LAPORAN EVALUASI ANALISIS CLUSTER Tipologi Desa di Kawasan K awasan Argopolitan Pacet-Mojokerto Pacet-Mojokerto Berdasarkan LQ Komoditas Pertanian
Disusun untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan (TKP 342)
Dosen Pengampu: Dr. Iwan Rudiarto, M.Sc Sri Rahayu, S. Si., M. Si Widjonarko, S. T., M. T Anang Wahyu Sejati, S. T., M. T
Disusun Oleh: Novi Yanti 21040113120048
Jurusan Perencanaan Perencanaan Wilayah dan Kota Fakultas Teknik Universitas Diponegoro 2015
1.
DATA DAN JENIS DATA Perencanaan Wilayah dan Kota membutuhkan statistik sebagai alat bantu menganalisis data-data yang digunakan untuk perencanaan sebagai pertimbangan pengambilan keputusan. Aplikasi yang menjalankan statistik adalah SPSS. Salah satu analisis dalam statistik yang juga terdapat dalam aplikasi SPSS adalah analisis cluster . Analisis Cluster (cluster Analysis) merupakan metode untuk m (Clustering) (Analisis Clustering)engelompokkan objek-objek yang lebih banyak ke dalam objek yang lebih sedikit (Dillon, 1984; Kachigan 1986). Analisis cluster disebut juga analisis segmentasi atau analisis taksonomi. Tujuan utama analisis cluster adalah mengelompokkan objek-objek berdasarkan kesamaan karakteristik di antara objek-objek. Pengelompokan hasil observasi yang mirip ke dalam satu kelompok didasarkan pada korelasi antar objek atau dapat juga dengan mengukur proximity pada ruang dua dimensi sehingga jarak antara dua observasi menunjukkan kesamaan. Langkah berikutnya adalah menentukan bagaimana membentuk cluster dan berapa jumlah cluster yang akan dibentuk (Imam Ghozali, 2009 : 312). Prinsip dalam analisis cluster adalah mengupayakan agar cluster yang terbentuk memiliki kesamaan yang tinggi antar anggotanya (homogenitas) dan memiliki perbedaan atau jarak yang jauh dengan cluster yang lain (heterogenitas). Untuk melihat nilai homogenitas dan heterogenitas antarobjek dalam analisis cluster , metode yang sering digunakan adalah adalah dengan mengukur similarity (derajat kesamaan) dari masing-masing objek. Metode pengelompokan dalam analisis cluster ada dua yaitu metode hirarki dan metode non-hirarki. Akan tetapi, ada analisis kombinasi dalam dari dua metode tersebut. A. Metode Hirarki
Metode hirarki ini memulai pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan paling dekat. Kemudian diteruskan pada obyek yang lain dan seterusnya hingga cluster akan membentik semacam pohon yang terdapat tingkatan yang jelas antar obyek dari yang paling mirip hingga paling tidak mirip. Metode hirarki atau hierarchical clustering merupakan salah satu agoritma cluster ing yang fungsinya dapat digunakan untuk meng-cluster dokumen (document clustering ). Dari teknik hierarchical clustering , dapat dihasilkan suatu kumpulan partisi yang berurutan, dimana daam kumpulan tersebut terdapat cluster -cluster yang mempunyai poin-poin individu, cluster -cluster ini berada di level paling bawah. Selain itu ada juga cluster yang didalamnya terdapat poin-poin yang dipunya semua cluster didalamnya, cluster ini disebut single cluster , terletak di level yang paling atas. Dalam algoritma hierarchical clustering , cluster yang berada di level yang lebih atas (intermediate level ) dari cluster yang lain, dapat diperoleh dengan cara mengkombinasikan dua buah custer yang berada pada level dibawahnya. Hasil keseluruhan dari algoritma hierarchicalcluster ing secara grafik dapat digambarkan sebagai pohon, yang disebut dengan dendogram. Pohon ini secara grafik menggambarkan proses penggabungan dari cluster -cluster yang ada, sehingga menghasilkan cluster dengan level yang lebih tinggi (intermediate level ). B. Metode Non Hirarki Metode non hirarki menentukan terlebih dahuu jumlah cluster yang diinginkan. Setelah itu proses cluster dilakukan dengan tanpa mengikuti proses hirarki. Metode ini biasanya disebut K-Means Cluster. K-means merupakan metode pengelompokkan secara partitioning yang memisahkan data ke dalam kelompok tertentu. K-means merupakan salah satu metode pengelompokkan data non hierarki yang berusaha membagi data yang ada ke dalam bentuk dua atau lebih kelompok (Johanes, 2004). Tujuan dari pengelompokkan data ini adalah untuk
1
meminimalisir fungsi objektif dalam proses pengelompokkan, yang pada umumnya berusaha meminimalisir di dalam suatu kelompok dan memaksimalkan ragam antar kelompok. Kecamatan Pacet yang merupakan kecamatan dengan sebagaian besar jumlah penduduk sebagai petani belum mampu mengembangkan wilayahnya sendiri. Masih ada ketimpangan daerah karena kurang meratanya pembangunan. Karena hal tersebut maka kawasan agropolitan yang merupakan kawasan pertanian lebih diintensifkan bersama daerah sekitarnya agar dari hasil pertanian terebut dapat membangun kesejahteraan wilayah sendiri. Pada lapoan evaluasi ini akan dianalisis pengelompokkan desa yang masuk dalam kawasan agropolitan berdasarkan nilai LQ tiap komoditas pertanian yang ada agar dapat diketahui pengelompokkan desa sesuai dengan kedekatan dan kemiripannya. Pengelompokan tersebut membantu memudahkan dalam analisis kebijakan mengembangan kawasan agropolitan Pacet-Mojokerto. Pengembangan pedesaan tersebut tidak terlepas dari peningkatan intensitas keterkaitan desa-kota melalui pengembangan kegiatan ekonomi berbasis potensi desa. Pengembangan perdesaan berbasis potensi tersebut tertuang dalam program agropolitan. Menurut SK Gubernur Jawa Timur No.1888.45/451/HK/416-013/2003 Kecamatan Pacet ditentukan sebagai kawasan agropolitan di Kabupaten Mojokerto, dengan 7 desa pengembangan yakni Cepokolimo, Claket, Kemiri, Pacet, Padusan, Petak, dan Sajen. Dalam analisis claster ini maka data yang dapat digunakan berupa data ordinal, interval, dan rasio. Akan tetapi data yang digunakan dalam laporan ini berupa data rasio yaitu besar LQ tiap komoditas pertanian. LQ komoditas pertanian yang digunakan adalah padi, ubi, bawang merah, bawang putih, dan daun bangan. Data tersebut dapat diliha pada Tabel 1 Data Penelitian. Tabel 1 Data Penelitian NO.
DESA
LQ PADI
LQ UBI
LQ BAWANG MERAH
LQ BAWANG PUTIH
LQ DAUN BAWANG
1
Kemiri
0.53
0.46
0.75
1.72
2.43
2
Sajen
0.37
0.38
1.07
1.69
1.75
3
Pacet
0.31
0.34
1.47
1.4
0.75
4
Padusan
0.33
0.85
1.38
4.3
0.43
5
Cepokolimo
0.76
0.59
1.33
1.94
0.54
6
Claket
1.41
0.86
0.86
0
1.19
7
Petak
0.42
0.42
1.51
0.67
0.53
8
Cembor
2.05
0.68
0.58
0
1.54
9
Nogosari
3.98
2.09
0.17
0
0
10
Kembangbelor
4.29
2.36
0
0
0
11
Mojokembang
4.25
2.41
0
0
0
12
Bendunganjati
3.04
1.78
0.54
0
0
13
Kesiman Tengah
1.79
0.73
0.45
0
2.08
14
Qiyu
1.42
2.57
0.62
0
0.63
15
Candiwatu
0.59
0.31
1.07
0
1.71
16
Warungunung
2.67
2.02
0.6
0
0
17
Tanjungkenongo
2.5
4.59
0
0
0
18
Sumber Kembar
2.43
4.68
0
0
0
19
Kuripansari
3.36
3.52
0
0
0
20
Pandadarum
2.52
3.53
0.26
0
0
Sumber: (NIrmala & Santoso, 2013)
2
2. HASIL DAN OUTPUT A. Case Processing Summary Tabel 2 Case Processing Summarya
Dari Tabel Case Processing Summary didetahui bahwa data yang diinput dalam analisis klaster ini berjumlah 20 desa di Kawasan Agropolitan Pacet-Mojokerto dengan 100% data terolah sempurna atau dengan kata lain tidak ada data yang missing .
Cases Valid
Missing
Total
N
Percent
N
Percent
N
Percent
20
100.0%
0
.0%
20
100.0%
a. Squared Euclidean Distance used
Sumber: Hasil Analisis, 2015
B. Proximity Matrix Tabel 3 Proximity Matrix Squared Euclidean Distance Case
1:Kemiri 2:Sajen 3:Pacet 4:Padusan 5:Cepokoli 6:Claket 7:Petak 8:Cembor 9:Nogosari 10:Kembangb 11:Mojokemb 12:Bendunga 13:Kesiman 14:Qiyu 15:Candiwat 16:Warungun 17:Tanjungk
18:Sumber K 19:Kuripans 20:Pandadar
1:Kemiri
.000
4.524
9.048
9.048
9.048
4.524
13.006
4.524
13.006
16.844
16.844
16.844
12.321
13.006
12.321
13.571
12.886
12.886
12.886
12.886
2:Sajen
4.524
.000
4.524
4.524
4. 524
.000
17.530
9.048
17.530
21.368
21.368
21.368
16.844
17.530
16.844
9.048
17.410
17.410
17.410
17.410
3:Pacet
9.048
4.524
.000
.000
.000
4.524
13.006
13.571
13.006
16.844
16.844
16.844
21.368
13.006
21.368
4.524
12.886
12.886
12.886
12.886
4:Padusan
9.048
4.524
.000
.000
.000
4.524
13.006
13.571
13.006
16.844
16.844
16.844
21.368
13.006
21.368
4.524
12.886
12.886
12.886
12.886
5:Cepokoli
9.048
4.524
.000
.000
.000
4.524
13.006
13.571
13.006
16.844
16.844
16.844
21.368
13.006
21.368
4.524
12.886
12.886
12.886
12.886
6:Claket
4.524
.000
4.524
4.524
4. 524
.000
17.530
9.048
17.530
21.368
21.368
21.368
16.844
17.530
16.844
9.048
17.410
17.410
17.410
17.410
7:Petak
13.006
17.530 13.006
13.006
13.006
17.530
.000
8.482
.000
3.838
3.838
3.838
8.362
.000
8.362
8.482
7.797
7.797
7.797
7.797
8:Cembor
4.524
9.048 13.571
13.571
13.571
9.048
8.482
.000
8.482
12.321
12.321
12.321
7.797
8.482
7.797
9.048
8.362
8.362
8.362
8.362
9:Nogosari
13.006
17.530 13.006
13.006
13.006
17.530
.000
8.482
.000
3.838
3.838
3.838
8.362
.000
8.362
8.482
7.797
7.797
7.797
7.797
10:Kembangb 16.844
21.368 16.844
16.844
16.844
21.368
3.838
12.321
3.838
.000
.000
.000
4.524
3.838
4.524
12.321
3.958
3.958
3.958
3.958
11:Mojokemb 16.844
21.368 16.844
16.844
16.844
21.368
3.838
12.321
3.838
.000
.000
.000
4.524
3.838
4.524
12.321
3.958
3.958
3.958
3.958
12:Bendunga
16.844
21.368 16.844
16.844
16.844
21.368
3.838
12.321
3.838
.000
.000
.000
4.524
3.838
4.524
12.321
3.958
3.958
3.958
3.958
13:Kesiman
12.321
16.844 21.368
21.368
21.368
16.844
8.362
7.797
8.362
4.524
4.524
4.524
.000
8.362
.000
16.844
8.482
8.482
8.482
8.482
14:Qiyu
13.006
17.530 13.006
13.006
13.006
17.530
.000
8.482
.000
3.838
3.838
3.838
8.362
.000
8.362
8.482
7.797
7.797
7.797
7.797
15:Candiwat
12.321
16.844 21.368
21.368
21.368
16.844
8.362
7.797
8.362
4.524
4.524
4.524
.000
8. 362
.000
16.844
8.482
8.482
8.482
8.482
16:Warungun
13.571
4.524
4.524
4.524
9.048
8.482
9.048
8.482
12.321
12.321
12.321
16.844
8.482
16.844
.000
8.362
8.362
8.362
8.362
17:Tanjungk
12.886
17.410 12.886
9.048
12.886
12.886
17.410
7.797
8.362
7.797
3.958
3.958
3.958
8.482
7.797
8.482
8.362
.000
.000
.000
.000
18:Sumber K
12.886
17.410 12.886
12.886
12.886
17.410
7.797
8.362
7.797
3.958
3.958
3.958
8.482
7.797
8.482
8.362
.000
.000
.000
.000
19:Kuripans
12.886
17.410 12.886
12.886
12.886
17.410
7.797
8.362
7.797
3.958
3.958
3.958
8.482
7.797
8.482
8.362
.000
.000
.000
.000
20:Pandadar
12.886
17.410 12.886
12.886
12.886
17.410
7.797
8.362
7.797
3.958
3.958
3.958
8.482
7.797
8.482
8.362
.000
.000
.000
.000
Sumber: Hasil Analisis, 2015
3
Tabel Proximity Matrix digunakan untuk mengeahui jarak antara data satu dengan data yang lainnya. Jika semakin kecil nilai Squared Euclidean Distance maka semakin mirip kedua data tersebut (karakteristik datanya mendekati persamaan) sehingga semakin besar kemungkinan data tersebut berada di klaster yang sama atau dekat. Contohnya adalah sebagai berikut. Squared Euclidean Distance antara Desa Claket dan Desa Sajen adalah 0.000 merupakan nilai terkecil dari jarak Squared Euclidean Desa Claket dengan desa di kawasan agrgopolitan Pacet-Mojokerto. Maka dari itu, kemungkinan besar Desa Claket dan Desa Sajen berada dalam klaster yang sama atau yang terdekat. Squared Euclidean Distance antara Desa Petak dan Desa Sajen adalah 17.530 merupakan nilai terbedar dari jarak Squared Euclidean Desa Petak dengan desa di kawasan agrgopolitan Pacet-Mojokerto. Maka dari itu, kemungkinan besar Desa Claket dan Desa Sajen berada dalam klaster yang berbeda atau jauh.
C. Average Linkage (B etween Groups)
Agglomeration Schedule Tabel 4 Agglomeration Schedule Agglomeration Schedule Cluster Combined
Stage Cluster First Appears
Stage
Cluster 1
Cluster 2
Coefficients
Cluster 1
Cluster 2
Next Stage
1
19
20
.000
0
0
2
2
17
19
.000
0
1
3
3
17
18
.000
2
0
16
4
13
15
.000
0
0
17
Tabel Proximity Matrix digunakan untuk mengeahui jarak antara data satu dengan data yang lainnya. Jika semakin kecil nilai Squared Euclidean Distance maka semakin mirip kedua data tersebut (karakteristik datanya mendekati persamaan) sehingga semakin besar kemungkinan data tersebut berada di klaster yang sama atau dekat. Contohnya adalah sebagai berikut. Squared Euclidean Distance antara Desa Claket dan Desa Sajen adalah 0.000 merupakan nilai terkecil dari jarak Squared Euclidean Desa Claket dengan desa di kawasan agrgopolitan Pacet-Mojokerto. Maka dari itu, kemungkinan besar Desa Claket dan Desa Sajen berada dalam klaster yang sama atau yang terdekat. Squared Euclidean Distance antara Desa Petak dan Desa Sajen adalah 17.530 merupakan nilai terbedar dari jarak Squared Euclidean Desa Petak dengan desa di kawasan agrgopolitan Pacet-Mojokerto. Maka dari itu, kemungkinan besar Desa Claket dan Desa Sajen berada dalam klaster yang berbeda atau jauh.
C. Average Linkage (B etween Groups)
Agglomeration Schedule Tabel 4 Agglomeration Schedule Agglomeration Schedule Cluster Combined
Stage Cluster First Appears
Stage
Cluster 1
Cluster 2
Coefficients
Cluster 1
Cluster 2
Next Stage
1
19
20
.000
0
0
2
2
17
19
.000
0
1
3
3
17
18
.000
2
0
16
4
13
15
.000
0
0
17
5
9
14
.000
0
0
8
6
11
12
.000
0
0
7
7
10
11
.000
0
6
12
8
7
9
.000
0
5
12
9
2
6
.000
0
0
15
10
4
5
.000
0
0
11
11
3
4
.000
0
10
13
12
7
10
3.838
8
7
16
13
3
16
4.524
11
0
15
14
1
8
4.524
0
0
18
15
2
3
5.655
9
13
18
16
7
17
5.878
12
3
17
17
7
13
7.259
16
4
19
18
1
2
9.802
14
15
19
19
1
7
14.565
18
17
0
Sumber: Hasil Analisis, 2015
Pada Tabel Agglomeration Schedule dapat diketahui hasil proses pengelompokkan secara bertahap melalui stage-stage. Pada hasil kali ini terdapat 19 stage untuk membentuk klaster. Stage 1 terbentuk 1 cluster yang merupakan desa ke 19 yaitu Kuripansari dan Desa ke 20 yaitu Pandadarum dengan jarak 0.000 (Squared Euclidean Distance). Jarak tersebut merupakan jarak yang terdekat dari banyaknya kombinasi nilai jarak antara 19 desa. Selanjutnya lihat kolom terakhir yaitu Next Stage, terlihat angka 2. Hal ini berarti clustering selanjutnya dilakukan dengan melihat stage 2. Stage 2 ada desa ke 17 yaitu Tanjungkenongo dan desa ke 19 yaitu Kuripanari dengan jarak 0.000 (Squared Euclidean Distance). Jarak tersebut termasuk jarak yang dekat sehingga kedua desa terebut berada dala satu klaster. Selanjutnya lihat kolom terakhir next stage yaitu 3.
4
Stage 3 ada desa ke 17 yaitu Tanjungkenongo dan desa ke 18 yaitu Sumber Kembar dengan jarak 0.000 (Squared Euclidean Distance). Jarak tersebut termasuk jarak yang dekat sehingga kedua desa terebut berada dala satu klaster. Selanjutnya lihat kolom terakhir next stage yaitu 16.
Menginterpretasi stage selanjutnya setelah 16 sampai dengan stage ke 20.
Cluster Membership Tabel 5 Cluster Memberhip Case
4 Clusters
3 Clusters
2 Clusters
1:Kemiri
1
1
1
2:Sajen
2
2
1
3:Pacet
2
2
1
4:Padusan
2
2
1
5:Cepokoli
2
2
1
6:Claket
2
2
1
7:Petak
3
3
2
8:Cembor
1
1
1
9:Nogosari
3
3
2
10:Kembangb
3
3
2
11:Mojokemb
3
3
2
12:Bendunga
3
3
2
13:Kesiman
4
3
2
14:Qiyu
3
3
2
15:Candiwat
4
3
2
16:Warungun
2
2
1
17:Tanjungk
3
3
2
18:Sumber K
3
3
2
19:Kuripans
3
3
2
20:Pandadar
3
3
2
Sumber: Hasil Analisis, 2015
Berdasarkan Cluster Membership yang merupakan analisis metode hirarki di dapat 2, 3, dan 4 klaster yang dibentuk. Berikut ini kluster yang terbentuk. Jika dibentuk 2 Cluster
Cluster 1 Desa yang masuk dalam Claster 1 ini rata-rata memiliki sektor basis yaiu komoditas unggulan berupa bawang putih. Sementara komoditas padi, bawang merah, bawang putih pada klaster ini, seimbang antara jumlah desa dengan sektor itu bais dan non basis. Sementara itu, kluster ini sebagian besar komoditas ubinya tidak menjadi sektor basis. Desa Kemiri, Desa Sajen, Desa Pacet, Desa Cepokolimo, Desa Claket, Desa Cembor, dan Desa Warunggunung, Desa Padusan Cluster 2 Desa yang masuk dalam kategori Cluster 2 ini rata-rata memiliki sektor basis pada komoditas padi dan komoditas ubi. Namun untuk komoditas bawang merah, bawang putih, dan daun bawang hanya menjadi sektor non basis. Desa yang termasuk anggota cluster 2 adalah sebagai berikut.
5
Desa Petak, Desa Nogosari, Desa Kembangbelor, Desa Mojokembang, Desa Bandunganjati, Desa Kesiman Tengah, Desa Qiyu, Desa Candiwatu, Desa Tanjungkenongo, Desa Sumber Kembar, Desa Kuripansari, Desa Pandaarum Jika dibentuk 3 Cluster
Cluster 1 Pada klaster ini yang menjadi sektor basis adalah komoditas daun bawang. Sementara non basis adalah ubi dan bawang merah. Yang lainnya berbeda-beda. Anggota cluster 1: Desa Kemiri dan Desa Cembor
Cluster 2 Bagi sebagian besar desa klaster ini yang menjadi sektor basis adaah komoditas bawang merah dan bawang putih. Sedangkan yang lainnya adalah non basis. Anggota cluster 2: Desa Sajen, Desa Pacet, Desa Padusan, Desa Cepokolimo, Desa Claket, Desa Warungunung. Cluster 3 Pada cluster ini desanya sebagian besar memiliki sektor basis pada komoditas bawang merah dan putih. Sementara komoditas ubi dan daun bawang sebagian besar belum menjadi sektor basis. Desa Petak, Desa Nogosari, Desa Kembangbelor, Desa Mojokembang, Desa Bendunganjati, Desa Kesiman Tengah, Desa Qiyu, Desa Candiwatu, Desa Tanjungkenongo, Desa Sumber Kembar, Desa Kuripansari, dan Desa Pandadarum, Jika dibentuk 4 Cluster
Cluster 1 Memiliki sekor basis berupa komoditas daun bawang. Sedangkan yang non basis adalah komoditas ubi dan bawang merah. Anggota cluster 1: Desa Kemiri dan Desa Cembor. Cluster 2 Becirikan bahwa sebagian besar desa tidak memiliki sektor basis seperti komoditas padi, ubi, dan bawang daun. Sedangkan sektor basis sebagian besar desa dalam klster ini adalah komoditas bawang merah. Desa Sajen, Desa Pacet, Desa Padusan, Desa Cepokoli, Desa Claket, dan Desa Warungunung. Cluster 3 Pada klaster ini semua desa memiliki basis pada komoditas padi dan ubi, sedangkan ketiga komoditas lainnya menjadi non basis. Desa Petak, Desa Nogosari, Desa Kembangbelor, Desa Mojokembang, Desa Bendunganjati, Desa Qiyu, Desa Tanjungkenongo, Desa Sumber Kembar, Desa Kuripansari, dan Desa Pandadarum. Cluster 4 Komoditas padi menjadi nonbasis. Sedangkan yang menjadi sektor basis adalah komodits bawang merah dan daun bawang. Anggota cluster 4: Desa Kasiman Tengah dan Desa Candiwatu.
6
D. Dendogram Dengan dendogram dapat diketahui berapa cluster yang bias terbentuk dari analisis cluster ini. Dengan dendogram dilakukan proses skala ulang dengan batas 0=25 dengan poses aglomerasi dimulai pada nilai 0 dengan peraturan bahwa ketika sebuah garis terletak dekat dengan nilai 0 maa variable yangterwakli dengan garis tersebut kemungkinan besar membentuk cluster. Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E Label Num Kuripans Pandadar Tanjungk Sumber K Mojokemb Bendunga Kembangb Nogosari Qiyu Petak Kesiman Candiwat Kemiri Cembor Sajen Claket Padusan Cepokoli Pacet Warungun
19 20 17 18 11 12 10 9 14 7 13 15 1 8 2 6 4 5 3 16
0 5 10 15 20 25 +---------+---------+---------+---------+---------+ -+ -+ -+-------------------+ -+ | -+ +---+ -+-----------+ | | -+ +-------+ | -+ | +-----------------------+ -+-----------+ | | -+ | | -+-----------------------+ | -+ | ---------------+-----------------+ | ---------------+ | | -+-----------------+ +---------------+ -+ | | -+ +-------------+ -+-------------+ | -+ +---+ ---------------+
Sumber: Hasil Analisis, 2015
Gambar 1 Dendogram
Jika dibentuk 1 Cluster Semua desa di Kawasan Agropolitan Pacet-Mojokerto yaitu 20 desa yang dianalisis. Anggota cluster ini adalah sebagai berikut: Desa Kemiri, Desa Sajen, Desa Pacet, Desa Padusan, Desa Cepokolimo, Desa Claket, Desa Petak, DesaCembor, Desa Nogosari, Desa Kembangbelor, Desa Mojokembang, Desa Bendunganjati, Desa Kesiman Tengah, Desa Qiyu, Desa Candwatu, Desa Warungunung, Desa Tanjungkenongo, Desa Sumber Kembar, Desa Kuripansari, Desa Pandadarum. Jika dibentuk 2 Cluster
Cluster 1 Desa yang masuk dalam kategori Cluster 1 ini rata-rata memiliki sektor basis pada komoditas padi dan komoditas ubi. Namun untuk komoditas bawang merah, bawang putih, dan daun bawang hanya menjadi sektor non basis. Berikut ini desa yang masuk ke dalam cluster 1:
7
Desa Kuripansari, Desa Pandadarum, Desa Tanjungkenongo, Desa Sumber Kembar, Desa Mojokembang, Desa Bendungananjati, Desa Kembangbelor, Desa Nogosari, Desa Qiyu, Desa Petak, Desa Kesiman Tengah, Desa Candiwatu. Cluster 2 Desa yang masuk dalam kategori Cluster 2 ini rata-rata memiliki sektor basis yaiu komoditas unggulan berupa bawang putih. Sementara komoditas padi, bawang merah, bawang putih pada klaster ini, seimbang antara jumlah desa dengan sektor itu bais dan non basis. Sementara itu, kluster ini sebagian besar komoditas ubinya tidak menjadi sektor basis. Berikut ini desa yang masuk ke dalam cluster 2: Desa Kemiri, Desa Cembor, Desa Sajen, Desa Claket, Desa Padusan, Desa Cepokolimo, Desa Pacet, dan Desa Warungunung. Jika dibentuk 3 Cluster
Cluster 1 Pada cluster ini desanya sebagian besar memiliki sektor basis pada komodits bawang merah dan putih. Sementara komoditas ubi dan daun bawang sebagian besar belum menjadi sektor basis. Anggota cluster 1 adalah sebagai berikut. Desa Kuripansari, Desa Pandadarum, Desa Tanjungkenongo, Desa Sumber Kembar, Desa Mojokembang, Desa Bendungananjati, Desa Kembangbelor, Desa Nogosari, Desa Qiyu, Desa Petak, Desa Kesiman, Desa Candiwatu. Cluster 2 Pada klaster ini yang menjadi sektor basis adalah komoditas daun bawang. Sementara non basis adalah ubi dan bawang merah. Yang lainnya berbeda-beda. Berikut ini nama desa yang masuk dalam klaster : Desa Kemiri, Desa Cembor Cluster 3 Bagi sebagian besar desa klaster ini yang menjadi sektor basis adaah komoditas bawang merah dan bawang putih. Sedangkan yang lainnya adalah non basis. Berikut ini adalah desa yang masuk dalam klaster ini : Desa Sajen, Desa Claket, Desa Padusan, Desa Cepokolimo, Desa Pacet, dan Desa Warungunung.
Jika dibentuk 4 Cluster
Cluster 1 Pada klaster ini semua desa memiliki basis pada komoditas padi dan ubi, sedangkan ketiga komoditas lainnya menjadi non basis. Berikut ini nama desanya: Desa Kuripansari, Desa Pandadarum, Desa Tanjungkenongo, Desa Sumber Kembar, Desa Mojokembang, Desa Bendungananjati, Desa Kembangbelor, Desa Nogosari, Desa Qiyu, Desa Petak. Cluster 2 Komoditas padi menjadi nonbasis. Sedangkan yang menjadi sektor basis adalah komodits bawang merah dan daun bawang. Berikut ini anggota klaster 2: Desa Kesiman Tengah, Desa Candiwatu.
8
Cluster 3 Klaster yang beranggotakan 2 desa ini memiliki sekor basis berupa komoditas daun bawang. Sedangkan yang non basis adalah komoditas ubi dan bawang merah. Untuk komoditas padi Desa Cembor merupakan sektor basis sedangkan untuk komoditas Desa Kemiri berupa komoditas bawang putih. Cluster 4 Becirikan bahwa sebagian besar desa tidak memiliki sektor basis seperti komoditas padi, ubi, dan bawang daun. Sedangkan sektor basis sebagian besar desa dalam klster ini adalah komoditas bawang merah. Anggota cluster 4: Desa Sajen, Desa Claket, Desa Padusan, Desa Cepokolimo, Desa Pacet, dan Desa Warungunung.
3. KESIMPULAN Berdasarkan hasil analisis cluster yang telah dilakukan maka dapat disimpulkan.
Dari 20 data yang dianalisis tingkat validitasnya 100%. Jika dibentuk 2 cluster maka berikut ini adalah anggota kelompoknya. Metode Cluster Membership dan Dendogram Klaster 1 Kemiri, Sajen, Pacet, Cepokolimo, Claket, Cembor, Warunggunung, Padusan Klaster 2 Petak, Nogosari, Kembangbelor, Mojokembang, Bandunganjati, Kasiman Tengah, Qiyu, Candiwatu, Tanjungkonongo, Sumber Kembar, Kuripansari, Pandaarum JIka dibentuk 3 cluster maka beikut ini adalah anggota kelompoknya. Metode Cluster Membership dan Dendogram Klaster 1 Sajen, Pacet, Cepokolimo, Claket, Warunggunung, Padusan Klaster 2 Petak, Nogosari, Kembangbelor, Mojokembang, Bandunganjati, Kasiman Tengah, Qiyu, Candiwatu, Tanjungkonongo, Sumber Kembar, Kuripansari, Pandaarum Klaster 3 Kemiri dan Cembor Jika dibentuk 4 cluster maka berikut ini adalah anggota kelompoknya. Metode Cluster Membership dan Dendogram Klaster 1 Sajen, Pacet, Cepokolimo, Claket, Warunggunung, Padusan Klaster 2 Nogosari, Kembangbelor, Mojokembang, Bandunganjati, Qiyu, Tanjungkonongo, Sumber Kembar, Kuripansari, Pandaarum Klaster 3 Kemiri dan Cembor Klaster 4 Petak, Kasiman Tengah, Candiwatu,
9
4.
DAFTAR PUSTAKA
Analisis
Clustering. (t.thn.). Diambil kembali dari http://lecturer.ukdw.ac.id/budsus/pdf/textwebmining/clustering.pdf Clustering, A. (t.thn.). Materi Kuliah Clustering. Dipetik 5 10, 2015, dari http://lecturer.eepis-its.edu/~iwanarif/kuliah/dm/5Clustering.pdf NIrmala, R. R., & Santoso, E. B. (2013). Keterkaitan Komoditas antara Desa Kota dalam Pengembangan Kawasan Argopolitan. Junal Teknik POMITS , 2337. Publikasi UIN Malang. (t.thn.). Pengertian Analisis Cluster. Dipetik 03 28, 2015, dari blog.uin-malang.ac.id Publikasi Universitas Trigunadharma. (t.thn.). Modul II Clustering. Dipetik 03 29, 2015, dari trigunadharma.ac.id Publikasi UPI. (t.thn.). Modul 6 Analisis Cluster. Dipetik 03 28, 2015, dari file.upi.edu
10
LAMPIRAN : LANGKAH KERJA INPUT DATA 1. Menyiapkan data yang digunakan dalam analisis. 2. Membuka aplikasi SPSS. 3. Memilih variable view kemudian menginput karakteristik variabel apa yang digunakan dalam analisis.
4. Memilih data view kemudian menginput data yang telah disiapkan ke SPSS.
PENGUBAHAN SKALA/PENGKELASAN 5. Data yang digunakan dalam analisis dibuat kelas sesuai dengan rumus Sturgess. 6. Memilih Transform Recode info Different Variables.
→
7. Kemudian muncul box Recode info Different Variables. Kemudian pilih Jumlah Hotel dan Akomodasi sebagai data yang akan di recode. Kemudian pada Kolom Output Variable ditulis nama variabel baru yang akan dibentuk setelah itu change. Memilih Old and New Values maka akan muncul box Recode into Defferent Variable Old and New Values. Masukkan range yang telah ditentukan pada range di kolom Old Value dan masukkan skor nilai range tersebut pada Value di Kolom New Value kemudian add.
11
Ulangi kembali dengan menginput range yang berbeda sampai semua range terinput. Setelah itu tekan Continue.
8. Maka variabel baru akan muncul pada data view dan variabel view.
9. Ulangi langkah 5-9 sampai variabel yang digunakan untuk analisis telah terskor setelah box Recode info Different Variablesdi reset. ANALISIS CLUSTER 10. Memilih Analyze → Classify →Hirarchical Cluster.
11. Muncul box Hirarchical Cluster Analyis. Masukan variabel yang telah terbentuk dengan kelas sturges ke dalam variabel yang akan dianalisis. Sedangkan masukkan kota/kabupaten ke dalam Label Cases by.
12
12. Kemudian pilih Statistics dan centang Agglomeration Schedule dan Proximity matrix. Kemudian pilih range 2 dan 34yang artinya pengelompokkan akan menjadi 2 cluster dan 3 cluster serta 4 cluster. Kemudian Continue.
13. Memilih Plots kemudian centang Dendogram dan pada Icicle pilih None. Kemudian Continue.
14. Memilih Method Metode yang dilakukan adalah Between-groups linkage dengan measure adalah interval (Squared Euclidean Distance). Kemudian pada Kolom Transform Value yang digunakan untuk standarisasi pilih Z score. Kemudian Continue.
15. Kemudian akan kembali ke box Hirarchical Cluster Analyis lalu pilih continue. Maka output dari analisis cluster akan segera muncul.
13
