Analisis Faktor dan Klaster industri
HALAMAN JUDUL
TL-5154 ASPEK NON TEKNIS DALAM PENGELOLAAN LIMBAH
Makalah Hasil Analisis
ANALISIS FAKTOR DAN KLASTER
\
Disusun Oleh:
Bimastyaji Surya R
25315030
PROGRAM STUDI MAGISTER TEKNIK LINGKUNGAN
FAKULTAS TEKNIK SIPIL DAN LINGKUNGAN
INSTITUT TEKNOLOGI BANDUNG
2016
DAFTAR ISI
HALAMAN JUDUL........................................................................................................................i
DAFTAR ISI....................................................................................................................................ii
1.
PENDAHULUAN...................................................................................................................1
2.
TINJAUAN PUSTAKA..........................................................................................................2
2.1.
Analisis Faktor..................................................................................................................2
2.2.
Analisis Klaster.................................................................................................................2
3.
METODOLOGI.......................................................................................................................3
4.
ANALISIS DAN PEMBAHASAN.........................................................................................6
5.
4.1.
Penyiapan Data.................................................................................................................6
4.2.
Analisis Faktor..................................................................................................................6
4.3.
Analisis Klaster.................................................................................................................9
KESIMPULAN......................................................................................................................13
DAFTAR PUSTAKA.....................................................................................................................13
2
1.
PENDAHULUAN
Analisis faktor merupakan pendekatan statistik yang digunakan untuk menganalisis
hubungan antara sejumlah variabel dengan pengelompokkan variabel yang berhubungan erat satu
sama lain yang disebut faktor. Analisis faktor tergolong metode interdependensi yaitu metode
yang digunakan untuk menganalisis hubungan antar objek dimana semua variabel berstatus
sama, tidak ada variabel bebas yang menjadi prediktor bagi variabel tergantung, seperti yang
terjadi pada regresi. Contoh lain dari metode interdependensi adalah analisis klaster dan
multidimensional scaling. Pada dasarnya analisis faktor ini mencoba memberikan dimensi
evaluasi yang lebih luas terhadap variabel-variabel terkait dengan permsalahan sehingga
memudahkan penggambaran pola hubungan ataupun pengurangan data. Hal ini dilakukan
dengan cara identifikasi hubungan yang terdapat dalam set variabel yang diobservasi. Tujuan
utama penggunaan analisis faktor adalah untuk merangkum informasi yang terkandung dalam
setiap variabel sehingga dapat menjadi suatu set yang lebih ringkas dengan kemudahan
interpretasi dan meminimalkan informasi yang hilang dari masing-masing variabel (Teguh dan
Prma, 2015).
Seperti yang telah disebutkan sebelumnya, analisis klaster meneliti hubungan
interdependensi dimana pengaruh variabel bebas dipelajari secara bersama-sama maupun
individu. Tujuan utama analisis klaster adalah untuk mengelompokkan objek (elemen) seperti
misalnya orang, hambatan, partisipasi, produk, toko, perusahaan dan lain sebagainya ke dalam
kelompok-kelompok yang relatif homogen berdasarkan suatu set variabel yang dipertimbangkan
untuk diteliti. Objek di dalam kelompok harus relatif sama. Variabel pada analisis klaster harus
jauh berbeda dengan objek dari klaster lain sehingga analisis klaster merupakan bagian depan
dari analisis faktor dimana berfungsi untuk mereduksi banyaknya objek ke dalam klaster yang
jumlahnya lebih sedikit dari objek asli yang diteliti misalnya 50 orang responden dikelompokkan
menjadi 3 klaster dimana setiap klaster terdiri dari 10 orang (Sutanto, 2009; Silalahi, 2015).
Makalah ini menguraikan konsep dasar analisis faktor dan klaster dengan mengambil
data dari tesis. Tahap-tahap analisis data diuraikan dengan model analisis klaster non hierarki dan
penyederhanaan variabel. Tujuan analisis faktor dan klaster adalah untuk mengetahui dan
memahami langkah-langkah pengerjaan analisis hingga sintesis dari suatu data penelitian sosial.
1|Page
2.
TINJAUAN PUSTAKA
2.1.
Analisis Faktor
Analisis faktor merupakan teknik untuk menemukan hubungan beberapa variabel yang
saling independen satu dengan yang lainnya sehingga bisa dibuat satu atau beberapa faktor yang
lebih sedikit dari jumlah variabel awal. Tujuan dari analisis faktor adalah untuk mengidentifikasi
adanya hubungan antar variabel dengan menguji korelasinya dan melakukan suatu proses
pembentukan set faktor yang digunakan untuk menggantikan sejumlah variabel tertentu.
Aplikasi yang akan digunakan untuk analisis adalah Microsoft excel (deskriptif) dan
SPSS untuk membuat faktor dan cluster dari data yang tersedia. Aplikasi SPSS membuat satu
atau beberapa skor hasil analisis apakah suatu variabel dapat digunakan atau tidak. Prinsip utama
dari analisis faktor adalah korelasi dimana asumsi yang digunakan adalah sebagai berikut :
a. Besar korelasi antar variabel independen harus cukup kuat yaitu misalnya diatas 0,5
b. Besar korelasi parsial atau antar dua variabel dengan menganggap tetap variabel yang
lain harus kecil, dimana pada aplikasi SPSS data ini didapatkan dari pilihan Anti Image
Correlation.
c. Pengujian sebuah matriks korelasi / korelasi antar variabel diukur dengan Bartlett Test of
Sphericity atau Measure Sampling Adequacy yang mengharuskan adanya korelasi yang
signifikan antar ariabel (syarat analisis lanjutan).
d. Analisis faktor dengan cara mengekstrak satu atau lebih faktor. Intrepretasi atas faktor
yang telah terbentu, khususnya memberi nama faktor yang telah terbentuk dengan cara
mencari kata-kata yang dianggap dapat mewakili variabel-variabel dalam faktor tersebut.
e. Validasi hasil faktor dilakukan dengan cara membagi sampel awal menjadi dua bagian,
kemudian membandingkan hasil faktor sampel satu dengan dua, jika hasil diketahui tidak
banyak perbedaan maka dapat dikatakan faktor yang terbentuk telah valid atau dengan
melakukan metode Confirmatory Factor Analysis (CFA) dengan cara Structural Equation
Modelling. (Yuliandi, 2013)
2.2.
Analisis Klaster
Analisis klaster merupakan teknik multivariate yang mempunyai tujuan untuk
mengelompokkan objek berdasarkan karakteristik yang dimilikinya. Analisis klaster
mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain
berada dalam klaster yang sama. Klaster yang terbentuk haruslah memiliki kesamaan persebaran
2|Page
data / homogenitas baikk internal maupun eksternal yang tinggi. Berbeda dengan teknik
multivariate lainnya, analisis ini mengestimasi set variabel yang ditentukan oleh peneliti itu
sendiri. Fokus dari analisis klaster adalah membandingkan objek berdasarkan set variabel. Set
variabel klaster adalah suatu set variabel yang merepresentasikan karakteristik yang dipakai oleh
objek-objek. Perbedaan mendasar analisis klaster dan faktor adalah fokus dari analisis klaster
terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada pengelompokan
variabel.
Solusi analisis klaster bersifat khusus, dimana anggota klaster bergantung pada beberapa
elemen prosedur dan solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau
lebih. Solusi klaster secara keseluruhan bergantung pada variabel yang digunakan sebagai dasar
untuk menilai kesmaaan. Penambahan ataupun pengurangan variabel yang relevan dapat
mempengaruhi substansi hasil analisis klaster. Pengelompokkan data yang dilakukan dalam
analisis klaster mencakup kesamaan jarak, pembentukan klaster secara hierarki dan jumlah
klaster. Metode pengelompokan analisis klaster meliputi metode hierarki dan non hierarki.
Metode hierarki meruakan metode yang memulai pengelompokkan dengan dua atau lebih objek
yang mempunyai kesamaan paling dekat kemudian diteruskan pada objek lain dan seterusnya
sehingga membentuk semacam pohon yang memiliki tingkatan / hierarki yang jelas antar objek.
Alat yang membantu memperjelas proses hierarki ini disebut dendogram. Metode non-hierarki
dimulai dengan menentukan terlebih dahulu jumlah klaster yang diinginkan sehingga tidak
mengikuti proses hierarki. Dalam SPSS, analisis ini dapat dilakukan dengan menggunakan KMeans Cluster. Asumsi yang harus dipenuhi dalam analisis klaster yaitu sampel yang diambil
harus dapat mewakili populasi dan multikolinearitas (Yuliandi, 2013; Silalahi, 2015).
3.
METODOLOGI
Data diperoleh dari tesis. Untuk memenuhi tujuan dari penulisan makalah, maka
dilakukan analisis faktor dan klaster pada data yang telah dikumpulkan. Karena data banyak
yang kosong, maka penyamaan data dilakukan dengan metode replace missing value dengan
rata-rata kelompok data. Kemudian, analisis klaster dilakukan dengan mempertimbangkan
beberapa hal termasuk di dalamnya validasi dan normalitas. Secara lengkap proses analisis faktor
dapat dilihat pada gambar 1.
3|Page
Gambar 1. Tahapan Pengolahan Data untuk Analisis Faktor
(Teguh dan Prma, 2015)
Analisis klaster terdiri dari beberapa tahapan meliputi (Hidayat, 2014):
a.
Pemilihan pada Pengelompokan Variabel
4|Page
b.
Desain penelitian dalam analisis klaster, Tiga hal penting dalam tahap ini adalah
pendeteksian outlier, mengukur kesamaan, dan standarisasi data. Bentuk paling umum
dalam standarisasi variabel adalah konversi setiap variabel terhadap skor atandar (dikenal
dengan Zscore) dengan melakukan substraksi nilai tengan dan membaginya dengan
c.
standar deviasi tiap variabel.
Asumsi-asumsi dalam analisis klaster: kecukupan sampel untuk merepresentasikan /
mewakili populasi, ada atau tidaknya multikolinieritas antar variabel. Proses
mendapatkan klaster dan menilai kelayakan secara keseluruhan. Pada penelitian ini
digunakan metoda non hirarkhi dimana terdapat tiga prosedur dalam metode non hirarkhi,
yaitu :
1.a. Sequential threshold
Metode ini dimulai dengan memilih calon cluster dan menyertakan seluruh objek
dalam jarak tertentu. Jika seluruh objek dalam jarak tersebut disertakan, calon
klaster kedua terpilih, kemudian proses terus berlangsung seperti sebelumnya.
1.b. Parallel Threshold
Metode ini memilih beberapa calon cluster secara simultan pada permulaannya dan
menandai objek-objek dengan jarak permulaan ke bakal terdekat.
1.c. Optimalisasi
Metode ketiga ini mirip dengan kedua metode sebelumnya kecuali pada penandaan
d.
ulang terhadap objek-objek.
Interpretasi terhadap klaster. Tahap interpretasi meliputi pengujian tiap klaster dalam
kasus untuk menamai dan menandai dengan suatu label yang secara akurat dapat
menjelaskan kealamian klaster. Proses ini dimulai dengan suatu ukuran yang sering
e.
digunakan yaitu centroid cluster.
Proses validasi dan pembuatan profil (profiling) cluster
4.
ANALISIS DAN PEMBAHASAN
4.1.
Penyiapan Data
Data kesetujuan dan kesediaan masyarakat disiapkan untuk kemudian diolah
menggunakan analisis faktor dan analisis klaster. Karena banyak terdapat data yang hilang, maka
data yang ada dilengkai menggunakan menu Transform >> Replace Missing Value. Data yang
didapatkan berasal dari sebaran data yang seragam dengan interval variansi yang kecil sehingga
5|Page
proses standarisasi menjadi tidak diperlukan. Standarisasi datadigunakan untuk menentukan
relevansi data menggunakan z-score dari output dalam descriptive statistics. Analisis faktor
bertujuan untuk simplifikasi variabel dari 27 variabel menjadi variabel yang lebih sedikit
bergantung pada tingkat korelasinya. Analisis klaster digunakan untuk melihat karakterisitik data
yang telah didapatkan, dibagi menjadi 2 dan 3 klaster (partisipasi rendah, sedang dan tinggi pada
setiap aspek).
4.2.
Analisis Faktor
Kesetujuan dan kesediaan masyarakat dipengaruhi oleh beberapa variabel, dimana dalam
penelitian ini terdapat 27 variabel. Jumlah ini cukup banyak sehingga perlu disederhanakan.
Analisis faktor dapat digunakan untuk menyederhanakan data menjadi beberapa kelompok data /
faktor sehingga penyajian data menjadi lebih efisien. Syarat pelaksanaan analisis data
menggunakan analisis faktor adalah hubungan antara sejumlah variabel-variabel saling bebas
satu sama lain sehingga bisa dibuat satu atau lebih faktor yang lebih sedikit dari jumlah awal.
Analisis faktor berguna untuk analisis lanjutan seperti misalnya analisis diskriminan. Analisis
dilakukan secara terpisah antara aspek kesetujuan dan kesediaan masyarakat.
Tahap pertama dalam analisis faktor adalah menilai kelayakan variabel untuk dilakukan
analisis selanjutnya menggunakan KMO, Bartlet’s test of sphericity dan Anti Image Correlation.
Pengujian dilakukan pada masing-masing aspek baik kesetujuan maupun kesediaan dimana hasil
pertungan uji kelayakan variabel berada di atas 0,5 dengan signifikasnsi 0,00 yang berarti
variabel tersebut dapat dianalisis dengan analisis faktor. Hasil serupa ditunjukkan pada nilai
MSA yang cukup besar yaitu 0,7. Meskipun begitu, terdapat beberapa variabel yang memiliki
Anti Image Correlation di bawah 0,5. Ada kemungkinan data - data tersebut dapat mengganggu
proses faktorisasi walaupun setelah dicoba untuk dihilangkan, interdependensi antar variabel
masih sangat kuat sehingga data tersebut dipertahankan dalam pembentukan faktor baru.
Analisis faktor adalah analisis dengan melakukan ekstraksi terhadap sekumpulan variabel
yang ada sehingga terbentuk beberapa faktor. Terdapat perbedaan jumlah faktor yang terbentuk
dimana aspek kesetujuan terbentuk 8 faktor sedangkan aspek kesediaan terbentuk 6 faktor dari
jumlah variabel awal sebanyak 27. Eigenvalues menunjukkan kepentingan relatif masing-masing
faktor dalam menghitung 27 variabel yang dianalisis dengan kriteria bahwa angka eigenvalues di
bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk. Pada aspek
6|Page
kesetujuan, terdapat 19 faktor yang direduksi atau dihilangkan karena 8 faktor telah dianggap
merepresentasikan 70,458 % varians kesetujuan. Begitu juga pada aspek kesediaan, terdapat 21
faktor yang direduksi atau dihilangkan karena 6 faktor telah dianggap merepresentasikan 69,366
% varians kesediaan. Hasil ekstraksi variabel dapat dilihat pada tabel 1 dengan presentase varian
yang dijelaskan oleh faktor yang terbentuk.
Tabel 1. Hasil Akhir Ekstraksi Aspek Kesetujuan dan Kesediaan (Rotated Component)
Kompone
n
1
2
3
4
5
6
7
8
Kesetujuan
Eigenvalues
Tota %Varian
l
s
3.39 12.548
8
2.89 10.726
6
2.79 10.366
9
2.32 8.596
1
2.05 7.602
2
1.91 7.080
2
1.82 6.754
4
1.82 6.750
2
%Kumulat
if
12.584
Kompone
n
1
23.310
2
33.676
3
42.272
4
49.874
5
56.954
6
Kesediaan
Eigenvalues
Tota %Varian
l
s
5.47 20.260
0
3.33 12.349
4
3.33 12.346
3
2.63 9.759
5
2.48 9.215
8
1.46 5.437
8
%Kumulat
if
20.260
32.609
44.955
54.714
63.929
69.366
63.708
70.458
Setelah diketahui jumlah faktor paling optimal untuk masing - masing aspek yang
terbentuk, output tabel Component Matrix pada aplikasi SPSS menunjukkan distribusi variabelvariabel awal pada faktor yang terbentuk. Angka-angka yang tertera pada tabel tersebut adalah
factor loadings, yang menunjukkan besar korelasi antara suatu variabel dengan setiap faktor
yang terbentuk. Proses penentuan faktor mana yang akan ditempati suatu variabel dilakukan
dengan membandingkan besar korelasi pada setiap baris. Hasil dari aplikasi SPSS menunjukkan
bahwa angka pada output Component Matrix baik untuk aspek kesetujuan maupun kesediaan
menunjukkan nilai korelasi yang tidak terlalu jelas sehingga perlu adanya proses rotasi (Rotated
Component Matrix) agar perbedaan antar variabel untuk penempatan pada faktor tertentu.
7|Page
Analisis Faktor dan Klaster 2016
Tabel 2. Distribusi Variabel Aspek Kesetujuan dan Kesediaan
Fakto
r
1
2
3
4
5
6
7
Variabel Pembentuk Kesetujuan
Penamaan
Kesetujuan menyumbang dana insinerator
Kesetujuan insinerator
Kesetujuan menyumbang tenaga insinerator
Kesetujuan pengawasan insinerator
Kesetujuan menyumbang tenaga kompos/DU
Kesetujuan pemeliharaan TPS
Kesetujuan pemeliharaan insinerator
Aspek Teknis
Insinerator
Kesetujuan pemeliharaan kompos/DU
Kesetujuan pengawasan kompos/DU
Kesetujuan kampanye hidup bersih
Kesetujuan gerakan kebersihan lingkungan
Kesetujuan bimbingan
Kesetujuan mengelola sblm ke TPA
Kesetujuan membayar iuran sampah
Kesetujuan penyebaran info pengelolaan sampah
Kesetujuan kemasan digunakan kembali
Kesetujuan menyumbang dana kompos/DU
Kesetujuan menyumbang tenaga TPS
Kesetujuan menyumbang dana TPS
Kesetujuan TPS
Kesetujuan kompos/DU
Kesetujuan pengawasan TPS
Kesetujuan pemasaran produk
Kesetujuan pemanfaatan produk
Kesetujuan memilah sampah
Kesetujuan membawa wadah saat belanja
Kesetujuan memilih bahan sisa sedikit
Faktor
1
Aspek
Pemeliharaan
2
Aspek
Sosialisasi
3
Aspek
Pelaksanaan
Aspek Teknis
TPS
Aspek
Perencanaan
4
Aspek
Pemanfaatan
5
Aspek
Pengelolaan 3R
6
Variabel Pembentuk Kesediaan
Penamaan
Kesediaan memelihara kompos/DU
Kesediaan memelihara insinerator
Kesediaan mengawasi insinerator
Kesediaan memelihara TPS
Kesediaan mengawasi kompos/DU
Kesediaan mengawasi TPS
Kesediaan memanfaatkan kemasan digunakan
kembali
Kesediaan memanfaatkan produk
Kesediaan memasarkankan produk
Kesediaan memilih bahan sisa sedikit
Kesediaan memilah sampah
Kesediaan mengelola sebelum ke TPA
Kesediaan bimbingan
Kesediaan menyumbang dana kompos/DU
Kesediaan menyumbang tenaga kompos/DU
Kesediaan menyumbang dana insinerator
Kesediaan menyumbang tenaga insinerator
Kesediaan menyumbang dana TPS
Kesediaan menyumbang tenaga TPS
Kesediaan membayar iuran smph
Kesediaan kampanye hidup bersih
Kesediaan gerakan kebersihan lingkungan
Kesediaan menyebarkan info pengelolaan
sampah
Kesediaan lokasi TPS di lingkungannya
Kesediaan lokasi kompos/DU di lingkungan
Kesediaan lokasi insinerator di lingkungan
Kesediaan membawa wadah saat belanja
Aspek
Pemeliharaan
dan
Pelaksanaan
(O&M)
Aspek
Pemanfaatan
Aspek Teknis
Insinerator
dan TPS
Aspek
Sosialisasi
Aspek
Perencanaan
Aspek
Pengelolaan
3R
8|Page
Analisis Faktor dan Klaster 2016
4.3.
Analisis Klaster
Objek dalam penelitian ini adalah kesetujuan dan kesediaan masyarakat dalam partisipasi
masyarakat. Atribut dalam penelitian ini adalah jenis kelamin tetapi tidak dianggap
mempengaruhi aspek-aspek pengelolaan sampah yang ada. Tahap awal dalam analisis klaster
adalah mengelompokkan responden ke dalam kelompok - kelompok yang terbentuk dari hasil
analisis aspek kesetujuan dan kesediaan. Tahap ini dilakukan menggunakan analisis klaster non
hierarki, K-Means Cluster yang merupakan metode analisis dimana jumlah klaster ditentukan 2
dan 3.
Standarisasi data merupakan tahap awal klastering dimana data yang memiliki rentang
yang besar dan perbedaan skala perlu distandarkan. Proses ini menggunakan transformasi
menjadi z-score menjadi variabel baru untuk dianalisis. Output z-score didapatkan dari
Descriptive Statistic analisis SPSS. Karena data diketahui menggunakan skala yang sama
sehingga data standarisasi data tidak diperlukan. Clustering dilakukan untuk masing-masing
aspek pada 27 variabel secara terpisah. Dalam output Final Cluster Centers, jumlah klaster yang
terbentuk dari aspek kesetujuan dan kesediaan masing-masing merupakan klaster dengan
partisipasi rendah-tinggi dan partisipasi rendah-sedang-tinggi.
Partisipasi Tinggi
Partisipasi Rendah
1.5
1
0.5
S kala Pe n guk uran
0
-0.5
-1
Faktor Ke se tu juan Be rpartisipasi
Gambar 1. Aspek Kesetujuan Berpartisipasi 2 Klaster
9|Page
Analisis Faktor dan Klaster 2016
Pada aspek kesetujuan 2 klaster terlihat bahwa kesenjangan partisipasi sangat besar.
Klaster 1, menunjukkan sekumpulan angka-angka negatif yang berarti klaster 1 merupakan
sekumpulan variabel atau sampel dengan nilai partisipasi rendah. Sedangkan klaster 2
merupakan sekumpulan variabel dengan nilai partisipasi tinggi. Dalam output SPSS, dapat
diketahui bahwa jarak nilai tengah antar klaster (cluster centers) 1 dan 2 adalah 4.011. Setelah
terbentuk klaster, kemudian dilakukan analisis varians (ANOVA) yang menunjukkan adakah
perbedaan yang signifikan antar klaster. Semakin besar angka F suatu variabel dan angka
signfikan berada di bawa 0,05 maka semakin besar pula perbedaan variabel tersebut pada kedua
klaster yang terbentuk. Hasil analisis SPSS menunjukkan bahwa variabel kesetujuan mengikuti
bimbingan, kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA,
membayar iuran sampah, membawa wadah saat belanja, dan memanfaatkan produk daur ulang
memiliki nilai sig lebih dari 0,05 yang berarti tidak ada perbedaan yang signifikan antar klaster,
hal ini kemudian diverifikasi menggunakan grafik pada gambar 1.
Partisipasi Rendah
P artisipasi Tinggi
P artisipasi Sedang
1.5
1
0.5
S kala Pe n guku ran
0
-0.5
-1
-1.5
Fak tor Ke se tuju an Be rpartisipasi
Gambar 2. Aspek Kesetujuan Berpartisipasi 3 Klaster
Pada aspek kesetujuan 3 klaster terlihat bahwa kesenjangan partisipasi juga cukup besar
hal ini dapat dilihat dari output SPSS dimana jarak antar nilai tengah klaster (cluster centers) 1-2,
1-3 dan 2-3 berturut-turut adalah 4,553; 3,777 dan 2,935. Klaster 1, menunjukkan sekumpulan
angka-angka positif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan
10 | P a g e
Analisis Faktor dan Klaster 2016
nilai partisipasi tinggi. Sedangkan klaster 2 dan 3 berturut-turut merupakan sekumpulan variabel
dengan nilai partisipasi sedang dan rendah. Hasil analisis SPSS menunjukkan bahwa variabel
kesetujuan mengikuti kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke
TPA, dan membayar iuran sampah memiliki nilai sig lebih dari 0,05 yang berarti tidak ada
perbedaan yang signifikan antar klaster atau sama dengan analisis 2 klaster, hal ini kemudian
diverifikasi menggunakan grafik pada gambar 2. Dari kedua jenis klaster tersebut dapat diketahui
bahwa masyarakat dengan partisipasi rendah, sedang maupun tinggi, variabel kesetujuan
mengikuti kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, dan
membayar iuran sampah tidak memiliki perbedaan atau semua golongan masyarakat setuju untuk
berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama.
Partisipasi Tinggi
P artisipasi Rendah
1.5
1
0.5
S kala Pe n guk uran
0
-0.5
-1
-1.5
Faktor Ke sse diaan Be rpartisipasi
Gambar 3. Aspek Kesediaan Berpartisipasi 2 Klaster
Pada aspek kesediaan 2 klaster terlihat bahwa kesenjangan partisipasi sangat besar.
Klaster 1, menunjukkan sekumpulan angka-angka positif yang berarti klaster 1 merupakan
sekumpulan variabel atau sampel dengan nilai partisipasi tinggi. Sedangkan klaster 2 merupakan
sekumpulan variabel dengan nilai partisipasi rendah. Dalam output SPSS, dapat diketahui bahwa
jarak nilai tengah antar klaster (cluster centers) 1 dan 2 adalah 5.16724. Setelah terbentuk
klaster, kemudian dilakukan analisis varians (ANOVA) yang menunjukkan adakah perbedaan
yang signifikan antar klaster. Semakin besar angka F suatu variabel dan angka signfikan berada
di bawa 0,05 maka semakin besar pula perbedaan variabel tersebut pada kedua klaster yang
11 | P a g e
Analisis Faktor dan Klaster 2016
terbentuk. Hasil analisis SPSS menunjukkan bahwa variabel kesediaan membayar iuran sampah
dan membawa wadah saat belanja memiliki nilai sig lebih dari 0,05 yang berarti tidak ada
perbedaan yang signifikan antar klaster, hal ini kemudian diverifikasi menggunakan grafik pada
gambar 3.
Partisipasi Sedang
P artisipasi Tinggi
P artisipasi Rendah
1.5
1
0.5
S kala Pe n guk uran
0
-0.5
-1
-1.5
Faktor Ke s e diaan Be rpartisipasi
Gambar 4. Aspek Kesediaan Berpartisipasi 3 Klaster
Pada aspek kesediaan 3 klaster terlihat bahwa kesenjangan partisipasi juga cukup besar
hal ini dapat dilihat dari output SPSS dimana jarak antar nilai tengah klaster (cluster centers) 1-2,
1-3 dan 2-3 berturut-turut adalah 2,963; 6,493 dan 4,495. Klaster 1, menunjukkan sekumpulan
angka-angka positif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan
nilai partisipasi tinggi. Sedangkan klaster 2 dan 3 berturut-turut merupakan sekumpulan variabel
dengan nilai partisipasi sedang dan rendah. Hasil analisis SPSS menunjukkan bahwa variabel
membayar iuran sampah dan membawa wadah saat belanja memiliki nilai sig lebih dari 0,05
yang berarti tidak ada perbedaan yang signifikan antar klaster atau sama dengan analisis 2
klaster, hal ini kemudian diverifikasi menggunakan grafik pada gambar 2. Hal ini berarti bagi
masyarakat dengan partisipasi rendah, sedang maupun tinggi, kesediaan membayar iuran sampah
dan membawa wadah saat belanja tidak memiliki perbedaan atau semua golongan masyarakat
bersedia berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama.
12 | P a g e
Analisis Faktor dan Klaster 2016
5.
KESIMPULAN
a.
Terdapat perbedaan jumlah faktor yang terbentuk dimana aspek kesetujuan terbentuk 8
faktor sedangkan aspek kesediaan terbentuk 6 faktor dari jumlah variabel awal sebanyak
27. Pada aspek kesetujuan, terdapat 19 faktor yang direduksi atau dihilangkan
(eigenvalues kurang dari 1) karena 8 faktor telah dianggap merepresentasikan 70,458 %
varians kesetujuan. Begitu juga pada aspek kesediaan, terdapat 21 faktor yang direduksi
atau dihilangkan karena 6 faktor telah dianggap merepresentasikan 69,366 % varians
b.
kesediaan. Penamaan faktor disesuaikan dengan kelompok variabel yang terbentuk.
Dari analisis klaster, dapat diketahui bahwa pada aspek kesetujuan masyarakat dengan
partisipasi rendah, sedang maupun tinggi, variabel kesetujuan mengikuti kampanye,
gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, dan membayar iuran
sampah tidak memiliki perbedaan atau semua golongan masyarakat setuju untuk
berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama. Sedangkan
pada aspek kesediaan masyarakat dengan partisipasi rendah, sedang maupun tinggi,
kesediaan membayar iuran sampah dan membawa wadah saat belanja tidak memiliki
perbedaan atau semua golongan masyarakat bersedia berpartisipasi dalam komponen
tersebut dengan tingkat partisipasi yang sama.
DAFTAR PUSTAKA
Hidayat Anwar. 2015. Analisis Cluster. http://www.statistikian.com/2014/03/analisiscluster_27.html (diakses tanggal 1/5/2016)
Silalahi, Ulber. 2015. Metode Penelitian Sosial Kuantitatif. Relika Aditama : Bandung.
Sutanto Hery Tri. 2009. Cluster Analysis. Prosiding Seminar Nasional Matematika dan
Pendidikan Matematika. 5 Desember 2009. ISBN 978-979-16353-8-2. UNESA.
Teguh Anas dan Prima Kharisma. 2015. http://menrvalab.com/analisis-faktor/. (diakses
tanggal 1/5/2016)
Yuliandi Andre. 2013. Analisis Partisipasi Masyarakat dalam Pemanfaatan Fasilitas
Pengolahan Sampah. Tesis. Institut Teknologi Bandung.
13 | P a g e
TL-5154 ASPEK NON TEKNIS DALAM PENGELOLAAN LIMBAH
Makalah Hasil Analisis
ANALISIS FAKTOR DAN KLASTER
\
Disusun Oleh:
Bimastyaji Surya R
25315030
PROGRAM STUDI MAGISTER TEKNIK LINGKUNGAN
FAKULTAS TEKNIK SIPIL DAN LINGKUNGAN
INSTITUT TEKNOLOGI BANDUNG
2016
DAFTAR ISI
HALAMAN JUDUL........................................................................................................................i
DAFTAR ISI....................................................................................................................................ii
1.
PENDAHULUAN...................................................................................................................1
2.
TINJAUAN PUSTAKA..........................................................................................................2
2.1.
Analisis Faktor..................................................................................................................2
2.2.
Analisis Klaster.................................................................................................................2
3.
METODOLOGI.......................................................................................................................3
4.
ANALISIS DAN PEMBAHASAN.........................................................................................6
5.
4.1.
Penyiapan Data.................................................................................................................6
4.2.
Analisis Faktor..................................................................................................................6
4.3.
Analisis Klaster.................................................................................................................9
KESIMPULAN......................................................................................................................13
DAFTAR PUSTAKA.....................................................................................................................13
2
1.
PENDAHULUAN
Analisis faktor merupakan pendekatan statistik yang digunakan untuk menganalisis
hubungan antara sejumlah variabel dengan pengelompokkan variabel yang berhubungan erat satu
sama lain yang disebut faktor. Analisis faktor tergolong metode interdependensi yaitu metode
yang digunakan untuk menganalisis hubungan antar objek dimana semua variabel berstatus
sama, tidak ada variabel bebas yang menjadi prediktor bagi variabel tergantung, seperti yang
terjadi pada regresi. Contoh lain dari metode interdependensi adalah analisis klaster dan
multidimensional scaling. Pada dasarnya analisis faktor ini mencoba memberikan dimensi
evaluasi yang lebih luas terhadap variabel-variabel terkait dengan permsalahan sehingga
memudahkan penggambaran pola hubungan ataupun pengurangan data. Hal ini dilakukan
dengan cara identifikasi hubungan yang terdapat dalam set variabel yang diobservasi. Tujuan
utama penggunaan analisis faktor adalah untuk merangkum informasi yang terkandung dalam
setiap variabel sehingga dapat menjadi suatu set yang lebih ringkas dengan kemudahan
interpretasi dan meminimalkan informasi yang hilang dari masing-masing variabel (Teguh dan
Prma, 2015).
Seperti yang telah disebutkan sebelumnya, analisis klaster meneliti hubungan
interdependensi dimana pengaruh variabel bebas dipelajari secara bersama-sama maupun
individu. Tujuan utama analisis klaster adalah untuk mengelompokkan objek (elemen) seperti
misalnya orang, hambatan, partisipasi, produk, toko, perusahaan dan lain sebagainya ke dalam
kelompok-kelompok yang relatif homogen berdasarkan suatu set variabel yang dipertimbangkan
untuk diteliti. Objek di dalam kelompok harus relatif sama. Variabel pada analisis klaster harus
jauh berbeda dengan objek dari klaster lain sehingga analisis klaster merupakan bagian depan
dari analisis faktor dimana berfungsi untuk mereduksi banyaknya objek ke dalam klaster yang
jumlahnya lebih sedikit dari objek asli yang diteliti misalnya 50 orang responden dikelompokkan
menjadi 3 klaster dimana setiap klaster terdiri dari 10 orang (Sutanto, 2009; Silalahi, 2015).
Makalah ini menguraikan konsep dasar analisis faktor dan klaster dengan mengambil
data dari tesis. Tahap-tahap analisis data diuraikan dengan model analisis klaster non hierarki dan
penyederhanaan variabel. Tujuan analisis faktor dan klaster adalah untuk mengetahui dan
memahami langkah-langkah pengerjaan analisis hingga sintesis dari suatu data penelitian sosial.
1|Page
2.
TINJAUAN PUSTAKA
2.1.
Analisis Faktor
Analisis faktor merupakan teknik untuk menemukan hubungan beberapa variabel yang
saling independen satu dengan yang lainnya sehingga bisa dibuat satu atau beberapa faktor yang
lebih sedikit dari jumlah variabel awal. Tujuan dari analisis faktor adalah untuk mengidentifikasi
adanya hubungan antar variabel dengan menguji korelasinya dan melakukan suatu proses
pembentukan set faktor yang digunakan untuk menggantikan sejumlah variabel tertentu.
Aplikasi yang akan digunakan untuk analisis adalah Microsoft excel (deskriptif) dan
SPSS untuk membuat faktor dan cluster dari data yang tersedia. Aplikasi SPSS membuat satu
atau beberapa skor hasil analisis apakah suatu variabel dapat digunakan atau tidak. Prinsip utama
dari analisis faktor adalah korelasi dimana asumsi yang digunakan adalah sebagai berikut :
a. Besar korelasi antar variabel independen harus cukup kuat yaitu misalnya diatas 0,5
b. Besar korelasi parsial atau antar dua variabel dengan menganggap tetap variabel yang
lain harus kecil, dimana pada aplikasi SPSS data ini didapatkan dari pilihan Anti Image
Correlation.
c. Pengujian sebuah matriks korelasi / korelasi antar variabel diukur dengan Bartlett Test of
Sphericity atau Measure Sampling Adequacy yang mengharuskan adanya korelasi yang
signifikan antar ariabel (syarat analisis lanjutan).
d. Analisis faktor dengan cara mengekstrak satu atau lebih faktor. Intrepretasi atas faktor
yang telah terbentu, khususnya memberi nama faktor yang telah terbentuk dengan cara
mencari kata-kata yang dianggap dapat mewakili variabel-variabel dalam faktor tersebut.
e. Validasi hasil faktor dilakukan dengan cara membagi sampel awal menjadi dua bagian,
kemudian membandingkan hasil faktor sampel satu dengan dua, jika hasil diketahui tidak
banyak perbedaan maka dapat dikatakan faktor yang terbentuk telah valid atau dengan
melakukan metode Confirmatory Factor Analysis (CFA) dengan cara Structural Equation
Modelling. (Yuliandi, 2013)
2.2.
Analisis Klaster
Analisis klaster merupakan teknik multivariate yang mempunyai tujuan untuk
mengelompokkan objek berdasarkan karakteristik yang dimilikinya. Analisis klaster
mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain
berada dalam klaster yang sama. Klaster yang terbentuk haruslah memiliki kesamaan persebaran
2|Page
data / homogenitas baikk internal maupun eksternal yang tinggi. Berbeda dengan teknik
multivariate lainnya, analisis ini mengestimasi set variabel yang ditentukan oleh peneliti itu
sendiri. Fokus dari analisis klaster adalah membandingkan objek berdasarkan set variabel. Set
variabel klaster adalah suatu set variabel yang merepresentasikan karakteristik yang dipakai oleh
objek-objek. Perbedaan mendasar analisis klaster dan faktor adalah fokus dari analisis klaster
terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada pengelompokan
variabel.
Solusi analisis klaster bersifat khusus, dimana anggota klaster bergantung pada beberapa
elemen prosedur dan solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau
lebih. Solusi klaster secara keseluruhan bergantung pada variabel yang digunakan sebagai dasar
untuk menilai kesmaaan. Penambahan ataupun pengurangan variabel yang relevan dapat
mempengaruhi substansi hasil analisis klaster. Pengelompokkan data yang dilakukan dalam
analisis klaster mencakup kesamaan jarak, pembentukan klaster secara hierarki dan jumlah
klaster. Metode pengelompokan analisis klaster meliputi metode hierarki dan non hierarki.
Metode hierarki meruakan metode yang memulai pengelompokkan dengan dua atau lebih objek
yang mempunyai kesamaan paling dekat kemudian diteruskan pada objek lain dan seterusnya
sehingga membentuk semacam pohon yang memiliki tingkatan / hierarki yang jelas antar objek.
Alat yang membantu memperjelas proses hierarki ini disebut dendogram. Metode non-hierarki
dimulai dengan menentukan terlebih dahulu jumlah klaster yang diinginkan sehingga tidak
mengikuti proses hierarki. Dalam SPSS, analisis ini dapat dilakukan dengan menggunakan KMeans Cluster. Asumsi yang harus dipenuhi dalam analisis klaster yaitu sampel yang diambil
harus dapat mewakili populasi dan multikolinearitas (Yuliandi, 2013; Silalahi, 2015).
3.
METODOLOGI
Data diperoleh dari tesis. Untuk memenuhi tujuan dari penulisan makalah, maka
dilakukan analisis faktor dan klaster pada data yang telah dikumpulkan. Karena data banyak
yang kosong, maka penyamaan data dilakukan dengan metode replace missing value dengan
rata-rata kelompok data. Kemudian, analisis klaster dilakukan dengan mempertimbangkan
beberapa hal termasuk di dalamnya validasi dan normalitas. Secara lengkap proses analisis faktor
dapat dilihat pada gambar 1.
3|Page
Gambar 1. Tahapan Pengolahan Data untuk Analisis Faktor
(Teguh dan Prma, 2015)
Analisis klaster terdiri dari beberapa tahapan meliputi (Hidayat, 2014):
a.
Pemilihan pada Pengelompokan Variabel
4|Page
b.
Desain penelitian dalam analisis klaster, Tiga hal penting dalam tahap ini adalah
pendeteksian outlier, mengukur kesamaan, dan standarisasi data. Bentuk paling umum
dalam standarisasi variabel adalah konversi setiap variabel terhadap skor atandar (dikenal
dengan Zscore) dengan melakukan substraksi nilai tengan dan membaginya dengan
c.
standar deviasi tiap variabel.
Asumsi-asumsi dalam analisis klaster: kecukupan sampel untuk merepresentasikan /
mewakili populasi, ada atau tidaknya multikolinieritas antar variabel. Proses
mendapatkan klaster dan menilai kelayakan secara keseluruhan. Pada penelitian ini
digunakan metoda non hirarkhi dimana terdapat tiga prosedur dalam metode non hirarkhi,
yaitu :
1.a. Sequential threshold
Metode ini dimulai dengan memilih calon cluster dan menyertakan seluruh objek
dalam jarak tertentu. Jika seluruh objek dalam jarak tersebut disertakan, calon
klaster kedua terpilih, kemudian proses terus berlangsung seperti sebelumnya.
1.b. Parallel Threshold
Metode ini memilih beberapa calon cluster secara simultan pada permulaannya dan
menandai objek-objek dengan jarak permulaan ke bakal terdekat.
1.c. Optimalisasi
Metode ketiga ini mirip dengan kedua metode sebelumnya kecuali pada penandaan
d.
ulang terhadap objek-objek.
Interpretasi terhadap klaster. Tahap interpretasi meliputi pengujian tiap klaster dalam
kasus untuk menamai dan menandai dengan suatu label yang secara akurat dapat
menjelaskan kealamian klaster. Proses ini dimulai dengan suatu ukuran yang sering
e.
digunakan yaitu centroid cluster.
Proses validasi dan pembuatan profil (profiling) cluster
4.
ANALISIS DAN PEMBAHASAN
4.1.
Penyiapan Data
Data kesetujuan dan kesediaan masyarakat disiapkan untuk kemudian diolah
menggunakan analisis faktor dan analisis klaster. Karena banyak terdapat data yang hilang, maka
data yang ada dilengkai menggunakan menu Transform >> Replace Missing Value. Data yang
didapatkan berasal dari sebaran data yang seragam dengan interval variansi yang kecil sehingga
5|Page
proses standarisasi menjadi tidak diperlukan. Standarisasi datadigunakan untuk menentukan
relevansi data menggunakan z-score dari output dalam descriptive statistics. Analisis faktor
bertujuan untuk simplifikasi variabel dari 27 variabel menjadi variabel yang lebih sedikit
bergantung pada tingkat korelasinya. Analisis klaster digunakan untuk melihat karakterisitik data
yang telah didapatkan, dibagi menjadi 2 dan 3 klaster (partisipasi rendah, sedang dan tinggi pada
setiap aspek).
4.2.
Analisis Faktor
Kesetujuan dan kesediaan masyarakat dipengaruhi oleh beberapa variabel, dimana dalam
penelitian ini terdapat 27 variabel. Jumlah ini cukup banyak sehingga perlu disederhanakan.
Analisis faktor dapat digunakan untuk menyederhanakan data menjadi beberapa kelompok data /
faktor sehingga penyajian data menjadi lebih efisien. Syarat pelaksanaan analisis data
menggunakan analisis faktor adalah hubungan antara sejumlah variabel-variabel saling bebas
satu sama lain sehingga bisa dibuat satu atau lebih faktor yang lebih sedikit dari jumlah awal.
Analisis faktor berguna untuk analisis lanjutan seperti misalnya analisis diskriminan. Analisis
dilakukan secara terpisah antara aspek kesetujuan dan kesediaan masyarakat.
Tahap pertama dalam analisis faktor adalah menilai kelayakan variabel untuk dilakukan
analisis selanjutnya menggunakan KMO, Bartlet’s test of sphericity dan Anti Image Correlation.
Pengujian dilakukan pada masing-masing aspek baik kesetujuan maupun kesediaan dimana hasil
pertungan uji kelayakan variabel berada di atas 0,5 dengan signifikasnsi 0,00 yang berarti
variabel tersebut dapat dianalisis dengan analisis faktor. Hasil serupa ditunjukkan pada nilai
MSA yang cukup besar yaitu 0,7. Meskipun begitu, terdapat beberapa variabel yang memiliki
Anti Image Correlation di bawah 0,5. Ada kemungkinan data - data tersebut dapat mengganggu
proses faktorisasi walaupun setelah dicoba untuk dihilangkan, interdependensi antar variabel
masih sangat kuat sehingga data tersebut dipertahankan dalam pembentukan faktor baru.
Analisis faktor adalah analisis dengan melakukan ekstraksi terhadap sekumpulan variabel
yang ada sehingga terbentuk beberapa faktor. Terdapat perbedaan jumlah faktor yang terbentuk
dimana aspek kesetujuan terbentuk 8 faktor sedangkan aspek kesediaan terbentuk 6 faktor dari
jumlah variabel awal sebanyak 27. Eigenvalues menunjukkan kepentingan relatif masing-masing
faktor dalam menghitung 27 variabel yang dianalisis dengan kriteria bahwa angka eigenvalues di
bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk. Pada aspek
6|Page
kesetujuan, terdapat 19 faktor yang direduksi atau dihilangkan karena 8 faktor telah dianggap
merepresentasikan 70,458 % varians kesetujuan. Begitu juga pada aspek kesediaan, terdapat 21
faktor yang direduksi atau dihilangkan karena 6 faktor telah dianggap merepresentasikan 69,366
% varians kesediaan. Hasil ekstraksi variabel dapat dilihat pada tabel 1 dengan presentase varian
yang dijelaskan oleh faktor yang terbentuk.
Tabel 1. Hasil Akhir Ekstraksi Aspek Kesetujuan dan Kesediaan (Rotated Component)
Kompone
n
1
2
3
4
5
6
7
8
Kesetujuan
Eigenvalues
Tota %Varian
l
s
3.39 12.548
8
2.89 10.726
6
2.79 10.366
9
2.32 8.596
1
2.05 7.602
2
1.91 7.080
2
1.82 6.754
4
1.82 6.750
2
%Kumulat
if
12.584
Kompone
n
1
23.310
2
33.676
3
42.272
4
49.874
5
56.954
6
Kesediaan
Eigenvalues
Tota %Varian
l
s
5.47 20.260
0
3.33 12.349
4
3.33 12.346
3
2.63 9.759
5
2.48 9.215
8
1.46 5.437
8
%Kumulat
if
20.260
32.609
44.955
54.714
63.929
69.366
63.708
70.458
Setelah diketahui jumlah faktor paling optimal untuk masing - masing aspek yang
terbentuk, output tabel Component Matrix pada aplikasi SPSS menunjukkan distribusi variabelvariabel awal pada faktor yang terbentuk. Angka-angka yang tertera pada tabel tersebut adalah
factor loadings, yang menunjukkan besar korelasi antara suatu variabel dengan setiap faktor
yang terbentuk. Proses penentuan faktor mana yang akan ditempati suatu variabel dilakukan
dengan membandingkan besar korelasi pada setiap baris. Hasil dari aplikasi SPSS menunjukkan
bahwa angka pada output Component Matrix baik untuk aspek kesetujuan maupun kesediaan
menunjukkan nilai korelasi yang tidak terlalu jelas sehingga perlu adanya proses rotasi (Rotated
Component Matrix) agar perbedaan antar variabel untuk penempatan pada faktor tertentu.
7|Page
Analisis Faktor dan Klaster 2016
Tabel 2. Distribusi Variabel Aspek Kesetujuan dan Kesediaan
Fakto
r
1
2
3
4
5
6
7
Variabel Pembentuk Kesetujuan
Penamaan
Kesetujuan menyumbang dana insinerator
Kesetujuan insinerator
Kesetujuan menyumbang tenaga insinerator
Kesetujuan pengawasan insinerator
Kesetujuan menyumbang tenaga kompos/DU
Kesetujuan pemeliharaan TPS
Kesetujuan pemeliharaan insinerator
Aspek Teknis
Insinerator
Kesetujuan pemeliharaan kompos/DU
Kesetujuan pengawasan kompos/DU
Kesetujuan kampanye hidup bersih
Kesetujuan gerakan kebersihan lingkungan
Kesetujuan bimbingan
Kesetujuan mengelola sblm ke TPA
Kesetujuan membayar iuran sampah
Kesetujuan penyebaran info pengelolaan sampah
Kesetujuan kemasan digunakan kembali
Kesetujuan menyumbang dana kompos/DU
Kesetujuan menyumbang tenaga TPS
Kesetujuan menyumbang dana TPS
Kesetujuan TPS
Kesetujuan kompos/DU
Kesetujuan pengawasan TPS
Kesetujuan pemasaran produk
Kesetujuan pemanfaatan produk
Kesetujuan memilah sampah
Kesetujuan membawa wadah saat belanja
Kesetujuan memilih bahan sisa sedikit
Faktor
1
Aspek
Pemeliharaan
2
Aspek
Sosialisasi
3
Aspek
Pelaksanaan
Aspek Teknis
TPS
Aspek
Perencanaan
4
Aspek
Pemanfaatan
5
Aspek
Pengelolaan 3R
6
Variabel Pembentuk Kesediaan
Penamaan
Kesediaan memelihara kompos/DU
Kesediaan memelihara insinerator
Kesediaan mengawasi insinerator
Kesediaan memelihara TPS
Kesediaan mengawasi kompos/DU
Kesediaan mengawasi TPS
Kesediaan memanfaatkan kemasan digunakan
kembali
Kesediaan memanfaatkan produk
Kesediaan memasarkankan produk
Kesediaan memilih bahan sisa sedikit
Kesediaan memilah sampah
Kesediaan mengelola sebelum ke TPA
Kesediaan bimbingan
Kesediaan menyumbang dana kompos/DU
Kesediaan menyumbang tenaga kompos/DU
Kesediaan menyumbang dana insinerator
Kesediaan menyumbang tenaga insinerator
Kesediaan menyumbang dana TPS
Kesediaan menyumbang tenaga TPS
Kesediaan membayar iuran smph
Kesediaan kampanye hidup bersih
Kesediaan gerakan kebersihan lingkungan
Kesediaan menyebarkan info pengelolaan
sampah
Kesediaan lokasi TPS di lingkungannya
Kesediaan lokasi kompos/DU di lingkungan
Kesediaan lokasi insinerator di lingkungan
Kesediaan membawa wadah saat belanja
Aspek
Pemeliharaan
dan
Pelaksanaan
(O&M)
Aspek
Pemanfaatan
Aspek Teknis
Insinerator
dan TPS
Aspek
Sosialisasi
Aspek
Perencanaan
Aspek
Pengelolaan
3R
8|Page
Analisis Faktor dan Klaster 2016
4.3.
Analisis Klaster
Objek dalam penelitian ini adalah kesetujuan dan kesediaan masyarakat dalam partisipasi
masyarakat. Atribut dalam penelitian ini adalah jenis kelamin tetapi tidak dianggap
mempengaruhi aspek-aspek pengelolaan sampah yang ada. Tahap awal dalam analisis klaster
adalah mengelompokkan responden ke dalam kelompok - kelompok yang terbentuk dari hasil
analisis aspek kesetujuan dan kesediaan. Tahap ini dilakukan menggunakan analisis klaster non
hierarki, K-Means Cluster yang merupakan metode analisis dimana jumlah klaster ditentukan 2
dan 3.
Standarisasi data merupakan tahap awal klastering dimana data yang memiliki rentang
yang besar dan perbedaan skala perlu distandarkan. Proses ini menggunakan transformasi
menjadi z-score menjadi variabel baru untuk dianalisis. Output z-score didapatkan dari
Descriptive Statistic analisis SPSS. Karena data diketahui menggunakan skala yang sama
sehingga data standarisasi data tidak diperlukan. Clustering dilakukan untuk masing-masing
aspek pada 27 variabel secara terpisah. Dalam output Final Cluster Centers, jumlah klaster yang
terbentuk dari aspek kesetujuan dan kesediaan masing-masing merupakan klaster dengan
partisipasi rendah-tinggi dan partisipasi rendah-sedang-tinggi.
Partisipasi Tinggi
Partisipasi Rendah
1.5
1
0.5
S kala Pe n guk uran
0
-0.5
-1
Faktor Ke se tu juan Be rpartisipasi
Gambar 1. Aspek Kesetujuan Berpartisipasi 2 Klaster
9|Page
Analisis Faktor dan Klaster 2016
Pada aspek kesetujuan 2 klaster terlihat bahwa kesenjangan partisipasi sangat besar.
Klaster 1, menunjukkan sekumpulan angka-angka negatif yang berarti klaster 1 merupakan
sekumpulan variabel atau sampel dengan nilai partisipasi rendah. Sedangkan klaster 2
merupakan sekumpulan variabel dengan nilai partisipasi tinggi. Dalam output SPSS, dapat
diketahui bahwa jarak nilai tengah antar klaster (cluster centers) 1 dan 2 adalah 4.011. Setelah
terbentuk klaster, kemudian dilakukan analisis varians (ANOVA) yang menunjukkan adakah
perbedaan yang signifikan antar klaster. Semakin besar angka F suatu variabel dan angka
signfikan berada di bawa 0,05 maka semakin besar pula perbedaan variabel tersebut pada kedua
klaster yang terbentuk. Hasil analisis SPSS menunjukkan bahwa variabel kesetujuan mengikuti
bimbingan, kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA,
membayar iuran sampah, membawa wadah saat belanja, dan memanfaatkan produk daur ulang
memiliki nilai sig lebih dari 0,05 yang berarti tidak ada perbedaan yang signifikan antar klaster,
hal ini kemudian diverifikasi menggunakan grafik pada gambar 1.
Partisipasi Rendah
P artisipasi Tinggi
P artisipasi Sedang
1.5
1
0.5
S kala Pe n guku ran
0
-0.5
-1
-1.5
Fak tor Ke se tuju an Be rpartisipasi
Gambar 2. Aspek Kesetujuan Berpartisipasi 3 Klaster
Pada aspek kesetujuan 3 klaster terlihat bahwa kesenjangan partisipasi juga cukup besar
hal ini dapat dilihat dari output SPSS dimana jarak antar nilai tengah klaster (cluster centers) 1-2,
1-3 dan 2-3 berturut-turut adalah 4,553; 3,777 dan 2,935. Klaster 1, menunjukkan sekumpulan
angka-angka positif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan
10 | P a g e
Analisis Faktor dan Klaster 2016
nilai partisipasi tinggi. Sedangkan klaster 2 dan 3 berturut-turut merupakan sekumpulan variabel
dengan nilai partisipasi sedang dan rendah. Hasil analisis SPSS menunjukkan bahwa variabel
kesetujuan mengikuti kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke
TPA, dan membayar iuran sampah memiliki nilai sig lebih dari 0,05 yang berarti tidak ada
perbedaan yang signifikan antar klaster atau sama dengan analisis 2 klaster, hal ini kemudian
diverifikasi menggunakan grafik pada gambar 2. Dari kedua jenis klaster tersebut dapat diketahui
bahwa masyarakat dengan partisipasi rendah, sedang maupun tinggi, variabel kesetujuan
mengikuti kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, dan
membayar iuran sampah tidak memiliki perbedaan atau semua golongan masyarakat setuju untuk
berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama.
Partisipasi Tinggi
P artisipasi Rendah
1.5
1
0.5
S kala Pe n guk uran
0
-0.5
-1
-1.5
Faktor Ke sse diaan Be rpartisipasi
Gambar 3. Aspek Kesediaan Berpartisipasi 2 Klaster
Pada aspek kesediaan 2 klaster terlihat bahwa kesenjangan partisipasi sangat besar.
Klaster 1, menunjukkan sekumpulan angka-angka positif yang berarti klaster 1 merupakan
sekumpulan variabel atau sampel dengan nilai partisipasi tinggi. Sedangkan klaster 2 merupakan
sekumpulan variabel dengan nilai partisipasi rendah. Dalam output SPSS, dapat diketahui bahwa
jarak nilai tengah antar klaster (cluster centers) 1 dan 2 adalah 5.16724. Setelah terbentuk
klaster, kemudian dilakukan analisis varians (ANOVA) yang menunjukkan adakah perbedaan
yang signifikan antar klaster. Semakin besar angka F suatu variabel dan angka signfikan berada
di bawa 0,05 maka semakin besar pula perbedaan variabel tersebut pada kedua klaster yang
11 | P a g e
Analisis Faktor dan Klaster 2016
terbentuk. Hasil analisis SPSS menunjukkan bahwa variabel kesediaan membayar iuran sampah
dan membawa wadah saat belanja memiliki nilai sig lebih dari 0,05 yang berarti tidak ada
perbedaan yang signifikan antar klaster, hal ini kemudian diverifikasi menggunakan grafik pada
gambar 3.
Partisipasi Sedang
P artisipasi Tinggi
P artisipasi Rendah
1.5
1
0.5
S kala Pe n guk uran
0
-0.5
-1
-1.5
Faktor Ke s e diaan Be rpartisipasi
Gambar 4. Aspek Kesediaan Berpartisipasi 3 Klaster
Pada aspek kesediaan 3 klaster terlihat bahwa kesenjangan partisipasi juga cukup besar
hal ini dapat dilihat dari output SPSS dimana jarak antar nilai tengah klaster (cluster centers) 1-2,
1-3 dan 2-3 berturut-turut adalah 2,963; 6,493 dan 4,495. Klaster 1, menunjukkan sekumpulan
angka-angka positif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan
nilai partisipasi tinggi. Sedangkan klaster 2 dan 3 berturut-turut merupakan sekumpulan variabel
dengan nilai partisipasi sedang dan rendah. Hasil analisis SPSS menunjukkan bahwa variabel
membayar iuran sampah dan membawa wadah saat belanja memiliki nilai sig lebih dari 0,05
yang berarti tidak ada perbedaan yang signifikan antar klaster atau sama dengan analisis 2
klaster, hal ini kemudian diverifikasi menggunakan grafik pada gambar 2. Hal ini berarti bagi
masyarakat dengan partisipasi rendah, sedang maupun tinggi, kesediaan membayar iuran sampah
dan membawa wadah saat belanja tidak memiliki perbedaan atau semua golongan masyarakat
bersedia berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama.
12 | P a g e
Analisis Faktor dan Klaster 2016
5.
KESIMPULAN
a.
Terdapat perbedaan jumlah faktor yang terbentuk dimana aspek kesetujuan terbentuk 8
faktor sedangkan aspek kesediaan terbentuk 6 faktor dari jumlah variabel awal sebanyak
27. Pada aspek kesetujuan, terdapat 19 faktor yang direduksi atau dihilangkan
(eigenvalues kurang dari 1) karena 8 faktor telah dianggap merepresentasikan 70,458 %
varians kesetujuan. Begitu juga pada aspek kesediaan, terdapat 21 faktor yang direduksi
atau dihilangkan karena 6 faktor telah dianggap merepresentasikan 69,366 % varians
b.
kesediaan. Penamaan faktor disesuaikan dengan kelompok variabel yang terbentuk.
Dari analisis klaster, dapat diketahui bahwa pada aspek kesetujuan masyarakat dengan
partisipasi rendah, sedang maupun tinggi, variabel kesetujuan mengikuti kampanye,
gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, dan membayar iuran
sampah tidak memiliki perbedaan atau semua golongan masyarakat setuju untuk
berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama. Sedangkan
pada aspek kesediaan masyarakat dengan partisipasi rendah, sedang maupun tinggi,
kesediaan membayar iuran sampah dan membawa wadah saat belanja tidak memiliki
perbedaan atau semua golongan masyarakat bersedia berpartisipasi dalam komponen
tersebut dengan tingkat partisipasi yang sama.
DAFTAR PUSTAKA
Hidayat Anwar. 2015. Analisis Cluster. http://www.statistikian.com/2014/03/analisiscluster_27.html (diakses tanggal 1/5/2016)
Silalahi, Ulber. 2015. Metode Penelitian Sosial Kuantitatif. Relika Aditama : Bandung.
Sutanto Hery Tri. 2009. Cluster Analysis. Prosiding Seminar Nasional Matematika dan
Pendidikan Matematika. 5 Desember 2009. ISBN 978-979-16353-8-2. UNESA.
Teguh Anas dan Prima Kharisma. 2015. http://menrvalab.com/analisis-faktor/. (diakses
tanggal 1/5/2016)
Yuliandi Andre. 2013. Analisis Partisipasi Masyarakat dalam Pemanfaatan Fasilitas
Pengolahan Sampah. Tesis. Institut Teknologi Bandung.
13 | P a g e