Analisis Faktor dan Analisis Cluster Pad

LAPORAN PRAKTIKUM
MULTIVARIAT
MODUL V
Analisis Faktor dan Analisis Cluster Pada Data
Kemiskinan Berdasarkan Dimensi Kualitas Kesehatan
Dan Kualitas Ekonomi di Jawa Tengah

Oleh:
Raras Anasi

(1313030055)

Elok Faiqoh

(1313030067)

AsistenDosen:
Denni Hariyanto

Dosen:
Santi Wulan Purnami, M.Si, Ph.D

Program Studi Diploma III
Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya
2015

ABSTRAK
Penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran
perkapita perbulan dibawah garis kemiskinan.Banyak indikator yang
digunakan dalam mengindikasi kemiskinan, salah satunya adalah dari segi
kesehatan dan ekonomi. Praktikum ini, akan dilakukan analisis cluster pada
data kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas
ekonomi. Analisis Cluster merupakan metode pengelompokan dengan dua
atau lebih objek yang memiliki kemiripan karakteristik paling dekat.Data
yang digunakan adalah data Tugas Akhir Farisca Susiani dengan
menggunakan 6 variabel dan diperoleh kesimpulan bahwa Pengujian asumsi
dengan melihat boxplot menunjukkan terdapat data yang outlier tetapi
diasumsikan tidak terdapat outlier, nilai korelasi antar variabelmenunjukkan

tidak ada multiokolinieritas pada data, sedangkan melihat nilai KMO
menunjukkan data yang diambil sudah cukup dan dapat digunakan pada
analisis klaster. Selain itu, juga diketahui bahwa Variabel penelitian yang
berpengaruh terhadap terbentuknya kluster yaitu presentase rumah tangga
miskin yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/kayu
berkualitas rendah per kecamatan.
Kata Kunci : Analisis Cluster, Kemiskinan,Multikolinearitas,Uji
Kecukupan data, Outlier.

ii

DAFTAR ISI
Halaman
HALAMAN JUDUL............................................................................................i
ABSTRAK............................................................................................................ii
DAFTAR ISI........................................................................................................iii
DAFTAR TABEL................................................................................................iv
DAFTAR GAMBAR...........................................................................................v
BAB I PENDAHULUAN
1.1 Latar Belakang.....................................................................................1

1.2 Rumusan Masalah................................................................................2
1.3 Tujuan..................................................................................................2
1.4 Manfaat................................................................................................2
1.5 Batasan Masalah..................................................................................3
BAB II TINJAUAN PUSTAKA
2.1 Outlier..................................................................................................4
2.2 Uji KMO..............................................................................................4
2.3 Uji Bartlett...........................................................................................5
2.4 Analisis Klaster....................................................................................5
2.5 Analisi Cluster Hierachrical...............................................................6
2.6 Analisis Cluster Non-Hierachrical......................................................8
2.7 Kemiskinan..........................................................................................8
BAB III METODOLOGI STATISTIKA
3.1 Sumber Data........................................................................................9
3.2 Variabel Penelitian...............................................................................9
3.3 Langkah Analisis.................................................................................9
3.4 Diagram Alir........................................................................................10
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Pengujian Asumsi cluster....................................................................11
4.1.1 Pendeteksian Data Outlier.........................................................11

4.1.2Uji Kecukupan Data KMO.........................................................11
4.1.3Pendeteksian Multikolinearitas...................................................12

iii

4.3 Analisis Klaster....................................................................................11
4.2.1 Analisis Cluster Hierarki...........................................................13
4.2.2 Analisis ClusterNon-Hierarki....................................................16
BAB V KESIMPULAN DAN SARAN
5.1Kesimpulan...........................................................................................21
5.2 Saran....................................................................................................22
DAFTAR PUSTAKA
LAMPIRAN

iv

DAFTAR TABEL
Halaman
Tabel 3.1 Variabel Penelitian.............................................................................. 9
Tabel 4.1 Uji Kecukupan Data ...........................................................................12

Tabel 4.2 Hasil Pengujian Korelasi Variabel Penelitian.....................................12
Tabel 4.3 Pembentukan Dendogram...................................................................13
Tabel 4.4 Pengelompokkan Klaster Hierarki Kabupaten/Kota...........................15
Tabel 4.5 Pusat Klaster........................................................................................16
Tabel 4.6 Pengelompokkan klaster non Hierarki kabupaten/kota.......................16
Tabel 4.6 Pengelompokkan klaster non Hierarki kabupaten/kota.......................16
Tabel 4.7 Rata-rata jarak cluster.........................................................................18
Tabel 4.8 ANOVA..............................................................................................19

v

DAFTAR GAMBAR
Halaman
Gambar 3.1 Diagram Alir...................................................................................10
Gambar 4.1 Boxplot Outlier pada Variabel Penelitian.......................................11
Gambar 4.2 Dendogram Single Linkage............................................................14

vi

BAB I

PENDAHULUAN
1.1

Latar Belakang
Peranan statistik dalam kegiatan penelitian banyak sekali. Statistik dapat

memberikan teknik-teknik yang tepat dalam pengumpulan, pengklasifikasian dan
penyajian data, sehingga hasil-hasil penelitian lebih mudah dimengerti. Statistik
dapat memberikan suatu ukuran yang dapat mensifatkan populasi, menyatakan
variasi dan memberikan gambaran yang lebih akurat tentang kecenderungankecenderungan suatu variabel penelitian. Statistik dapat digunakan sebagai dasar
untuk menjelaskan hubungan serta tingkat hubungan antara dua variabel atau
lebih. Banyak variabel yang dapat diteliti menggunakan metode dalam statistik,
salah satunya yaitu permasalahan tentang kemiskinan (Winarsunu, 2010).
Kemiskinan adalah keadaan tidak berharta, berpenghasilan rendah dan serba
kekurangan

dalam menjalani kehidupan sehari-hari. Kemiskinan juga bisa

diartikan sebagai suatu situasi, baik berupa proses maupun akibat, dimana
seseorang tidak mampu untuk berinteraksi dengan lingkungan di sekitarnya untuk

memenuhi kebutuhan hidupnya (Ellis, 2014). Banyak indikator yang digunakan
dalam mengindikasi kemiskinan, salah satunya adalah dari segi kesehatan dan
ekonomi.
Berdasarkan informasi diatas, penulis ingin melakukan analisis data
mengenai kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas
ekonomi menggunakan analisis cluster. Analisis Cluster merupakan metode
pengelompokan dengan dua atau lebih objek yang memiliki kemiripan
karakteristik paling dekat. Dalam praktikum ini menggunakan studi kasus
kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi. Data
yang digunakan sebanyak 30 data dengan X1 (presentase tumah tangga miskin
yang luas lantai bangunan tempat tinggalnya kurang dari 32 m2), X2 (Presentase
rumah tangga miskin yang jenis lantai bangunan tempat tinggalnya terbuat dari
tanah/kayu berkualitas rendah per kecamatan),

X3 (Presentase rumah tangga

miskin yang sumber air minumnya berasal dari sumur/mata air tidak
terlindung/sungai per kecamatan), X4 (Presentase rumah tangga miskin yang tidak
mempunyai jenis atap dari genteng per kecamatan), X5 (Presentase rumah tangga
1

miskin yang tidak sanggup membayar biaya pengobatan di puskesmas per
kecamatan), dan X6 (Presentase rumah tangga miskin yang menggunakan bahan
bakar untuk memasak sehari-hari adalah kayu bakar per kecamatan). Data yang
diperoleh selanjutnya dilakukan pengujian asumsi analisis cluster, yaitu deteksi
outlier, uji kecukupan data dan deteksi multikolinearitas.
1.2

Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, maka rumusan masalah

pada penelitian ini adalah sebagai berikut :
1.

Bagaimana asumsi yang harus dipenuhi pada analisis cluster yang
mencakup deteksi outlier, pemeriksaan kecukupan data dan pemeriksaan
multikolinearitas pada data kemiskinan berdasarkan dimensi kualitas
kesehatan dan kualitas ekonomi?

2.

Bagaimana hasil analisis cluster pada data kemiskinan berdasarkan dimensi
kualitas kesehatan dan kualitas ekonomi?

1.3

Tujuan
Berdasarkan rumusan masalah, maka tujuan yang ingin dicapai dari

penelitian ini adalah sebagai berikut.
1.

Mengetahui asumsi yang harus dipenuhi pada analisis cluster yang
mencakup deteksi outlier, pemeriksaan kecukupan data dan pemeriksaan
multikolinearitas pada data kemiskinan berdasarkan dimensi kualitas
kesehatan dan kualitas ekonomi

2.

Mengetahui hasil analisis cluster pada data kemiskinan berdasarkan dimensi

kualitas kesehatan dan kualitas ekonomi

1.4

Manfaat
Manfaat yang diperoleh dari hasil penelitian ini adalah untuk peneliti

mampu menerapkan analisis cluster dan mampu mengelompokkan objek
berdasarkan kesamaan karakteristik diantara obyek-obyek yang ada pada data
multivariate, sedangkan manfat untuk pembaca adalah mendapatkan informasi
dan pengetahuan dari hasil penelitian yang telah dilakukan berkaitan dengan
kemiskinan berdasarkan dimensi kualitas kesehatan dan kualitas ekonomi.

2

1.5

Batasan Masalah
Batasan masalah yang digunakan dalam penelitian ini adalah data yang

digunakan harus memenuhi asumsi analisis cluster yaitu tidak ada outlier,
kecukupan data telah terpenuhi dan tidak ada masalah multikolinearitas.

3

BAB II
TINJAUAN PUSTAKA
2.1

Pendeteksisan Outlier
Outlier merupakan data yang mempunyai nilai jauh di atas atau jauh di

bawah rata-rata suatu data (Singgih, 2010). Metode yang digunakan harus
berdistribusi normal jika data tidak berdistribusi normal maka hasil analisis
dikhawatirkan menjadi bias sedangkan untuk menentukan data tersebut outlier
atau bukan maka perlu diuji kemudian dilakukan pemeriksaan dari data yang telah
diuji dengan ketentuan

-2,5 > X > 2,5 bila melewati dari batas yang telah

ditentukan maka dapat dikatakan data mengalami outlier
2.2

Uji Kaiser Meyer Olkin (KMO)
Uji KMO bertujuan untuk mengetahui apakah semua data yang telah

terambil telah cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai
berikut :
Hipotesis
Ho : Jumlah data cukup untuk difaktorkan
H1 : Jumlah data tidak cukup untuk difaktorkan
Statistik uji :
p

p

r 2ij
∑
∑
i=1 j=1
p

KMO =

p

∑
∑
i=1 j=1

r 2ij +

p

p

a2ij
∑
∑
i=1 j=1

(2.1)

i = 1, 2, 3, ..., p dan j = 1, 2, ..., p
rij = Koefisien korelasi antara variabel i dan j
aij = Koefisien korelasi parsial antara variabel i dan j
Apabila nilai KMO lebih besar dari 0,5 maka gagal tolak Ho sehingga dapat
disimpulkan jumlah data telah cukup difaktorkan (Rencher, 2002).

4

2.3

Uji Bartlett Sphericity
Uji Bartlett ini digunakan untuk mengetahui korelasi antar variabel

prediktor. Variabel

X i , X 2 ,..., X p

dikatakan bersifat saling bebas (independent)

jika matriks korelasi antar variabel membentuk matriks identitas. Untuk menguji
kebebasan antar variabel ini dapat dilakukan uji Bartlett sphericity berikut.
Hipotesis :
H0 : R = 1 ( ada korelasi antar variabel prediktor )
H1 : R ¿ 1 ( tidak ada korelasi antar variabel prediktor )
Statiistik uji :

2 p+5
χ 2hitung =− n−1− 6 ln|R|

{

2

Daerah kritis : tolak H0 jika

}

(2.2)

2

χ hitung > χ 1

2 p( p−1)

Apabila didapatkan gagal tolak H0 artinya antar variabel bersifat saling
bebas. Jika hipotesis ini yang diterima maka penggunanan metode multivariate
tidak layak terutama metode analisis komponen utama dan analisis faktor
(Morrison, 2005).
2.4

Analisis Cluster
Cluster

analysis

adalah

analisis

statistika

yang

bertujuan

untuk

mengelompokkan data sedemikian sehingga data yang berada dalam kelompok
yang sama mempunyai sifat yang relatif homogen daripada data yang berada
dalam kelompok yang berbeda (Johnson and Wichern, 2007).
Ditinjau dari hal-hal yang dikelompokkan, cluster analysis dibagi menjadi
dua macam, yaitu :
1.

Pengelompokkan observasi

2.

Pengelompokkan variable
Dalam proses penggabungan kelompok selalu diikuti dengan perbaikan

matriks jarak. Suatu fungsi disebut jarak jika mempunyai sifat tak negative (dij ≥
0) dan (dij = 0) jika i = j, simetri (dij = dji), panjang salah satu sisi segitiga selalu
lebih kecil atau sama dengan jumlah dua sisi yang lain (dij ≤ dik + djk).
Beberapa macam jarak yang biasa dipakai di dalam analisis kelompok :
5

1.

Jarak Euclidean

d( x, y )=√( x− y )' (x− y)

(2.3)

Sebuah tinjauan cluster analysis dalam penelitian kesehatan psikologi
menemukan bahwa pengukuran jarak yang paling umum dalam penelitian
adalah jarak Euclidian atau kuadrat jarak Euclidian.
2.

Jarak Minkowski

[

1
m m

p

d ( x, y )= ∑|x i − y i|
3.

i=1

]

(2.4)

Canbera Metric
p

|xi − y i|
i=1 x i + y i

d ( x , y )=∑
(2.5)
4.

Koefisien Czekanowski
p

d ( x , y )=1−

2 ∑ min( x i , y i )
i=1
p

( xi+ yi )
∑
i=1
(2.6)
Secara umum, cluster analysis memiliki dua metode, yaitu :
1.

Cluster hierarki.

2.

Cluster Non-hierarki

2.5

Analisis Cluster Hierarki
Metode ini digunakan untuk mencari struktur pengelompokkan dari objek-

objek. Jadi, hasil pengelompokkannya disajikan secara hierarki atau berjenjang.
Metode hierarki ini terdiri dari dua cara,yaitu :
a.

Agglomerative (penggabungan).
Cara ini digunakan jika masing-masing objek dianggap satu kelompok
kemudian antar kelompok yang jaraknya berdekatan bergabung menjadi
satu kelompok.

b.

Divise (pemecahan).

6

Cara ini dgunakan jika pada awalnya semua objek berada dalam satu
gerombol. Setelah itu, sifat paling beda dipisahkan dan membentuk satu
gerombol yang lain. Proses tersebut berlanjut sampai semua objek tersebut
masing-masing membentuk satu gerombol.
Metode-metode pengelompokkan hierarki dibedakan berdasarkan konsep
jarak antar kelompok, penentuan jarak antar kelompok untuk metode-metode
tersebut adalah :
1.

Metode single linkage
Metode ini mengelompokkan dua objek yang mempunyai jarak terdekat
terlebih dahulu. Jarak antar kelompok (u,v) dengan w adalah :

d (uv )w =min {d uw ,d vw }
(2.7)
Dimana :

2.

d(uv) w = Data kelompok ke (uv) dengan w
duw

= Data kelompok ke uw

dvw

= Data kelompok ke vw

Metode complete linkage
Metode ini akan mengelompokkan dua objek yang mempunyai jarak terjauh
terlebih dahulu. Jarak antar kelompok (u,v) dengan w adalah :

d (uv )w =max {d uw ,d vw }
(2.8)
Dimana :

3.

d(uv) w = Data kelompok ke (uv) dengan w
duw

= Data kelompok ke uw

dvw

= Data kelompok ke vw

Metode average linkage
Metode ini akan mengelompokkan objek berdasarkan jarak rata-rata yang
didapat dengan melakukan rata-rata semua jarak objek terlebih dahulu. Jarak
antar kelompok (u,v) dengan w adalah :

d (uv )w =
Dimana :

∑i ∑k d ik
N (uv ) N w

d(uv) w = Data kelompok ke (uv) dengan w
dik

= Data kelompok ke ik

7

(2.9)

N(uv)

= Jumlah semua cluster uv

Nw

= Jumlah semua cluster w

Hasil dari analisis Cluster akan disajikan dalam bentuk struktur pohon yang
disebut dendogram. Pemotongan dendogram dapat dilakukan pada selisih jarak
penggabungan yang terbesar. Akar pohon terdiri dari cluster tunggal yang berisi
semua pengamatan, dan daun sesuai dengan pengamatan individu. (Johnson and
Wichern, 2007).
2.6

Analisis Cluster Non-Hierarki
Metode non-hierarki digunakan apabila jumlah kelompok yang diinginkan

diketahui dan biasanya dipakai untuk mengelompokkan data yang ukurannya
besar. Biasanya metode yang dipakai dalam mengcluster data yang berukuran
besar yaitu metode K “means”. Algoritma dari metode ini sebagai berikut.
1.

Tentukan bersama k (yaitu banyaknya kelompok dan tentukkan juga
centroid di tiap kelompok).

2.

Hitung jarak antara setiap objek dengan setiap centroid.

3.

Hitung kembali rataan (centroid) untuk kelompok yang baru terbentuk.

4.

Ulangi langkah kedua sampai tidak ada lagi pemindahan objek antar
kelompok.
Penentuan terakhir suatu objek ke suatu kelompok tertentu tidak tergantung

dari K inisial yang pertama kali ditentukan. Perubahan terbesar kemungkinan
hanya terjadi pada realokasi yang pertama saja (Johnson and Wichern, 2007).
2.5

Kemiskinan
Kemiskinan adalah keadaan tidak berharta, berpenghasilan rendah dan serba

kekurangan

dalam menjalani kehidupan sehari-hari. Kemiskinan juga bisa

diartikan sebagai suatu situasi, baik berupa proses maupun akibat, dimana
seseorang tidak mampu untuk berinteraksi dengan lingkungan di sekitarnya untuk
memenuhi atau menunjang kebutuhan hidupnya sehari-hari (Ellis, 2014).

8

BAB III
METODOLOGI PENELITIAN
3.1

Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang

diambil dari Tugas Akhir Farisca Susiani dengan NRP 1309100113 di Ruang
Baca Jurusan Statistika pada hari Selasa, 17 Maret 2015 pukul 15.00 WIB dengan
judul Tugas Akhir “ Penentuan Indikator Kemiskinan Berdasarkan Dimensi
Kualitas Kesehatan dan Kualitas Ekonomi Menggunakan Confirmatory Factor
Analysis (CFA) dengan Pendekatan Bayesian ”. Data yang digunakan dalam
penelitian ini adalah sebanyak 30 data.
3.2

Variabel Penelitian
Dalam penelitian ini yang digunakan sebagai variabel penelitian adalah

berikut.
Tabel 3.1 Variabel Penelitian

X1
X2
X3
X4
X5
X6

3.3

Presentase rumah tangga miskin yang luas lantai
bangunan tempat tinggalnya kurang dari 32 m2
Presentase rumah tangga miskin yang jenis lantai
bangunan tempat tinggalnya terbuat dari tanah/kayu
berkualitas rendah per kecamatan
Presentase rumah tangga miskin yang sumber air
minumnya berasal dari sumur/mata air tidak
terlindung/sungai per kecamatan
Presentase rumah tangga miskin yang tidak mempunyai
jenis atap dari genteng per kecamatan
Presentase rumah tangga miskin yang tidak sanggup
membayar biaya pengobatan di puskesmas per kecamatan
Presentase rumah tangga miskin yang menggunakan
bahan bakar untuk memasak sehari-hari adalah kayu bakar
per kecamatan

Langkah Analisis
Langkah analisis yang dilakukan pada praktikum ini adalah sebagai berikut.

1.

Menginputkan pada data kemiskinan berdasarkan dimensi kualitas
kesehatan dan kualitas ekonomi

2.

Menguji asumsi deteksi outlier pada data kemiskinan berdasarkan dimensi
kualitas kesehatan dan kualitas ekonomi

9

3.

Menguji asumsi kecukupan data pada data kemiskinan berdasarkan dimensi
kualitas kesehatan dan kualitas ekonomi

4.

Menguji asumsi multikolinearitas pada data kemiskinan berdasarkan
dimensi kualitas kesehatan dan kualitas ekonomi

5.

Melakukan analisis cluster pada data kemiskinan berdasarkan dimensi
kualitas kesehatan dan kualitas ekonomi

6.

Menginterpretasikan hasil analisis.

7.

Melakukan penarikan kesimpulan dan saran

3.4

Diagram Alir
Diagram alir menggambarkan alur perjalanan pembuatan laporan ini, mulai

dari perumusan masalah hingga pemberian kesimpulan dan saran. Diagram alir
dalam laporan ini adalah sebagai berikut,
Menginputkan data
Deteksi Outlier

Uji Kecukupan data

Ya
Deteksi Multikolinieritas

Analisis Cluster

Kesimpulan
Gambar 3.1 Diagram Alir

10

Tidak

BAB IV
ANALISIS DAN PEMBAHASAN
4.1

Pengujian Asumsi Analisis Cluster
Dalam melakukan analisis cluster harus memenuhi beberapa asumsi terlebih

dahulu. Berikut adalah pengujian asumsi yang dilakukan.
4.1.1 Pendeteksian Data Outlier
Outlier atau pencilan merupakan data yang mempunyai nilai jauh
dibandingkan data-data yang lain dalam satu variabel pengamatan. Data pencilan
perlu dideteksi supaya kita dapat mencari tahu sebab-sebab terjadinya outlier pada
pengamatan dan variabel tersebut, Berikut adalah hasil deteksi outlier pada data
kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah.

Gambar 4.1 Boxplot Outlier pada Variabel Penelitian

Gambar 4.1 diketahui bloxplot untuk mendeteksi data outlier pada data
kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah.
Berdasarkan Gambar diketahui bahwa terdapat data yang keluar dari batas atas
dari boxplot untuk variabel presentase rumah tangga miskin yang sumber
penerangannya tidak menggunakan listrik per kecamatan sementara untuk
variabel penelitian lainnya tidak terdapat data outlier. Hal ini dapat dikatakan

11

bahwa terdapat data outlier pada variabel penelitian tetapi pada penelitian ini
diasumsikan tidak terdapat data outlier.
4.1.2 Uji Kecukupan Data KMO
Pengujian kecukupan data dapat dilakukan dengan uji KMO. Uji KMO
bertujuan untuk mengetahui apakah data kemiskinan berdasarkan dimensi kualitas
kesehatan dan ekonomi di Jawa Tengah yang telah terambil cukup untuk
dianalisis.
Berdasarkan hasil uji kecukupan KMO diketahui bahwa nilai KMO dari
data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa
Tengah adalah 0,529 atau dapat dikatakan bahwa data sudah cukup karena nilai
KMO yaitu 0,529 lebih besar dari 50%, sehingga dapat disimpulkan bahwa data
kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah
cukup untuk dianalisis.
4.1.3 Pendeteksian Multikolinieritas
Pengujian multikolinieritas dilakukan untuk mengetahui apakah ada
hubungan yang signifikan antar variabel prediktor. Pengujian multikolinieritas
dapat dilakukan dengan beberapa cara, salah satunya dengan melihat korelasi
antar variabel penelitian. Jika nilai korelasi lebih dari 0,95, maka dapat dikatakan
terdapat korelasi antar variabel tersebut. Berikut merupakan pendeteksian
multikolinieritas dengan melihat korelasi dari data kemiskinan berdasarkan
dimensi kualitas kesehatan dan ekonomi di Jawa Tengah.
Tabel 4.1 Hasil Pengujian Korelasi Variabel Peneitian

Variabel

X1

X2

X3

X4

X5

X6

1
0,145
0,513
0,165
-0,169
-0,181
X1
0,145
1
0,204
-0,046
0,039
0,213
X2
0,513
0,204
1
0,072
-,148
-0,019
X3
0,165
-0,046
0,072
1
0,224
-0,251
X4
-0,169
0,039
-0,148
0,224
1
-0,179
X5
-0,169
0,39
-0,148
0,224
1
-0,179
X6
-0,181
0,213
-0,019
-0,251
-0,179
1
X7
Tabel 4.1 menunjukkan nilai pearson correlation atau korelasi dari variabel

penelitian. Berdasarkan hasil analisis diketahui bahwa semua nilai korelasi antar
variabel kurang dari 0,95 yang artinya bahwa tidak terdapat korelasi antar variabel
prediktor sehingga data kemiskinan berdasarkan dimensi kualitas kesehatan dan
ekonomi di Jawa Tengah tidak terdapat multikolinieritas.

12

4.2

Analisis Cluster
Analisis cluster bertujuan untuk mengelompokkan data kemiskinan

berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah sehingga
data yang berada dalam kelompok yang sama mempunyai sifat yang relatif
homogen daripada data yang berada dalam kelompok yang berbeda. Analisis
cluster terdapat dua jenis yaitu hierarki dan non hierarki yang dijelaskan sebagai
berikut.
4.2.1 Analisis Cluster Hierarki
Analisis cluster hierarki dilakukan dimana hasil pengelompokkannya
disajikan secara hierarki atau berjenjang. Jumlah cluster yang terbentuk dalam
analisis cluster hierarki ini sebanyak 3 cluster dengan jumlah cluster yaitu 2, 3
dan 4. Hasil dan pembahasan analisis cluster hierarki pada data kemiskinan
berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah dengan
langkah awal yaitu membentuk dendogram yang dijelaskan sebagai berikut.

Gambar 4.2 Dendogram Single Linkage

13

Berdasarkan Gambar 4.2 dapat diperoleh hasil bahwa terdapat beberapa
cluster atau kelompok yang dapat dibentuk sehingga setiap kabupaten/kota yang
mempunyai karakteristik yang sama bisa atau memiliki jarak yang berdekatan
masuk dalam satu cluster. Kabupaten/kota yang masuk dalam satu anggota cluster
dengan jumlah cluster yang berbeda adalah sebagai berikut.
Tabel 4.3 Pengelompokan Cluster Hierarki Kabupaten/Kota

cluster

4 cluster

cluster 1
Blora
cilacap
Banyumas
Purbalinggo
Banjarnegara
Kebumen
Purworejo
Wonosobo
Magelang
Sukoharjo
Wonogiri
Karanganyar
Sragen
Salatiga
Grobogan

cluster 2
Boyolali

Tegal
Rembang
Klaten
Pati
Kudus
Jepara
Demak
Semarang
Temanggung
Kendal
Batang
Pekalongan
Pemalang
Brebes
Rembang

3 cluster

cilacap
Banyumas
Purbalinggo
Banjarnegara
Kebumen
Purworejo
Wonosobo
Magelang
Sukoharjo
Wonogiri
Karanganyar
Sragen
Grobogan
Salatiga
Blora
cilacap

2 cluster

Banyumas
Purbalinggo
Banjarnegara

cluster 3

Tegal
Pati
Kudus
Jepara
Demak
Semarang
Temanggung
Kendal
Batang
Pekalongan
Pemalang
Boyolali
Klaten
Brebes
Rembang
Pati
Kudus
Jepara

14

Tegal
Surakart
a

Surakart
a

cluster 4
Surakart
a

Kebumen
Purworejo
Wonosobo
Magelang
Sukoharjo
Wonogiri
Karanganyar
Sragen
Grobogan
Blora

Demak
Semarang
Temanggung
Kendal
Batang
Pekalongan
Pemalang
Salatiga
Brebes

Berdasarkan Tabel 4.3 dapat diketahui bahwa terdapat cluster sebanyak 2,
3 dan 4 dengan anggota cluster yang berbeda. Pada jumlah cluster 4,
kabupaten/kota yang masuk pada cluster 2 yaitu Boyolali dan Klaten,
kabupaten/kota yang masuk pada cluster 3 yaitu kabupaten Tegal, kabupaten/kota
yang masuk pada cluster 4 yaitu kota Surakarta sedangkan kabupaten/kota lainnya
masuk dalam cluster 1. Pada jumlah cluster 3, kabupaten kota yang masuk pada
cluster 2 yaitu kabupaten Tegal, kabupaten/kota yang masuk pada cluster 3 yaitu
kota Surakarta sedangkan kabupaten/kota lainnya masuk dalam cluster 1. Pada
jumlah cluster 2, kabupaten/kota yang masuk pada cluster 2 yaitu kota Surakarta
dan Tegal sedangkan kabupaten/kota lainnya masuk dalam cluster 1.
4.2.2 Analisis Cluster Non Hierarki
Analisis cluster non hierarki dilakukan apabila jumlah kelompok yang
diinginkan diketahui dan biasanya dipakai untuk mengelompokkan data yang
ukurannya besar. Metode ini dimulai dengan menentukan terlebih dahulu jumlah
cluster yang diinginkan, dalam kasus ini jumlah cluster yang diinginkan adalah 2.
Hasil dan pembahasan analisis cluster non hierarki pada data kemiskinan
berdasarkan dimensi kualitas kesehatan dan ekonomi di Jawa Tengah dengan
langkah awal menentukan pusat cluster adalah sebagai berikut.
Tabel 4.4 Pusat Cluster

15

Variabel
X1
X2
X3
X4
X5
X6

Cluster
1
43.94
78.10
52.10
1.98
5.83
57.82

2
34.95
17.71
95.70
2.50
1.92
49.08

Tabel 4.4 menunjukkan bahwa pusat cluster pada variabel X1 yaitu (43,94 :
34,95), pusat cluster pada variabel X2 berada pada koordinat (78,10 ; 17,71),
pusat cluster pada variabel X3 berada pada koordinat (52,10 ; 95,70), pusat
cluster pada variabel X4 berada pada koordinat (1,98 ; 2,50), pusat cluster pada
variabel X5 berada pada koordinat (5,83 ; 1,92) dan pusat cluster pada variabel
X6 berada pada koordinat (57,82 ; 49,08). Langkah selanjutnya adalah
menentukan

jarak

setiap

kabupaten/kota

ke

pusat

cluster

kemudian

mengelompokkannya berdasarkan jarak yang paling dekat dengan pusat cluster
sehingga diperoleh pengelompokan cluster dengan iterasi sebanyak 4 sebagai
berikut.
Tabel 4.5 Pengelompokan Cluster Non Hierarki Kabupaten/Kota

Cluster 1
Magelang
Boyolali
Klaten
Tegal
Surakarta
Salatiga

Distance
9,635
18,547
18,173
15,491
32,499
28,203

Cluster 2
Cilacap
Banyumas
Purbalinggo
Banjarnegara
Kebumen
Purworejo
Wonosobo
Sukoharjo
Wonogiri
Karanganyar
Sragen
Grobogan
Blora
Rembang
Pati
Kudus
Jepara
Demak
Semarang
Temanggung

16

Distance
30,884
41,994
10,910
18,356
12,330
21,987
24,149
20,352
16,072
17,408
16,004
17,930
19,618
22,378
29,157
14,257
18,408
27,074
26,388
26,749

Kendal
Batang
Pekalongan
Pemalang
Brebes

23,873
20,897
16,743
15,842
30,840

Berdasarkan Tabel 4.5 dapat diketahui bahwa cluster yang terbentuk sesuai
yang diinginkan sebanyak 2. Kabupaten/kota yang masuk dalam cluster 1 yaitu
Magelang, Boyolali, Klaten, Pemalang, Tegal, Surakarta, dan Salatiga sedangkan
kabupaten/kota lainnya masuk dalam cluster 2.
Dalam pengelompokan cluster perlu diketahui rata-rata pusat cluster yang
paling besar untuk mengetahui cluster yang memiliki jarak paling jauh. Hasil dan
pembahasannya adalah sebagai berikut.
Tabel 4.6 Rata-Rata jarak Cluster

variabel
X1
X2
X3
X4
X5
X6

Cluster
1
33,56
67,81
61,87
1,32
3,12
61,47

2
31,78
26,68
55,10
1,46
3,06
53,84

Berdasarkan Tabel 4.6 menunjukkan bahwa pada variabel X1, X2, X3,X5,
dan X6 memiliki rata-rata jarak cluster paling besar pada cluster 1 sedangkan
variabel X4 memiliki rata-rata jarak cluster paling besar pada cluster 2 sehingga
dapat dikatakan bahwa cluster 1 memiliki rata-rata jarak antar cluster paling besar
dibanding cluster 2. Langkah selanjutnya yaitu analisis ANOVA untuk
mengetahui variabel apa saja yang berpengaruh signifikan terhadap pembentukan
cluster pada data kemiskinan berdasarkan dimensi kualitas kesehatan dan
ekonomi di Jawa Tengah. Hasil dan pembahasannya dalah sebagai berikut.
Hipotesis :
1.

H0 : β1 = 0 (Presentase rumah tangga miskin yang luas lantai bangunan
tempat tinggalnya kurang dari 32 m2 tidak berpengaruh signifikan terhadap
pembentukan cluster)

17

H1 : β1 ≠ 0 (Presentase rumah tangga miskin yang luas lantai bangunan
tempat tinggalnya kurang dari 32 m2 berpengaruh signifikan terhadap
pembentukan cluster)
2.

H0 : β2 = 0 (Presentase rumah tangga miskin yang jenis lantai bangunan
tempat tinggalnya terbuat dari tanah/kayu berkualitas rendah per kecamatan
tidak berpengaruh signifikan terhadap pembentukan cluster)
H1 : β2 ≠ 0 (Presentase rumah tangga miskin yang jenis lantai bangunan
tempat tinggalnya terbuat dari tanah/kayu berkualitas rendah per kecamatan
berpengaruh signifikan terhadap pembentukan cluster)

3.

H0 : β3 = 0 (Presentase rumah tangga miskin yang sumber air minumnya
berasal dari sumur/mata air tidak terlindung/sungai per kecamatan tidak
berpengaruh signifikan terhadap pembentukan cluster)
H1 : β3 ≠ 0 (Jumlah Presentase rumah tangga miskin yang sumber air
minumnya berasal dari sumur/mata air tidak terlindung/sungai per
kecamatan berpengaruh signifikan terhadap pembentukan cluster)

4.

H0 : β4 = 0 (Presentase rumah tangga miskin yang tidak mempunyai jenis
atap dari genteng per kecamatan tidak berpengaruh signifikan terhadap
pembentukan cluster)
H1 : β4 ≠ 0 (Presentase rumah tangga miskin yang tidak mempunyai jenis
atap dari genteng per kecamatan berpengaruh signifikan terhadap
pembentukan cluster)

5.

H0 : β5 = 0 (Presentase rumah tangga miskin yang tidak sanggup membayar
biaya pengobatan di puskesmas per kecamatan tidak berpengaruh signifikan
terhadap pembentukan cluster)
H1 : β5 ≠ 0 (Presentase rumah tangga miskin yang tidak sanggup membayar
biaya pengobatan di puskesmas per kecamatan berpengaruh signifikan
terhadap pembentukan cluster)

6.

H0 : β5 = 0 (Presentase rumah tangga miskin yang menggunakan bahan
bakar untuk memasak sehari-hari adalah kayu bakar per kecamatan tidak
berpengaruh signifikan terhadap pembentukan cluster)

18

H1 : β5 ≠ 0 (Presentase rumah tangga miskin yang menggunakan bahan
bakar untuk memasak sehari-hari adalah kayu bakar per kecamatan
berpengaruh signifikan terhadap pembentukan cluster)
Taraf signifikan

: α = 0,05

Daerah kritis

: Tolak H0 jika P-value < α

Statistik uji

:

Tabel 4.7 ANOVA

Variabel

F

P-value

X1

0,154
114,09
7
0,949
0,153
0,005
3,746

0,698

X2
X3
X4
X5
X6

0,000
0,338
0,699
0,946
0,063

Tabel 4.7.menunjukkan bahwa variabel yang memiliki nilai P-value kurang
dari α sebesar 0,05 yaitu X2 sebesar 0,00 dan diputuskan tolak H0 sehingga dapat
disimpulkan bahwa presentase rumah tangga miskin yang jenis lantai bangunan
tempat tinggalnya terbuat dari tanah/kayu berkualitas rendah per kecamatan
berpengaruh signifikan terhadap pembentukan cluster. 5 variabel lainnya memiliki
nilai p-value lebih dari α sebesar 0,05 dan diputuskan gagal tolakh 0 sehingga dapat
disimpulan presentase rumah tangga miskin yang luas bangunan kurang dari 32
m2, presentase rumah tangga miskin yang sumber air minum berasal dari sumber,
presentase rumah tangga miskin yang tidak mempunyai jenis atap dari genteng per
kecamatan, presentase rumah tangga miskin yang tidak sanggup membayar biaya
pengobatan di puskesmas per kecamatan, dan Presentase rumah tangga miskin
yang menggunakan bahan bakar untuk memasak sehari-hari adalah kayu tidak
berpengaruh signifikan terhadap pembentukan cluster.

19

BAB V
KESIMPULAN DAN SARAN
5.1

Kesimpulan
Kesimpulan yang dapat diambil dari analisis cluster pada penelitian

mengenai data kemiskinan berdasarkan dimensi kualitas kesehatan dan ekonomi
di Jawa Tengah adalah sebagai berikut.
1.

Pengujian asumsi dengan melihat boxplot menunjukkan terdapat data yang
outlier tetapi diasumsikan tidak terdapat outlier, nilai korelasi antar variabel
menunjukkan tidak ada multiokolinieritas pada data, sedangkan melihat
nilai KMO menunjukkan data yang diambil sudah cukup dan dapat
digunakan pada analisis cluster.

2.

Analisis

cluster

hierarki

menunjukkan

pada

jumlah

cluster

4,

kabupaten/kota yang masuk pada cluster 2 yaitu Boyolali dan Klaten,
kabupaten/kota yang masuk pada cluster 3 yaitu kabupaten Tegal,
kabupaten/kota yang masuk pada cluster 4 yaitu kota Surakarta sedangkan
kabupaten/kota lainnya masuk dalam cluster 1. Pada jumlah cluster 3,
kabupaten kota yang masuk pada cluster 2 yaitu kabupaten Tegal,
kabupaten/kota yang masuk pada cluster 3 yaitu kota Surakarta sedangkan
kabupaten/kota lainnya masuk dalam cluster 1. Pada jumlah cluster 2,
kabupaten/kota yang masuk pada cluster 2 yaitu kota Surakarta dan Tegal
sedangkan kabupaten/kota lainnya masuk dalam cluster 1. Analisis cluster
non hierarki menunjukkan bahwa Kabupaten/kota yang masuk dalam
cluster 1 yaitu Magelang, Boyolali, Klaten, Pemalang, Tegal, Surakarta, dan
Salatiga sedangkan kabupaten/kota lainnya masuk dalam cluster 2. Variabel
penelitian yang berpengaruh terhadap terbentuknya kluster yaitu presentase
rumah tangga miskin yang jenis lantai bangunan tempat tinggalnya terbuat
dari tanah/kayu berkualitas rendah per kecamatan.

20

5.2

Saran
Saran dari pengamatan ini adalah agar peneliti dapat lebih memahami

konsep penerapan dan pengolahan data pada analisis cluster pada kasus seharihari dengan lebih teliti dan dan mampu menganalisis dengan tepat hasil
pengolahan data dalam kelompok-kelompok yang masuk dalam cluster serta
memiliki referensi yang lebih banyak untuk dapat memahami kegunaan dari
masing-masing pengujian dengan membaca output yang diperoleh dan diharapkan
agar variabel yang digunakan dapat lebih banyak dan bisa dijadikan bahan
referensi untuk perbaikan selanjutnya.

21

DAFTAR PUSTAKA
Ellin, 2014. Kemiskinan.file:///E:/Pengertian%20Kemiskinan%20Menurut
%20Para%20Ahli%20_%20 Dilihatya.htm Diakses pada tanggal 7 Mei
2015.
Johnson, R. A., & Wichern, D. 2007. Applied Multivariate Statistical Analysis.
New Jersey: Prentice Hall.
Morrison, D. F. 2005. Multivariate Statistical Methods Fourth Edition. The
Wharton School University of Pennsylvania.
Rencher, A. R. 2002. Methods of Multivariate Analysis Second Edition. John
Wiley & Sons, Inc. New York
Santoso, Singgih. 2010. Statistik Multivariat, Jakarta : PT. Gramedia.
Winarsunu, Tulus.2010.Statistik Dalam Penelitian Psikologi Dan Pendidikan.
Malang:UMM Press

LAMPIRAN
Lampiran 1 Data Penelitian
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

Kecamatan
Cilacap
Banyumas
Purbalingga
Banjarnegara
Kebumen
Purworejo
Wonosobo
Magelang
Boyolali
Klaten
Sukoharjo
Wonogiri
Karanganyar
Sragen
Grobogan
Blora
Rembang
Pati
Kudus
Jepara
Demak
Semarang
Temanggung
Kendal
Batang
Pekalongan
Pemalang
Tegal
Brebes
Surakarta
Salatiga

X1
43,63
34,95
35,95
24,49
22,47
25,91
16,79
35,82
37,47
43,94
43,31
26,57
46,54
25,82
27,99
18,11
20
39,66
26,39
37,22
26,77
48,71
21,43
46,23
20,93
28,34
20,35
20,81
54,5
37,8
38,71

X2
28,67
17,71
17,35
14,48
23,37
46,05
29,84
63,66
66,6
78,1
23,45
22,06
27,1
15,82
43,14
32,19
23,8
36,78
20,01
15,82
18,57
37,57
18,06
21,68
31,57
36,62
62,76
68,49
38,51
77,36
57,7

X3
82,2
95,7
52,7
44,9
52,5
48,2
36,6
70
67,4
52,1
42,4
50,3
56,9
65,2
51,6
43,4
42,2
79
52,7
64,1
34,9
70,9
34,7
72,8
41
42,2
56
63,4
65,4
88
36,2

X4
1,53
2,5
2,7
1,5
1,35
1,87
2,9
2,76
2,3
1,98
1,8
0,98
2,55
0,65
1,84
1,54
0,75
0,78
0,45
0,88
0,65
2,6
1,95
1,5
0,78
0,58
0,48
0,98
0,47
0,23
0,53

Lampiran 2 Nilai Korelasi untuk Mendeteksi Multikolinieritas

X5
2,74
1,92
5,54
4,62
4,51
2,54
3,77
1,65
6,98
5,83
1,7
2,54
2,4
2,7
6,12
5,62
0,87
5,43
2,67
0,89
6,01
1,65
1,99
2,35
1,83
1,55
6,02
0,39
1,45
0,41
0,55

X6
62,51
49,08
54,94
59,18
60,59
48,79
55,71
61,02
44,71
57,82
64,21
67,49
44,89
54,03
57,62
48,94
67,33
43,41
42,76
64,11
68,83
47,66
43,05
49,1
44,14
53,61
58,74
69,66
40,23
77,46
60,86

Correlations
X1
X1

X2

-.169

-.181

.437

.003

.374

.362

.331

31

31

31

31

31

31

Pearson Correlation

.145

1

.204

-.046

.039

.213

Sig. (2-tailed)

.437

.271

.805

.835

.249

31

31

31

31

31

31

.513**

.204

1

.072

-.148

-.019

.003

.271

.699

.428

.919

31

31

31

31

31

31

Pearson Correlation

.165

-.046

.072

1

.224

-.251

Sig. (2-tailed)

.374

.805

.699

.226

.174

31

31

31

31

31

31

-.169

.039

-.148

.224

1

-.179

.362

.835

.428

.226

31

31

31

31

31

31

-.181

.213

-.019

-.251

-.179

1

.331

.249

.919

.174

.336

31

31

31

31

31

Pearson Correlation
Sig. (2-tailed)
N

N
X7

Pearson Correlation
Sig. (2-tailed)
N

X9

X9

.165

N

X6

X7

.513**

1

N

X5

X6

.145

Pearson Correlation
Sig. (2-tailed)

X2

X5

Pearson Correlation
Sig. (2-tailed)
N

**. Correlation is significant at the 0.01 level (2-tailed).

Lampiran 3 Uji Kecukupan Data KMO
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
df
Sig.

.529
18.476
15
.238

.336

31

Lampiran 4 Pengelompokkan Cluster
Agglomeration Schedule
Cluster Combined
Stage

Cluster 1

Stage Cluster First Appears

Cluster 2

Coefficients

Cluster 1

Cluster 2

Next Stage

1

4

5

.723

0

0

6

2

13

22

1.144

0

0

11

3

12

17

1.199

0

0

6

4

19

25

1.228

0

0

5

5

19

26

1.279

4

0

7

6

4

12

1.369

1

3

8

7

14

19

1.446

0

5

12

8

4

15

1.552

6

0

9

9

4

16

1.578

8

0

13

10

1

24

1.589

0

0

11

11

1

13

1.635

10

2

18

12

14

23

1.639

7

0

14

13

4

20

1.644

9

0

14

14

4

14

1.700

13

12

15

15

4

21

1.746

14

0

16

16

4

6

1.762

15

0

17

17

4

31

1.766

16

0

18

18

1

4

1.892

11

17

19

19

1

3

1.894

18

0

20

20

1

11

1.930

19

0

22

21

9

10

1.996

0

0

28

22

1

29

2.054

20

0

23

23

1

7

2.078

22

0

24

24

1

27

2.094

23

0

25

25

1

18

2.155

24

0

26

26

1

2

2.182

25

0

27

27

1

8

2.302

26

0

28

28

1

9

2.354

27

21

30

29

28

30

2.588

0

0

30

30

1

28

2.671

28

29

0

Lampiran 5 Pengelompokan Cluster
Cluster Membership
Case

4 Clusters

3 Clusters

2 Clusters

1:Cilacap

1

1

1

2:Banyuma

1

1

1

3:Purbali

1

1

1

4:Banjarn

1

1

1

5:Kebumen

1

1

1

6:Purwore

1

1

1

7:Wonosob

1

1

1

8:Magelan

1

1

1

9:Boyolal

2

1

1

10:Klaten

2

1

1

11:Sukohar

1

1

1

12:Wonogir

1

1

1

13:Karanga

1

1

1

14:Sragen

1

1

1

15:Groboga

1

1

1

16:Blora

1

1

1

17:Rembang

1

1

1

18:Pati

1

1

1

19:Kudus

1

1

1

20:Jepara

1

1

1

21:Demak

1

1

1

22:Semaran

1

1

1

23:Temangg

1

1

1

24:Kendal

1

1

1

25:Batang

1

1

1

26:Pekalon

1

1

1

27:Pemalan

1

1

1

28:Tegal

3

2

2

29:Brebes

1

1

1

30:Surakar

4

3

2

31:Salatig

1

1

1

* * * * * * * * * * * * * * * * * * * H I E R A R C H I C A L
E R
A N A L Y S I S * * * * * * * * * * * * * * * * * * *

C L U S T

Dendrogram using Single Linkage
Rescaled Distance Cluster Combine
C A S E
Label
Num

0
5
10
15
20
25
+---------+---------+---------+---------+---------+

Cilacap
Kudus
Kendal
Sragen
Karanga
Semaran
Brebes
Jepara
Kebumen
Wonogir
Temangg
Rembang
Banjarn
Purbali
Sukohar
Demak
Groboga
Blora
Batang
Pekalon
Purwore
Magelan
Wonosob
Pati
Tegal
Surakar
Pemalan
Klaten
Boyolal
Banyuma

1
19
24
14
13
22
29
20
5
12
23
17
4
3
11
21
15
16
25
26
6
8
7
18
28
30
27
10
9
2

─┬───────────┐
─┘
├───────┐
─────────────┘
├─────┐
─────────────────────┘
├───┐
─────────────┬─────────────┤
│
─────────────┘
│
├───┐
───────────────────────────┘
│
│
───────────────────────────────┘
│
───────────┬───┐
│
───────────┘
├───┐
├─┐
───────────────┘
│
│ │
───────────────────┼─────┐
│ │
───────────────────┘
├───┐
│ │
─────────────────────────┘
├───┐ │ │
─────────────────────────────┘
├─┘ ├─┐
─────────────────────────────────┘
│ │
───┬───────────┐
│ │
───┘
├───┐
│ │
───┬─────┐
│
│
│ ├───┐
───┘
├─────┘
├─────────────────┘ │
│
─────┬───┘
│
│
│
─────┘
│
│
├───┐
───────────────────┘
│
│
│
───────────────────────────────────────┘
│
│
─────────────────────────────────────────┬─┘
│
─────────────────────────────────────────┘
│
───────────────────────────────────────────────┼─┐
───────────────────────────────────────────────┤ │
───────────────────────────────────────────────┘ │
─────────────────────────────────────────────────┤

Salatig

31

─────────────────────────────────────────────────┘

Lampiran 6 Initian Cluster K-Means

Initial Cluster Centers
Cluster
1

2

X1

43.94

34.95

X2

78.10

17.71

X3

52.10

95.70

X4

1.98

2.50

X5

5.83

1.92

X6

57.82

49.08

Lampiran 7 Interaksi
Iteration Historya
Change in Cluster
Centers
Iteration

1

2

1

30.502

36.695

2

10.329

4.192

3

3.196

.866

4

2.702

.853

5

3.709

.956

6

.000

.000

Lampiran 8 Pengelompokkan Cluster non Hirarki
Cluster Membership
Case
Number

KABUPATEN

Cluster

Distance

1

Cilacap

2

30.884

2

Banyuma

2

41.994

3

Purbali

2

10.910

4

Banjarn

2

18.356

5

Kebumen

2

12.330

6

Purwore

2

21.987

7

Wonosob

2

24.149

8

Magelan

1

9.635

9

Boyolal

1

18.547

10

Klaten

1

18.173

11

Sukohar

2

20.352

12

Wonogir

2

16.072

13

Karanga

2

17.408

14

Sragen

2

16.004

15

Groboga

2

17.930

16

Blora

2

19.618

17

Rembang

2

22.378

18

Pati

2

29.157

19

Kudus

2

14.257

20

Jepara

2

18.408

21

Demak

2

27.074

22

Semaran

2

26.388

23

Temangg

2

26.749

24

Kendal

2

23.873

25

Batang

2

20.897

26

Pekalon

2

16.743

27

Pemalan

1

15.842

28

Tegal

1

15.491

29

Brebes

2

30.840

30

Surakar

1

32.499

31

Salatig

1

28.203

.

.

32

Lampiran 9 Final Cluster Centers K-Means
Final Cluster Centers
Cluster
1

2

X1

33.56

31.78

X2

67.81

26.68

X3

61.87

55.10

X4

1.32

1.46

X5

3.12

3.06

X6

61.47

53.84

Lampiran 10 ANOVA Variabel Penelitian
ANOVA
Cluster
Mean Square

Error
df

Mean Square

df

F

Sig.

X1

17.124

1

111.178

29

.154

.698

X2

9169.655

1

80.367

29

114.097

.000

X3

248.184

1

261.427

29

.949

.338

X4

.106

1

.692

29

.153

.699

X5

.019

1

4.127

29

.005

.946

X6

315.090

1

84.123

29

3.746

.063

The F tests should be used only for descriptive purposes because the clusters have been
chosen to maximize the differences among cases in different clusters. The observed
significance levels are not corrected for this and thus cannot be interpreted as tests of the
hypothesis that the cluster means are equal.