Penerapan Analisis Cluster Hierarki Berdasarkan Ketidakaktifan Transaksi Online oleh Pelaku Usaha menurut Provinsi Tahun 2022

1 PENDAHULUAN

1.1 Latar Belakang

Sektor e-commerce di Indonesia mengalami perkembangan pesat seiring meningkatnya penggunaan internet dan infrastruktur yang lebih baik. Semakin banyak pelaku usaha yang beralih ke e-commerce sebagai metode utama atau pendukung dalam berjualan, seiring dengan meningkatnya aksesibilitas platform digital dan perubahan perilaku konsumen yang lebih memilih kemudahan berbelanja secara online. Fenomena ini mencerminkan pergeseran strategi bisnis untuk tetap kompetitif di era digital.

Transformasi digital telah mengubah pola konsumsi, distribusi, dan penciptaan lapangan kerja. Hal ini menjadikan e-commerce sebagai salah satu pendorong utama perubahan ekonomi. Menurut Kementerian Perdagangan (Kemendag), jumlah pengguna e-commerce di Indonesia terus mengalami kenaikan sejak tahun 2020, hingga pada tahun 2023 jumlah pengguna e-commerce di Indonesia sebanyak 58,63 juta pengguna. Jumlah ini diperkirakan akan terus meningkat antara hingga tahun 2029 mencapai 99,1 juta pengguna. Selain itu, Direktur Pemberdayaan Informatika, Direktorat Jenderal Aplikasi Informatika Kementerian Kominfo, Septriana Tangkary, menyatakan bahwa Indonesia menempati peringkat pertama di antara 10 negara dengan pertumbuhan e-commerce terbesar, dengan tingkat pertumbuhan 78 persen.

Terlihat jelas bahwa perkembangan e-commerce di Indonesia sangat pesat. Namun, perkembangan tersebut tidak merata di setiap provinsi dan sektor. Menurut survei Badan Pusat Statistik (BPS) yang dilakukan pada tahun 2022/2023, masih terdapat sejumlah pelaku usaha yang tidak menggunakan e-commerce untuk menerima pesanan atau melakukan transaksi. Hal ini disebabkan oleh berbagai alasan, seperti preferensi terhadap metode konvensional, tidak tertarik berjualan online, dan kurangnya pengetahuan atau keahlian. Maka dari itu, dilakukan analisis cluster hierarki pada data pelaku usaha yang tidak menerima pesanan atau transaksi melalui internet menurut provinsi dan alasan tahun 2022 untuk mengidentifikasi pola dan hambatan yang dihadapi oleh pelaku usaha di berbagai daerah.

1.2 Input Data

Data yang digunakan merupakan hasil survei yang dilakukan BPS mengenai persentase ketidakaktifan transaksi usaha melalui internet pada 34 provinsi di Tahun 2022.

	X1	X2	X3	X4	X5	X6	X7	X8
Aceh	27.74	78.47	1.23	0.60	1.08	1.41	15.03	1.67
Sumatera Utara	38.69	80.91	1.09	0.42	2.03	1.84	29.86	5.03
Sumatera Barat	41.19	74.50	3.82	3.33	4.99	7.87	22.98	3.21
Riau	37.30	73.50	2.10	1.63	1.92	2.63	13.05	4.06
Jambi	34.30	80.04	0.61	0.22	1.49	2.23	14.88	7.34
Sumatera Selatan	26.35	74.18	0.63	0.95	8.33	1.67	16.08	2.59
Bengkulu	22.92	79.53	1.32	1.40	4.55	2.64	24.37	4.20
Lampung	27.02	76.98	0.73	0.61	3.77	2.01	24.90	3.58
Kep. Bangka Belitung	21.86	78.58	0.73	0.28	3.16	1.84	17.15	4.89
Kepulauan Riau	25.69	83.34	0.70	2.46	1.35	3.12	12.59	6.25
DKI Jakarta	26.27	85.97	1.75	2.45	5.49	6.70	45.06	2.65
Jawa Barat	29.69	72.47	5.07	3.86	3.86	2.89	32.84	5.32
Jawa Tengah	18.14	80.23	1.63	1.79	4.36	3.35	29.12	3.81
D.I. Yogyakarta	37.15	66.60	0.82	1.26	1.98	3.12	40.36	4.39
Jawa Timur	38.68	79.67	1.11	1.25	1.84	1.85	33.69	2.93
Banten	32.49	81.01	1.42	2.07	2.88	3.89	22.81	4.69
Bali	23.16	81.85	1.69	1.04	3.16	6.55	22.60	4.90
Nusa Tenggara Barat	29.73	67.93	0.44	0.52	8.07	8.20	25.72	2.56
Nusa Tenggara Timur	34.65	86.04	1.84	1.19	1.47	2.43	8.36	1.70
Kalimantan Barat	27.29	88.53	0.43	0.56	1.13	2.70	9.26	2.94
Kalimantan Tengah	27.24	76.78	0.23	0.64	3.05	2.25	9.55	7.72
Kalimantan Selatan	25.18	89.41	0.48	0.70	0.93	1.75	19.52	5.65
Kalimantan Timur	24.75	78.63	0.60	1.18	1.16	1.80	14.41	4.65
Kalimantan Utara	24.86	82.69	0.36	0.16	0.75	1.30	7.41	2.17
Sulawesi Utara	40.49	72.45	0.94	2.45	2.88	4.62	19.52	2.22
Sulawesi Tengah	29.27	72.56	0.14	0.35	0.91	4.16	16.48	5.01
Sulawesi Selatan	24.07	80.17	0.47	0.31	1.78	1.17	8.21	2.55
Sulawesi Tenggara	30.24	82.61	0.21	0.49	1.24	1.49	18.21	4.66
Gorontalo	41.75	84.60	0.81	0.41	0.67	2.12	7.01	0.88
Sulawesi Barat	27.32	76.87	0.07	0.20	0.40	0.14	18.81	1.04
Maluku	41.09	91.28	5.58	2.49	6.56	6.21	25.33	2.11
Maluku Utara	50.31	77.30	0.75	0.27	0.88	1.40	5.52	1.56
Papua Barat	56.62	66.79	1.35	0.42	1.18	1.69	9.31	1.78
Papua	32.91	82.82	0.91	0.84	4.97	3.25	11.37	3.09

Keterangan:

X1: Tidak tertarik berjualan online

X2: Lebih nyaman berjualan offline

X3: Kekhawatiran tentang keamanan

X4: Kekhawatiran tentang privasi

X5: Kekhawatiran tentang persoalan teknis

X6: Kekhawatiran tentang persoalan kepercayaan

X7: Kurang pengetahuan atau keahlian

X8: Baru mulai berjualan tahun 2023 atau selama tahun 2022 tidak ada transaksi penjualan online

1.3 Latar Belakang Metode

Metode analisis cluster hierarki dipilih dalam studi kasus ketidakatifan transaksi usaha melalui e-commerce karena kemampuannya untuk mengelompokkan data berdasarkan kesamaan karakteristik sehingga dapat memudahkan pemahaman pola yang ada dalam data. Indonesia masih memiliki ketimpangan yang signifikan pada antarprovinsi dan antarsektor dalam adopsi teknologi digital sehingga menyebabkan beberapa wilayah tertinggal. Analisis cluster dapat membantu mengidentifikasi kelompok-kelompok provinsi yang memiliki ciri-ciri serupa dalam hal persentase usaha yang tidak melakukan transaksi melalui internet dan alasan di balik keputusan tersebut. Analisis ini dapat memberikan wawasan yang lebih mendalam tentang faktor-faktor yang mempengaruhi tingkat penggunaan e-commerce dan hambatan yang dihadapi di tiap daerah.

1.4 Tujuan

Tujuan dari analisis cluster hierarki adalah untuk mengidentifikasi dan mengelompokkan provinsi di Indonesia yang membutuhkan perhatian khusus dalam pengetahuan digital. Dengan memahami kelompok provinsi yang serupa, diharapkan dapat diperoleh informasi yang berguna untuk merumuskan kebijakan dan strategi pengembangan e-commerce yang lebih spesifik, terfokus, dan tepat sasaran. Hasil analisis ini dapat menjadi dasar untuk mengurangi ketimpangan di berbagai daerah, mendorong pengembangan e-commerce yang inklusif, dan peningkatan daya saing usaha di Indonesia secara menyeluruh.

2 TINJAUAN PUSTAKA

2.1 Analisis Cluster

Analisis cluster merupakan teknik pengelompokkan satu set data multivariat berdasarkan pola menjadi beberapa cluster. Analisis cluster betujuan menemukan pengelompokan optimal di mana observasi atau objek di dalam setiap cluster serupa, tetapi cluster-cluster tersebut berbeda satu sama lain (Rencher, 2002). Dalam analisis cluster diharapkan dapat ditemukan pengelompokan alami dalam data dan masuk akal bagi peneliti. Pengelompokkan observasi menjadi cluster dilakukan dengan menghitung kesamaan antara setiap pasangan observasi. Dalam banyak kasus, kesamaan ini didasarkan pada ukuran jarak tertentu. (Rencher, 2002). Tidak ada asumsi yang dibuat mengenai jumlah kelompok atau struktur kelompok pada analisis cluster (Johnson & Wichern, 2007).

2.2 Analisis Cluster Hierarki

Analisi cluster hierarki merupakan metode pengelompokkan objek berdasarkan kemiripan yang ada pada objek tersebut di mana objek yang serupa akan dikelompokan bersama dan efektif digunakan untuk mengelompokkan < 100 objek (Ghaisani dkk, 2016). Metode yang umum digunakan dalam clustering hierarki adalah metode aglomeratif dan divisif.

Metode aglomeratif dimulai dengan setiap objek sebagai cluster tersendiri sehingga pada awalnya banyak cluster sama dengan banyak objek yang ada (Johnson & Wichern, 2007). Objek-objek yang paling mirip terlebih dahulu dikelompokkan bersama, lalu kelompok-kelompok awal ini digabung berdasarkan kesamaannya. Proses ini berlanjut hingga ketika kesamaan antar kelompok menurun, semua kelompok digabung menjadi satu cluster.

Metode divisif dimulai dengan satu grup yang berisi semua objek dan membaginya menjadi dua kelompok di mana objek-objek dalam masing-masing kelompok cukup berbeda dengan objek di kelompok lainnya (Johnson & Wichern, 2007). Kelompok ini dibagi lebih lanjut menjadi beberapa kelompok berdasarkan perbedaannya hingga setiap objek membentuk cluster terpisah.

2.3 Ukuran Kesamaan dan Jarak

Sebagain besar cara menghasilkan struktur kelompok yang sederhana dari kumpulan data yang kompleks memerlukan ukuran kedekatan atau kesamaan (Johnson & Wichern, 2007). Penentuan ukuran kesamaan biasanya dipertimbangkan melalui sifat variabel dan skala pengukuran. Ketika suatu item dikelompokkan, kedekatannya biasanya ditunjukkan dengan jarak (Johnson & Wichern, 2007). Dalam analisis multivariat, teknik yang digunakan banyak didasarkan pada konsep jarak yang sederhana.

2.4 Jarak Manhattan

Jarak Manhattan atau City Block Distance merupakan pengukuran jumlah jarak antara dua titik dengan cara menjumlahkan selisih absolut antara setiap atribut pada kedua titik tersebut. Pengukurannya didasarkan pada perhitungan jarak vertikal dan horizontal antara dua titik (Januardi dalam Shafira dkk, 2023). Notasi jarak Manhattan dapat ditulis sebagai berikut.

\[ d(x,y) = \sum_{i=1}^{n} |x_i - y_i| \]

2.5 Complete Linkage

Dalam complete linkage atau metode tetangga terjauh (farthest neighbor method), jarak antara dua cluster A dan B didefinisikan sebagai jarak maksimum antara suatu titik di A dan suatu titik di B (Rencher, 2002). Complete linkage memastikan bahwa semua item dalam suatu cluster mempunyai kesamaan yang minimum (Johnson & Wichern, 2007). Notasi complete linkage dapat ditulis sebagai berikut.

\[ D(A, B) = \max \{ d(y_i, y_j) \text{ untuk } y_i \in A \text{ dan } y_j \in B \} \]

2.6 Indeks Silhouette

Indeks validitas silhouette merupakan suatu ukuran statistik yang digunakan untuk menyeleksi permasalahan penentuan jumlah cluster optimal yang dapat merepresentasikan grafis singkat seberapa baik setiap objek terletak dalam cluster (Nicolaus dkk, 2016). Persamaan dari indeks Silhouette dapat ditulis sebagai berikut.

\[ S(i) = \frac{b(i) - a(i)}{\max\{a(i), b(i)\}} \] Keterangan:

\[ \begin{array}{ll} S(i) & : \text{Koefisien Silhouette untuk observasi } i \\ a(i) & : \text{Rata-rata objek } i \text{ ke semua objek dalam cluster yang sama} \\ b(i) & : \text{Rata-rata jarak minimum objek } i \text{ ke semua objek pada suatu cluster di mana } i\text{ bukan anggota cluster} \\ \end{array} \] Interpretasi:

\[ \begin{array}{ll} 1. & \text{Jika } S(i) \text{ mendekati 1, observasi } i \text{ terkelompok dengan baik.} \\ 2. & \text{Jika } S(i) \text{ mendekati 0, observasi } i \text{ berada di batas antara dua klaster.} \\ 3. & \text{Jika } S(i) \text{ negatif, observasi } i \text{ terkelompok dengan buruk.} \\ \end{array} \]

3 Source Code

3.1 Library

> library(knitr) #Membuat chunk kode R, integrasi dengan LaTeX
> library(rmarkdown) #Memfasilitasi pembuatan dokumen yang menggabungkan teks penjelasan dengan kode analisis 
> library(prettydoc) #Menyediakan tema untuk memberikan visual yang menarik pada dokumen R Markdown
> library(readxl) #Meng-*import* data dari *file* Excel berekstensi .xls dan .xlsx
> library(clValid) #Validasi hasil analisis cluster berdasarkan indeks validitas
> library(factoextra) #Mengekstrak dan memvisualisasikan hasil dari berbagai metode analisis multivariat

3.2 Import Data

> dataclus <- read_excel("D:/Perkuliahan/Mata Kuliah/Semester 5/Analisis Multivariat I/Data eCommerce.xlsx")
> dataclus <- data.frame(dataclus)
> rownames(dataclus) <- dataclus$Provinsi
> datacluster <- dataclus[,-1]
> View(datacluster)

Meng-import data dari file Excel ke dalam R menggunakan fungsi read_excel() dan menyimpannya sebagai data frame bernama dataclus. Nama baris diatur menggunakan kolom “Provinsi” dan data untuk keperluan analisis (datacluster) dibuat dengan menghapus kolom pertama (nama provinsi).

3.3 Analisis Cluster Hierarki

Analisis cluster hierarki dilakukan dengan menggunakan jarak Manhattan dan compelete linkage.

3.3.1 Menghitung Jarak Manhattan

> jarak_manhattan <- dist(datacluster, method = "manhattan")
> print(jarak_manhattan)

Perhitungan jarak Manhattan dapat menggunakan fungsi dist(). Hasilnya berupa matriks jarak.

3.3.2 Perhitungan Manual Jarak Manhattan

> n <- nrow(datacluster)
> manhattan <- matrix(0, n, n)
> 
> for (i in 1:n) {
+   for (j in 1:n) {
+     manhattan[i, j] <- sum(abs(datacluster[i, ] - datacluster[j, ]))
+   }
+ }
> 
> print(manhattan)

Mendapatkan matriks jarak Manhattan secara manual dapat dilakukan menggunakan looping for().

3.3.3 Indeks Validitas

> validitas_hier <- clValid(datacluster, clMethods = "hierarchical", validation = "internal", 
+                           metric = "manhattan", method = "complete", nClust = 2:5)
> summary(validitas_hier)
> plot(validitas_hier)

Mengevaluasi validitas cluster metode hierarki menggunakan jarak manhattan, memvisualisasikan hasilnya, dan menentukan jumlah cluster yang optimal berdasarkan validasi internal.

3.3.4 Dendogram

> clus_hier <- eclust(datacluster, FUNcluster = "hclust", k = 2, hc_method = "complete", graph = TRUE)
> fviz_dend(clus_hier, rect = TRUE, cex = 0.5)

Melakukan analisis cluster hierarki menggunakan complete linkage dan mendapatkan visualiasinya berupa dendogram.

3.3.5 Karakteristik setiap cluster

> idcluster = clus_hier$cluster
> idcluster
> aggregate(datacluster,list(idcluster),mean)

Dari cluster yang terbentuk dapat dilihat karakteristik pelaku usaha yang tidak menggunakan e-commerce beserta alasannya.

4 Hasil dan Pembahasan

4.1 Perhitungan Matriks Jarak Manhattan

> n <- nrow(datacluster)
> manhattan <- matrix(0, n, n)
> 
> for (i in 1:n) {
+   for (j in 1:n) {
+     manhattan[i, j] <- sum(abs(datacluster[i, ] - datacluster[j, ]))
+   }
+ }
> 
> print(manhattan)
       [,1]  [,2]  [,3]  [,4]  [,5]  [,6]  [,7]  [,8]  [,9] [,10] [,11] [,12]
 [1,]  0.00 33.28 42.60 22.86 16.18 16.11 23.34 17.79 14.66 18.31 52.05 40.77
 [2,] 33.28  0.00 32.24 29.70 24.16 42.75 28.00 24.47 33.64 38.31 46.07 31.01
 [3,] 42.60 32.24  0.00 27.40 40.12 37.79 35.78 31.83 44.92 50.15 53.65 33.39
 [4,] 22.86 29.70 27.40  0.00 18.38 25.65 35.52 30.95 30.20 27.39 65.73 37.09
 [5,] 16.18 24.16 40.12 18.38  0.00 27.91 29.88 27.13 20.86 18.65 60.67 43.29
 [6,] 16.11 42.75 37.79 25.65 27.91  0.00 24.57 18.62 18.37 26.98 51.40 37.58
 [7,] 23.34 28.00 35.78 35.52 29.88 24.57  0.00 10.59 13.82 25.77 38.51 30.57
 [8,] 17.79 24.47 31.83 30.95 27.13 18.62 10.59  0.00 16.93 28.08 40.10 25.42
 [9,] 14.66 33.64 44.92 30.20 20.86 18.37 13.82 16.93  0.00 19.81 52.33 39.73
[10,] 18.31 38.31 50.15 27.39 18.65 26.98 25.77 28.08 19.81  0.00 48.06 44.56
[11,] 52.05 46.07 53.65 65.73 60.67 51.40 38.51 40.10 52.33 48.06  0.00 41.98
[12,] 40.77 31.01 33.39 37.09 43.29 37.58 30.57 25.42 39.73 44.56 41.98  0.00
[13,] 34.40 28.94 44.40 46.00 40.70 36.01 12.22 20.59 23.54 34.47 36.23 31.01
[14,] 53.01 29.43 43.33 36.89 47.35 52.76 47.03 40.42 54.51 59.78 45.90 30.74
[15,] 34.03  8.23 32.63 31.55 30.23 43.22 30.35 26.90 39.09 44.46 40.70 29.06
[16,] 24.03 18.57 26.61 26.05 19.07 31.38 16.79 17.62 23.73 24.32 41.60 29.42
[17,] 26.88 30.92 35.02 39.04 31.00 30.89 11.06 18.89 16.46 23.03 35.89 37.13
[18,] 38.76 41.70 31.02 41.80 45.32 26.71 32.24 24.47 41.22 50.27 48.25 31.95
[19,] 23.79 36.67 47.29 23.59 20.93 37.84 40.77 39.52 36.53 23.66 55.74 55.38
[20,] 19.73 44.27 57.11 33.55 26.87 31.28 34.95 31.78 28.69 16.24 51.24 55.28
[21,] 17.57 41.09 48.01 24.87 18.41 21.72 29.15 21.40 18.99 17.48 60.96 41.96
[22,] 23.31 35.05 52.97 40.51 26.47 30.78 24.49 25.16 20.27 17.88 45.60 46.92
[23,]  8.43 34.21 45.85 23.17 15.85 17.34 18.31 19.00  8.99 11.96 53.16 41.14
[24,] 16.97 43.73 58.57 34.87 26.71 28.10 31.43 31.32 23.01 15.80 56.64 56.74
[25,] 30.96 29.22 16.32 17.48 29.88 29.89 36.56 30.29 35.24 39.93 59.21 35.49
[26,] 16.49 35.63 36.61 19.13 19.55 18.36 29.41 22.38 19.45 23.64 58.18 29.84
[27,] 15.06 41.14 54.50 30.80 23.40 24.03 25.78 27.25 17.42 17.63 57.61 52.67
[28,] 14.18 24.26 41.86 26.78 14.30 24.67 23.50 20.31 16.70 16.69 49.15 38.23
[29,] 30.68 35.68 44.96 29.04 27.66 45.43 50.48 46.43 43.04 32.11 69.05 66.13
[30,]  9.94 35.02 41.78 29.60 24.12 18.71 24.88 15.35 17.88 26.35 53.59 39.95
[31,] 53.42 35.68 26.16 48.36 50.00 54.37 43.90 43.99 57.72 53.43 45.83 48.83
[32,] 34.38 45.12 47.74 31.82 35.52 47.19 57.72 48.87 47.44 46.85 86.43 68.91
[33,] 47.07 57.11 53.61 35.69 48.49 53.66 69.25 60.90 60.39 59.52 97.90 70.72
[34,] 20.89 33.07 38.37 22.01 17.35 25.74 29.39 28.60 26.83 17.70 50.34 45.92
      [,13] [,14] [,15] [,16] [,17] [,18] [,19] [,20] [,21] [,22] [,23] [,24]
 [1,] 34.40 53.01 34.03 24.03 26.88 38.76 23.79 19.73 17.57 23.31  8.43 16.97
 [2,] 28.94 29.43  8.23 18.57 30.92 41.70 36.67 44.27 41.09 35.05 34.21 43.73
 [3,] 44.40 43.33 32.63 26.61 35.02 31.02 47.29 57.11 48.01 52.97 45.85 58.57
 [4,] 46.00 36.89 31.55 26.05 39.04 41.80 23.59 33.55 24.87 40.51 23.17 34.87
 [5,] 40.70 47.35 30.23 19.07 31.00 45.32 20.93 26.87 18.41 26.47 15.85 26.71
 [6,] 36.01 52.76 43.22 31.38 30.89 26.71 37.84 31.28 21.72 30.78 17.34 28.10
 [7,] 12.22 47.03 30.35 16.79 11.06 32.24 40.77 34.95 29.15 24.49 18.31 31.43
 [8,] 20.59 40.42 26.90 17.62 18.89 24.47 39.52 31.78 21.40 25.16 19.00 31.32
 [9,] 23.54 54.51 39.09 23.73 16.46 41.22 36.53 28.69 18.99 20.27  8.99 23.01
[10,] 34.47 59.78 44.46 24.32 23.03 50.27 23.66 16.24 17.48 17.88 11.96 15.80
[11,] 36.23 45.90 40.70 41.60 35.89 48.25 55.74 51.24 60.96 45.60 53.16 56.64
[12,] 31.01 30.74 29.06 29.42 37.13 31.95 55.38 55.28 41.96 46.92 41.14 56.74
[13,]  0.00 48.41 31.63 24.83 19.46 39.56 49.81 44.49 40.99 34.93 30.15 41.09
[14,] 48.41  0.00 24.44 40.00 53.21 37.51 58.92 66.70 57.38 60.20 53.08 68.16
[15,] 31.63 24.44  0.00 24.38 37.57 43.01 38.70 47.62 46.36 42.32 37.28 47.36
[16,] 24.83 40.00 24.38  0.00 14.83 32.91 28.80 33.46 30.20 26.36 24.08 34.92
[17,] 19.46 53.21 37.57 14.83  0.00 34.28 39.23 33.73 31.29 21.99 21.23 30.33
[18,] 39.56 37.51 43.01 32.91 34.28  0.00 55.69 52.37 43.97 49.13 43.21 52.99
[19,] 49.81 58.92 38.70 28.80 39.23 55.69  0.00 14.64 27.80 31.02 28.50 18.92
[20,] 44.49 66.70 47.62 33.46 33.73 52.37 14.64  0.00 19.52 17.30 21.02 13.14
[21,] 40.99 57.38 46.36 30.20 31.29 43.97 27.80 19.52  0.00 29.66 15.52 19.84
[22,] 34.93 60.20 42.32 26.36 21.99 49.13 31.02 17.30 29.66  0.00 18.20 23.92
[23,] 30.15 53.08 37.28 24.08 21.23 43.21 28.50 21.02 15.52 18.20  0.00 15.82
[24,] 41.09 68.16 47.36 34.92 30.33 52.99 18.92 13.14 19.84 23.92 15.82  0.00
[25,] 45.42 35.91 29.09 23.91 36.86 33.02 36.87 46.33 38.11 42.73 35.61 46.35
[26,] 39.83 42.04 40.92 23.56 28.51 28.45 35.12 29.42 20.32 27.74 16.92 29.88
[27,] 35.56 64.09 43.29 32.53 28.04 48.98 21.27 15.49 15.99 26.59 12.77  5.91
[28,] 33.94 49.09 31.21 15.31 21.48 38.60 24.15 21.15 23.29 15.21 14.75 19.91
[29,] 60.14 62.63 39.31 38.71 49.38 63.04 13.63 24.27 35.03 39.91 35.93 22.09
[30,] 35.94 51.37 36.17 26.41 28.42 36.20 33.73 27.15 21.47 23.05 16.27 22.65
[31,] 49.20 59.59 37.99 34.55 41.96 46.16 42.97 49.47 64.41 44.11 58.55 61.07
[32,] 68.78 65.41 46.29 48.91 61.26 65.70 31.01 41.53 37.69 56.43 40.61 34.07
[33,] 80.25 56.92 58.24 60.38 72.73 59.63 44.54 54.40 49.32 69.60 53.32 52.02
[34,] 38.21 54.38 36.54 19.74 29.85 41.79 14.96 18.74 21.96 31.14 22.86 20.46
      [,25] [,26] [,27] [,28] [,29] [,30] [,31] [,32] [,33] [,34]
 [1,] 30.96 16.49 15.06 14.18 30.68  9.94 53.42 34.38 47.07 20.89
 [2,] 29.22 35.63 41.14 24.26 35.68 35.02 35.68 45.12 57.11 33.07
 [3,] 16.32 36.61 54.50 41.86 44.96 41.78 26.16 47.74 53.61 38.37
 [4,] 17.48 19.13 30.80 26.78 29.04 29.60 48.36 31.82 35.69 22.01
 [5,] 29.88 19.55 23.40 14.30 27.66 24.12 50.00 35.52 48.49 17.35
 [6,] 29.89 18.36 24.03 24.67 45.43 18.71 54.37 47.19 53.66 25.74
 [7,] 36.56 29.41 25.78 23.50 50.48 24.88 43.90 57.72 69.25 29.39
 [8,] 30.29 22.38 27.25 20.31 46.43 15.35 43.99 48.87 60.90 28.60
 [9,] 35.24 19.45 17.42 16.70 43.04 17.88 57.72 47.44 60.39 26.83
[10,] 39.93 23.64 17.63 16.69 32.11 26.35 53.43 46.85 59.52 17.70
[11,] 59.21 58.18 57.61 49.15 69.05 53.59 45.83 86.43 97.90 50.34
[12,] 35.49 29.84 52.67 38.23 66.13 39.95 48.83 68.91 70.72 45.92
[13,] 45.42 39.83 35.56 33.94 60.14 35.94 49.20 68.78 80.25 38.21
[14,] 35.91 42.04 64.09 49.09 62.63 51.37 59.59 65.41 56.92 54.38
[15,] 29.09 40.92 43.29 31.21 39.31 36.17 37.99 46.29 58.24 36.54
[16,] 23.91 23.56 32.53 15.31 38.71 26.41 34.55 48.91 60.38 19.74
[17,] 36.86 28.51 28.04 21.48 49.38 28.42 41.96 61.26 72.73 29.85
[18,] 33.02 28.45 48.98 38.60 63.04 36.20 46.16 65.70 59.63 41.79
[19,] 36.87 35.12 21.27 24.15 13.63 33.73 42.97 31.01 44.54 14.96
[20,] 46.33 29.42 15.49 21.15 24.27 27.15 49.47 41.53 54.40 18.74
[21,] 38.11 20.32 15.99 23.29 35.03 21.47 64.41 37.69 49.32 21.96
[22,] 42.73 27.74 26.59 15.21 39.91 23.05 44.11 56.43 69.60 31.14
[23,] 35.61 16.92 12.77 14.75 35.93 16.27 58.55 40.61 53.32 22.86
[24,] 46.35 29.88  5.91 19.91 22.09 22.65 61.07 34.07 52.02 20.46
[25,]  0.00 22.49 42.94 31.62 34.14 29.56 35.30 36.92 39.51 32.07
[26,] 22.49  0.00 27.77 16.31 41.13 17.31 57.57 43.67 47.54 27.16
[27,] 42.94 27.77  0.00 22.02 27.48 21.58 62.80 34.24 49.91 21.43
[28,] 31.62 16.31 22.02  0.00 30.36 15.50 46.60 42.38 55.45 17.83
[29,] 34.14 41.13 27.48 30.36  0.00 37.32 43.72 19.16 37.37 23.15
[30,] 29.56 17.31 21.58 15.50 37.32  0.00 55.80 39.72 53.45 30.19
[31,] 35.30 57.57 62.80 46.60 43.72 55.80  0.00 61.10 72.57 42.45
[32,] 36.92 43.67 34.24 42.38 19.16 39.72 61.10  0.00 22.17 36.97
[33,] 39.51 47.54 49.91 55.45 37.37 53.45 72.57 22.17  0.00 49.32
[34,] 32.07 27.16 21.43 17.83 23.15 30.19 42.45 36.97 49.32  0.00

4.2 Indeks Validitas

Clustering Methods:
 hierarchical 

Cluster sizes:
 2 3 4 5 

Validation Measures:
                                 2       3       4       5
                                                          
hierarchical Connectivity   4.8579 17.9913 27.6016 28.4794
             Dunn           0.2775  0.2319  0.2809  0.3042
             Silhouette     0.3487  0.2839  0.2569  0.2349

Optimal Scores:

             Score  Method       Clusters
Connectivity 4.8579 hierarchical 2       
Dunn         0.3042 hierarchical 5       
Silhouette   0.3487 hierarchical 2       

Hasil indeks validitas Silhouette menunjukkan bahwa banyak cluster optimal pada metode hierarki dengan pengelompokkan complete linkage adalah 2. Hal ini didukung juga dari hasil indeks validitas Connectivity yang memberikan banyak cluster optimal sama.

4.3 Dendogram

Cluster 1 pada dendogram berwarna hijau terdiri dari 27 provinsi.

Cluster 2 pada dendogram berwarna merah terdiri dari 7 provinsi.

4.4 Karakteristik setiap cluster

                Aceh       Sumatera Utara       Sumatera Barat 
                   1                    1                    2 
                Riau                Jambi     Sumatera Selatan 
                   2                    2                    1 
            Bengkulu              Lampung Kep. Bangka Belitung 
                   1                    1                    1 
      Kepulauan Riau          DKI Jakarta           Jawa Barat 
                   1                    1                    1 
         Jawa Tengah      D.I. Yogyakarta           Jawa Timur 
                   1                    1                    1 
              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 
                   2                    1                    1 
   Sulawesi Tenggara            Gorontalo       Sulawesi Barat 
                   1                    2                    1 
              Maluku         Maluku Utara          Papua Barat 
                   1                    2                    2 
               Papua 
                   1 
  Group.1       X1       X2       X3       X4       X5       X6       X7
1       1 28.68333 79.85593 1.173333 1.113704 2.972593 2.952963 20.70741
2       2 43.13714 75.59714 1.482857 1.247143 2.001429 3.222857 13.18143
        X8
1 3.805556
2 3.007143

Berdasarkan output di atas, berikut karakteristik mengenai pelaku usaha yang enggan menggunakan e-commerce untuk menjalankan usahanya.

Cluster	Provinsi	Karakteristik
1	Jawa Tengah, Bali, Bengkulu, Lampung, Kalimantan Selatan, Banten, Sulawesi Tenggara, Kep. Bangka Belitung, Sulawesi Barat, Aceh, Kalimantan Timur, Sumatera Selatan, Sulawesi Tengah, Kalimantan Tengah, Kepulauan Riau, Kalimantan Utara, Sulawesi Selatan, Kalimantan Barat, Nusa Tenggara Timur, Papua, D.I.Yogyakarta, Jawa Barat, Nusa Tenggara Barat, DKI Jakarta, Maluku, Sumatera Utara, Jawa Timur	(1) Terbiasa dan nyaman berjualan offline, (2) khawatir tentang persoalan teknis, (3) kurang pengetahuan atau keahlian cara berjualan online, (4) pelaku usaha baru atau tidak pernah melakukan penjualan online dalam setahun terakhir.
2	Papua Barat, Gorontalo, Maluku Utara, Sumatera Barat, Sulawesi Utara, Riau	(1) Tidak tertarik berjualan online, (2) khawatir tentang keamanan, (3) khawatir tentang privasi, (4) kurang percaya dengan e-commerce

Berdasarkan hasil analisis cluster hierarki, didapatkan informasi berikut:

1. Pelaku usaha dalam cluster 1 tidak menggunakan e-commerce karena merupakan pelaku usaha yang sudah berjualan secara konvensional dalam jangka waktu yang lama sehingga tidak ingin mencoba berjualan secara online karena khawatir masalah teknis (kerusakan hardware atau software gadget yang digunakan untuk berjualan). Selain itu, banyak pelaku usaha yang baru saja memulai usahanya pada tahun 2023 atau pelaku usaha yang tidak pernah maupun kurang tahu cara berjualan online sehingga tidak ada pengalaman bagaimana cara menjalankan usahanya secara online.

2. Pelaku usaha dalam cluster 2 tidak menggunakan e-commerce karena masalah keamanan, privasi, dan kepercayaan mereka terhadap platform e-commerce. Mereka khawatir mengenai kebocoran data pribadi, penipuan cyber, dan keamanan penggunaan platform sehingga lebih tertarik berjualan secara offline.

5 Penutup

5.1 Kesimpulan

Kesimpulan yang dapat ditarik dari hasil analisis adalah sebagai berikut.

1. Pelaku usaha pada cluster 1 yang terdiri dari 27 provinsi tidak menggunakan e-commerce karena lebih terbiasa dengan metode penjualan konvensional dan merasa kurang siap untuk beralih ke platform online, baik dari sisi teknologi maupun keterampilan.

2. Pelaku usaha pada cluster 2 yang terdiri dari 7 provinsi tidak menggunakan e-commerce karena menunjukkan ketidakpercayaan yang lebih tinggi terhadap teknologi dan cenderung mengutamakan keamanan dan privasi data. Hal ini dimungkinkan terjadi akibat kurangnya informasi tentang perlindungan data atau kekhawatiran terhadap potensi risiko cyber.

5.2 Saran

Berdasarkan hasil analisis, disarankan beberapa hal berikut.

1. Menyediakan program pelatihan intensif tentang penggunaan e-commerce, mencakup langkah-langkah praktis mulai dari pendaftaran hingga pemasaran produk secara online, serta Memberikan pendampingan langsung dan konsultasi teknis agar pelaku usaha dapat memahami dan mengatasi masalah teknis dalam berjualan online.

2. Meningkatkan kesadaran pelaku usaha tentang keamanan cyber dan bagaimana data mereka dilindungi oleh regulasi dan protokol keamanan melalui edukasi keamanan digital, dan mendorong penggunaan platform e-commerce yang memiliki sertifikasi keamanan terpercaya dan mematuhi peraturan perlindungan data yang ketat.

6 DAFTAR PUSTAKA

Johnson, R. A., Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th ed.). New Jersey: Prentice Hall, Inc.

Rencher, A. C. (2002). Methods of Multivariate Analysis Second Edition. Canada: John Wiley & Sons, Inc. 

Ghaisani, S. Y., Hikmah, N., Prasetyo, A. H., & Widodo, E. (2019). Analisis Cluster Hirarki untuk Pengelompokan Provinsi di Indonesia berdasarkan Indikator Demokrasi Indonesia Tahun 2016. Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya.

Nicolaus, Sulistianingsih E., Perdana, H. (2016). Penentuan Jumlah Cluster Optimal Pada Median Linkage Dengan Indeks Validitas Silhouette. Bimaster: Buletin Ilmiah Matematika, Statistika dan Terapannya, 5(2), 97-102.

Shafira, R. A., Yahfizham, Y., & Harahap, A. M. (2023). Menentukan Jarak Terpendek dalam Pengiriman Barang dengan Perbandingan Euclidean Distance dan Manhattan Distance. Journal of Science And Social Research, 6(3), 678-685.

Badan Pusat Statistik (BPS). (2023). Statistik e-commerce 2022/2023. Diakses dari https://www.bps.go.id/id/publication/2023/09/18/f3b02f2b6706e104ea9d5b74/statistik-ecommerce-2022-2023.html.

Kementerian Komunikasi dan Digital. (2019). Kemkominfo: Pertumbuhan e-commerce Indonesia capai 78 persen. Diakses dari https://www.komdigi.go.id/berita/sorotan-media/detail/kemkominfo-pertumbuhan-e-commerce-indonesia-capai-78-persen.

Pusat Data dan Sistem Informasi, Kementerian Perdagangan. (2024). Perdagangan Digital (e-commerce) Indonesia Periode 2023 [PowerPoint slides].