1 PENDAHULUAN
1.1 Latar Belakang
Sebaran pasar dan pusat perdagangan memiliki peranan strategis dalam mendukung aktivitas ekonomi masyarakat Indonesia. Sebagai negara dengan jumlah penduduk yang besar dan keragaman budaya yang tinggi, Indonesia memiliki berbagai jenis pasar dan pusat perdagangan yang melayani kebutuhan masyarakat. Secara umum, pasar dan pusat perdagangan di Indonesia dapat diklasifikasikan menjadi tiga jenis utama: pasar tradisional, pusat perbelanjaan (mall), dan toko swalayan (modern retail). Masing-masing jenis ini memiliki karakteristik, fungsi, dan peran yang berbeda dalam sistem ekonomi nasional.
Pasar tradisional, yang merupakan warisan budaya dan ekonomi masyarakat Indonesia, masih menjadi tempat utama bagi banyak masyarakat untuk memenuhi kebutuhan sehari-hari, terutama di wilayah pedesaan dan perkotaan kecil. Di sisi lain, pusat perbelanjaan dan toko swalayan, yang lebih modern dan terorganisir, cenderung dominan di kawasan perkotaan besar, di mana tingkat urbanisasi dan daya beli masyarakat lebih tinggi. Sebaran ketiga jenis pusat perdagangan ini tidak merata di seluruh wilayah Indonesia. Perbedaan dalam infrastruktur, tingkat ekonomi, urbanisasi, dan kebijakan daerah turut memengaruhi distribusi pasar tradisional, pusat perbelanjaan, dan toko swalayan di berbagai provinsi. Ketimpangan ini menciptakan tantangan dalam aksesibilitas dan pemerataan ekonomi antarwilayah, yang pada akhirnya dapat memengaruhi pembangunan ekonomi nasional secara keseluruhan.
Pengelompokan sebaran pasar dan pusat perdagangan berdasarkan klasifikasi ini dapat memberikan gambaran yang lebih jelas tentang pola distribusi dan hubungan antara jenis pusat perdagangan dengan kondisi sosial-ekonomi di setiap wilayah. Dengan memahami pola ini, pemerintah dan pelaku ekonomi dapat merumuskan kebijakan yang lebih tepat sasaran untuk meningkatkan pemerataan akses pasar, mendorong pembangunan ekonomi regional, dan menjaga keberlanjutan pasar tradisional di tengah berkembangnya pasar modern. Penelitian ini bertujuan untuk menganalisis sebaran pasar dan pusat perdagangan di Indonesia menurut klasifikasi pasar tradisional, pusat perbelanjaan, dan toko swalayan. Hasil analisis ini diharapkan dapat menjadi landasan dalam pengambilan keputusan strategis untuk mendukung pengembangan ekonomi berbasis perdagangan yang inklusif dan berkelanjutan di seluruh wilayah Indonesia.
1.2 Data
Data diambil dari Badan Pusat Statistik mengenai Sebaran Pasar dan Pusat Perdagangan Menurut Klasifikasi Tahun 2019 di 34 Provinsi Indonesia dengan 3 variabel, yaitu X1 (Pasar Tradisional), X2 (Pusat Perbelanjaan), dan X3 (Toko Swalayan).
{r echo=FALSE}
pasarprovinsi <- read_excel("C:/Users/Salwa/Documents/SEMESTER 5/ANMUL I/Sebaran Pasar dan Pusat Perdagangan Menurut Klasifikasi, 2019.xlsx")
datatable(pasarprovinsi, caption = "Sebaran Pasar dan Pusat Perdagangan Provinsi Indonesia")1.3 Latar Belakang Metode
Indonesia memiliki karakteristik ekonomi dan sosial yang beragam, menghadapi tantangan dalam memahami dan mengelola dinamika pasar dan pusat perdagangan secara menyeluruh. Sebaran pasar tradisional, pusat perbelanjaan (mall), dan toko swalayan (modern retail) di setiap provinsi menunjukkan pola yang tidak merata. Ketimpangan ini dipengaruhi oleh faktor-faktor seperti tingkat urbanisasi, infrastruktur, daya beli masyarakat, dan kebijakan lokal. Oleh karena itu, diperlukan pendekatan analitis yang dapat mengelompokkan provinsi berdasarkan pola sebaran pasar dan pusat perdagangan untuk memahami perbedaan karakteristik antar wilayah.
Metode analisis cluster hierarki merupakan pendekatan statistik yang sangat efektif untuk tujuan ini. Dengan metode ini, provinsi-provinsi di Indonesia dapat dikelompokkan berdasarkan kesamaan atribut terkait sebaran pasar tradisional, pusat perbelanjaan, dan toko swalayan. Analisis cluster hierarki menggunakan prinsip pengelompokan berjenjang, di mana objek (provinsi) yang memiliki karakteristik serupa akan digabungkan secara bertahap hingga membentuk kelompok-kelompok yang homogen.
Keunggulan metode ini terletak pada kemampuannya untuk memberikan visualisasi berupa dendrogram, yang menggambarkan hubungan antar objek dan proses pengelompokan secara hierarki. Selain itu, analisis cluster hierarki tidak memerlukan asumsi awal mengenai jumlah kelompok, sehingga hasilnya lebih fleksibel dan adaptif terhadap data yang beragam. Metode ini sangat cocok untuk menganalisis distribusi pasar di Indonesia, yang melibatkan berbagai dimensi dan indikator ekonomi.
1.4 Rumusan Masalah
Permasalahan penelitian dari latar belakang yang sudah dijelaskan adalah:
- Bagaimana provinsi-provinsi di Indonesia dapat dikelompokkan berdasarkan klasifikasi sebaran pasar dan pusat perdagangan?
- Apa perbedaan klasifikasi utama antar kelompok provinsi yang dihasilkan dari pengelompokan tersebut?
1.5 Tujuan Penelitian
Penelitian diharapkan dapat mencapai tujuan berikut:
- Mengelompokkan provinsi di Indonesia berdasarkan karakteristik sebaran pasar dan pusat perdagangan menggunakan metode analisis cluster hierarki.
- Mengidentifikasi perbedaan karakteristik antar kelompok provinsi yang dihasilkan.
1.6 Batasan Masalah
- Penelitian hanya menggunakan data dari Badan Pusat Statistik (BPS) tahun 2019 terkait sebaran pasar dan pusat perdagangan menurut klasifikasi pasar tradisional, pusat perbelanjaan, dan toko swalayan.
- Pengelompokan dilakukan pada tingkat provinsi di Indonesia, sehingga tidak mencakup analisis pada tingkat kabupaten/kota.
- Penelitian menggunakan metode analisis cluster hierarki, dan pengelompokan dilakukan berdasarkan variabel-variabel yang tersedia dalam data tersebut tanpa memperhitungkan faktor lain di luar dataset
2 TINJAUAN PUSTAKA
2.1 Statistika Deskriptif
Statistika deskriptif merupakan jenis analisis statistik yang populer untuk menyajikan data. Statistika deskriptif biasanya digunakan sebagai langkah awal merapikan data sebelum dilaksanakan analisis lebih lanjut. Akan tetapi, statistika deskriptif dapat juga berdiri sebagai analisis sendiri yang bisa menyajikan data dan memberikan berbagai informasi mengenai data. Terdapat berbagai bentuk deskriptif yang bisa dibuat dari berbagai data. Dimulai dari bentuk visual seperti tabel dan grafik, atau juga berbagai ukuran data seperti ukuran pemusatan, ukuran nilai tempat, dan ukuran penyebaran.
2.2 Analisis CLuster
Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling mirip dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Berbeda dengan teknik multivariat lainnya, analisis ini tidak mengestimasi kumpulan variabel secara empiris sebaliknya menggunakan kumpulan variabel yang ditentukan oleh peneliti itu sendiri. Fokus dari analisis cluster adalah membandingkan objek berdasarkan kumpulan variabel, hal inilah yang menyebabkan para ahli mendefinisikan kumpulan variabel sebagai tahap kritis dalam analisis cluster. Kumpulan variabel cluster adalah suatu kelompok variabel yang mempresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan analisis faktor adalah bahwa analisis cluster terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada kelompok variabel.
2.2.1 Uji Asumsi Sampel Representatif
Pada uji asumsi sampel representatif dapat menggunakan uji Kaise Mayer Olkin (KMO), di mana uji ini dapat mengukur kecukupan pengambilan sampel secara keseluruhan dan mengukur kecukupan pengambilan sampel untuk setiap indikator. Apabila nilai KMO > 0.5, maka asumsi sampel representatif terpenuhi.
2.2.2 Uji Asumsi Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah ditemukan adanya korelasi antar variabel bebas (independen) pada model. Asumsi multikolinearitas mengharuskan tidak adanya korelasi yang sempurna atau besar diantara variabel-variabel independen. Analisis koefisien korelasi bertujuan untuk mempelajari apakah ada hubungan antara dua variabel. Koefisien korelasi antar variabel independen haruslah lemah (dibawah 0,8). Jika korelasi kuat, terjadilah problem multikolinearitas.
2.2.3 Standarisasi Variabel
Variabel yang memiliki nilai besar mempunyai pengaruh yang lebih besar dalam melakukan prediksi klasifikasi dari pada variabel dengan nilai kecil. Untuk mengatasi masalah tersebut, dapat digunakan teknik normalisasi variabel sehingga semua variabel akan berbeda dalam jangkauan yang sama. Tanpa dilakukan normalisasi, bisa jadi salah satu variabel akan mendominasi di dalam klasifikator. Cara menentukan nilai normalisasi adalah dengan menghitung nilai mean dan variansi dari masing-masing variabel.
2.2.4 Menghitung Jarak Euclidian
Tujuan analisis cluster adalah mengelompokkan objek yang mirip ke dalam cluster yang sama. Oleh karena itu memerlukan beberapa ukuran untuk mengetahui seberapa mirip atau berbeda objek-objek tersebut. Pendekatan yang biasa digunakan adalah mengukur kemiripan yang dinyatakan dalam jarak (distance) antara pasangan objek. Pada analisis cluster terdapat tiga ukuran untuk mengukur kesamaan antar objek jarak euclidean mengukur jumlah kuadrat perbedaan nilai pada masing-masing variabel.
2.2.5 Analisis Cluster Hierarki Metode Single Linkage
Hierarchical clustering merupakan metode pengelompokan data yang memiliki kesamaan paling dekat hingga cluster membentuk pohon yang memiliki tingkatan (hierarki) dari objek paling mirip hingga yang paling tidak mirip (Khomarudin, 2016). Hierarchical clustering dapat dianalisis dengan metode seperti single linkage, yaitu metode cluster tipe agglomerative yang pengelompokannya dimulai dengan mencari nilai minimum antar variabel satu dengan yang lain dan menggabungkan objek yang saling berdekatan lalu menjadikannya sebagai cluster Proses berulang hingga diperoleh jumlah cluster terkecil.
2.2.6 Dendogram
Hasil cluster hierarki atau pohon tingkatan dapat divisualisasikan dengan dendogram. Dendogramadalah representatif visual dari langkah-langkah dalam analisis cluster yang menunjukkan cara cluster terbentuk dari nilai koefisien jarak
3 SOURCE CODE
3.1 Library
3.2 Data
3.3 Statistika Deskriptif
> statdes <- summary(pasarprovinsi)
> statdes
Provinsi X1 X2 X3
Length:34 Min. : 69.0 Min. : 1.00 Min. : 2.00
Class :character 1st Qu.: 158.5 1st Qu.: 5.00 1st Qu.: 14.00
Mode :character Median : 367.5 Median : 8.50 Median : 23.50
Mean : 460.5 Mean : 19.12 Mean : 37.62
3rd Qu.: 519.5 3rd Qu.: 19.25 3rd Qu.: 35.75
Max. :2249.0 Max. :121.00 Max. :193.00 3.4 Uji Asumsi
3.4.1 Uji Sampel Representatif
3.5 Standarisasi
> datastand <- scale(pasarprovinsi[,2:4])
> datastand
X1 X2 X3
[1,] 0.03666385 -0.44648293 -0.57936954
[2,] 0.83279316 0.14304793 -0.44367335
[3,] 0.06389985 -0.26225454 -0.17228095
[4,] 0.48082020 -0.07802614 -0.03658476
[5,] -0.17284386 -0.40963725 -0.37582525
[6,] 0.78041623 -0.22540886 -0.46628938
[7,] -0.49339067 -0.59386564 -0.53413748
[8,] 0.37397127 -0.29910021 -0.01396873
[9,] -0.80136701 -0.55701997 -0.17228095
[10,] -0.81812762 -0.15171750 0.39311986
[11,] -0.51853159 2.53801704 -0.46628938
[12,] 0.74689500 3.75392444 3.06181172
[13,] 3.03681431 1.35895532 3.51413237
[14,] -0.21684048 -0.18856318 1.11683291
[15,] 3.74704546 2.20640593 1.84054595
[16,] -0.51853159 0.65888743 -0.17228095
[17,] -0.09532601 0.06935657 -0.30797715
[18,] -0.48710544 -0.52017429 -0.24012905
[19,] 0.14141771 -0.55701997 -0.01396873
[20,] -0.50596113 -0.40963725 -0.05920079
[21,] 0.07018508 -0.55701997 -0.42105731
[22,] 0.01571308 -0.52017429 -0.64721764
[23,] -0.44939405 0.03251089 0.95852068
[24,] -0.82022270 -0.52017429 -0.71506574
[25,] -0.65052145 -0.22540886 -0.30797715
[26,] -0.06599493 -0.48332861 -0.55675351
[27,] 0.64423622 0.03251089 -0.33059318
[28,] -0.08275555 -0.52017429 -0.39844128
[29,] -0.69451807 -0.52017429 -0.60198558
[30,] -0.57928883 -0.66755700 -0.60198558
[31,] -0.77622608 -0.52017429 -0.26274509
[32,] -0.74270485 -0.59386564 -0.64721764
[33,] -0.81184239 -0.59386564 -0.80552987
[34,] -0.66937715 -0.37279157 -0.53413748
attr(,"scaled:center")
X1 X2 X3
460.50000 19.11765 37.61765
attr(,"scaled:scale")
X1 X2 X3
477.30939 27.14022 44.21642 3.6 Jarak Euclidian
> jarak <- dist(pasarprovinsi, method = "euclidean")
> jarak
1 2 3 4 5 6
2 439.229629
3 26.280538 424.191781
4 246.630628 195.222949 229.962316
5 115.942514 554.537645 130.975825 360.832371
6 410.017886 31.112698 395.194467 166.637331 525.440767
7 292.184873 731.304770 307.880929 537.779385 176.948203 702.161425
8 188.191392 254.207265 171.090619 59.307110 301.962470 225.211012
9 462.360610 901.040140 476.980782 706.870097 346.596788 871.990061
10 473.817124 910.953347 486.997604 716.254145 357.899427 882.131509
11 320.022916 748.555053 333.124601 557.292263 211.789203 721.133367
12 452.898811 216.979262 429.893010 246.884588 552.079704 219.866626
13 1667.647445 1232.027056 1650.077170 1421.065328 1780.978008 1261.086304
14 164.580274 584.058216 168.162620 389.014139 80.274529 555.550178
15 2050.389882 1611.714615 2034.035070 1804.148553 2164.959122 1641.063070
16 308.650828 745.086125 322.302136 551.319629 193.724891 716.607750
17 75.797977 511.584467 88.641600 317.878383 45.416590 482.820878
18 289.203504 727.832398 303.813539 533.752752 173.378199 698.750313
19 64.642607 382.312263 44.452222 187.666371 174.248864 353.093000
20 300.246565 738.317908 314.165561 543.964460 184.307714 709.314223
21 20.461346 420.884782 16.083117 227.666423 134.044769 391.588219
22 12.274635 450.932367 36.860096 258.603944 104.899952 421.668116
23 279.563946 710.302283 288.880598 515.209990 167.527112 681.749710
24 472.328981 911.401119 488.137959 718.038996 357.239416 882.331004
25 379.058483 817.638877 393.815524 623.709334 263.357805 788.701887
26 56.603887 495.788934 74.556466 302.811272 59.654561 466.591899
27 335.440010 104.140930 320.087488 91.374687 450.552254 75.806772
28 66.503133 505.037292 82.048766 311.471775 49.786210 475.838908
29 402.998759 842.072048 418.654989 648.577932 287.773059 812.991185
30 339.554610 778.724598 355.398368 585.282838 224.454895 749.560760
31 448.321313 887.101648 463.128492 693.055072 332.621907 858.055165
32 429.587399 868.704016 445.341816 675.258963 314.437063 839.597523
33 467.819053 906.922268 483.858106 713.714229 352.913587 877.819268
34 389.147787 828.090977 404.582089 634.506632 273.785804 799.073630
7 8 9 10 11 12
2
3
4
5
6
7
8 478.872286
9 170.747377 647.887850
10 185.652004 657.369505 32.863353
11 99.183332 500.406501 184.210025 190.515091
12 720.804181 288.166618 879.590056 881.792871 721.333025
13 1957.575030 1479.550382 2124.616671 2131.142104 1970.383719 1264.528371
14 174.638675 330.722442 329.018743 333.454645 203.672940 554.310382
15 2341.901507 1863.132846 2510.454673 2518.262099 2353.941659 1655.416967
16 45.548509 492.884030 160.474297 169.540556 60.772801 723.252837
17 220.677744 259.345330 389.690475 400.036665 245.878019 508.337158
18 15.577762 474.772928 173.243566 185.644822 98.074801 713.389094
19 350.882696 128.426373 519.678105 529.413512 377.148954 392.778139
20 25.871477 484.992096 162.980571 173.781472 94.938577 720.571070
21 310.670243 168.910233 480.523326 491.518735 338.666010 434.716766
22 280.661124 200.203230 450.987066 462.774243 309.791328 464.977419
23 82.348851 456.623842 203.240416 205.348484 113.619247 678.125849
24 180.384774 659.188390 29.619813 57.758116 192.339977 895.059775
25 88.128694 564.852783 84.071398 99.095913 113.390182 798.960992
26 235.587210 244.133843 405.781550 417.494112 266.823287 502.485821
27 627.395675 150.190990 796.998536 806.848189 645.688263 216.339240
28 226.439101 252.583979 396.232255 407.473517 258.616834 508.174511
29 110.929407 589.702750 62.854329 85.767127 136.533268 827.078392
30 47.525432 526.372492 124.397213 142.023472 106.119430 767.101036
31 156.516240 634.095682 14.651507 42.284749 171.654692 866.867156
32 137.530603 616.373264 40.431011 68.857340 158.063278 853.495557
33 176.060596 654.874034 32.863353 62.843722 189.912260 891.964872
34 97.241966 575.658464 75.277265 94.924531 123.471994 812.240523
13 14 15 16 17 18
2
3
4
5
6
7
8
9
10
11
12
13
14 1798.076380
15 401.540367 2186.294582
16 1968.667570 180.790855 2353.715078
17 1737.742213 99.210215 2121.617308 234.082607
18 1952.530324 164.608627 2337.628713 40.955260 216.745627
19 1607.052789 206.045302 1991.378082 365.810516 132.800602 346.604482
20 1961.886507 170.426915 2347.480067 34.679485 227.173942 14.329457
21 1648.448159 176.985875 2031.633169 326.947498 93.487967 307.291393
22 1679.611463 156.996815 2062.211434 297.747096 66.231916 277.906459
23 1926.295581 128.613115 2314.306520 71.907348 205.582100 66.912879
24 2137.553430 345.612500 2522.074543 172.572690 400.493029 185.191792
25 2042.224278 249.850622 2427.394213 78.153695 306.135046 90.605371
26 1723.663153 119.577032 2106.803266 252.734380 26.882460 232.659981
27 1333.846568 480.351260 1715.054129 641.210314 407.612561 623.795907
28 1731.916472 107.492635 2115.612126 243.277619 20.264912 223.003737
29 2068.070276 277.707280 2452.628522 106.088014 331.101193 115.798676
30 2005.068577 218.705281 2389.413596 57.711928 268.154185 54.258640
31 2111.205027 316.419553 2496.772850 146.828698 375.739271 159.352858
32 2094.781134 303.767455 2479.334588 131.888842 357.826774 142.417227
33 2133.497598 342.543428 2517.787653 169.469761 396.269269 181.306371
34 2053.813039 263.337553 2438.466458 91.097018 316.901667 101.679234
19 20 21 22 23 24
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20 356.839833
21 44.422217 318.113187
22 76.463499 289.104364 32.186954
23 329.907058 62.161081 295.479272 269.691181
24 531.216215 176.446404 490.978615 460.738538 222.201110
25 436.858482 80.886752 397.394850 367.719096 128.587195 96.256602
26 117.649196 243.825074 75.409990 45.284287 225.607328 415.772374
27 278.213347 634.233396 316.960565 347.219431 606.336540 807.560111
28 125.107953 233.917364 84.308956 55.737480 214.320632 406.775942
29 461.704090 107.610408 421.568500 391.450295 157.797338 69.522179
30 398.364992 49.665548 358.093098 327.975609 109.337398 132.996241
31 505.919625 149.358629 466.570466 436.917994 191.405329 33.486316
32 488.356427 134.014925 448.174073 418.007974 182.318403 42.926293
33 526.942122 172.935441 486.526464 456.184173 220.006061 6.928203
34 447.694837 93.280938 407.691060 377.659459 143.768332 83.777483
25 26 27 28 29 30
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26 322.513049
27 713.651642 391.947275
28 313.094235 12.328828 401.070235
29 29.977770 346.419784 738.186968 337.332675
30 44.256826 282.969963 674.844180 273.900225 63.676265
31 69.933302 391.732902 783.086202 382.268666 48.249352 110.012121
32 54.905980 373.012958 764.834623 363.959705 26.758176 90.125838
33 93.187982 411.284168 803.123071 402.379589 65.533706 128.613115
34 16.206994 332.573801 724.183218 323.423355 15.011107 50.622788
31 32 33
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32 27.055499
33 34.039193 38.952963
34 60.673992 41.408534 80.0333263.7 Single Linkage
3.8 Korelasi Cophenetic
3.9 Indeks Validitas
> inval <- clValid(datastand, 2:4, clMethods = "hierarchical", validation = "internal", metric = "euclidean", method = "single")
> summary(inval)
Clustering Methods:
hierarchical
Cluster sizes:
2 3 4
Validation Measures:
2 3 4
hierarchical Connectivity 4.2869 6.7869 8.7869
Dunn 1.0977 1.0421 0.6251
Silhouette 0.7643 0.7434 0.7159
Optimal Scores:
Score Method Clusters
Connectivity 4.2869 hierarchical 2
Dunn 1.0977 hierarchical 2
Silhouette 0.7643 hierarchical 2 > optimalScores(inval)
Score Method Clusters
Connectivity 4.2869048 hierarchical 2
Dunn 1.0976595 hierarchical 2
Silhouette 0.7643291 hierarchical 2
> #Visualisasi Elbow untuk menentukan jumlah cluster optimal
> fviz_nbclust(pasarprovinsi, FUN = hcut, method = "wss", k.max = 10) +
+ labs(title = "Elbow Method untuk Menentukan Jumlah Cluster Optimal")
> #Visualisasi Indeks Silhouette untuk menentukan jumlah cluster optimal
> fviz_nbclust(pasarprovinsi, FUN = hcut, method = "silhouette", k.max = 10) +
+ labs(title = "Silhouette Method untuk Menentukan Jumlah Cluster Optimal")
## Dendogram
> anggotas <- data.frame(id = pasarprovinsi$Provinsi, cutree(hiers, k = 2))
> anggotas
id cutree.hiers..k...2.
1 ACEH 1
2 SUMATERA UTARA 1
3 SUMATERA BARAT 1
4 RIAU 1
5 JAMBI 1
6 SUMATERA SELATAN 1
7 BENGKULU 1
8 LAMPUNG 1
9 KEP. BANGKA BELITUNG 1
10 KEP. RIAU 1
11 DKI JAKARTA 1
12 JAWA BARAT 1
13 JAWA TENGAH 2
14 DI YOGYAKARTA 1
15 JAWA TIMUR 2
16 BANTEN 1
17 BALI 1
18 NUSA TENGGARA BARAT 1
19 NUSA TENGGARA TIMUR 1
20 KALIMANTAN BARAT 1
21 KALIMANTAN TENGAH 1
22 KALIMANTAN SELATAN 1
23 KALIMANTAN TIMUR 1
24 KALIMANTAN UTARA 1
25 SULAWESI UTARA 1
26 SULAWESI TENGAH 1
27 SULAWESI SELATAN 1
28 SULAWESI TENGGARA 1
29 GORONTALO 1
30 SULAWESI BARAT 1
31 MALUKU 1
32 MALUKU UTARA 1
33 PAPUA BARAT 1
34 PAPUA 1> clus_hier <- eclust(datastand, FUNcluster = "hclust", k = 2, hc_method = "single", graph = TRUE)
> provinsi <- pasarprovinsi$Provinsi
> clus_hier$labels <- provinsi
> fviz_dend(clus_hier, rect = TRUE, cex = 0.5, k_colors = "jco") +
+ labs(title = "Dendrogram Clustering Hierarki Pasar Provinsi (Single Linkage, Jarak Euclidian)") +
+ theme_minimal()
## Karakteristik setiap Cluster
> idclus = clus_hier$cluster
> idclus
ACEH SUMATERA UTARA SUMATERA BARAT
1 1 1
RIAU JAMBI SUMATERA SELATAN
1 1 1
BENGKULU LAMPUNG KEP. BANGKA BELITUNG
1 1 1
KEP. RIAU DKI JAKARTA JAWA BARAT
1 1 2
JAWA TENGAH DI YOGYAKARTA JAWA TIMUR
2 1 2
BANTEN BALI NUSA TENGGARA BARAT
1 1 1
NUSA TENGGARA TIMUR KALIMANTAN BARAT KALIMANTAN TENGAH
1 1 1
KALIMANTAN SELATAN KALIMANTAN TIMUR KALIMANTAN UTARA
1 1 1
SULAWESI UTARA SULAWESI TENGAH SULAWESI SELATAN
1 1 1
SULAWESI TENGGARA GORONTALO SULAWESI BARAT
1 1 1
MALUKU MALUKU UTARA PAPUA BARAT
1 1 1
PAPUA
1 4 HASIL DAN PEMBAHASAN
4.1 Statistika Deskriptif
Berdasarkan data, terdapat variasi yang signifikan dalam jumlah pasar tradisional, pusat perbelanjaan, dan toko swalayan di setiap provinsi di Indonesia.
- Pasar Tradisional (X1): Jumlah pasar tradisional bervariasi mulai dari 69 pasar di provinsi dengan jumlah terendah hingga 2.249 pasar di provinsi dengan jumlah tertinggi. Sebanyak 25% provinsi memiliki kurang dari atau sama dengan 158,5 pasar, sementara 75% provinsi memiliki kurang dari atau sama dengan 519,5 pasar. Rata-rata jumlah pasar tradisional di seluruh provinsi adalah 460,5, dengan nilai tengah (median) sebesar 367,5 pasar.
- Pusat Perbelanjaan (X2): Sebaran jumlah pusat perbelanjaan menunjukkan bahwa provinsi dengan nilai terendah hanya memiliki 1 pusat perbelanjaan, sedangkan provinsi dengan nilai tertinggi memiliki 121 pusat perbelanjaan. Sebanyak 25% provinsi memiliki kurang dari atau sama dengan 5 pusat perbelanjaan, sementara 75% provinsi memiliki kurang dari atau sama dengan 19,25 pusat perbelanjaan. Rata-rata jumlah pusat perbelanjaan adalah 19,12, dengan nilai tengah (median) sebesar 8,5 pusat perbelanjaan.
- Toko Swalayan (X3): Jumlah toko swalayan di provinsi-provinsi Indonesia berkisar antara 2 hingga 193 toko. Sebanyak 25% provinsi memiliki kurang dari atau sama dengan 14 toko swalayan, sementara 75% provinsi memiliki kurang dari atau sama dengan 35,75 toko. Rata-rata jumlah toko swalayan adalah 37,62, dengan nilai tengah (median) sebesar 23,5 toko swalayan.
Dari analisis ini terlihat bahwa jumlah pasar tradisional, pusat perbelanjaan, dan toko swalayan tidak terdistribusi secara merata di seluruh provinsi. Sebagian kecil provinsi memiliki jumlah yang jauh lebih tinggi dari rata-rata, yang kemungkinan besar adalah provinsi dengan tingkat urbanisasi dan aktivitas ekonomi yang lebih tinggi. Di sisi lain, banyak provinsi memiliki jumlah pasar dan pusat perdagangan yang relatif rendah, menunjukkan adanya disparitas yang perlu diperhatikan dalam upaya pemerataan akses ekonomi.
4.2 Uji Asumsi
4.2.1 Uji Sampel Representatif
Berdasarkan output, uji KMO pada masing-masing variabel tersebut sudah bernilai lebih dari (≥) 0.5, sehingga dapat disimpulkan bahwa sampel representatif.
4.2.2 Uji Multikolinieritas
Berdasarkan output, dapat dilihat bahwa nilai korelasi antar variabel kurang dari 0.8, sehingga dapat disimpulkan bahwa tidak terjadi multikolinearitas antar variabel.
4.3 Jarak Euclidian
Jarak euclidian dapat dilihat di bab 3.6
4.4 Korelasi Cophenetic
[1] 0.9310409
Nilai 0.93 menunjukkan bahwa dendrogram hasil metode single linkage sangat representatif untuk interpretasi pola cluster serta penentuan jumlah dan batas antar cluster dan menunjukkan metode single linkage adalah pilihan yang efektif untuk analisis cluster lebih lanjut.
4.5 Cluster Optimum
Berdasarkan metode silhouette terpilih jumlah cluster sebanyak 2 sebagai cluster optimal pada metode pengelompokan Single Linkage.
4.6 Dendogram
4.6.1 Anggota Cluster
Cluster 1 : DKI Jakarta, Banten, DI Yogyakarta, Aceh, Sumatera Utara, Sumatera Barat, Riau, Kepulauan Riau, Jambi, Bengkulu, Lampung, Sumatera Selatan, Bangka Belitung, Kalimantan Barat, Kalimantan Timur, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Utara, Sulawesi Utara, Sulawesi Selatan, Sulawesi Tenggara, Sulawesi Barat, Sulawesi Tengah, Gorontalo, Bali, NTT, NTB, Maluku, Maluku Utara, Papua Barat, dan Papua.
Cluster 2 : Jawa Barat, Jawa Timur, Jawa Tengah
4.6.2 Interpretasi Dendogram
Pemisahan Cluster Dendrogram ini menunjukkan proses pengelompokan provinsi berdasarkan karakteristik pasar tradisional, pusat perbelanjaan, dan toko swalayan. Setiap penggabungan atau pemisahan antara dua provinsi/cluster digambarkan dengan height, yang menunjukkan jarak atau perbedaan antar cluster yang digabungkan. Semakin tinggi garis penggabungan, semakin besar perbedaan antara cluster yang digabungkan.
Cluster dengan Tingkat Keterkaitan yang Tinggi Provinsi seperti DKI Jakarta, Banten, dan DI Yogyakarta cenderung lebih terpisah dari cluster lainnya, terlihat pada penggabungan mereka yang terjadi pada ketinggian yang lebih tinggi (sekitar level 2 pada sumbu tinggi). Ini menunjukkan bahwa ketiga provinsi tersebut memiliki ciri-ciri yang lebih berbeda dibandingkan dengan provinsi lainnya.
Cluster yang Lebih Terhimpun Provinsi lainnya, seperti Jawa Barat, Jawa Timur, dan Jawa Tengah, menunjukkan keterkaitan yang lebih kuat, karena mereka bergabung pada ketinggian yang lebih rendah, menunjukkan bahwa pasar di provinsi-provinsi tersebut memiliki karakteristik yang lebih mirip satu sama lain. cluster ini membentuk kelompok besar yang lebih terkompak dibandingkan dengan yang lainnya.
Pengelompokan Berdasarkan Keterkaitan Geografis Beberapa provinsi yang berada dalam cluster yang sama dapat menunjukkan pola geografis, seperti provinsi-provinsi yang berada di Pulau Jawa cenderung bergabung lebih awal, sementara provinsi-provinsi di luar Jawa, seperti Papua, Nusa Tenggara Barat, dan Maluku, cenderung lebih terpisah lebih lama.
Implikasi untuk Kebijakan atau Strategi Pasar Berdasarkan cluster-cluster ini, bisa disimpulkan bahwa provinsi dengan karakteristik pasar yang lebih serupa mungkin akan merespons kebijakan atau strategi pasar yang serupa. Oleh karena itu, pembagian pasar dan pusat perdagangan dapat dioptimalkan dengan mempertimbangkan hasil clustering ini, seperti dalam perencanaan distribusi barang, pembangunan pusat perbelanjaan, atau kebijakan pemasaran yang lebih terarah di setiap cluster.
4.7 Karakteristik Cluster
Cluster 1
Provinsi-provinsi di cluster 1 merupakan wilayah dengan aktivitas perdagangan tradisional dan modern yang lebih terbatas, sebagian besar berada di luar Pulau Jawa, atau wilayah dengan tingkat urbanisasi dan akses terhadap infrastruktur ekonomi yang lebih rendah.
- X1 (Pasar Tradisional): 344,55 Provinsi dalam cluster ini memiliki jumlah pasar tradisional yang lebih sedikit dibandingkan dengan cluster 2, menunjukkan bahwa aktivitas perdagangan tradisional cenderung lebih rendah di wilayah-wilayah ini.
- X2 (Pusat Perbelanjaan): 12,71 Jumlah pusat perbelanjaan dalam cluster ini jauh lebih rendah dibandingkan cluster 2, menunjukkan tingkat urbanisasi dan pengembangan pusat perdagangan modern yang masih terbatas.
- X3 (Toko Swalayan): 25,61 Provinsi dalam cluster ini memiliki rata-rata jumlah toko swalayan yang lebih sedikit, mencerminkan skala ekonomi dan aktivitas ritel modern yang lebih rendah.
Cluster 2
Provinsi-provinsi di cluster 2 adalah wilayah dengan tingkat urbanisasi, pengembangan ekonomi, dan aktivitas perdagangan yang sangat tinggi, didominasi oleh provinsi di Pulau Jawa. Hal ini mencerminkan posisi mereka sebagai pusat-pusat ekonomi dan perdagangan utama di Indonesia.
- X1 (Pasar Tradisional): 1658,67 Provinsi dalam cluster ini memiliki jumlah pasar tradisional yang jauh lebih tinggi dibandingkan dengan cluster 1, menunjukkan pentingnya aktivitas perdagangan tradisional di wilayah ini.
- X2 (Pusat Perbelanjaan): 85,33 Jumlah pusat perbelanjaan dalam cluster ini jauh lebih tinggi, mencerminkan tingkat urbanisasi dan pengembangan ekonomi yang lebih maju.
- X3 (Toko Swalayan): 161,67 Toko swalayan di cluster 2 juga jauh lebih banyak dibandingkan cluster 1, menegaskan tingginya aktivitas ritel modern dan konsumsi di wilayah ini.
5 PENUTUP
5.1 Kesimpulan
Pengelompokan provinsi di Indonesia dilakukan menggunakan metode analisis clustering hierarki dengan jarak Euclidean dan metode penggabungan single linkage. Analisis ini mengelompokkan provinsi berdasarkan jumlah pasar tradisional, pusat perbelanjaan, dan toko swalayan di setiap provinsi. Terdapat dua cluster utama yang terbentuk. Cluster 1 terdiri dari mayoritas provinsi di luar Pulau Jawa, yang memiliki rata-rata jumlah pasar tradisional, pusat perbelanjaan, dan toko swalayan yang relatif rendah. Kondisi ini mencerminkan keterbatasan akses terhadap infrastruktur perdagangan modern dan tingkat urbanisasi yang lebih rendah. Sementara itu, cluster 2 mencakup provinsi di Pulau Jawa (Jawa Barat, Jawa Timur, dan Jawa Tengah), yang menunjukkan dominasi ekonomi dengan jumlah pasar tradisional, pusat perbelanjaan, dan toko swalayan yang jauh lebih tinggi. Perbedaan signifikan antara kedua cluster ini menyoroti adanya kesenjangan dalam pengembangan infrastruktur perdagangan dan aktivitas ekonomi di Indonesia.
5.2 Saran
Pembangunan dan pengembangan infrastruktur perdagangan, seperti pasar tradisional, pusat perbelanjaan, dan toko swalayan, disarankan difokuskan di cluster 1 untuk meningkatkan akses perdagangan dan mendukung pertumbuhan ekonomi lokal. Selain itu, peningkatan aksesibilitas melalui perbaikan infrastruktur transportasi dan logistik juga diperlukan guna mempercepat distribusi barang ke wilayah-wilayah terpencil. Sementara itu, untuk cluster 2, pemerintah dapat mendorong optimalisasi infrastruktur yang sudah berkembang dengan memanfaatkan inovasi, seperti digitalisasi perdagangan melalui platform e-commerce, untuk meningkatkan efisiensi dan daya saing. Pendekatan ini diharapkan dapat mendukung pengembangan perdagangan yang lebih merata di seluruh provinsi di Indonesia.
6 DAFTAR PUSTAKA
Addini, P. F., Dakhi, K. R. S., & Tarigan, P. C. B. (2024). Analisis Pada Produk Susu Berdasarkan Komposisi Yang Terkandung Menggunakan Metode Hierarki Cluster. Jurnal Sains dan Teknologi, 6(2), 252-256.
Angelina, V., Arimba, E. A. N., & Wulandari, S. P. (2024). ANALISIS CLUSTER PROVINSI DI INDONESIA BERDASARKAN FAKTOR POTENSI EKONOMI LAUT TAHUN 2022. Kohesi: Jurnal Sains dan Teknologi, 5(3), 21-30.
Muthiah, Z., & Rosmaini, E. (2023). Analisis Cluster Hirarki dan Pemetaan Kemiskinan Provinsi Sumatera Utara Tahun 2019. IJM: Indonesian Journal of Multidisciplinary, 1(3).
Santoso, F. (2023). ANALISIS KLASTER INFRASTRUKTUR SEKTOR KESEHATAN DI WILAYAH KABUPATEN WONOGIRI TAHUN 2021 MENGGUNAKAN METODE ALGORITMA K-MEANS. Inisiasi, 7-16.