MAKALAH ANALISIS CLUSTER

Disusun Oleh :
Hosea Yunior M.

(041511233026)

Harisma Andi A. H.

(041511233143)

M. Khoirul Umam

(041511233157)

M. Syarif H.

(041511233163)

Ade Kusuma A.

(041511233187)

UNIVERSITAS AIRLANGGA

Pendahuluan
Sama dengan analisis factor, analisis cluster (cluster analysis) termasuk pada
Interdependes Techniques. Namun ada perbedaan mendasar di antara kedua alat analisis
multivariate ini. Jika analisis factor (R factor analysis) bertujuan mereduksi variabel,
analisis cluster (Q factor analysis) lebih bertujuan mengelompokkan isi variabel,
walaupun bisa juga disertai dengan pengelompokan variabel. Dalam terminology SPSS,
analisis factor adalah perlakuan terhadap kolom, sedangkan analisis cluster adalah
perlakuan terhadap baris.
Tujuan utama analisis cluster adalah mengelompokkan objek-objek berdasarkan
kesamaan karakteristik di antara objek-objek tersebut. Objek bisa berupa produk (barang
dan jasa), benda (tumbuhan atau lainnya), serta orang (responden, konsumen atau yang
lain). Objek tersebut akan diklasifikasikan ke dalam satu atau lebih cluster (kelompok)
sehingga objek-objek yang berada dalam satu cluster akan mempunyai kemiripan satu
dengan yang lain.
Jadi definisi analisis cluster:
Analisis cluster adalah teknik multivariat yang mempunyai tujuan utama untuk
mengelompokkan objek-objek/cases berdasarkan karakteristik yang dimilikinya. Analisis
cluster mengklasifikasi objek sehingga setiap objek yang memiliki sifat yang mirip
(paling dekat kesamaannya) akan mengelompok kedalam satu cluster (kelompok) yang
sama.

Cara Kerja Analisis Cluster

Secara garis besar ada tiga hal yang harus terjawab dalam proses kerja analisis
cluster, yaitu :
1. Bagaimana mengukur kesamaan ?
Ada tiga ukuran untuk mengukur kesamaaan antar objek, yaitu ukuran korelasi,
ukuran jarak, dan ukuran asosiasi.
2. Bagaimana membentuk cluster ?
Prosedur yang diterapkan harus dapat mengelompokkan objek-objek yang
memiliki kesamaan yang tinggi ke dalam sutau cluster yang sama.
3. Berapa banyak cluster/kelompok yang akan dibentuk ?
Pada prinsipnya jika jumlah cluster berkurang maka homogenitas alam cluster
secra otomatis akan menurun.
Proses Pengambilan Keputusan dalam Analisis Cluster
Pengambilan keputusan dengan analisis cluster memiliki 6 tahapan, yaitu :
menentukan tujuan analisis cluster, menentukan desain penelitian analisis cluster,
menentukan asumsi analisis cluster, menurunkan cluster-cluster dan memperkirakan
overall fit, menginterpretasi hasil analisis cluster, mengukur tingkat validasi hasil
analisis cluster.

Langkah 1 : Tujuan Analisis Cluster

Tujuan analisis cluster secara khusus antara lain :
(1) Pengelompokkan
Analisis cluster digunakan dengan tujuan explanatory maupun confirmatory
(2) Penyederhanaan data
Analisis cluster menetapkan struktur dari observasi atau data bukan variabel.
(3) Pengidentifikasian hubungan
Analisis cluster dapat menunjukkan ada tidaknya hubungan antar observasi atau
obyek dalam analisis

Langkah 2 : Desain Penilitian dalam Analisis Cluster

Sebelum melakukan proses pemilahan obyek kedalam beberapa cluster, terlebih
dahulu peneliti harus menjawab tiga pentanyaan, yaitu : apakah ourliers akan
dihapus ?, bagaimana obyek-obyek yang mempunyai kesamaan diukur ?, haruskah
data distandarisasi ?
Mendeteksi Outliers
Dalam melakukan pemilahan obyek kedalam cluster-cluster, analisis tidak hanya
peka terhadap variabel-veriabel yang tidak sesuai dengan kasus yang diteliti tetapi
juga peka terhadap outliers (obyek-obyek yang berbeda dengan obyek yang
lainnya). Outliers terjadi karena 2 dua hal, yaitu :
(1) Observasi menyimpang yang tidak mewakili populasi
(2) Suatu undersampling kelompok-kelompok dalam populasi yang menyebabkan
underrepresentation kelompok-kelompok dalam sampel
Dalam kedua kasus tersebut, outliers dapat mengubah struktur sebenarnya dari
populasi sehingga kita akan memperoleh cluster-cluster yang tidak sesuai dengan
struktur sebenarnya dari populasi tersebut. Karena itu, pembuangan outliers sangat
penting dalam analisis ini. Outliers dapat dilihat melalui Profile Diagram. Outliers
adalah obyek-obyek dengan profil-profil yang berbeda, atau value yang berbeda
dalam satu atau beberapa variabel.
Kesamaan Ukuran
Konsep kesamaan yang diperlukan dalam analisis cluster. Interobject Similarity
adalah sebuah ukuran untuk kesesuaian atau kemiripan, diantara objek-objek yang
akan dipilah menjadi beberapa cluster. Interobject Similarity dapat diukur dengan
beberapa cara, antara lain : Correlatioal Measures, Distance Measures, dan
Association Measures. Pemilihan metode tergantung pada tujuan dan jenis data.
Correlatioal Measures dan Distance Measures digunakan untuk data dengan tipe
metic, sedangkan Association Measures digunakan bila data bertipe non-metic.

Correlatioal Measures
The Interobject Measures Similarity dapat diukur dengan corelation coefficient
antara pasangan obyek-obyek yang diukur dalam beberapa variabel. Tingginya
korelasi menujukkan kesamaan dan rendahnya korelasi menunjukkan ketidaksamaan.
Distance Measures
Distance Measures merupakan ukuran ketidaksamaan. Semakin tinggi nilainya
semakin rendah kesamaan dalam pasangan obyek.
Association Measures
Association Measuresbi of Similarity digunakan bila obyek-obyek yang diamati
bertipe non-metic (tipe nominal atau ordinal). Misalnya, responden hanya menjawab
ya atau tidakdalam sebuah pertanyaan.
Standarisasi Data
Sama halnya dengan seleksi kesamaan ukuran, dalam standarisasi data ni peneliti
harus menjawab sebuah pertanyaan, yaitu : Apakah data yang tersedia harus
distandarisasi? Dalam menjawab pertanyaan ini, penelti harus memperhatikan
beberapa masalah, misalnya, jarak nilai dari masing-masing variabel karena
perbedaan skala. Secara umum, variabel dengan penyebaran nilai yang tinggi
mempunyai dampak yang lebih pada hasil akhir. Karena itu, peneliti diharapkan
mengetahui secara lengkap pengukuran dari variabel-variabel. Proses standarisasi
dalam analisi cluster ada dua, yaitu : standarisasi berdasarkan variabel dan
standarisasi berdasarkan observasi.

Langkah 3 : Asumsi-asumsi Analisis Cluster

Syarat normality, linearity, dan homoscedasticity sangat diperhatikan dalam teknikteknik multivariate yang lain tetapi tidak dalam analisis cluster. Dalam analisis
cluster, peneliti harus lebih memperhatikan masalah : seberapa besar sampel
mewakili populasi (representativeness) dan ada tidaknya multicollinearity.

Langkah 4 : Menurunkan Cluster-Cluster dan Memperkirakan Overall Fit

Peneliti pertama kali harus menentukan clustering algorithm yang akan digunakan
untuk membentuk cluster dan selanjutnya memutuskan berapa cluster yang akan
dibentuk. Dua hal ini mempunyai implikasi yang substensial tidak hanya pada hasil
yang akan diperoleh tetapi juga pada intepretasi hasil tersebut.
Clustering Algorithm
Petanyaan pertama yang harus dijawab dalam tahapan ini adalah : prosedur apa yang
akan digunakan untuk mengelompokkan obyek-obyek dalam kelompok-kelompok
atau cluster-cluster ? Atau dengan kata lain clustering algorithm atau aturan apa
yang lebih tepat ?
Secara umum clustering algorithm digolongkan dalam dua kategori, yaitu :
(1) Metode Hirarki
(2) Metode Nonhirarki

Metode Hirarki Cluster

Dalam metode hirarki cluster terdapat dua tipe dasar yaitu agglomerative
(pemusatan) dan divisive (penyebaran). Dalam metode agglomerative, setiap obyek
atau observasi dianggap sebagai sebuah cluster tersendiri. Dalam tahap selanjutnya,
dua cluster yang mempunyai kemiripan digabungkan menjadi sebuah cluster baru
demikian seterusnya. Sebaliknya, dalam metode divisive kita beranjak dari sebuah
cluster besar yang terdiri dari semua obyek atau observasi. Selanjutnya, obyek atau
observasi yang paling tinggi nilai ketidakmiripannya kita pisahkan demikian
seterusnya.
Dalam agglomerative ada lima metode yang cukup terkenal, yaitu : Single Linkage,
Complete Linkage, Average Linkage, Wards Method, Centroid Method.
Single Linkage, prosedur ini didasarkan pada jarak terkecil. Jika dua obyek terpisah
oleh jarak yang pendek maka kedua obyek tersebut akan digabung menjadi satu
cluster daan demikian saterusnya.

Complete

Linkage,

berlawanan

dengan

Single

Linkage

prosedur

ini

pengelompokkannya berdasarkan jarak terjauh.

Average Linkage, prosedure ini hampir sama dengan Single Linkage maupun
Complete Linkage, namun kriteria yang digunakan adalah rata-rata jarak seluruh
individu dalam suatu cluster dengan jarak seluruh individu dalam cluster yang lain.
Wards Method, jarak antara dua cluster dalam metode ini berdasarkan total sum of
square dua cluster pada masing-masing variabel.
Centroid Method, jarak antara dua cluster dalam metode ini berdasarkan jarak
centroid dua cluster yang bersangkutan.

Metode Non-Hirarki Cluster

Kebalikan dari metode hirarki, metode nonhirarki tidak meliputi proses treelike
construction. Justru menempatkan objek-objek ke dalam cluster sekaligus sehingga
terbentuk sejumlah cluster tertentu. Langkah pertama adalah memilih sebuah cluster
sebagai inisial cluster pusat, dan semua objek dalam jarak tertentu ditempatkan pada
cluster yang terbentuk. Kemudian memilih cluster selanjutnya dan penempatan
dilanjutkan sampai semua objek ditempatkan. Objek-objek bisa ditempatkan lagi jika
jaraknya lebih dekat pada cluster lain daripada cluster asalnya. Metode nonhirarki
cluster berkaitan dengan K-means custering, dan ada tiga pendekatan yang
digunakan untuk menempatkan masing-masing observasi pada satu cluster.
Sequential Threshold, Metode Sequential Threshold memulai dengan pemilihan satu
cluster dan menempatkan semua objek yang berada pada jarak tertentu ke dalamnya.
Jika semua objek yang berada pada jarak tertentu telah dimasukkan, kemudian
cluster yang kedua dipilih dan menempatkan semua objek yang berjarak tertentu ke
dalamnya. Kemudian cluster ketiga dipilih dan proses dilanjutkan seperti yang
sebelumnya.
Parallel Threshold, Metode Parallel Threshold merupakan kebalikan dari
pendekatan yang pertama yaitu dengan memilih sejumlah cluster secara bersamaan
dan menempatkan objek-objek kedalam cluster yang memiliki jarak antar muka

terdekat. Pada saat proses berlangsung, jarak antar muka dapat ditentukan untuk
memasukkan beberapa objek ke dalam cluster-cluster. Juga beberapa variasi pada
metode ini, yaitu sisa objek-objek tidak dikelompokkan jika berada di luar jarak
tertentu dari sejumlah cluster.
Optimization, Metode ketiga adalah serupa dengan kedua metode sebelumnya
kecuali bahwa metode ini memungkinkan untuk menempatkan kembali objek-objek
ke dalam cluster yang lebih dekat.
Kapan Kita Menggunakan Metode Hirarki atau metode Non-Hirarki ?
Jawaban pasti tidak untuk pertanyaan tersebut tidak ada karena dua alasan. Pertama,
penelitian yang sedang diamati dimungkinkan dapat diselesaikan dengan kedua
metode (hirarki atau non-hirarki). Kedua, penelitian yang diamati mungkin
sebaiknya diselesaikan dengan suatu metode yang selanjutnya dengan metode yang
lainnya.
Berapa Cluster yang Akan Dibentuk ?
Banyaknya cluster yang akan dibentuk tidak dapat ditentukan secara sembarang.
Penentuan banyaknya cluster yang akan dibentuk harus berdasarkan suatu teori yang
akan mempengaruhi jumlah cluster secara langsung atau alami.

Langkah 5 : Interpretasi Cluster

Tahap interpretasi meliputi pengujian masing-masing cluster dalam terminology
macam cluster untuk menamai atau memberikan keterangan secara tepat sebagai
gambaran sifat dari cluster.
Ketika memulai proses interpretasi, ada satu ukuran yang sering digunakan yaitu
cluster centroid. Jika prosedur pengelompokan dilakukan terhadap data asli, maka ini
akan memberikan gambaran yang logic. Tetapi jika data telah distandarisasi atau jika
analisis cluster dilakukan dengan menggunakan hasil analisis faktor (faktor
komponen), peneliti harus mengembalikan skor asli untuk variabel asal dan
menghitung rata-rata profiles menggunakan data ini.

Gambaran dan interpretasi cluster , memberikan hasil lebih daripada deskriptif.

Pertama, Metode ini memberikan sebuah rata-rata untuk perkiraan masing-masing
cluster yang terbentuk sebagaimana yang dikemukakan pada toeri sebelumnya atau
pengalaman praktek. Kedua, Gambaran cluster memberikan jalan untuk membuat
perkiraan signifikansi praktis. Peneliti mungkin memerlukan bahwa perbedaan
substansi yang ada pada sejumlah variable cluster dan penyelesaian cluster akan
dikembangkan sampai tampak sejumlah perbedaan.

Langkah 6 : Validasi dan Gambaran Cluster

Analisis cluster agak bersifat subjektif dalam penentuan penyelesaian cluster yang
optimal, sehingga peneliti seharusnya memberikan perhatian yang besar mengenai
validasi dan jaminan tingkat signifikansi pada penyelesaian akhir dari cluster.
Meskipun tidak ada metode untuk menjamin validitas dan tingkat signifikansi ,
beberapa pendekatan telah dikemukakan untuk memberikan dasar bagi perkiraan
peneliti.
Validasi Hasil Cluster
Validasi termasuk usaha yang dilakukan oleh peneliti untuk menjamin bahwa hasil
cluster adalah representatif terhadap populasi secara umum, dan dengan demikian
dapat digeneralisasi untuk objek yang lain dan stabil untuk waktu tertentu.
Pendekatan langsung dalam hal ini adalah dengan analisis sample secara terpisah
kemudian membandingkan antara hasil cluster dengan perkiraan masing-masing
cluster. Pendekatan ini sering tidak praktis, karena adanya keterbatasan waktu dan
biaya atau ketidaktersediaan objek untuk perkalian analisis cluster. Dalam hal ini
pendekatan tyang biasa digunakan adalah dengan membagi sample menjadi dua
kelompok. Masing-masing dianalisis cluster secara terpisah, kemudian hasinya
dibandingkan.
Profiling Hasil Cluster
Tahap Profiling meliputi penggambaran karakteristik masing-masing cluster untuk
menjelaskan bagaimana mereka bisa berbeda secara relevan pada tiap dimensi. Tipe

ini meliputi penggunaan analisis diskriminan. Prosedur dimulai setelah cluster

ditentukan. Peneliti menggunakan data yang sebelumnya tidak masuk dalam
prosedur cluster untuk menggambarkan karakteristik masing-masing cluster.
Meskipun secara teori tidak masuk akal (rasional) dalam perbedaan silang cluster,
akan tetapi hal ini diperlukan untuk memprediksi validasi taksiran, sehingga
minimal penting secara praktek.
Contoh:
Berdasarkan data BPS pada laporan Sosial Indonesia dari Supas dan Sakernas
1995 didapatkan data seperti pada tabel 1.
Mengingat penduduk lansia semakin lama semakin banyak, didasarkan perkiraan
BPS pada tahun 2005 penduduk lansia cenderung bertambah atau ada perubahan struktur
dari struktur penduduk muda ke struktur penduduk tua. Maka dari itu perlu adanya
perhatian ekstra dari pihak pemerintah untuk permsalahan ini.
Pembentukan wilayah pembinaan untuk permasalahan lansia dapat dilakukan
dengan membentuk wilayah konsentrasi berdasarkan data pada tabel 1. Model analisis
cluster sangat mendukung penbentukan wilayah tersebut.
Tabel. 1
Enam Kriteria Keterlantara Lansia Menurut Propinsi

tidak pernah
PROPINSI

sekolah/tamat
SD

makan

makan

makanan

lauk pauk

pokok

berprotein

<21X

tinggi<4X

dalam

dalam

tidak
memiliki mempunyai
pakaian

tempat

<4 stel

tetap untuk
tidur

seminggu seminggu
SUMATERA
UTARA
SUMATERA
BARAT
RIAU

bila
sakit
tidak
diobati

63,13

38,67

35,70

16,79

2,48

3,33

57,48

48,23

17,48

20,60

0,90

4,05

67,72

50,59

18,43

9,95

1,58

3,34

JAMBI
SUMATERA
SELATAN
BENGKULU
LAMPUNG
DKI JAKARTA
JAWA BARAT
JAWA TENGAH
D.I.
YOGYAKARTA
JAWA TIMUR
BALI
NUSA
TENGGARA

75,99

44,10

29,77

27,94

1,76

2,55

65,69

58,39

27,90

24,67

5,57

5,18

71,37
80,64
37,80
70,84
79,30

52,02
35,59
56,38
70,48
35,99

35,60
41,56
12,28
31,37
16,25

30,64
34,15
87,24
17,17
19,36

2,17
1,48
1,45
1,82
1,89

4,29
2,78
6,78
5,32
3,97

76,05

46,27

11,35

17,45

1,17

4,72

82,76
77,96

30,86
42,28

15,13
6,28

30,77
25,74

2,01
0,34

3,55
4,87

86,92

33,09

23,48

48,28

3,20

4,64

87,36

56,75

58,67

49,77

1,42

9,31

83,48

54,34

38,60

29,46

3,87

7,51

60,37

50,29

18,78

28,13

6,69

2,68

76,93

38,72

16,65

29,37

2,77

7,07

73,43

52,45

18,18

12,72

1,11

1,01

51,30

58,14

25,58

11,08

1,84

2,89

66,01

54,47

16,29

32,81

2,47

8,66

77,62

58,74

10,93

24,03

3,70

6,89

74,65

72,91

3,19

17,78

1,07

8,78

52,32

70,04

30,37

16,84

6,58

18,62

BARAT
NUSA
TENGGARA
TIMUR
KALIMANTAN
BARAT
KALIMANTAN
TIMUR
KALIMANTAN
SELATAN
KALIMANTAN
TENGAH
SULAWESI
UTARA
SULAWESI
TENGAH
SULAWESI
SELATAN
SULAWESI
TENGGARA
IRIAN JAYA

Dalam melakukan analisis cluster terdapat dua metode yaitu metode kelompok
hiraki dan metode kelompok non hirarki.
Dalam hal ini metode yang digunakan adalah metode hiraki karena paling banyak
digunakan oleh para peneliti dan memiliki keunggulan tersendiri, yaitu pengelompokan
yang terbentuk dapat terjadi secara alamiah.
Berdasarkan hasil pengolahan didapatkan Hasil sebagai berikut:
Dilihat dari kemiripan dalam melakukan pengklusteran propinsi Jambi dengan
Sumatera Utara mempunyai jarak 2,241. sedang propinsi Jambi dengan Sumatera Selatan
berjarak 7,830. Jadi karakteristik lansia terlantar di propinsi Jambi dengan Sumatera
Utara lebih mirip bila dibandingkan dengan propinsi Jambi dengan Sumatera Selatan.
Demikian pula kemiripan propinsi0propinsi lainnya dapat dilihat dengan melihat
kedekatan jaraknya. Semakin dekat jaraknya berarti semakin mirip.
Dari tabel 3., kita bisa melihat bahwa aglomerasi melakukan pengelompokkan
secara satu demi satu. Pada tahap 1 (stage 1) kasus nomor 3 (propinsi ke 3) dan 19
(propinsi ke 19) adalah yang paling mirip, maka mereka menjadi kelompok terlebih
dahulu. Kemudian lihat kolom next stage pada baris pertama, yang merupakan kelanjutan
stage untuk cluster. Terlihat stage 14 yang berarti stage dilanjutkan ke stage 14.
Pada stage 14 terlihat bahwa angka 3 (propinsi 3) dan 11 (propinsi 11) hal ini
berarti bahwa propinsi 11 masuk pada kelompok 1 yang terbentuk yaitu 3 dan 19. dengan
demikian sudah diketahui bahwa ada 3 anggota yang sudah diketahui clusternya.
Kemudian lihat next stage pada baris ke 14. dimana cluster terakhir dilakukan. Terlihat
angka 17, yang berarti proses cluster dilanjutkan ke stage 17. demikian selanjutnya
sampai semua cluster terbentuk.

Tabel 3.

Agglomerasion Schedule

Agglomeration Schedule

Stage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

Cluster Combined
Cluster 1
Cluster 2
3
19
10
12
11
13
4
6
10
18
2
20
5
17
21
22
1
4
1
7
2
3
10
14
9
16
21
23
10
11
9
21
1
2
5
9
1
10
5
15
5
24
5
8
1
5

Coefficients
.390
.788
1.188
1.759
2.758
3.828
4.909
6.047
7.473
9.159
11.209
13.356
16.215
19.278
22.930
28.014
35.627
45.231
56.362
69.666
86.659
108.660
138.000

Stage Cluster First

Appears
Cluster 1
Cluster 2
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
4
9
0
6
1
5
0
0
0
8
0
12
3
13
14
10
11
7
16
17
15
18
0
20
0
21
0
19
22

Next Stage
11
5
15
9
12
11
18
14
10
17
17
15
16
16
19
18
19
20
23
21
22
23
0

Bila melihat keanggotaan kluster, terdapat perubahan letak propinsi dalam cluster,
seperti propinsi Irian jaya yang semula berada dalam kelompok 4 manjadi kelompok 2
dalam cluster 3. Sedang untuk jumlah cluster 2 terdapat perubahan cluster untuk propinsi
Jakarta yang semula ada pada cluster 3 menjadi cluster 2.
Perubahan-perubahan ini dapat dilihat pada tabel dibawah ini.
Tabel 4
Keanggotaan Kluster

Cluster Membership
Case
4 Clusters
1:SUMATERA UTARA
1
2:SUMATERA BARAT
1
3:RIAU
1
4:JAMBI
1
5:SUMATERA SELATAN
2
6:BENGKULU
1
7:LAMPUNG
1
8:DKI JAKARTA
3
9:JAWA BARAT
2
10:JAWA TENGAH
1
11:D.I. YOGYAKARTA
1
12:JAWA TIMUR
1
13:BALI
1
14:NUSA TENGGARA
1
BARAT
15:NUSA TENGGARA
2
TIMUR
16:KALIMANTAN BARAT
2
17:KALIMANTAN TIMUR
2
18:KALIMANTAN
1
SELATAN
19:KALIMANTAN TENGAH
1
20:SULAWESI UTARA
1
21:SULAWESI TENGAH
2
22:SULAWESI SELATAN
2
23:SULAWESI
2
TENGGARA
24:IRIAN JAYA
4

3 Clusters
1
1
1
1
2
1
1
3
2
1
1
1
1

2 Clusters
1
1
1
1
2
1
1
2
2
1
1
1
1

2
2

2
2

1
1
2
2

1
1
2
2

Secara visual hasil pengelompokan dapat dilihat pada dendogram di tabel 5..
Pengelompokan propinsi propinsi untuk lansia terlantar dapat dibagi atas beberapa
kelompok. Penentuan banyaknya kelompok dapat dilihat dari karakteristik masingmasing wilayah propinsi.
Melihat dari karakteristik masing-masing wilayah ada beberapa 3 pengelompokan, yaitu:
1. Jumlah 2 Kelompok yang terdiri dari kelompok pertama meliputi propinsi
Sumatera Utara, Sumatera Barat, Riau, Jambi, Bengkulu, Lampung, Jawa Tengah,
DI yokyakarta, Jawa Timur, Bali, NTB, Kal Teng, Kal Sel, Sulutdan kelompok

kedua meliputi propinsi Sumatera Selatan, DKI jakarta, Jawa Barat, NTT, Kal bar,
Kal Tim, Sulteng, Sultra dan Irian jaya
2. Jumlah 3 Kelompok yang terdiri dari kelompok pertama meliputi propinsi
Sumatera Utara, Sumatera Barat, Riau, Jambi, Bengkulu, Lampung, Jawa Tengah,
DI yokyakarta, Jawa Timur, Bali, NTB, Kal Teng, Kal Sel, Sulut dan kelompok
kedua meliputi propinsi Sumatera Selatan, Jawa Barat, NTT, Kal bar, Kal Tim,
Sulteng, Sultra dan Irian jaya. Untuk Kelompok ketiga adalah propinsi DKI
Jakarta.
3. Jumlah 4 Kelompok yang terdiri dari kelompok pertama meliputi propinsi
Sumatera Utara, Sumatera Barat, Riau, Jambi, Bengkulu, Lampung, Jawa Tengah,
DI yokyakarta, Jawa Timur, Bali, NTB, Kal Teng, Kal Sel, Sulut dan kelompok
kedua meliputi propinsi Sumatera Selatan,Jawa Barat, NTT, Kal bar, Kal Tim,
Sulteng, Sultra. Kelompok Ketiga adalad DKI jakarta dan kelompok keempat
adalah propinsi paling timur Irian Jaya.
Dengan melihat hasil pengelompokan diatas maka lebih baik pengelompokan
yang diambil adalah dengan jumlah 4 kelompok. Pengambilam 4 kelompok didasarkan
pada karakteristik propinsi DKI Jakarta pada kelompok tiga berbeda dengan propinsi
lainnya, juga perbedaan karakteristik untuk propinsi Irian Jaya pada kelompok keempat.