CLUSTERING TINGKAT KEBUTUHAN SARANA DAN
CLUSTERING TINGKAT KEB
EBUTUHAN SARANA DAN PRASARANA PERSAMPAHAN
PE
DI KABUPAT
UPATEN PATI PROVINSI JAWA TEGAH
Disusun Untuk Memenu
enuhi Tugas Mata Kuliah Metode Analisis Perenc
encanaan
Oleh Kelompok A-I:
No.
Nama
NIM
1.
AFDEN
AFD
FDEN MAHYEDA
21040117410029
2.
ANDI
AN RAHMAN
21040117410056
3.
ANDARIAS
AND
NDARIAS KADAM
21040117410020
FAKULTAS TEKNIK
MAGISTER
A
RP
PEMBANGUNAN WILAYAH DAN KOTA
UNI
UNIVERSITAS DIPONEGORO
SEMARANG
2017
i
DAFTAR ISI
DAFTAR TABEL ......................................................................................................................................................iii
DAFTAR GAMBAR.................................................................................................................................................. iv
I.
PENDAHULUAN ............................................................................................................................................... 1
I.1
Latar Belakang............................................................................................................................................. 1
I.2
Permasalahan ............................................................................................................................................... 1
I.3
Tujuan Penelitian ......................................................................................................................................... 2
II.
DASAR TEORI ................................................................................................................................................... 2
II.1
Analisis Cluster............................................................................................................................................ 2
II.1.1
Hierarchical clustering ......................................................................................................................... 3
II.1.2
Langkah-langkah analisis cluster......................................................................................................... 4
III.
GAMBARAN KASUS .................................................................................................................................... 5
IV.
HASIL DAN ANALISIS................................................................................................................................. 5
IV.1
IV.1.1
Case Processing Summary................................................................................................................... 5
IV.1.2
Matrix Proximity.................................................................................................................................. 6
IV.1.3
Average Linkage Between Groups ...................................................................................................... 6
IV.1.4
Cluster Membership............................................................................................................................. 7
IV.1.5
Dendogram........................................................................................................................................... 7
IV.2
V.
Analisis Tahap Pertama ............................................................................................................................... 5
Analisis Tahap Kedua.................................................................................................................................. 8
IV.2.1
Case Prosessing Summary ................................................................................................................... 8
IV.2.2
Matrix Proximity.................................................................................................................................. 8
IV.2.3
Average Linkage Between Groups ...................................................................................................... 8
IV.2.4
Cluster Membership............................................................................................................................. 9
IV.2.5
Dendogram........................................................................................................................................... 9
KESIMPULAN DAN SARAN ......................................................................................................................... 10
V.1
KESIMPULAN.......................................................................................................................................... 10
V.2
SARAN...................................................................................................................................................... 11
DAFTAR PUSTAKA............................................................................................................................................... 12
ii
DAFTAR TABEL
Tabel III-1 Penilaian Wilayah Timbulan Sampah dan Jumlah Penduduk di Kabupaten Pati ..................................... 5
Tabel IV-1 Tabel Case Processing Summary .............................................................................................................. 5
Tabel IV-2 Tabel Proximity Matriks ........................................................................................................................... 6
Tabel IV-3 Tabel Aggomeration Schedule .................................................................................................................. 6
Tabel IV-4 Tabel Cluster Membership ........................................................................................................................ 7
Tabel IV-5 Gambar Diagram Dendogram ................................................................................................................... 7
Tabel IV-6 Tabel Case Processing Summary .............................................................................................................. 8
Tabel IV-7 Tabel Proximity Matriks ........................................................................................................................... 8
Tabel IV-8 Tabel Aggomeration Schedule .................................................................................................................. 8
Tabel IV-9 Tabel Cluster Membership ........................................................................................................................ 9
Tabel IV-10 Gambar Diagram Dendogram ................................................................................................................. 9
Tabel V-3 Tabel Clustering Tingkat Kebutuhan Sarana dan Prasarana Sampah di Kabupaten Pati ......................... 11
Tabel V-1 Tabel Clustering Tahap Pertama .............................................................................................................. 10
Tabel V-2 Tabel Clustering Tahap Kedua ................................................................................................................. 10
iii
DAFTAR GAMBAR
Gambar I-1 Peta Administrasi Kabupaten Pati............................................................................................................ 1
Gambar II-1 Dendogram (Steinbach, Karypis, & Kumar 2000).................................................................................. 4
Gambar V-1 Peta Clustering Tingkat Kebutuhan Sarana dan Prasarana Sampah di Kabupetn Pati ........................11
iv
I.
PENDAHULUAN
I.1
Latar Belakang
Urbanisasi selalu mendatangkan permasalahan, salah satunya yaitu kerusakan lingkungan dan
sampah menjadi bagian dari faktor permasalahan lingkungan tersebut. Jumlah penduduk sebagai
nilai wajar dari proses urbanisasi membawa konsekuensi logis terhadap peningkatan jumlah
produksi sampah. Jika persoalan ini tidak diikuti dengan kemampuan pengelolaan sampah dan
peran serta sadar masyarakat dalam menjaga kebersihan lingkungannya, akan sangat
memungkinkan terjadinya pencemaran lingkungan.
Perhatian dunia terhadap penyelesaian permasalahan lingkungan telah lama dilakukan. Pada
Tahun 2000, para pemimpin dunia menyepakati tentang 8 tujuan pembagunan global yang spesifik
dan terukur yang disebut Millenium Development Goals (MDGs). Pencapaian tujuan dalam MDGs
memiliki target waktu hingga 2015. Agenda kedepan untuk melanjutkan MDGs, dikembangkan
suatu konsepsi dalam konteks kerangka/agenda pembangunan pasca 2015, yang disebut Sustainable
Development Goals (SDGs). SDG’s 2015 memiliki 17 sasaran yang mencangkup berbagai aspek,
salah satunya dalam bidang sanitasi yaitu di sasaran No. 6: memastikan ketersediaan dan
pengelolaan air bersih dan sanitasi yang berkelanjutan.
Perencanaan dan pembangunan wilayah merupakan instrumen utama yang digunakan dalam
mewujudkan pembangunan yang berkelanjutan. Didalam kegiatan perencanaan wilayah harus
melibatkan metode dan analisis yang matang terkait dampak yang akan dihasilkan dari setiap proses
pembangunan wilayah. Sehingga, perencanaan menjadi hal penting yang dibutuhkan dalam proses
pengambilan kebijakan. Dalam setiap proses perencanaan pun pasti dipengaruhi oleh beberapa
faktor yang diantaranya yaitu: faktor internal dan eksternal. Faktor internal biasanya selalu
berkaitan dengan aktifitas keruangan seperti ekologi dan ekosistem lingkungannya. Sedangkan
faktor eksternal lebih dipengaruhi oleh aktifitas sosial, ekonomi, dan budaya masyarakat.
Permasalahan sanitasi khususnya terkait dengan sampah juga tidak pernah terlepas dari faktorfaktor tersebut. Oleh karena itu, penanganan terhadap permasalahan sampah harus segera
diselesaikan. Ketersediaan sarana dan prasarana sampah tentunya menjadi faktor utama yang
mempengaruhi permasalahan sampah. Banyak sedikitnya ketersediaan sarana dan prasarana sampah
tersebut secara signifikan pasti berpengaruh terhadap penyelesaian permasalahan persampahan.
Sehingga, perencanaan terkait kebutuhan sarana dan prasarana sampah sangat berpengaruh terhadap
proses pengambilan kebijakan.
I.2
Permasalahan
Gambar I-1 Peta Administrasi Kabupaten Pati
Kabupaten Pati merupakan salah satu Kabupaten di Provinsi
Jawa Tengah dengan jumlah penduduk yang padat. Luas wilayah
administrasi kabupaten seluas 150.368 hektar dan jumlah penduduk
sebesar 1.239.989 jiwa, mempunyai rerata tingkat laju pertumbuhan
penduduk sebesar 0,58 pada tahun 2016 (BPS, 2017). Dengan
meningkatnya jumlah penduduk di Kabupaten Pati, maka akan
berdampak pada tingkat produksi sampah di Kabupaten Pati yang terus
meningkat setiap tahunnya. Sarana dan prasarana pengolahan sampah
sebagai alat utama yang dibutuhkan untuk mengentaskan permasalahan
sampah, membutuhkan perhatian khusus dalam segi anggaran.
Kebijakan pemerintah dalam penanganan sampah di daerah urban harus
tepat sasaran. Penambahan jumlah sarana dan prasarana sampah harus
1
mengikuti tren terhadap jumlah penduduk sehingga, permasalahan sampah dapat tertangani dengan
baik. Ditinjau dari sarana TPA (Tempat Pemrosesan Akhir Sampah), yaitu: TPA Sukoharjo, TPA
Sampok, dan TPA Plosojenar, sementara ini cakupan pelayanan TPA Kabupaten Pati baru dapat
melayani 9 dari 21 kecamatan yang ada. Konsentrasi penyediaan sarana dan prasarana sampah
pun masih hanya terpusat disekitar Kecamatan Pati khususnya Kota Pati sebagai ibukota Kabupaten
Pati. Sehingga, clustering tingkat kebutuhan sarana dan prasarana sampah pada lokasi di luar
Kecamatan Pati yang karena permasalahan sampahnya menjadi hal yang penting untuk dianalisis.
I.3
Tujuan Penelitian
Fokus penelitian ini dimaksudkan untuk mengelompokkan tingkat kebutuhan sarana dan
prasarana sampah dimasing-masing kecamatan di Kabupaten Pati kedalam cakupan wilayah yang
lebih luas berdasarkan pada faktor utama ketersediaan sarana dan prasarana yang ada saat ini
terhadap timbulan sampah dan jumlah penduduk. Apakah memang benar bahwa konsentrasi
penyediaan sarana dan prasarana sampah masih hanya terfokus pada Kecamatan Pati sebagai
ibukota kabupaten. Dengan diketahuinya clustering tingkat kebutuhan sarana dan prasarana sampah
tersebut, diharapkan dapat digunakan sebagai salah satu alat pengambil kebijakan di lingkungan
Pemerintah Kabupaten Pati. Sehingga, solusi dari permasalahan sampah di Kabupaten Pati akan
tepat sasaran dan dapat tertanggulangi dengan baik.
II.
DASAR TEORI
II.1 Analisis Cluster
Cluster analysis merupakan metode pengelompokan setiap objek ke dalam satu atau lebih
dari satu kelompok, sehingga tiap objek yang berada dalam satu kelompok akan memiliki nilai
interaksi yang sama. Clustering analysis bertujuanuntuk membetuk kelompok dengan karakteristik
yang sama. (Sharma, 1996). Pada algoritma clustering, data akan dikelompokkan menjadi clustercluster berdasarkan kemiripan satu data dengan data yang lain. Data yang dikelompokkan dalam
satu clustermemiliki kemiripan yang tinggi, sedangkan antara data pada satu clusterdengan data
pada cluster lainnya memiliki kemiripan yang rendah. Prinsip dari clustering adalah
memaksimalkan kesamaan antaranggota satu kelas dan meminimumkan kesamaan antar
kelas/cluster. Banyak algoritma clustering memerlukan fungsi jarak untuk mengukur kemiripan
antara data satu dengan yang lain. Sehingga diperlukan normalisasi berbagai jenis atribut yang
dimiliki data.Kategori algoritma clustering banyak dikenal salah satunya adalah hierarchical
clustering.
Adapun menurut Aldenderfer dan Blashfield (1984) Analisis cluster adalah pengorganisasian
kumpulan polakedalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Analisis cluster
digunakan untukmengklasifikasi obyek atau kasus (responden) ke dalam kelompok yang relatif
homogen yang disebut cluster, obyek atau kasus dalam setiap kelompok cenderung mirip satu sama
lain dan berbeda jauh (tidak sama) dengan obyek dari cluster lainnya (Supranto, 2004). Pola-pola
dalam suatu cluster akan memiliki kesamaan ciri/sifat daripada pola-pola dalam cluster yang
lainnya.
Tujuan utama analisis cluster adalah mengetahui struktur data dengan menempatkan
kesamaan objek observasi ke dalam satu grup atau dengan mengelompokkan sekumpulan objek ke
dalam beberapa kelompok (cluster) yang memiliki karakteristik tertentu dan dapat dibedakan satu
sama lain untuk analisis dan interpretasi lebih lanjut. Cluster-cluster yang terbentuk memiliki
2
homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Berbeda dengan teknik
multivariat lainnya, analisis ini tidak mengestimasi set variabel secara empiris sebaliknya
menggunakan set variabel yang ditentukan oleh peneliti itu sendiri.
Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap penyelesaian atau solusi
tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat diperoleh
dengan mengubah satu elemen atau lebih. Solusi cluster secara keseluruhan bergantung pada
variabel-variabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau
pengurangan variabel-variabel yang relevan datap mempengaruhi substansi hasil analisis cluster.
Secara garis besar analisis cluster digunakan untuk menjawab pertanyaan-pertanyaan seperti
bagaimana mengukur kesamaan, bagaimana membentuk cluster dan berapa banyak cluster atau
kelompok yang terbentuk. Tujuan utama analisis cluster adalah mempartisi suatu set objek menjadi
dua kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya. Dalam
perencanaan sendiri analisis cluster dapat digunakan sebagai alat bantu pengambilan keputusan
mengenai di mana sebuah kebijakan akan ditetapkan.
Tiga prinsip dasar dalam analisis cluster yaitu: 1) Pengelompokan atau pemisahan dilakukan
berdasarkan prinsip kesamaan (similarity) antar obyek, 2) Kesamaan (similarity) diperoleh dengan
cara meminimalkan jarak antar kelompok (within cluster) dan memaksimalkan jarak antar
kelompok (between cluster), 3) Pengukuran jarak (distance-type measure) digunakan untuk data
yang bersifat matriks, sementara pengukuran kesesuaian (matching-type measure) digunakan pada
data yang bersifat kualitatif.
Terdapat dua metode pembetukan cluster, yaitu metode hierarki (hierarchial methods) dan
metode partisi (partitioning methods). Perbedaan antara kedua metode tersebut adalah dalam
pengalokasian obyek ke dalam kelompok/cluster. Pada metode hierarki, jika suatu obyek
dikelompokkan ke dalam suatu cluster, maka obyek tersebut akan tetap berada pada cluster
tersebut, sehingga ketika obyek tersebut dimasukkan ke dalam kelompok lain, maka kelompok/
clusternya juga akan ikut dikelompokkan. Sedangkan pada metode partisi, posisi obyek pada suatu
kelompok itu tidak tetap. Artinya, meskipun suatu obyek sudah masuk ke dalam suatu cluster,
obyek tersebut dapat mengalami realokasi (pengelompokan kembali) ke dalam cluster yang lain
apabila ternyata karakteristik awal pengelompokan tidak akurat.
II.1.1 Hierarchical clustering
Hierarchical clustering merupakan salah satu algoritma clustering yang fungsinya dapat
digunakan untuk meng-cluster dokumen (document clustering). Dari teknik hierarchical clustering,
dapat dihasilkan suatu kumpulan partisi yang berurutan, dimana dalam kumpulan tersebut terdapat
cluster-cluster yang mempunyai point-point individu, cluster-cluster ini berbeda di level yang
paling bawah. Selain itu ada juga cluster yang didalamnya terdapat poin-poin yang dipunyai semua
cluster didalamnya, cluster ini disebut single cluster, terletak di level yang paling atas.
Dalam algoritma hierarchical clustering, cluster yang berda di level yang lebih atas
(intermediate level) dari cluster yang lain, dapat diperoleh dengan cara mengkombinasikan dua
buah cluster yang berada pada level dibawahnya (Steinbach, Karypis, & Kumar, 2000). Hasil
keseluruhan dari algoritma hierarchical clustering secara grafik dapat digambarkan sebagai pohon,
yang disebut dengan dendogram. Pohon ini secara grafik menggambarkan proses penggabungan
dari cluster-cluster yang ada, sehingga menghasilkan cluster dengan level yang lebih tinggi
(Intermediate level). Gambar 1 adalah contoh gambar pohon (dendogram) :
3
Gambar II-1 Dendogram (Steinbach, Karypis, & Kumar 2000)
Ada dua metode yang sering diterapkan yaitu agglomerative hierarchical clustering dan
divisive hierarchical clustering. Pada algomerative hierarchical, proses hirarchical clustering
dimulai dari cluster-cluster yang mempunyai poin-poin individu yang berada di level paling bawah.
Pada setiap langkanya, dilakukan penggabungan berada saling berdekatan atau mempunyai tingkat /
sifat kesamaan yang paling tinggi (Steinbach, Karypis, & Kumar, 2000). Pada divisive hierarchical
clustering, proses hierarchical clustering dimulai dari single cluster yang berada di level yang
paling atas. Pada setiap langkanya, dilakukan pemisahan (split) dari cluster-cluster yang ada sampai
hanya tersisa single cluster dengan masing-masing point individu yang dimilikinya. Dalam kasus
ini, harus diputuskan pada setiap langkahnya, cluster mana yang akan dipisah dan bagaimana
pemisahan akan dilakukan (Steinbach, Karypis, & Kumar, 2000).
Agglomerative hierarchical clustering berkerja dengan sederetan dari penggabungan yang
berurutan atau sederetan dari pembagian yang berurutan dan berawal dari objek-objek individual.
Jadi pada awalnya banyaknya cluster sama dengan banyaknya objek. Objek-objek yang paling
mirip dikelompokkan dan kelompok-kelompok awal ini digabungkan sesuai dengan kemiripannya.
Sewaktu kemiripan berkurang, semua sub kelompok digabungkan menjadi satu cluster tunggal.
Hasil-hasil dari clustering dapat disajikan secara grafik dalam bentuk dendrogram. Cabang-cabang
dalam pohon menyajikan cluster dan bergabung pada node yang posisinya sepanjang sumbu jarak
(similaritas) menyatakan tingkat dimana penggabungan terjadi.
II.1.2 Langkah-langkah analisis cluster
Langkah-langkah dalam algoritma clustering hirarki agglomerative untuk mengelompokkan N
objek (item/variabel):
1. Mulai dengan N cluster, setiap cluster mengandung entiti tunggal dan sebuah matriks simetrik
dari jarak (similarities) D = {Dik} dengan tipe NxN.
2. Cari matriks jarak untuk pasangan cluster yang terdekat (paling mirip), misalkan jarak antara
cluster U dan V yang paling mirip adalah duv.
3. Gabungkan cluster U dan V. Label cluster yang baru dibentuk dengan (UV). Update entries
pada matrik jarak dengan cara :
a. Harpus baris dan kolom yang bersesuaian dengan cluster U dan V
b. Tambahan baris dan kolom yang memberikan jarak-jarak antara cluster (UV) dan clustercluster yang
tersisa.
4. Ulangi langkah 2 dan 3 sebanyak (N-1) kali. (Semua objek akan berada dalam cluster tunggal
setelah algoritma berakhir). Catat indentitas dari cluster yang digabungkan dan tingkat-tingkat
(jarak atau similaritas) di mana penggabungan terjadi.
Beberapa metode hierarchical clustering yang sering digunakan dibedakan menurut cara
mereka untuk menghitung tingkat kemiripan atau jarak antar kelompok. Ada yang menggunakan
ward's linkage, centroid linkage, single linkage, complete linkage, average linkage, median linkage
dan lain-lainnya.
4
III.
GAMBARAN KASUS
Tingkat kebutuhan sarana dan prasarana sampah diasumsikan sebanding dengan jumlah
timbulan sampah dan jumlah penduduk. Konsentrasi penyediaan sarana dan prasarana sampah di
Kabupaten Pati sementara ini masih terfokus pada Kecamatan Pati khususnya Kota Pati sebagai
ibukota kabupaten. Keterbatasan anggaran menjadikan pengambil kebijakan harus berfikir lebih
efektif dan efisien terhadap jumlah kebutuhan sarana dan prasarana pengolahan sampah yang akan
diberikan pada masing-masing wilayah. Disisi lain, cakupan wilayah adminitrasi yang terlalu luas
namun sempit dalam satuan wilayah adminitrasi kecamatan di Kabupaten Pati yaitu sejumlah 21
kecamatan, dirasa membutuhkan gambaran informasi yang lebih spesifik dalam cakupan wilayah
yang lebih besar kedalam kelompok administrasi yang lebih sedikit dibandingkan dengan satuan
administrasi kecamatan. Sehingga proyeksi tingkat kebutuhan sarana dan prasarana sampah pada
tahun rencana lebih didasarkan pada cluster wilayah dengan tingkat kebutuhan sarana dan prasarana
yang hierarki terhadap timbulan sampah sebagai entitas pertama dan jumlah penduduk sebagai entitas
kedua. Sehingga, tugas ini membahas tentang analisis cluster melalui pendekatan hierarki dengan
program SPSS dalam rangka clustering tingkat kebutuhan sarana dan prasarana sampah terhadap
timbulan sampah dan jumlah penduduk di Kabupaten Pati Provinsi Jawa Tegah sebagai berikut:
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
IV.
Tabel III-1 Penilaian Wilayah Timbulan Sampah dan Jumlah Penduduk di Kabupaten Pati
Jumlah Penduduk
Jumlah Sarana Pengelola Sampah
Prasarana Pegumpul
Timbulan
Sampah
Kecamatan
LakiTPS
Bank
Motor Roda
Arm Roll
Dump
Perempuan
TPS
TPA
(M3/hari)
Laki
3R
Sampah
Tiga
Truk
Truk
Sukolilo
44273
45816
329.16
0
0
0
0
1
1
0
Kayen
34817
37989
266.60
2
0
0
0
2
1
0
Tambakromo
23841
25733
177.50
0
1
0
0
0
1
0
Winong
22023
27984
220.00
1
1
0
0
1
1
0
Pucakwangi
19665
22179
195.98
0
0
0
0
1
1
0
Jaken
20554
22185
165.01
0
0
0
0
1
1
0
Batangan
21072
21806
149.23
0
0
0
0
1
1
0
Juwana
47225
48372
337.42
3
1
0
0
13
3
1
Jakenan
18944
21857
160.70
1
0
0
1
1
1
2
Pati
51471
55557
383.10
15
5
39
0
50
7
2
Gabus
24412
28167
199.12
2
0
0
0
2
1
0
Margorejo
29550
31895
217.40
1
2
6
1
2
1
0
Gembong
22152
22236
156.13
1
1
0
0
2
1
0
Tlgowungu
24801
25933
176.54
0
0
1
0
1
1
1
Wedarijaksa
29450
30793
209.40
0
0
0
0
3
1
0
Trangkil
30088
31460
214.06
2
1
1
0
4
1
0
Margoyoso
36146
37023
259.10
2
1
3
0
4
1
0
Gunungwungkal
18062
17950
132.64
0
0
0
1
0
1
0
Cluwak
21267
22238
159.09
0
0
1
0
1
1
0
Tayu
32293
33077
245.05
3
5
0
0
6
3
0
Dukuhseti
28617
29016
206.59
1
0
0
0
1
1
0
Jumlah
600,723
639,266
4559.82
34.00
18.00
51.00
3.00
97.00
31.00
6.00
Sumber: Kabupaten Pati dalam Angka, 2017 dan Laporan Akhir PTPM dan RTR Kabupaten Pati, 2016.
HASIL DAN ANALISIS
IV.1 Analisis Tahap Pertama
IV.1.1 Case Processing Summary
Tabel IV-1 Tabel Case Processing Summary
Case Processing Summarya
Cases
Valid
Missing
N
Percent
N
Percent
N
21
100.0
0
.0
a. Average Linkage (Between Groups)
Total
21
Percent
100.0
5
Tabel di atas menjelaskan tentang rekap data yang berhasil diolah, serta menunjukkan tidak
ada data yang hilang atau tidak dipakai. Jumlah data yang terolah sebanyak 21 variabel dan angka
valid 100% menunjukkan semua data teridentifikasi.
IV.1.2 Matrix Proximity
Tabel IV-2 Tabel Proximity Matriks
Proximity Matrix
Case
1:Sukolilo
2:Kayen
3:Tambakr
omo
4:Winong
5:Pucakw
angi
6:Jaken
7:Batanga
n
8:Juwana
9:Jakenan
10:Pati
11:Gabus
12:Margor
ejo
13:Gembo
ng
14:Tlgowu
ngu
15:Wedarij
aksa
16:Trangki
l
17:Margoy
oso
18:Gunun
gwungkal
19:Cluwak
20:Tayu
21:Dukuh
seti
1:Sukolilo
2:Kayen
3:Tambakr
omo
4:Winong
5:Pucakw
angi
6:Jaken
7:Batanga
n
8:Juwana 9:Jakenan
Squared Euclidean Distance
12:Margor 13:Gembo 14:Tlgowu 15:Wedarij 16:Trangki 17:Margoy 18:Gunun
ejo
ng
ngu
aksa
l
oso
gwungkal 19:Cluwak
11:Gabus
10:Pati
20:Tayu
21:Dukuh
seti
0.000
2.890
14.405
11.951
16.426
18.034
19.183
7.181
36.913
104.688
11.759
17.379
18.438
15.939
8.020
8.255
3.667
32.081
18.105
19.185
9.099
2.890
0.000
5.535
3.873
6.621
7.539
8.287
9.975
25.526
105.587
3.214
11.402
7.630
7.257
1.983
1.807
.649
19.485
7.598
13.915
2.173
14.405
5.535
0.000
.601
.856
.741
.882
23.845
18.468
126.421
1.037
9.965
.391
2.896
1.366
1.604
5.128
9.675
.747
12.762
1.106
11.951
3.873
.601
0.000
1.085
1.600
2.082
20.450
19.169
119.048
.714
9.513
1.273
3.527
1.290
1.032
3.673
11.271
1.745
11.381
.976
16.426
6.621
.856
1.085
0.000
.225
.517
26.946
17.817
133.010
1.012
12.326
.980
2.948
1.892
3.078
7.190
8.907
.350
17.854
1.483
18.034
7.539
.741
1.600
.225
0.000
.061
28.613
17.562
135.233
1.188
12.658
.599
2.801
2.114
3.353
7.977
8.277
.027
18.519
1.682
19.183
8.287
.882
2.082
.517
.061
0.000
29.807
17.608
136.761
1.495
13.067
.578
2.925
2.458
3.728
8.648
8.102
.038
19.103
2.001
18.065
7.181
9.975
23.845
20.450
26.946
28.613
29.807
0.000
37.399
65.572
20.288
24.090
27.265
21.174
16.988
14.877
9.435
43.373
28.656
16.808
36.913
25.526
18.468
19.169
17.817
17.562
17.608
37.399
0.000
132.355
18.611
14.959
18.009
10.905
20.135
21.027
25.990
10.104
17.604
36.151
19.464
104.688
105.587
126.421
119.048
133.010
135.233
136.761
65.572
132.355
0.000
119.723
110.756
127.388
120.696
119.309
107.042
97.120
152.161
134.245
82.881
119.763
11.759
3.214
1.037
.714
1.012
1.188
1.495
20.288
18.611
119.723
0.000
10.675
1.383
2.988
.765
1.012
3.740
10.717
1.240
14.897
.318
17.379
11.402
9.965
9.513
12.326
12.658
13.067
24.090
14.959
110.756
10.675
0.000
11.139
13.429
10.202
8.710
9.623
7.507
12.509
15.144
10.201
18.438
7.630
.391
1.273
.980
.599
.578
27.265
18.009
127.388
1.383
11.139
0.000
3.293
2.536
2.473
7.060
8.855
.577
13.870
1.967
15.939
7.257
2.896
3.527
2.948
2.801
2.925
21.174
10.905
120.696
2.988
13.429
3.293
0.000
3.187
4.264
7.602
11.807
2.761
18.965
2.985
8.020
1.983
1.366
1.290
1.892
2.114
2.458
16.988
20.135
119.309
.765
10.202
2.536
3.187
0.000
.868
2.416
12.316
2.112
14.626
.172
8.255
1.807
1.604
1.032
3.078
3.353
3.728
14.877
21.027
107.042
1.012
8.710
2.473
4.264
.868
0.000
1.236
13.733
3.325
9.660
.734
3.667
.649
5.128
3.673
7.190
7.977
8.648
9.435
25.990
97.120
3.740
9.623
7.060
7.602
2.416
1.236
0.000
19.835
7.913
9.841
2.654
32.081
19.485
9.675
11.271
8.907
8.277
8.102
43.373
10.104
152.161
10.717
7.507
8.855
11.807
12.316
13.733
19.835
0.000
8.261
29.650
11.606
18.105
7.598
.747
1.745
.350
.027
.038
28.656
17.604
134.245
1.240
12.509
.577
2.761
2.112
3.325
7.913
8.261
0.000
18.565
1.687
19.185
13.915
12.762
11.381
17.854
18.519
19.103
16.808
36.151
82.881
14.897
15.144
13.870
18.965
14.626
9.660
9.841
29.650
18.565
0.000
14.508
9.099
2.173
1.106
.976
1.483
1.682
2.001
18.065
19.464
119.763
.318
10.201
1.967
2.985
.172
.734
2.654
11.606
1.687
14.508
0.000
Seperti diketahui bahwa langkah pertama pada clustering adalah melakukan pengukuran
terhadap kesamaan (similarity) antar variable. Sementara itu, clustering juga memiliki tujuan
untuk mengelompokkan variable dengan kemiripan yang sama (similar). Berdasarkan tabel
proximity matrix yang merupakan hasil dari pengolahan dengan software SPSS dan metode
analisis yang digunakan yaitu Avarage Linkage Between Groups, dapat diketahui jarak antar
variabel. Semakin dekat jarak antara dua variabel menunjukkan bahwa antara dua variabel
tersebut semakin mirip dan dijadikan pada kelompok yang sama .
IV.1.3 Average Linkage Between Groups
Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Cluster Combined
Cluster 1 Cluster 2
6
19
6
7
15
21
5
6
3
13
11
15
2
17
3
5
11
16
4
11
3
4
3
14
1
2
12
18
1
3
1
12
1
20
1
9
1
8
1
10
Tabel IV-3 Tabel Aggomeration Schedule
Agglomeration Schedule
Stage Cluster First Appears
Coefficients
Cluster 1
Cluster 2
.027
0
0
.049
1
0
.172
0
0
.364
0
2
.391
0
0
.541
0
3
.649
0
0
.745
5
4
.871
6
0
1.003
0
9
1.857
8
10
3.143
11
0
3.278
0
7
7.507
0
0
8.288
13
12
12.258
15
14
16.026
16
0
20.335
17
0
22.381
18
0
117.488
19
0
Next Stage
2
4
6
8
8
9
13
11
10
11
12
15
15
16
16
17
18
19
20
0
Tabel Agglomeration Schedule di atas merupakan penyederhanaan dari tabel proximity
matrix yang menjabarkan jarak antar obyek yang dijadikan variabel. Tabel di atas merupakan
6
hasil pengelompokan variabel berdasarkan hierarki dengan cara mengelompokkan variabel
dengan jarak terdekat. Pengelompokan bertingkat dilakukan satu persatu sehingga menghasilkan
cluster yang banyak. Pengelompokan ini didasarkan pada jarak antar variabel, yaitu variabel
dengan jarak yang paling dekat mempunyai peluang untuk berada dalam satu cluster. Selain itu,
dari tabel agglomeration schedule di atas juga dapat menginformasikan tentang pembagian
cluster. Jika dilihat dari kolom cluster combined, variabel yang menjadi satu kelompok dengan
variabel nomor 1 (Sukolilo) yaitu Kayen, Tambakromo, Margorejo, dan Tayu.
IV.1.4 Cluster Membership
Tabel IV-4 Tabel Cluster Membership
Cluster Membership
Case
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Juwana
9:Jakenan
10:Pati
11:Gabus
12:Margorejo
13:Gembong
14:Tlgowungu
15:Wedarijaksa
16:Trangkil
17:Margoyoso
18:Gunungwungkal
19:Cluwak
20:Tayu
21:Dukuhseti
4 Clusters
3 Clusters
1
1
1
1
1
1
1
2
3
4
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
3
1
1
1
1
1
1
1
1
1
1
1
2 Clusters
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
Data dari 21 variabel yang telah dimasukkan dan dianalisis dapat dikeompokkan menjadi 2
kelompok, 3 kelompok, dan 4 kelompok. Dari tabel disamping dapat dilihat bahwa konsentrasi
penyediaan sarana dan prasarana sampah memang masih hanya terkonsentrasi di Kecamatan Pati
diikuti dengan Kecamatan Juwana dan Kecamatan Jakenan sedangkan penyediaan sarana dan
prasarana diluar Kecamatan Pati masih kurang perhatian. Sehingga, hipotesis awal tentang
pernyataan konsentrasi penyediaan sarana dan prasarana sampah yang masih terfokus pada
Kecamatan Pati adalah benar.
IV.1.5 Dendogram
Tabel IV-5 Gambar Diagram Dendogram
Dendogram
merupakan
pendiagraman cluster membership.
Berdasarkan dendogram di atas, kita
dapat mengetahui keanggotaan setiap
kelompok atau cluster berdasarkan
hierarki atau tingkatannya. Dari tabel
hasil
analisis,
terlihat
adanya
kesenjangan ketersediaan sarana dan
prasarana yang signifikan antar
kecamatan. Khususnya Kecamatan
Pati,
kemudian
diikuti
dengan
Kecamatan Juwana dan Kecamatan
Jakenan. Kesenjangan ini berakibat
pada kurang tajamnya informasi yang
dihasilkan karena informasi mengenai
7
wilayah selain tiga kecamatan tersebut secara tidak langsung tertutupi. Sehingga, dibutuhkan
analisis lebih lanjut untuk memetakan persebaran kelompok wilayah dengan tingkat kebutuhan
sarana dan prasarana persampahan diluar Kecamatan Pati, Kecamatan Juwana, dan Kecamatan
Jenaken agar didapatkan informasi yang lebih detail.
IV.2 Analisis Tahap Kedua
IV.2.1 Case Prosessing Summary
Tabel IV-6 Tabel Case Processing Summary
Case Processing Summarya
Cases
Valid
Missing
N
Percent
N
Percent
N
18
100.0%
0
0.0%
a. Squared Euclidean Distance used
Total
18
Percent
100.0%
Tabel di atas menggambarkan bahwa rekap data yang berhasil diolah dan tidak ada data
yang hilang atau tidak dipakai. Jumlah data yang terolah sebanyak 18 variabel dan angka valid
100% menunjukkan semua data teridentifikasi.
IV.2.2 Matrix Proximity
Tabel IV-7 Tabel Proximity Matriks
Berdasarkan tabel proximity matrix yang merupakan hasil dari pengolahan dengan
software SPSS dan metode analisis yang digunakan yaitu Avarage Linkage Between Groups,
dapat diketahui jarak antar variabel. Semakin dekat jarak antara dua variabel menunjukkan bahwa
antara dua variabel tersebut semakin mirip dan dijadikan pada kelompok yang sama .
IV.2.3 Average Linkage Between Groups
Tabel IV-8 Tabel Aggomeration Schedule
Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Cluster Combined
Cluster 1
Cluster 2
6
7
6
16
5
6
4
18
3
5
4
8
3
10
13
14
4
12
3
4
2
13
2
3
2
15
2
11
1
2
1
9
1
17
Agglomeration Schedule
Stage Cluster First Appears
Coefficients
Cluster 1
Cluster 2
.113
0
0
.461
1
0
.813
0
2
1.666
0
0
1.844
0
3
2.134
4
0
2.601
5
0
3.954
0
0
4.260
6
0
4.790
7
9
5.747
0
8
14.139
11
10
20.239
12
0
23.651
13
0
29.141
0
14
30.961
15
0
55.067
16
0
Next Stage
2
3
5
6
7
9
10
11
10
12
12
13
14
15
16
17
0
8
Berdasarkan tabel agglomeration schedule di atas diinformasikan mengenai pembagian
cluster kedalam beberapa kelompok. Jika dilihat dari kolom cluster combined, variabel yang
menjadi satu kelompok dengan variabel nomor 4 (Kecamatan Winong) yaitu Kecamatan
Dukuhseti, Kecamatan Gabus, dan Kecamatan Wedarijaksa.
IV.2.4 Cluster Membership
Tabel IV-9 Tabel Cluster Membership
Cluster Membership
Case
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Gabus
9:Margorejo
10:Gembong
11:Tlgowungu
12:Wedarijaksa
13:Trangkil
14:Margoyoso
15:Gunungwungkal
16:Cluwak
17:Tayu
18:Dukuhseti
4 Clusters
3 Clusters
1
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
4
2
2 Clusters
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
Data dari 21 kecamatan yang telah diolah pada tahap pertama mengindikasikan bahwa
terjadi ketimpangan sarana dan prasarana sehingga pada tahap kedua ini hanya kecamatan dengan
tingkat kebutuhan sangat tinggi yaitu sebanyak 18 kecamatan saja yang diambil. Data dari 18
kecamatan yang telah dimasukkan dan dianalisis dapat dikelompokkan menjadi 2 kelompok, 3
kelompok, dan 4 kelompok. Dari tabel disamping dapat dilihat bahwa untuk 4 cluster terlihat
wilayah dengan tingkat kebutuhan sarana dan prasarana persampahan sangat tinggi yaitu
Kecamatan Sukolilo. Sedangkan, wilayah dengan tingkat kebutuhan sarana dan prasarana
persampahan yang rendah yaitu Kecamatan Tayu. Kecamatan Margorejo memiliki tingkat
kebutuhan sarana dan prasarana persampahan yang sedang dan untuk 15 kecamatan lainnya
berkebutuhan yang tinggi.
IV.2.5 Dendogram
Tabel IV-10 Gambar Diagram Dendogram
9
Dendogram merupakan pendiagraman cluster membership. Berdasarkan dendogram di atas, kita
dapat mengetahui keanggotaan setiap kelompok atau cluster berdasarkan hierarki atau
tingkatannya.
V.
KESIMPULAN DAN SARAN
V.1 KESIMPULAN
Berdasarkan tujuan analisis yaitu mengelompokkan wilayah berdasarkan tingkat kebutuhan
sarana dan prasarana sampah terhadap timbulan sampah yang belum tertanggulangi dan jumlah
penduduk di Kabupaten Pati, maka telah diperoleh 4 kelompok dan sangat terlihat bahwa
konsentrasi kategori cluster masih hanya terfokus di Kecamatan Pati, Kecamatan Juwana, dan
Kecamatan Jakenan. Ketimpangan tersebut belum dapat memberikan informasi yang tajam terkait
tingkat kebutuhan sarana dan prasarana sampah di Kabupaten Pati. Sehingga diputuskan untuk
mengeluarkan 3 wilayah kecamatan tersebut untuk mendapatkan informasi cluster yang lebih
detail. Proses pengeluaran 3 wilayah kecamatan tersebut tidak serta merta membuang informasi
datanya, namun dikelompokkan kedalam satu cluster baru yaitu cluster 5 dengan kategori tingkat
kebutuhan yang sangat rendah.
Dari hasil clustering yang telah terbentuk, dapat disimpulkan bahwa memang konsentrasi
ketersediaan sarana dan prasaran sampah adalah benar masih hanya terfokus di sekitar kota pati
sesuai hipotesis awal seperti tersaji pada gambar V-1. Oleh karena itu, lokasi sebaran tingkat
kebutuhan sarana dan prasarana sampah relatif linear terhadap jarak dari pusat kota pati dengan
kriteria yang tertinggi adalah yaitu kecamatan yang terjauh dari pusat kota. Hal yang perlu diingat
bahwa, hasil dari analisis cluster terbatas pada pengelompokan saja, sehingga mengenai
pengategorian dilakukan dengan analisis yang lebih lanjut. Berikut pengelompokan kecamatan di
Kabupaten Pati berdasarkan tingkat kebutuhan sarana dan prasarana sampah terhadap timbulan
sampah dan jumlah penduduk:
Tabel V-2 Tabel Clustering Tahap Pertama
Kecamatan
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Juwana
9:Jakenan
10:Pati
11:Gabus
12:Margorejo
13:Gembong
14:Tlgowungu
15:Wedarijaksa
16:Trangkil
17:Margoyoso
18:Gunungwungkal
19:Cluwak
20:Tayu
21:Dukuhseti
Cluster
1
1
1
1
1
1
1
2
3
4
1
1
1
1
1
1
1
1
1
1
1
Kategori
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Tinggi
Sedang
Rendah
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Tabel V-1 Tabel Clustering Tahap Kedua
Kecamatan
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Gabus
9:Margorejo
10:Gembong
11:Tlgowungu
12:Wedarijaksa
13:Trangkil
14:Margoyoso
15:Gunungwungkal
16:Cluwak
17:Tayu
18:Dukuhseti
Cluster
1
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
4
2
Kategori
Sangat Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Sedang
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Rendah
Tinggi
10
Tabel V-3 Tabel Clustering Tingkat Kebutuhan Sarana dan Prasarana
Sampah di Kabupaten Pati
Kecamatan
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Gembong
9:Gabus
10:Tlgowungu
11:Wedarijaksa
12:Trangkil
13:Margoyoso
14:Gunungwungkal
15:Cluwak
16:Dukuhseti
17:Margorejo
18:Tayu
19:Juwana
20:Jakenan
21:Pati
Cluster
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
4
5
5
5
Kategori
Sangat Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Sedang
Rendah
Sangat Rendah
Sangat Rendah
Sangat Rendah
Gambar V-1 Peta Clustering Tingkat Kebutuhan Sarana dan
Prasarana Sampah di Kabupetn Pati
V.2 SARAN
Dari simpulan diatas, disarankan untuk menggunakan pengelompokkan ulang dengan
mengeluarkan obyek Kecamatan Pati, Kecamatan Juwan, dan Kecamatan Jakenan yang memiliki
ketimpangan sangat tinggi kemudian menjadikan tiga kecamatan tersebut menjadi kelompok baru
dengan kategori tingkat kebutuhan sangat rendah. Hal ini dilakukan agar clustering dapat
memberikan informasi yang lebih detail dalam proses pengambilan kebijakan. Sehingga,
direkomendasikan untuk memberikan penambahan jumlah sarana dan prasarana sampah di
kecamatan dengan kriteria tingkat kebutuhan sangat tinggi yaitu Kecamatan Sukolilo.
11
DAFTAR PUSTAKA
Aldenderfer, M. S., & Blashfi eld, R. K. 1984. Cluster analysis. Beverly Hills, CA : Sage.
J. Supranto. 2004. Analisis Multivariat: Arti dan Interpretasi. Jakarta : PT. Asdi Mahasatya.
Kabupaten Pati Dalam Angka 2017. Badan Pusat Statistik Kabupaten Pati, 2017.
Laporan Akhir Fasilitasi Perencanaan Teknis dan Manajemen Persampahan (PTMP) dan Rencana
Teknis Rinci (RTR) Sistem Penanganan Persampahan Kabupaten Pati. Dinas Persampahan
Kabupaten Pati, 2016.
Sharma, Shubash. 1996. Applied Multivariate Techniques. Canada : John Wiley and Sons, Inc.
Steinbach, M., Karypis, G., Kumar, V. 2000. “A Comparison of Document Clustering Techniques” .
[Home page of University of Minnesota, Technical Report #00-034][Online]. Available at:
http://www.cs.umn.edu/tech_reports\. Diakses pada tanggal 28 Agustus 2017.
12
EBUTUHAN SARANA DAN PRASARANA PERSAMPAHAN
PE
DI KABUPAT
UPATEN PATI PROVINSI JAWA TEGAH
Disusun Untuk Memenu
enuhi Tugas Mata Kuliah Metode Analisis Perenc
encanaan
Oleh Kelompok A-I:
No.
Nama
NIM
1.
AFDEN
AFD
FDEN MAHYEDA
21040117410029
2.
ANDI
AN RAHMAN
21040117410056
3.
ANDARIAS
AND
NDARIAS KADAM
21040117410020
FAKULTAS TEKNIK
MAGISTER
A
RP
PEMBANGUNAN WILAYAH DAN KOTA
UNI
UNIVERSITAS DIPONEGORO
SEMARANG
2017
i
DAFTAR ISI
DAFTAR TABEL ......................................................................................................................................................iii
DAFTAR GAMBAR.................................................................................................................................................. iv
I.
PENDAHULUAN ............................................................................................................................................... 1
I.1
Latar Belakang............................................................................................................................................. 1
I.2
Permasalahan ............................................................................................................................................... 1
I.3
Tujuan Penelitian ......................................................................................................................................... 2
II.
DASAR TEORI ................................................................................................................................................... 2
II.1
Analisis Cluster............................................................................................................................................ 2
II.1.1
Hierarchical clustering ......................................................................................................................... 3
II.1.2
Langkah-langkah analisis cluster......................................................................................................... 4
III.
GAMBARAN KASUS .................................................................................................................................... 5
IV.
HASIL DAN ANALISIS................................................................................................................................. 5
IV.1
IV.1.1
Case Processing Summary................................................................................................................... 5
IV.1.2
Matrix Proximity.................................................................................................................................. 6
IV.1.3
Average Linkage Between Groups ...................................................................................................... 6
IV.1.4
Cluster Membership............................................................................................................................. 7
IV.1.5
Dendogram........................................................................................................................................... 7
IV.2
V.
Analisis Tahap Pertama ............................................................................................................................... 5
Analisis Tahap Kedua.................................................................................................................................. 8
IV.2.1
Case Prosessing Summary ................................................................................................................... 8
IV.2.2
Matrix Proximity.................................................................................................................................. 8
IV.2.3
Average Linkage Between Groups ...................................................................................................... 8
IV.2.4
Cluster Membership............................................................................................................................. 9
IV.2.5
Dendogram........................................................................................................................................... 9
KESIMPULAN DAN SARAN ......................................................................................................................... 10
V.1
KESIMPULAN.......................................................................................................................................... 10
V.2
SARAN...................................................................................................................................................... 11
DAFTAR PUSTAKA............................................................................................................................................... 12
ii
DAFTAR TABEL
Tabel III-1 Penilaian Wilayah Timbulan Sampah dan Jumlah Penduduk di Kabupaten Pati ..................................... 5
Tabel IV-1 Tabel Case Processing Summary .............................................................................................................. 5
Tabel IV-2 Tabel Proximity Matriks ........................................................................................................................... 6
Tabel IV-3 Tabel Aggomeration Schedule .................................................................................................................. 6
Tabel IV-4 Tabel Cluster Membership ........................................................................................................................ 7
Tabel IV-5 Gambar Diagram Dendogram ................................................................................................................... 7
Tabel IV-6 Tabel Case Processing Summary .............................................................................................................. 8
Tabel IV-7 Tabel Proximity Matriks ........................................................................................................................... 8
Tabel IV-8 Tabel Aggomeration Schedule .................................................................................................................. 8
Tabel IV-9 Tabel Cluster Membership ........................................................................................................................ 9
Tabel IV-10 Gambar Diagram Dendogram ................................................................................................................. 9
Tabel V-3 Tabel Clustering Tingkat Kebutuhan Sarana dan Prasarana Sampah di Kabupaten Pati ......................... 11
Tabel V-1 Tabel Clustering Tahap Pertama .............................................................................................................. 10
Tabel V-2 Tabel Clustering Tahap Kedua ................................................................................................................. 10
iii
DAFTAR GAMBAR
Gambar I-1 Peta Administrasi Kabupaten Pati............................................................................................................ 1
Gambar II-1 Dendogram (Steinbach, Karypis, & Kumar 2000).................................................................................. 4
Gambar V-1 Peta Clustering Tingkat Kebutuhan Sarana dan Prasarana Sampah di Kabupetn Pati ........................11
iv
I.
PENDAHULUAN
I.1
Latar Belakang
Urbanisasi selalu mendatangkan permasalahan, salah satunya yaitu kerusakan lingkungan dan
sampah menjadi bagian dari faktor permasalahan lingkungan tersebut. Jumlah penduduk sebagai
nilai wajar dari proses urbanisasi membawa konsekuensi logis terhadap peningkatan jumlah
produksi sampah. Jika persoalan ini tidak diikuti dengan kemampuan pengelolaan sampah dan
peran serta sadar masyarakat dalam menjaga kebersihan lingkungannya, akan sangat
memungkinkan terjadinya pencemaran lingkungan.
Perhatian dunia terhadap penyelesaian permasalahan lingkungan telah lama dilakukan. Pada
Tahun 2000, para pemimpin dunia menyepakati tentang 8 tujuan pembagunan global yang spesifik
dan terukur yang disebut Millenium Development Goals (MDGs). Pencapaian tujuan dalam MDGs
memiliki target waktu hingga 2015. Agenda kedepan untuk melanjutkan MDGs, dikembangkan
suatu konsepsi dalam konteks kerangka/agenda pembangunan pasca 2015, yang disebut Sustainable
Development Goals (SDGs). SDG’s 2015 memiliki 17 sasaran yang mencangkup berbagai aspek,
salah satunya dalam bidang sanitasi yaitu di sasaran No. 6: memastikan ketersediaan dan
pengelolaan air bersih dan sanitasi yang berkelanjutan.
Perencanaan dan pembangunan wilayah merupakan instrumen utama yang digunakan dalam
mewujudkan pembangunan yang berkelanjutan. Didalam kegiatan perencanaan wilayah harus
melibatkan metode dan analisis yang matang terkait dampak yang akan dihasilkan dari setiap proses
pembangunan wilayah. Sehingga, perencanaan menjadi hal penting yang dibutuhkan dalam proses
pengambilan kebijakan. Dalam setiap proses perencanaan pun pasti dipengaruhi oleh beberapa
faktor yang diantaranya yaitu: faktor internal dan eksternal. Faktor internal biasanya selalu
berkaitan dengan aktifitas keruangan seperti ekologi dan ekosistem lingkungannya. Sedangkan
faktor eksternal lebih dipengaruhi oleh aktifitas sosial, ekonomi, dan budaya masyarakat.
Permasalahan sanitasi khususnya terkait dengan sampah juga tidak pernah terlepas dari faktorfaktor tersebut. Oleh karena itu, penanganan terhadap permasalahan sampah harus segera
diselesaikan. Ketersediaan sarana dan prasarana sampah tentunya menjadi faktor utama yang
mempengaruhi permasalahan sampah. Banyak sedikitnya ketersediaan sarana dan prasarana sampah
tersebut secara signifikan pasti berpengaruh terhadap penyelesaian permasalahan persampahan.
Sehingga, perencanaan terkait kebutuhan sarana dan prasarana sampah sangat berpengaruh terhadap
proses pengambilan kebijakan.
I.2
Permasalahan
Gambar I-1 Peta Administrasi Kabupaten Pati
Kabupaten Pati merupakan salah satu Kabupaten di Provinsi
Jawa Tengah dengan jumlah penduduk yang padat. Luas wilayah
administrasi kabupaten seluas 150.368 hektar dan jumlah penduduk
sebesar 1.239.989 jiwa, mempunyai rerata tingkat laju pertumbuhan
penduduk sebesar 0,58 pada tahun 2016 (BPS, 2017). Dengan
meningkatnya jumlah penduduk di Kabupaten Pati, maka akan
berdampak pada tingkat produksi sampah di Kabupaten Pati yang terus
meningkat setiap tahunnya. Sarana dan prasarana pengolahan sampah
sebagai alat utama yang dibutuhkan untuk mengentaskan permasalahan
sampah, membutuhkan perhatian khusus dalam segi anggaran.
Kebijakan pemerintah dalam penanganan sampah di daerah urban harus
tepat sasaran. Penambahan jumlah sarana dan prasarana sampah harus
1
mengikuti tren terhadap jumlah penduduk sehingga, permasalahan sampah dapat tertangani dengan
baik. Ditinjau dari sarana TPA (Tempat Pemrosesan Akhir Sampah), yaitu: TPA Sukoharjo, TPA
Sampok, dan TPA Plosojenar, sementara ini cakupan pelayanan TPA Kabupaten Pati baru dapat
melayani 9 dari 21 kecamatan yang ada. Konsentrasi penyediaan sarana dan prasarana sampah
pun masih hanya terpusat disekitar Kecamatan Pati khususnya Kota Pati sebagai ibukota Kabupaten
Pati. Sehingga, clustering tingkat kebutuhan sarana dan prasarana sampah pada lokasi di luar
Kecamatan Pati yang karena permasalahan sampahnya menjadi hal yang penting untuk dianalisis.
I.3
Tujuan Penelitian
Fokus penelitian ini dimaksudkan untuk mengelompokkan tingkat kebutuhan sarana dan
prasarana sampah dimasing-masing kecamatan di Kabupaten Pati kedalam cakupan wilayah yang
lebih luas berdasarkan pada faktor utama ketersediaan sarana dan prasarana yang ada saat ini
terhadap timbulan sampah dan jumlah penduduk. Apakah memang benar bahwa konsentrasi
penyediaan sarana dan prasarana sampah masih hanya terfokus pada Kecamatan Pati sebagai
ibukota kabupaten. Dengan diketahuinya clustering tingkat kebutuhan sarana dan prasarana sampah
tersebut, diharapkan dapat digunakan sebagai salah satu alat pengambil kebijakan di lingkungan
Pemerintah Kabupaten Pati. Sehingga, solusi dari permasalahan sampah di Kabupaten Pati akan
tepat sasaran dan dapat tertanggulangi dengan baik.
II.
DASAR TEORI
II.1 Analisis Cluster
Cluster analysis merupakan metode pengelompokan setiap objek ke dalam satu atau lebih
dari satu kelompok, sehingga tiap objek yang berada dalam satu kelompok akan memiliki nilai
interaksi yang sama. Clustering analysis bertujuanuntuk membetuk kelompok dengan karakteristik
yang sama. (Sharma, 1996). Pada algoritma clustering, data akan dikelompokkan menjadi clustercluster berdasarkan kemiripan satu data dengan data yang lain. Data yang dikelompokkan dalam
satu clustermemiliki kemiripan yang tinggi, sedangkan antara data pada satu clusterdengan data
pada cluster lainnya memiliki kemiripan yang rendah. Prinsip dari clustering adalah
memaksimalkan kesamaan antaranggota satu kelas dan meminimumkan kesamaan antar
kelas/cluster. Banyak algoritma clustering memerlukan fungsi jarak untuk mengukur kemiripan
antara data satu dengan yang lain. Sehingga diperlukan normalisasi berbagai jenis atribut yang
dimiliki data.Kategori algoritma clustering banyak dikenal salah satunya adalah hierarchical
clustering.
Adapun menurut Aldenderfer dan Blashfield (1984) Analisis cluster adalah pengorganisasian
kumpulan polakedalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Analisis cluster
digunakan untukmengklasifikasi obyek atau kasus (responden) ke dalam kelompok yang relatif
homogen yang disebut cluster, obyek atau kasus dalam setiap kelompok cenderung mirip satu sama
lain dan berbeda jauh (tidak sama) dengan obyek dari cluster lainnya (Supranto, 2004). Pola-pola
dalam suatu cluster akan memiliki kesamaan ciri/sifat daripada pola-pola dalam cluster yang
lainnya.
Tujuan utama analisis cluster adalah mengetahui struktur data dengan menempatkan
kesamaan objek observasi ke dalam satu grup atau dengan mengelompokkan sekumpulan objek ke
dalam beberapa kelompok (cluster) yang memiliki karakteristik tertentu dan dapat dibedakan satu
sama lain untuk analisis dan interpretasi lebih lanjut. Cluster-cluster yang terbentuk memiliki
2
homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Berbeda dengan teknik
multivariat lainnya, analisis ini tidak mengestimasi set variabel secara empiris sebaliknya
menggunakan set variabel yang ditentukan oleh peneliti itu sendiri.
Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap penyelesaian atau solusi
tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat diperoleh
dengan mengubah satu elemen atau lebih. Solusi cluster secara keseluruhan bergantung pada
variabel-variabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau
pengurangan variabel-variabel yang relevan datap mempengaruhi substansi hasil analisis cluster.
Secara garis besar analisis cluster digunakan untuk menjawab pertanyaan-pertanyaan seperti
bagaimana mengukur kesamaan, bagaimana membentuk cluster dan berapa banyak cluster atau
kelompok yang terbentuk. Tujuan utama analisis cluster adalah mempartisi suatu set objek menjadi
dua kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya. Dalam
perencanaan sendiri analisis cluster dapat digunakan sebagai alat bantu pengambilan keputusan
mengenai di mana sebuah kebijakan akan ditetapkan.
Tiga prinsip dasar dalam analisis cluster yaitu: 1) Pengelompokan atau pemisahan dilakukan
berdasarkan prinsip kesamaan (similarity) antar obyek, 2) Kesamaan (similarity) diperoleh dengan
cara meminimalkan jarak antar kelompok (within cluster) dan memaksimalkan jarak antar
kelompok (between cluster), 3) Pengukuran jarak (distance-type measure) digunakan untuk data
yang bersifat matriks, sementara pengukuran kesesuaian (matching-type measure) digunakan pada
data yang bersifat kualitatif.
Terdapat dua metode pembetukan cluster, yaitu metode hierarki (hierarchial methods) dan
metode partisi (partitioning methods). Perbedaan antara kedua metode tersebut adalah dalam
pengalokasian obyek ke dalam kelompok/cluster. Pada metode hierarki, jika suatu obyek
dikelompokkan ke dalam suatu cluster, maka obyek tersebut akan tetap berada pada cluster
tersebut, sehingga ketika obyek tersebut dimasukkan ke dalam kelompok lain, maka kelompok/
clusternya juga akan ikut dikelompokkan. Sedangkan pada metode partisi, posisi obyek pada suatu
kelompok itu tidak tetap. Artinya, meskipun suatu obyek sudah masuk ke dalam suatu cluster,
obyek tersebut dapat mengalami realokasi (pengelompokan kembali) ke dalam cluster yang lain
apabila ternyata karakteristik awal pengelompokan tidak akurat.
II.1.1 Hierarchical clustering
Hierarchical clustering merupakan salah satu algoritma clustering yang fungsinya dapat
digunakan untuk meng-cluster dokumen (document clustering). Dari teknik hierarchical clustering,
dapat dihasilkan suatu kumpulan partisi yang berurutan, dimana dalam kumpulan tersebut terdapat
cluster-cluster yang mempunyai point-point individu, cluster-cluster ini berbeda di level yang
paling bawah. Selain itu ada juga cluster yang didalamnya terdapat poin-poin yang dipunyai semua
cluster didalamnya, cluster ini disebut single cluster, terletak di level yang paling atas.
Dalam algoritma hierarchical clustering, cluster yang berda di level yang lebih atas
(intermediate level) dari cluster yang lain, dapat diperoleh dengan cara mengkombinasikan dua
buah cluster yang berada pada level dibawahnya (Steinbach, Karypis, & Kumar, 2000). Hasil
keseluruhan dari algoritma hierarchical clustering secara grafik dapat digambarkan sebagai pohon,
yang disebut dengan dendogram. Pohon ini secara grafik menggambarkan proses penggabungan
dari cluster-cluster yang ada, sehingga menghasilkan cluster dengan level yang lebih tinggi
(Intermediate level). Gambar 1 adalah contoh gambar pohon (dendogram) :
3
Gambar II-1 Dendogram (Steinbach, Karypis, & Kumar 2000)
Ada dua metode yang sering diterapkan yaitu agglomerative hierarchical clustering dan
divisive hierarchical clustering. Pada algomerative hierarchical, proses hirarchical clustering
dimulai dari cluster-cluster yang mempunyai poin-poin individu yang berada di level paling bawah.
Pada setiap langkanya, dilakukan penggabungan berada saling berdekatan atau mempunyai tingkat /
sifat kesamaan yang paling tinggi (Steinbach, Karypis, & Kumar, 2000). Pada divisive hierarchical
clustering, proses hierarchical clustering dimulai dari single cluster yang berada di level yang
paling atas. Pada setiap langkanya, dilakukan pemisahan (split) dari cluster-cluster yang ada sampai
hanya tersisa single cluster dengan masing-masing point individu yang dimilikinya. Dalam kasus
ini, harus diputuskan pada setiap langkahnya, cluster mana yang akan dipisah dan bagaimana
pemisahan akan dilakukan (Steinbach, Karypis, & Kumar, 2000).
Agglomerative hierarchical clustering berkerja dengan sederetan dari penggabungan yang
berurutan atau sederetan dari pembagian yang berurutan dan berawal dari objek-objek individual.
Jadi pada awalnya banyaknya cluster sama dengan banyaknya objek. Objek-objek yang paling
mirip dikelompokkan dan kelompok-kelompok awal ini digabungkan sesuai dengan kemiripannya.
Sewaktu kemiripan berkurang, semua sub kelompok digabungkan menjadi satu cluster tunggal.
Hasil-hasil dari clustering dapat disajikan secara grafik dalam bentuk dendrogram. Cabang-cabang
dalam pohon menyajikan cluster dan bergabung pada node yang posisinya sepanjang sumbu jarak
(similaritas) menyatakan tingkat dimana penggabungan terjadi.
II.1.2 Langkah-langkah analisis cluster
Langkah-langkah dalam algoritma clustering hirarki agglomerative untuk mengelompokkan N
objek (item/variabel):
1. Mulai dengan N cluster, setiap cluster mengandung entiti tunggal dan sebuah matriks simetrik
dari jarak (similarities) D = {Dik} dengan tipe NxN.
2. Cari matriks jarak untuk pasangan cluster yang terdekat (paling mirip), misalkan jarak antara
cluster U dan V yang paling mirip adalah duv.
3. Gabungkan cluster U dan V. Label cluster yang baru dibentuk dengan (UV). Update entries
pada matrik jarak dengan cara :
a. Harpus baris dan kolom yang bersesuaian dengan cluster U dan V
b. Tambahan baris dan kolom yang memberikan jarak-jarak antara cluster (UV) dan clustercluster yang
tersisa.
4. Ulangi langkah 2 dan 3 sebanyak (N-1) kali. (Semua objek akan berada dalam cluster tunggal
setelah algoritma berakhir). Catat indentitas dari cluster yang digabungkan dan tingkat-tingkat
(jarak atau similaritas) di mana penggabungan terjadi.
Beberapa metode hierarchical clustering yang sering digunakan dibedakan menurut cara
mereka untuk menghitung tingkat kemiripan atau jarak antar kelompok. Ada yang menggunakan
ward's linkage, centroid linkage, single linkage, complete linkage, average linkage, median linkage
dan lain-lainnya.
4
III.
GAMBARAN KASUS
Tingkat kebutuhan sarana dan prasarana sampah diasumsikan sebanding dengan jumlah
timbulan sampah dan jumlah penduduk. Konsentrasi penyediaan sarana dan prasarana sampah di
Kabupaten Pati sementara ini masih terfokus pada Kecamatan Pati khususnya Kota Pati sebagai
ibukota kabupaten. Keterbatasan anggaran menjadikan pengambil kebijakan harus berfikir lebih
efektif dan efisien terhadap jumlah kebutuhan sarana dan prasarana pengolahan sampah yang akan
diberikan pada masing-masing wilayah. Disisi lain, cakupan wilayah adminitrasi yang terlalu luas
namun sempit dalam satuan wilayah adminitrasi kecamatan di Kabupaten Pati yaitu sejumlah 21
kecamatan, dirasa membutuhkan gambaran informasi yang lebih spesifik dalam cakupan wilayah
yang lebih besar kedalam kelompok administrasi yang lebih sedikit dibandingkan dengan satuan
administrasi kecamatan. Sehingga proyeksi tingkat kebutuhan sarana dan prasarana sampah pada
tahun rencana lebih didasarkan pada cluster wilayah dengan tingkat kebutuhan sarana dan prasarana
yang hierarki terhadap timbulan sampah sebagai entitas pertama dan jumlah penduduk sebagai entitas
kedua. Sehingga, tugas ini membahas tentang analisis cluster melalui pendekatan hierarki dengan
program SPSS dalam rangka clustering tingkat kebutuhan sarana dan prasarana sampah terhadap
timbulan sampah dan jumlah penduduk di Kabupaten Pati Provinsi Jawa Tegah sebagai berikut:
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
IV.
Tabel III-1 Penilaian Wilayah Timbulan Sampah dan Jumlah Penduduk di Kabupaten Pati
Jumlah Penduduk
Jumlah Sarana Pengelola Sampah
Prasarana Pegumpul
Timbulan
Sampah
Kecamatan
LakiTPS
Bank
Motor Roda
Arm Roll
Dump
Perempuan
TPS
TPA
(M3/hari)
Laki
3R
Sampah
Tiga
Truk
Truk
Sukolilo
44273
45816
329.16
0
0
0
0
1
1
0
Kayen
34817
37989
266.60
2
0
0
0
2
1
0
Tambakromo
23841
25733
177.50
0
1
0
0
0
1
0
Winong
22023
27984
220.00
1
1
0
0
1
1
0
Pucakwangi
19665
22179
195.98
0
0
0
0
1
1
0
Jaken
20554
22185
165.01
0
0
0
0
1
1
0
Batangan
21072
21806
149.23
0
0
0
0
1
1
0
Juwana
47225
48372
337.42
3
1
0
0
13
3
1
Jakenan
18944
21857
160.70
1
0
0
1
1
1
2
Pati
51471
55557
383.10
15
5
39
0
50
7
2
Gabus
24412
28167
199.12
2
0
0
0
2
1
0
Margorejo
29550
31895
217.40
1
2
6
1
2
1
0
Gembong
22152
22236
156.13
1
1
0
0
2
1
0
Tlgowungu
24801
25933
176.54
0
0
1
0
1
1
1
Wedarijaksa
29450
30793
209.40
0
0
0
0
3
1
0
Trangkil
30088
31460
214.06
2
1
1
0
4
1
0
Margoyoso
36146
37023
259.10
2
1
3
0
4
1
0
Gunungwungkal
18062
17950
132.64
0
0
0
1
0
1
0
Cluwak
21267
22238
159.09
0
0
1
0
1
1
0
Tayu
32293
33077
245.05
3
5
0
0
6
3
0
Dukuhseti
28617
29016
206.59
1
0
0
0
1
1
0
Jumlah
600,723
639,266
4559.82
34.00
18.00
51.00
3.00
97.00
31.00
6.00
Sumber: Kabupaten Pati dalam Angka, 2017 dan Laporan Akhir PTPM dan RTR Kabupaten Pati, 2016.
HASIL DAN ANALISIS
IV.1 Analisis Tahap Pertama
IV.1.1 Case Processing Summary
Tabel IV-1 Tabel Case Processing Summary
Case Processing Summarya
Cases
Valid
Missing
N
Percent
N
Percent
N
21
100.0
0
.0
a. Average Linkage (Between Groups)
Total
21
Percent
100.0
5
Tabel di atas menjelaskan tentang rekap data yang berhasil diolah, serta menunjukkan tidak
ada data yang hilang atau tidak dipakai. Jumlah data yang terolah sebanyak 21 variabel dan angka
valid 100% menunjukkan semua data teridentifikasi.
IV.1.2 Matrix Proximity
Tabel IV-2 Tabel Proximity Matriks
Proximity Matrix
Case
1:Sukolilo
2:Kayen
3:Tambakr
omo
4:Winong
5:Pucakw
angi
6:Jaken
7:Batanga
n
8:Juwana
9:Jakenan
10:Pati
11:Gabus
12:Margor
ejo
13:Gembo
ng
14:Tlgowu
ngu
15:Wedarij
aksa
16:Trangki
l
17:Margoy
oso
18:Gunun
gwungkal
19:Cluwak
20:Tayu
21:Dukuh
seti
1:Sukolilo
2:Kayen
3:Tambakr
omo
4:Winong
5:Pucakw
angi
6:Jaken
7:Batanga
n
8:Juwana 9:Jakenan
Squared Euclidean Distance
12:Margor 13:Gembo 14:Tlgowu 15:Wedarij 16:Trangki 17:Margoy 18:Gunun
ejo
ng
ngu
aksa
l
oso
gwungkal 19:Cluwak
11:Gabus
10:Pati
20:Tayu
21:Dukuh
seti
0.000
2.890
14.405
11.951
16.426
18.034
19.183
7.181
36.913
104.688
11.759
17.379
18.438
15.939
8.020
8.255
3.667
32.081
18.105
19.185
9.099
2.890
0.000
5.535
3.873
6.621
7.539
8.287
9.975
25.526
105.587
3.214
11.402
7.630
7.257
1.983
1.807
.649
19.485
7.598
13.915
2.173
14.405
5.535
0.000
.601
.856
.741
.882
23.845
18.468
126.421
1.037
9.965
.391
2.896
1.366
1.604
5.128
9.675
.747
12.762
1.106
11.951
3.873
.601
0.000
1.085
1.600
2.082
20.450
19.169
119.048
.714
9.513
1.273
3.527
1.290
1.032
3.673
11.271
1.745
11.381
.976
16.426
6.621
.856
1.085
0.000
.225
.517
26.946
17.817
133.010
1.012
12.326
.980
2.948
1.892
3.078
7.190
8.907
.350
17.854
1.483
18.034
7.539
.741
1.600
.225
0.000
.061
28.613
17.562
135.233
1.188
12.658
.599
2.801
2.114
3.353
7.977
8.277
.027
18.519
1.682
19.183
8.287
.882
2.082
.517
.061
0.000
29.807
17.608
136.761
1.495
13.067
.578
2.925
2.458
3.728
8.648
8.102
.038
19.103
2.001
18.065
7.181
9.975
23.845
20.450
26.946
28.613
29.807
0.000
37.399
65.572
20.288
24.090
27.265
21.174
16.988
14.877
9.435
43.373
28.656
16.808
36.913
25.526
18.468
19.169
17.817
17.562
17.608
37.399
0.000
132.355
18.611
14.959
18.009
10.905
20.135
21.027
25.990
10.104
17.604
36.151
19.464
104.688
105.587
126.421
119.048
133.010
135.233
136.761
65.572
132.355
0.000
119.723
110.756
127.388
120.696
119.309
107.042
97.120
152.161
134.245
82.881
119.763
11.759
3.214
1.037
.714
1.012
1.188
1.495
20.288
18.611
119.723
0.000
10.675
1.383
2.988
.765
1.012
3.740
10.717
1.240
14.897
.318
17.379
11.402
9.965
9.513
12.326
12.658
13.067
24.090
14.959
110.756
10.675
0.000
11.139
13.429
10.202
8.710
9.623
7.507
12.509
15.144
10.201
18.438
7.630
.391
1.273
.980
.599
.578
27.265
18.009
127.388
1.383
11.139
0.000
3.293
2.536
2.473
7.060
8.855
.577
13.870
1.967
15.939
7.257
2.896
3.527
2.948
2.801
2.925
21.174
10.905
120.696
2.988
13.429
3.293
0.000
3.187
4.264
7.602
11.807
2.761
18.965
2.985
8.020
1.983
1.366
1.290
1.892
2.114
2.458
16.988
20.135
119.309
.765
10.202
2.536
3.187
0.000
.868
2.416
12.316
2.112
14.626
.172
8.255
1.807
1.604
1.032
3.078
3.353
3.728
14.877
21.027
107.042
1.012
8.710
2.473
4.264
.868
0.000
1.236
13.733
3.325
9.660
.734
3.667
.649
5.128
3.673
7.190
7.977
8.648
9.435
25.990
97.120
3.740
9.623
7.060
7.602
2.416
1.236
0.000
19.835
7.913
9.841
2.654
32.081
19.485
9.675
11.271
8.907
8.277
8.102
43.373
10.104
152.161
10.717
7.507
8.855
11.807
12.316
13.733
19.835
0.000
8.261
29.650
11.606
18.105
7.598
.747
1.745
.350
.027
.038
28.656
17.604
134.245
1.240
12.509
.577
2.761
2.112
3.325
7.913
8.261
0.000
18.565
1.687
19.185
13.915
12.762
11.381
17.854
18.519
19.103
16.808
36.151
82.881
14.897
15.144
13.870
18.965
14.626
9.660
9.841
29.650
18.565
0.000
14.508
9.099
2.173
1.106
.976
1.483
1.682
2.001
18.065
19.464
119.763
.318
10.201
1.967
2.985
.172
.734
2.654
11.606
1.687
14.508
0.000
Seperti diketahui bahwa langkah pertama pada clustering adalah melakukan pengukuran
terhadap kesamaan (similarity) antar variable. Sementara itu, clustering juga memiliki tujuan
untuk mengelompokkan variable dengan kemiripan yang sama (similar). Berdasarkan tabel
proximity matrix yang merupakan hasil dari pengolahan dengan software SPSS dan metode
analisis yang digunakan yaitu Avarage Linkage Between Groups, dapat diketahui jarak antar
variabel. Semakin dekat jarak antara dua variabel menunjukkan bahwa antara dua variabel
tersebut semakin mirip dan dijadikan pada kelompok yang sama .
IV.1.3 Average Linkage Between Groups
Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Cluster Combined
Cluster 1 Cluster 2
6
19
6
7
15
21
5
6
3
13
11
15
2
17
3
5
11
16
4
11
3
4
3
14
1
2
12
18
1
3
1
12
1
20
1
9
1
8
1
10
Tabel IV-3 Tabel Aggomeration Schedule
Agglomeration Schedule
Stage Cluster First Appears
Coefficients
Cluster 1
Cluster 2
.027
0
0
.049
1
0
.172
0
0
.364
0
2
.391
0
0
.541
0
3
.649
0
0
.745
5
4
.871
6
0
1.003
0
9
1.857
8
10
3.143
11
0
3.278
0
7
7.507
0
0
8.288
13
12
12.258
15
14
16.026
16
0
20.335
17
0
22.381
18
0
117.488
19
0
Next Stage
2
4
6
8
8
9
13
11
10
11
12
15
15
16
16
17
18
19
20
0
Tabel Agglomeration Schedule di atas merupakan penyederhanaan dari tabel proximity
matrix yang menjabarkan jarak antar obyek yang dijadikan variabel. Tabel di atas merupakan
6
hasil pengelompokan variabel berdasarkan hierarki dengan cara mengelompokkan variabel
dengan jarak terdekat. Pengelompokan bertingkat dilakukan satu persatu sehingga menghasilkan
cluster yang banyak. Pengelompokan ini didasarkan pada jarak antar variabel, yaitu variabel
dengan jarak yang paling dekat mempunyai peluang untuk berada dalam satu cluster. Selain itu,
dari tabel agglomeration schedule di atas juga dapat menginformasikan tentang pembagian
cluster. Jika dilihat dari kolom cluster combined, variabel yang menjadi satu kelompok dengan
variabel nomor 1 (Sukolilo) yaitu Kayen, Tambakromo, Margorejo, dan Tayu.
IV.1.4 Cluster Membership
Tabel IV-4 Tabel Cluster Membership
Cluster Membership
Case
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Juwana
9:Jakenan
10:Pati
11:Gabus
12:Margorejo
13:Gembong
14:Tlgowungu
15:Wedarijaksa
16:Trangkil
17:Margoyoso
18:Gunungwungkal
19:Cluwak
20:Tayu
21:Dukuhseti
4 Clusters
3 Clusters
1
1
1
1
1
1
1
2
3
4
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
3
1
1
1
1
1
1
1
1
1
1
1
2 Clusters
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
Data dari 21 variabel yang telah dimasukkan dan dianalisis dapat dikeompokkan menjadi 2
kelompok, 3 kelompok, dan 4 kelompok. Dari tabel disamping dapat dilihat bahwa konsentrasi
penyediaan sarana dan prasarana sampah memang masih hanya terkonsentrasi di Kecamatan Pati
diikuti dengan Kecamatan Juwana dan Kecamatan Jakenan sedangkan penyediaan sarana dan
prasarana diluar Kecamatan Pati masih kurang perhatian. Sehingga, hipotesis awal tentang
pernyataan konsentrasi penyediaan sarana dan prasarana sampah yang masih terfokus pada
Kecamatan Pati adalah benar.
IV.1.5 Dendogram
Tabel IV-5 Gambar Diagram Dendogram
Dendogram
merupakan
pendiagraman cluster membership.
Berdasarkan dendogram di atas, kita
dapat mengetahui keanggotaan setiap
kelompok atau cluster berdasarkan
hierarki atau tingkatannya. Dari tabel
hasil
analisis,
terlihat
adanya
kesenjangan ketersediaan sarana dan
prasarana yang signifikan antar
kecamatan. Khususnya Kecamatan
Pati,
kemudian
diikuti
dengan
Kecamatan Juwana dan Kecamatan
Jakenan. Kesenjangan ini berakibat
pada kurang tajamnya informasi yang
dihasilkan karena informasi mengenai
7
wilayah selain tiga kecamatan tersebut secara tidak langsung tertutupi. Sehingga, dibutuhkan
analisis lebih lanjut untuk memetakan persebaran kelompok wilayah dengan tingkat kebutuhan
sarana dan prasarana persampahan diluar Kecamatan Pati, Kecamatan Juwana, dan Kecamatan
Jenaken agar didapatkan informasi yang lebih detail.
IV.2 Analisis Tahap Kedua
IV.2.1 Case Prosessing Summary
Tabel IV-6 Tabel Case Processing Summary
Case Processing Summarya
Cases
Valid
Missing
N
Percent
N
Percent
N
18
100.0%
0
0.0%
a. Squared Euclidean Distance used
Total
18
Percent
100.0%
Tabel di atas menggambarkan bahwa rekap data yang berhasil diolah dan tidak ada data
yang hilang atau tidak dipakai. Jumlah data yang terolah sebanyak 18 variabel dan angka valid
100% menunjukkan semua data teridentifikasi.
IV.2.2 Matrix Proximity
Tabel IV-7 Tabel Proximity Matriks
Berdasarkan tabel proximity matrix yang merupakan hasil dari pengolahan dengan
software SPSS dan metode analisis yang digunakan yaitu Avarage Linkage Between Groups,
dapat diketahui jarak antar variabel. Semakin dekat jarak antara dua variabel menunjukkan bahwa
antara dua variabel tersebut semakin mirip dan dijadikan pada kelompok yang sama .
IV.2.3 Average Linkage Between Groups
Tabel IV-8 Tabel Aggomeration Schedule
Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Cluster Combined
Cluster 1
Cluster 2
6
7
6
16
5
6
4
18
3
5
4
8
3
10
13
14
4
12
3
4
2
13
2
3
2
15
2
11
1
2
1
9
1
17
Agglomeration Schedule
Stage Cluster First Appears
Coefficients
Cluster 1
Cluster 2
.113
0
0
.461
1
0
.813
0
2
1.666
0
0
1.844
0
3
2.134
4
0
2.601
5
0
3.954
0
0
4.260
6
0
4.790
7
9
5.747
0
8
14.139
11
10
20.239
12
0
23.651
13
0
29.141
0
14
30.961
15
0
55.067
16
0
Next Stage
2
3
5
6
7
9
10
11
10
12
12
13
14
15
16
17
0
8
Berdasarkan tabel agglomeration schedule di atas diinformasikan mengenai pembagian
cluster kedalam beberapa kelompok. Jika dilihat dari kolom cluster combined, variabel yang
menjadi satu kelompok dengan variabel nomor 4 (Kecamatan Winong) yaitu Kecamatan
Dukuhseti, Kecamatan Gabus, dan Kecamatan Wedarijaksa.
IV.2.4 Cluster Membership
Tabel IV-9 Tabel Cluster Membership
Cluster Membership
Case
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Gabus
9:Margorejo
10:Gembong
11:Tlgowungu
12:Wedarijaksa
13:Trangkil
14:Margoyoso
15:Gunungwungkal
16:Cluwak
17:Tayu
18:Dukuhseti
4 Clusters
3 Clusters
1
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
4
2
2 Clusters
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
Data dari 21 kecamatan yang telah diolah pada tahap pertama mengindikasikan bahwa
terjadi ketimpangan sarana dan prasarana sehingga pada tahap kedua ini hanya kecamatan dengan
tingkat kebutuhan sangat tinggi yaitu sebanyak 18 kecamatan saja yang diambil. Data dari 18
kecamatan yang telah dimasukkan dan dianalisis dapat dikelompokkan menjadi 2 kelompok, 3
kelompok, dan 4 kelompok. Dari tabel disamping dapat dilihat bahwa untuk 4 cluster terlihat
wilayah dengan tingkat kebutuhan sarana dan prasarana persampahan sangat tinggi yaitu
Kecamatan Sukolilo. Sedangkan, wilayah dengan tingkat kebutuhan sarana dan prasarana
persampahan yang rendah yaitu Kecamatan Tayu. Kecamatan Margorejo memiliki tingkat
kebutuhan sarana dan prasarana persampahan yang sedang dan untuk 15 kecamatan lainnya
berkebutuhan yang tinggi.
IV.2.5 Dendogram
Tabel IV-10 Gambar Diagram Dendogram
9
Dendogram merupakan pendiagraman cluster membership. Berdasarkan dendogram di atas, kita
dapat mengetahui keanggotaan setiap kelompok atau cluster berdasarkan hierarki atau
tingkatannya.
V.
KESIMPULAN DAN SARAN
V.1 KESIMPULAN
Berdasarkan tujuan analisis yaitu mengelompokkan wilayah berdasarkan tingkat kebutuhan
sarana dan prasarana sampah terhadap timbulan sampah yang belum tertanggulangi dan jumlah
penduduk di Kabupaten Pati, maka telah diperoleh 4 kelompok dan sangat terlihat bahwa
konsentrasi kategori cluster masih hanya terfokus di Kecamatan Pati, Kecamatan Juwana, dan
Kecamatan Jakenan. Ketimpangan tersebut belum dapat memberikan informasi yang tajam terkait
tingkat kebutuhan sarana dan prasarana sampah di Kabupaten Pati. Sehingga diputuskan untuk
mengeluarkan 3 wilayah kecamatan tersebut untuk mendapatkan informasi cluster yang lebih
detail. Proses pengeluaran 3 wilayah kecamatan tersebut tidak serta merta membuang informasi
datanya, namun dikelompokkan kedalam satu cluster baru yaitu cluster 5 dengan kategori tingkat
kebutuhan yang sangat rendah.
Dari hasil clustering yang telah terbentuk, dapat disimpulkan bahwa memang konsentrasi
ketersediaan sarana dan prasaran sampah adalah benar masih hanya terfokus di sekitar kota pati
sesuai hipotesis awal seperti tersaji pada gambar V-1. Oleh karena itu, lokasi sebaran tingkat
kebutuhan sarana dan prasarana sampah relatif linear terhadap jarak dari pusat kota pati dengan
kriteria yang tertinggi adalah yaitu kecamatan yang terjauh dari pusat kota. Hal yang perlu diingat
bahwa, hasil dari analisis cluster terbatas pada pengelompokan saja, sehingga mengenai
pengategorian dilakukan dengan analisis yang lebih lanjut. Berikut pengelompokan kecamatan di
Kabupaten Pati berdasarkan tingkat kebutuhan sarana dan prasarana sampah terhadap timbulan
sampah dan jumlah penduduk:
Tabel V-2 Tabel Clustering Tahap Pertama
Kecamatan
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Juwana
9:Jakenan
10:Pati
11:Gabus
12:Margorejo
13:Gembong
14:Tlgowungu
15:Wedarijaksa
16:Trangkil
17:Margoyoso
18:Gunungwungkal
19:Cluwak
20:Tayu
21:Dukuhseti
Cluster
1
1
1
1
1
1
1
2
3
4
1
1
1
1
1
1
1
1
1
1
1
Kategori
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Tinggi
Sedang
Rendah
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Sangat Tinggi
Tabel V-1 Tabel Clustering Tahap Kedua
Kecamatan
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Gabus
9:Margorejo
10:Gembong
11:Tlgowungu
12:Wedarijaksa
13:Trangkil
14:Margoyoso
15:Gunungwungkal
16:Cluwak
17:Tayu
18:Dukuhseti
Cluster
1
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
4
2
Kategori
Sangat Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Sedang
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Rendah
Tinggi
10
Tabel V-3 Tabel Clustering Tingkat Kebutuhan Sarana dan Prasarana
Sampah di Kabupaten Pati
Kecamatan
1:Sukolilo
2:Kayen
3:Tambakromo
4:Winong
5:Pucakwangi
6:Jaken
7:Batangan
8:Gembong
9:Gabus
10:Tlgowungu
11:Wedarijaksa
12:Trangkil
13:Margoyoso
14:Gunungwungkal
15:Cluwak
16:Dukuhseti
17:Margorejo
18:Tayu
19:Juwana
20:Jakenan
21:Pati
Cluster
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
4
5
5
5
Kategori
Sangat Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Tinggi
Sedang
Rendah
Sangat Rendah
Sangat Rendah
Sangat Rendah
Gambar V-1 Peta Clustering Tingkat Kebutuhan Sarana dan
Prasarana Sampah di Kabupetn Pati
V.2 SARAN
Dari simpulan diatas, disarankan untuk menggunakan pengelompokkan ulang dengan
mengeluarkan obyek Kecamatan Pati, Kecamatan Juwan, dan Kecamatan Jakenan yang memiliki
ketimpangan sangat tinggi kemudian menjadikan tiga kecamatan tersebut menjadi kelompok baru
dengan kategori tingkat kebutuhan sangat rendah. Hal ini dilakukan agar clustering dapat
memberikan informasi yang lebih detail dalam proses pengambilan kebijakan. Sehingga,
direkomendasikan untuk memberikan penambahan jumlah sarana dan prasarana sampah di
kecamatan dengan kriteria tingkat kebutuhan sangat tinggi yaitu Kecamatan Sukolilo.
11
DAFTAR PUSTAKA
Aldenderfer, M. S., & Blashfi eld, R. K. 1984. Cluster analysis. Beverly Hills, CA : Sage.
J. Supranto. 2004. Analisis Multivariat: Arti dan Interpretasi. Jakarta : PT. Asdi Mahasatya.
Kabupaten Pati Dalam Angka 2017. Badan Pusat Statistik Kabupaten Pati, 2017.
Laporan Akhir Fasilitasi Perencanaan Teknis dan Manajemen Persampahan (PTMP) dan Rencana
Teknis Rinci (RTR) Sistem Penanganan Persampahan Kabupaten Pati. Dinas Persampahan
Kabupaten Pati, 2016.
Sharma, Shubash. 1996. Applied Multivariate Techniques. Canada : John Wiley and Sons, Inc.
Steinbach, M., Karypis, G., Kumar, V. 2000. “A Comparison of Document Clustering Techniques” .
[Home page of University of Minnesota, Technical Report #00-034][Online]. Available at:
http://www.cs.umn.edu/tech_reports\. Diakses pada tanggal 28 Agustus 2017.
12