perbandingan metode pautan kombinasi ...repository.ub.ac.id/8698/1/sonny bangkit wijaya.pdfmetode...
TRANSCRIPT
PERBANDINGAN METODE PAUTAN
KOMBINASI ANTARA ANALISIS BIPLOT
DENGAN ANALISIS CLUSTER HIERARKI
(Studi Kasus pada Ketahanan Sosial, Ekonomi dan Ekologi
Desa Bendosari Kecamatan Pujon Kabupaten Malang)
SKRIPSI
oleh:
SONNY BANGKIT WIJAYA
145090507111026
PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2017
i
PERBANDINGAN METODE PAUTAN
KOMBINASI ANTARA ANALISIS BIPLOT
DENGAN ANALISIS CLUSTER HIERARKI
(Studi Kasus pada Ketahanan Sosial, Ekonomi dan Ekologi
Desa Bendosari Kecamatan Pujon Kabupaten Malang)
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains dalam bidang Statistika
oleh :
SONNY BANGKIT WIJAYA
145090507111026
PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2017
ii
LEMBAH PENGESAHAN SKRIPSI
PERBANDINGAN METODE PAUTAN
KOMBINASI ANTARA ANALISIS BIPLOT
DENGAN ANALISIS CLUSTER HIERARKI
(Studi Kasus pada Ketahanan Sosial, Ekonomi dan Ekologi
Desa Bendosari Kecamatan Pujon Kabupaten Malang)
oleh :
SONNY BANGKIT WIJAYA
145090507111026
Setelah dipertahankan di depan Majelis Penguji
pada tanggal 27 Desember 2017
dan dinyatakan memenuhi syarat untuk memperoleh gelar
Sarjana Sains dalam bidang Statistika
Dosen Pembimbing
Dr. Adji Achmad R.F., S.Si., M.Sc
NIP. 198109082005011002
Mengetahui,
Ketua Jurusan Matematika
Fakultas MIPA
Universitas Brawijaya
Ratno Bagus Edy Wibowo, S.Si., M.Si., Ph.D.
NIP. 197509082000031003
iii
LEMBAR PERNYATAAN
Saya yang bertanda tangan di bawah ini :
Nama : Sonny Bangkit Wijaya
NIM : 145090507111026
Jurusan : Matematika/Statistika
Judul Skripsi :
PERBANDINGAN METODE PAUTAN
KOMBINASI ANTARA ANALISIS BIPLOT
DENGAN ANALISIS CLUSTER HIERARKI
(Studi Kasus pada Ketahanan Sosial, Ekonomi dan Ekologi
Desa Bendosari Kecamatan Pujon Kabupaten Malang)
Dengan ini menyatakan bahwa :
1. Isi dari Skripsi yang saya buat adalah benar-benar karya
sendiri dan tidak menjiplak karya orang lain, selain nama-
nama yang bermaktub di isi dan tertulis di daftar pustaka
dalam Skripsi ini.
2. Apabila dikemudian hari ternyata Skripsi yang saya tulis
terbukti hasil jiplakan, maka saya akan bersedia
menanggung segala risiko yang akan saya terima.
Demikian pernyataan ini dibuat dengan segala kesadaran.
Malang, 27 Desember 2017
Yang menyatakan,
Sonny Bangkit Wijaya
NIM. 145090507111026
iv
PERBANDINGAN METODE PAUTAN
KOMBINASI ANTARA ANALISIS BIPLOT
DENGAN ANALISIS CLUSTER HIERARKI
(Studi Kasus pada Ketahanan Sosial, Ekonomi dan Ekologi
Desa Bendosari Kecamatan Pujon Kabupaten Malang)
ABSTRAK
Penelitian ini dilatarbelakangi oleh adanya klasifikasi Indeks Desa
Membangun provinsi Jawa Timur, yang mengkategorikan Desa
Bendosari sebagai salah satu dari desa yang statusnya tertinggal.
Tujuan penelitian ini yaitu membandingkan hasil pengelompokan
metode Single Linkage, metode Average Linkage dan metode
Complete Linkage, mendapatkan hasil pengelompokan terbaik
berdasarkan rasio simpangan baku dalam dan antar kelompok serta
aplikasi analisis Biplot karakteristik Rukun Tetangga (RT) Desa
Bendosari. Analisis Biplot memiliki karakteristik yaitu tidak dapat
mengetahui secara detail pengelompokan obyek dan variabel. Analisis
Biplot tersebut kemudian dikombinasikan dengan analisis cluster,
sehingga dibutuhkan analisis tambahan yaitu kombinasi analisis
Biplot dan analisis cluster. Ukuran jarak yang digunakan yaitu jarak
Euclidean. Kriteria pemilihan metode pautan terbaik yang digunakan
adalah rasio simpangan baku dalam cluster dan simpangan baku antar
cluster yang terkecil. Berdasarkan nilai rasio simpangan baku dalam
cluster dan simpangan baku antar cluster, menunjukkan
pengelompokan metode Complete Linkage merupakan metode yang
lebih baik daripada metode lainnya dengan nilai rasio sebesar 0,607.
Dengan menggunakan metode Complete Linkage diperoleh 3 cluster
atau kelompok yaitu diperoleh bahwa cluster 1 terdiri dari 2 wilayah
RT dan cluster 2 terdiri dari 4 wilayah RT dan cluster 3 terdiri dari 17
wilayah RT.
Kata Kunci: Analisis Biplot, Analisis Cluster, Jarak Euclidian,
Metode Pautan
v
COMPARISON OF LINKAGE METHODS
COMBINATION BETWEEN BIPLOT ANALYSIS
WITH CLUSTER HIERARKI ANALYSIS
(Case Study on Social Resilience, Economics and Ecology
Bendosari Village, Pujon Sub-district, Malang Regency)
ABSTRACT
This research is motivated by the classification of Village
Development Index of East Java province, which categorizes
Bendosari Village as one of the villages whose status is left behind.
The purpose of this study is to compare the results of grouping of
Single Linkage method, Average Linkage method and Complete
Linkage method, get best grouping result based on standard deviation
ratio in and between groups and application of biplot analysis of
Rukun Tetangga (RT) characteristics of Bendosari Village. Biplot
analysis has a characteristic that is not able to know in detail the
grouping of objects and variables. Then biplot analysis are improved
by cluster analysis, so additional analysis is required that is a
combination of Biplot analysis and cluster analysis. The distance of
the used distance is Euclidean distance. The best selection method
selection criteria used is the standard deviation ratio in the cluster and
the standard deviation between the smallest clusters. Based on the
standard deviation ratio value in clusters and standard deviations
between clusters, the grouping of Complete Linkage method is a
better method than the other method with the ratio value of 0,607. By
using Complete Linkage method obtained 3 cluster or group that is
obtained that cluster 1 consist of 2 RT and cluster 2 consist of 4 RT
and cluster 3 consist of 17 RT.
Keywords: Biplot Analysis, Cluster Analysis, Euclidian Distance,
Linkage Method
vi
KATA PENGANTAR
Syukur Alhamdulillah penulis panjatkan kepada Allah SWT
yang telah melimpahkan rahmat, nikmat dan karunia-Nya sehingga
penulis dapat menyelesaikan skripsi yang berjudul “Perbandingan
Metode Pautan Kombinasi antara Analisis Biplot dengan Analisis
Cluster Hierarki”. Penelitian ini disusun untuk memenuhi salah satu
syarat untuk memperoleh gelar Sarjana Sains di bidang Statistika,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Brawijaya Malang.
Penulis menyadari sepenuhnya dalam penulisan ini tidak lepas
dari dukungan, motivasi, kerjasama maupun bimbingan dari berbagai
pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih
kepada:
1. Bapak Dr. Adji Achmad R.F., S.Si, M.Sc selaku dosen
pembimbing skripsi atas waktu, saran dan bimbingan dalam
menyelesaikan penelitian ini.
2. Ibu Dr. Ir. Atiek Iriani, MS selaku dosen penguji I yang telah
memberikan saran dan bimbingan dalam penelitian ini.
3. Ibu Dr. Dra. Ani Budi Astuti, M.Si selaku dosen penguji II yang
telah memberikan saran dan bimbingan dalam penelitian ini.
4. Kedua orang tua penulis Bapak Sugeng Hariadi dan Ibu Ismuning
Utarini, adik Firman dan seluruh keluarga besar atas kasih
sayang, doa dan dukungannya.
5. Dr. Rahma Fitriani, S.Si, M.Sc selaku ketua Program Studi
Statistika FMIPA Universitas Brawijaya.
6. Bapak Ratno Bagus Edy Wibowo, S.Si, M.Si, Ph.D selaku ketua
Jurusan Matematika FMIPA Universitas Brawijaya.
7. Dr. Ir. Solimun, MS selaku ketua Kelompok Kajian Unggulan
Pemodelan Statistika Bidang Manajemen.
8. Teman-teman seperjuangan bimbingan Bapak Adji (Riana, Dipta,
Imron, Suci) serta Hima dan Shinta yang selalu saling
memberikan semangat, membantu dan juga mengingatkan satu
sama lain.
9. Teman-teman Statistika 2014 yang telah membantu dalam
penyelesaian laporan ini.
10. Aparat Pemerintah dan Warga Desa Bendosari telah bersedia
membantu sebagai responden dalam penelitian ini.
vii
11. Semua pihak yang telah membantu dalam menyelesaikan
penelitian ini yang tidak dapat saya sebutkan satu per satu.
Penulis menyadari bahwa penyusunan skripsi ini masih banyak
kekurangan dan kesalahan. Oleh karena itu, penulis mengharapkan
saran dan kritik yang membangun demi kesempurnaan skripsi ini.
Semoga skripsi ini dapat bermanfaat bagi semua pihak dan penulis
pada khususnya.
Malang, 27 Desember2017
Penulis
viii
DAFTAR ISI
Halaman
HALAMAN JUDUL ........................................................................ i
LEMBAR PENGESAHAN ............................................................ ii
LEMBAR PERNYATAAN........................................................... iii
ABSTRAK ...................................................................................... iv
ABSTRACT ..................................................................................... v
KATA PENGANTAR .................................................................... vi
DAFTAR ISI ................................................................................ viii
DAFTAR GAMBAR ....................................................................... x
DAFTAR TABEL ........................................................................... xi
DAFTAR LAMPIRAN .................................................................xii
BAB I PENDAHULUAN
1.1 Latar Belakang .................................................................. 1
1.2 Rumusan Masalah ............................................................. 3
1.3 Batasan Masalah ............................................................... 3
1.4 Tujuan Penelitian .............................................................. 3
1.5 Manfaat Penelitian ............................................................ 3
BAB II TINJAUAN PUSTAKA
2.1 Analisis Biplot................................................................... 5
2.1.1 Konsep Dasar .......................................................... 5
2.1.2 Singular Value Decomposition (SVD) .................... 5
2.1.3 Kumulatif Keragaman ............................................. 8
2.1.3 Interpretasi............................................................... 8
2.2 Analisis Cluster ................................................................ 9
2.2.1 Konsep Kemiripan ................................................. 10
2.2.2 Jarak Euclidian ....................................................... 10
2.2.3 Metode Hierarki ..................................................... 11
2.2.4 Penentuan Banyak Cluster ..................................... 12
2.2.5 Penentuan Kebaikan Metode .................................. 13
2.3.Variabel dan Pengukuran Variabel .................................. 13
2.4. Pemeriksaan Instrumen Penelitian.................................. 14
2.4.1 Validitas ................................................................. 14
2.4.2 Reliabilitas ............................................................. 15
2.5 Variabel Penelitian .......................................................... 16
2.5.1 Aspek Ketahanan ................................................... 16
ix
Halaman
BAB III METODE PENELITIAN
3.1 Sumber Data .................................................................... 19
3.2 Populasi, Sampel dan Teknik Sampling .......................... 19
3.3 Uji Coba Instrumen Penelitian ........................................ 21
3.3.1 Pilot Test Pertama ................................................... 22
3.3.2 Pilot Test Kedua ...................................................... 23
3.4 Metode Analisis Data ...................................................... 24
3.5 Diagram Alir ................................................................... 26
BAB IV HASIL DAN PEMBAHASAN
4.1 Deskripsi Data ................................................................. 29
4.1.1 Data Ketahanan Sosial, Ekonomi dan Ekologi ........ 29
4.2 Analisis Biplot................................................................. 30
4.2.1 Menyusun Matriks n x p .......................................... 30
4.3 Analisis Cluster ............................................................... 31
4.3.1 Penentuan Banyak Cluster ...................................... 31
4.4 Pemilihan Metode Terbaik .............................................. 37
4.5 Grafik Koordinat Objek dan Indikator ............................ 38
4.6 Interpretasi ...................................................................... 39
4.6.1. Keragaman Indikator .............................................. 39
4.6.2 Korelasi antar Indikator .......................................... 40
4.6.3 Nilai Indikator Obyek............................................. 42
4.6.4 Kumulatif Keragaman Biplot ................................. 43
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ..................................................................... 45
5.2 Saran ............................................................................... 45
DAFTAR PUSTAKA .................................................................... 47
LAMPIRAN ................................................................................... 51
x
DAFTAR GAMBAR
Halaman
Gambar 3.1. Diagram Alir Analisis Biplot dan Cluster........................28
Gambar 4.1. Grafik Analisis Biplot.......................................................31
Gambar 4.2. Dendogram Metode Single Linkage.................................33
Gambar 4.3. Dendogram Metode Average Linkage..............................35
Gambar 4.4. Dendogram Metode Complete Linkage............................37
Gambar 4.5. Grafik Metode Single Linkage..........................................38
xi
DAFTAR TABEL
Halaman
Tabel 3.1. Jumlah KK di Setiap Dusun............................................21
Tabel 3.2. Pemeriksaan validitas dan reliabilitas
pilot test pertama.............................................................22
Tabel 3.3. Pemeriksaan validitas dan reliabilitas
pilot test kedua............................................................... 23
Tabel 4.1. Analisis Deskriptif dari 10 Indikator ............................. 29
Tabel 4.2. Perubahan persentase metode Single Linkage................ 32
Tabel 4.3. Perubahan persentase metode Average Linkage ............ 34
Tabel 4.4. Perubahan persentase metode Complete Linkage...........36
Tabel 4.5. Rasio Simpangan Baku Setiap Metode Pautan .............. 38
Tabel 4.6. Panjang Vektor Indikator Analisis Biplot ...................... 40
xii
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Kuesioner Awal ....................................................... ..51
Lampiran 2. Hasil pemeriksaan validitas dan reliabilitas pilot test
pertama ....................................................................... 59
Lampiran 3. Hasil pemeriksaan validitas dan reliabilitas pilot test
kedua ......................................................................... 63
Lampiran 4. Kuesioner Valid dan Reliabel..................................... 65
Lampiran 5. Data Input .................................................................. 69
Lampiran 6. Syntax dan Output program R ................................... 70
Lampiran 7. Output Metode Single Linkage dengan Jarak
Euclidean dengan SPSS 22.........................................76
Lampiran 8. Output Metode Average Linkage dengan Jarak
Euclidean dengan SPSS 22.........................................77
Lampiran 9. Output Metode Complete Linkage dengan Jarak
Euclidean dengan SPSS 22.........................................78
Lampiran 10. Panjang Vektor Indikator.............................................79
Lampiran 11. Matriks Korelasi...........................................................81
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Analisis statistika yang dirancang untuk memperoleh informasi
dari pengukuran secara simultan pada beberapa variabel disebut
analisis multivariat (Johnson dan Wichern, 2007). Analisis biplot
merupakan suatu analisis untuk memberikan peragaan grafik dari
matriks data X dalam suatu plot dengan menumpang tindihkan vektor-
vektor dalam ruang berdimensi rendah, biasanya dimensi dua yang
mewakili vektor-vektor baris matriks X (gambaran objek) dengan
vektor-vektor yang mewakili kolom matriks X (gambaran variabel).
Dari peragaan secara grafis ini diharapkan akan diperoleh gambaran
tentang objek, misalnya kedekatan antar obyek dan gambaran tentang
variabel, baik tentang keragamannya maupun korelasinya, serta
keterkaitan antara objek-objek dengan variabel-variabelnya (Solimun
dan Fernandes, 2008).
Analisis biplot memiliki karakteristik yaitu tidak dapat
mengetahui secara detail pengelompokan obyek dan variabel. Ketika
menghadapi permasalahan yang memiliki banyak indikator maupun
variabel, dibutuhkan suatu metode analisis untuk mengelompokkan
indikator atau variabel tersebut ke dalam kelompok-kelompok yang
homogen untuk mempermudah pemberian identitas kelompok
variabel atau indikator (Sangren, 1999). Analisis biplot tersebut
kemudian dikombinasikan dengan analisis cluster, sehingga
dibutuhkan analisis tambahan yaitu kombinasi analisis biplot dan
analisis cluster.
Analisis cluster merupakan salah satu analisis statistika
multivariat yang bertujuan untuk mengidentifikasi sekelompok objek
atau variabel yang mempunyai kemiripan karakteristik tertentu yang
dipisahkan dengan kelompok obyek atau variabel lain, sehingga obyek
atau variabel berada dalam kelompok yang relatif lebih homogen
daripada obyek atau variabel yang berada pada kelompok yang
berbeda (Krebs dkk., 2000). Terdapat tiga metode untuk mengukur
kesamaan antar obyek atau variabel dalam analisis cluster, yaitu
mengukur korelasi, jarak dan asosiasi antar obyek atau variabel.
Korelasi dan jarak digunakan jika data adalah metrik, sedangkan
asosiasi digunakan jika data adalah non-metrik (Hair dkk., 2010).
Secara umum analisis cluster dibagi menjadi dua metode, yaitu
metode hierarki dan metode non-hierarki. Metode hierarki adalah
2
teknik clustering dengan membentuk konstruksi hierarki atau
berdasarkan tingkatan tertentu seperti struktur pohon (struktur
perbandingan). Prosedur yang digunakan dalam analisis cluster
hierarki ini ada dua yaitu, metode aglomerative (penggabungan) dan
metode divisive (pemisah). Metode aglomerative yang sering
digunakan adalah metode Single Linkage, metode Complete Linkage,
dan metode Average Linkage. Single Linkage menggabungkan
kelompok menggunakan jarak terdekat, Complete Linkage
menggabungkan kelompok menurut jarak paling jauh dan Average
Linkage menggabungkan kelompok menurut jarak rata-rata antara
setiap pasangan obyek yang mungkin dari semua obyek pada satu
kelompok dengan seluruh obyek pada kelompok lain.
Banyaknya metode dalam analisis cluster seringkali
menyulitkan dalam proses pemilihan metode penggabungan pautan
(Linkage) yang terbaik. Oleh karena itu, penulis tertarik untuk
melakukan penelitian dengan judul “Perbandingan Berbagai Jenis
Metode Pautan dengan Kombinasi Analisis Biplot dan Analisis
Cluster Hierarki”. Penentuan metode pautan terbaik adalah
berdasarkan pada nilai rasio simpangan baku cluster yang terkecil.
Pada penelitian sebelumnya tentang analisis cluster dengan
perbandingan metode pautan telah dilakukan oleh Suyanto (2015)
membahas tentang teknik pengukuran Jarak Manhattan pada analisis
kelompok menggunakan berbagai metode pautan (Linkage).
Penelitian Laraswati (2014) juga telah meneliti mengenai
perbandingan kinerja metode Complete Linkage, metode Average
Linkage dan metode K-Means dalam menentukan hasil analisis
cluster. Penelitian ini membahas tentang perbandingan metode pautan
yaitu pautan tunggal (Single Linkage), pautan rata-rata (Average
Linkage) dan pautan lengkap (Complete Linkage) dengan kombinasi
analisis biplot pada analisis cluster hierarki dengan menggunakan
jarak Euclidian. Kelebihan dari penelitian ini dibandingkan penelitian
sebelumnya adalah analisis yang digunakan tidak hanya analisis
cluster saja, tetapi juga menggunakan analisis biplot untuk
menggambarkan atau memetakan objek dan variabel secara grafis.
1.2. Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, maka
rumusan masalah dalam penelitian ini adalah:
3
1. Manakah antara metode Single Linkage, metode Complete Linkage
dan metode Average Linkage yang memberikan hasil
pengelompokan terbaik untuk analisis cluster berdasarkan kriteria
nilai rasio simpangan baku terkecil?
2. Bagaimana penerapan kombinasi analisis biplot dan analisis
cluster hierarki dalam pemetaan Rukun Tetangga (RT)
berdasarkan potensi Desa Bendosari, Kecamatan Pujon,
Kabupaten Malang?
1.3. Batasan Masalah
Pada penelitian ini, penulis membatasi penelitian ini
menggunakan jarak Euclidean sebagai ukuran kedekatan obyek yang
digunakan dalam pengelompokan. Kriteria pemilihan metode pautan
terbaik yang digunakan adalah berdasarkan nilai rasio simpangan
baku cluster terkecil.
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah:
1. Menentukan hasil pengelompokan terbaik berdasarkan kriteria
nilai rasio simpangan baku cluster terkecil.
2. Mengaplikasikan kombinasi analisis biplot dan analisis cluster
terhadap pemetaan Rukun Tetangga (RT) berdasarkan potensi
Desa Bendosari, Kecamatan Pujon, Kabupaten Malang.
1.5. Manfaat Penelitian
Manfaat yang akan diperoleh dari penelitian ini adalah:
1. Mendapatkan metode pautan terbaik untuk analisis cluster
berdasarkan nilai rasio simpangan baku cluster terkecil sebagai
kriteria pemilihan metode terbaik.
2. Menambah informasi kepada pihak pemerintah Desa Bendosari
tentang variabel yang mempengaruhi Ketahanan Sosial,
Ketahanan Ekonomi dan Ketahanan Ekologi di Desa Bendosari
agar dapat menyelesaikan masalah pengembangan potensi desa
dengan menggunakan kombinasi analisis biplot dan analisis
cluster.
5
BAB II
TINJAUAN PUSTAKA
2.1. Analisis Biplot
2.1.1. Konsep Dasar
Analisis Biplot pertama kali diperkenalkan oleh Gabriel pada
tahun 1971. Menurut Solimun dan Fernandes (2008), analisis Biplot
merupakan suatu metode penggambaran atau pemetaan antara objek
dan variabel pada suatu grafik dimensi rendah, yaitu dimensi dua.
Secara umum, analisis biplot dapat digunakan untuk memeragakan
antara objek dan peubah yang berada pada ruang berdimensi tinggi ke
dalam ruang yang berdimensi rendah (dua atau tiga) sekaligus.
Penggunaan ruang berdimensi rendah ini dikarenakan kemudahan
dalam interpretasi secara grafis, karena jika digunakan pada grafik
berdimensi tinggi (lebih dari tiga), sangat sukar diinterpretasikan titik-
titik dalam grafik tersebut. Matriks X yang digunakan sebagai input
dalam analisis biplot yaitu:
di mana:
n : Banyak obyek pengamatan
p : Banyak variabel yang diteliti
2.1.2. Singular Value Decomposition (SVD) Perhitungan analisis biplot menggunakan dekomposisi nilai
singular atau Singular Value Decomposition (SVD). Kegunaan SVD
dalam analisis Biplot adalah menghasilkan baris matriks yang saling
bebas (orthogonal). Matriks X berukuran n p berisi n obyek dan p
variabel yang dikoreksi terhadap rata-rata dan mempunyai rank r.
Menurut Rancher (2002), penguraian nilai singular dapat dituliskan
menjadi:
'X = ULV (2.1)
11 12 1
21 22 2
1 2
...
...
p
p
n n np
x x x
x x x
x x x
X
6
di mana:
U : matriks dengan kolom berupa vektor eigen dari X X yang
berukuran n x r
L : diag (√𝜆1 , √𝜆2 , ... , √𝜆𝑝 ) matriks diagonal berupa akar nilai
eigen dari 1' 'H L V yang berukuran 2H
V : matriks dengan kolom berupa vektor eigen dari X X yang
berukuran p r
Matriks ' ' r U U V V I dan V adalah matriks dengan kolom
ortonormal ( ' ' )r U U V V I dan L adalah matriks diagonal berukuran
(r x r) dengan unsur-unsur diagonalnya adalah akar-akar dari nilai
eigen X X dimana √𝜆1 ≥ √𝜆2 ≥ ... ≥ √𝜆𝑟 . SVD tergantung rank dari matriks X atau r di (r = min(n,p))
(Solimun dan Fernandes, 2008). Pada penggambaran biplot
menggunakan dua dimensi, maka yang biasa digunakan nilai r adalah
sebesar r = 2.
Sehingga berdasarkan persamaan (2.1) diperoleh:
1 2u uU
1 2v vV
1
2
0
0
L
11
12
1
1
.
n
u
uu
u
21
22
2
2
.
n
u
uu
u
11
12
1
1
.
n
v
vv
v
21
22
2
2
.
n
v
vv
v
Maka
1
''i i i
r
i
u v
X ULV
Untuk memperoleh matriks U , digunakan pendekatan
matriks X X .
2' i i iu uXX
7
Nilai 2
ii adalah eigen value dari matriks X X dan iu
adalah eigen vector dari matriks X X . Untuk memperoleh matriks V,
digunakan pendekatan matriks X X .
2' i i iv vXX
Sehingga nilai 2
ii adalah eigen value dari matriks X X dan
H' = LV' adalah eigen vector dari matriks X X .
Menurut Jollife dan Rawlings (1986), untuk mendeskripsikan
Biplot diperlukan nilai α dalam mendefinisikan matriks G dan H .
Dimisalkan G UL dan 1' 'H L V dengan 0 ≤ α ≤ 1 sehingga
menjadi:
1-αα 'X = UL L V = GH (2.2)
Dengan matriks G adalah matriks yang berukuran G = UL dan
matriks 'H adalah matriks berukuran r p . Persamaan (2.2)
menghasilkan koordinat berdasarkan nilai komponen utama masing-
masing obyek dan variabel. Pendekatan matriks X dalam dimensi dua
dilambangkan dengan 2H dua kolom pertama matriks G dan
2H dua
kolom pertama matriks H , ditunjukkan sebagai berikut:
2 2
X G H (2.3)
11 12
11 21 121 22
12 22 2
1 2
p
p
n n
g g
h h hg g
h h h
g g
2 2X G H '
(2.4)
Elemen matriks 2G menunjukkan titik koordinat dari n obyek dan
elemen matriks 2H menunjukkan titik koordinat dari p variabel.
Dalam mendeskripsikan biplot, dilakukan dengan cara
mengambil nilai ekstrim α, yaitu α = 0 atau α = 1. Jika α = 0, maka
G = UL dan ' 'H = LV disebut dengan Biplot GH atau Column Metric
Preserving yang mempertahankan matriks kolom (menunjukkan
8
variabel dalam matriks X ) digunakan untuk mengetahui keragaman
variabel dan korelasi antar variabel, sehingga diperoleh:
' ' ' 'XX = (GH ) (GH ) ' '= HGGH
= HU'UH'
= HH' (2.5)
dan diperoleh varian dan kovarian dari X adalah:
1
(n 1)
S X'X
(2.6)
1.1.3. Kumulatif Keragaman
Pembuatan gambar visualisasi dari ruang dimensi banyak
menjadi gambar dimensi dua mengakibatkan informasi yang
terkandung dalam Biplot menurun. Menurut Mattjik dan Sumertajaya
(2011), Biplot dianggap memberikan informasi yang cukup jika telah
memberi informasi minimal 70%. Goodness of fit dari Biplot diketahui
dengan memeriksa dua nilai eigen pertama λ1 dan λ2, yaitu:
2 1 2
1
( )r
kk
(2.7)
di mana:
λ1 : nilai eigen terbesar ke-1
λ2 : nilai eigen terbesar ke-2
λk : nilai eigen ke-k, dengan k = 1,2 ... r
Apabila ρ2 mendekati nilai satu, maka Biplot memberikan penyajian
yang semakin baik mengenai informasi data yang sebenarnya.
1.1.4. Interpretasi
Menurut Mattjik dan Sumertajaya (2011), informasi penting
yang dapat diperoleh dari analisis biplot ada empat, yaitu:
a. Panjang vektor sebanding dengan keragaman variabel.
Semakin panjang vektor, maka keragaman semakin tinggi.
b. Nilai kosinus antara dua vektor menggambarkan korelasi
kedua variabel. Jika sudut semakin sempit maka korelasi
semakin tinggi, sudut tegak lurus menunjukkan korelasi
9
rendah dan sudut tumpul (berlawanan arah) menunjukkan
korelasi negatif.
c. Posisi obyek yang searah dengan suatu vektor variabel
diinterpretasikan sebagai besarnya nilai variabel untuk obyek
yang searah. Semakin dekat obyek dengan arah yang
ditunjukkan suatu variabel, semakin tinggi nilai variabel
untuk obyek dan berlaku sebaliknya.
d. Kedekatan letak atau posisi dua arah obyek diinterpretasikan
sebagai kemiripan sifat dua obyek tersebut. Semakin dekat
obyek, semakin mirip sifat dari obyek tersebut.
2.2. Analisis Cluster
Analisis cluster merupakan suatu analisis multivariat yang
digunakan untuk mengelompokkan objek pengamatan menjadi
beberapa cluster berdasarkan ukuran kemiripan antar objek (Johnson
dan Wichern, 2007). Jumlah kelompok yang dapat diidentifikasi
tergantung pada banyak data obyek. Ciri-ciri suatu kelompok yang
baik adalah mempunyai homogenitas internal, yaitu kesamaan antar
anggota dalam satu kelompok dan heterogenitas eksternal, yaitu
perbedaan antara kelompok yang satu dengan cluster yang lain (Hair
dkk., 1998). Tujuan dari analisis cluster adalah mengelompokkan
objek-objek yang memiliki karakteristik yang sama ke dalam cluster
yang sama. Hasil pengelompokan sekumpulan objek akan memiliki
homogenitas yang tinggi antar anggota dalam satu cluster (within-
cluster) dan heterogenitas yang tinggi antar cluster yang satu dengan
cluster yang lainnya (between-cluster).
Secara umum analisis cluster dibagi menjadi dua metode,
yaitu metode hierarki dan metode non-hierarki. Metode hierarki
adalah suatu metode pengelompokan data yang dimulai dengan
mengelompokkan dua atau lebih objek yang memiliki kemiripan
paling dekat, kemudian proses dilanjutkan ke objek lain yang memiliki
kedekatan kedua. Demikian seterusnya sehingga cluster akan
membentuk semacam pohon dengan hierarki (tingkatan) yang jelas
antar objek, dari yang paling mirip sampai yang paling tidak mirip.
Berbeda dengan metode hierarki, metode non-hierarki dimulai dengan
menentukan terlebih dahulu banyak cluster yang diinginkan. Dalam
hal ini proses cluster dilakukan setelah banyak cluster diketahui tanpa
mengikuti proses hierarki (Santoso, 2010).
10
1.2.1. Konsep Kemiripan
Hair dkk.(2010) menyatakan konsep kemiripan adalah hal
yang penting dalam analisis cluster. Kemiripan antar objek adalah
ukuran korespondensi antar objek. Ada tiga metode yang dapat
diterapkan yaitu ukuran asosiasi, ukuran korelasi, dan ukuran jarak.
1. Ukuran Asosiasi
Ukuran asosiasi digunakan apabila data bertipe non-metrik
(data nominal atau data ordinal). Misalnya, responden hanya
menjawab ya atau tidak dalam sebuah pertanyaan. Ukuran asosiasi
dapat mengamati derajat persetujuan atau kecocokan antara tiap
pasangan responden.
2. Ukuran Korelasi
Ukuran korelasi digunakan apabila data bertipe metrik (data
interval atau data rasio). Ukuran korelasi dapat diukur dengan
menggunakan koefisien korelasi antara pasangan objek-objek yang
diukur dalam beberapa variabel. Tingginya korelasi menunjukkan
kesamaan. Ukuran korelasi jarang digunakan karena titik beratnya
pada nilai suatu pola tertentu.
3. Ukuran Jarak
Ukuran jarak juga digunakan apabila data bertipe metrik (data
interval atau data rasio). Ukuran jarak merupakan ukuran kemiripan.
Semakin tinggi nilai jarak maka semakin rendah kemiripan antar
objek. Cluster berdasarkan ukuran korelasi bisa saja tidak memiliki
kemiripan nilai tetapi kemiripan pola, sedangkan cluster berdasarkan
ukuran jarak lebih memiliki kemiripan nilai meskipun polanya
berbeda.
1.2.2. Jarak Euclidian
Jarak Euclidian mengukur jumlah kuadrat perbedaan nilai
pada masing-masing variabel. Perhitungan jarak Euclidian adalah
sebagai berikut:
2
1
( )p
ij ik jk
k
d x x
(2.8)
Keterangan:
dij = Jarak antar obyek ke-i dengan obyek ke-j
p = Jumlah variabel cluster
xik = Nilai atau data dari obyek ke-i pada variabel ke-k
xjk = Nilai atau data dari obyek ke-j pada variabel ke-k
11
1.2.3. Metode Hierarki
Metode hierarki merupakan teknik pengelompokan dimana
jumlah cluster belum diketahui. Metode hierarki terbagi menjadi dua,
yaitu dengan penggabungan (agglomerative) dan pemisahan (divise).
Metode hierarki penggabungan, yakni pada awal pengelompokan
setiap objek pengamatan dianggap sebagai cluster yang berbeda,
kemudian secara bertahap objek-objek yang memiliki kemiripan
dikelompokkan ke dalam cluster yang sama hingga pada akhirnya
semua objek berada dalam satu cluster yang sama. Sedangkan metode
hierarki pemisahan memiliki langkah pengerjaan yang berlawanan
dengan metode hierarki penggabungan. Metode hierarki pemisahan,
yaitu semua objek dianggap berasal dari satu cluster, kemudian dilihat
ketidakmiripan antar objek. Objek yang tidak mirip akan dikeluarkan
dari cluster dan membentuk cluster sendiri. Tahapan ini dilakukan
sampai pada akhirnya semua cluster beranggotakan satu objek (Everitt
dkk., 2011).
Metode hierarki yang sering digunakan adalah algoritma
agglomerative. Hair dkk., (2010) membagi algoritma agglomerative
sebagai berikut:
1. Single Linkage (Pautan tunggal)
Metode ini didasarkan pada jarak minimum. Dua objek yang
memiliki jarak terdekat dikelompokkan ke dalam cluster yang
sama. Apabila terdapat objek ketiga yang memiliki jarak terdekat
dengan salah satu objek dalam cluster, maka objek tersebut dapat
digabung ke dalam cluster tersebut. Jika jarak antara cluster ke-r
dan cluster ke-s adalah d(r,s) didefinisikan sebagai berikut:
( , ) min{ ( , )}r sd r s d x x (2.9)
dengan xr anggota cluster ke-r dan xs anggota cluster ke-s.
Cluster Br dan Bs akan digabung jika d(r,s) adalah jarak yang
terkecil sehingga metode ini juga disebut aturan tetangga dekat.
2. Complete Linkage (Pautan lengkap)
Metode ini hampir sama dengan single linkage hanya saja pada
metode ini menggunakan jarak yang maksimum antara dua cluster
yang berbeda. Jika jarak antara cluster ke-r dan cluster ke-s
didefinisikan sebagai berikut:
( , ) max{ ( , )}r sd r s d x x (2.10)
dengan xr anggota cluster ke-r dan xs anggota cluster ke-s.
12
3. Average Linkage (Pautan rata-rata)
Metode ini menggunakan rata-rata jarak antara semua pasangan
objek sebagai jarak antara dua cluster. Penggunaan rata-rata pada
metode ini dianggap lebih stabil dan tidak bias. Namun ketiga
metode linkage ini seringkali memberikan hasil yang hampir sama.
Jarak antara cluster ke-r dan cluster ke-s didefinisikan sebagai
berikut:
( , )1
( , )r sr s
r s
d r s X Xn n
d x x
(2.11)
dengan xr anggota cluster ke-r dan xs anggota cluster ke-s.
1.2.4. Penentuan Banyak Cluster
Hal utama dari analisis cluster adalah penentuan banyak cluster.
Hair dkk., (2010) menyatakan bahwa aturan yang paling sederhana
dan sering digunakan adalah perubahan persentase pada konsep
kemiripan. Sebelum menentukan perubahan persentase, langkah awal
yang perlu dilakukan adalah menentukan stopping rule. Penentuan
stopping rule biasanya terdiri dari dua atau lebih cluster yang dapat
digunakan sebagai pertimbangan sebelum menentukan solusi banyak
cluster. Tidak terdapat aturan yang baku untuk menentukan memilih
stopping rule. Peneliti dapat menentukan stopping rule berdasarkan
permasalahan yang ada (bersifat subjektif). Nilai agglomeration
coefficient merupakan nilai ukuran jarak antara dua cluster.
Perubahan persentase dihitung berdasarkan nilai agglomeration
coefficient pada setiap solusi cluster dengan rumus sebagai berikut :
1 100%u uu
u
coef coefPP
coef
(2.12)
keterangan:
𝑃𝑃𝑢 : perubahan persentase stage ke-u
𝑐𝑜𝑒𝑓𝑢 : nilai agglomeration coefficient stage ke-u
𝑐𝑜𝑒𝑓𝑢+1 : nilai agglomeration coefficient stage ke-u+1
Perubahan persentase yang kecil menunjukkan bahwa dua
cluster yang digabung cukup homogen, sedangkan perubahan
persentase yang besar menunjukkan bahwa dua cluster yang digabung
sangat berbeda. Dengan demikian perubahan persentase terbesar
merupakan stage dimana proses pengelompokan dapat dihentikan.
Cluster yang terbentuk adalah hasil pengurangan dari objek yang
13
diamati (n) dengan stage saat proses dihentikan. Banyak stage adalah
n-1.
1.2.5. Penentuan Kebaikan Metode
Analisis cluster memperoleh hasil pengelompokan yang
optimal apabila objek dalam satu cluster memiliki sifat yang homogen
dan heterogen untuk antar cluster. Statistik yang digunakan untuk
menilai kehomogenan adalah ragam atau dapat pula digunakan
simpangan baku.
Sebuah metode pengelompokan dikatakan baik apabila
memunyai nilai simpangan baku dalam cluster (Sw) yang minimum
dan nilai simpangan baku antar cluster (Sb) yang maksimum (Bunkers,
1996). Nilai rasio simpangan baku yang terkecil merupakan metode
yang memiliki kebaikan metode yang terbaik, sehingga semakin kecil
nilai rasio suatu metode, maka semakin baik metode yang digunakan.
Rumus simpangan baku dalam cluster (Sw) sebagai berikut:
𝑆𝑤 =1
𝑔∑ 𝜎𝑗
𝑔𝑗=1 (2.13)
Rumus simpangan baku antar cluster (Sb) sebagai berikut:
𝑆𝑏 = √1
𝑔−1∑ (�̅�𝑗 − �̅�)
2𝑔𝑗=1 (2.14)
keterangan:
g : banyak cluster yang terbentuk
𝜎𝑗 : simpangan baku cluster ke-j
�̅�𝑗 : rata-rata cluster ke-j
�̅� : rata-rata seluruh cluster
Rumus rasio simpangan baku:
𝑟𝑎𝑠𝑖𝑜 =𝑆𝑤
𝑆𝑏 (2.15)
1.3. Variabel dan Pengukuran Variabel
Penelitian yang dilakukan dibidang sosial erat melibatkan
variabel yang tidak dapat diukur secara langsung atau sering disebut
dengan variabel laten (unobservable). Variabel laten tersebut
menggunakan bantuan alat ukur yang disebut dengan kuisioner yang
diperoleh dari instrumen penelitian dengan memperhatikan tinjauan
secara konseptual dan studi empiris. Dalam menyusun kuisioner harus
mengetahui definisi konseptual dan operasionalnya terlebih dahulu.
Selanjutnya, peneliti menyusun indikator-indikator penyusunnya
14
sesuai dengan definisi konseptual dan operasionalnya. Data variabel
laten diperoleh dari setiap item pada masing-masing indikator
instrumen penelitian (Solimun, 2010). Data yang diperoleh dari setiap
item tersebut disamakan dengan variabel manifes atau variabel
observable. Terdapat beberapa metode yang dapat digunakan dalam
memperoleh data variabel laten, yaitu rata-rata skor, total skor,
Rescoring, skor faktor dan skor komponen utama. Pada penelitian ini
menggunakan metode rata-rata skor yang merupakan metode dengan
cara menghitung rata-rata pada skor dari indikator masing-masing
variabel laten yang telah dijumlahkan.
Pada kuesioner terjadi proses kuantifikasi karena mengubah
data kualitatif menjadi data kuantitatif sehingga menghasilkan data
berupa angka. Pada kuesioner menggunakan beberapa macam skala,
sehingga dapat memudahkan dalam mendapatkan data. Skala yang
digunakan pada penelitian ini adalah skala likert yaitu skala untuk
mengukur variabel-variabel dibidang sosial. Penulisan pernyataan
terbagi menjadi dua, yakni pernyataan mendukung (favorable) dan
pernyataan tidak mendukung (unfavorable). Pernyataan yang
disajikan dalam kuisioner tersebut dapat dijawab oleh responden
dengan memilih respon dari sangat positif hingga respon sangat
negatif atau sebaliknya. Misalkan, dari sangat setuju hingga sangat
tidak setuju. Skor dari respon tersebut mulai dari 1 hingga 5.
Setelah data dalam bentuk skala likert, selanjutnya dilakukan
transformasi dengan menggunakan transformasi Method of Succesive
Internal (MSI). Langkah dalam menghitung menggunakan metode ini
adalah dengan melakukan perhitungan frekuensi, proporsi, proporsi
kumulatif pada masing-masing skor, menghitung nilai kritis Z dan
densitas Z, menghitung scale value dan skala yang digunakan.
1.4. Pemeriksaan Instrumen Penelitian
1.4.1. Validitas
Pemeriksaan validitas digunakan untuk mengetahui item pada
instrumen penelitian sudah valid atau tidak. Pemeriksaan validitas ini
perlu dilakukan agar hasil analisis sesuai dan tidak bias. Menurut
Solimun (2010), validitas instrumen digunakan untuk menunjukkan
suatu alat ukur mampu mengukur hal yang ingin diukur atau tidak.
Jenis-jenis validitas instrumen ada 3 tingkatan, yaitu:
1. Validitas isi, ditentukan berdasarkan teori-teori pada definisi
teoritis atau operasional variabel.
2. Face Validity, ditentukan berdasarkan pendapat pakar atau ahli.
15
3. Validitas Konstruk, diuji berdasarkan data hasil uji coba yang
berkaitan dengan kesanggupan suatu alat ukur dalam mengukur
suatu konsep yang diukurnya.
Untuk pemeriksaan validitas rumus yang digunakan adalah
Corrected Item-Total Correlation (Kline, 2000).
𝑟𝑖(𝑇−𝑖) =𝑟𝑇𝑖𝜎𝑇 − 𝜎𝑖
√(𝜎𝑖2 + 𝜎𝑇
2 − 2𝜎𝑖𝜎𝑇𝑟𝑇𝑖)
(2.16)
di mana:
𝑖 : 1,2,3…,𝑛
𝑛 : banyaknya item
𝑟𝑖(𝑇−𝑖) : koefisien korelasi item ke-𝑖 dengan total skor semua item
kecuali item ke-𝑖 𝑟𝑇𝑖 : koefisien korelasi item ke-𝑖 dengan total skor 𝑇
𝜎𝑇 : standar deviasi total skor
𝜎𝑖 : standar deviasi item ke-𝑖 Apabila nilai Corrected Item-Total Correlation item pertanyaan
lebih dari 0,3 maka suatu instrumen penelitian dapat dikatakan valid.
Setelah melakukan pemeriksaan validitas, instrumen penelitian juga
harus dilakukan pemeriksaan reliabilitas.
1.4.2. Reliabilitas
Reliabilitas adalah ukuran yang menunjukkan sejauh mana
suatu kuesioner mampu mengukur suatu variabel dengan secara
konsisten (Solimun dan Fernandes, 2017). Terdapat beberapa teknik
yang dapat digunakan untuk mengukur reliabilitas suatu instrumen
penelitian, salah satunya adalah teknik Cronbach Alpha. Teknik ini
biasanya digunakan untuk mengukur instrumen penelitian jika
jawaban yang diberikan responden berbentuk skala atau
menginterpretasikan penilaian sikap atau perilaku. Siregar (2014)
menjelaskan bahwa pengujian reliabilitas dengan teknik Cronbach
Alpha dilakukan dengan menggunakan rumus:
𝛼 = (𝑘
𝑘 − 1) (1 −
∑ 𝜎𝑖2
𝜎𝑡2 )
(2.17)
di mana:
𝑖 : 1,2,3…,𝑛
𝑡 : 1,2,3…,𝑘
16
𝑛 : banyaknya responden/pengamatan
𝑘 : banyaknya item pernyataan
𝜎𝑡2 : varian total
𝜎𝑖2 : varian item ke-𝑖
𝛼 : koefisien reliabilitas instrumen
Jika nilai 𝛼 ≥ 0,60 menunjukkan bahwa kuesioner adalah
reliabel (Malhotra, 1996). Pemeriksaan validitas dan reliabilitas ini
dilakukan pada uji coba instrumen atau pilot test. Menurut Morissan
(2012), sampel yang digunakan untuk uji coba tidak harus
representatif sesuai dengan teknik penarikan sampel yang sudah
ditentukan. Namun, responden yang dipilih setidaknya relevan untuk
menjawab pertanyaan pada kuisioner. Apabila suatu instrumen
penelitian sudah valid dan reliabel, maka instrumen penelitian tersebut
dapat digunakan untuk pengumpulan data atau penelitian selanjutnya.
Data yang diperoleh dari instrumen penelitian berupa kuisioner dan
tidak dapat langsung dianalisis karena merupakan variabel laten,
sehingga perlu dilakukan langkah-langkah selanjutnya untuk
memperoleh data variabel laten.
2.5. Variabel Penelitian
Variabel yang digunakan dalam penelitian kali ini adalah
dengan menggunakan pendekatan Sustainable Livelihood yang
disebarkan melalui kuesioner kepada masyarakat Desa Bendosari,
Kecamatan Pujon, Malang.
2.5.1. Aspek Ketahanan
Aspek ketahanan merupakan pembangunan suatu wilayah yang
memperhatikan aspek sosial, ekologi dan ekonomi. Menurut Fauzi
(2004), kosep ketahanan mengandung dua dimensi: Pertama adalah
dimensi waktu karena keberlanjutan menyangkut apa yang akan
terjadi di masa mendatang. Kedua adalah dimensi interaksi antara
Ketahanan Sosial, Ketahanan Ekologi dan Ketahanan Ekonomi.
a. Ketahanan Sosial
Ketahanan sosial dapat diartikan sebagai sistem yang mampu
mencapai kesetaraan, menyediakan layanan sosial termasuk bidang
kesehatan, bidang pendidikan, kesetaraan gender dan akuntabilitas
politik.
b. Ketahanan Ekologi
17
Ketahanan secara ekologi harus mampu memelihara
sumberdaya yang stabil, menghindari eksploitasi sumberdaya alam
dan fungsi penyerapan lingkungan.
c. Ketahanan Ekonomi
Ketahanan ekonomi diartikan sebagai pembangunan yang
mampu menghasilkan barang dan jasa secara berlanjut untuk
memelihara keberlanjutan pemerintah dan menghindari terjadinya
ketidakseimbangan produksi pertanian dan industri.
Ketiga aspek ketahanan di atas sangat mempengaruhi
pembangunan keberlanjutan dalam wilayah. Aspek Ketahanan
Ekonomi sangatlah bergantung pada Ketahanan Sosial dan Ketahanan
Ekologi. Apabila Ketahanan Ekonomi mengeksploitasi sumber daya
alam tanpa memperhatikan daya dukung lingkungan dan mengabaikan
norma-norma sosial, maka keberlanjutan wilayah pada saat sekarang
dan mendatang akan terancam.
18
19
BAB III
METODE PENELITIAN
1.1. Sumber Data
Data yang digunakan dalam penelitian ini adalah data primer
yang diperoleh melalui kuesioner yang disebarkan kepada masyarakat
Desa Bendosari, Kecamatan Pujon. Penyebaran kuesioner ini
bertujuan untuk mengeksplorasi dan mengetahui pemetaan potensi
Desa Bendosari berdasarkan pengukuran ketahanan sosial, ketahanan
ekonomi dan ketahanan ekologi untuk setiap RT Desa Bendosari,
Kecamatan Pujon. Total RT Desa Bendosari adalah sebanyak 23 RT.
3.2. Populasi, Sampel dan Teknik Sampling
Populasi dalam penelitian ini adalah seluruh masyarakat Desa
Bendosari, Kecamatan Pujon, Kabupaten Malang, Jawa Timur dengan
jumlah KK sebanyak 1.151 KK yang tersebar pada lima dusun yaitu
Ngeprih, Tretes, Cukal, Dadapan Wetan dan Dadapan Kulon.
Menurut Riduwan (2005), penentuan ukuran sampel minimal
dengan populasi diketahui dapat menggunakan rumus Slovin yang
didefinisikan sebagai berikut:
21 ( )
Nn
N e
(3.1)
di mana :
n : ukuran sampel
N : ukuran populasi
e : tingkat kesalahan yang masih bisa ditolerir antara 5-10%
(penelitian ini menggunakan 10%).
Berdasarkan Rumus Slovin pada persamaan (3.1), maka
formulasi perhitungan sampel minimum pada penelitian ini adalah :
2
115192,006 92
1 1151(0,1)n orang
Hasil perhitungan di atas menunjukan bahwa minimal sampel
yang diambil sebanyak 92 responden, pada penelitian ini sampel yang
diambil sejumlah 100 responden. Teknik sampling yang digunakan
adalah proportional area non-probability sampling yaitu
menggunakan accidental sampling. Menurut Arikunto dalam Solimun
(2017) proportional area berarti bahwa besarnya sampel setiap
wilayah proporsional atau sebanding dengan besarnya subjek wilayah
20
yang bersangkutan dan accidental sampling merupakan teknik
penentuan sampel berdasarkan kebetulan, yaitu siapa saja yang secara
kebetulan atau insidental bertemu dengan peneliti dapat digunakan
sebagai sampel, bila dipandang orang yang kebetulan ditemui itu
cocok sebagai sumber data. Penentuan pengambilan sampel adalah
sebagai berikut:
Populasi Sampeln Ukuran Sampel
Jumlah Populasi (3.2)
Berdasarkan rumus di atas maka pengambilan sampel untuk
setiap dusun di Bendosari adalah sebagai berikut:
Dusun Cukal:
46992 37.48 37
1151x orang
Dusun Dadapan Wetan:
12692 10.07 10
1151x orang
Dusun Dadapan Kulon:
34992 27.89 28
1151x orang
Dusun Ngeprih:
6192 4.87 5
1151x orang
Dusun Tretes:
14692 11.66 12
1151x orang
Berdasarkan rumus pada persamaan 3.2 maka didapatkan
perhitungan untuk sampel minimum pada masing-masing dusun
disajikan pada Tabel 3.1 sebagai berikut:
21
Tabel 3.1. Jumlah KK di Setiap Dusun
No Dusun RW RT Jumlah
(KK) Sampel
1 A1 RT 1 56 5
2 A2 RT 2 40 4
3 A3 RW 1 RT 3 47 4
4 A4 RT 4 66 6
5 A5 RT 5 53 5
6 B1 RT 1 63 6
7 B2 RT 2 45 4
8 B3 RW 2 RT 3 48 4
9 B4 RT 4 51 4
10 C1 RT 1 37 3
11 C2 RW 3 RT 2 25 2
12 C3 RT 3 33 3
13 C4 RT 4 31 3
14 D1 RT 1 59 5
15 D2 RT 2 42 4
16 D3 RT 3 63 5
17 D4 RW 4 RT 4 69 6
18 D5 RT 5 51 4
19 D6 RT 6 65 6
20 E1 RT 1 61 5
21 E2 RT 2 50 4
22 E3 RW 5 RT 3 45 4
23 E4 RT 4 51 4
Total 1.151 100
1.3 . Uji Coba Instrumen Penelitian
Instrumen penelitian yang baik harus bersifat valid dan
reliabel. Oleh karena itu, uji coba instrumen penelitian perlu dilakukan
sebelum digunakan untuk responden yang sebenarnya. Oleh karena
itu, uji coba instrumen penelitian perlu dilakukan sebelum digunakan
untuk responden yang sebenarnya. Menurut Mustafa (2009),
menyebutkan bahwa terdapat dua hal yang harus diperhatikan saat
melakukan uji coba instrumen penelitian yaitu:
1) Untuk menjamin hasil yang memadai, karakteristik responden
yang digunakan untuk uji coba instrumen penelitian harus benar-
22
benar mencerminkan karakteristik subjek sesungguhnya yang
mejadi target penelitian.
2) Banyaknya responden untuk uji coba instrumen penelitian
sekurang-kurangnya 30 responden.
3.3.1. Pilot Test Pertama
Pada uji coba instrumen penelitian (pilot test) yang pertama
melibatkan 30 responden yang tersebar di Desa bendosari. Responden
yang digunakan hanya berada di pusat desa yaitu Dusun Cukal, hal ini
dikarenakan akses menuju Dusun Cukal lebih mudah daripada Dusun
lain di Desa Bendosari. Berikut pada Tabel 3.2 merupakan ringkasan
dari hasil pilot test pertama:
Tabel 3.2. Pemeriksaan validitas dan reliabilitas pilot test pertama
Variabel Item tidak valid Cronbach’s
Alpha
Ketahanan
Sosial
3,4,6,7,8,10,11,13,14,17,19,
20,21,22,23,24,25,26,27,30,
31,32,33,34,35,38
0,414
Ketahanan
Ekonomi 1,2,3,5,9,10 0,599
Ketahanan
Ekologi 4,5 0,574
Berdasarkan Tabel 3.2. dapat diketahui bahwa variabel
Ketahanan Sosial belum bersifat reliabel karena nilai kurang dari 0.6.
Pada pemeriksaan validitas terdapat 26 item yang tidak valid. Pada
variabel tersebut, satu dimensi telah diwakili oleh banyak item
sehingga untuk menangani tidak valid dapat dilakukan dengan cara
membuang item yang tidak valid atau dengan cara memperbaiki
susunan kata sehingga lebih dimengerti oleh responden.
Variabel Ketahanan Ekonomi belum bersifat reliabel karena
nilai kurang dari 0,6. Pada pemeriksaan validitas terdapat 6 item yang
tidak valid. Pada variabel tersebut, satu dimensi telah diwakili oleh
banyak item sehingga untuk menangani tidak valid dapat dilakukan
dengan cara membuang item yang tidak valid atau dengan cara
memperbaiki susunan kata sehingga lebih dimengerti oleh responden.
23
Variabel Ketahanan Ekologi belum bersifat reliabel karena
nilai kurang dari 0,6. Pada pemeriksaan validitas terdapat 1 item yang
tidak valid. Pada variabel tersebut, satu dimensi telah diwakili oleh
banyak item sehingga untuk menangani ketidakvalidan dapat
dilakukan dengan cara membuang item yang tidak valid.
3.3.2. Pilot Test Kedua
Uji coba instrumen penelitian (pilot test) yang kedua
melibatkan 30 responden yang tersebar di Dusun Cukal di Desa
Bendosari. Pilot test kedua dilakukan untuk variabel yang belum valid
dan reliabel yaitu variabel Katahanan Sosial, Ketahanan Ekonomi dan
Ketahanan Ekologi. Berikut pada Tabel 3.3. merupakan ringkasan dari
hasil pilot test kedua:
Tabel 3.3. Pemeriksaan validitas dan reliabilitas pilot test kedua
Variabel Item tidak valid Cronbach’s
Alpha
Ketahanan
Sosial
3,4,7,8,10,14,20,21,22,23,24,
25,26,30,32,34 0,851
Ketahanan
Ekonomi 1,3,9 0,832
Ketahanan
Ekologi - 0,606
Setelah ada perbaikan susunan kata pada beberapa item dan
membuang beberapa item yang tidak valid pada variabel Ketahanan
Sosial, dilakukan pemeriksaan validitas dan reliabilitas kembali.
Berdasarkan Tabel 3.3 dapat diketahui ternyata masih terdapat item
yang tidak valid, sehingga item tersebut dihilangkan.
Perbaikan susunan kata pada beberapa item dan membuang
beberapa item yang tidak valid pada variabel Ketahanan Ekonomi,
selanjutnya dilakukan pemeriksaan validitas dan reliabilitas kembali.
Berdasarkan Tabel 3.3 dapat diketahui ternyata masih terdapat item
yang tidak valid, sehingga item tersebut dihilangkan.
Semua item pada variabel Ketahanan Ekologi sudah valid dan
reliabel sehingga variabel tersebut dapat dikatakan siap digunakan
untuk penelitian.
24
3.4. Metode Analisis Data
Langkah-langkah yang dilakukan dalam penelitian ini adalah
sebagai berikut:
1. Menentukan variabel yang digunakan untuk memecahkan
masalah dalam penelitian ini yaitu Ketahanan Sosial, Ketahanan
Ekonomi dan Ketahanan Ekologi.
2. Meninjau dan menentukan teori menurut para ahli sesuai dengan
variabel penelitian ini.
3. Menentukan skala yang akan digunakan.
4. Membuat kisi-kisi instrumen penelitian.
5. Membuat kuesioner penelitian seperti pada lampiran 1.
6. Menentukan populasi dan sampel yang akan digunakan sebagai
objek penelitian.
7. Melakukan uji coba (try out) instrumen penelitian.
8. Pemeriksaan validitas dan reliabilitas pada instrumen penelitian
seperti pada lampiran 2 dan lampiran 3.
9. Mengumpulkan data dengan menyebar kuesioner sesuai dengan
lampiran 4 kepada responden yang banyaknya sudah ditetapkan.
10. Mengubah skor menjadi skala dengan menggunakan MSI sebagai
input untuk analisis selanjutnya menggunakan skor baku rata-
rata.
Langkah-langkah yang digunakan dalam analisis biplot dan
analisis cluster adalah sebagai berikut:
1. Melakukan analisis deskriptif terhadap variabel-variabel yang
digunakan.
2. Menyusun matriks data X ukuran n p .
3. Membuat matriks L, V dan U dengan Singular Value
Decomposition (SVD) X=ULV’ pada persamaan 2.2.
4. Membuat matriks G dan H dari X = ULαL1-αV’=GH’dengan
menggunakan nilai α = 0,5 dalam persamaan 2.3.
5. Mengambil 2 kolom pertama dari masing-masing matriks G dan
H sehingga menjadi G2 dan H2 sebagai titik koordinat.
6. Melakukan analisis cluster menggunakan 3 metode pautan
seperti pada sub-sub bab 2.2.3 dan jarak Euclidean seperti pada
sub-sub bab 2.2.2.
7. Menentukan banyak cluster pada setiap metode seperti pada
2.2.4.
8. Menghitung nilai rasio antara simpangan baku dalam cluster dan
simpangan baku antar cluster seperti pada sub bab 2.2.4.
25
9. Memilih metode terbaik berdasarkan nilai rasio yang terkecil
seperti pada sub bab 2.2.5.
10. Membuat grafik koordinat dari masing-masing matriks G2 dan H2
yang terbentuk, dimana setiap baris dari G2 merupakan koordinat
(x,y) untuk setiap obyek dan H2 merupakan koordinat (x,y) untuk
setiap variabel.
11. Menghitung keragaman yang dapat dijelaskan oleh biplot dengan
melihat nilai kumulatif keragaman sesuai persamaan 2.2.5.
12. Selesai.
26
3.5. Diagram Alir
Pengumpulan data
A
Mengubah skor data menjadi skala
MSI
Apakah kuesioner
telah valid dan
reliabel?
Memperbaiki
kuesioner
Menentukan variabel penelitian
Uji coba instrumen penelitian
Menentukan teori sesuai permasalahan
Menentukan sampel dan populasi
Merancang instrumen penelitian
Mulai
Memeriksa validitas dan reliabilitas
Ya
Tidak
27
Analisis Deskriptif
Penentuan banyak Cluster
Menentukan metode pautan terbaik
Single Linkage Average Linkage
Analisis Cluster
A
Complete Linkage
Membuat grafik koordinat untuk
Obyek dan Indikator
A
28
Gambar 3.1 Diagram Alir Analisis Biplot dan Cluster
Uji Kumulatif Keragaman Biplot
Interpretasi
Selesai
A
29
BAB IV
HASIL DAN PEMBAHASAN
4.1. Deskripsi Data
4.1.1. Data Ketahanan Sosial, Ekonomi dan Ekologi
Data ketahanan sosial, ketahanan ekonomi, dan ketahanan
ekologi adalah data primer yang diperoleh dari hasil penyebaran
kuesioner. Data kuesioner berupa data skor dengan rentang antara 1
sampai 5. Angka tersebut hanya menunjukkan taraf kesetujuan subjek
penelitian terhadap pernyataan pada kuesioner. Agar data kuesioner
bisa memberikan suatu arti terhadap subjek penelitian, perlu dilakukan
transformasi skor menjadi skala dengan menggunakan MSI yang akan
memiliki nilai dengan rentang 1 sampai 5. Analisis Deskriptif dari 10
Indikator dapat dilihat pada Tabel 4.1.
Tabel 4.1. Analisis Deskriptif dari 10 Indikator
No Indikator Rata-rata
1. Kesehatan 3,528
2. Pendidikan 2,664
3. Modal Sosial 3,131
4. Pemukiman 3,491
5. Pusat Pelayanan Perdagangan 2,424
6. Akses Distribusi 2,326
7. Lembaga Ekonomi 2,907
8. Keterbukaan Wilayah 2,765
9. Kualitas Wilayah 3,703
10. Tanggap Bencana 2,936
30
Pada Tabel 4.1 indikator pusat pelayanan perdagangan dan
akses distribusi rata-rata skor masing-masing adalah dalam kondisi
rendah, sedangkan pada indikator pendidikan, tanggap bencana,
keterbukaan wilayah, lembaga ekonomi, pemukiman, modal sosial
dan pendidikan dalam kondisi sedang serta indikator kesehatan dan
kualitas wilayah yang merupakan pada posisi tinggi atau baik.
4.2. Analisis Biplot
4.2.1. Menyusun Matriks n x p
Penelitian ini menggunakan data primer yang diperoleh dari
kuesioner dengan skala likert. Analisis biplot didasarkan pada
penguraian nilai singular pada data yang sudah terkoreksi terhadap
rata-rata. Sehingga input pada analisis biplot berupa matriks rataan,
matriks yang berisi rataan dari setiap peubah pada setiap objek atau
matriks data dari n objek dan p indikator. Data input ditunjukkan pada
Lampiran 5 yang terdiri dari 23 objek dan 10 indikator.
Kemudian penguraian nilai singular seperti pada persamaan
(2.6) didapatkan matriks L yang merupakan matriks diagonal, dimana
diagonal utama merupakan dua nilai eigen value terbesar. Matriks U
dan matriks V yang merupakan matriks dengan kolom berupa vektor
eigen dari matriks X Xdan XX' . Koordinat dari indikator dan objek
dari analisis biplot dimensi dua dapat diketahui dengan menentukan
matriks G dan H yang diplotkan dalam grafik Biplot. Hasil analisis
terdapat dalam Lampiran 6 dan berikut pada Gambar 4.1 merupakan
grafik analisis biplot:
31
Gambar 4.1. Grafik Analisis Biplot
Pada Gambar 4.1 dapat diketahui bahwa analisis biplot dapat
mengetahui secara detail pengelompokan obyek dan indikator.
Permasalahan yang memiliki banyak obyek maupun variabel
membutuhkan suatu metode analisis untuk mengelompokkan
indikator atau variabel tersebut ke dalam kelompok-kelompok yang
homogen dan mempermudah pemberian identitas kelompok variabel
atau indikator. Karakteristik pada analisis biplot tersebut kemudian
dikombinasikan dengan penambahan analisis cluster agar
mendapatkan interpretasi yang semakin baik.
4.3. Analisis Cluster
4.3.1. Penentuan Banyak Cluster
Metode pautan yang digunakan yaitu Single Linkage, Average
Linkage dan Complete Linkage dengan menggunakan ukuran jarak
Euclidean seperti pada persamaan (2.8). Penentuan banyak cluster
yang terbentuk didasarkan pada perubahan persentase di setiap
tahapan. Tahapan dengan perubahan persentase terbesar menunjukkan
tahapan dengan banyak cluster optimal yang terbentuk. Peneliti
menetapkan stopping rule sebesar 2-10 cluster. Berikut hasil cluster
pada setiap metode pautan.
RW1/RT1
RW1/RT4
RW1/RT5 RW2/RT1
RW2/RT2RW2/RT3
RW2/RT4
RW3/RT1
RW3/RT2
RW3/RT3
RW3/RT4
RW4/RT1
RW4/RT2
RW4/RT3
RW4/RT4
RW4/RT5
RW4/RT6
RW5/RT1RW5/RT2
RW5/RT3
RW1/RT2
RW1/RT3
RW1/RT4
Kesehatan
Pendidikan
Modal Sosial
Pemukiman
Pusat Perdagangan
Akses Distribusi
Lembaga Ekonomi
Keterbukaan Wilayah
Kualitas Wilayah
Tanggap Bencana
32
a). Metode Single Linkage
Metode ini didasarkan pada jarak minimum seperti pada
persamaan (2.9). Disajikan perubahan persentase setiap tahapan
berdasarkan Lampiran 7.
Tabel 4.2. Perubahan persentase metode Single Linkage
Tahap Jarak Perubahan Persentase
1 0,015 226,66%
2 0,049 14,28%
3 0,056 5,357%
4 0,059 3,390%
5 0,061 0,000%
6 0,061 16,393%
7 0,071 14,085%
8 0,081 2,469%
9 0,083 2,410%
10 0,085 5,882%
11 0,09 1,111%
12 0,091 8,791%
13 0,099 3,030%
14 0,102 4,902%
15 0,107 9,346%
16 0,117 0,855%
17 0,118 8,475%
18 0,128 21,875%
19 0,156 60,897%
20 0,251 12,351%
21 0,282 25,887%
22 0,355 -
Berdasarkan perubahan persentase pada Tabel 4.2 terlihat
bahwa perubahan persentase terbesar adalah 60,897%. Dengan
demikian proses pengelompokan dapat dihentikan pada tahapan ke-
19. Banyak cluster yang terbentuk adalah hasil pengurangan dari
33
objek yang diamati (n) dengan tahapan saat proses dihentikan
sehingga cluster yang terbentuk, yaitu 23-19 = 4 cluster.
Gambar 4.2. Dendogram Metode Single Linkage
Penentuan titik potong dapat dilihat dengan cara menentukan
selisih nilai jarak penggabungan terbesar. Pada metode Single
Linkage, titik potong jarak penggabungan kelompok berada pada nilai
0,156. Nilai penggabungan didapatkan dengan mengurangi nilai
penggabungan dari subjek terbesar ke terkecil maka akan didapatkan
nilai selisih masing-masing penggabungan. Selisih nilai
penggabungan terbesar kemudian sebagai patokan untuk menjadi titik
potong pada dendogram. Berdasarkan Gambar 4.2, dapat diketahui
bahwa cluster 1 terdiri dari 1 wilayah RT, cluster 2 terdiri dari 2
wilayah RT, cluster 3 terdiri dari 3 wilayah RT dan cluster 4 terdiri
dari 17 wilayah RT.
34
b). Metode Average Linkage
Metode ini didasarkan pada jarak rata-rata seperti pada
persamaan (2.10). Disajikan perubahan persentase setiap tahapan
berdasarkan Lampiran 8 sebagai berikut.
Tabel 4.3. Perubahan persentase metode Average Linkage
Tahap Jarak Perubahan Persentase
1 0,015 64,28%
2 0,042 40,476%
3 0,059 3,390%
4 0,061 0,000%
5 0,061 0,000%
6 0,061 11,475%
7 0,068 8,824%
8 0,074 12,162%
9 0,083 9,639%
10 0,091 6,593%
11 0,097 0,000%
12 0,097 5,155%
13 0,102 6,863%
14 0,109 21,101%
15 0,132 11,364%
16 0,147 2,041%
17 0,15 24,667%
18 0,187 25,134%
19 0,234 16,667%
20 0,273 8,791%
21 0,297 26,263%
22 0,375 -
Berdasarkan perubahan persentase pada Tabel 4.3 terlihat
bahwa perubahan persentase terbesar adalah 26,349%. Dengan
demikian proses pengelompokan dapat dihentikan pada tahapan ke-
21. Banyak cluster yang terbentuk adalah hasil pengurangan dari
35
objek yang diamati (n) dengan tahapan saat proses dihentikan
sehingga cluster yang terbentuk, yaitu 23-21 = 2 cluster.
Gambar 4.3. Dendogram Metode Average Linkage
Cara menentukan berapa banyak kelompok yang terbentuk
dengan melihat dendogram yaitu dengan memotong garis yang
memiliki nilai penggabungan terbesar dan melakukan perhitungan
nilai selisih dari subjek besar ke subjek kecil, didapatkan selisih nilai
jarak penggabungan terbesar ada pada objek ke 21, sehingga titik
potongnya sebesar 0,297. Berdasarkan Gambar 4.3, dapat diketahui
bahwa pada cluster 1 terdiri dari 4 wilayah RT dan cluster 2 terdiri
dari 19 wilayah RT.
c). Metode Complete Linkage
Metode ini didasarkan pada jarak maksimum seperti pada
persamaan (2.11). Disajikan perubahan persentase setiap tahapan
berdasarkan Lampiran 9 sebagai berikut.
36
Tabel 4.4. Perubahan Persentase Metode Complete Linkage
Tahap Jarak Perubahan Persentase
1 0,015 293,33%
2 0,059 3,389%
3 0,061 0,000%
4 0,061 0,000%
5 0,061 21,311%
6 0,074 12,162%
7 0,083 9,639%
8 0,091 1,099%
9 0,092 10,870%
10 0,102 13,725%
11 0,116 10,345%
12 0,128 13,281%
13 0,145 8,276%
14 0,157 13,376%
15 0,178 24,719%
16 0,222 29,730%
17 0,288 43,403%
18 0,413 20,097%
19 0,496 5,040%
20 0,521 53,935%
21 0,802 21,197%
22 0,972 -
Berdasarkan perubahan persentase pada Tabel 4.4 terlihat
bahwa perubahan persentase terbesar adalah 53,875%. Dengan
demikian proses pengelompokan dapat dihentikan pada tahapan ke-
20. Banyak cluster yang terbentuk adalah hasil pengurangan dari
objek yang diamati (n) dengan tahapan saat proses dihentikan
sehingga cluster yang terbentuk, yaitu 23-20 = 3 cluster.
37
Gambar 4.4. Dendogram Metode Complete Linkage
Cara menentukan berapa banyak kelompok yang terbentuk
adalah dengan melihat dendogram yang dilakukan dengan cara
memotong garis yang memiliki nilai penggabungan terbesar,
melakukan perhitungan nilai selisih dari objek besar ke objek kecil,
sehingga didapatkan selisih nilai jarak penggabungan terbesar ada
pada objek ke-20, sehingga titik potongnya sebesar 0,521.
Berdasarkan Gambar 4.4, dapat diketahui bahwa cluster 1 terdiri dari
2 wilayah RT, cluster 2 terdiri dari 4 wilayah RT dan cluster 3 terdiri
dari 17 wilayah RT.
4.4. Pemilihan Metode Terbaik
Untuk mengetahui kinerja 3 metode pautan digunakan dua nilai
simpangan baku, yaitu simpangan baku dalam kelompok (Sw) seperti
pada persamaan (2.13) dan simpangan baku antar kelompok (Sb)
seperti pada persamaan (2.14). Metode terbaik mempunyai nilai rasio
simpangan baku dalam kelompok (Sw) dan simpangan baku antar
kelompok (Sb) yang paling kecil.
38
Tabel 4.5. Rasio Simpangan Baku Setiap Metode Pautan
Metode Simpangan Baku
Rasio Sb Sw
Single Linkage 0,37 0,36 0,972
Average Linkage 0,57 0,46 0,807
Complete Linkage 0,51 0,31 0,607
Berdasarkan rasio simpangan baku dalam kelompok (Sw) dan
simpangan baku antar kelompok (Sb) pada Tabel 4.5 terlihat bahwa 3
metode memiliki nilai rasio yang berbeda. Metode Complete Linkage
memiliki hasil yang terkecil yaitu 0,607. Semakin kecil nilai rasio,
maka semakin baik metode tersebut. Dengan demikian, metode
Complete Linkage merupakan metode yang terbaik.
Apabila dilihat dari nilai rasio yang berbeda-beda untuk setiap
metode, dapat diketahui bahwa anggota setiap metode berbeda-beda.
Berdasarkan metode yang terbaik yaitu metode Complete Linkage,
diperoleh bahwa cluster 1 terdiri dari 2 wilayah RT dan cluster 2
terdiri dari 4 wilayah RT dan cluster 3 terdiri dari 17 wilayah RT.
4.5. Grafik Koordinat Objek dan Indikator
Setelah diketahui anggota masing-masing kelompok dan
metode Linkage yang terbaik selanjutnya adalah menentukan grafik
koordinat dari objek dan indikator. Koordinat dari objek dan indikator
analisis biplot dimensi dua diketahui dengan menggunakan matriks G
dan H yang diplotkan dalam grafik biplot. Berikut adalah grafik
analisis biplot pada metode Single Linkage yang merupakan metode
pautan (Linkage) terbaik.
39
Gambar 4.5. Grafik Metode Complete Linkage
4.6. Interpretasi
4.6.1. Keragaman Indikator
Nilai keragaman indikator sebanding dengan panjang vektor
yang terdapat dalam grafik biplot. Pada Gambar 4.1 ditunjukkan
panjang vektor variabel akses distribusi paling panjang diantara
indikator lain, maka keragaman indikator akses distribusi yang paling
tinggi. Indikator pendidikan memiliki keragaman yang tinggi setelah
keragaman indikator akses distribusi. Namun delapan indikator lain
belum terlihat jelas pada Gambar 4.1, maka dapat diketahui dari
perhitungan panjang vektor indikator dalam Tabel 4.6.
Pendidikan
Modal Sosial
Pemukiman
Pusat Perdagangan
Akses Distribusi
Lembaga Ekonomi
Keterbukaan Wilayah
Kualitas Wilayah
Tanggap Bencana
RW1/RT2RW1/RT3
RW1/RT1
RW1/RT4
RW1/RT5 RW2/RT1
RW2/RT2
RW2/RT3
RW2/RT4
RW3/RT1
RW3/RT2
RW3/RT3
RW3/RT4
RW4/RT1
RW4/RT2
RW4/RT3
RW4/RT4
RW4/RT5
RW4/RT6
RW5/RT1
RW5/RT2
RW5/RT3
RW5/RT4
Kesehatan
40
Tabel 4.6. Panjang Vektor Indikator Analisis Biplot
No Indikator Panjang Vektor
1. Kesehatan 0,3739
2. Pendidikan 0,4852
3. Modal Sosial 0,4529
4. Pemukiman 0,4299
5. Pusat Pelayanan Perdagangan 0,4568
6. Akses Distribusi 0,5391
7. Lembaga Ekonomi 0,4729
8. Keterbukaan Wilayah 0,4726
9. Kualitas Wilayah 0,3596
10. Tanggap Bencana 0,3912
Pada Tabel 4.6 dapat diketahui bahwa panjang vektor paling
pendek diantara kesepuluh indikator adalah kualitas wilayah.
Presentase indikator kesehatan, pendidikan, modal sosial,
pemukiman, pusat pelayanan perdagangan, lembaga ekonomi,
keterbukaan wilayah, kualitas wilayah dan tanggap bencana untuk
masing-masing RT adalah hampir sama besar.
Untuk mengetahui perhitungan secara keseluruhan dapat
dilihat pada Lampiran 10 yang merupakan panjang vektor indikator
dari matriks X .
4.6.2. Korelasi antar Indikator
Korelasi antar indikator ditunjukkan dengan nilai kosinus
sudut antar dua indikator. Jika kedua vektor saling membentuk sudut
mendekati 0 derajat maka indikator tersebut memiliki korelasi yang
positif sedangkan jika berlawanan arah dan membentuk sudut yang
lebar maka variabel tersebut berkorelasi negatif. Apabila kedua
indikator membentuk 90 derajat maka indikator tidak berkorelasi.
Berdasarkan pada Gambar 4.5 dapat diketahui bahwa
indikator kualitas wilayah membentuk sudut lancip atau berkorelasi
positif dengan beberapa indikator yaitu dengan indikator tanggap
bencana, pemukiman kesehatan, modal sosial dan pendidikan. Namun
kualitas wilayah berkorelasi negatif dengan pusat pelayanan
perdagangan, akses distribusi, lembaga ekonomi dan keterbukaan
wilayah. Hal tersebut berarti bahwa semakin baik kualitas wilayah
Desa Bendosari maka akan memberikan tanggap bencana yang cepat,
41
akses pemukiman yang lengkap, pelayanan kesehatan yang baik,
modal sosial yang aman dan nyaman serta akses pendidikan yang baik.
Indikator tanggap bencana berkorelasi positif dengan
beberapa indikator pemukiman, kesehatan, modal sosial, pendidikan
dan kualitas wilayah namun berkorelasi negatif dengan pusat
pelayanan perdagangan, akses distribusi, lembaga ekonomi dan
keterbukaan wilayah.
Indikator pemukiman seperti akses air bersih, sanitasi dan
listrik Desa Bendosari berkorelasi positif dengan variabel tanggap
bencana, kesehatan, modal sosial, pendidikan, tanggap bencana.
Akses Warga dalam memperoleh atau menggunakan fasilitas air
bersih, sanitasi maupun listrik yang baik cenderung membuat Desa
Bendosari menyediakan tanggap bencana yang cepat dan tanggap,
fasilitas dan pelayanan kesehatan yang baik, modal sosial yang baik,
akses pendidikan yang terjangkau dan tanggap bencana yang cepat
serta tersedia lembaga ekonomi yang berkembang.
Indikator kesehatan yang baik cenderung memiliki tanggap
bencana yang cepat dan tanggap, kualitas wilayah yang baik, fasilitas
dan pelayanan kesehatan yang baik, modal sosial yang baik, akses
pendidikan yang terjangkau, tanggap bencana yang cepat, lembaga
ekonomi yang berkembang serta adanya akses ditribusi atau logistik.
Kesehatan berkorelasi negatif dengan pusat pelayanan perdagangan
dan keterbukaan wilayah.
Indikator pendidikan berkorelasi positif dengan hampir
seluruh indikator kecuali tanggap bencana dan kualitas wilayah,
namun memiliki korelasi positif yang paling besar dengan modal
sosial. Hal ini berarti akses pendidikan yang baik cenderung membuat
Desa Bendosari memiliki modal sosial yang aman dan tentram.
Indikator lembaga ekonomi hampir berkorelasi positif
dengan seluruh indikator kecuali pada variabel tanggap bencana dan
kualitas wilayah, namun memiliki korelasi positif yang paling besar
dengan akses distribusi. Hal ini berarti tersedianya lembaga ekonomi
cenderung membuat Desa Bendosari memiliki akses distribusi yang
baik.
Indikator modal sosial memiliki korelasi positif terhadap
seluruh indikator kecuali indikator keterbukaan wilayah dan pusat
pelayanan perdagangan, namun memiliki korelasi positif terbesar
pada indikator kesehatan dan dan pendidikan. RT yang memiliki
kesejahteraan dan solidaritas sosial yang baik cenderung memiliki
42
pelayanan dan akses kesehatan yang baik dan akses pendidikan yang
baik.
Indikator pusat pelayanan perdagangan memiliki korelasi
positif dengan indikator keterbukaan wilayah, akses distribusi dan
lembaga ekonomi, namun memiliki korelasi negatif terhadap indikator
kesehatan, pendidikan, modal sosial, pemukiman, kualitas wilayah
dan tanggap bencana. RT yang mempunyai akses menuju pusat
perdagangan yang terjangkau atau dekat cenderung memiliki akses
transportasi dan jalan yang baik, mempunyai akses distribusi seperti
kantor pos yang dekat serta akses warga menuju lembaga ekonomi
rakyat yang terjangkau.
Indikator akses distribusi mempunyai korelasi positif
terhadap indikator pusat pelayanan perdagangan, keterbukaan wilayah
serta lembaga ekonomi. Namun indikator akses distribusi memiliki
korelasi negatif kualitas wilayah, tanggap bencana, pemukiman,
kesehatan, pendidikan dan kesehatan.
Indikator keterbukaan wilayah memiliki korelasi positif
yang cukup tinggi terhadap indikator pusat pelayanan perdagangan,
akses distribusi dan lembaga ekonomi. Namun berkorelasi negatif
terhadap indikator pendidikan, kesehatan, modal sosial, pemukiman,
kualitas wilayah dan tanggap bencana. RT yang memiliki kualitas
jalan yang baik dan transportasi umum yang mudah dijangkau
cenderung mengaharapkan adanya jasa pengiriman barang, mudah
dalam mengakses lembaga ekonomi (koperasi dan bank) serta akses
menuju pusat perdagangan yang mudah dijangkau.
4.6.3. Nilai Indikator Obyek
Nilai peubah pada suatu obyek dapat diketahui dengan
melihat letak obyek dekat dengan indikator pada grafik biplot. Desa
Bendosari terdiri dari 5 Dusun, yaitu Dusun Cukal, Dadapan Wetan,
Dadapan Kulon, Ngeprih dan Tretes yang terbagi menjadi 23 RT. Pada
Gambar 4.5 dapat diketahui bahwa setiap wilayah RT memiliki
kelebihan dan kelemahan pada masing-masing indikator. Posisi obyek
yang searah dengan suatu vektor indikator diinterpretasikan sebagai
besarnya nilai indikator untuk obyek yang searah. Semakin dekat
obyek dengan arah yang ditunjukkan suatu indikator, semakin tinggi
nilai indikator untuk obyek dan berlaku sebaliknya.
Pada Dusun Cukal, RW1/RT2 dan RW1/RT3 memiliki
keunggulan pada indikator akses distribusi yang baik namun memiliki
43
kelemahan pada indikator kualitas wilayah dan tanggap bencana yang
buruk. RW1/RT4, RW1/RT5, RW2/RT4 mengelompok dengan
mencirikan keunggulan pada indikator pusat pelayanan perdagangan
dan keterbukaan wilayah baik, namun memiliki kelemahan yaitu
kualitas wilayah dan akses distribusi buruk. Sedangkan RW2/RT1 dan
RW4/RT3 memiliki kelebihan yaitu akses distribusi dan lembaga
ekonomi yang baik, namun masih memiliki kekurangan pada kualitas
wilayah dan tanggap bencana.
Pada Dusun Dadapan Wetan dan Dadapan Kulon, RW3/RT4
memiliki keunggulan pada kualitas wilayah dan tanggap bencana.
RW4/RT2 memiliki keunggulan atau menonjol pada pemukiman dan
tanggap bencana. Sedangkan RW4/RT6 menonjol pada indikator
tanggap bencana. Ketiga wilayah RT tersebut mengelompok dengan
mencirikan kelemahan pada pusat pelayanan perdagangan, akses
distribusi dan keterbukaan wilayah.
Pada Dusun Ngeprih dan Tretes, RW5/RT1 dan RW5/RT2
mengelompok dengan mencirikan keunggulan pada pemukiman dan
tanggap bencana yang baik. RW5/RT3 memiliki keunggulan pada
indikator kesehatan, modal sosial dan pemukiman. Sedangkan pada
RW5/RT4 memiliki keunggulan pada kualitas wilayah dan tanggap
bencana.
Selain obyek yang telah disebutkan, yaitu RW1/RT1,
RW2/RT2, RW2/RT3, RW3/RT1, RW3/RT2, RW3/RT3, RW4/RT1,
RW4/RT6 memiliki berbagai kelemahan yang perlu diperbaiki,
diantaranya adalah pada indikator kesehatan, pendidikan, modal sosial
dan pemukiman.
4.6.4. Kumulatif Keragaman Biplot
Kesesuaian analisis biplot didapatkan dengan menggunakan
persamaan (2.8). Besar kesesuaian analisis biplot dalam penelitian ini
adalah sebesar 0,6718 atau 67,18%. Hal tersebut dapat diketahui pada
Lampiran 6 yang menunjukkan nilai persentase keragaman pada absis
adalah sebesar 43,267% dan persentase keragaman ordinat sebesar
23,913%. Hasil output tersebut menenujukkan bahwa interpretasi
yang dihasilkan mampu menerangkan dengan baik dalam pemetaan
potensi Desa Bendosari, Kecamatan Pujon.
45
BAB V
KESIMPULAN & SARAN
5.1. Kesimpulan
Kesimpulan yang dapat diberikan berdasarkan hasil analisis
yaitu:
1. Metode pautan yang terbaik dalam pengelompokan potensi desa
(Ketahanan Sosial, Ekonomi dan Ekologi) berdasarkan RT di
Desa Bendosari adalah metode pautan lengkap (Complete
Linkage), yaitu dengan nilai rasio simpangan baku dalam
kelompok dan simpangan baku antar kelompok sebesar 0,607.
Metode Complete Linkage menghasilkan 3 cluster yaitu pada
cluster 1 terdiri dari 2 wilayah RT, cluster 2 terdiri dari 4 wilayah
RT dan cluster 3 terdiri dari 17 wilayah RT.
2. Besar kesesuaian analisis biplot dalam penelitian adalah sebesar
0,6718 atau 67,18%. Hal ini menenujukkan bahwa interpretasi
yang dihasilkan mampu menerangkan dengan baik dalam
pemetaan potensi Desa Bendosari, Kecamatan Pujon. Pada hasil
pemetaan didapatkan bahwa setiap cluster di Desa Bendosari
memiliki karakteristik yang berbeda berdasarkan indikator pada
variabel Ketahanan Sosial, Ekonomi dan Ekologi Desa
Bendosari. Pada analisis cluster Hierarki dengan menggunakan
jarak Euclidian, berdasarkan pada data Ketahanan Sosial,
Ekonomi dan Ekologi Desa Bendosari terdapat 3 hasil
pengelompokan dari 3 metode pautan.
5.2. Saran
Beberapa saran yang dapat diberikan berdasarkan hasil
kombinasi analisis biplot dan analisis cluster yang ada, yaitu:
1. Untuk penelitian selanjutnya, sebaiknya peneliti dapat
menambahkan lebih banyak variabel yang sesuai dengan keadaan
sebenarnya, sehingga dapat memberikan pemetaan dan
pengelompokan objek dan variabel yang lebih bervariasi.
2. Hasil dari pemetaan dan pengelompokan dapat diberikan kepada
pihak pemerintah Desa Bendosari, Kecamatan Pujon, Kabupaten
Malang untuk melakukan pemerataan potensi Desa, yaitu dengan
melakukan peningkatan bantuan atau support terhadap
keunggulan masing-masing wilayah RT sesuai nilai indikator
46
karakteristik yang telah dipetakan dan melakukan perbaikan
terhadap kekurangan yang perlu diperbaiki.
47
DAFTAR PUSTAKA
Arikunto. 1996. Prosedur Penelitian Suatu Pendekatan Praktek.
Jakarta: Rineka Cipta.
Bunkers, M.J., Miller, J.R. dan Degaetand, A.T. 1996. Definition of
Climate Regions in The Nothern Pkins Using An Objective
Cluster Modification Technique. Journal of Climate vol 9,
Issue 1, page 130-146.
Everitt, B.S., Landau, S., Leese, M. dan Stahl, D. 2011. Cluster
Analysis Fifth Edition. United Kingdom : John Wiley and
Sons, Ltd.
Fauzi, A. 2004. Ekonomi Sumberdaya Alam dan Lingkungan: Teori
dan Aplikasi. Jakarta : Gramedia.
Hair, J.F., Black, W.C., dan Anderson, R.E., 1998. Multivariate Data
Analysis. New Jersey: Prentice Hall.
Hair, J.F., Anderson, R.E., Thatham dan Black, W.C. 2010.
Multivariate Data Analysis Fifth Edition. New Jersey:
Prentice Hall International, Inc.
Johnson, R.A. dan Wichern, D.W. 2007. Applied Multivariate
Statistical Analysis Fifth Edition. New Jersey: Pretice Hall
International, Inc.
Jollife dan Rawlings. 1986. Principal Component Analysis. New
York: Springer.
Kline, P. 2000. The Handbook of Psychological Testing. Second
Edition. London: Routledge, New Fetter Lane.
Krebs, D., Breger, M. dan Ferlogoj, A. 2000. Approaching
Achievement Motivation Comparing Factor Analysis and
Cluster Analysis.
48
Laraswati, T. 2014. Perbandingan Kinerja Metode Complete
Linkage, Average Linkage, dan Metode K-Means Dalam
Menentukan Hasil Analisis Cluster. Skripsi. Universitas
Negeri Yogyakarta. Yogyakarta.
Malhotra, N.K. 1996. Marketing Research. Prentice-Hall
International, Inc. London.
Matjik, A.A. dan Sumertajaya, I.M. 2011. Sidik Peubah Ganda
dengan Menggunakan SAS. Bandung: IPB Press.
Morissan, M. A. 2012. Metode Penelitian Survey. Jakarta: Kencana.
Mustafa, Z. 2009. Mengurai Variabel hingga Instrumentasi.
Yogyakarta: Graha Ilmu.
Rancher, A.C. 2002. Methods of Multivariate Analysis. Canada:John
Wiley & Sons,Inc.
Riduwan. 2005. Skala Pengukuran Variabel-Variabel Penelitian.
Bandung: Alfabeta.
Santoso, S. 2010. Statistik Multivariat. Jakarta: Elex Media
Komputindo.
Sangren, S. 1999. A Survey Of Multivariate Methods Useful Of
MarketResearch.NewYork.http://www.quirks.com/articles/a
1999/19990501.aspx?searchID=19454982&sort=5&pg=1.
Tanggal akses: 8 Oktober 2017.
Siregar, S. 2014. Statistik Parametrik untuk Penelitian Kuantitatif.
Jakarta: Bumi Aksara.
Solimun. 2010. Analisis Multivariat Pemodelan Struktural. Malang:
CV. Citra Malang.
Solimun dan Fernandes, A.A.R. 2008. Modul Pelatihan Multivariate
Analysis. Malang: LPM UB.
49
Solimun dan Fernandes. A.A.R. 2017. Metode Statistika Multivariat:
Pemodelan Persamaan Struktural (SEM). Malang: UB
Press.
Suyanto, W.2015. Teknik Pengukuran Jarak Manhattan Pada
Analisis Kelompok Menggunakan Berbagai Metode Pautan
(Linkage). Skripsi. Universitas Brawijaya. Malang.
50