You are on page 1of 31

Analisis Multivariat II

BAB I PENDAHULUAN

1.1 Latar Belakang Indonesia memiliki penduduk yang sangat beragam. Berbagai macam ras, kebudayaan dan adat istiadat ada dalam negara Indonesia. Akan tetapi hal yang terpenting adalah Indonesia memiliki penduduk yang beragam dari berbagai macam suku yang tentunya memiliki berbagai macam perbedaan. Kebiasaan penduduk Indonesia pun sangat beragam sehingga pemerintah tentu saja harus memahami bagaimana kebiasaan dari setiap penduduk. Menurut Badan Pusat Statistik, penduduk di Indonesai mencapai 245 juta jiwa. Semakin lama, penduduk di Indonesia semakin meningkat. Pertumbuhan penduduk di Indonesia ini disebabakan oleh banyaknya kelahiran dan sedikitnya angka kematian. Menurut Badan Pusat Statistik, setiap tahun penduduk di Indonesia memiliki pertumbuhan sebesar 4 juta jiwa setiap tahunnya. Angka yang cukup banyak untuk pertumbuhan di negara berkembang. Dari 245 juta penduduk Indonesia tahun 2010, 24 juta diantaranya adalah penduduk lanjut usia. Dari jumlah penduduk di Indonesia, terdapat pengelompokan menurut usia. Hal ini diperlukan karena setiap kelompok usia memilki kebutuhan dan kebiasaan yang berbeda-beda. Misalnya saja untuk kelompok lanjut usia yang harus diperhatikan lebih oleh pemerintah. Penduduk yang termasuk lanjut usia adalah penduduk yang telah berumur 60 tahun. Mengingat penduduk lansia semakin lama semakin banyak, didasarkan perkiraan BPS pada tahun 2005 penduduk lansia cenderung bertambah atau ada perubahan struktur dari struktur penduduk muda ke struktur penduduk tua. Indonesia sendiri menduduki ranking keempat di dunia dengan jumlah lansia 24 tahun jiwa yang belum terlalu mendapat perhatian. Tidak hanya menghadapi angka kelahiran yang semakin meningkat, Indonesia juga menghadapi beban ganda dengan kenaikan jumlah penduduk lanjut usia (60 tahun keatas) karena usia harapan hidup yang makin panjang bisa mencapai 77 tahun. Dengan jumlah penduduk lanjut usia yang semakin besar, perlu adanya perhatian ekstra dari pihak pemerintah untuk permasalahan ini. Masalah penduduk lanjut usia ini dapat menjadi masalah besar atau peluang yang tidak kalah besarnya. Pertambahan jumlah penduduk lanjut usia akan menyebabkan perubahan berbagai sendi kehidupan, ekonomi,
Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster

Page 1

Analisis Multivariat II sosial kemasyarakatan, seperti kebutuhan hidup, makanan dan minuman. Untuk itu, perlu adanya stategi persiapan dan pemberdayaan atau pembinaan bagi penduduk lanjut usia agar dapat tetap aktif dan berkarya. Diperkirakan sekarang hanya ada 20% lansia yang sakit-sakitan, sedangkan sisanya 80% adalah lansia potensial yang masih bisa diberdayakan. Untuk dapat mengatasi hal tersebut dan agar lansia tetap produktif, pemerintah harus melakukan pembinaan terhadap provinsi-provinsi di Indonesia yang memiliki cukup banyak lansia. Pembentukan wilayah pembinaan untuk permasalahan lansia perlu dilakukan agar pemerintah dapat mengetahui wilayah mana saja yang harus mendapatkan pembinaan terdahulu berdasarkan karakteristik dari keterlantaran penduduk lanjut usia. Hal ini dilakukan agar penduduk lanjut usia tetap produktif.

1.2 Identifikasi Masalah Berdasarkan latar belakang penelitian di atas, maka masalah-masalah yang ingin diteliti dalam penelitian ini adalah sebagai berikut: 1. Provinsi mana sajakah yang memiliki kesamaan karakteristik dalam penanganan masalah penduduk lanjut usia? 2. Provinsi mana sajakah yang harus lebih diperhatikan oleh pemerintah? 3. Bagaimana karakteristik objek pada setiap kelompok ?

1.3 Tujuan Penelitian Tujuan dari pembuatan makalah ini adalah sebagai berikut: 1. Membagi atau mempartisi provinsi-provinsi di Indonesia menjadi dua kelompok yaitu kelompok lanjut usia yang diperhatikan dan kelompok lanjut usia yang tidak diperhatikan. 2. Mengidentifikasi provinsi-provinsi mana saja yang memiliki kesamaan karakteristik dalam hal ini mengenai kelompok penduduk lanjut usia

Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster

Page 2

Analisis Multivariat II 1.4 Manfaat Penelitian Manfaat yang dapat di ambil dari penelitian ini adalah sebagai berikut : Untuk Pemerintah 1. Dapat mengetahui provinsi-provinsi mana saja yang perlu mendapat perhatian ekstra dari pemerintah. 2. Pemerintah dapat memilih langkah yang lebih baik untuk penanganan penduduk lanjut usia. Untuk penulis 1. Penulis dapat mengaplikasikan ilmu-ilmu yang telah dipelajari ke dalam kasus nyata. 2. Penulis dapat ikut serta dalam menangani masalah penduduk lanjut usia.

Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster

Page 3

Akan tetapi. J. Sejak saat itu.. Robert Adrian mulai mempertimbangkan distribusi normal bivariat dan Karl Pearson menemukan korelasi berganda. yang dikenal sebagai kontributor yang cukup besar untuk analisis statistik. Selanjutnya. Selama tahun-tahun berikutnya. Hotelling dan Maurice Bartlett membuat studi awal korelasi Page 4 Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster . menemukan Principal Component Analysis. variasi. salah satunya adalah Hotelling Transform oleh Harold Hotelling pada tahun 1933. ekonom dan statistik Herman Wold menemukan Nonlinear Iterative Partial Least Squares algorithm. sebab temuan serupa telah diterbitkan pada tahun 1923 oleh Fischer et al. Wold mengembangkan algoritma NIPALS ke metode Partial Least Squares regression (PLS) yang menjadi bagian inti dari software Umetric saat ini. atau NIPALS. SS Wilks menemukan prosedur untuk tes hipotesis tambahan pada rata-rata. Pada tahun 196.Analisis Multivariat II BAB II TINJAUAN PUSTAKA 2. Pekerjaan ini kemudian telah mengalami perubahan metode ke dalam alat analisis data umum ilmiah. dan dari sinilah data multivariate mulai dihitung. Kemudian. Diantaranya adalah pada awal abad 19. Svante Wold menyederhanakan algoritma PLS dan ditambah ke dalam interpretasi diagnostik pada tahun 1980. orisinalitas dalam karya Wold ’s H merupakan interpretasi dari partial least squares dan memiliki kemampuan untuk mencari nilai yang hilang. Banyak sekali tokoh-tokoh statistik yang berperan dalam perkembangan ilmu analisa multivariat. Terdapat pula Francis Galton yang memahami sifat korelasi dan kedekatan pada akhir abad 19. GU Natal dan lain-lain mempertimbangkan ukuran dari asosiasi dalam tabel kontingensi. Wishart menurunkan distribusi gabungan dari sampel varians dan covariances untuk sampel kecil yang bersifat normal multivariat. Langkah pertama dimulai pada sekitar tahun 1870 dalam paper berjudul Singular Value Decomposition oleh Eugenio Beltrami dan regresi linear oleh Sir Francis Galton. Harold Hotelling mengeneralisasi tabel t-statistik dan t-distribusi untuk masalah multivariat. Konsep ini tidak sepenuhnya baru. Karl Pearson.1 Sejarah Analisa Multivariat Analisis data multivariat telah berkembang pesat sejak munculnya komputer modern. dan analisis regresi. banyak penemuan penting yang mendukung penemuan analisa multivariat. dan covariances.

atau rasional). Analisis multivariat dalam statistik dikhususkan untuk summarization. Disinilah letak perbedaan antara multivariabel dan multivariat. dan interpretasi data ketika lebih dari satu karakteristik dari setiap unit sampel diukur. 2. ordinal. Disini kita akan lebih jauh berbicara mengenai apa itu analisis multivariate. Sifat keterkaitan tersebut dapat digunakan dalam prediksi. Pendapat lain mengatakan multivariat merupakan objek kajian pada statistika yang mempelajari perilaku dan hubungan antara dua atau lebih variabel.(Wikipedia) Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 5 .Analisis Multivariat II kanonik. PL Hsu. dan lain-lain menangani root distribution dan karakteristik tertentu yang berkaitan dengan masalah multivariat. Variabel-variabel itu saling terkait (berkorelasi) satu sama lain. Hampir semua proses pengumpulan data menghasilkan data multivariat. dimana datadata tersebut saling berhubungan dan memepengaruhi satu sama lain. Dasar dari kajian ini adalah analisis korelasi dan analisis regresi untuk dua variabel. dan analisis multivariat. sementara multivariat berbicara tentang hubungan antara banyak variabel bebas dengan suatu variabel terikat. Multivariat pasti melibatkan multivariabel tetapi tidak sebaliknya. DN Nanda. analisis bivariat. dan metode klasifikasi. Meyer Girshick. Analisis multivariat merupakan salah satu teknik statistik yang digunakan untuk memahami struktur data dalam dimensi tinggi. Kompleksitas yang muncul akibat penambahan variabel dan tipenya (nominal.2 Analisis Multivariat Tahap analisis data pada umumnya dapat dibagi menjadi tiga tahap. Penelitian lebih baru oleh SN Roy. estimasi. Prinsip yang sama kemudian dikembangkan untuk lebih dari dua variabel. Banyak perhatian juga telah diberikan kepada pengurangan data multivariat dan interpretasi melalui studi tentang analisis faktor dan komponen utama. terutama untuk korelasi kanonik dan analisis varians multivariat. Suatu masalah menggunakan analisa multivariat ketika terdapat banyak data. Ketiga tahap tersebut adalah deskriptif. analisis bivariat berbicara tentang hubungan antara dua variabel. Deskriftif berbicara mengenai gambaran suatu variabel. serta teknik penyaringan informasi yang bisa diambil menjadi kajian pembahasannya. representasi. Multivariabel yang saling berkorelasilah yang dikatakan multivariat. Disebut dimensi tinggi karena melibatkan lebih dari satu variabel. intercorrelations antara dua kelompok variat.

Analisis dependensi berfungsi untuk menerangkan atau memprediski variable – variable tergantung dengan menggunakan dua atau lebih variable bebas. harga dan saluran distribusi terhadap kepuasan pelanggan. hal inilah yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis dalam analisis cluster. dan analisis korelasi kanonik. yaitu analisis dependensi dan analisis interdependensi. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. analisis varian multivariate (MANOVA).1 Definisi Analisis Cluster Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. dan digabungkan dengan apa yang telah kami pelajari maka kami simpulkan bahwa Analisis statistik multivariat merupakan metode statistik yang memungkinkan kita melakukan penelitian terhadap lebih dari dua variable secara bersamaan dengan banyak variable bebas dan suatu variable terikat. Fokus dari analisis cluster adlah membandingkan objek berdasarkan set variabel.3 Analisis Cluster 2. Analisis multivariat digunakan karena pada kenyataannnya masalah yang terjadi tidak dapat diselesaikan dengan hanya menghubung-hubungkan dua variable atau melihat pengaruh satu variable terhadap variable lainnya. Sebagaimana contoh di atas. analisis diskriminan. keramahan petugas dan kejelasan memberikan informasi terhadap kepuasan dan loyalitas pelanggan. variable kepuasan pelanggan dipengaruhi tidak hanya oleh kualitas produk tetapi juga oleh harga dan saluran distribusi produk tersebut. Teknik analisis multivariat secara dasar diklasifikasi menjadi dua.Analisis Multivariat II Dari kedua pendapat diatas. analisis ini tidak mengestimasi set vaiabel secara empiris sebaliknya menggunakan setvariabel yang ditentukan oleh peneliti itu sendiri. Set variabel cluster adalah suatu set variabel yang merpresentasikan karakteristik yang Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 6 . misalnya pengaruh kecepatan layanan. Dengan menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh beberapa variable terhadap variable-variabel lainnya dalam waktu yang bersamaan.3. Contoh yang lain. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Contoh kita dapat menganalisis pengaruh variable kualitas produk. 2. Berbeda dengan teknik multivariat lainnya. Yang termasuk dalam klasifikasi ini ialah analisis regresi linear berganda.

yaitu : 1. Solusi cluster secara keseluruhan bergantung pada variabel-variaabel yang digunakan sebagai dasar untuk menilai kesamaan. anggota cluster untuk tiap penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih. 2.Analisis Multivariat II dipakai objek-objek.3 Proses Analisis Cluster Sebagaimana teknik multivariat lain proses analisis cluster dapat dijelaskan dalam enam tahap sebagai berikut : Tahap Pertama : Tujuan Analisis Cluster Tujuan utama analisis cluster adalah mempartisi suatu set objek menjadi dua kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.2 Cara Kerja Analisis Cluster Secara garis besar ada tiga hal yang harus terjawab dalam proses kerja analisis cluster. Dalam pembentukan kelompok/cluster dapat dicapai tiga tujuan. 2. Bagaimana membentuk cluster ? Prosedur yang diterapkan harus dapat mengelompokkan objek-objek yang memiliki kesamaan yang tinggi ke dalam sutau cluster yang sama. 2. dan ukuran asosiasi. Solusi analisis cluster bersifat tidak unik. yaitu ukuran korelasi. Karena kemampuan Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 7 . Bedanya dengan analisis faktor adalah bahwa analisis cluster terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada kelompok variabel. 3.3. Berapa banyak cluster/kelompok yang akan dibentuk ? Pada prinsipnya jika jumlah cluster berkurang maka homogenitas alam cluster secra otomatis akan menurun.3. Bagaimana mengukur kesamaan ? Ada tiga ukuran untuk mengukur kesamaaan antar objek. ukuran jarak. yaitu : A. Penambahan atau pengurangan variabelvariabel yang relevan dapat mempengaruhi substansi hasi analisisi cluster. Deskripsi klasifikasi (taxonomy description) Penerapan anallisis cluster secara tradisisonal bertujuan mengeksplorasi dan membentuk suatu klasisfikasi/taksonomi secara empiris.

Pemilihan pada Pengelompokan Variabel Tujuan analisis cluster tidak dapat dipisahkan dengan pemilihan variabel yang digunakan untuk menggolongkan objek ke dalam clucter-cluster. a. mengukur kesamaan. Identifikasi Hubungan (Relationship Identification) Hubungan antar objek diidentifikasi secara empiris. ukuran jarak. Pemilihan variabel harus sesuai dengan teori dan konsep yang umum digunakan dan harus rasional. Tahap Kedua : Desain Penelitian dalam Analisis Cluster Tiga hal penting dalam tahap ini adalah pendeteksian outlier. Rasionalitas ini didasarkan pada teoriteori eksplisit atau penelitian sebelumnya. A. Kesamaan antar objek merupakan ukuran korespondensi antar objek.Analisis Multivariat II partisinya analisis cluster dapat diterapkan secara luas. dan ukuran asosiasi. B. Dengan struktur yang terbatas observasi/objek dapat dikelompokkan untuk analisis selanjutnya. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster secara Page 8 . Variabel-variabel yang dipilih hanyalah variabel yang dapat mencirikan objek yang akan dikelompokkan dan spesifik harus sesuai dengan tujuan analisis cluster. b. dan standarisasi data. Cluster yang terbentuk merefleksikan struktur yang melekat pada data seperti yang didefinisikan oleh variabel-variabel. Meskipun secara empiris merupakan teknik eksplorasi analisis cluster dapat pula digunakan untuk tujuan konfirmasi. Pendeteksian Outlier Outlier adalah suatu objek yang sangat berbeda dengan objek lainnya. yaitu ukuran korelasi. Outlier menyebabkan menyebabkan struktur yang tidak benar dan cluster yang terbentuk menjadi tidak representatif. Ada tiga metode yang dapat diterapkan. B. tidak mewakili populasi umum. Penyederhanaan Data Penyederhanaan data merupakan bagian dari suatu taksonomi. Mengukur Kesamaan antar Objek Konsep kesamaan adalah hal yang fundamental dalam analisis cluster. dan adanya undersampling dapat pula memunculkan outlier. Struktur analisis cluster yang sederhana dapat menggambarkan adanya hubungan atau kesamaan dan perbedaan yang tidak dinyatakan sebelumnya. Outlier dapat digambarkan sebagai observasi yang secara nyata kebiasaan.

Ukuran Jarak Merupakan ukuran yang paling sering digunakan. Kesamaan antar objek dapat dilihat dari koefisien korelasi antar pasangan objek yang diukur dengan beberapa variabel. Ada beberapa tipe ukuran jarak antara lain jarak Euklidian. Diterapkan untuk data berskala metrik. b. namun jarang digunakan karena titik bertnya pada nilai suatu pola tertentu. standarisasi ndata dilakukan terhadap observasi/objek yang akan dikelompokkan. Cluster berdasarkan ukuran korelasi bisa saja tidak memiliki kesamaan nilai tapi memiliki kesamaan pola. Standarisasi Data Berbeda dengan standarisasi variabel. Ukuran yang paling sering digunakan adalah jarak Euklidian.Analisis Multivariat II a. Standarisasi Data a. b. dimana jarak yang besar menunjukkan sedikit kesamaan sebaliknya jarak yang pendek/kesil menunjukkan bahwa suatu objek makin mirip dengan objek lain. Ukuran Asosiasi Ukuran asosiasi dipakai untuk mengukur data berskala nonmetrik (nominal atau ordinal). padahal tisik berat analisis cluster adalah besarnya objek. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 9 . Ukuran Korelasi Ukuran ini dapat diterapkan pada data dengan skala metrik. jarak city-Box. Standarisasi Variabel Bentuk paling umum dalam standarisasi variabel adalah konversi setiap variabel terhadap skor atandar ( dikenal dengan Z score) dengan melakukan substraksi nilai tengan dan membaginyadengan standar deviasi tiap variabel. sedangkan cluster dberdasrkan ukuran jarak lebih memiliki kesamaan nilai meskipun polanya berbeda. Jarak Euklidian adalah besarnya jarak suatu garis lurus yang menghubungkan antar objek. C. dan jarak Mahalanobis. Bedanya dengan ukuran korelasi adalah bnahwa ukuran jarak fokusnya pada besarnya nilai. Sebenarnya merupakan ukuran ketidakmiripan. c.

Tahap Keempat : Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan Ada dua proses penting yaitu algoritma cluster dalam pembentukan cluster dan menentukan jumlah cluster yang akan dibentuk. Jumlah sampel yang diambil tergantung penelitinya. Penentuan metode mana yag akan Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 10 . Dua metode paling umum dalam algoritma cluster adalahmetode hirarkhi dan metode non hirarkhi.analisis cluster juga menetapkan adanya suatu asumsi. Kecukupan Sampel untuk merepresentasikan/mewakili Populasi Biasanya suatu penelitian dilakukan terhadap populasi diwakili oleh sekelompok sampel. Jika sebuah model terdapat multikolinieritas apabila R2 nya tinggi namun hanya sedikit atau bahkan tidak ada variabel bebasnya yang signifikasn pada pengujian t-statistik. Ada dua asumsi dalam analisis cluster. Multikolinieritas adalah adanya korelasi antara variabel bebas dengan variabel bebas lainnya.Analisis Multivariat II Tahap Ketiga : Asumsi-asumsi dalam Analisis Cluster Seperti hal teknik analisis lain. Algoritma Cluster Algoritma cluster harus dapat memaksimalkan perbedaan relatif cluster terhadap variasi dalam cluster.8. sehingga variabel-variabel yang bersifat multikolinieritas secara eksplisit dipertimbangkan dengan lebih seksama. seorang peneliti harus yakin bahwa sampil yang diambil representatif terhadap populasi. karena analisis ini baik jika sampel representatif. multikolinieritas terjadi jika korelasi antar variabelnya lebih besar dari 0. Keduanya mempunyai implikasi substansial tidak hanya pada hasil yang diperoleh tetapi juga pada interpretasi yang akan dilakukan terhadap hasil tersebut. yaitu : A. B Pengaruh Multukolinieritas Ada atau tidaknya multikolinieritas antar variabel sangat diperhatikan dalam analisis cluster karena hal itu berpengaruh. Multikolinieritas juga dapat dilihat melalui matriks korelasi antar variabelnya. Menurut gujarati. Sampel yang digunakan dalam analisis ckuster harus dapat mewakili populasi yang ingin dijelaskan.

Kemudian dua cluster yang terdekat kesamaannya digabung menjadi suatu cluster babru.Analisis Multivariat II dipakai tergantung kepada peneliti dan konteks penelitian dengan tidak mengabaikan substansi. yatiu : a. Metode Hirarkhi Tipe dasar dalam metode ni adalah aglomerasi dan pemecahan. membentuk sebuah pohon. Pertama gunakan metode hirarkhi kemudian dilanjutkan dengan metode non hirarkhi. dan seterusnya. Keuntungan metode hirarkhi adalah cepat dalam proses pengolahan sehingga menghemat waktu. A. Metode ini dikenal pula dengan nama pendekatan tetangga terdekat. ukuran jarak yang digunakan. Dalam metode aglomerasi tiap observasi pada mulanya dianggap sebagai cluster tersendiri sehingga terdapat cluster sebyak jumlah observasi. Pautan Tunggal (Single Linkage) Metode ini didasarkan pada jarak minimum. penggunaan metode non hirarkhi untuk titik bakal random secara nyata lebih buruk dari pada metode hirarkhi. sehingga jumlah cluster berkurang satu pada tiap tahap. dan termasuk variabel tak relevan atau variabel yang tidak tepat. selanjutnya observasi-observasi yang paling tidak sama dipisah dan dibentuk cluster-cluster yang lebih kecil. Hal penting dalam metode hirarkhi adalah bahwa hasil pada tahap sebelumnya selalu bersarang di dalam hasil pada tahap berikutnya. Hasilnya memiliki sedikit kelemahan pada data outlier. namun kelemahannya metode ini dapat menimbulkan kesalahan. Keduanya memiliki kelebihan sendiri-sendiri. teori dan konsep yang berlaku. Selain itu tidak baik diterapkan untuk menganalisis sampel dengan ukuran besar. Ada lima metode aglomerasi dalam pembentukan cluster. Sebaliknya pada metode pemecahan dimulai dari satu cluster besar yang mengandung seluruh observasi. Dimulai dengan dua objek yang dipisahkan dengan jarak paling pendek maka keduanya akan ditempatkan pada cluster pertama. Proses ini dilakukan hingga tiap observasi menjadi cluster sendiri-sendiri. Keuntungannya hanya dengan menggunakan titik bakal nonrandom. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 11 . Metode Non Hirarkhi memiliki keuntungan lebih daripada metode hirarkhi. Alternatif lain adalah dengan mengkombinasikan kedua metode ini.

Keuntungannya adalah outlier hanya sedikit berpengaruh jika dibandingkan dengan metode lain. Pautan Lengkap (Complete Linkage) Disebut juga pendekatan tetangga terjauh. Metode Non Hirarkhi Masalah utama dalam metoda non hirarkhi adalah bagaimana memilih bakal cluster. Dalam metode ini seluruh objek dalam suatu cluster dikaitkan satu sama lain pada suatu jarak maksimuma atau dengan kesamaan minimum. Bakal kedua adalah observasi lengkap berikutnya (tanpa missing data) yang dipisahkan dari bakal pertama oleh jarak minimum khusus. Bakal cluster pertama adalah observasi pertama dalam set data tanpa missing value. B. d. kemudian proses terus berlangsung seperti sebelumnya. b. Metode Ward (Ward’s Method) Dalam metode ini jarak antara dua cluster adalah jumlah kuadrat antara dua cluster untuk seluruh variabel. Ada tiga prosedur dalam metode non hirarkhi. Dasarnya adalah jarak maksimum. Parallel Threshold Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 12 . c. Harus disadari pengaruh pemilihan bakal cluster terhadap hasil akhir analisis cluster. Sequential threshold Metode ini dimulai dengan memilih bakal cluster dan menyertakan seluruh objek dalam jarak tertentu. Metode Centroid Jarak antara dua cluster adalah jarak antar centroid cluster tersebut. yaitu : a.Analisis Multivariat II b. Pautan Rata-rata (Average Linkage) Dasarnya adalah jarak rata-rata antar observasi. Centroid cluster adalah nilai tengah observasi pada variabel dalam suatu set variabel cluster. Metode ini cenderung digunakan untuk mengkombinasi cluster-cluster dengan jumlah kecil. Jika seluruh objek dalam jarak tersebut disertakan. e. bakal cluster kedua terpilih. pengelompokan dimulai dari tengan atau pasangan observasi dengan jarak paling mendekati jarak rata-rata.

seperti tes signifikansipada teknik multivariat lainnya.Analisis Multivariat II Metode ini memilih beberapa bakal cluster secara simultan pada permulaannya dan menandai objek-objek dengan jarak permulaan ke bakal terdekat.Sebenarnya tidak ada standar. B. kedua. c.prosedur pemilihan tujuan eksis. menyediakan suatu rata-rata untuk menilai korespondensi pada cluster yang terbentuk. Tahap Kelima : Interpretasi terhadap Cluster Tahap interpretasi meliputi pengujian tiap cluster dalam term untuk menamai dan menandai dengan suatu label yang secara akurat dapat menjelaskan kealamian cluster. Optimalisasi Metode ketiga ini mirip dengan kedua metode sebelumnya kecuali pada penandaan ulang terhadap objek-objek. Titik Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 13 . Pembuatan Profil ( PROFILING)Solusi Cluster Tahap ini menggambarkan karakteristik tiap cluster untuk menjelaskan cluster-cluster tersebut dapat dapat berbeda pada dimensi yang relevan. Karena tidak ada kriteria statistik internal digunakan untuk inferensia. profil cluster memberikan araha bagi penilainan terhadap signifikansi praktis. Proses validasi solusi cluster Proses validasi bertujuan menjamin bahwa solusi yang dihasilkan dari analisis cluster dapat mewakili populasi dan dapat digeneralisasi untuk objek lain. Proes ini dimulai dengan suatu ukuran yang sering digunakan yaitu centroid cluster. Membuat profil dan interpretasi cluster tidak hanya tidak hanya untuk memoeroleh suatu gambaran saja melainkan pertama. para peneliti telah mengembangkan beberapa kriteria dan petunjuk sebagai pendekatan terhadap permasalahan ini dengan memperhatikan substansi dan aspek konseptual. Pendekatan ini membandingkan solusi cluster dan menilai korespondensi hasil. Hal penting lain dalam tahap keempat adalah menentukan jumlah cluster yang akan dibentuk. Tahap Keenam: Proses Validasi dan Pembuatan Profil (PROFILING) Cluster A. Terkadang tidak dapat dipraktekkan karena adanya kendala waktu dan biaya atau ketidaktersediaan ibjek untuk analisis cluster ganda.

2. 2006). dewasa dan tua. tidak hanya dimulai dari suatu waktu tertentu. 2. Secara keseluruhan proses analisis cluster berakhir setelah keenam tahap ini dilalui. pendengaran kurang jelas.Analisis Multivariat II beratnta pada karakteristik yang secara signifikan berbeda antar clustre dan memprediksi anggota dalam suatu cluster khusus. Dimulai sejak manusia lahir bahkan sebelumnya dan umunya dialami seluruh makhluk hidup. pengelihatan semakin memburuk.4. yaitu anak. gerakan lambat dan figur tubuh yang tidak proporsional (Nugroho.1 Definisi Lansia Menua atau menjadi tua adalah suatu keadaaan yang terjadi didalam kehidupan manusia. Hasil analisis cluster dapat digunakan untuk berbagai kepentingan sesuai dengan materi yang dianalisis. akan tetapi penuaan pada tiap seseorang berbeda-beda tergantung pada berbagai faktor yang mempengaruhinya. Memasuki usia tua berarti mengalami kemunduran. yang berarti seseorang telah melalui tiga tahap kehidupannya. Menjadi tua merupakan proses alamiah. Menua merupakan proses penurunan fungsi struktural tubuh yang diikuti penurunan daya tahan tubuh. Tiga tahap ini berbeda. berlangsung secara terus menerus secara alamiah.4 Penduduk Lanjut Usia (Lansia) 2. WHO dan Undang-Undang Nomor 13 Tahun 1998 tentang kesejahteraan lanjut usia pada Bab 1 Pasal 1 Ayat 2 menyebutkan bahwa usia 60 tahun adalah usia permulaan tua. merupakan proses menurunnya daya tahan tubuh dalam menghadapi rangsangan dari dalam dan luar tubuh. gigi mulai ompong. Setiap orang akan mengalami masa tua.4. Faktor-faktor Page 14 Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster . Menua bukanlah suatu penyakit. misalnya kemunduran fisik yang ditandai dengan kulit yang mengendur.2 Fisiologi Lansia Proses penuaan adalah normal. rambut memutih. tetapi dimulai sejak permulaan kehidupan. tetapi merupakan proses yang berangsur-angsur mengakibatkan perubahan kumulatif. baik secara biologis maupun psikologis. Proses menua merupakan proses sepanjang hidup.

25 – 60 tahun atau 65 tahun.Analisis Multivariat II tersebut dapat berupa faktor herediter. 75 – 80 tahun (old).4. 18 atau 29 – 25 tahun. bahwa yang disebut lanjut usia adalah orang yang telah berumur 65 tahun ke atas.3 Batasan Lansia WHO (1999) menggolongkan lanjut usia berdasarkan usia kronologis/biologis menjadi 4 kelompok yaitu usia pertengahan (middle age) antara usia 45 sampai 59. lanjut usia dikelompokkan menjadi usia dewasa muda (elderly adulthood). Koesmanto Setyonegoro. usia dewasa penuh (middle years) atau maturitas. Undang-Undang No. dan usia sangat tua (Very old) di atas 90 tahun. lebih dari 80 (very old). Menurut Prof. lanjut usia (elderly) berusia antara 60 dan 74 tahun. 4 Tahun 1965 Pasal 1 seseorang dapat dinyatakan sebagai seorang jompo atau lanjut usia setelah bersangkutan mencapai umur 55 tahun. lanjut usia tua (old) 75 – 90 tahun. Sedangkan Nugroho (2000) menyimpulkan pembagian umur berdasarkan pendapat beberapa ahli. lanjut usia (geriatric age) lebih dari 65 tahun atau 70 tahun yang dibagi lagi dengan 70 – 75 tahun (young old). stress. Menurut Undang-Undang No. Dr. 2006) 2. status kesehatan dan lainlain (Stanley. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 15 . 13 Tahun1998 tentang kesejahteraan lansia bahwa lansia adalah seseorang yang mencapai usia 60 tahun keatas. nutrisi. tidak mempunyai atau tidak berdaya mencari nafkah sendiri untuk keperluan hidupnya sehari-hari dan menerima nafkah dari orang lain.

Langkah-langkah yang dilakukan adalah sebagai berikut: 1.3 Variabel Penelitian Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut: X1 : Persentase lansia yang tidak pernah sekolah/tamat SD di masing-masing provinsi X2 : Persentase lansia yang makan makanan pokok kurang dari 21 kali dalam seminggu di masing-masing provinsi X3 : Persentase lansia yang makan lauk pauk berprotein tinggi kurang dari 4 kali dalam seminggu di masing-masing provinsi X4 : Persentase lansia yang memiliki pakaian kurang dari 4 pasang di masing-masing provinsi X5 : Persentase lansia yang tidak mempunyai tempat tetap untuk tidur di masing-masing provinsi X6 : Persentase lansia yang bila sakit tidak siabati di masing-masing provinsi 3. 3. 3.4 Langkah-Langkah Penyelesaian Masalah Analisis data dibutuhkan untuk menjawab permasalahan dalam penelitian ini. Standarisasi Data 2.1 Populasi Populasi pada penelitian ini yaitu semua lansia yang terdapat pada masing-masing provinsi di Indonesia. 3. Uji K-Means Cluster a. Uji asumsi : seberapa besar sampel mewakili populasi (representativeness) dan ada tidaknya multicollinearity.2 Sumber Data Data yang kami gunakan pada penelitian ini bersumber dari BPS pada laporan Sosial Indonesia dari Supas dan Sakernas 1995. Tentukan jumlah K cluster Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 16 .Analisis Multivariat II BAB III METODOLOGI PENELITIAN 3.

Analisis Multivariat II b. Selengkapnya akan disajikan di bab IV. Kesimpulan Pada kasus ini. Jika anggota dari tiap pusat cluster tidak berubah. d. Inisialisasi K pusat cluster. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 17 . Interpretasi output 5. Cari data yang lebih dekat dengan pusat cluster dan tandai titik data tersebut di pusat cluster yang terdekat dan posisi pusat cluster dihitung kembali dengan rata-rata anggota dari setiap cluster. berhenti dan jika masih berubah kembali ke langkah c. 4. c. Cek semua data sekali lagi dan taruh setiap data yang terdekat dengan pusat cluster (pusat cluster tidak dihitung lagi). langkah-langkah analisis di atas akan dilakukan dengan bantuan software SPSS. dapat diperoleh secara acak.

01 2.28 31.78 16.67 30.72 11.28 23.48 18.2.78 18.58 X6 3.05 82.39 52.78 6.84 X5 2.43 51.97 4.17 2.48 58.56 12.58 16. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 18 .75 54.I.24 17. YOGYAKARTA JAWA TIMUR BALI NUSA TENGGARA BARAT NUSA TENGGARA TIMUR KALIMANTAN BARAT KALIMANTAN TIMUR KALIMANTAN SELATAN KALIMANTAN TENGAH SULAWESI UTARA SULAWESI TENGAH SULAWESI SELATAN SULAWESI TENGGARA IRIAN JAYA X1 63.42 3.64 9.48 0.17 19. 4.77 29.18 25.51 2.1 58.87 6.45 58.64 34.74 72.36 17.65 18.33 4.28 49.1 Sample Representativ Dalam kasus ini.27 30.29 2.29 38.78 5.46 28.2.37 X4 16.87 4. Sehingga dapat dikatakan bahwa sample representatif.58 1.34 50.72 3.6 9.28 33.7 1.9 1.09 56. PROVINSI SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG DKI JAKARTA JAWA BARAT JAWA TENGAH D.Analisis Multivariat II BAB IV HASIL DAN PEMBAHASAN 4.34 3.37 12.34 2.89 8.82 1.47 58.14 54.45 30.9 35.36 83.72 52.48 1.78 16.43 29.77 27.81 24.08 32.86 42.2 Multikolinieritas Untuk melihat ada atau tidaknya multikolinieritas antar variabel.29 10.94 24.57 2.31 7.37 76.13 6.59 56.68 7.77 25.95 27.05 3.72 75.62 Sumber : BPS pada laporan Sosial Indonesia dari Supas dan Sakernas 1995.6 18.79 20.66 6.99 46.03 17.91 70.48 35.07 6.55 4.2 1.13 29.84 2.74 48.65 52.07 1.77 1.84 79.47 3.89 8. Berikut in adalah korelasi antar variabel menggunakan software SPSS.37 80.69 2.45 1.32 X2 38.1 Data Berikut ini adalah data yang akan diolah menjadi cluster-cluster.18 4.67 48. yang digunakan adalah populasi.99 65.04 X3 35.37 16.93 73.55 5.01 77.67 38.13 57.15 87.11 1.17 1.02 35.69 71.93 3.76 5.7 17. digunakan korelasi antar variabel.48 60.25 11.96 86.2 Asumsi Analisis Cluster 4.01 0.3 76.23 50.64 37.8 70.92 87.76 77.32 3.19 30. 4.62 74.38 70.59 44.6 41.35 15.89 1.48 67.3 66.

(2-tailed) N x2 Pearson Correlation Sig.007 24 24 . provinsi di Indonesia akan dikelompokkan berdasarkan 6 kriteria keterlantaran lansia.368 24 .138 .048 .3 Analisis Cluster Analisis Cluster digunakan untuk mengelompokkan objek-objek yang memiliki kesamaan karakteristik.048 .401 .557 24 .192 .047 24 24 1 x2 -. 4. (2-tailed) N 24 -.124 .138 .823 24 1 x6 -.466 24 -.126 .222 .8. multikolinieritas terjadi jika korelasi antar variabelnya lebih besar dari 0. Setelah data distandardisasi.565 24 24 .565 24 .156 .007 24 . Dalam kasus ini.023 .126 . digunakan software SPSS yang bertujuan untuk mempermudah melakukan analisis.156 .192 .915 24 -.520 24 -. (2-tailed) N x4 Pearson Correlation Sig. Untuk pengujian analisis Cluster ini.207 .538(**) .169 .8. Menurut gujarati. artinya untuk pengujian selanjutnya dapat digunakan analisis Cluster.430 24 .023 . akan digunakan analisis cluster non-hierarki. (2-tailed) N x5 Pearson Correlation Sig.368 24 -. Kedua asumsi analisis cluster telah dipenuhi.296 24 .332 24 . (2-tailed) N x3 Pearson Correlation Sig.401 .116 .05 level (2-tailed).538(**) . artinya tidak ada multikolinieritas.332 24 -.409(*) .430 24 .01 level (2-tailed). Dari tabel diatas.466 24 .207 .222 .Analisis Multivariat II Correlations x1 x1 Pearson Correlation Sig.409(*) . dapat dilihat bahwa nilai korelasi di bawah 0.622 24 24 -.557 24 .589 24 1 x5 -.047 24 1 24 ** Correlation is significant at the 0.116 .296 24 .169 .124 .589 24 . * Correlation is significant at the 0.823 24 .106 . (2-tailed) N x6 Pearson Correlation Sig.052 24 1 x3 .052 24 . proses dilanjutkan dengan memilih metode pembentukan klaster.915 24 1 x4 -. yakni metode Non-Hierarchical Cluster LANGKAH Analyze  Classify  K-Means Cluster Page 19 Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster .520 24 -. Berikut ini adalah langkah-langkah untuk analisis cluster dalam software SPSS. Dalam kasus ini.622 24 .106 .

dan aktifkan kotak Anova Table. yang berisis nomor cluster untuk setiap kasus. aktifkan kotak cluster membership dan distance from cluster center. yang akan dilakukan pada tahapan akhir analisis cluster. Variables. zX4. yakni variabel qcl_1. dan variabel qcl_2 yang berisi jarak antara kasus tertentu dengan pusat cluster (cluster center) Variabel QCL_1 dan QCL_2 akan digunakan untuk pembuatan tabulasi silang (crosstab) dan grafik yang relevan. Ada dua option. Label Cases By. kemudian tekan tombol continue untuk kembali ke menu utama. Kemudian klik mouse pada kotak saves Kotak dialog saves memungkinkan hasil cluster disimpan dalam bentukvariabel baru di SPSS Data Editor. OUTPUT Dari proses clustering. dan perlakuan terhadap data yang missing (tidak lengkap). biarkan kotak initial cluster center tetap aktif. masukkan variabel provinsi c. zX2. yakni zX1.Analisis Multivariat II Pengisian: a. karena pengaktifan pilihan cluster membership. abaikan juga bagian yang lain. dan tekan OK untuk proses data. Dari tampilan menu utama cluster. maka ada dua output yang dihasilkan: a. Untuk itu. f. abaikan pilihan tersebut. yakni statistic yang berhubungan dengan hasil cluster. Lalu tekan tombol Continue untuk kembali ke menu utama. Hal ini berguna untuk proses profiling cluster. Output berupa tambahan dua variabel. Number of cluster atau jumlah cluster yang akan dibentuk adalah 2. karena semua data lengkap terisi. masukkan semua variable dengan awalan z. Sesuai kasus. dan zX6. zX5. b. d. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 20 . Klik mouse pada kotak Options Kotak dialog Options berisi berbagai pilihan (option) untuk proses analisis cluster yang bukan merupakan proses inti clustering. e. zX3. • Untuk Missing Values. Pengisian options: • Untuk Statistics.

99123 4.7096 1.I.3847 2.53812 2.31682 1. ANALISIS OUTPUT CLUSTER Proses awal clustering Quick Cluster Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 21 .21852 1.2856 1.88658 Hasil Output akan ditampilkan satu per satu dengan dilengkapi analisis pada pembahasan berikut ini.87971 1.32573 1.Analisis Multivariat II Provinsi SUMATERA UTARA SUMATERA BARAT RIAU JAMBI SUMATERA SELATAN BENGKULU LAMPUNG DKI JAKARTA JAWA BARAT JAWA TENGAH D.35413 1. YOGYAKARTA JAWA TIMUR BALI NUSA TENGGARA BARAT NUSA TENGGARA TIMUR KALIMANTAN BARAT KALIMANTAN TIMUR KALIMANTAN SELATAN KALIMANTAN TENGAH SULAWESI UTARA SULAWESI TENGAH SULAWESI SELATAN SULAWESI TENGGARA IRIAN JAYA QCL_1 1 1 1 1 2 1 1 1 2 1 1 1 1 1 2 2 2 1 1 1 2 2 2 2 QCL_2 1.50827 1.46873 1.76754 1.74154 1.24267 3.61146 2.21046 1.32904 1.53975 2.30903 0.59339 1.67673 3.62329 1.

dengan ketentuan: Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 22 . yang mengacu pada angka z. didapat hasil final cluster berikut ini. dengan analisis: ARTI ANGKA: Angka di atas terkait dengan proses standardisasi data sebelumnya. maka output ini tidak dianalisis.Analisis Multivariat II Output ini adalah tampilan pertama (initial) proses clustering data sebelum dilakukan iterasi. Karena nanti akan dihasilkan proses clustering sesudah iterasi yang justru adalah hasil akhir cluster. Hasil akhir proses clustering Output ini adalah akhir dari proses clustering. Setelah terjadi tiga tahapan iterasi (proses pengulangan dengan ketepatan lebih tinggi dari sebelumnya). PROSES ITERASI Tampilan ini adalah proses iterasi yang mencoba mengubah-ubah cluster yang ada sebelumnya (initial) sehingga menjadi lebih tepat dalam mengelompokkan 24 kasus tersebut.

seperti angka untuk variabel Z(X2) dikaitkan dengan rata-rata banyaknya lansia yang makan makanan pokok < 21X dalam seminggu dan standar deviasinya. adalah: (rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada seluruh provinsi) +( 0.01746 pada variabel Z(X1) menyatakan rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada cluster 2. tentunya dengan mengacu rata-rata dan standar deviasi variabel yang bersangkutan. angka -0.Analisis Multivariat II Angka negative berarti data di bawah rata-rata total Angka positif berarti data di atas rata-rata total Sebagai contoh. Perbedaan Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 23 . Sedangkan angka 0. Contoh Tafsiran Angka Pada Cluster: Dari proses cluster. Dengan demikian seterusnya untuk tafsiran data yang lain.01048 x standar deviasi rata-rata banyaknya lansia tidak pernah sekolah/tamat SD pada seluruh provinsi).01746 x standar deviasi rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada seluruh provinsi).01048 pada variabel Z(X1) menyatakan rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada cluster 1 adalah: X    z Dengan : X= rata-rata sampel (dalam hal ini rata-rata variabel pada cluster tertentu)  = rata-rata populasi  = standar deviasi Z = nilai standardisasi yang didapat pada SPSS Jika diterapkan pada variabel tidak pernah sekolah/tamat SD:  Rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada provinsiprovinsi di Cluster 1: (rata-rata banyaknya lansia tidak pernah sekolah/tamat SD pada seluruh provinsi) + (-0. terjadi 2 cluster atau 2 kelompok provinsi yang masing-masing kelompok tentunya mempunyai ciri yang berbeda satu dengan yang lain.

926 Demikian seterusnya bisa dilanjutkan dengan variabel Z(X2) untuk mengetahui rata-rata banyaknya lansia yang memakan makan-makanan pokok < 21X dalam seminggu di setiap cluster. bisa dilakukan dengan rumus di atas dan berdasar pada output Descriptives Statistics. sedangkan di cluster 2 angka positif. Sebelum menafsir isi setiap cluster. dan variabel yang lainnya. di mana terlihat: - Mean (Rata-rata) banyaknya lansia yang tidak pernah sekolah/tamat SD pada seluruh provinsi adalah 70.217 Dengan demikian: Rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada cluster 1 = 70. maka bisa dikatakan: Rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada cluster 1 lebih rendah dibandingkan rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD keseluruhan. angka adalah negatif. kemudian rata-rata banyaknya lansia yang makan lauk pauk berprotein tinggi<4X dalam seminggu di setiap cluster. terlebih dahulu diperlihatkan contoh penafsiran sebuah variabel.7133 Standar Deviasi banyaknya lansia yang tidak pernah sekolah/tamat SD pada seluruh provinsi adalah 12.01746 x 12. dengan dasar interpretasi berdasarkan tanda + dan – serta besaran angka itu sendiri.Analisis Multivariat II bisa ditelusuri per variabel.7133+(0.217) = 70.7133+(-0. yakni variabel Z(X1) atau variable tidak pernah sekolah/tamat SD . Untuk menghitung rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada setiap cluster.01048 x 12. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 24 .217) = 70. Karena pada cluster 1.585 Rata-rata banyaknya lansia yang tidak pernah sekolah/tamat SD pada cluster 2 = 70.

Cluster 1 Cluster 1 berisi provinsi yang memiliki karakteristik sebagai berikut:       Banyaknya lansia yang tidak pernah sekolah/tamat SD lebih sedikit dibandingkan dengan provinsi lain.1 Karakteristik Setiap Cluster a. Banyaknya lansia yang bila sakit tidak lebih sedikit dibandingkan dengan provinsi lain. Banyaknya lansia yang tidak mempunyai tempat tetap untuk tidur lebih sedikit dibandingkan dengan provinsi lain. sudah memadai jika dikatakan ‘lebih dari rata-rata’ atau ‘kurang dari rata-rata’. Banyaknya lansia yang memiliki pakaian <4 stel lebih banyak dibandingkan dengan provinsi lain. namun untuk penafsiran umum.3. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 25 . Banyaknya lansia yang memiliki pakaian <4 stel lebih sedikit dibandingkan dengan provinsi lain. seperti yang akan dilakukan pada bagian berikut untuk menggambarkan isi setiap cluster yang terbentuk. Banyaknya lansia yang memakan makanan pokok <21 kali dalam seminggu lebih sedikit dibandingkan dengan provinsi lain. Cluster 2 Cluster 2 berisi provinsi yang memiliki karakteristik sebagai berikut:      Banyaknya lansia yang tidak pernah sekolah/tamat SD lebih banyak dibandingkan dengan provinsi lain.Analisis Multivariat II Walaupun bisa diuraikan secara rinci satu demi satu variabel. 4. b. Banyaknya lansia yang makan lauk-pauk berprotein tinggi <4 kali dalam seminggu lebih sedikit dibandingkan dengan provinsi lain. Banyaknya lansia yang tidak mempunyai tempat tetap untuk tidur lebih banyak dibandingkan dengan provinsi lain. Banyaknya lansia yang makan lauk-pauk berprotein tinggi <4 kali dalam seminggu lebih banyak dibandingkan dengan provinsi lain. Banyaknya lansia yang memakan makanan pokok <21 kali dalam seminggu lebih banyak dibandingkan dengan provinsi lain.

langkah berikut adalah melihat apakah variabelvariabel yang telah membentuk cluster tersebut mempunyai perbedaan pada tiap cluster. Hal itu dilakukan dengan melihat outpu ANOVA berikut.2 Melihat Perbedaan Variabel Pada Cluster Yang Terbentuk Setelah terbentuk 2 cluster. Yogyakarta Kalimantan Tengah Kalimantan Barat Irian Jaya Bengkulu Jawa Timur Sulawesi Utara Kalimantan Timur Namun sekali lagi. Dari ciri-ciri kedua cluster di atas. yang akan disajikan dalam table berikut: Cluster 1 Cluster 2 Lansia Tidak Terlantar Lansia Terlantar Sumatera Utara Lampung Bali Sumatera Selatan Sulawesi Tengah Sumatera Barat DKI Jakarta Nusa Tenggara Barat Jawa Barat Sulawesi Selatan Riau Jawa Tengah Kalimantan Selatan Nusa Tenggara Timur Sulawesi Tenggara Jambi D. 4.Analisis Multivariat II  Banyaknya lansia yang bila sakit tidak lebih banyak dibandingkan dengan provinsi lain. Kolom cluster menunjukkan besaran between cluster mean. sedangkan kolom error menunjukkan besaran within cluster mean. penamaan cluster maupun penarikan kesimpulan dari isi cluster pada dasarnya bersifat subyektif dan tergantung tujuan penelitian. cluster 1 berisikan provinsi-provinsi yang lansianya tidak terlantar sedangkan cluster 2 berisikan provinsi-provinsi yang lansianya terlantar.I. sehingga kolom F adalah F BetweenMeans WithinMeans Interpretasi angka F dan signifikan: Page 26 Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster .3.

Hal ini berarti banyaknya lansia yang memiliki pakaian <4 stel tidak berbeda antara kedua cluster yang terbentuk.279 dengan nilai signifikansi adalah 0. Hal ini berarti banyaknya lansia yang tidak pernah sekolah/tamat SD tidak berbeda antara kedua cluster yang terbentuk. banyaknya lansia yang tidak mempunyai tempat tetap untuk tidur di kedua cluster yang terbentuk adalah sangat berbeda. banyaknya lansia yang makan lauk-pauk berprotein tinggi <4X dalam seminggu di kedua cluster yang terbentuk adalah sama. yang berarti signifikansi adalah tidak nyata.004.04 dengan nilai signifikansi adalah 0. Hal ini berarti banyaknya lansia yang makan makanan pokok <21 kali dalam seminggu sangat membedakan karakteristik kedua cluster. Atau bisa juga dikatakan. banyaknya lansia yang makan makanan pokok <21 kali dalam seminggu di kedua cluster yang terbentuk adalah sangat berbeda. c. Atau bisa juga dikatakan. dan angka signifikannya adalah di bawah 0. d. Pada variable X3 atau variable makan lauk-pauk berprotein tinggi <4 kali dalam seminggu nilai F adalah 0. Atau bisa juga dikatakan. Pada variable X4 atau variable memiliki pakaian <4 stel nilai F adalah 0. e. yang berarti signifikansi adalah nyata.843. yang berarti signifikansi adalah tidak nyata. semakin besar angka F suatu variabel.004 dengan nilai signifikansi adalah 0. Hal ini berarti banyaknya lansia yang tidak mempunyai tempat tetap untuk tidur sangat membedakan karakteristik kedua cluster. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 27 . Pada variable X1 atau variable tidak pernah sekolah/tamat SD nilai F adalah 0. Atau bisa juga dikatakan. yang berarti signifikansi adalah nyata.000.224 dengan nilai signifikansi adalah 0. Hal ini berarti banyaknya lansia yang makan lauk-pauk berprotein tinggi <4 kali dalam seminggu tidak berbeda antara kedua cluster yang terbentuk.05 maka semakin besar pula perbedaan variabel tersebut pada kedua cluster yang terbentuk.949. Atau bisa juga dikatakan. Pada variable X2 atau variable makan makanan poko <21 kali dalam seminggu nilai F adalah 21.742 dengan nilai signifikansi adalah 0.Analisis Multivariat II Pada prinsipnya. banyaknya lansia yang memiliki pakaian <4 stel di kedua cluster yang terbentuk adalah sama. Pada variable X5 atau variable tidak mempunyai tempat tetap untuk tidur nilai F adalah 10. Interpretasi Output : a.398. b. banyaknya lansia yang tidak pernah sekolah/tamat SD di kedua cluster yang terbentuk adalah sama. yang berarti signifikansi adalah tidak nyata.

3. sejumlah 24 provinsi. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 28 . banyaknya lansia yang bila sakit tidak diobati di kedua cluster yang terbentuk adalah sangat berbeda.Analisis Multivariat II f. 4. sebaliknya makin kecil angka F makin kecil perbedaan tersebut. dan mana yang tidak. Atau bisa juga dikatakan.05). semua kasus. Analisis hanya ingin mengetahui mana variabel yang signifikan perbedaannya. hingga sampai angka tertentu.801 dengan nilai signifikansi adalah 0. Perhatikan bahwa semakin besar angka F semakin menunjukkan perbedaan yang tajam antar-cluster. Dengan demikian. Hal ini berarti banyaknya lansia yang bila sakit tidak diobati sangat membedakan karakteristik kedua cluster. perbedaan itu bahkan sudah tidak ada lagi (angka Sig sudah di atas 0. sedangkan provinsi paling sedikit ada di cluster 2. Pada variable X6 atau variable bila sakit tidak diobati nilai F adalah 10. di sini tidak berarti variabel yang tidak signifikan akan dikeluarkan.3 Jumlah Anggota Di Setiap Cluster Dari table di atas terlihat bahwa provinsi terbanyak ada di cluster 1. yang berarti signifikansi adalah nyata.003. Namun demikian. lengkap terpeta pada kedua cluster. dengan tidak ada variabel yang hilang (missing).

pemerintah perlu mendahulukan daerah-daerah mana saja yang perlu mendapatkan perhatian khusus. banyaknya lansia yang memakan makanan pokok <21 X dalam seminggu lebih banyak dibandingkan dengan provinsi lain. banyaknya lansia yang memiliki pakaian <4 stel lebih banyak dibandingkan dengan provinsi lain. Sedangkan karakteristik cluster 2 adalah banyaknya lansia yang tidak pernah sekolah/tamat SD lebih banyak dibandingkan dengan provinsi lain. banyaknya lansia yang tidak mempunyai tempat tetap untuk tidur lebih banyak dibandingkan dengan Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 29 . banyaknya lansia yang bila sakit tidak lebih sedikit dibandingkan dengan provinsi lain. di bagi 2 cluster yang berisi wilayah yang dengan lansia tidak terlantar dan wilayah yang memiliki penduduk lansia terlantar.I. banyaknya lansia yang memakan makanan pokok <21 X dalam seminggu lebih sedikit dibandingkan dengan provinsi lain. banyaknya lansia yang makan lauk-pauk berprotein tinggi <4 X dalam seminggu lebih sedikit dibandingkan dengan provinsi lain. Untuk cluster 1 adalah wilayah yang memiliki penduduk lansia tidak terlantar dan cluster 2 adalah wilayah yang memiliki penduduk lansia yang terlantar. banyaknya lansia yang tidak mempunyai tempat tetap untuk tidur lebih sedikit dibandingkan dengan provinsi lain. Cluster 1 Cluster 2 Lansia Tidak Terlantar Lansia Terlantar Sumatera Utara Lampung Bali Sumatera Selatan Sulawesi Tengah Sumatera Barat DKI Jakarta Nusa Tenggara Barat Jawa Barat Sulawesi Selatan Riau Jawa Tengah Kalimantan Selatan Nusa Tenggara Timur Sulawesi Tenggara Jambi D. banyaknya lansia yang makan lauk-pauk berprotein tinggi <4 X dalam seminggu lebih banyak dibandingkan dengan provinsi lain. Yogyakarta Kalimantan Tengah Kalimantan Barat Irian Jaya Bengkulu Jawa Timur Sulawesi Utara Kalimantan Timur Karakteristik pada cluster 1 adalah banyaknya lansia yang tidak pernah sekolah/tamat SD lebih sedikit dibandingkan dengan provinsi lain.Analisis Multivariat II BAB V KESIMPULAN DAN SARAN 5. banyaknya lansia yang memiliki pakaian <4 stel lebih sedikit dibandingkan dengan provinsi lain. Tabel di bawah ini berisikan wilayah-wilayah yang masuk pada cluster 1 dan cluster 2.1 Kesimpulan Untuk menangani masalah penduduk di Indonesia. Untuk itu.

banyaknya lansia yang bila sakit tidak lebih banyak dibandingkan dengan provinsi lain. Untuk penulis. Sulawesi Tenggara dan Irian Jaya. Sulawesi Tengah. Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 30 . Kalimantan Timur. 5. Provinsi-provinsi yang masuk pada cluster 2 adalah Sumatera Selatan. Nusa Tenggara Timur. provinsi-provinsi pada cluster 2 perlu lebih mendapatkan perhatian yang ekstra agar memiliki penduduk lanjut usia yang produktif. Jawa Barat. Sulawesi Selatan.Analisis Multivariat II provinsi lain.2 Saran Untuk pemerintah. Kalimantan Barat. agar lebih bisa mengeksplor dan mengaplikasikan ilmu-ilmu statistika dalam berbagai bidang.

Buku Latihan SPSS Statistik Multivariat.php?file=BAB%20II%207305003.doc Pengelompokkan Penduduk Lanjut Usia di Indonesia Menggunakan Metode Analisis K-Means Cluster Page 31 .unipdu.pdf http://www.wordpress.eepis-its.singgih.Analisis Multivariat II DAFTAR PUSTAKA Santoso.id/public/ITS-Undergraduate-17290-1309105013-Paper.its.id/downlot. 2002.Elex Media Komputindo:Jakarta.pdf http://lecturer.com/2008/12/30/analisis-cluster/ http://statistikaterapan.pdf http://prayudho.digilib.ac.ac. http://digilib.com/2008/10/analisis-cluster.files.edu/~iwanarif/kuliah/dm/5Clustering.wordpress.