12 jurnal stis, desember 2014
TRANSCRIPT
-
8/17/2019 12 Jurnal STIS, Desember 2014
1/147
JURNAL APLIKASI STATISTIKA &
KOMPUTASI STATISTIK
KATALOG BPS: 1202031
ISSN: 2086 –4132
UNIT PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT
SEKOLAH TINGGI ILMU STATISTIK
(UPPM-STIS)
Kajian Penghitungan Nilai Tukar Petani Tanaman Pangan (NTPP) di Jawa, Bali, dan
Nusa Tenggara Tahun 2011 – 2013
EKARIA dan ATIKA NASHIRAH HASYYATI
Metode C-Means Cluster dan Fuzzy C-Means Cluster pada Kasus Pengelompokan Desa
Menurut Status Ketertinggalan (Studi di Kota Metro dan Kabupaten Lampung Timur)
SUKIM
Pengaruh Foreign Direct Investment ( FDI ) terhadap Pertumbuhan Ekonomi 10 Negara
SEAN
AISYAH FITRI YUNIASIH
Daya Saing dan Variabel yang Memengaruhi Ekspor Batubara Indonesia di Delapan
Negara Tujuan Ekspor Tahun 2002-2012
HARIANTO SARDY PURBA dan FITRI KARTIASIH
Framework untuk Mendeteksi Pemalsuan Data pada Mobile Survey
IBNU SANTOSO
Pengembangan Sistem Web Crawler Sebagai Sarana Riset Media Secara Otomatis
(Studi di Subdit Neraca Rumah Tangga dan Institusi Nirlaba)
ENGGELIN GIACINTA WONGKAR dan YUNARSO ANANG SULISTIADI
TAHUN 6, VOLUME 2, DESEMBER 2014
-
8/17/2019 12 Jurnal STIS, Desember 2014
2/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
Journal of Statistical Application & Statistical Computing
No Publikasi / Publication Number : 02700.1004
Katalog BPS / BPS Catalogue: 1202031
No ISSN / ISSN Number : 2086-4132
Ukuran Buku / Book Size: 14,8 cm x 21,5 cm
Jumlah Halaman / Number of Pages: 139 + v
Diterbitkan oleh / Published by:
Sekolah Tinggi Ilmu StatistikSTIS-Statistics Institute
Boleh dikutip dengan menyebut sumbernya
May be cited with reference to the source
-
8/17/2019 12 Jurnal STIS, Desember 2014
3/147
JURNAL APLIKASI STATISTIKA &
KOMPUTASI STATISTIK
Pelindung : Dr. Hamonangan Ritonga, M.Sc.
Pemimpin Umum Redaksi : Ir. Ekaria, M.Si.
Mitra Bestari : Prof. Dr. Abuzar Asra
Dr. Hari Wijayanto
Dewan Editor : Dr. Budiasih
Dr. Said Mirza Pahlevi
Dr. Muchammad Romzi
Dr. I Made Arcana
Dr. Setia Pramana
Sekretaris Redaksi : Retnaningsih, M.E.
Disain Grafis : Ribut Nurul Tri W, M.S.E.
Alamat Redaksi : Sekolah Tinggi Ilmu Statistik
Jl. Otto Iskandardinata 64C
Jakarta Timur 13330
Telp. 021-8191437
-
8/17/2019 12 Jurnal STIS, Desember 2014
4/147
Kajian Penghitungan Nilai Tukar Petani Tanaman Pangan (NTPP) di
Jawa, Bali, dan Nusa Tenggara Tahun 2011 – 2013EKARIA dan ATIKA NASHIRAH HASYYATI
1-18
Metode C-Means Cluster dan Fuzzy C-Means Cluster pada Kasus
Pengelompokan Desa Menurut Status Ketertinggalan (Studi di Kota
Metro dan Kabupaten Lampung Timur)SUKIM
19-51
Pengaruh Foreign Direct Investment ( FDI ) terhadap Pertumbuhan
Ekonomi 10 Negara ASEAN
AISYAH FITRI YUNIASIH
Daya Saing dan Variabel yang Memengaruhi Ekspor Batubara
Indonesia di Delapan Negara Tujuan Ekspor Tahun 2002-2012HARIANTO SARDY PURBA dan FITRI KARTIASIH
52-68
69-93
Framework untuk Mendeteksi Pemalsuan Data pada Mobile Survey
IBNU SANTOSO
Pengembangan Sistem Web Crawler Sebagai Sarana Riset MediaSecara Otomatis (Studi di Subdit Neraca Rumah Tangga dan Institusi
Nirlaba)ENGGELIN GIACINTA WONGKAR dan YUNARSO ANANG
SULISTIADI
94-114
115-139
JURNAL APLIKASI STATISTIKA &
KOMPUTASI STATISTIK
KATALOG BPS: 1202031
ISSN: 2086-4132
TAHUN 6, VOLUME 2, DESEMBER 2014
-
8/17/2019 12 Jurnal STIS, Desember 2014
5/147
PENGANTAR REDAKSI
Syukur Alhamdulillah, di akhir tahun 2014 “Jurnal Aplikasi Statistika dan Komputasi
Statistik” tahun 6, volume 2, Desember 2014 dapat diterbitkan. Jurnal kampus STIS ini dapat
terwujud atas partisipasi Bapak/Ibu dosen di STIS beserta mahasiswa bimbingan skripsinya yang
telah mengirimkan artikel kepada redaksi, serta peran dari para editor jurnal. Untuk atensi dan
kerjasama yang baik guna keberlangsungan terbitnya jurnal ini redaksi mengucapkan
terimakasih.
Artikel yang dimuat dalam edisi jurnal kali ini menyajikan berbagai variasi penggunaan
metode statistika yang diterapkan di bidang ekonomi, dan penggunaan teknologi komputasi
dalam pengumpulan data statistik.
Semoga artikel dalam jurnal ini dapat menambah pengetahuan para pembaca tentang
penggunaan metode statistika serta komputasi statistik pada berbagai jenis data. Redaksi terus
menunggu artikel-artikel ilmiah selanjutnya dari Bapak/Ibu guna dapat menghasilkan publikasi
yang menjadi salah satu sarana untuk memberikan sosialisasi statistika bagi masyarakat.
Jakarta, Desember 2014
Salam,
E k a r i a
-
8/17/2019 12 Jurnal STIS, Desember 2014
6/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 1
KAJIAN PENGHITUNGAN NILAI TUKAR PETANI TANAMAN PANGAN (NTPP)
DI JAWA, BALI, DAN NUSA TENGGARA TAHUN 2011 – 2013
Ekaria
Dosen Sekolah Tinggi Ilmu Statistik
Atika Nashirah Hasyyati
Staf Badan Pusat Statistik
Abstract
This research was aimed to examine the relevance of the Farmers’ Term of Trade
(FTT) formula (Modified Laspeyres) by comparing with the Modified Laspeyres Plus and the Fisher-WM formulas. The result presented that FTT of Food Crop applying Fisher-WM had
nearly similar patterns with the Modified Laspeyres, while the Modified Laspeyres Plus tended
to fluctuative patterns. The FTT Fisher-WM had similar pattern with share of nonfood
expenditure, farmers’ purchasing power, and farming cost. Foreasting of FTT (Fisher -WM)
showed nearly similar result with FTT of BPS-Statistics Indonesia published in October and
November 2013. The welfare quality of the food crop farmers in West Java, Banten, and DIY
provinces was categorized as high welfare level; in Central and East Java provinces was
categorized as middle welfare level; in Bali, West and East Nusa Tenggara provinces was
categorized as low welfare level. Based on the results, the Modified Laspeyres formula has
been still relevant to be applied, except in revealing the seasonal pattern of food crop
production as shown by the Fisher-WM.
Keywords: FTT, Modified Laspeyres, Modified Laspeyres Plus, Fisher-WM, welfare
I. PENDAHULUAN
Nilai Tukar Petani (NTP) yang dikeluarkan Badan Pusat Statistik (BPS) sering menuai
kritik karena dianggap kurang dapat mewakili kesejahteraan petani Indonesia sesungguhnya.
Pada intinya, permasalahan tersebut ada karena kelemahan NTP yang di antaranya adalah
penggunaan kesamaan kuantitas produksi antarwaktu, melalui NTP tidak dapat diketahui
seluruh pendapatan yang diterima petani sesungguhnya, dan NTP hanya memandang
-
8/17/2019 12 Jurnal STIS, Desember 2014
7/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
kesejahteraan petani dari segi kuantitatif. Walaupun demikian, NTP telah memuat separuh
informasi tentang pendapatan petani sehingga disebut proxy kesejahteraan petani secara near
real time dengan asumsi kesamaan kuantitas produksi antarwaktu (Tim Subdit Statistik Harga
Perdesaan dan Unit Kerja Pimpinan BPS1, 2013). Kesamaan kuantitas produksi antarwaktu
digunakan dengan terlebih dahulu menentukan waktu dasar yang selanjutnya data kuantitastersebut digunakan selama beberapa waktu ke depan.
Penggunaan kesamaan kuantitas produksi antarwaktu dinilai kurang relevan karena
dengan kuantitas tetap berarti NTP tidak mengakomodasikan kemajuan produktivitas
pertanian, kemajuan teknologi dan pembangunan. Sebagaimana diketahui bahwa kemajuan
produktivitas pertanian sebagai kunci penentu kenaikan produksi yang mana produksi setiap
tahunnya berbeda – beda. Ditambah lagi, tidak terakomodasinya kemajuan teknologi dan input
produksi yang menggambarkan pembiayaan usaha tani mengakibatkan tidak dapat diketahuinaik atau turunnya kesejahteraan petani pada tahun berjalan. Lagi pula, penggunaan tahun
dasar dibandingkan dengan tahun berjalan berpotensi menjadi sumber kesalahan dalam
menghasilkan indeks (Erickson, 1996).
Di samping itu, melalui NTP tidak dapat diketahui seluruh pendapatan yang diterima
petani sesungguhnya. Hal ini disebabkan oleh komponen penyusun NTP yang tidak memuat
pendapatan di luar usaha tani, padahal hasil SPP 2013 menunjukkan bahwa pendapatan dari
usaha di sektor pertanian hanya mencakup 46,7 persen dari total pendapatan rumah tangga
pertanian. Apabila hanya mengandalkan usaha pertanian, petani akan sulit terbebas dari
kemiskinan. Kemiskinan petani tergambar dari rendahnya pengeluaran nonmakanan
dibandingkan dengan pengeluaran makanan. Oleh karena itu, pengembangan pendapatan di
luar usaha tani akan sangat membantu peningkatan kesejahteraan petani seperti dengan
mengolah hasil produk pertanian sehingga memiliki nilai tambah.
Berdasarkan paparan di atas, NTP penting untuk dikaji salah satunya dengan mengkaji
relevansi formula NTP ( Modified Laspeyres) yang dapat dilakukan dengan
membandingkannya dengan formula yang mengakomodasi penggunaan kuantitas periode
berjalan. Penelitian ini dibatasi pada NTP subsektor tanaman pangan di Jawa, Bali, dan Nusa
Tenggara. Hal ini disebabkan oleh subsektor tanaman pangan mendominasi subsektor
pertanian di Indonesia (berdasarkan ST 2013, dari 31,7 juta petani di Indonesia, sebanyak 20,4
juta petani adalah petani tanaman pangan). Subsektor tanaman pangan yang mendominasi
pertanian di Indonesia sebagian besar rumah tangga usaha pertaniannya berada di wilayah
Jawa, Bali, dan Nusa Tenggara. Rumah tangga usaha tanaman pangan di delapan provinsi di
1 Disampaikan oleh Sasmito Hadi Wibowo, Deputi Bidang Statistik Distribusi dan Jasa BPS RI, pada 28 Maret
2013.
-
8/17/2019 12 Jurnal STIS, Desember 2014
8/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 3
Jawa, Bali, dan Nusa Tenggara mencapai sekitar 69 persen dari seluruh rumah tangga tanaman
pangan di Indonesia (ST 2013). Selain itu, wilayah Jawa, Bali, dan Nusa Tenggara dipilih
karena memiliki pola hujan monsoon (Daryatno, 2013) yang akan berpengaruh terhadap
produksi tanaman pangan di wilayah tersebut.
Adapun tujuan khusus dari penelitian ini yaitu: (1) melakukan perbandingan NTPP Modified Laspeyres (publikasi BPS) dengan Modified Laspeyres Plus dan Fisher-WM di Jawa,
Bali, dan Nusa Tenggara periode Januari 2011 – September 2013; (2) mempelajari kemiripan
NTPP dengan ukuran kesejahteraan lain (pengeluaran nonmakanan, daya beli petani, dan
pembiayaan usaha tani); (3) mengetahui kesesuaian penghitungan NTPP dibandingkan dengan
NTPP publikasi BPS; (4) mengetahui tingkat kesejahteraan petani di Jawa, Bali, dan Nusa
Tenggara berdasarkan NTPP.
II. METODOLOGI
Kesejahteraan Petani
Badan Pusat Statistik (2010) menggunakan delapan indikator kesejahteraan yaitu
kependudukan, kesehatan dan gizi, pendidikan, ketenagakerjaan, taraf dan pola konsumsi,
perumahan dan lingkungan, kemiskinan serta sosial lainnya yang menjadi acuan dalam upaya
peningkatan kualitas hidup. Jadi, kesejahteraan dapat didefinisikan sebagai terpenuhinya
beberapa aspek kehidupan seperti kesehatan, pendidikan, dan perumahan sesuai dengan
standar kualitas hidup yang layak, yang dapat digambarkan pula melalui kemampuan
memenuhi aspek – aspek kehidupan tersebut.
Pada hakikatnya, pembangunan sektor pertanian diperlukan untuk meningkatkan
kesejahteraan petani. Adapun kesejahteraan petani ditunjukkan melalui perkembangan struktur
pendapatan, perkembangan pengeluaran untuk pangan, dan perkembangan nilai tukar petani
(Burhansyah, 2012). Perkembangan struktur pendapatan menunjukkan perkembangan dari
sumber pendapatan utama keluarga petani. Selanjutnya Burhansyah, (2012) menjelaskan
bahwa perkembangan pengeluaran untuk pangan dapat dipakai sebagai salah satu indikator
keberhasilan ekonomi perdesaan. Hal ini disebabkan oleh semakin besarnya pangsa
pengeluaran untuk pangan menunjukkan bahwa pendapatan rumah tangga tani masih
terkonsentrasi untuk memenuhi kebutuhan dasar (subsisten). Hukum Engel menyatakan bahwa
dengan asumsi selera seseorang adalah tetap, proporsi pengeluaran rumah tangga untuk pangan
akan semakin kecil seiring dengan semakin meningkatnya pendapatan (Susilowati, dkk.,
2010). Selain perkembangan struktur pendapatan dan perkembangan pengeluaran untuk
-
8/17/2019 12 Jurnal STIS, Desember 2014
9/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
pangan, perkembangan nilai tukar petani secara konsepsi merupakan representasi tingkat
kesejahteraan petani.
Askari dan Cummings (1977: 258) yang membahas model Nerlove memberi suatu
solusi bahwa harga riil dari output pertanian dapat ditentukan dari salah satu hal berikut:
(a) the price of the crop actually received by farmers; (b) the ratio of the price of the
crop received by farmers to some consumer price index; (c) the ratio of the price of the crop
received by f armers to some price index of the farmers’ input; (d) the ratio of the price of the
crop received by farmers to some index of the price of competitive crops (or the price of the
most competitive crops).
Poin (a) yang merupakan harga yang diterima oleh petani termasuk komponen dari
NTP. Sementara itu, poin (b) identik dengan daya beli rumah tangga tani, dan poin (c) dapat
dipandang sebagai pembiayaan usaha tani. Nilai Tukar Petani (NTP) merupakan salah satu proxy tingkat kesejahteraan petani di Indonesia. Berdasarkan konsep dan definisi Badan Pusat
Statistik, Nilai Tukar Petani adalah angka perbandingan antara indeks harga yang diterima
petani dengan indeks harga yang dibayar petani yang dinyatakan dalam persentase.
Formula Indeks Utama (Major I ndex Formula )
Formula indeks utama adalah indeks Laspeyres, Paasche, dan Fisher. Indeks harga
Laspeyres dengan kuantitas periode pertama (lebih awal) digunakan untuk mengetahui biaya
yang diperlukan pada periode kedua, relatif terhadap periode pertama, untuk membayar
keranjang barang dan jasa yang sama yang dibayar pada periode pertama (Pink, 2011).
Pendekatan yang digunakan pada indeks Paasche adalah kuantitas periode kedua (periode yang
lebih terkini). Hal ini untuk mengetahui biaya yang diperlukan pada periode pertama, relatif
terhadap periode kedua, untuk membayar keranjang barang dan jasa dalam jumlah sama yang
dibayar pada periode kedua (Pink, 2011). Indeks Fisher dengan kombinasi (rata – rata) dari
kuantitas dua periode merupakan pendekatan yang digunakan untuk mengatasi beberapa
kelemahan dalam penggunaan keranjang yang tetap pada kedua periode (Pink, 2011).
Indeks Fisher diperoleh berdasarkan rata – rata geometrik dari perkalian antara indeks
Laspeyres dan Paasche. Oleh karena itu, indeks Fisher dianggap sebagai indeks yang paling
ideal. Selain itu, indeks Fisher dikatakan ideal karena hanya formula indeks Fisher yang
memenuhi time reversal test (Afriat dan Milana, 2009). Ketika sejumlah barang harganya naik
sangat cepat, konsumen akan memilih barang substitusi yang harganya naik lebih lambat atau
harganya lebih murah. Pada kondisi seperti itu, indeks harga Fisher - Ideal akan lebih
mencerminkan efek substitusi daripada indeks Laspeyres sehingga indeks harga Fisher - Ideal
disebut indeks superlatif (McCully, Moyer, dan Stewart, 2007).
-
8/17/2019 12 Jurnal STIS, Desember 2014
10/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 5
Formula Indeks yang Dikembangkan BPS
Untuk mengatasi permasalahan sering terjadinya perubahan kualitas dari jenis
barang/jasa yang masuk dalam paket komoditas IHK, maka rumus indeks Laspeyres telah
dimodifikasi (BPS, 2013). Modified Laspeyres Plus adalah modifikasi ulang dari formula Modified Laspeyres dengan tujuan indeks yang dihasilkan dapat lebih sensitif terhadap gejolak
harga, namun memiliki standar error yang tinggi, formula ini dikembangkan BPS pada 2010
(Suprihartiningsih, 2012; Wibowo, 2013). Hal ini disebabkan oleh formula Laspeyres biasa
hanya akan menghasilkan indeks yang representatif pada kondisi normal tanpa adanya
perubahan harga yang ekstrem. Selain itu, untuk menghitung IHK pada 2011 BPS
mengembangkan Fisher-WM yang memiliki tujuan sama dengan Modified Laspeyres Plus,
namun memiliki standar error rendah (Wibowo, 2013). Hasil simulasi Herliati (2011), padadata empiris untuk penghitungan IHK, menyimpulkan bahwa indeks Fisher-WM merupakan
indeks yang paling mendekati indeks Fisher.
Metode Analisis
Formula NTP yang digunakan BPS ( Modified Laspeyres) dalam penelitian ini
dibandingkan dengan formula Modified Laspeyres Plus dan Fisher-WM. Cakupan wilayah
penelitian adalah delapan provinsi di Jawa, Bali, dan Nusa Tenggara (kecuali DKI Jakarta)
dengan menggunakan tahun dasar 2007 selama Januari 2011 – September 2013. Data dalam
penelitian ini merupakan data sekunder ( subround , bulanan, dan triwulanan) tahun 2011 –
2013 yang diperoleh dari Subdit Statistik Tanaman Pangan (luas panen dan produktivitas),
Subdit Statistik Harga Perdesaan (NTP), dan Susenas Modul Konsumsi (jumlah konsumsi
masing – masing komoditas).
Penelitian ini membahas hasil penghitungan NTPP ketiga metode dengan grafik dan
tabel. Adapun kemiripan NTPP dengan ukuran kesejahteraan lain (pengeluaran nonmakanan,
daya beli petani, dan pembiayaan usaha tani) dilihat melalui koefisien korelasi. Untuk
mengetahui kesesuaian NTPP digunakan metode Holt Winters’ Seasonal Additive.
Selanjutnya, untuk mengetahui tingkat kesejahteraan petani tanaman pangan di Jawa, Bali, dan
Nusa Tenggara digunakan analisis cluster .
Korelasi
Alternatif koefisien korelasi adalah korelasi Rank Spearman (Siegel, 1986):
nn
d61r
3
2
i
s
(1)
-
8/17/2019 12 Jurnal STIS, Desember 2014
11/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
Korelasi Rank Spearman ini digunakan untuk data yang minimal berskala ordinal.
Selain itu, korelasi Pearson digunakan untuk data yang minimal berskala interval,
korelasi ini cocok untuk sepasang data yang memiliki hubungan linier.
2i
2i
2i
2i
iiii
YYnXXn
YXYXnr (2)
Makna kekuatan hubungan dari besaran koefisien korelasi adalah semakin mendekati -1 atau 1
maka terdapat hubungan yang sangat kuat, sebaliknya semakin mendekati nilai nol maka
hubungan sangat lemah atau semakin kurang berarti.
Holt Winters’ Seasonal
Metode ini digunakan khusus untuk data dengan pola musiman ( seasonal ) yang tidak
efektif apabila dimodelkan dengan regresi polynomial . Metode yang dikenal dengan metode
Winters’, diperkenalkan oleh Holt pada 1957 dan Winters pada 1960. Metode ini dibagi
menjadi dua seasonal adjustment yaitu additive dan multiplicative (Montgomery, Jennings,
dan Kulahci, 2008).
1. Addi tive Seasonal Model
Metode additive digunakan ketika terdapat trend linier dan pola musiman yang bersifat
additive. Hyndman, dkk. (2008) menuliskan metode Holt-Winters’s additive sebagai berikut.
Additive Seasonality (A, A Method)
Level : lt = l(yt - st-m) + (1 - etholt-1 + bt-1) (3)Growth : bt = β
* (lt - lt-1) + (1 - β*) bt-1 (4)Seasonal : st = so(yt - lt-1 - bt-1) + (1 - st-m (5)
Forecast : ŷ t+h|t = lt + bt h + st-m+hm+ (6)
2. Mul tipli cative Seasonal Model Model ini digunakan apabila pola musimannya bersifat multiplicative. Hyndman, dkk
(2008) dalam Forecasting with Exponential Smoothing menuliskan persamaan dasar untuk
metode Holt-Winters’ Multiplicative sebagai berikut:
Level : lt = elyt
st-m + (1 - berlt-1 + bt-1) (7)
Growth: bt = β* (lt - lt-1) + (1 - +*) bt-1 (8)
Seasonal : st =γ yt
lt-1 + bt-1 + (1 - st-m (9)
Forecast : ŷ t+h|t = (lt + bt h) st-m+hm+ (10)
-
8/17/2019 12 Jurnal STIS, Desember 2014
12/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 7
Keterangan:
m: panjang seasonal (jumlah bulan musiman setahun)
lt: level series
bt: pertumbuhan
st: komponen seasonal ŷ t+h|t: peramalan pada periode hhm
+ =1, 2, . .., m
Parameter (α,β*,dan γ) nilainya berkisar antara 0 dan 1.
Analisis Cluster
Pengelompokan berdasarkan analisis Cluster dilakukan melalui ukuran kemiripan
( similarity) atau ketakmiripan (dissimilarity). Salah satu ukuran kemiripan adalah jarak
Euclidean. Johnson dan Wichern (2007) menyebutkan bahwa jarak Euclidean (garis lurus)
antara dua p-dimensi observasi (items) x' = [x1, x2, ..., x p] dan y' = y1, y2, ..., y p adalahdx,y = (x1 - y1)2 + (x2 - y2)2 + ala x p - y p2 = (x - y)'(x - y) (11)Selain jarak Euclidean, jarak dari dua observasi berdimensi p dapat dihitung dengan
jarak Mahalanobis. Jarak Mahalanobis dengan A = S-1, dengan S yang memuat varian dan
kovarian dari sampel. Dengan demikian, jarak Mahalanobis memperhitungkan korelasi
antarvariabel. Jarak Mahalanobis dapat dihitung dengan rumus:
dx,y = (x - y)' A (x - y) (12)
1. Metode Berhierarki
a. Teknik Penggabungan (Agglomerative )
Teknik ini dimulai dari satu individu/objek dilanjutkan dengan penggabungan objekyang paling banyak memiliki kemiripan. Begitu seterusnya, penggabungan dilanjutkan
berdasarkan kemiripannya. Ada beberapa metode yang menggunakan dasar kemiripan
antarobjek, yaitu pautan tunggal ( single linkage atau jarak minimum atau nearest neighbor ),
pautan lengkap (complete linkage atau jarak maksimum atau farthest neighbor ), average
linkage (jarak rataan), centroid (sentroid), median, dan metode ward’s. Menurut Seber (2004),
metode median dan metode centroid memiliki kesamaan. Perbedaannya adalah pada metode
median, cluster baru digantikan dengan rata-rata tidak tertimbang, x̅ =1
2 (x̅ 1 + x̅ 2) (Gowerdalam Seber, 2004). Metode median digunakan untuk mengatasi kelemahan metode centroid ,
-
8/17/2019 12 Jurnal STIS, Desember 2014
13/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
apabila kelompok yang kecil digabungkan dengan yang besar akan menghilangkan
identitasnya dan sentroid baru akan ada di kelompok yang besar.
b. Teknik Pembagian (Divisive )
Berbeda dengan teknik penggabungan, teknik pembagian bekerja dengan membagi
sebuah objek menjadi dua sedemikian rupa sehingga antarobjek tersebut terbentuksubkelompok yang “jauh dari” objek lainnya. Selanjutnya, subkelompok tersebut dibagi
kembali menjadi subkelompok yang lebih kecil sehingga berbeda, begitu seterusnya.
2. Metode Nonhierarki
Jumlah cluster , K, ditentukan terlebih dahulu sebagai tahap awal dari prosedur
mengelompokkan dan biasanya metode ini lebih digunakan untuk mengelompokkan objek
daripada variabel. Metode ini dapat dimulai dengan membagi objek ke dalam kelompok-
kelompok atau dengan membentuk pusat (nuclei) cluster terlebih dahulu.
Perbandingan Formula Indeks
Data harga (Pt , P0 ) dan volume/kuantitas (Q0) diperlukan untuk menghitung NTPPtelah tercakup dalam data diagram timbang penghitungan BPS. Penghitungan NTPP untuk
indeks harga yang diterima petani (IT) dengan menggunakan data volume produksi tanaman
pangan periode berjalan (bulanan) yang diperoleh dengan mengalikan luas panen (bulanan)
dengan produktivitas ( subround ). Komoditas dalam IT dengan kuantitas periode berjalan
adalah kacang tanah, kacang hijau, dan kedelai karena harganya yang fluktuatif selama periode
penelitian. Indeks harga yang dibayarkan petani (IB) menggunakan periode berjalan (bulanan)
untuk komoditas beras, cabai, dan bawang merah dalam Indeks Konsumsi Rumah Tangga
(IKRT) dan periode dasar untuk Indeks Biaya Produksi dan Penambahan Barang Modal
(BPPBM). Komoditas beras, cabai, dan bawang merah dipilih dengan mempertimbangkan
fluktuasi harganya. Volume periode berjalan (bulanan) untuk IKRT diperoleh melalui nilai
elastisitas permintaan setiap bulan Maret dan September di tahun yang bersangkutan dari data
Susenas Triwulan I dan III. Nilai elastisitas permintaan suatu barang menggunakan rumus
sebagai berikut (Pyndick dan Rubinfeld, 2008):
ΔP/P
ΔQ/QE p (13)
Dengan Q dan P adalah kuantitas dan harga, yang berarti bahwa persentase perubahan
kuantitas barang yang diminta disebabkan oleh persentase peningkatan harga dari barang
tersebut.
Modif ied Laspeyres
-
8/17/2019 12 Jurnal STIS, Desember 2014
14/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 9
k
1i
i0i0
k
1i
i01)i(t
1)i(t
it
ML(t)
QP
QPP
P
I (14)
ML(t)
I : Indeks Modified Laspeyres periode ke-t
itP : Harga komoditas ke-i periode ke-t
1)i(tP : Harga komoditas ke-i periode ke-(t-1)
i01)i(t QP : Nilai konsumsi komoditas ke-i, periode ke-(t-1)
k : Jumlah jenis komoditas; k = 7 (IT), k = 361 (IB)
Modif ied Laspeyres Plus
M
1i
i0i0
it1)i(t
r
1i 1)i(t
itio1)i(t
r M
1i 1)i(t
it
(t)ML
QP
QPP
PQP
P
P
I (15)
(t)MLI : Indeks Modified Laspeyres Plus periode ke-t
itP : Harga komoditas ke-i, periode ke-t
1)i(tP : Harga komoditas ke-i, periode ke-(t-1)
i01)i(t QP : Nilai konsumsi komoditas ke-i, periode ke-(t-1) dengan kuantitas
tahun dasar
it1)i(t QP : Nilai konsumsi komoditas ke-i, periode ke-(t-1) dengan kuantitas
periode ke-t
i0i0 QP : Nilai konsumsi di periode dasar
M - r : Jumlah jenis komoditas yang dihitung dengan kuantitas periode
dasar
r : Jumlah jenis komoditas yang dihitung dengan kuantitas terkini
M : Jumlah seluruh komoditas yang tercakup dalam penghitungan NTP
Fisher-WM
s
1i
sM
1 j
jt j0i0i0
s
1i
sM
1 j
jt jti0it
WM(t)F
QPQP
QPQP
I (16)
-
8/17/2019 12 Jurnal STIS, Desember 2014
15/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
WM(t)FI : Indeks Fisher-WM periode ke-t
M : Jumlah seluruh komoditas yang tercakup dalam penghitungan NTP
s : Jumlah seluruh komoditas yang dihitung dengan kuantitas periode dasar
M - s : Jumlah seluruh komoditas yang dihitung dengan kuantitas periode berjalan.
III. HASIL DAN PEMBAHASAN
Perkembangan NTPP di Jawa, Bali, dan Nusa Tenggara Tahun 2011 – 2013
NTPP yang dihitung dengan tiga formula di Jawa, Bali, dan Nusa Tenggara selama
Januari 2011 – September 2013 tidak memiliki trend naik atau turun (Lampiran). NTPP
Modified Laspeyres menunjukkan pola yang cenderung stabil, sedangkan NTPP Fisher-WM
dan Modified Laspeyres Plus menunjukkan pola musiman. NTPP Fisher-WM terlihat turun
pada setiap awal tahun sepanjang 2011 – 2013 yang dapat disebabkan oleh kegagalan panen
akibat banjir yang dialami sebagian besar petani di Jawa, Bali, dan Nusa Tenggara atau musim
panen yang menyebabkan rendahnya harga jual. Sementara itu, NTPP Modified Laspeyres
Plus memiliki pola musiman yang bervariasi di setiap provinsi amatan.
NTPP Fisher-WM lebih stabil daripada NTPP Modified Laspeyres Plus karena
memiliki error yang lebih kecil di hampir setiap bulannya selama Januari 2011 – September2013 dan hampir di seluruh provinsi. Selain itu, berdasarkan perbandingan erornya, varian
error dari NTPP Fisher-WM terhadap NTPP Modified Laspeyres jauh lebih kecil daripada
NTPP Modified Laspeyres Plus terhadap NTPP Modified Laspeyres. Rata – rata error dari
NTPP Fisher-WM terhadap NTPP Modified Laspeyres tidak mengalami perubahan yang tajam
di setiap provinsi dan cenderung berada di atas nilai nol. Rata – rata error yang berada di atas
nol berarti bahwa nilai NTPP Fisher-WM relatif lebih besar daripada nilai NTPP Modified
Laspeyres. Berbeda dengan NTPP Fisher-WM, nilai NTPP Modified Laspeyres Plus relatiflebih kecil dibandingkan dengan NTPP Modified Laspeyres. Dengan demikian, NTPP Fisher-
WM lebih mendekati NTPP Modified Laspeyres dibandingkan dengan NTPP Modified
Laspeyres Plus.
-
8/17/2019 12 Jurnal STIS, Desember 2014
16/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 11
Tabel 1. Perbandingan error NTPP Modif ied Laspeyres Plus dan NTPP
Fisher-WM terhadap Modif ied L aspeyres
Provinsi Modified Laspeyres Plus Fisher-WM
Rata-Rata Error
Varian Error Rata-Rata Error Varian Error
(1) (2) (3) (4) (5)
32 -6,1617 52,80258 8,83 70,56349
33 -6,7864 67,3136 -0,12 19,42405
34 6,01361 2505,74 -2,14 33,25952
35 1,07903 60,60068 1,54 21,32397
36 -6,6701 80,6071 6,76 74,36192
51 -16,381 58,93031 2,27 71,81524
51 -12,27 19,44458 0,00 11,5992
52 0,30898 297,5408 6,83 15,49777
53 -10,335 29,55026 -3,50 28,10694
Kemiripan NTPP dengan Pengeluaran Nonmakanan, Daya Beli Petani, dan Pembiayaan
Usaha Tani
Pergerakan NTPP Fisher-WM sesuai dengan pergerakan pengeluaran nonmakanan,
terutama di Provinsi Jawa Barat, Jawa Tengah, DIY, NTB, dan NTT. Hal ini diperkuat oleh
koefisien korelasi yang secara umum dapat dikatakan bahwa terdapat korelasi yang kuat,
korelasi yang sangat kuat terjadi di Provinsi Jawa Tengah dengan koefisien korelasi mencapai
0,746 (Tabel 2). Sementara itu, hanya di Provinsi Banten yang koefisien korelasinya bertanda
negatif, namun memiliki kemiripan yang dibuktikan oleh kuatnya korelasi keduanya. Pola
yang tidak menentu dari pengeluaran total dan pengeluaran makanan juga terjadi pada
penelitian Purwantini dan Ariani (2008) yang diduga karena rumah tangga dalam menentukan
jumlah dan jenis pangan yang dikonsumsi tidak selalu mengacu pada pendapatannya. Hal ini
berarti bahwa terdapat aspek lain yang menentukan pola konsumsi seperti budaya. Adanya
indikasi bahwa petani akan banyak mengeluarkan biaya untuk produksi ketika terancam gagal
panen sehingga kualitas produksi rendah dan kesejahteraan petani menurun. Hal ini terbukti
dari grafik yang menunjukkan deviasi dari pergerakan NTPP dengan pengeluaran
nonmakanan, deviasi ini terjadi di saat – saat yang biasanya petani terancam gagal panen. Hal
ini sebagaimana yang dinyatakan oleh Foster dan Rausser (1990) bahwa petani harus
mengalokasikan biaya dalam menghadapi kemungkinan gagal panen yang semakin meningkat.
Selain itu, dalam komponen NTP, bobot BPPBM lebih tinggi dibandingkan dengan bobot
) Bali tanpa cabai
-
8/17/2019 12 Jurnal STIS, Desember 2014
17/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
perumahan, sandang, pendidikan dan rekreasi, transportasi. Hal ini berarti bahwa dalam NTP
sangat diperhitungkannya bobot keperluan usaha tani.
Pergerakan NTPP Fisher-WM memiliki kemiripan dengan pergerakan daya beli
petani/Nilai Tukar Konsumsi Petani (NTKP) selama Januari 2011 – September 2013 di Jawa,
Bali, dan Nusa Tenggara. Hal ini diperkuat oleh nilai koefisien korelasi yang terbilang kuat, bahkan sangat kuat di Provinsi Jawa Barat, Jawa Tengah, Jawa Timur, Bali, dan NTT karena
koefisien korelasi yang lebih dari 0,8 (Tabel 2). NTPP Fisher-WM di Jawa, Bali, dan Nusa
Tenggara memiliki kemiripan dengan kemampuan petani untuk membiayai usaha taninya. Hal
ini ditunjukkan oleh pergerakan NTPP Fisher-WM dengan pembiayaan usaha tani/Nilai Tukar
Faktor Produksi (NTFP) dan diperkuat oleh nilai koefisien korelasi yang menunjukkan
hubungan kuat (Tabel 2). NTPP Fisher-WM paling mirip dengan NTFP di Provinsi Jawa Barat
dengan nilai koefisien korelasi yang mencapai 0,908, sedangkan terendah di Provinsi JawaTengah sebesar 0,680. Kemiripan yang ditunjukkan oleh NTPP dengan tiga ukuran tersebut
menunjukkan bahwa NTPP Fisher-WM dapat menggambarkan kesejahteraan petani dari sisi
pengeluaran nonmakanan, daya beli petani, dan pembiayaan usaha tani. Tingginya pengeluaran
nonmakanan, daya beli petani, dan pembiayaan usaha tani menandakan bahwa kesejahteraan
petani tinggi.
Tabel 2. Kemiripan NTPP dengan pengeluaran nonmakanan, daya beli petani, dan
pembiayaan usaha tani
ProvinsiPengeluaran
NonmakananDaya Beli Petani
PembiayaanUsaha Tani
(1) (2) (3) (4)
Jawa Barat 0,524 0,928 0,908
Jawa Tengah 0,746 0,811 0,680
DIY 0,662 0,787 0,768
Jawa Timur 0,555 0,890 0,846
Banten -0,591 0,763 0,744Bali 0,406 0,913 0,860
NTB 0,648 0,660 0,709
NTT 0,553 0,947 0,875
Peramalan Nilai NTPP
Berdasarkan peramalan yang dilakukan terhadap NTPP Fisher-WM di masing –
masing provinsi, diperoleh model dengan nilai MAPE di bawah 10 persen (Tabel 3). Hal ini
berarti bahwa peramalan sangat sesuai dengan publikasi NTPP BPS. Akan tetapi, peramalan di
-
8/17/2019 12 Jurnal STIS, Desember 2014
18/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 13
Jawa Barat, Banten, dan NTB memiliki error yang paling besar di antara provinsi lainnya pada
Oktober dan November 2013. Hasil peramalannya menunjukkan angka yang lebih tinggi
dibandingkan dengan data publikasi BPS, tetapi tidak berbeda jauh dengan data publikasi
BPS. Selang prediksi dari hasil peramalan masih menunjukkan bahwa perbedaan dengan data
publikasi BPS tidak begitu besar. Rata – rata error pada Oktober 2013 sebesar -3,64,sedangkan rata – rata error pada November 2013 sebesar -4,8473. Hal ini menunjukkan bahwa
peramalan NTPP di delapan provinsi tersebut memiliki nilai yang mendekati data publikasi
BPS.
Tabel 3. Peramalan NTPP di Jawa, Bali, dan Nusa Tenggara Oktober dan
November 2013
Provinsi
Forecast
MAPE
Data Publikasi BPS
Okt’13 Nov’13 Okt’13 Nov’13
(1) (2) (3) (4) (5) (6)
Jawa Barat 119,316 123,616 1,7898 108,27 108,81
Jawa Tengah 104,985 105,763 1,5129 107,34 106,81
DIY 115,378 120,034 1,7052 115,46 114,57
Jawa Timur 103,252 101,678 1,1734 105,64 104,83
Banten 125,744 128,750 1,8550 114,27 115,97
Bali 92,5715 94,75 4,7305 90,51 90,98
NTB 102,336 100,992 2,5366 88,39 88,88
NTT 90,9182 89,3757 1,0194 95,48 95,33
Pengelompokan Provinsi di Jawa, Bali, dan Nusa Tenggara Berdasarkan Kesejahteraan
Petani Tanaman Pangan
Pembentukan tiga kelompok di Jawa, Bali, dan Nusa Tenggara menghasilkan provinsi
dengan tingkat kesejahteraan petani tanaman pangan yang tinggi adalah Provinsi Jawa Barat,
Banten, dan DIY. Provinsi yang tergolong dengan tingkat kesejahteraan petani tanaman
pangan yang sedang adalah Provinsi Jawa Tengah dan Jawa Timur. Adapun provinsi yang
tergolong dengan tingkat kesejahteraan petani tanaman pangan yang rendah adalah Provinsi
Bali, NTB, dan NTT.
Kesejahteraan petani tinggi di Jawa Barat, Banten, dan DIY dapat disebabkan oleh
lebih banyaknya penerimaan petani karena tidak terjadinya keterlambatan masa tanam di
wilayah tersebut. Keterlambatan masa tanam disebabkan oleh El Nino dan La Nina yang
menurut Juaeni, dkk. dalam Satiadi, dkk., (2010) tidak berpengaruh pada wilayah – wilayah
yang memiliki topografi dataran tinggi (nilai elevasi lebih besar dari 100 meter dari permukaan
laut). Topografi dataran tinggi tersebut banyak terdapat di wilayah Jawa Barat, Banten, dan
DIY sehingga terdapat kadar air tanah yang cukup. Sementara itu, petani tanaman pangan di
-
8/17/2019 12 Jurnal STIS, Desember 2014
19/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
Jawa Tengah dan Jawa Timur kesejahteraannya tergolong sedang. Apabila dilihat dari segi
topografinya, wilayah dengan ketinggian di atas 100 mdpl di Jawa Tengah kurang lebih
sebesar 46,73 persen, sedangkan di Jawa Timur wilayah dengan ketinggian di atas 100 mdpl
hanya meliputi Kabupaten Trenggalek, Blitar, Malang, Bondowoso, Magetan, Kota Blitar,
Kota Malang, dan Kota Batu. Hal ini berarti beberapa wilayah di Jawa Tengah dan Jawa Timurmudah terpengaruh oleh El Nino dan La Nina. Lebih jauh lagi, bagian timur Pulau Jawa
umumnya lebih kering daripada bagian barat sehingga awal musim kemarau bergerak dari
bagian timur ke arah barat (Satiadi, dkk., 2010). Adapun kesejahteraan petani tanaman pangan
yang rendah di Bali, NTB, dan NTT menunjukkan bahwa di ketiga provinsi tersebut,
penerimaan petani masih rendah padahal petani harus memenuhi konsumsi rumah tangga dan
input usaha tani dengan biaya yang tidak sebanding dengan penerimaannya. Wilayah Bali,
NTB, dan NTT adalah wilayah yang umumnya berupa lahan kering beriklim kering dengancurah hujan
-
8/17/2019 12 Jurnal STIS, Desember 2014
20/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 15
dapat menjadi kurang efisien (dari segi biaya) dibandingkan dengan Modified Laspeyres.
Penelitian selanjutnya dapat menambah periode penelitian (kurangnya periode penelitian dapat
menjadi penyebab kemiripan dari formula Modified Laspeyres dengan Fisher-WM),
menggunakan tahun dasar terbaru (2012 = 100), mencakup seluruh subsektor pertanian, dan
pada 33 provinsi di Indonesia.
DAFTAR PUSTAKA
Afriat, S.N. dan Milana, C. 2009. Economics and the Price Index. New York: Routledge.
Agus, F., Subagyono, K., dan Surmaini, E. 2003. Teknologi Konservasi Air dan IrigasiSuplemen Untuk Optimasi Pertanian Lahan Kering. Prosiding Lokakarya NasionalSistem Integrasi Kelapa Sawit – Sapi 2003. Bogor: Puslitbangnak.
Askari, H. dan Cummings, J. T. 1977. Estimating Agricultural Supply Response with The Nerlove Model: A Survey. International Economic Review, Vol. 18 (2), 257-292.
Badan Pusat Statistik. 2010. Indikator Kesejahteraan Rakyat 2009. Jakarta: Badan PusatStatistik.
Badan Pusat Statistik. 2013. Pedoman Pengolahan Nilai Tukar Petani. Jakarta: Badan Pusat
Statistik.
Badan Pusat Statistik. 2013. Statistik Nilai Tukar Petani di Indonesia. Jakarta: Badan PusatStatistik.
Burhansyah, Rusli. 2012. Dinamika Indikator Kesejahteraan Petani di Kabupaten Kubu Rayadan Sanggau, Provinsi Kalimantan Barat . Siantan Hulu: Balai Pengkajian TeknologiPertanian Kalimantan Barat.
Daryatno. 2013. Implikasi Perubahan Pola Curah Hujan Terhadap Waktu Tanam Jagung (Zeamays L.) pada Lahan Kering di Daerah Gerogak Kabupaten Buleleng. Tesis. Denpasar.
Erickson, Timothy. 1996. Effects of Mismeasuring Base Period Prices When Estimating theLaspeyres Index: Some Idealized Cases. Bureau of Labor Statistics Working Paper,284.
Foster, William E. dan Rausser, Gordon C. 1990. Farmer Behavior Under Risk of Failure.Working Paper , 488.
Herliati, Medya. 2011. Perbandingan Formula Penghitungan Indeks Harga Konsumen(Simulasi dan Studi Kasus pada Beras dan Cabai di DKI Jakarta Periode Januari 2010 – Maret 2011). Skripsi. Jakarta.
Hyndman, Rob J., dkk. 2008. Forecasting with Exponential Smoothing: The State Space Approach. Berlin: Springer.
-
8/17/2019 12 Jurnal STIS, Desember 2014
21/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
Johnson, Richard A. dan Wichern, Dean W. 2007. Applied Multivariate Statistical Analysis. New Jersey: Pearson Prentice Hall.
McCully, Clinton P., Moyer, Brian C., dan Stewart, Kenneth J. 2007. A Reconciliationbetween the Consumer Price Index and the Personal Consumption Expenditures Price
Index. Washington: Bureau of Economic Analysis and Bureau of Labor Statistics.
Montgomery, Douglas C., Jennings, Cheryl L., dan Kulahci, M. 2008. Introduction to TimeSeries Analysis and Forecasting . New Jersey: John Wiley & Sons.
Pink, Brian. 2011. Consumer Price Index: Concepts, Sources and Methods. Canberra:Australian Bureau of Statistics.
Purwantini, Tri Bastuti dan Ariani, M. 2008. Pola Konsumsi Pangan pada Rumah TanggaPetani Padi. Dinamika Pembangunan Pertanian dan Perdesaan: Tantangan dan
Peluang bagi Peningkatan Kesejahteraan Petani. Bogor: Departemen Pertanian.
Pyndick, Robert S. dan Rubinfeld, Daniel L. 2008. Microeconomics, Seventh Edition. NewJersey: Pearson Education.
Rachmat, Muchjidin. 2000. Analisis Nilai Tukar Petani Indonesia. Disertasi. Bogor.
Rachmat, M., Rivai, Rudy S., dan Nuryanti, S. 2013. Analisa Nilai Tukar Petani (NTP)Sebagai Bahan Penyusunan RPJMN Tahun 2015-2019. Jakarta: BAPPENAS.
Satiadi, D., dkk. 2010. Pengembangan Model Atmosfer Berbasis PC untuk Prediksi danSimulasi Iklim Skala Provinsi. Bandung: Lembaga Penerbangan dan Antariksa
Nasional.
Seber, George A. F. 2004. Multivariate Observations. New Jersey: John Wiley & Sons.
Siegel, Sidney. 1986. Nonparametric Statistics for the Behavioral Sciences (TerjemahanZanzawi Suyuti dan Landung Simatupang dalam Koordinasi Peter Hagul). Jakarta: PTGramedia Pustaka Utama.
Simatupang, Pantjar dan Maulana, Mohamad. 2007. Kaji Ulang Konsep dan Perkembangan Nilai Tukar Petani Tahun 2003 – 2006 . Bogor: Pusat Analisis Sosial Ekonomi danKebijakan Pertanian.
Sunarti, Euis dan Ali Khomsan. 2012. Kesejahteraan Keluarga Petani Mengapa Sulit Diwujudkan http://demografi.bps.go.id/phpfiletree/bahan/kumpulan_tugas_mobilitas_pak_chotib/K elompok_11/Mobilitas_Penduduk_Kelompok_11/Daftar_pustaka_fix/Sunarti-Jurnal-Kesejahteraan_Kelurga_Petani.pdf (Diakses 1 Februari, 2014).
Suprihartiningsih, Erna. 2012. Perbandingan Formula Penghitungan Indeks Harga Konsumen(Simulasi dan Studi Kasus pada Beras dan Cabai di Samarinda dan Semarang PeriodeJanuari 2010 – Desember 2011). Skripsi. Jakarta.
Susilowati, S. H., dkk. 2010. Indikator Pembangunan Pertanian dan Pedesaan: KarakteristikSosial Ekonomi Petani Padi. Jakarta: Departemen Pertanian.
http://demografi.bps.go.id/phpfiletree/bahan/kumpulan_tugas_mobilitas_pak_chotib/Kelompok_11/Mobilitas_Penduduk_Kelompok_11/Daftar_pustaka_fix/Sunarti-Jurnal-Kesejahteraan_Kelurga_Petani.pdfhttp://demografi.bps.go.id/phpfiletree/bahan/kumpulan_tugas_mobilitas_pak_chotib/Kelompok_11/Mobilitas_Penduduk_Kelompok_11/Daftar_pustaka_fix/Sunarti-Jurnal-Kesejahteraan_Kelurga_Petani.pdfhttp://demografi.bps.go.id/phpfiletree/bahan/kumpulan_tugas_mobilitas_pak_chotib/Kelompok_11/Mobilitas_Penduduk_Kelompok_11/Daftar_pustaka_fix/Sunarti-Jurnal-Kesejahteraan_Kelurga_Petani.pdfhttp://demografi.bps.go.id/phpfiletree/bahan/kumpulan_tugas_mobilitas_pak_chotib/Kelompok_11/Mobilitas_Penduduk_Kelompok_11/Daftar_pustaka_fix/Sunarti-Jurnal-Kesejahteraan_Kelurga_Petani.pdfhttp://demografi.bps.go.id/phpfiletree/bahan/kumpulan_tugas_mobilitas_pak_chotib/Kelompok_11/Mobilitas_Penduduk_Kelompok_11/Daftar_pustaka_fix/Sunarti-Jurnal-Kesejahteraan_Kelurga_Petani.pdfhttp://demografi.bps.go.id/phpfiletree/bahan/kumpulan_tugas_mobilitas_pak_chotib/Kelompok_11/Mobilitas_Penduduk_Kelompok_11/Daftar_pustaka_fix/Sunarti-Jurnal-Kesejahteraan_Kelurga_Petani.pdf
-
8/17/2019 12 Jurnal STIS, Desember 2014
22/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 17
Tim Subdit Statistik Harga Perdesaan dan Unit Kerja Pimpinan BPS. 2013. Nilai Tukar Petani.Jakarta: Badan Pusat Statistik.
Wibowo, Sasmito. 2013. Indeks Harga Konsumen dan SBH 2012. Jakarta: Badan PusatStatistik.
LAMPIRAN
0.00
50.00
100.00
150.00
J a n
' 1 1
F e b
' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p
' 1 1
O k t ' 1 1
N o v
' 1 1
D e s ' 1 1
J a n
' 1 2
F e b
' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p
' 1 2
O k t ' 1 2
N o v
' 1 2
D e s ' 1 2
J a n
' 1 3
F e b
' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p
' 1 3
NTPP Jabar_Modified Laspeyres NTPP Jabar Modified Laspeyres Plus NTPP Jabar Fisher-WM
0.00
50.00
100.00
150.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v ' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v ' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP Jateng_Modified Laspeyres NTPP Jateng_Modified Laspeyres Plus NTPP Jateng_Fisher-WM
0.00
50.00
100.00
150.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v ' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v ' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP Jatim_Modified Laspeyres NTPP Jatim_Modified Laspeyres Plus NTPP Jatim_Fisher-WM
0.00
100.00
200.00
300.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v ' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v ' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP DIY_Modified Laspeyres NTPP DIY_Modified Laspeyres Plus NTPP DIY_Fisher-WM
-
8/17/2019 12 Jurnal STIS, Desember 2014
23/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
0.00
50.00
100.00
150.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v ' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v ' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP Banten_Modified Laspeyres NTPP Banten_Modified Laspeyres Plus NTPP Banten_Fisher-WM
0.00
50.00
100.00
150.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v ' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v ' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP Bali_Modified Laspeyres NTPP Modified Laspeyres Plus NTPP Fisher-WM
0.0050.00100.00
150.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v ' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v ' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP Bali Tanpa Cabai_Modified Laspeyres NTPP Bali Tanpa Cabai_Modified Laspeyres Plus
NTPP Bali Tanpa Cabai_Fisher-WM
0.00
50.00
100.00
150.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v
' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v
' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP NTB_Modified Laspeyres NTPP NTB_Modified Laspeyres Plus NTPP NTB_Fisher-WM
0.00
50.00
100.00
150.00
J a n ' 1 1
F e b ' 1 1
M a r ' 1 1
A p r ' 1 1
M e i ' 1 1
J u n i ' 1 1
J u l i ' 1 1
A g s ' 1 1
S e p ' 1 1
O k t ' 1 1
N o v ' 1 1
D e s ' 1 1
J a n ' 1 2
F e b ' 1 2
M a r ' 1 2
A p r ' 1 2
M e i ' 1 2
J u n i ' 1 2
J u l i ' 1 2
A g s ' 1 2
S e p ' 1 2
O k t ' 1 2
N o v ' 1 2
D e s ' 1 2
J a n ' 1 3
F e b ' 1 3
M a r ' 1 3
A p r ' 1 3
M e i ' 1 3
J u n i ' 1 3
J u l i ' 1 3
A g s ' 1 3
S e p ' 1 3
NTPP NTT_Modified Laspeyres NTPP NTT_Modified Laspeyres Plus NTPP NTT_Fisher-WM
-
8/17/2019 12 Jurnal STIS, Desember 2014
24/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 19
METODE C-MEANS CLUSTER DAN FUZZY C-MEANS CLUSTER PADA KASUS
PENGELOMPOKAN DESA MENURUT STATUS KETERTINGGALAN (STUDI DI
KOTA METRO DAN KABUPATEN LAMPUNG TIMUR)
Sukim
Dosen Sekolah Tinggi Ilmu Statistik
Abstract
Cluster analysis is a multivariate analysis technique used to classify objects such that
the objects in a cluster are very similar and the objects in different clusters are quite different.
This study will discuss the non-hierarchical clustering methods. The methods are C-Means
Cluster and Fuzzy C-Means Cluster. These methods are suitable for large data andcontinuous variables. This study would also present the application of the methods on the
case of village grouping according to the underdevelopment status in two regions
of level II (Kota Metro and Kabupaten Lampung Timur) in Lampung Province. The unit of
observations in this study are 257 villages in Kota Metro (22 villages) and Kabupaten
Lampung Timur in Lampung Province obtained from the Village Potential Statistics (Podes -
Potensi Desa) 2008.
The results show that the optimal cluster in Kota Lampung data is 4, with a
minimum value of the Fukuyama-Sugeno validity index is at -45.4649. As for the data of
Kabupaten Lampung Timur, the optimum number of clusters is 13, with a minimum value
of the Fukuyama-Sugeno validity index is at 196.9629.
Keywords : Analisis Cluster, C-Means Cluster , Fuzzy C-Means Cluster, Indeks Validitas.
I. PENDAHULUAN
Analisis cluster (cluster analysis) adalah salah satu analisis peubah ganda (multivariate
analysis) yang digunakan untuk mengelompokkan objek-objek sedemikian rupa sehingga
objek dalam satu cluster yang sangat mirip dan objek di berbagai cluster cukup berbeda.
Analisis cluster banyak digunakan dalam penelitian-penelitian di bidang sosial, bidang
kesehatan, bidang marketing, bidang akademik, dan bidang kewilayahan.
Metode analisis cluster (clustering methods) dibedakan menjadi dua yaitu metode
hierarki (hierarchical clustering methods) dan metode tak berhierarki (non hierarchical
clustering methods). Metode hierarki dibedakan menjadi dua, yaitu metode penggabungan
-
8/17/2019 12 Jurnal STIS, Desember 2014
25/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
(agglomerative/bottom up) dan metode pemecahan (devisive/ topdown). Prosedur yang
digunakan dalam metode hierarki adalah prosedur pautan tunggal ( single linkage), pautan
lengkap (complete linkage), dan pautan rata-rata (average linkage). Hasil clustering metode
berhierarki secara umum membentuk diagram pohon (tree diagram) atau dendrogram yang
menggambarkan pengelompokkan objek berdasarkan jarak. Metode tak berhierarki disebut juga metode partisi ( partitional methods). Metode tak berhierarki yang banyak digunakan
adalah metode C-Means Cluster .
Proses clustering pada metode tak berhierarki (C-Means) pembentukan partisi
dilakukan sedemikian rupa sehingga setiap objek berada tepat pada satu partisi. Akan tetapi
pada suatu saat secara alami hal ini sering tidak dapat dilakukan untuk menempatkan suatu
objek tepat pada satu partisi, karena sebenarnya objek tersebut terletak di antara dua atau lebih
partisi yang lain. Sehingga perlu dilakukan clustering dengan menggunakan fuzzy clustering. Pengelompokkan dengan metode ini mempertimbangkan derajat keanggotaan himpunan fuzzy
sebagai dasar pembobotan. Pada penelitian ini dibahas metode C-Means Cluster (CM ) dan
Fuzzy C-Means Cluster ( FCM ). Dua metode ini cocok digunakan untuk data berukuran besar
dan memiliki tipe peubah kontinu.
CM Cluster merupakan metode pengelompokkan yang terkenal dan banyak digunakan
di berbagai bidang karena sederhana, mudah diimplementasikan, memiliki kemampuan untuk
mengelompokkan data yang besar, dan running time-nya linear O( NCT ) dengan N adalah
banyaknya data, C adalah banyaknya kelompok (cluster ), dan T adalah banyaknya iterasi
(Kumar, Verma, dan Shrma, 2010). Metode ini mengelompokkan secara partisi yang
memisahkan data ke dalam kelompok yang berbeda. Dengan proses partisi secara iteratif, C-
Means Cluster mampu meminimalkan rata-rata jarak setiap data ke kelompoknya. Metode ini
dikembangkan oleh MacQueen pada tahun 1967, yang merupakan pengembangan dari
Steinhaus (1956). Kemudian dikembangkan terus sampai saat ini di berbagai bidang.
Metode FCM Cluster pertama kali diusulkan oleh Dunn (1973), kemudian
dikembangkan oleh Bezdek (1981) yang digunakan dalam bidang pengenalan pola ( pattern
recognition), dan masih terus dikembangkan sampai saat ini. Dalam metode FCM Cluster ini
dipergunakan variabel membership function uik , yang merujuk pada seberapa besar probabilitas
suatu data bisa menjadi anggota ke dalam suatu kelompok (cluster ) dan variabel m yang
merupakan weigthing exponent dari membership function uik . Metode ini merupakan
pengembangan dari C-Means Cluster dengan pembobotan fuzzy.
Penelitian terdahulu menggunakan FCM dapat dilihat dari hasil penelitian Bezdek
(1981), Gath dan Geva (1989), Huang, dkk. (1997). Pengembangan analisis cluster selanjutnya
dilakukan dengan menggabungkan atau modifikasi distance space untuk menghitung jarak di
-
8/17/2019 12 Jurnal STIS, Desember 2014
26/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 21
antara suatu data dengan centroid , metode pengalokasian data kembali data ke dalam setiap
kelompok (cluster ), dan fungsi objektif yang digunakan, juga telah diimplementasikan oleh
Bezdek (1984), Miyamoto dan Agusta (1995), serta McLachlan dan Peel (2000).
Pengelompokkan desa menurut status ketertinggalan perlu dilakukan sebagai bahan
perencanaan, dan evaluasi sasaran program pemerintah terutama yang berkaitan dengan program pemberdayaan desa tertinggal di Indonesia. Berbagai upaya telah dilakukan
pemerintah, misalnya Instruksi Presiden mengeni desa tertinggal yang dilaksanakan dari tahun
1994 sampai dengan tahun 1997. Pendekatan yang digunakan untuk menetapkan sasaran
program adalah mengklasifikasikan seluruh desa di Indonesia ke dalam klasifikasi desa
tertinggal dan desa tidak tertinggal. Dengan adanya informasi sampai tingkat wilayah desa ini
diharapkan upaya pemberdayaan desa tertinggal lebih tepat sasaran (BPS, 2005).
Penelitian sebelumnya di bidang kewilayahan telah dilakukan oleh Sarpono (2009)membahas tentang pengelompokkan desa tertinggal menggunakan metode regresi krigging.
Pengelompokkan wilayah kecamatan menurut partisipasi sekolah dengan metode FCM pernah
dilakukan oleh Pravitasari (2008). Berbeda dengan penelitian terdahulu, pada penelitian ini
akan dilakukan pengelompokkan desa menurut status ketertinggalan dengan menerapkan
metode CM dan FCM berdasarkan data hasil pendataan Podes 2008. Kemudian dibandingkan
hasil pengelompokkan dengan metode CM dan metode FCM . Pengelompokkan desa menurut
status (desa tertinggal dan desa tidak tertinggal) seringkali menimbulkan kecemburuan antar
daerah tingkat II (kabupaten/kota) di seluruh Indonesia. Pada kenyataannya batasan status desa
tertinggal dan desa tidak tertinggal sangat tipis (halus) dan samar, sehingga penerapan metode
CM yang dengan tegas mempartisi suatu kelompok menjadi kurang tepat digunakan. Metode
FCM diharapkan dapat mengatasi permasalahan tersebut. Pengelompokkan FCM memerlukan
indeks validitas untuk mengetahui banyak cluster optimum yang terbentuk. Indeks validitas
yang digunakan dalam penelitian ini adalah Indeks Fukuyama-Sugeno (Halkidi dkk, 2010).
Pengelompokkan dianggap optimum apabila menghasilkan cluster yang mempunyai variansi
minimum di dalam cluster dan mempunyai variansi yang maksimum antar cluster .
Kabupaten Lampung Timur sebagai wilayah penelitian adalah karena Lampung Timur
termasuk lima kabupaten di Provinsi Lampung (14 kabupaten/kota) dengan kategori desa
tertinggal (Umar Said dalam Antara news dan Republika, 2010). Di samping itu Kabupaten
Lampung Timur juga merupakan kabupaten dengan jumlah rumah tangga miskin terbanyak
ke-3 se-Provinsi Lampung. Sedangkan kota Metro sebagai wilayah penelitian adalah karena
merupakan kota dengan jumlah rumahtangga miskin paling sedikit di Provinsi Lampung (BPS,
2008).
-
8/17/2019 12 Jurnal STIS, Desember 2014
27/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
II. METODOLOGI
Langkah-langkah yang digunakan dalam penelitian ini adalah: melakukan kajian
metode CM Cluster dan metode FCM Cluster , standarisasi data, mengelompokkan data
dengan mencoba berbagai nilai C untuk metode CM Cluster dan FCM Cluster ,membandingkan hasil pengelompokkan yang terbentuk. Sedangkan alat bantu komputer yang
digunakan adalah berupa piranti lunak ( software) yang terkait dengan pengolahan dan analisis
statistik yaitu MATLAB versi 7.8.0.347 (2009a). Hasil yang dibandingkan meliputi jumlah
kelompok, variansi kelompok (variansi within cluster dan variansi between cluster ), dan
menyimpulkan cluster ideal pada masing-masing metode seperti ditunjukkan dalam Gambar 1.
mulai
Mengkaji metode
clustering
CM dan FCM
Cek kelengkapan
data
Standardisasi data
Mnegelompokkan
Dengan metode
CM dan FCM
Membandingkan:
Hasil pengelompokkan
dengan C = 2,3,4,C optimum :
· Varians within
· Varians between
· Kompleksitas waktu
Pembahasan
Kesimpulan dan
saran
selesai
data
Gambar 1. Alur Kerangka Pikir Penelitian
-
8/17/2019 12 Jurnal STIS, Desember 2014
28/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 23
Tahapan Penelitian
Tahapan-tahapan yang dilakukan berdasar pada tujuan penelitian yang meliputi :
1. Melakukan kajian tentang metode CM Cluster dan FCM Cluster
2. Membangun algoritma FCM
3. Melakukan analisa statistik deskriptif4. Melakukan preprosesing, meliputi menyusun matriks ukuran N x p, di mana N adalah
banyaknya observasi (banyaknya desa/kelurahan) dan p adalah banyaknya variabel atau
atribut data (dimensi data), yaitu matriks ukuran 22 x 15 untuk Kota Metro dan matriks
ukuran 257 x 15 untuk Kabupaten Lampung Timur.
5. Melakukan pengelompokkan dengan Metode FCM Cluster
a. Formula optimasi fungsi objektif yang diberikan sebagai berikut
1 1
2, , ( ) ( , )
N C
mik
k i
k i J X U V u D x v
, melalui optimasi dan b. Menguji konvergensi algoritma FCM , yaitu menetapkan kondisi konvergen,
menganalisis kondisi konvergen, mendapatkan kondisi matriks jarak
6. Melakukan Analisis data hasil pendataan Podes 2008 Kota Metro dan Kabupaten Lampung
Timur di Provinsi Lampung.
a. Melakukan clustering dari mulai C=2 sampai C optimum, dilakukan dengan melihat
dendrogram hasil hierarkikal clustering untuk memperoleh gambaran jumlah cluster
optimum.
b. Menentukan faktor fuzzy (weigthing exponent ) hasil pengelompokkan (m). Untuk
penentuan nilai m, belum terdapat teori yang memberikan landasan pemilihan nilai m
yang tepat. Pada penelitian ini digunakan m=2, sebagaimana telah umum diterapkan
dalam banyak penelitian terdahulu (Zimmermann dalam Naik, V.C., 2004).
c. Menghitung fuzzy centroid cluster (V i) dengan persamaan1
1
N m
ik k
k i N
m
ik
k
u x
v
u
d. Memperbaharui anggota matriks U dengan persamaan1
12
1( , )
( , ) j
C mk i
ik
k j
D x vu
D x v
e. Membandingkan nilai keanggotaan dalam matriks U , jika sudah tidak banyak
mengalami perubahan berarti konvergen dan kondisi keanggotaannya sudah optimum
nilai mutlak dari (U k+1 – U k ) < threshold yang ditetapkan). Iterasi dihentikan dan
-
8/17/2019 12 Jurnal STIS, Desember 2014
29/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
didapatkan hasil pengelompokkan. Jika belum terpenuhi kondisi optimum kembali ke
langkah 6c.
7. Melakukan perhitungan indeks validitas clustering . Ada beberapa indeks validitas yang
digunakan. Pada penelitian ini digunakan indeks validitas Fukuyama-Sugeno karena
indeks ini dapat menunjukkan compactness dalam cluster dan distances of clasters
representative (Halkidi dkk., 2000).
8. Melakukan interpretasi hasil penerapan metode FCM pada kasus data Podes 2008 Kota
Metro dan Kabupaten Lampung Timur di Provinsi Lampung.
III HASIL DAN PEMBAHASAN
Pada bagian ini menyajikan analisis dan pembahasan dari ketiga tujuan penelitian,
yaitu mengkaji metode CM Cluster dan FCM Cluster , algoritma pengelompokkan
menggunakan metode FCM dengan indeks validitas yang berbeda, dan mengimplementasikan
dalam kasus pengelompokkan desa menurut status ketertinggalan di Kabupaten Lampung
Timur dan Kota Metro Provinsi Lampung. Hasil eksekusi algoritma program akan ditampilkan
dalam pembahasan tujuan ketiga untuk algoritma FCM .
Metode C-Means Cluster
Metode CM Cluster pertama kali diperkenalkan oleh MacQueen (1967). Metode ini
merupakan metode non hierarki yang umum digunakan yang termasuk dalam teknik
penyekatan (partisi), dimana observasi (objek) dipisahkan ke dalam C daerah bagian yang
terpisah secara tegas. Pada CM Cluster , setiap objek harus masuk dalam kelompok (cluster )
tertentu. Tetapi dalam satu tahapan proses tertentu objek yang sudah masuk dalam satu
kelompok tertentu, pada tahap berikutnya masih memungkinkan objek berpindah ke kelompok
yang lain.
Proses pengelompokkan pada metode CM Cluster diawali dengan menentukan jumlah
cluster yang ingin dibentuk, dengan mengasumsikan inisial cluster 2, 3,…,C . Alokasikan data
ke dalam cluster secara random. Kemudian menghitung inisial pusat cluster (centroid) yang
ada di masing-masing cluster , selanjutnya alokasikan kembali masing-masing data ke pusat
cluster yang terdekat dengan persamaan = 1, untuk = m i n{ , } dan = 0, untuk d yang lainnya. Setelah data masuk pada pusat cluster terdekat dan membentuk cluster
baru, pusat cluster baru ditentukan kembali dengan menghitung rata-rata dari data yang ada di
-
8/17/2019 12 Jurnal STIS, Desember 2014
30/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 25
pusat cluster yang sama. Jika masih ada data yang berpindah cluster atau jika perubahan nilai
pusat cluster yang terbentuk di atas nilai threshold yang ditetapkan, atau perubahan nilai
fungsi objektif yang digunakan masih di atas nilai threshold yang ditetapkan maka proses
partisi penghitungan nilai pusat cluster terus dilakukan sampai salah satu dari tiga kondisi
terpenuhi.
Optimasi Fungsi Objektif Algoritma C-Means Cluster
Optimasi fungsi objektif pada algoritma CM didapatkan dengan meminimalkan jarak
antara objek dan pusat cluster nya ( 2( , )k i D x v =|| xk – vi||2=( xk – vi )
T( xk – vi) di mana vi
merupakan rata-rata anggota cluster yang ke-i.
Untuk menunjukkan jarak minimal antara objek dan pusat cluster dituliskan kembali
fungsi objektif sebagai berikut:
1
2
2,...,1 ,
1; , min
c cC
C
i j
c j K c K
K K
i
x J X xV K
U
ekuivalen dengan
1
2
,..1
.,; , min
C C K K
C
k i
c k n
v X V x J U
dimana1
c
i j
j K c
v x K
adalah rata-rata dari cluster
ke-i, K adalah banyaknya objek
2
2 1( )
c c ck i k jk K k K j K c
x v x x K
2
2, , ,
2,
2
2,
1( ), ( )
1, , , ,
1, ,
1 12
c c
c c c c
c c
c
k j k s
j K s K c
k k k s k j j s
k K k s K k j K j s K c
k k k j
k K k j K c
k j
k j K c
x x x x K
x x x x x x x x K
x x x x K
x x K
Untuk mengetahui bahwa persamaan fungsi objektif optimum (mempunyai nilai
ekstrim), adalah dengan cara melakukan derivative pertama terhadap vi dan disamakan dengan
nol sebagai berikut :
20
c
k i
k K i
dy x v
dv
( ) ( ) 0T k i k ik K i
dy x v x v
dv
-
8/17/2019 12 Jurnal STIS, Desember 2014
31/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
2 2( ) 2( ) ( ) ( ) 0k i k ik K k K i
dy x v x K v
dv
2 ( ) 2 ( ) 0k ik K
x K v
2( ( ) ( )) 0k i
k K
x K v
( ) 0k i
k K
x Kv
1( )k i
k K
x v K
, yang merupakan rata-rata (mean) dari objek.
Sedangkan untuk menunjukkan bahwa nilai ekstrim fungsi adalah minimum yaitu dengan
cara melihat tanda yang positif ( > 0 ) dari turunan (derivatif) kedua sebagai berikut:
22
2 ( 2 ( ) 2 ) 2
c
k i k i
k K k K i i
d y dy x v x Kv K
dv dv
Nilai derivatif kedua dari fungsi di atas adalah 2K yang lebih besar dari 0, sehingga
nilai ekstrim yang dihasilkan adalah minimum.
Konvergensi Algoritma C-Means Cluster
Algoritma CM Cluster dapat diuraikan sebagai berikut:
Input (masukan) dari algoritma CM Cluster berupa data set 1,..., , p
n X X R dalam ruang
dimensi p (banyaknya variabel) dan banyaknya cluster (C ) yang ingin dibentuk. Langkah
berikutnya dilakukan inisialisasi pusat cluster (0)( )iv secara random,(0) (0)
1 ,..., C v v . Kemudian
dilakukan proses iterasi sampai mencapai konvergen dengan mengalokasikan tiap data set ke
pusat cluster terdekat, sehingga membentuk cluster K 1(t+1) ,…,K C
(t+1) dengan
2 2( 1) ( ) ( ) , 1, ...,t t t
s C s i j X K X v X v j C dan menghitung pusat cluster baru dengan
persamaan ( 1)( 1)
1
i
t
i st s K i
v X K
.
Output (keluaran) berupa cluster K 1 ,…,K C .
-
8/17/2019 12 Jurnal STIS, Desember 2014
32/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 27
mulai
BanyaknyaCluster C
Menghitung Pusat
Cluster
Mengitung Jarak
Objek ke Pusat
Cluster
Alokasikan keCluster
berdasarkan jarak
minimum
Tidak ada Objek
berpindah Cluster?
tidak
ya selesai
Gambar 2. Diagram Alur Algoritma CM
Langkah-langkah metode CM Cluster sebagai berikut :
Misal X suatu matriks ukuran N x p, di mana N = banyaknya objek (data), dan p =
banyaknya variabel (atribut).
1. Menentukan banyaknya inisial cluster , misal C , bentuk pusat cluster (V i) sebanyak C
secara random.
2. Mengalokasikan semua anggota X (= xij) ke dalam C kelompok yang dibentuk ke pusat
cluster terdekat.
3. Menghitung kembali pusat cluster yang terbentuk.
Ulangi langkah 3 sampai konvergen (sampai tidak ada perubahan berarti pada pusat
cluster , V i.), yaitu kondisi terpenuhinya suatu threshold ( ( ) ( 1)t t
i iv v ).
Running time Algoritma C-Means Cluster
Running time proses clustering dengan algoritma CM adalah O( NCT ) di mana N
banyaknya data (objek), C banyaknya cluster, dan T banyaknya iterasi (Kumar dan Sirohi,
2010). Hal ini dapat ditunjukkan dengan menganalisis algoritma CM sebagai berikut:
Fungsi objektif metode CM yang akan dioptimalisasi adalah
12
1
, , ( ) ( , ) N C
k ik k i
i
J X U V u D x v
Dalam pseudocode dituliskan
-
8/17/2019 12 Jurnal STIS, Desember 2014
33/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
Begin
For k=1:N
For i=1:C
If d=min{ 2( , )k i
D x v }
ik u = 1
Else
ik u = 0
Endif
ik u * 2( , )k i D x v
End
Variabel yang dominan dalam algoritma CM adalah C dan N , sehingga running timenya
adalah O( NC ). Variabel T banyaknya iterasi jelas berbanding lurus dengan running time
algoritma CM maka dapat dituliskan menjadi O( NCT ). Hasil menggunakan data Podes 2008
Kota Metro dan Kabupaten Lampung Timur dengan menetapkan N dan T konstan untuk
mengevaluasi running time CM terhadap banyaknya cluster didapatkan data sepeerti Tabel 1.
Tabel 1. Running time Algoritma CM data Podes 2008 Kota Metro dan Kabupaten
Lampung Timur
Banyak Cluster
Waktu (detik) Iterasi
MetroLampung
TimurMetro
LampungTimur
2 0.037420 0.048745 2 2
3 0.029578 0.034817 2 2
4 0.026115 0.047218 2 2
5 0.027023 0.061226 2 2
6 0.040287 0.074604 2 2
7 0.040635 0.066479 2 2
8 0.028714 0.074693 2 2
9 0.041965 0.077199 2 2
10 0.098525 0.089858 2 2
N kaliC kali
-
8/17/2019 12 Jurnal STIS, Desember 2014
34/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 29
Gambar 3. Running time CM Terhadap Banyaknya Cluster
Berdasarkan Tabel 1. dan Gambar 2. running time CM terhadap banyaknya cluster
adalah mendekati linear. Menggunakan cara yang sama, running time CM terhadap N
diperoleh dengan menetapkan C dan T konstan.
Metode Fuzzy C-M eans Cluster
Fuzzy clustering merupakan salah satu teknik untuk menentukan cluster optimum dalam
suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor
[persamaan 2.4]. Konsep dasar FCM , menentukan pusat cluster (vi) yang akan menandai lokasi
rata-rata untuk tiap cluster [persamaan 2.8]. Tiap titik data mempunyai derajat keanggotaan ke
tiap cluster (uik ) [persamaan 2.7]. Dengan cara mengupdate pusat cluster dan derajat
keanggotaan tiap titik data secara iteratif, akan didapat pusat cluster yang “tepat”. Iterasi ini
didasarkan pada minimisasi fungsi objektif ( J ) yang menggambarkan jarak titik data ke pusat
cluster dengan bobot derajat keanggotaan titik data tersebut [persamaan 2.9].
Optimasi fungsi objektif Algoritma Fuzzy C-M eans Cluster
Kondisi fungsi objektif J ( X;U,V ) seperti pada persamaan 2.9 akan mencapai optimum
diberikan melalui optimasi parameter U dan V :
1 1
2, , ( ) ( , ) N C
m
ik
k i
k i J X U V u D x v
(dari persamaan 2.9), di mana uik dan vi diberikan
pada persamaan berikut :
0
0.1
0.2
0.3
0.40.5
0.6
0.7
0.8
0.9
1
2 3 4 5 6 7 8 9 10
W k t u ( d e t i k )
Banyaknya Cluster
Lampung Timur
Metro
-
8/17/2019 12 Jurnal STIS, Desember 2014
35/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
1
12
1( , )
( , ) j
C mk i
ik
k j
D x vu
D x v
(dari persamaan 2.7)
1
1
N m
ik k
k i N
m
ik
k
u x
v
u
(dari persamaan 2.8)
Mencari nilai optimum uik dan vi dilakukan dengan menurunkan fungsi objektif secara
parsial terhadap uik dan vi sebagai berikut:
1 1
2, , ( ) ( , ) N C
m
ik
k i
k i J X U V u D x v
(dari persamaan 2.9)
dengan batasan 1 m , 0 1ik u , dan fungsi kendala
1 1 1
1 0 11, 0C C C
i k
i i
k ik
i
iu k u u
(4.1)
1
0, N
ik
k
u i
, dan 1 2, , , pC V v v v R
Di mana D( xk ,vi)2 = || xk - vi||
2 = ( xk – vi)T( xk – vi) = ( xk – vi)
2 jarak tiap data ke-k ke pusat
cluster ke-i dank
merupakan lagrange multiplier , dengan menggunakan teori pengganda
lagrange, diperoleh fungsi baru sebagai berikut:
J( X,U,V , k ) = J( X,U,V ) +
1
N
k
k
G( X,U,V ) (4.2)
di mana 1 1
2, , ( ) ( , ) N C
m
ik
k i
k i J X U V u D x v
(dari persamaan 2.9) dan G( X,U,V ) =
1
1C
ik
i
u
(dari persamaan 4.1) sebagai fungsi kendala, sehingga turunan pertama persamaan
4.2. terhadap ui dan disamakan dengan nol, dapat dituliskan sebagai berikut :
2
1 1 1 1
( , ) 1
0
C N N m
ik k i k
i k k i
i
C
ik u D x v
u
u
1 2( ) ( , ) 0mik k i k m u D x v
1
2( )
( , )
m k ik
k i
umD x v
-
8/17/2019 12 Jurnal STIS, Desember 2014
36/147
JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK
TAHUN 6, VOLUME 2, DESEMBER 2014 31
1 111 11