April 2012 27.8
1.41 1009.6
27 81
2.28 Mei 2012
28.1 1.98
1008.5 24
80 3.33
Juni 2012 28.5
1.29 1008.8
42 75
2.77 Juli 2012
27.6 1.13
1008.6 26
79 2.25
Agustus 2012 27.6
1.20 1009.8
23 81
9.69 September 2012
27.6 0.96
1010.1 20
82 4.47
Oktober 2012 27.3
1.51 1010.0
16 83
2.55 November 2012
27.3 1.04
1009.5 12
83 1.85
Desember 2012 27.2
1.08 1008.9
34 84
2.17 Januari 2013
27.5 1.24
1010.8 34
81 5.09
Februari 2013 27.2
1.22 1009.6
29 82
3.14 Maret 2013
28.7 1.02
1009.8 52
80 2.45
April 2013 28.5
1.24 941.9
18 84
2.85 Mei 2013
28.7 1.56
1008.4 42
79 3.98
Juni 2013 28.6
2.01 1007.5
34 78
3.05 Juli 2013
27.9 1.20
1008.3 34
79 6.15
Agustus 2013 27.5
1.47 1009.3
19 80
8.10 September 2013
27.2 1.52
1009.9 14
80 2.27
Waktu Temperatur
°C Kecepatan
Angin ms
Tekanan Udara
mb Intensitas
Radiasi Matahari
Kelemba- ban
Evaporasi mm
Oktober 2013 26.9
1.32 1010.5
33 78
2.11 November 2013
27.2 1.44
1009.0 13
82 5.42
Desember 2013 26.6
1.23 1008.4
28 81
1.73 Selanjutnya dilakukan analisis dengan dugaan bahwa temperatur, kecepatan
angin, tekanan, intensitas radiasi matahari dan kelembaban dapat memengaruhi terjadinya evaporasi, maka dapat ditetapkan bahwa variabel-variabel penelitian secara
lengkap dituliskan: Temperatur °C
= X
1
Kecepatan Angin ms = X
2
Tekanan mbar = X
3
Intensitas Radiasi Matahari = X
4
Kelembaban = X
5
Evaporasi mm = Y
4.2 Analisis Klaster
Dalam bagian ini, disajikan metode untuk mengelompokkan variabel-variabel yang merupakan faktor-faktor yang memengaruhi terjadinya evaporasi. Untuk itu, di bagian
ini hanya menggunakan data X
1
, X
2
, X
3
, X
4
dan X
5
.
Adapun langkah-langkah untuk mengelompokkan variabel tersebut adalah sebagai berikut:
1. Membakuan Data
Untuk memudahkan perhitungan dan dapat memenuhi standard yang ada untuk melihat tabel yang dibutuhkan, maka data-data yang merupakan variabel penelitian
haruslah dibakukan terlebih dahulu mengingat data yang akan diteliti mempunya variabilitas satuan yang berbeda-beda. Pembakuan data tersebut menggunakan rumus
pada persamaan 2.40: � =
� − � �
Sehingga diperoleh data yang sudah dibakukan sebagai berikut:
Tabel 4.2: Variabel yang Dibakukan
Z
1
Z
2
Z
3
Z
4
Z
5
-1.67336 0.432847 0.309594 0.683728 0.3457661 -0.41834 0.403166 0.160787 1.302176 -0.172883
-0.26146 0.878061 0.160787 1.508325 -0.172883
0.836682 1.471679 0.103554 1.783191 -0.172883 0.99356
1.531041 0.000534 1.714475 -0.172883 1.621072 1.263913 0.126447 1.783191 -1.728831
0.522926 1.738808 0.092107 2.264206 -0.172883 0.209171 0.106357 0.115001 -1.37776 0.8644153
0.052293 0.046995 0.160787 0.958594 0.3457661
-1.04585 0.314123 0.263807 0.546295 1.3830645 -1.04585 0.343804 0.160787 -0.00344 1.3830645
-0.7321 0.551571
0.25236 1.302176 0.8644153
-0.57522 1.412318 0.332487 1.02731 0.3457661
1.307316 1.679446 0.21802
1.98934 -1.210181
1.621072 2.12466
0.21802 -1.37776 -1.728831
1.621072 0.729656 0.160787 -1.5152
-0.172883 2.405461 0.403166
-0.0567 -0.00344 -1.210181
0.99356 0.284442 0.172234 -0.00344 -0.172883
0.052293 0.492209 0.103554 0.202713 0.8644153 0.209171 0.432847 0.069214 0.133997 -0.172883
0.052293 -0.63567 0.126447 -0.00344 -0.691532 0.679804 -0.24981 0.046321
-0.6906 -0.691532
-0.88897 -0.60599 0.057767 -0.75932 0.8644153 -1.51649 -0.87311 -0.01091 -1.17161 1.3830645
-1.67336 -0.54662 0.103554 -0.34702 0.8644153 -0.26146 -0.66535 0.137894 1.920624 -0.172883
-0.41834 -0.24981 0.080661 -1.17161 0.3457661
0.209171 -0.33886 0.128737 -1.30905 0.3457661 0.836682 1.590403 0.137894 -0.48445 0.3457661
0.836682 -0.33886 0.034874 -0.34702 -0.172883 0.679804 -0.10141 0.034874 1.096027 0.3457661
-0.10459 -0.19045 0.103554 -0.6906
0.8644153 Z
1
Z
2
Z
3
Z
4
Z
5
-0.26146 -0.19045 0.183681 -0.96547 0.3457661 -0.7321
0.284442 0.160787 -0.48445 0.8644153 -1.20273 -2.09003 0.183681 -0.14087 1.9017136
-1.67336 -1.94163 0.172234 -0.6906
1.9017136 -1.51649 -0.66535 0.195127 0.340146 0.8644153
-0.26146 0.136038 0.080661 -0.34702 -0.172883 -0.26146 2.094979 0.057767 0.133997 -0.172883
0.209171 -0.30918 0.160787 -0.34702 -0.172883 0.679804 1.382637 0.034874 -0.55317 -0.691532
1.307316 -0.66535 0.069214 0.683728 -3.284778
-0.10459 -1.14024 0.046321 -0.41573 -1.210181 -0.10459 -0.93248 0.183681 -0.62188 -0.172883
-0.10459 -1.64482 0.21802
-0.82803 0.3457661 -0.57522 -0.01237 0.206574
-1.1029 0.8644153
-0.57522 -1.40737 0.149341 -1.37776 0.8644153 -0.7321
-1.28865 0.080661 0.133997 1.3830645 -0.26146 -0.81375 0.298147 0.133997 -0.172883
-0.7321 -0.87311 0.160787 -0.20959 0.3457661
1.621072 -1.46673 0.183681 1.370892 -0.691532 1.307316 -0.81375 -7.58859 -0.96547 1.3830645
1.621072 0.136038 0.023427 0.683728 -1.210181 1.464194 1.471679 -0.07959 0.133997 -1.728831
0.366048 -0.93248 0.011981 0.133997 -1.210181
-0.26146 -0.13109 0.126447 -0.89675 -0.691532
-0.7321 0.017314 0.195127 -1.24033 -0.691532
-1.20273 -0.5763
0.263807 0.065281 -1.728831 0.732097 -0.22013 0.092107 -1.30905 0.3457661
-1.67336 -0.84343 0.023427 -0.2783
-0.172883
2. Menghitung Jarak
Jarak masing-masing variabel dicari dengan menggunakan Jarak Euclidean untuk n pengamatan, yaitu:
�
�,�
= ��
��
��
− �
��
�
2 �
�=1
Nilai �
��
dan �
��
tersebut menggunakan nilai yang sudah dibakukan seperti pada tabel 3.2 dan n = 60.
a. Menghitung jarak �
1
dan �
2
. �
1,2
= �� �
1 �
− �
2 �
2 60
�=1
�
1,2
=
8.295
b. Menghitung jarak �
1
dan �
3
�
1,3
= �� �
1 �
− �
3 �
2 60
�=1
�
1,3
=
11.891
c. Menghitung jarak �
1
dan �
4
�
1,4
= �� �
1 �
− �
4 �
2 60
�=1
�
1,4
=
9.938
d. Menghitung jarak �
1
dan �
5
�
1,5
= �� �
1 �
− �
5 �
2 60
�=1
�
1,5
=
13.693
e. Menghitung jarak �
2
dan �
3
�
2,3
= �� �
2 �
− �
3 �
2 60
�=1
�
2,3
=
10.292
f. Menghitung jarak �
2
dan �
4
�
2,4
= �� �
2 �
− �
4 �
2 60
�=1
�
2,4
=
8.795
g. Menghitung jarak �
2
dan �
5
�
2,5
= �� �
2 �
− �
5 �
2 60
�=1
�
2,5
=
12.433
h. Menghitung jarak �
3
dan �
4
�
3,4
= �� �
3 �
− �
4 �
2 60
�=1
�
3,4
=
10.118
i. Menghitung jarak �
3
dan �
5
�
3,5
= �� �
3 �
− �
5 �
2 60
�=1
�
3,5
=
11.705
j. Menghitung jarak �
4
dan �
5
�
4,5
= �� �
4 �
− �
5 �
2 60
�=1
�
4,5
=
12.104
Jarak yang sudah didapatkan dimasukkan ke dalam matriks sehingga menjadi:
⎣ ⎢
⎢ ⎢
⎡
8.295 11.891
9.938 13.693
10.292 8.795
12.433 10.118
11.705 12.104
0 ⎦ ⎥
⎥ ⎥
⎤
3. Memilih Prosedur Pengklasteran
Prosedur pengklasteran yang digunakan adalah agglomerasi dengan single linkage method metode pertalian tunggal. Caranya yaitu dengan menentukan jarak terpendek
dari tetangga yang berdekatan. Setelah didapat jarak terpendek kemudian digabung membentuk klaster, begitu seterusnya sampai pada akhirnya membentuk suatu klaster
yang lebih besar.
Dengan memperlakukan setiap variabel sebagai klaster, selanjutnya mulai membentuk klaster dengan menggabungkan dua variabel terdekat.
Oleh karena
8.295
adalah jarak paling minimum, maka variabel 2 dan 1 digabung menjadi klaster 12. Selanjutnya tanda “” menyatakan jarak terdekat terpendek.
Untuk membentuk klaster berikutnya, perlu diketahui jarak klaster 12 dengan variabel lainnya, yaitu variabel 3, 4 dan 5. Jarak dengan tetangga terdekat sebagai berikut:
�
123
= ��� {�
13
, �
23
} = ��� {11.891, 10.292 } = 10.292
�
124
= ��� {�
14
, �
24
} = ��� { 9.938, 8.795 } = 8.795
�
125
= ��� {�
15
, �
25
} = ��� {13.693, 12.433 } = 12.433
Menghilangkan baris dan kolom D, sesuai dengan letak variabel 1 dan 2 kemudian menambah suatu baris dan kolom untuk klaster1, 2, maka diperoleh suatu
matriks dengan jarak yang baru sebagai berikut:
12 3 4 5 12 0
3
10.292 0
4
8.79510.118 0
5
12.43311.705 12.104 0
Jarak terdekat antara pasangan klaster sekarang ialah �
124
=
8.795,
kemudian digabung klaster 1 2 dengan klaster 4, sehingga diperolehlah klaster baru 1 2 4. Selanjutnya, menghitung jarak klaster 1 2 4 dengan klaster 3 dan 5.
�
123
= ��� ��
123
, �
43
� = ��� {10.292, 10.118 } = 10.118 �
125
= ��� ��
125
, �
45
� = ��� { 12.433, 12.104 } = 12.104
Diperolehlah matriks jarak untuk pengklasteran berikutnya sperti di bawah ini.
1 2 4 3 5 1 2 4 0
3
10.118 0
5
12.10411.705 0
Jarak yang terdekat =
10.118
yaitu jarak pasangan klaster 1 2 4 dan klaster 3, sehingga diperoleh klaster baru 1 2 4 3. Selanjutnya menghitung jarak klaster 1 2 4 3
dengan klaster 5.
�
1243 5
= ��� ��
1245
, �
35
� = ��� {12.104, 11.705 } = 11.705
Matriks jarak yang terakhir adalah
124 3 5 124 3 0
5
11.705
Gambar 4.1: Dendogram Pertalian Tunggal untuk Jarak Antara 5 Variabel
12
8
4
4 1 2 3 5
4. Menentukan Banyaknya Klaster
Dengan melihat dendogram di atas, dapat dijabarkan bahwa: a. Apabila diinginkan 4 klaster, maka:
1 Anggota klaster 1 adalah variabel 1 dan variabel 2, yaitu temperatur dan kecepatan angin
2 Anggota klaster 2 adalah variabel 3, yaitu tekanan
3 Anggota klaster 3 adalah variabel 4, yaitu intensitas radiasi matahari 4 Anggota klaster 4 adalah variabel 5, yaitu kelembaban
b. Apabila diinginkan 3 klaster, maka: 1 Anggota klaster 1 adalah variabel 1, variabel 2 dan variabel 4, yaitu:
temperatur, kecepatan angin dan intensitas radiasi matahari 2 Anggota klaster 2 adalah variabel 3, yaitu tekanan
3 Anggota klaster 3 adalah variabel 5, yaitu kelembaban c. Apabila diinginkan 2 klaster, maka:
1 Anggota klaster 1 adalah variabel 1, variabel 2, variabel 3 dan variabel 4, yaitu: temperatur, kecepatan angin, intensitas radiasi matahari dan
tekanan. 2 Anggota klaster 2 adalah variabel 5, yaitu kelembaban
Dari penjabaran di atas, dapat dilihat bahwa variabel kelembaban selalu berada dalam klaster yang berbeda, baik itu 4 klaster, 3 klaster, maupun 2 klaster. Berdasarkan
interpretasi yang relevan dengan evaporasi, maka dipilihlah 2 klaster saja. Dapat disimpulkan dari 4.c di atas, klaster 1 merupakan kelompok pemicu panas heat, klaster
2 adalah kelompok kelembaban.
4.3 Analisis Komponen Utama
