ANALISIS KLASTER KECAMATAN DI KABUPATEN BINTAN

BERDASARKAN KETERSEDIAN TEMPAT PENDIDIKAN

MENGGUNAKAN METODE WARD DAN SINGLE LINKAGE

Anggun September
1517031190

ABSTRACT

Physical aspect is one way to explain the diversity between regions, including the
diversity between districts. Potential villages that provide data on the existence,
availability of educational facilities of each administrative area to know which
district has the same characteristics in the field of education, in clustering using
cluster analysis. Cluster analysis is the grouping of objects or cases into smaller
clusters where each group contains objects that are similar to each other. The
cluster process is conducted for ten districts in Bintan Regency with Ward’s
Method and Single Linkage Method. Four clusters were selected for a more
specific potential development process in each district. From the analysis using
the Ward’s Method, the first cluster was obtained with minimal Playgroup and
Elementary School facilities, a second cluster with minimal Junior High School
facilities, a third cluster with good Senior High School facilities, a fourth cluster
with minimal Kindergarten and Non-formal Education facilities. While from the
analysis using Single Linkage Method, the first cluster is obtained with minimum
Junior High School facility, second cluster with good Elementary School and
Non-formal Education facilities, third cluster with minimal Kindergarten
facilities, fourth cluster with Playgroup facility and Senior High School minimal.
The 𝑅𝑆𝑞𝑢𝑎𝑟𝑒 value of the Ward’s Method is higher than that of Single Linkage
Method, it shows the ward grouping method yielding cluster features with each
other more heterogeneous than single linkage.

Keywords: Cluster Analysis, Ward Method, Single Lingkage, Education.

1. PENDAHULUAN
Kabupaten Bintan merupakan satu dari tujuh Kabupaten/Kota yang ada di
Provinsi Kepulauan Riau. Secara administratif, Kabupaten Bintan terbagi atas 10
kecamatan, 15 kelurahan, dan 36 desa (Kabupaten Bintan, 2016). Kabupaten
Bintan terletak antara 0°06'17" Lintang Utara – 1°34'52" Lintang Utara dan
104°12'47" Bujur Timur disebelah barat - 108° 02'27" Bujur Timur disebelah
Timur. Luas wilayah Kabupaten Bintan mencapai 88.038,54 km2, namun luas
daratannya hanya 2,21 %, 1.946,13 km2 saja.
Hakikat pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasana
belajar dan proses pembeajaran agar peserta didik secara aktif mengembangan
potensi dirinya untuk memiliki potensi spiritual keagamaan, pengendalian diri,
kepribadian, kecerdaan, akhlak mulia, serta keterampilan yang diperlukan dirinya,
masyarakat, bangsa dan negara (Munib, 2004).
Tujuan pendidikan adalah memuat gambaran tentang nilai-nilai yang baik, luhur,
pantas, benar, dan indah untuk kehidupan. Melalui pendidikan selain dapat
diberikan bekal berbagai pengetahuan berbagai kemampuan yang dibutuhkan oleh
setiap anggota masyarakat sehingga dapat berpartisipasi dalam pembangunan.
Tujuan pokok pendidikan adalah membentuk anggota masyarakat menjadi orang-
orang yang berpribadi, berperikemanuasiaan maupun menjadi anggota masyarakat
yang dapat mendidik dirinya sesuai dengan watak masyarakat itu sendiri,
mengurangi beberapa kesulitan atau hambatan perkembangan hidupnya dan
berusah untuk memenuhi kebutuhan hidup maupun mengatasi problematikanya
(Nazili, 2011).
Untuk mengetahui wilayah kecamtan yang memiliki karakteristik pendidikan
yang sama sebagai bekal bagi setiap masyarakat yang ada di Kabupaten Bintan
agar dapat berguna bagi pembangunan serta pengembangan daerah setempat,
dapat dilakukan pengelompokan dengan mengelompokkan kecamatan-kecamatan
berdasarkan ketersediaan tempat pendidikan pada setiap wilayah, sebagai salah
satu untuk mengembangkan masyarakatnya dan memajukan daerahnya.
Analisis klaster (Cluster Analysis) merupakan salah satu metode statistika yang
dapat digunakan untuk melakukan proses pengelompokan. Dalam
pengelompokannya digunakan suatu ukuran yang dapat menerangkan kedekatan
antar data untuk menerangkan struktur grup sederhana dari data yang kompleks,
yaitu ukuran jarak. Ukuran jarak yang sering digunakan adalah ukuran jarak
Euclidean (Johnson and Wichern, 1982).
Berdasarkan uraian di atas, penulis akan melakukan proses pengelompokan
kecamatan di Kabupaten Bintan berdasarkan pada data banyaknya ketersediaan
tempat pendidikan tahun 2016 menggunakan analisis klaster hierarki, yakni
dengan Metode Ward dan Metode Single Linkage.

2. TINJAUAN PUSTAKA
2.1 Kecamatan

Menurut Undang-Undang Nomor 23 Tahun 2014 tentang Pemerintahan Daerah,

tujuan dari adanya kecamatan adalah dalam rangka meningkatkan koordinasi
penyelenggaraan pemerintahan, pelayanan publik, dan pemberdayaan masyarakat
desa/kelurahan. Menurut Sjafrizal (1983) wilayah (region) didefinisikan sebagai
suatu unit geografi yang dibatasi oleh kriteria tertentu dan bagian-bagiannya
tergantung secara internal. Wilayah dapat dibagi menjadi empat jenis yaitu
wilayah homogen, wilayah nodal, wilayah perencanaan, dan wilayah
administrarif. Kecamatan merupakan salah satu wilayah administratif.
2.2 Pendidikan
Dalam Undang-Undang Sisdiknas Nomor 20 Tahun 2003 pasal 1 ayat 1
menyatakan bahwa: Pendidikan adalah usaha sadar dan terencna untuk
mewujudkan suasana belajar dan proses pembelajaran agar peserta didik secara
aktif mengembangkan ptensi dirinya untuk memiliki kekuatan spiritual
keagamaan, pengendalian diri, kepribadian, kecerdasan, akhlak mulia, serta
keterampilan yang diperlukan dirinya, masyrakat, bangsa, dan negara.

2.3 Analisis Klaster

Analisis Klaster (Cluster Analysis) atau Analisis Gerombol merupakan salah satu
teknik statistika yang mengelompokkan obyek-obyek dalam satu gerombol.
Tujuan dari analisis ini adalah untuk mengelompokkan obyek-obyek yang
memiliki kesamaan dalam satu gerombol dan yang memiliki perbedaan dengan
gerombol lain (Hair, 1995). Dalam hal ini, gerombol harus memiliki sifat
homogen. Pengamatan dalam analisis gerombol dilakukan dengan mencari
kesamaan antar obyek. Dalam berbagai kasus, kesamaan antar obyek didasarkan
pada hasil pengukuran jarak. Ada beberapa cara mengukur jarak kedekatan yaitu
jarak Euclidean, jarak Square Euclidean, jarak Pearson, jarak Korelasi, jarak
Mutlak Korelasi, jarak Manhattan dan jarak Minkowski. Dalam penelitian ini
digunakan jarak Euclidean dan jarak Pearson.
Jarak Euclidean antara obyek dan obyek didefinisikan sebagai (Rencher, 2002):
𝑛
𝐸 2
𝑑𝑖𝑗 = √∑(𝑥𝑘𝑖 − 𝑥𝑘𝑗 )
𝑘=1

Dengan 𝑥𝑘𝑖 merupakan nilai pengamatan variabel ke-𝑘 dan obyek ke-𝑖, 𝑥𝑘𝑗
merupakan nilai pengamatan variabel ke-𝑘 dan obyek ke-𝑗.
Jarak Pearson merupakan perluasan jarak Euclidean yang dirumuskan sebagai
berikut.
𝑛 2
𝑃
(𝑥𝑘𝑖 − 𝑥𝑘𝑗 )
𝑑𝑖𝑗 = √∑
𝑣𝑎𝑟 𝑥𝑘
𝑘=1
𝑃
Dengan adalah jarak Pearson antara obyek ke-𝑖 dan obyek ke-𝑗, var (𝑥𝑘 )
𝑑𝑖𝑗
merupakan varian dari variabel 𝑘, 𝑘 = 1,2,3, … , 𝑛.
Teknik dalam analisis gerombol sudah banyak diterapkan pada data dalam bidang
kedokteran, psikiatri, sosiologi, kriminologi, antropologi, arkeologi, geologi,
geografi, riset pasar, ekonomi, dan rekayasa. Salah satu bagian dalam analisis
gerombol adalah metode penggerombolan hirarki. Metode penggerombolan
hirarki sendiri terdiri atas Single Linkage, Complete Linkage, Average Linkage,
Centroid Linkage, dan Ward’s Method.
2.4 Tahapan Analisis Klaster

(a) Asumsi Analisis Klaster

▪ Sampel yang mewakili (Sample Representative)
Menurut Widarjono (2010), uji Kaiser-Mayer-Olkin banyak digunakan
untuk melihat syarat kecukupan suatu sampel. Jika nilai 𝐾𝑀𝑂 berkisar
0.5 sampai 1 maka sampel dapat dikatakan mewakili populasi atau sampel
representatif. Rumus 𝐾𝑀𝑂 adalah sebagai berikut:
∑𝑝𝑗=1 ∑𝑝𝑘=1,𝑘≠𝑗 𝑟𝑥2𝑗 𝑥𝑘
𝐾𝑀𝑂 = 𝑝
∑𝑗=1 ∑𝑝𝑘≠𝑗 𝑟𝑥2𝑗𝑥𝑘 + ∑𝑝𝑗=1 ∑𝑝𝑘≠𝑗 𝜌𝑥2𝑗𝑥𝑘,𝑥1

Dimana:
𝑝 = banyaknya variabel
𝑟𝑥𝑗𝑥𝑘 = korelasi antar variabel 𝑥𝑗 dan 𝑥𝑘
𝜌𝑥2𝑗𝑥𝑘,𝑥1 = korelasi parsial antara variabel 𝑥𝑗 dan 𝑥𝑘 dengan 𝑥1

▪ Tidak terdapat multikolinieritas

Menurut Gujarati (2009), multikolinearitas adalah adanya hubungan linear
yang sempurna atau pasti di antara beberapa atau semua variabel.
Sebaiknya multikolinieritas ini tidak terjadi atau tidak terdapat
multikolinieritas diantara variabel-variabel. Salah satu cara indentifikasi
adanya multikolinieritas adalah menghitung nilai Varians Inflation Factor
(𝑉𝐼𝐹) dengan rumus sebagai berikut:
1
𝑉𝐼𝐹 =
1 − 𝑅2
2
Dengan 𝑅 adalah nilai koefisien determinasi variabel dependen dengan
variabel independen. Multikolinieritas terindikasi apabila nilai 𝑉𝐼𝐹 > 10.
Salah satu cara yang dapat dilakukan bila terjadi multikolinearitas adalah
dengan mengeluarkan variabel yang berkorelasi dalam model.

(b) Pemillihan Ukuran Jarak

Tujuan analisis klaster adalah mengelompokkan obyek yang mirip ke dalam

klaster yang sama. Oleh karena itu memerlukan beberapa ukuran untuk
mengetahui seberapa mirip atau berbeda obyek-obyek tersebut. Pendekatan
yang biasa digunakan adalah mengukur kemiripan yang dinyatakan dalam
jarak (distance) antara pasangan obyek. Jarak Squared Euclidean adalah
jumlah kuadrat perbedaan deviasi di dalam nilai untuk setiap variabel
(Hair et al., 2010). Salah satu ukuran jarak ialah jarak squared euclidean.
Jarak Squared Euclidean antara kelompok objek ke-𝑖 dan kelompok objek ke-
𝑗 dari 𝑝 variabel didefinisikan sebagai berikut:
𝑝
2
𝑑𝑖𝑗 = ∑(𝑋𝑖𝑘 − 𝑋𝑗𝑘 )
𝑘=1
 Dimana :
𝑝 = banyak variabel
𝑑𝑖𝑗 = jarak antara objek ke-𝑖 dan objek ke-𝑗
𝑋𝑖𝑘 = data dari objek ke-𝑖 pada variael ke-𝑘
𝑋𝑗𝑘 = data dari objek ke-𝑗 pada variabel ke-𝑘

(c) Kekuatan Pembagian Klaster

Peneliti ada baiknya mengecek seberapa tinggi mutu klasterisasi tersebut
dengan melihat kemampuan klaster tersebut untuk membedakan data yang ada
sesuai dengan variabel atau karakteristik mengenai subjek yang digunakan
untuk klasterisasi (Gudono, 2011). Untuk melakukan pengecekan ini salah
satunya dapat menggunakan nilai 𝑅𝑠𝑞𝑢𝑎𝑟𝑒 dengan rumus sebagai berikut:
𝑆𝑆𝑏
𝑅𝑠𝑞𝑢𝑎𝑟𝑒 =
𝑆𝑆𝑇
Dengan:
𝑘
2
𝑆𝑆𝑏 = ∑ 𝑛𝑗 (𝑋̅𝑗 − 𝑋̿)
𝑗=1
𝑘 𝑛𝑗
2
𝑆𝑆𝑇 = ∑ ∑ (𝑋𝑗𝑚 − 𝑋̿)
𝑗=1 𝑚=1
Dimana:
𝑘 = banyaknya klaster
𝑛𝑗 = banyaknya data pada klaster ke-𝑗
𝑋̿ = grand mean
𝑋̅𝑗 = nilai rata-rata tiap klaster ke-𝑗
𝑆𝑆𝑏 merupakan jumlah kuadrat antar kelompok, dan 𝑆𝑆𝑇 merupakan jumlah
kuadrat total. Nilai 𝑅𝑠𝑞𝑢𝑎𝑟𝑒 berkisar dari 0 sampai 1, nilai 0 menunjukkan
tidak ada perbedaam antara kelompok dan nilai 1 menunjukkan perbedaan
maksimum antara kelompok-kelompok.

(d) Menginterpretasikan Klaster

Ukuran yang biasa dipakai untuk proses interpretasi yaitu klaster centroid
(Hair et al., 2010). Klaster centroid dihitung dengan menggunakan rumus
sebagai berikut:
∑𝑛𝑖=1 𝑦𝑖
𝑣=
𝑛
dengan 𝑣 adalah nilai centroid, 𝑦𝑖 adalah objek ke-𝑖, dan n adalah banyaknya
objek pada suatu klaster.
2.5 Metode Ward

Metode Ward berusaha untuk meminimalkan variasi antar objek yang ada dalam
satu klaster. Jarak antara dua klaster yang terbentuk pada Metode Ward adalah
sum of squares di antara dua klaster tersebut. 𝑆𝑆𝐸 hanya dapat dihitung jika
klaster memiliki elemen lebih dari satu objek. 𝑆𝑆𝐸 klaster yang hanya memiliki
satu objek adalah nol (Gudono, 2011). Menurut Rencher (2002), formula untuk
𝑆𝑆𝐸 adalah sebagai berikut:
𝑛

𝑆𝑆𝐸 = ∑(𝑋𝑖 − 𝑋̅)′ (𝑋𝑖 − 𝑋̅)

𝑖=1
Dengan :
𝑋𝑖 = vektor kolom yang berisikan nilai objek 𝑖
̅
𝑋 = vektor kolom yang entrinya rata-rata niliai obje dalam kluster
𝑛 = banyaknya objek

2.6 Metode Single Lingkage

Untuk menentukan jarak antar klaster dengan menggunakan metode single
linkage dapat dilakukan dengan melihat jarak antar dua klaster yang ada kemudian
memilih jarak paling dekat atau aturan tetangga dekat (nearest-neighbour rule).
Dihitung dengan cara:
𝑑(𝑢𝑣)𝑤 = 𝑚𝑖𝑛{𝑑𝑢𝑣 , 𝑑𝑣𝑤 }
Dimana nilai 𝑑𝑢𝑣 dan 𝑑𝑣𝑤 merupakan jarak minimum antara klaster 𝑈 dan 𝑊
serta klaster 𝑉 dan 𝑊 (Johnson and Wichern, 2007).

3. METODE PENELITIAN
3.1 Sumber Data

Data yang digunakan dalam pengelompokan menggunakan analisis klaster dengan

Metode Ward dan Metode Single Linkage adalah data-data kecamatan di
Kabupaten Bintan. Data yang digunakan merupakan data sekunder yang
diperoleh dari buku “Kabupaten Bintan dalam Angka 2017”.
(Data terlampir pada Lampiran.1)

3.2 Variabel Data

Dalam penelitian ini data dikelompokkan menurut 10 kecamatan di Kabupaten

Bintan. Adapun variabel-variabel yang digunakan ialah banyaknya
PAUD/Playgroup (X1), banyaknya TK/RA (X2), banyaknya SD/MI (X3),
banyaknya SMP/MTS (X4), banyaknya SMA/SMK/MA (X5), dan banyaknya
Pendidikan Non-formal (X6).
3.3 Teknik Analisis Data

Pada penelitian ini digunakan analisis klaster dengan Metode Ward dan Metode
Single Linkage. Data penelitian ini di kelolah menggunakan software SPSS 16
dan Microsoft Excel. Tahapan analisis data yang digunakan adalah sebagai
berikut:
1) Mengumpulkan data dari buku “Kabupaten Bintan dalam Angka 2017”, yakni
buku publikasi dari Badan Pusat Statistik Kabupaten Bintan.
2) Melakukan standarisasi pada data.
3) Melakukan pengujian asumsi analisis klaster.
(a) Sampel harus mewakili populasi
Pengujian ini dilakukan dengan menggunakan nilai Kaiser-Mayer-Olkin
(KMO).
(b) Multikolinieritas
Untuk mengetahui apakah data terindikasi multikolinieritas dilakukan
dengan melihat nilai Varians Inflation Factor (𝑉𝐼𝐹) ≥ 10.
4) Melakukan pengukuran jarak
Ukuran jarak yang digunakan pada penelitian ini adalah ukuran jarak Squared
Euclidean.
5) Memilih prosedur analisis klaster
Pada penelitian ini digunakan analisis klaster dengan menggunakan Metode
Ward dan Metode Single Linkage.
6) Menentukan banyaknya klaster
Klaster yang diinginkan sebanyak 4 klaster.
7) Melakukan pengecekan kekuatan pembagian klaster.
Pada tahap ini dilakukan pengecekan menggunakan 𝑅𝑆𝑞𝑢𝑎𝑟𝑒 .
8) Melakukan interpretasi hasil analisis
Setelah didapatkan hasil analisis klaster, maka tahap selanjutnya adalah
menjelaskan mengenai klaster yang terbentuk.

4. HASIL DAN PEMBAHASAN

4.1 Deskripsi Data
Data potensi desa/kelurahan merupakan data tentang keberadaan, ketersediaan,
dan perkembangan potensi yang dimiliki setiap wilayah administrasi
pemerintahan. Dari data tersebut ingin diketahui pengelompokan kondisi
karakteristik wilayah di 10 Kecamatan pada Kabupaten Bintan menurut data
potensi desa/kelurahan. Deskripsi data potensi desa di bidang pendidikan dapat
dilihat sebagai berikut.
Tabel 1. Data Potensi Desa/Kelurahan di Bidang Pendidikan
Std.
N Minimum Maximum Mean Deviation
X1 10 7 34 17.50 7.849
X2 10 3 8 4.90 1.595
X3 10 1 16 5.80 5.116
X4 10 4 23 10.20 5.574
X5 10 1 7 4.00 1.944
X6 10 1 6 3.00 1.886
Valid N
10
(listwise)

4.2 Asumsi Analisis Klaster

(a) Asumsi Sampel yang Mewakili
Diperoleh nilai Kaiser-Meyer-Olkin Measure of Sampling Adequacy yaitu 0.513.
Nilai 𝐾𝑀𝑂 sebesar 0.513 berkisar antara 0.5 sampai 1, maka dapat disimpulkan
bahwa sampel dapat mewakili populasi dan variabel-variabel dapat dipakai untuk
dianalisis lebih lanjut. Berikut tabel hasil perhitungan nilai 𝐾𝑀𝑂.

Tabel 2. KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling
.513
Adequacy.
Bartlett's Test of Approx. Chi-Square 44.028
Sphericity df 15
Sig. .000
(b) Asumsi Multikolinieritas
Hasil dari pengolahan uji asumsi multikolinieritas adalah sebagai berikut:

Tabel 3. Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Correlations Collinearity Statistics

Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) 6.406E-17 .069 .000 1.000
Zscore(X2) -.227 .098 -.227 -2.307 .082 -.191 -.756 -.167 .540 1.851
Zscore(X3) .353 .169 .353 2.083 .106 .941 .721 .151 .182 5.485
Zscore(X4) .544 .174 .544 3.125 .035 .851 .842 .226 .172 5.806
Zscore(X5) .018 .150 .018 .121 .910 .845 .060 .009 .232 4.306
Zscore(X6) .250 .122 .250 2.053 .109 .503 .716 .148 .351 2.846
a. Dependent Variable: Zscore(X1)

Berdasarkan hasil pada Tabel.3, diketahui bahwa nilai 𝑉𝐼𝐹 pada tiap variabel
bernilai kurang dari 10. Maka dapat diketahui bahwa tidak terjadi
multikolinieritas antar variabel-variabel tersebut.

4.3 Proses Pengklasteran

Proses pengklasteran ini mengelompokan kecamatan pada Kabupaten Bintan
berdasarkan ketersedian fasilitas pendidikan menggunakan Metode Ward dan
Metode Single Linkage.
Berikut pengklasteran dengan Metode Ward.

Gambar 1. Dendrogram dengan Metode Ward.

Tabel 4. Cluster Membership (Ward’s Method)

Case 4 Clusters 3 Clusters 2 Clusters

1:Teluk Bintan 1 1 1

2:Seri Kuala Loam 2 1 1

3:Bintan Utara 3 2 2

4:Teluk Sebong 3 2 2

5:Bintan Timur 4 3 2

6:Bintan Pesisir 2 1 1

7:Mantang 2 1 1

8:Gunung Kijang 3 2 2

9:Toapaya 2 1 1

10:Tambelan 1 1 1

Hasil pengklasteran Metode Ward untuk 4 klaster dengan anggota klaster sebagai
berikut:
1) Klaster pertama terdiri dari 2 Kecamatan, yaitu Kecamatan Teluk Bintan dan
Kacamatan Tembelan.
2) Klaster kedua terdiri dari 4 Kecamatan, yaitu Kecamatan Seri Kuala Lobam,
Kecamatan Bintan Pesisir, Kecamatan Mantang, dan Kecamatan Toapaya.
3) Klaster ketiga terdiri dari 3 Kecamatan, yaitu Kecamatan Bintan Utara,
Kecamatan Teluk Sebong, dan Kecamatan Gunung Kijang.
4) Klaster keempat terdiri dari 1 Kecamatan, yaitu Kecamatan Bintan Timur.

Berikut pengklasteran dengan single linkage.

Gambar 2. Dendrogram dengan Metode Single Linkage.

Tabel 5. Cluster Membership (Single Linkage Method)

Case 4 Clusters 3 Clusters 2 Clusters

1:Teluk Bintan 1 1 1

2:Seri Kuala Loam 1 1 1

3:Bintan Utara 2 1 1

4:Teluk Sebong 2 1 1

5:Bintan Timur 3 2 2

6:Bintan Pesisir 1 1 1

7:Mantang 1 1 1

8:Gunung Kijang 2 1 1

9:Toapaya 1 1 1

10:Tambelan 4 3 1

Hasil pengklasteran Metode Single Linkage untuk 4 klaster dengan anggota

klaster sebagai berikut:
1) Klaster 1 terdiri dari 5 Kecamatan, yaitu Kecamatan Teluk Bintan, Kecamatan
Seri Kuala Lobam, Kecamatan Bintan Pesisir, Kecamatan Mantang dan
Kacamatan Toapaya.
2) Klaster 2 terdiri dari 3 Kecamatan, yaitu Kecamatan Bintan Utara, Kecamatan
Teluk Sebong, dan Kecamatan Gunung Kijang.
3) Klaster 3 terdiri dari 1 Kecamatan, yaitu, Kecamatan Bintan Timur.
4) Klaster 4 terdiri dari 1 Kecamatan, yaitu Kecamatan Tembelan.

4.4 Kekuatan Pembagian Klaster

Berikut ini merupakan hasil dari perhitungan nilai 𝑅𝑠𝑞𝑢𝑎𝑟𝑒 (𝑅 2 ):
Tabel 6. Tabel Nilai 𝑅𝑠𝑞𝑢𝑎𝑟𝑒 (𝑅 2 )
Metode Klaster 𝑆𝑆𝑏 𝑆𝑆𝑇 𝑅2
Ward 2 7470.667 8373.667 0.892
3 6567.111 8721 0.753
4 3735.333 5381.833 0.694
Single 2 7470.667 13785.667 0.542
Linkage 3 5665.111 14890 0.380
4 3735.333 6581.833 0.568

Berdasarkan nilai 𝑅𝑠𝑞𝑢𝑎𝑟𝑒 pada masing-masing metode, dapat disimpulkan bahwa

Metode Ward menghasilkan klaster-klaster yang heterogen dibandingkan dengan
Metode Single Linkage, karena nilai 𝑅𝑠𝑞𝑢𝑎𝑟𝑒 Metode Ward lebih besar dari nilai
𝑅𝑠𝑞𝑢𝑎𝑟𝑒 Metode Single Linkage.
4.5 Intepretasi Klaster
(a) Metode Ward
Pada pemetaan pembagian klaster dengan Metode Ward maka diperoleh gambar
sebagai berikut:
(Sumber gambar : https://www.google.com/search?q=peta+kabupaten+bintan&client=firefox-b&source=lnms&tbm=isch&sa=X&ved=0ahUKEwi10aiu8YLcAhWPdd4KHXQWD2UQ_AUICigB
#imgrc=z5A6Iy0md1quzM , kemudian dilakukan peng-edit-an dengan aplikasi Photoshop)

Keterangan :
Klaster-1
Klaster-2
Klaster-3
Klaster-4

Gambar 3. Peta ilustrasi daerah hasil klaster dengan Metode Ward.

Berdasarkan Gambar.3, diketahui bahwa klaster pertama mempunyai ciri dengan

dengan fasilitas Playgroup/PAUD dan SD/MI minimal yang terdapat pada dua
kecamatan, yaitu Kecamatan Teluk Bintan dan Kacamatan Tembelan. Kluster
kedua dengan fasilitas SMP/MTS minimal yang terdapat pada empat kecamatan,
yaitu Kecamatan Seri Kuala Lobam, Kecamatan Bintan Pesisir, Kecamatan
Mantang, dan Kecamatan Toapaya. Kluster ketiga dengan fasilitas
SMA/SMK/MA baik yang terdapat pada tiga kecamatan, yaitu Kecamatan Bintan
Utara, Kecamatan Teluk Sebong, dan Kecamatan Gunung Kijang. Klaster
keempat dengan fasilitas TK/RA dan Lembaga Pendidikan Non Formal minimal
terdapat pada satu kecamatan, yaitu Kecamatan Bintan Timur.
(b) Metode Single Linkage
Pada pemetaan pembagian klaster dengan Metode Single Linkage maka diperoleh
gambar sebagai berikut:
(Sumber gambar : https://www.google.com/search?q=peta+kabupaten+bintan&client=firefox-b&source=lnms&tbm=isch&sa=X&ved=0ahUKEwi10aiu8YLcAhWPdd4KHXQWD2UQ_AUICigB
#imgrc=z5A6Iy0md1quzM , kemudian dilakukan peng-edit-an dengan aplikasi Photoshop)

Keterangan :
Klaster-1
Klaster-2
Klaster-3
Klaster-4

Gambar 4. Peta ilustrasi daerah hasil klaster dengan Metode Single Linkage.

Berdasarkan Gambar.4, diketahui bahwa klaster pertama mempunyai ciri dengan

fasilitas SMP/MTS minimal yang terdapat pada lima kecamatan, yaitu Kecamatan
Teluk Bintan, Kecamatan Seri Kuala Lobam, Kecamatan Bintan Pesisir,
Kecamatan Mantang dan Kacamatan Toapaya. Kluster kedua dengan SD/MI dan
Lembaga Pendidikan Non Formal baik yang terdapat pada tiga kecamatan, yaitu
Kecamatan Bintan Utara, Kecamatan Teluk Sebong, dan Kecamatan Gunung
Kijang. Klaster ketiga dengan fasilitas TK/RA minimal yang terdapat pada satu
kecamatan, yaitu, Kecamatan Bintan Timur. Klaster keempat dengan fasilitas
playgroup dan SMA/SMK/MA minimal yang terdapat pada satu kecamatan, yaitu
Kecamatan Tembelan.

5. KESIMPULAN
Berdasarkan hasil analisis dan pembahasan yang dilakukan terhadap data ketersedian
fasilitas pendidikan pada setiap kecamatan yang ada di Kabupaten Bintan, didapat
beberapa kesimpulan sebagai berikut:
1) Pada pengklasteran menggunakan Metode Ward, pengklasteran 10 kecamatan.
Dipilih 4 klaster agar dapat memperoleh kesamaan karakteristik dalam bidang
pendidikan pada masing-masing kecamtan yang ada di Kabupaten Bintan. Pada
Klaster pertama terdiri dari 2 kecamatan, klaster kedua terdiri dari 4 kecamatan,
klaster ketiga terdiri dari 3 kecamatan, dan klaster keempat terdiri dari 1
kecamatan. Dari analisis menggunakan Metode Ward, klaster pertama dengan
fasilitas Playgroup/PAUD dan SD/MI minimal, klaster kedua dengan fasilitas
SMP/MTS minimal, klaster ketiga dengan fasilitas SMA/SMK/MA yang baik,
klaster keempat dengan fasilitas TK/RA dan Lembaga Pendidikan Non-formal
yang minimal.
2) Pada pengklasteran menggunakan Metode Single Linkage, pengklasteran 10
kecamatan. Dipilih 4 klaster agar proses pengembangan potensi lebih spesifik
pada tiap kecamatan. Pada Klaster pertama terdiri dari 5 kecamatan, klaster
kedua terdiri dari 3 kecamatan, klaster ketiga terdiri dari 1 kecamatan, dan klaster
keempat terdiri dari 1 kecamatan. Dari analisis menggunakan Metode Single
Linkage, klaster pertama diperoleh dengan fasilitas SMP/MTS minimal,
klaster kedua dengan SD/MI dan Lembaga Pendidikan Non-formal yang baik,
klaster ketiga dengan fasilitas TK/RA minimal, dan klaster keempat dengan
fasilitas Playgroup/PAUD dan SMA/SMK/MA minimal.
3) Berdasarkan nilai 𝑅𝑠𝑞𝑢𝑎𝑟𝑒 pada masing-masing metode, dapat disimpulkan
bahwa Metode Ward menghasilkan klaster-klaster yang heterogen dibandingkan
dengan Metode Single Linkage, hal tersebut ditunjukkan bahwa nilai
𝑅𝑠𝑞𝑢𝑎𝑟𝑒 (𝑅2 ) dari Metode Ward lebih besar dibandingkan dengan Metode
Single Linkage.

DAFTAR PUSTAKA
Anonim. 2017. Peta Kabupaten Bintan. http://peta-kota.blogspot.com/2017/01/
peta-kabupaten-bintan.html. Diakses pada 20 Juni 2018.

BPS Kabuapaten Bintan. 2017. Bintan Dalam Angka 2017. BPS Kabupaten
Bintan, Bintan.

Fathia, A.N., et al. 2016. Analisis Klaster Kecamatan di Kabupaten Semarang

Berdasarkan Potensi Desa Menggunakan Metode Ward dan Single Linkage.
Jurnal Gaussian. 5(4): 801-810.

Gudono. 2011. Analisis Data Multivariat. BPFE, Yogyakarta.

Gujarati, D. 2009. Dasar-Dasar Ekonometrika Jilid 2. Erlangga, Jakarta.

Johnson, R.A. and Wichern, D.W. 1982. Applied Multivariate Statistical

Analysis. Griffin, London.

Johnson, R. A. dan Wincern, D. W. 2007. Applied Multivariate Statistical

Analysis. Sixth Edition. Pearson International Edition, New Jersey.

Hair, J.F., et.al. 1995. Multivariate Data Analysis With Reading. Fourth Edition.
Prentice Hall, New Jersey.

Hair, J.F., et.al. 2010. Multivariate Data Analysis. Seventh Edition. Pearson
Education Interscience Publication, New Jersey.

Munib, A. 2004. Pengantar ilmu pendidikan. UPT UNNES PRESS, Semarang.

Nazili, A.S. 2011. Pendidikan dan Masyarakat. Sabda Media, Yogyakarta.

Rencher, A. 2002. Method of Multivariate Analysis. Second Edition. John
Wiley and Sons Interscience Publication, New York.

Sjafrizal. 1983. Teori Ekonomi Regional konsep dan perkembangan. EKI,

Jakarta.

Widarjono, A. 2010. Analisis Statistika Multivariat Terapan. Edisi pertama.

UPP STIM YKPN, Yogyakarta.
LAMPIRAN