MAKALAH

METODE IMPLEMENTASI ANALISIS

“MULTIVARIAT DAN UNIVARIAT”

DISUSUN OLEH :

1. Desy Widyaningsih (F1A023003)

2. Melany Nur Khadija (F1A023009)
3. Reisa Anggraini Saputri (F1A023013)
4. Marselina Br Sembiring (F1A023025)

Dosen Pengampu :
Winalia Agwil S.Si M.Si

PROGRAM STUDI MATEMATIKA FAKULTAS

MATEMATIKA DAN ILMU PENGETAHUAN
ALAM UNIVERSITAS BENGKULU
2024
 BAB I

PENDAHULUAN

A. Latar Belakang

Analisis multivariat merupakan analisis multivariabel yang

berhubungan dengan semua teknik statistik yang secara simultan

menganalisis sejumlah pengukuran pada individu atau objek (Santoso, 2010:

7). Analisis ini dikelompokkan menjadi dua, yaitu analisis dependensi dan

analisis interdependensi. Analisis dependensi merupakan analisis untuk

mengetahui hubungan antara variabel dependen dan independen. Contoh

analisis dependensi, yaitu: anova, ancova, analisis regresi berganda, dan

analisis diskriman. Sedangkan analisis interdependensi adalah analisis untuk

mengetahui hubungan antar variabel independen. Contoh analisis

interdependensi, yaitu: analisis faktor, analisis cluster, penskalaan

multidimensi, dan analisis kategori.

Analisis multivariat dapat digunakan untuk mengatasi permasalahan

dalam kehidupan sehari-hari, seperti mengelompokkan objek-objek yang

mempunyai kesamaan karakteristik. Analisis yang dapat digunakan yaitu

analisis cluster. Analisis cluster bertujuan untuk mengelompokkan objek-

objek pengamatan berdasarkan karakteristik yang dimiliki. Ukuran kesamaan

yang digunakan adalah ukuran jarak antar objek. Dua objek yang memiliki

jarak paling dekat akan bergabung menjadi satu cluster. Kedekatan jarak yang

dimiliki menunjukkan bahwa kedua objek tersebut memiliki kesamaan

karakteristik. Ciri-ciri pengelompokan yang baik yaitu (Yulianto dan

Hidayatullah, 2014: 57):

a) mempunyai kesamaan (homogenitas) yang tinggi antar anggota dalam

satu cluster (within cluster), dan

b) mempunyai ketaksamaan (heterogenitas) yang tinggi antar cluster

(between cluster).

Metode hirarki masih terbagi ke dalam dua metode yaitu metode

agglomerative dan divisive. Metode agglomerative adalah metode yang

menganggap setiap objek sebagai sebuah cluster tersendiri. Dua cluster yang

mempunyai jarak paling dekat akan bergabung menjadi satu cluster sampai

seluruh cluster bergabung menjadi sebuah cluster besar. Sedangkan metode

divisive adalah kebalikan dari metode agglomerative, yaitu metode yang

memiliki sebuah cluster besar kemudian memisahkan anggota cluster tersebut

menjadi beberapa cluster (Johnson dan Winchern, 2007: 680-681). Metode

agglomerative terdiri dari beberapa metode, yaitu: single linkage, complete

linkage, average linkage, dan ward.

Pada analisis cluster terdapat asumsi-asumsi yang harus dipenuhi,

yaitu sampel yang diambil harus mewakili populasi dan multikolinearitas.

Multikolinearitas adalah adanya hubungan linear atau korelasi yang tinggi

antar variabel. Sebaiknya dalam analisis cluster tidak terjadi

multikolinearitas. Setiap variabel diberi bobot yang sama dalam perhitungan

jarak (Gudono, 2014: 284). Apabila terjadi multikolinearitas, dapat

menyebabkan pembobotan yang tidak seimbang sehingga mempengaruhi

hasil analisis. Jika terjadi multikolinearitas, maka harus dilakukan

3
penanganan terhadap multikolinearitas.

Terdapat beberapa cara untuk mengatasi multikolinearitas,

diantaranya: menghilangkan variabel yang mengalami multikolinearitas,

menambah variabel baru, dan tetap mempertahankan variabel yang digunakan

dengan meminimumkan masalah multikolinearitas menggunakan suatu

metode tertentu. Principal Component Analysis (PCA) merupakan metode

yang dapat digunakan untuk mengatasi masalah multikolinearitas

(Soemartini, 2008: 7).

Principal Component Analysis (PCA) bertujuan untuk

menyederhanakan variabel-variabel yang diamati dengan mereduksi

dimensinya tanpa kehilangan banyak informasi dari variabel asal/aslinya. Hal

ini dilakukan dengan cara menghilangkan korelasi antar variabel bebas

melalui transformasi variabel bebas asal ke variabel bebas baru yang tidak

berkorelasi sama sekali atau sering disebut dengan principal component

(Johnson dan Wichern, 2007: 430). Kelebihan menggunakan Principal

Component Analysis (PCA), yaitu: dapat menghilangkan korelasi

secara bersih (korelasi = 0), dapat digunakan untuk segala kondisi

data/penelitian, dapat digunakan tanpa mengurangi jumlah variabel asal, hasil

yang diperoleh lebih akurat dibandingkan dengan metode lain (Soemartini,

2008: 8).

Menurut Badan Pusat Statistik, kemiskinan merupakan suatu kondisi

kehidupan seseorang yang serba kekurangan sehingga ia tidak mampu dalam

memenuhi kebutuhan minimum hidupnya. Kebutuhan minimum tersebut

meliputi kebutuhan makanan terutama energi kalori, sehingga memungkinkan

4
seseorang dapat bekerja untuk memperoleh pendapatan. Selain makanan,

kebutuhan minimum yang dipenuhi meliputi tempat perlindungan rumah

termasuk fasilitas penerangan, pakaian, pendidikan, kesehatan, dan

transportasi.

Berdasarkan Berita Resmi Statisik 4 Januari 2016, pada bulan

September 2014 jumlah penduduk miskin di Indonesia sebesar 27,73 juta

jiwa. Pada bulan Maret 2015 terjadi kenaikan jumlah penduduk miskin

sebesar 860000 jiwa menjadi 28,59 juta jiwa. Jumlah penduduk miskin

mengalami sedikit penurunan pada periode September 2015 menjadi 28,51

juta jiwa. Namun, jika dilihat dari bulan yang sama di tahun sebelumnya,

jumlah penduduk miskin Indonesia mengalami kenaikan sebesar 780000

jiwa. Sebagian besar penduduk miskin Indonesia berada di Pulau Jawa yaitu

sebesar 15,31 juta jiwa.

5
 Tabel 1.1. Jumlah dan Persentase Penduduk Miskin Menurut Provinsi di
Indonesia Periode September 2015
Jumlah Penduduk Persentase Penduduk
Provinsi
Miskin (ribu jiwa) Miskin (%)
Aceh 859,41 17,11
Sumatera Utara 1508,14 10,79
Sumatera Barat 349,53 6,71
Riau 562,92 8,82
Jambi 311,57 9,12
Sumatera Selatan 1112,53 13,77
Bengkulu 322,83 17,16
Lampung 1100,68 13,53
Kep. Bangka Belitung 66,62 4,83
Kep. Riau 114,84 5,78
DKI Jakarta 368,67 3,61
Jawa Barat 4485,66 9,57
Jawa Tengah 4505,78 13,32
DI Yogyakarta 485,56 13,16
Jawa Timur 4775,97 12,28
Banten 690,66 5,75
Bali 218,79 5,25
Nusa Tenggara Barat 802,29 16,54
Nusa Tenggara Timur 1160,53 22,58
Kalimantan Barat 405,51 8,44
Kalimantan Tengah 148,13 5,91
Kalimantan Selatan 189,16 4,72
Kalimantan Timur 209,98 6,10
Kalimantan Utara 40,93 6,32
Sulawesi Utara 217,14 8,98
Sulawesi Tengah 406,34 14,07

6
 Jumlah Penduduk Persentase Penduduk
Provinsi
Miskin (jiwa) Miskin (%)
Sulawesi Selatan 864,52 10,12
Sulawesi Tenggara 345,02 13,74
Gorontalo 206,52 18,16
Sulawesi Barat 153,21 11,90
Maluku 327,77 19,36
Maluku Utara 72,64 6,22
Papua Barat 225,54 25,73
Papua 898,21 28,40
Indonesia 28513,60 11,13
Sumber: Berita Resmi Statistik BPS (4 Januari 2016)

Berdasarkan tabel 1.1 terlihat bahwa provinsi yang mempunyai

jumlah penduduk miskin tinggi berada di provinsi Jawa Timur, Jawa Tengah,

dan Jawa Barat. Ketiga provinsi tersebut mempunyai jumlah penduduk

miskin lebih dari empat juta jiwa. Dari ketiga provinsi tersebut, Jawa Tengah

mempunyai persentase penduduk miskin paling tinggi.

Selama lima tahun terakhir dari tahun 2010-2014, provinsi Jawa

Tengah mengalami fluktuasi jumlah penduduk miskin daripada provinsi Jawa

Timur dan Jawa Barat yang cenderung mengalami penurunan. Berikut

disajikan grafik tentang jumlah penduduk miskin dari tahun 2010 – 2014 di

ketiga provinsi:

7
6.000.000
5.000.000
4.000.000
3.000.000
2.000.000
1.000.000
0
2010 2011 2012 2013 2014

Jawa Timur Jawa Tengah Jawa Barat

Gambar 1.1. Jumlah Penduduk Miskin di Tiga Provinsi Terpadat

Indonesia
Kemiskinan dipengaruhi oleh beberapa faktor, baik secara langsung

ataupun tidak langsung. Faktor-faktor yang mempengaruhi kemiskinan di

provinsi Jawa Tengah, antara lain (Prastyo, 2010): pertumbuhan ekonomi,

upah minimum, tingkat pendidikan dan pengangguran. Berdasarkan hasil

Survei Sosial Ekonomi Nasional (Susenas) BPS, penduduk yang tidak bekerja

di Jawa Tengah sebesar 34,73%. Angka tersebut sudah termasuk

pengangguran dan bukan angkatan kerja. Rendahnya tingkat pendidikan

masyarakat juga sangat mempengaruhi kemiskinan. Semakin rendah tingkat

pendidikan seseorang, maka peluang untuk bersaing dalam dunia kerja

semakin kecil.

Selama ini pemerintah pusat maupun daerah telah melakukan berbagai

upaya dalam menanggulangi kemiskinan. Berikut program-program yang

dilakukan pemerintah Jawa Tengah sebagai upaya penanggulangan

kemiskinan, antara lain: Bantuan Siswa Miskin (BSM), Program Keluarga

Harapan (PKH), Bantuan Langsung Sementara Masyarakat (BLSM), beras

8
untuk rumah tangga miskin (raskin), Program Nasional Pemberdayaan

Masyarakat (PNPM) Mandiri, Usaha Mikro, Kecil, dan Menengah (UMKM),

dll.

Meskipun telah dilakukan berbagai upaya penanggulangan

kemiskinan, angka kemiskinan masih terus melonjak naik. Hal ini

mengindikasikan bahwa program-program tersebut belum berhasil secara

menyeluruh. Banyak faktor yang menyebabkan kurang berhasilnya program

pemerintah, salah satunya adalah pemberian bantuan yang tidak tepat atau

salah sasaran.

Penerapan analisis cluster dapat digunakan untuk mengelompokkan

35 kabupaten/kota Provinsi Jawa Tengah berdasarkan faktor-faktor yang

mempengaruhi kemiskinan tahun 2014. Pengelompokan dilakukan untuk

mengetahui kesamaan karakteristik antara 35 kabupaten/kota sehingga

pemerintah dapat menjalankan program-program yang sesuai pada tiap

cluster. Pemilihan Provinsi Jawa Tengah karena provinsi ini mempunyai

jumlah penduduk miskin cukup tinggi di Indonesia. Pengelompokan

dilakukan menggunakan metode Ward dan Average Linkage. Pemilihan

metode Ward karena metode ini menghasilkan cluster yang tidak terlalu besar

dan merupakan metode hirarki terbaik. Jika cluster yang dihasilkan terlalu

besar, maka diperkirakan masih terdapat kesamaan karakteristik antar

kelompok yang besar pula. Sebagai pembanding digunakan metode Average

Linkage karena metode ini dianggap mempunyai ketelitian yang lebih baik

daripada metode hirarki yang lain. Ukuran kemiripan yang digunakan pada

9
kedua metode tersebut adalah ukuran jarak Euclid kuadrat (Supranto, 2010:

154). Apabila terjadi multikolinearitas antar variabel akan diatasi

menggunakan Principal Component Analysis (PCA).

Beberapa penelitian sebelumnya mengenai analisis cluster dan

penanganan masalah multikolinearitas menggunakan Principal Component

Analysis (PCA) pada analisis cluster sebagai berikut:

a) Sofya Laeli (2014) dalam penelitiannya yang berjudul ‘Analisis Cluster

dengan Average Linkage Method dan Ward Method untuk Data

Responden Nasabah Asuransi Jiwa Unit Link’. Pada penelitian ini tidak

menjelaskan tentang asumsi analisis cluster. Penelitian ini tidak

menggunakan Principal Component Analysis (PCA) untuk mengatasi

masalah multikolinearitas.

b) Safa’at Yulianto dan Kishera Hilya Hidayatullah (2014) dalam

penelitiannya yang berjudul ‘Analisis Klaster untuk Pengelompokan

Kabupaten/Kota di Provinsi Jawa Tengah Berdasarkan Indikator

Kesejahteraan Rakyat’. Penelitian ini menggunakan tujuh variabel yang

tidak multikolinearitas kemudian dianalisis cluster menggunakan metode

average linkage.

c) Chorina Sagita Cahyani dan Hery Tri Sutanto (2014) dalam penelitiannya

yang berjudul “Pengelompokan Kabupaten/Kota Berdasarkan Faktor-

faktor yang Mempengaruhi Gizi Buruk di Jawa Timur dengan

Menggunakan Metode Ward”. Penelitian ini mengalami masalah

multikolinearitas dan diatasi menggunakan Principal Component

10
 Analysis (PCA) yang selanjutnya dianalisis cluster menggunakan metode

Ward.

d) Diah Safitri, dkk (2012) dalam penelitiannya yang berjudul ‘Analisis

Cluster pada Kabupaten/Kota di Jawa Tengah Berdasarkan Produksi

Palawija’. Penelitian ini mengalami masalah multikolinearitas dan diatasi

menggunakan Principal Component Analysis (PCA) yang selanjutnya

dianalisis cluster menggunakan metode non hirarki K-Means.

Oleh karena itu, skripsi ini diberi judul ‘‘Pengelompokan Kabupaten/Kota

Berdasarkan Faktor-faktor yang Mempengaruhi Kemiskinan di Jawa Tengah

Menggunakan Metode Ward dan Average Linkage’’.

B. Batasan Masalah

Dalam penelitian ini akan dibahas tentang cara mengelompokkan

kabupaten/kota berdasarkan faktor-faktor yang mempengaruhi kemiskinan di

Jawa Tengah tahun 2014 menggunakan metode Ward dan Average Linkage.

Apabila terjadi multikolinearitas diatasi menggunakan Principal Component

Analysis (PCA).

C. Rumusan Masalah

Berdasarkan latar belakang yang diuraikan diatas, maka dapat

dirumuskan beberapa rumusan masalah sebagai berikut:

11
 1) Bagaimana metode Ward dalam mengelompokkan kabupaten/kota di

Provinsi Jawa Tengah berdasarkan faktor-faktor yang mempengaruhi

kemiskinan tahun 2014?

2) Bagaimana metode Average Linkage dalam mengelompokkan

kabupaten/kota di Provinsi Jawa Tengah berdasarkan faktor-faktor yang

mempengaruhi kemiskinan tahun 2014?

3) Bagaimana perbandingan kinerja antara metode Ward dan Average

Linkage dalam mengelompokkan kabupaten/kota di Provinsi Jawa

Tengah berdasarkan faktor-faktor yang mempengaruhi kemiskinan tahun

2014?

D. Tujuan Penelitian

Berdasarkan rumusan masalah diatas, maka dapat ditentukan tujuan

penelitian sebagai berikut:

1) Mengetahui dan menjelaskan metode Ward dalam mengelompokkan

kabupaten/kota di Provinsi Jawa Tengah berdasarkan faktor-faktor yang

mempengaruhi kemiskinan tahun 2014.

2) Mengetahui dan menjelaskan metode Average Linkage dalam

mengelompokkan kabupaten/kota di Provinsi Jawa Tengah berdasarkan

faktor-faktor yang mempengaruhi kemiskinan tahun 2014.

3) Mengetahui dan menjelaskan perbandingan kinerja antara metode Ward

dan Average Linkage dalam mengelompokkan kabupaten/kota di

12
 Provinsi Jawa Tengah berdasarkan faktor-faktor yang mempengaruhi

kemiskinan tahun 2014.

E. Manfaat Penelitian

Penelitian ini memberikan beberapa manfaat antara lain sebagai

berikut:

1) Bagi Penulis

Penulisan skripsi ini dapat menambah pengetahuan dan wawasan

penulis tentang penerapan analisis cluster khususnya metode Ward dan

Average Linkage dalam mengelompokkan kabupaten/kota Provinsi Jawa

Tengah di bidang kemiskinan serta Principal Component Analysis (PCA)

dalam mengatasi masalah multikolinearitas.

2) Bagi Pembaca

Penelitian ini dapat dijadikan sebagai bahan materi untuk mempelajari

penerapan analisis cluster khususnya metode Ward dan Average Linkage

serta Principal Component Analysis (PCA) dalam mengatasi masalah

multikolinearitas dan dapat dijadikan referensi untuk penelitian selanjutnya di

bidang lain, seperti peternakan, kesehatan, pariwisata, dll.

Kelebihan dan kekurangan analisis multivariat

Kelebihan
 Analisis multivariat dapat menghitung dan menganalisis lebih dari dua variabel
bersamaan. Hal ini tentu bermanfaat bagi banyak penelitian atau fenomena yang
melibatkan banyak variabel.
 Dapat mengetahui indikator pembentuk suatu variabel, menguji validitas dan reliabilitas
suatu instrumen, mengkonfirmasi ketepatan model dan menguji pengaruh suatu variabel
terhadap variabel lain.
 Memungkinkan peneliti untuk menyelidiki hubungan antara kategori variabel

13
 Dapat mengidentifikasi kelompok-kelompok variabel yang anggotanya memiliki
kesamaan
 Dapat membuat ringkasan informasi yang meringkas jumlah variabel yang banyak
menjadi sejumlah faktor yang lebih sedikit (reduksi data)

Kekurangan

 Membutuhkan sampel yang besar

 Masih kurangnya praktisi yang terlibat dalam penulisan artikel menyebabkan kurangnya
perhatian analisis multivariat untuk bidang manufaktur

Kelebihan dan Kekurangan Analisa Univariat

Setiap teknik atau metode tentunya memiliki kelebihan dan kekurangan. Salah satunya
juga terjadi pada analisa univariat.

 Kekurangan

Hasil dari analisa ini tidak dapat digabungkan dengan variabel lain. Sangat penting untuk
melakukan analisa terlebih dahulu. Karena yang dianalisis hanya satu variabel, maka
hasil dari analisis univariat tidak bisa dan tidak boleh disimpulkan dengan variabel lain.

 Kelebihan

Beberapa kelebihan analisa univariat tentunya lebih banyak dari kekurangannya. Antara
lain untuk mengetahui karakteristik data.

Kita dapat mengetahui apakah data kita menceng ke kiri, menceng ke kanan, berdistribusi
normal, atau justru terdapat outlier. Dengan analisa univariat, kita mengetahui pemusatan,
statistik deskriptif lain, dan ukuran penyebaran sebuah data. Hal-hal itu adalah
identifikasi awal untuk analisa lanjut. Analisa ini menghasilkan distribusi frekuensi
melalui suatu data. dengan demikian kita akan mendapatkan bermacam-macam informasi
menarik. Walaupun hanya menggunakan satu variabel namun kita tetap dapat melakukan
analisa inferensial.

14