var 8 : Lembata
Var 9 : Flores Timur
Var 10 : Sikka
Var 11 : Ende
Var 12 : Ngada
Var 14 : Manggarai
Var 15 : Rote Ndao
Var 16 : Manggarai Barat
Var 17 : Sumba Tengah
Var 18 : Sumba Barat Daya
Var 19 : Nagekeo
Var 20 : Manggarai Timur
Var 21 : Sabu Raijua
Var 22 : Malaka
Var 23 : Kota Kupang
Var 24 : Nusa Tenggara Timur