hierarchical clustering via minimax linkage pada … · hierarchical clustering via minimax linkage...
TRANSCRIPT
Hierarchical Clustering via Minimax Linkage pada Pengelompokkan Kecamatan di Pulau Madura
berdasarkan Indikator Pemerataan Pendidikan
JURUSAN STATISTIKA - FMIPA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2011
Dosen Pembimbing : Ir. Dwiatmono Agus W., M.Kom
Padmi Ganifandari 1308 100 044
AGENDA
Pendahuluan Tinjauan Pustaka
Metodologi Penelitian
Analisis & Pembahasan
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Kesimpulan
Daftar Pustaka
PENDAHULUAN
Latar Belakang
Permasalahan
Tujuan
Manfaat
Batasan Masalah
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
LATAR BELAKANG
1 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Pulau Madura Jembatan Suramadu
Mengoptimalkan potensi daerah & mensejahterakan masyarakat
secara merata
Pendidikan yang merata
Kebijakan sesuai karakteristik daerah Pengelompokkan
Single linkage Complete linkageAverage linkage
Minimax linkage
PERMASALAHAN
1
• Bagaimana karakteristik kecamatan-kecamatan di pulau Madura dengan analisis statistika deskriptif?
2
• Bagaimanakah perbandingan hasil pengelompokkan kecamatan di pulau Madura dengan metode hierarchical clustering dengan single linkage, complete linkage, average linkage, dan minimax linkage dan kecamatan mana sajakah yang berkelompok berdasarkan hasil pengelompokkan terbaik?
3 • Bagaimana analisis terhadap karakteristik kecamatan berdasarkan hasil pengelompokkan terbaik dalam upaya pemerataan pendidikan di pulau Madura?
2 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
TUJUAN
1
• Mendapatkan karakteristik kecamatan-kecamatan di pulau Madura dengan analisis statistika deskriptif.
2
• Membandingkan hasil pengelompokkan kecamatan di pulau Madura dengan metode hierarchical clustering dengan single linkage, complete linkage, average linkage, dan minimax linkage dan mendapatkan kecamatan di pulau Madura yang berkelompok berdasarkan hasil pengelompokkan terbaik.
3 • Menganalisis karakteristik kecamatan berdasarkan hasil pengelompokkan terbaik dalam upaya pemerataan pendidikan di pulau Madura.
3 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
MANFAAT
Memperoleh informasi kecamatan di pulau Madura yang berada dalam satu kelompok sehingga dapat dilakukan kebijakan yang sama untuk kecamatan
yang berada dalam kelompok sama.
Pelaksanaan kebijakan yang disesuaikan dengan dengan kondisi tiap kelompok akan membantu
tercapainya pemerataan pembangunan pendidikan tingkat kecamatan.
Menambah wawasan keilmuan mengenai penerapan metode hierarchical clustering via minimax linkage dan perbandingan metode-
metode hierarchical clustering.
4 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
BATASAN MASALAH
5
Pengelompokkan kecamatan dilakukan berdasarkan indikator
pemerataan pendidikan.
• Variabel-variabel yang digunakan dalam penelitian ini sebanyak
18 variabel yang dirujuk dari penelitian Puspowati (2009)
Metode yang digunakan untuk mengelompokkan kecamatan-
kecamatan di pulau Madura yaitu metode hierarchical clustering
dengan single linkage, complete linkage, average linkage, dan
minimax linkage
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
TINJAUAN PUSTAKA
Uji Kecukupan Data
Analisis Faktor
Uji Korelasi
Minimax Linkage
Pemilihan Metode Cluster
Analisis Cluster
Cluster Optimum Indikator Pemerataan Pendidikan
Penelitian Sebelumnya
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
UJI KECUKUPAN DATA
6
H0 : Jumlah data cukup untuk difaktorkan
H1 : Jumlah data tidak cukup untuk difaktorkan
Daerah Kritis : α : 5%
Statistik uji :
Keputusan : Sampel data dikatakan cukup untuk dilakukan
analisis faktor adalah jika nilai KMO lebih besar daripada 0.5
(Hair, Black, Babin, dan Anderson, 2010)
KMO =
p
1i
p
1i
p
1j
2
ij
p
1j
2
ij
p
1i
p
1j
2
ij
ar
r
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
UJI KECUKUPAN DATA
7
H0 : Jumlah data pada variabel ke-i cukup untuk difaktorkan
H1 : Jumlah data pada variabel ke-i tidak cukup untuk difaktorkan
Daerah Kritis : α : 5%
Statistik uji :
Keputusan : Jika nilai MSA > 0,5 maka variabel ke-i cukup untuk difaktorkan (Hair, dkk, 2010)
MSA =
p
j
ij
p
j
ij
p
j
ij
ar
r
1
2
1
2
1
2
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
8
UJI KORELASI
H0 : Matriks korelasi merupakan matriks identitas
H1 : Matriks korelasi bukan matriks identitas
Daerah Kritis : α : 5%
Statistik uji :
Daerah penolakan :
Keputusan : Tolak H0 jika
Rp
nhitung ln6
5212
2
)1(2
1pp
2
)1(2
1
2
pphitung
(Morrison, 2005)
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
9
ANALISIS FAKTOR
Analisis faktor : suatu analisis data untuk mengetahui faktor-
faktor yang mampu menjelaskan sebesar mungkin
keragaman data variabel asal.
Apabila terdapat vektor acak X’= (x1, x2, ..., xp) mempunyai matrik korelasi R dan memiliki nilai mean μ maka model analisis faktor adalah :
1122211111 mmFFFX
12211 mpmpppp FFFX
(Johnson dan Winchern, 2007)
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
ANALISIS CLUSTER
Analisis cluster : digunakan untuk mengelompokkan objek
pengamatan berdasarkan karakteristik-karakteristik yang dimiliki.
Analisis cluster : hirarki dan non hirarki.
Prosedur hirarki : agglomerative dan divisive.
Angglomerative : single linkage, complete linkage, average
linkage (Johnson dan Winchern, 2007)
10 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
12
ANALISIS CLUSTER
Single Linkage
(Johnson dan Winchern, 2007)
),min(),( jkikkji ddd
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
13
ANALISIS CLUSTER
• Complete Linkage
(Johnson dan Winchern, 2007)
),max(),( jkikkji ddd
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
14
ANALISIS CLUSTER
• Average Linkage
(Johnson dan Winchern, 2007)
),(),( jkikkji ddaveraged
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
15
MINIMAX LINKAGE
Minimax linkage adalah pengelompokkan berdasarkan nilai minimum dari jarak yang maksimum. Definisi minimax linkage antar dua cluster G dan H yaitu :
(Bien dan Thibshirani, 2011)
)',(maxmin),('
xxdHGdHGxHGx
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
16
MINIMAX LINKAGE
Kelebihan minimax linkage yaitu :
1. Dendogram dari minimax linkage tidak memiliki inversion
2. Minimax linkage menghasilkan k-group yang terstruktur dengan baik
3. Minimax linkage robust terhadap gangguan
4. Minimax linkage memenuhi sifat reducibility
(Bien dan Thibshirani, 2011)
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
17
PEMILIHAN METODE CLUSTER
Varian tiap tahap pembentukan cluster :
Variance within cluster :
Variance between cluster :
Cluster ideal, jika V minimum
n
i
ci
c
yyn
Vc1
22
1
1
c
i
ii VncN
Vw1
22 11
c
i
ii yync
Vb1
2
1
1
(Martiana, Rosyid, dan Agusetia, 2010)
2
2
Vb
VwV
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
18
CLUSTER OPTIMUM
Penentuan jumlah cluster optimum dapat ditentukan dengan pola pergerakan varian, yaitu valley-tracing.
Pada valley-tracing kemungkinan mencapai nilai optimum pada tahap ke-i, jika :
Selanjutnya, identifikasi perbedaan nilai tinggi (∂) :
Keakuratan suatu cluster :
Nilai φ > 2 atau nilai φ negatif cluster yang terbentuk terpisah dengan baik
iiii vvvv 11
iii xvvv 211
max___
max
keterdekatnilai
(Noor dan Hariadi, 2009)
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
19
INDIKATOR PEMERATAN PENDIDIKAN
• Angka Partisipasi Kasar
• Angka Partisipasi Murni
• Rasio Murid - Guru
(Puspowati, 2009)
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
20
INDIKATOR PEMERATAN PENDIDIKAN
• Rasio Murid - Kelas
• Rasio Murid - Sekolah
• Angka Shift
(Puspowati, 2009)
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
21
PENELITIAN SEBELUMNYA
Indikator
Pemerataan
Pendidikan
Hierarchical Clustering
via
Minimax Linkage
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
METODOLOGI PENELITIAN
Sumber Data dan Variabel Penelitian
Metode Analisis Data
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
22
SUMBER DATA & VARIABEL PENELITIAN
Sumber data :
Dinas Pendidikan Jawa Timur
Variabel Keterangan
X1 APK (Angka Partisipasi Kasar) SD Negeri/Swasta
X2 APM (Angka Partisipasi Murni) SD Negeri/Swasta
X3 rasio murid-guru SD Negeri/Swasta
X4 rasio murid-kelas SD Negeri/Swasta
X5 rasio murid-sekolah SD Negeri/Swasta
X6 angka shift SD Negeri/Swasta
X7 APK (Angka Partisipasi Kasar) SMP Negeri/Swasta
X8 APM (Angka Partisipasi Murni) SMP Negeri/Swasta
X9 rasio murid-guru SMP Negeri/Swasta
X10 rasio murid-kelas SMP Negeri/Swasta
X11 rasio murid-sekolah SMP Negeri/Swasta
X12 angka shift SMP Negeri/Swasta
X13 APK (Angka Partisipasi Kasar) SMA Negeri/Swasta
X14 APM (Angka Partisipasi Murni) SMA Negeri/Swasta
X15 rasio murid-guru SMA Negeri/Swasta
X16 rasio murid-kelas SMA Negeri/Swasta
X17 rasio murid-sekolah SMA Negeri/Swasta
X18 angka shift SMA Negeri/Swasta
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
23
SUMBER DATA & VARIABEL PENELITIAN
Kecamatan-kecamatan Di Pulau Madura.
Kecamatan Kecamatan Kecamatan Kecamatan
Bangkalan Sampang Pamekasan Sumenep
01. Kamal 19. Sreseh 36. Larangan 53. Batuan
02. Labang 20. Torjun 37. Pamekasan 54. Lenteng
03. Kwanyar 21. Pangarengan 38. Proppo 55. Ganding
04. Modung 22. Sampang 39. Palengaan 56. Guluk-Guluk
05. Blega 23. Camplong 40. Pegantenan 57. Pasongsongan
06. Konang 24. Omben 41. Kadur 58. Ambunten
07. Galis 25. Kedungdung 42. Pakong 59. Rubaru
08. Tanah Merah 26. Jrengik 43. Waru 60. Dasuk
09. Tragah 27. Tambelangan 44. Batumarmar 61. Manding
10. Socah 28. Banyuates 45. Pasean 62. Batuputih
11. Bangkalan 29. Robatal 63. Gapura
12. Burneh 30. Karang Penang Sumenep 64. Batang-Batang
13. Arosbaya 31. Ketapang 46. Pragaan 65. Dungkek
14. Geger 32. Sokobanah 47. Bluto 66. Nonggunong
15. Kokop 48. Saronggi 67. Gayam
16. Tanjung Bumi Pamekasan 49. Giligenting 68. Ra'as
17. Sepulu 33. Tlanakan 50. Talango 69. Sapeken
18. Klampis 34. Pademawu 51. Kalianget 70. Arjasa
35. Galis 52. Kota Sumenep 71. Kangayan
72. Masalembu
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
24
METODE ANALISIS DATA
1. Mendapatkan karakteristik kecamatan-kecamatan di pulau Madura
dengan analisis statistika deskriptif. Analisis statistika deskriptif yang digunakan antara lain rata-rata, varians, nilai minimum, nilai maksimum, dan boxplot dari masing-masing variabel.
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
25
METODE ANALISIS DATA
2. Membandingkan hasil pengelompokkan kecamatan di pulau
Madura berdasarkan indikator pemerataan pendidikan dengan metode hierarchical clustering dengan single linkage, complete
linkage, average linkage, & minimax linkage dan mendapatkan kecamatan di pulau Madura yang berkelompok berdasarkan hasil
pengelompokkan terbaik. Langkah- langkah yang dilakukan untuk memenuhi tujuan kedua yaitu : a) Mereduksi dimensi data dengan menggunakan analisis faktor. Sebelum melakukan analisis faktor, terlebih dahulu melakukan uji
KMO, uji MSA dan uji Bartlett pada data.
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
26
METODE ANALISIS DATA
b) Melakukan pengelompokkan kecamatan-kecamatan di pulau Madura berdasarkan indikator pemerataan pendidikan dengan menggunakan metode hierarchical clustering dengan single linkage, complete linkage, average linkage, dan minimax linkage c) Membandingkan hasil pengelompokkan dengan semua metode menggunakan nilai variance within cluster dan variance between cluster. d) Menentukan jumlah cluter optimum pada metode terbaik dengan
valley-tracing.
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
27
METODE ANALISIS DATA
3. Melakukan analisis terhadap karakteristik kecamatan hasil pengelompokkan terbaik dalam upaya pemerataan pendidikan di Pulau Madura.
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
ANALISIS & PEMBAHASAN
Statistika Deskriptif
Uji Korelasi
Pembagian Variabel Kedalam Faktor
Analisis Cluster
Jumlah Faktor
Karakteristik Tiap Kelompok
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Uji Kecukupan Data
Pemilihan Metode Cluster Jumlah Cluster Optimum
STATISTIKA DESKRIPTIF
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Variabel Rata-Rata Varians Min Maks APK SD 76.46 505.99 33.32 123.59 APM SD 66.29 393.69 27.78 109.39 Murid/Guru SD 17.99 171.37 5.80 88.70 Murid/Kelas SD 24.90 65.69 11.09 54.07 Murid/Sekolah SD 146.41 2419.12 67.21 291.13 Angka shift SD 1.15 0.14 0.80 3.60 APK SMP 37.67 665.34 6.74 156.68 APM SMP 25.59 419.08 2.76 121.63 Murid/Guru SMP 8.33 11.60 3.07 16.09 Murid/Kelas SMP 30.62 256.71 6.16 75.52 Murid/Sekolah SMP 174.10 17090.00 42.00 720.00 Angka shift SMP 1.25 0.24 0.46 3.50 APK SMA 22.41 947.86 0.00 186.39 APM SMA 14.43 467.90 0.00 145.69 Murid/Guru SMA 7.93 41.29 0.00 24.29 Murid/Kelas SMA 35.70 4216.31 0.00 532.00 Murid/Sekolah SMA 208.80 51313.60 0.00 1263.00 Angka shift SMA 0.93 1.77 0.00 11.00
28
STATISTIKA DESKRIPTIF
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Angk
a sh
ift S
MA
Murid/S
ekolah
SMA
Mur
id/Kelas
SMA
Mur
id/G
uru SM
A
APM S
MA
APK SM
A
Angk
a sh
ift SMP
Mur
id/S
ekolah
SMP
Murid/K
elas
SMP
Murid/G
uru SM
P
APM SMP
APK SM
P
Angk
a sh
ift SD
Murid/S
ekolah
SD
Murid/K
elas
SD
Murid/G
uru SD
APM SD
APK SD
1400
1200
1000
800
600
400
200
0
Da
ta
29
UJI KECUKUPAN DATA
H0 : Jumlah data indikator pemerataan pendidikan cukup
untuk difaktorkan
H1 : H0
Nilai KMO sebesar 0.670 gagal tolak H0
Jadi, data indikator pemerataan pendidikan pada kecamatan-kecamatan di pulau Madura cukup untuk difaktorkan.
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011 30
UJI KECUKUPAN DATA
H0 : Jumlah data indikator pemerataan pendidikan pada masing-masing variabel cukup untuk difaktorkan
H1 : H0
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
No Variabel MSA No Variabel MSA 1 APK SD 0.656 10 Murid/Kelas SMP 0.682 2 APM SD 0.670 11 Murid/Sekolah SMP 0.756 3 Murid/Guru SD 0.781 12 Angka shift SMP 0.469 4 Murid/Kelas SD 0.750 13 APK SMA 0.586 5 Murid/Sekolah SD 0.731 14 APM SMA 0.589 6 Angka shift SD 0.653 15 Murid/Guru SMA 0.725 7 APK SMP 0.640 16 Murid/Kelas SMA 0.598 8 APM SMP 0.609 17 Murid/Sekolah SMA 0.694 9 Murid/Guru SMP 0.839 18 Angka shift SMA 0.522
Gagal tolak H0
31
UJI KORELASI
H0 : Matriks korelasi data indikator pemerataan pendidikan
merupakan matriks identitas
H1 : H0
P value sebesar 0.000 tolak H0
Jadi, antar variabel pada data indikator pemerataan pendidikan di kecamatan-kecamatan pulau Madura saling berkorelasi.
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011 32
JUMLAH FAKTOR
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
18161412108642
6
5
4
3
2
1
0
Factor Number
Eig
en
va
lue
1
0.00298
0.00994
0.03243
0.04639
0.05795
0.08999
0.13002
0.20950
0.26506
0.40462
0.63134
0.832540.89863
1.065411.26649
2.26103
3.96672
5.82895 5 faktor
mewakili
79.9%
variabilitas
data
33
PEMBAGIAN VARIBEL KEDALAM FAKTOR
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Variabel Faktor 1 Faktor 2 Faktor 3 Faktor 4 Faktor 5 APK SD 0.928 -0.077 -0.078 -0.023 -0.077 APM SD 0.926 0.001 -0.011 -0.101 -0.052 Murid/Guru SD 0.882 0.069 0.171 0.054 0.167 Murid/Kelas SD 0.881 0.08 0.216 0.032 0.146 Murid/Sekolah SD 0.81 -0.184 -0.291 0.095 -0.013 Angka shift SD 0.005 0.916 0.191 0.032 0.002 APK SMP -0.015 0.916 0.214 0.01 0.002 APM SMP -0.028 0.691 0.246 -0.3 -0.038 Murid/Guru SMP -0.077 0.573 0.234 -0.571 -0.244 Murid/Kelas SMP 0.018 0.417 0.794 -0.056 -0.118 Murid/Sekolah SMP -0.003 0.415 0.791 -0.066 -0.086 Angka shift SMP -0.174 0.345 0.737 -0.191 -0.273 APK SMA -0.059 0.426 0.72 -0.071 0.038 APM SMA -0.184 0.173 -0.492 0.082 -0.057 Murid/Guru SMA 0.001 0.048 0.118 -0.946 -0.167 Murid/Kelas SMA 0.014 0.064 0.082 -0.944 -0.092 Murid/Sekolah SMA 0.011 -0.029 -0.067 -0.13 -0.898 Angka shift SMA -0.149 0.138 0.399 -0.244 -0.773
Murid SD
Fasilitas SMA
Murid SMP
Fasilitas SMP
Murid SMA
34
ANALISIS CLUSTER
35 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Single
Minimax
Complete
Average
36
PEMILIHAN METODE CLUSTER
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Peringkat Metode Pengelompokkan
Single Complete Average Minimax
Atas 36.62% 60.56% 74.65% 77.46% a
Bawah 63.38% 39.44% 25.35% 22.54%
Jumlah 100.00% 100.00% 100.00% 100.00%
Metode
Terbaik
karena
memiliki
jumlah
varians
minimum
terbanyak
37
JUMLAH CLUSTER OPTIMUM
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
80706050403020100
0.050
0.025
0.000
-0.025
-0.050
-0.075
-0.100
jumlah cluster
be
da
tin
gg
i
3
0.037
Jumlah cluster optimum yaitu
3 cluster
Nilai keakuratan yaitu -0.378
Cluster terpisah dengan baik
38
KARAKTERISTIK TIAP KELOMPOK
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Kelompok 1
Kecamatan Camplong
Kabupaten Sampang
Memiliki angka shift untuk pendidikan jenjang SMA sebesar 11.00
Kebijakan yang sesuai :
penambahan ruang kelas untuk pendidikan tingkat SMA
39 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Kelompok 2
Kota Sumenep
Kabupaten Sumenep
Memiliki nilai-nilai tinggi untuk tiap indikator pemerataan pendidikan
Dapat dijadikan contoh dalam upaya peningkatan pemerataan pendidikan di kecamatan-kecamatan pulau Madura
KARAKTERISTIK TIAP KELOMPOK
40 Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Kelompok 3
Semua kecamatan di pulau Madura, kecuali
kecamatan Camplong
dan Kota Sumenep
Variabel-variabel indikator pemerataan pendidikan tingkat SMA memiliki nilai varians yang cukup tinggi
Kebijakan yang sesuai :
fasilitas untuk jenjang pendidikan SMA perlu ditingkatkan
KARAKTERISTIK TIAP KELOMPOK
41
KESIMPULAN
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
1. Varians tertinggi terdapat pada variabel rasio murid-sekolah tingkat SMA dan SMP. Hal ini berarti bahwa terdapat kesenjangan yang cukup tinggi antar kecamatan di pulau Madura dalam hal rasio murid-sekolah tingkat SMA dan SMP.
2. Metode minimax linkage merupakan metode pengelompokkan
terbaik dengan jumlah kelompok optimum sebanyak 3. 3. Kelompok 1 : memiliki angka shift SMA yang cukup tinggi Kelompok 2 : memiliki nilai-nilai tinggi untuk tiap variabel Kelompok 3 : nilai varians yang cukup tinggi untuk variabel SMA
42
SARAN
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
Agar mendapatkan karakteristik pendidikan yang lebih lengkap, disarankan untuk melakukan survei langsung mengenai kualitas pendidikan untuk tiap kecamatan. Penggunaan berbagai cara untuk membandingkan metode pengelompokkan perlu dilakukan agar hasil yang didapat lebih optimal.
43
DAFTAR PUSTAKA
Arai, K., Barakbah, A.R. 2007. Cluster Construction Method Based on Global Optimum Cluster Determination with The Newly Defined Moving Variance. Reports of the Faculty of Science and Engineering, Saga University. 36(1) : 9-15
Bien, J. dan Tibshirani, R. 2011. Hierarchical Clustering With Prototype via Minimax Linkage. Journal of the American Statistical Association
Dillon, W., Goldstein, M. 1981. Multivariate Analysis Methods and Application. Canada : John Wiley and Sons, Inc
Fisher, L., Van Ness, J. 1971. Admissible Clustering Procedures. Biometrica 58(1) : 91-104
Gordon, A.D. 1987. A Review of Hierarchical Classification. Journal of Royal Statistical Society, Ser. A 150(2) : 119-137
Hair, J. F., Black, W.C., Babin, B.J., Anderson, R.E. 2010. Multivariate Data Analysis. New Jersey : Upper saddle river
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
44
DAFTAR PUSTAKA
Johnson, R.A., Winchern, D.W. 2007. Applied Multivariate Statistical Analysis. USA : Pearson Education International
Man L, Chew Lim T, Jian S, Yue L. 2009. Supervised and Traditional Term Weighting Methods for Automatic Text Categorization. Pattern Analysis and Machine Intelligence, IEEE Transactions on. 31(4) : 721-735
Martiana, E., Rosyid, N., Agusetia, U. 2010. Mesin Pencari Dokumen dengan Pengklasteran secara Otomatis. TELKOMNIKA 8(1) : 41-48
Morrison, D.F. 2005. Multivariate Statistical Methods Fourth Edition. USA : Thomson Learning, Inc
Murtagh, F. 1983. A Survey of Recent advances in Hierarchical Clustering Algorithms. The Computer Journal 26 : 354-359
Noor, M. H., Hariadi, M. 2009. Image Cluster Berdasarkan Warna untuk Identifikasi Kematangan Buah Tomat dengan Metode Valley Tracing. Seminar Nasional Informatika 2009
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011
45
DAFTAR PUSTAKA
Norusis, M.J. 1986. Advanced Statistics SPSS/PC+ for the IBM PC/XT/
AT. Michigan Avenue Chicago Illinois Purwaningsih, A. 2004. Penentuan Rotasi yang Sesuai dalam Analisis
Faktor dengan Analisis Procrustes. Pusat Pengembangan Teknologi Informasi dan Komputasi, BATAN
Puspowati, T. 2009. Algoritma Self Organizing Maps (SOM) untuk Pengelompokkan Kecamatan di Kabupaten Malang berdasarkan Indikator Pemerataan Pendidikan [tesis]. Surabaya : Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember
Seminar Tugas Akhir – Surabaya - Jum’at, 16 Desember 2011