ii
Analisis Faktor dan Klaster
2016
Analisis Faktor dan Klaster
2016
HALAMAN JUDUL
TL-5154 ASPEK NON TEKNIS DALAM PENGELOLAAN LIMBAH
Makalah Hasil Analisis
ANALISIS FAKTOR DAN KLASTER
\
Disusun Oleh:
Bimastyaji Surya R 25315030
PROGRAM STUDI MAGISTER TEKNIK LINGKUNGAN
FAKULTAS TEKNIK SIPIL DAN LINGKUNGAN
INSTITUT TEKNOLOGI BANDUNG
2016
DAFTAR ISI
HALAMAN JUDUL i
DAFTAR ISI ii
1. PENDAHULUAN 1
2. TINJAUAN PUSTAKA 2
2.1. Analisis Faktor 2
2.2. Analisis Klaster 2
3. METODOLOGI 3
4. ANALISIS DAN PEMBAHASAN 6
4.1. Penyiapan Data 6
4.2. Analisis Faktor 6
4.3. Analisis Klaster 9
5. KESIMPULAN 13
DAFTAR PUSTAKA 13
PENDAHULUAN
Analisis faktor merupakan pendekatan statistik yang digunakan untuk menganalisis hubungan antara sejumlah variabel dengan pengelompokkan variabel yang berhubungan erat satu sama lain yang disebut faktor. Analisis faktor tergolong metode interdependensi yaitu metode yang digunakan untuk menganalisis hubungan antar objek dimana semua variabel berstatus sama, tidak ada variabel bebas yang menjadi prediktor bagi variabel tergantung, seperti yang terjadi pada regresi. Contoh lain dari metode interdependensi adalah analisis klaster dan multidimensional scaling. Pada dasarnya analisis faktor ini mencoba memberikan dimensi evaluasi yang lebih luas terhadap variabel-variabel terkait dengan permsalahan sehingga memudahkan penggambaran pola hubungan ataupun pengurangan data. Hal ini dilakukan dengan cara identifikasi hubungan yang terdapat dalam set variabel yang diobservasi. Tujuan utama penggunaan analisis faktor adalah untuk merangkum informasi yang terkandung dalam setiap variabel sehingga dapat menjadi suatu set yang lebih ringkas dengan kemudahan interpretasi dan meminimalkan informasi yang hilang dari masing-masing variabel (Teguh dan Prma, 2015).
Seperti yang telah disebutkan sebelumnya, analisis klaster meneliti hubungan interdependensi dimana pengaruh variabel bebas dipelajari secara bersama-sama maupun individu. Tujuan utama analisis klaster adalah untuk mengelompokkan objek (elemen) seperti misalnya orang, hambatan, partisipasi, produk, toko, perusahaan dan lain sebagainya ke dalam kelompok-kelompok yang relatif homogen berdasarkan suatu set variabel yang dipertimbangkan untuk diteliti. Objek di dalam kelompok harus relatif sama. Variabel pada analisis klaster harus jauh berbeda dengan objek dari klaster lain sehingga analisis klaster merupakan bagian depan dari analisis faktor dimana berfungsi untuk mereduksi banyaknya objek ke dalam klaster yang jumlahnya lebih sedikit dari objek asli yang diteliti misalnya 50 orang responden dikelompokkan menjadi 3 klaster dimana setiap klaster terdiri dari 10 orang (Sutanto, 2009; Silalahi, 2015).
Makalah ini menguraikan konsep dasar analisis faktor dan klaster dengan mengambil data dari tesis. Tahap-tahap analisis data diuraikan dengan model analisis klaster non hierarki dan penyederhanaan variabel. Tujuan analisis faktor dan klaster adalah untuk mengetahui dan memahami langkah-langkah pengerjaan analisis hingga sintesis dari suatu data penelitian sosial.
TINJAUAN PUSTAKA
Analisis Faktor
Analisis faktor merupakan teknik untuk menemukan hubungan beberapa variabel yang saling independen satu dengan yang lainnya sehingga bisa dibuat satu atau beberapa faktor yang lebih sedikit dari jumlah variabel awal. Tujuan dari analisis faktor adalah untuk mengidentifikasi adanya hubungan antar variabel dengan menguji korelasinya dan melakukan suatu proses pembentukan set faktor yang digunakan untuk menggantikan sejumlah variabel tertentu.
Aplikasi yang akan digunakan untuk analisis adalah Microsoft excel (deskriptif) dan SPSS untuk membuat faktor dan cluster dari data yang tersedia. Aplikasi SPSS membuat satu atau beberapa skor hasil analisis apakah suatu variabel dapat digunakan atau tidak. Prinsip utama dari analisis faktor adalah korelasi dimana asumsi yang digunakan adalah sebagai berikut :
Besar korelasi antar variabel independen harus cukup kuat yaitu misalnya diatas 0,5
Besar korelasi parsial atau antar dua variabel dengan menganggap tetap variabel yang lain harus kecil, dimana pada aplikasi SPSS data ini didapatkan dari pilihan Anti Image Correlation.
Pengujian sebuah matriks korelasi / korelasi antar variabel diukur dengan Bartlett Test of Sphericity atau Measure Sampling Adequacy yang mengharuskan adanya korelasi yang signifikan antar ariabel (syarat analisis lanjutan).
Analisis faktor dengan cara mengekstrak satu atau lebih faktor. Intrepretasi atas faktor yang telah terbentu, khususnya memberi nama faktor yang telah terbentuk dengan cara mencari kata-kata yang dianggap dapat mewakili variabel-variabel dalam faktor tersebut.
Validasi hasil faktor dilakukan dengan cara membagi sampel awal menjadi dua bagian, kemudian membandingkan hasil faktor sampel satu dengan dua, jika hasil diketahui tidak banyak perbedaan maka dapat dikatakan faktor yang terbentuk telah valid atau dengan melakukan metode Confirmatory Factor Analysis (CFA) dengan cara Structural Equation Modelling. (Yuliandi, 2013)
Analisis Klaster
Analisis klaster merupakan teknik multivariate yang mempunyai tujuan untuk mengelompokkan objek berdasarkan karakteristik yang dimilikinya. Analisis klaster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam klaster yang sama. Klaster yang terbentuk haruslah memiliki kesamaan persebaran data / homogenitas baikk internal maupun eksternal yang tinggi. Berbeda dengan teknik multivariate lainnya, analisis ini mengestimasi set variabel yang ditentukan oleh peneliti itu sendiri. Fokus dari analisis klaster adalah membandingkan objek berdasarkan set variabel. Set variabel klaster adalah suatu set variabel yang merepresentasikan karakteristik yang dipakai oleh objek-objek. Perbedaan mendasar analisis klaster dan faktor adalah fokus dari analisis klaster terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada pengelompokan variabel.
Solusi analisis klaster bersifat khusus, dimana anggota klaster bergantung pada beberapa elemen prosedur dan solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih. Solusi klaster secara keseluruhan bergantung pada variabel yang digunakan sebagai dasar untuk menilai kesmaaan. Penambahan ataupun pengurangan variabel yang relevan dapat mempengaruhi substansi hasil analisis klaster. Pengelompokkan data yang dilakukan dalam analisis klaster mencakup kesamaan jarak, pembentukan klaster secara hierarki dan jumlah klaster. Metode pengelompokan analisis klaster meliputi metode hierarki dan non hierarki. Metode hierarki meruakan metode yang memulai pengelompokkan dengan dua atau lebih objek yang mempunyai kesamaan paling dekat kemudian diteruskan pada objek lain dan seterusnya sehingga membentuk semacam pohon yang memiliki tingkatan / hierarki yang jelas antar objek. Alat yang membantu memperjelas proses hierarki ini disebut dendogram. Metode non-hierarki dimulai dengan menentukan terlebih dahulu jumlah klaster yang diinginkan sehingga tidak mengikuti proses hierarki. Dalam SPSS, analisis ini dapat dilakukan dengan menggunakan K-Means Cluster. Asumsi yang harus dipenuhi dalam analisis klaster yaitu sampel yang diambil harus dapat mewakili populasi dan multikolinearitas (Yuliandi, 2013; Silalahi, 2015).
METODOLOGI
Data diperoleh dari tesis. Untuk memenuhi tujuan dari penulisan makalah, maka dilakukan analisis faktor dan klaster pada data yang telah dikumpulkan. Karena data banyak yang kosong, maka penyamaan data dilakukan dengan metode replace missing value dengan rata-rata kelompok data. Kemudian, analisis klaster dilakukan dengan mempertimbangkan beberapa hal termasuk di dalamnya validasi dan normalitas. Secara lengkap proses analisis faktor dapat dilihat pada gambar 1.
Gambar 1. Tahapan Pengolahan Data untuk Analisis Faktor
(Teguh dan Prma, 2015)
Analisis klaster terdiri dari beberapa tahapan meliputi (Hidayat, 2014):
Pemilihan pada Pengelompokan Variabel
Desain penelitian dalam analisis klaster, Tiga hal penting dalam tahap ini adalah pendeteksian outlier, mengukur kesamaan, dan standarisasi data. Bentuk paling umum dalam standarisasi variabel adalah konversi setiap variabel terhadap skor atandar (dikenal dengan Zscore) dengan melakukan substraksi nilai tengan dan membaginya dengan standar deviasi tiap variabel.
Asumsi-asumsi dalam analisis klaster: kecukupan sampel untuk merepresentasikan / mewakili populasi, ada atau tidaknya multikolinieritas antar variabel. Proses mendapatkan klaster dan menilai kelayakan secara keseluruhan. Pada penelitian ini digunakan metoda non hirarkhi dimana terdapat tiga prosedur dalam metode non hirarkhi, yaitu :
Sequential threshold
Metode ini dimulai dengan memilih calon cluster dan menyertakan seluruh objek dalam jarak tertentu. Jika seluruh objek dalam jarak tersebut disertakan, calon klaster kedua terpilih, kemudian proses terus berlangsung seperti sebelumnya.
Parallel Threshold
Metode ini memilih beberapa calon cluster secara simultan pada permulaannya dan menandai objek-objek dengan jarak permulaan ke bakal terdekat.
Optimalisasi
Metode ketiga ini mirip dengan kedua metode sebelumnya kecuali pada penandaan ulang terhadap objek-objek.
Interpretasi terhadap klaster. Tahap interpretasi meliputi pengujian tiap klaster dalam kasus untuk menamai dan menandai dengan suatu label yang secara akurat dapat menjelaskan kealamian klaster. Proses ini dimulai dengan suatu ukuran yang sering digunakan yaitu centroid cluster.
Proses validasi dan pembuatan profil (profiling) cluster
ANALISIS DAN PEMBAHASAN
Penyiapan Data
Data kesetujuan dan kesediaan masyarakat disiapkan untuk kemudian diolah menggunakan analisis faktor dan analisis klaster. Karena banyak terdapat data yang hilang, maka data yang ada dilengkai menggunakan menu Transform >> Replace Missing Value. Data yang didapatkan berasal dari sebaran data yang seragam dengan interval variansi yang kecil sehingga proses standarisasi menjadi tidak diperlukan. Standarisasi datadigunakan untuk menentukan relevansi data menggunakan z-score dari output dalam descriptive statistics. Analisis faktor bertujuan untuk simplifikasi variabel dari 27 variabel menjadi variabel yang lebih sedikit bergantung pada tingkat korelasinya. Analisis klaster digunakan untuk melihat karakterisitik data yang telah didapatkan, dibagi menjadi 2 dan 3 klaster (partisipasi rendah, sedang dan tinggi pada setiap aspek).
Analisis Faktor
Kesetujuan dan kesediaan masyarakat dipengaruhi oleh beberapa variabel, dimana dalam penelitian ini terdapat 27 variabel. Jumlah ini cukup banyak sehingga perlu disederhanakan. Analisis faktor dapat digunakan untuk menyederhanakan data menjadi beberapa kelompok data / faktor sehingga penyajian data menjadi lebih efisien. Syarat pelaksanaan analisis data menggunakan analisis faktor adalah hubungan antara sejumlah variabel-variabel saling bebas satu sama lain sehingga bisa dibuat satu atau lebih faktor yang lebih sedikit dari jumlah awal. Analisis faktor berguna untuk analisis lanjutan seperti misalnya analisis diskriminan. Analisis dilakukan secara terpisah antara aspek kesetujuan dan kesediaan masyarakat.
Tahap pertama dalam analisis faktor adalah menilai kelayakan variabel untuk dilakukan analisis selanjutnya menggunakan KMO, Bartlet's test of sphericity dan Anti Image Correlation. Pengujian dilakukan pada masing-masing aspek baik kesetujuan maupun kesediaan dimana hasil pertungan uji kelayakan variabel berada di atas 0,5 dengan signifikasnsi 0,00 yang berarti variabel tersebut dapat dianalisis dengan analisis faktor. Hasil serupa ditunjukkan pada nilai MSA yang cukup besar yaitu 0,7. Meskipun begitu, terdapat beberapa variabel yang memiliki Anti Image Correlation di bawah 0,5. Ada kemungkinan data - data tersebut dapat mengganggu proses faktorisasi walaupun setelah dicoba untuk dihilangkan, interdependensi antar variabel masih sangat kuat sehingga data tersebut dipertahankan dalam pembentukan faktor baru.
Analisis faktor adalah analisis dengan melakukan ekstraksi terhadap sekumpulan variabel yang ada sehingga terbentuk beberapa faktor. Terdapat perbedaan jumlah faktor yang terbentuk dimana aspek kesetujuan terbentuk 8 faktor sedangkan aspek kesediaan terbentuk 6 faktor dari jumlah variabel awal sebanyak 27. Eigenvalues menunjukkan kepentingan relatif masing-masing faktor dalam menghitung 27 variabel yang dianalisis dengan kriteria bahwa angka eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk. Pada aspek kesetujuan, terdapat 19 faktor yang direduksi atau dihilangkan karena 8 faktor telah dianggap merepresentasikan 70,458 % varians kesetujuan. Begitu juga pada aspek kesediaan, terdapat 21 faktor yang direduksi atau dihilangkan karena 6 faktor telah dianggap merepresentasikan 69,366 % varians kesediaan. Hasil ekstraksi variabel dapat dilihat pada tabel 1 dengan presentase varian yang dijelaskan oleh faktor yang terbentuk.
Tabel 1. Hasil Akhir Ekstraksi Aspek Kesetujuan dan Kesediaan (Rotated Component)
Kesetujuan
Kesediaan
Komponen
Eigenvalues
Komponen
Eigenvalues
Total
%Varians
%Kumulatif
Total
%Varians
%Kumulatif
1
3.398
12.548
12.584
1
5.470
20.260
20.260
2
2.896
10.726
23.310
2
3.334
12.349
32.609
3
2.799
10.366
33.676
3
3.333
12.346
44.955
4
2.321
8.596
42.272
4
2.635
9.759
54.714
5
2.052
7.602
49.874
5
2.488
9.215
63.929
6
1.912
7.080
56.954
6
1.468
5.437
69.366
7
1.824
6.754
63.708
8
1.822
6.750
70.458
Setelah diketahui jumlah faktor paling optimal untuk masing - masing aspek yang terbentuk, output tabel Component Matrix pada aplikasi SPSS menunjukkan distribusi variabel-variabel awal pada faktor yang terbentuk. Angka-angka yang tertera pada tabel tersebut adalah factor loadings, yang menunjukkan besar korelasi antara suatu variabel dengan setiap faktor yang terbentuk. Proses penentuan faktor mana yang akan ditempati suatu variabel dilakukan dengan membandingkan besar korelasi pada setiap baris. Hasil dari aplikasi SPSS menunjukkan bahwa angka pada output Component Matrix baik untuk aspek kesetujuan maupun kesediaan menunjukkan nilai korelasi yang tidak terlalu jelas sehingga perlu adanya proses rotasi (Rotated Component Matrix) agar perbedaan antar variabel untuk penempatan pada faktor tertentu.
Tabel 2. Distribusi Variabel Aspek Kesetujuan dan Kesediaan
Faktor
Variabel Pembentuk Kesetujuan
Penamaan
Faktor
Variabel Pembentuk Kesediaan
Penamaan
1
Kesetujuan menyumbang dana insinerator
Aspek Teknis Insinerator
1
Kesediaan memelihara kompos/DU
Aspek Pemeliharaan dan Pelaksanaan (O&M)
Kesetujuan insinerator
Kesediaan memelihara insinerator
Kesetujuan menyumbang tenaga insinerator
Kesediaan mengawasi insinerator
Kesetujuan pengawasan insinerator
Kesediaan memelihara TPS
Kesetujuan menyumbang tenaga kompos/DU
Kesediaan mengawasi kompos/DU
2
Kesetujuan pemeliharaan TPS
Aspek Pemeliharaan
Kesediaan mengawasi TPS
Kesetujuan pemeliharaan insinerator
Kesediaan memanfaatkan kemasan digunakan kembali
Kesetujuan pemeliharaan kompos/DU
2
Kesediaan memanfaatkan produk
Aspek Pemanfaatan
Kesetujuan pengawasan kompos/DU
Kesediaan memasarkankan produk
3
Kesetujuan kampanye hidup bersih
Aspek Sosialisasi
Kesediaan memilih bahan sisa sedikit
Kesetujuan gerakan kebersihan lingkungan
Kesediaan memilah sampah
Kesetujuan bimbingan
Kesediaan mengelola sebelum ke TPA
Kesetujuan mengelola sblm ke TPA
Kesediaan bimbingan
Kesetujuan membayar iuran sampah
3
Kesediaan menyumbang dana kompos/DU
Aspek Teknis Insinerator dan TPS
4
Kesetujuan penyebaran info pengelolaan sampah
Aspek Pelaksanaan
Kesediaan menyumbang tenaga kompos/DU
Kesetujuan kemasan digunakan kembali
Kesediaan menyumbang dana insinerator
Kesetujuan menyumbang dana kompos/DU
Kesediaan menyumbang tenaga insinerator
5
Kesetujuan menyumbang tenaga TPS
Aspek Teknis TPS
Kesediaan menyumbang dana TPS
Kesetujuan menyumbang dana TPS
Kesediaan menyumbang tenaga TPS
6
Kesetujuan TPS
Aspek Perencanaan
4
Kesediaan membayar iuran smph
Aspek Sosialisasi
Kesetujuan kompos/DU
Kesediaan kampanye hidup bersih
Kesetujuan pengawasan TPS
Kesediaan gerakan kebersihan lingkungan
7
Kesetujuan pemasaran produk
Aspek Pemanfaatan
Kesediaan menyebarkan info pengelolaan sampah
Kesetujuan pemanfaatan produk
5
Kesediaan lokasi TPS di lingkungannya
Aspek Perencanaan
Kesetujuan memilah sampah
Aspek Pengelolaan 3R
Kesediaan lokasi kompos/DU di lingkungan
Kesetujuan membawa wadah saat belanja
Kesediaan lokasi insinerator di lingkungan
Kesetujuan memilih bahan sisa sedikit
6
Kesediaan membawa wadah saat belanja
Aspek Pengelolaan 3R
Analisis Klaster
Objek dalam penelitian ini adalah kesetujuan dan kesediaan masyarakat dalam partisipasi masyarakat. Atribut dalam penelitian ini adalah jenis kelamin tetapi tidak dianggap mempengaruhi aspek-aspek pengelolaan sampah yang ada. Tahap awal dalam analisis klaster adalah mengelompokkan responden ke dalam kelompok - kelompok yang terbentuk dari hasil analisis aspek kesetujuan dan kesediaan. Tahap ini dilakukan menggunakan analisis klaster non hierarki, K-Means Cluster yang merupakan metode analisis dimana jumlah klaster ditentukan 2 dan 3.
Standarisasi data merupakan tahap awal klastering dimana data yang memiliki rentang yang besar dan perbedaan skala perlu distandarkan. Proses ini menggunakan transformasi menjadi z-score menjadi variabel baru untuk dianalisis. Output z-score didapatkan dari Descriptive Statistic analisis SPSS. Karena data diketahui menggunakan skala yang sama sehingga data standarisasi data tidak diperlukan. Clustering dilakukan untuk masing-masing aspek pada 27 variabel secara terpisah. Dalam output Final Cluster Centers, jumlah klaster yang terbentuk dari aspek kesetujuan dan kesediaan masing-masing merupakan klaster dengan partisipasi rendah-tinggi dan partisipasi rendah-sedang-tinggi.
Gambar 1. Aspek Kesetujuan Berpartisipasi 2 Klaster
Pada aspek kesetujuan 2 klaster terlihat bahwa kesenjangan partisipasi sangat besar. Klaster 1, menunjukkan sekumpulan angka-angka negatif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan nilai partisipasi rendah. Sedangkan klaster 2 merupakan sekumpulan variabel dengan nilai partisipasi tinggi. Dalam output SPSS, dapat diketahui bahwa jarak nilai tengah antar klaster (cluster centers) 1 dan 2 adalah 4.011. Setelah terbentuk klaster, kemudian dilakukan analisis varians (ANOVA) yang menunjukkan adakah perbedaan yang signifikan antar klaster. Semakin besar angka F suatu variabel dan angka signfikan berada di bawa 0,05 maka semakin besar pula perbedaan variabel tersebut pada kedua klaster yang terbentuk. Hasil analisis SPSS menunjukkan bahwa variabel kesetujuan mengikuti bimbingan, kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, membayar iuran sampah, membawa wadah saat belanja, dan memanfaatkan produk daur ulang memiliki nilai sig lebih dari 0,05 yang berarti tidak ada perbedaan yang signifikan antar klaster, hal ini kemudian diverifikasi menggunakan grafik pada gambar 1.
Gambar 2. Aspek Kesetujuan Berpartisipasi 3 Klaster
Pada aspek kesetujuan 3 klaster terlihat bahwa kesenjangan partisipasi juga cukup besar hal ini dapat dilihat dari output SPSS dimana jarak antar nilai tengah klaster (cluster centers) 1-2, 1-3 dan 2-3 berturut-turut adalah 4,553; 3,777 dan 2,935. Klaster 1, menunjukkan sekumpulan angka-angka positif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan nilai partisipasi tinggi. Sedangkan klaster 2 dan 3 berturut-turut merupakan sekumpulan variabel dengan nilai partisipasi sedang dan rendah. Hasil analisis SPSS menunjukkan bahwa variabel kesetujuan mengikuti kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, dan membayar iuran sampah memiliki nilai sig lebih dari 0,05 yang berarti tidak ada perbedaan yang signifikan antar klaster atau sama dengan analisis 2 klaster, hal ini kemudian diverifikasi menggunakan grafik pada gambar 2. Dari kedua jenis klaster tersebut dapat diketahui bahwa masyarakat dengan partisipasi rendah, sedang maupun tinggi, variabel kesetujuan mengikuti kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, dan membayar iuran sampah tidak memiliki perbedaan atau semua golongan masyarakat setuju untuk berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama.
Gambar 3. Aspek Kesediaan Berpartisipasi 2 Klaster
Pada aspek kesediaan 2 klaster terlihat bahwa kesenjangan partisipasi sangat besar. Klaster 1, menunjukkan sekumpulan angka-angka positif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan nilai partisipasi tinggi. Sedangkan klaster 2 merupakan sekumpulan variabel dengan nilai partisipasi rendah. Dalam output SPSS, dapat diketahui bahwa jarak nilai tengah antar klaster (cluster centers) 1 dan 2 adalah 5.16724. Setelah terbentuk klaster, kemudian dilakukan analisis varians (ANOVA) yang menunjukkan adakah perbedaan yang signifikan antar klaster. Semakin besar angka F suatu variabel dan angka signfikan berada di bawa 0,05 maka semakin besar pula perbedaan variabel tersebut pada kedua klaster yang terbentuk. Hasil analisis SPSS menunjukkan bahwa variabel kesediaan membayar iuran sampah dan membawa wadah saat belanja memiliki nilai sig lebih dari 0,05 yang berarti tidak ada perbedaan yang signifikan antar klaster, hal ini kemudian diverifikasi menggunakan grafik pada gambar 3.
Gambar 4. Aspek Kesediaan Berpartisipasi 3 Klaster
Pada aspek kesediaan 3 klaster terlihat bahwa kesenjangan partisipasi juga cukup besar hal ini dapat dilihat dari output SPSS dimana jarak antar nilai tengah klaster (cluster centers) 1-2, 1-3 dan 2-3 berturut-turut adalah 2,963; 6,493 dan 4,495. Klaster 1, menunjukkan sekumpulan angka-angka positif yang berarti klaster 1 merupakan sekumpulan variabel atau sampel dengan nilai partisipasi tinggi. Sedangkan klaster 2 dan 3 berturut-turut merupakan sekumpulan variabel dengan nilai partisipasi sedang dan rendah. Hasil analisis SPSS menunjukkan bahwa variabel membayar iuran sampah dan membawa wadah saat belanja memiliki nilai sig lebih dari 0,05 yang berarti tidak ada perbedaan yang signifikan antar klaster atau sama dengan analisis 2 klaster, hal ini kemudian diverifikasi menggunakan grafik pada gambar 2. Hal ini berarti bagi masyarakat dengan partisipasi rendah, sedang maupun tinggi, kesediaan membayar iuran sampah dan membawa wadah saat belanja tidak memiliki perbedaan atau semua golongan masyarakat bersedia berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama.
KESIMPULAN
Terdapat perbedaan jumlah faktor yang terbentuk dimana aspek kesetujuan terbentuk 8 faktor sedangkan aspek kesediaan terbentuk 6 faktor dari jumlah variabel awal sebanyak 27. Pada aspek kesetujuan, terdapat 19 faktor yang direduksi atau dihilangkan (eigenvalues kurang dari 1) karena 8 faktor telah dianggap merepresentasikan 70,458 % varians kesetujuan. Begitu juga pada aspek kesediaan, terdapat 21 faktor yang direduksi atau dihilangkan karena 6 faktor telah dianggap merepresentasikan 69,366 % varians kesediaan. Penamaan faktor disesuaikan dengan kelompok variabel yang terbentuk.
Dari analisis klaster, dapat diketahui bahwa pada aspek kesetujuan masyarakat dengan partisipasi rendah, sedang maupun tinggi, variabel kesetujuan mengikuti kampanye, gerakan hidup bersih, mengelola sampah sebelum masuk ke TPA, dan membayar iuran sampah tidak memiliki perbedaan atau semua golongan masyarakat setuju untuk berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama. Sedangkan pada aspek kesediaan masyarakat dengan partisipasi rendah, sedang maupun tinggi, kesediaan membayar iuran sampah dan membawa wadah saat belanja tidak memiliki perbedaan atau semua golongan masyarakat bersedia berpartisipasi dalam komponen tersebut dengan tingkat partisipasi yang sama.
DAFTAR PUSTAKA
Hidayat Anwar. 2015. Analisis Cluster. http://www.statistikian.com/2014/03/analisis-cluster_27.html (diakses tanggal 1/5/2016)
Silalahi, Ulber. 2015. Metode Penelitian Sosial Kuantitatif. Relika Aditama : Bandung.
Sutanto Hery Tri. 2009. Cluster Analysis. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika. 5 Desember 2009. ISBN 978-979-16353-8-2. UNESA.
Teguh Anas dan Prima Kharisma. 2015. http://menrvalab.com/analisis-faktor/. (diakses tanggal 1/5/2016)
Yuliandi Andre. 2013. Analisis Partisipasi Masyarakat dalam Pemanfaatan Fasilitas Pengolahan Sampah. Tesis. Institut Teknologi Bandung.
Analisis Faktor dan Klaster
2016
7 " Page
8 " Page
Analisis Faktor dan Klaster
2016
iii
Faktor Kesetujuan Berpartisipasi
Skala Pengukuran
Faktor Kessediaan Berpartisipasi
Skala Pengukuran
Faktor Kes ediaan Berpartisipasi
Skala Pengukuran
Faktor Kesetujuan Berpartisipasi
Skala Pengukuran
