PENGELOMPOKAN NEGARA BERDASARKAN PRODUKSI DAN KONSUMSI MINYAK BUMI MENGGUNAKAN METODE CLUSTER HIERARKI

Syahdan Rasyid Syaukani, Absalom Zakharia Ady Ena

Minyak bumi merupakan sumber daya alam yang penting bagi perekonomian dunia. Penelitian ini bertujuan untuk menganalisis pengelompokan negara berdasarkan produksi dan konsumsi minyak bumi menggunakan metode cluster hierarki. Data yang digunakan adalah data produksi dan konsumsi minyak bumi tahun 2022 dari 36 negara. Metode cluster hierarki yang digunakan adalah metode Average Linkage. Hasil penelitian menunjukkan bahwa terdapat 3 kelompok negara berdasarkan produksi dan konsumsi minyak bumi. Kelompok pertama adalah negara-negara pengekspor minyak bumi, yang memiliki produksi minyak bumi lebih tinggi daripada konsumsi minyak bumi. Kelompok kedua adalah negara-negara pengimpor minyak bumi, yang memiliki konsumsi minyak bumi lebih tinggi daripada produksi minyak bumi. Kelompok ketiga adalah negara-negara netral, yang memiliki produksi dan konsumsi minyak bumi yang relatif seimbang. Pengelompokan negara berdasarkan produksi dan konsumsi minyak bumi dapat memberikan informasi yang bermanfaat bagi berbagai pihak, seperti pemerintah, industri, dan akademisi. Informasi ini dapat digunakan untuk menganalisis dinamika pasar minyak bumi, menyusun kebijakan energi, dan mengembangkan strategi bisnis.

Latar Belakang Masalah

Minyak bumi, juga dikenal sebagai minyak bumi, adalah bahan bakar fosil yang digunakan sebagai bahan mentah untuk menghasilkan bensin, bahan bakar minyak, dan bahan kimia lainnya. Beberapa negara penghasil minyak terbesar di dunia, bahkan salah satunya mencapai 18 juta barel. Berdasarkan data British Petroleum Statistical Review (BP) tahun 2022, total produksi minyak global mencapai 89,88 juta barel per hari pada tahun 2021. Angka tersebut meningkat 1,77% year-on-year menjadi 88,49 juta barel/hari. sedangkan untuk konsumsi minyak, British Petroleum (BP) mencatat total konsumsi minyak global mencapai 94,09 juta barel per hari pada tahun 2021. Jumlah tersebut meningkat 6,02% dibandingkan tahun sebelumnya menjadi 88,75 juta barel per hari. AS akan menjadi negara konsumen minyak terbanyak pada tahun 2021. Negeri Paman Sam mengonsumsi 19,78 juta barel per hari atau setara dengan 20,4% total konsumsi dunia. Posisi selanjutnya adalah China dengan konsumsi minyak sebesar 15,44 juta barel/hari. India kemudian mengonsumsi 4,88 juta barel minyak per hari. Konsumsi minyak Arab Saudi sebesar 3,6 juta barel per hari. Sementara Rusia dan Jepang masing-masing mengonsumsi minyak sebesar 3,41 juta barel/hari dan 3,34 juta barel/hari, sedangkan konsumsi minyak Indonesia tercatat sebesar 1,47 juta barel/hari pada tahun 2021. Jumlah tersebut merupakan angka tertinggi yang pernah tercatat -12 secara global. Meskipun banyak negara saat ini memanfaatkan potensi energi terbarukan, pentingnya dan ketergantungan terhadap minyak di dunia tidak dapat disangkal atau diabaikan. Bahan bakar fosil akan tetap menjadi sumber energi terpenting, dengan minyak menyumbang 33%, batu bara 28%, dan gas alam 23% dari total sumber energi (IMF: April 2011). Sumber energi terbarukan hanya menyumbang sebagian kecil dari total pasokan energi primer dunia (energi primer meliputi bahan bakar fosil — minyak, batubara dan gas alam –, energi nuklir dan energi terbarukan — panas bumi, pembangkit listrik tenaga air, tenaga surya dan penerangan angin). Meningkatnya permintaan minyak mentah, ditambah dengan kekhawatiran mengenai ketersediaan pasokan, mendorong harga minyak ke titik tertinggi dalam sejarah pada tahun 2000. Meskipun tren peningkatan ini untuk sementara terganggu oleh krisis krisis keuangan global pada tahun 2008–2009, permintaan minyak global meningkat secara signifikan setelah tahun 2009 ( dan harga pun meningkat), sebagian besar disebabkan oleh peningkatan konsumsi minyak mentah di negara-negara berkembang, yang menunjukkan kuatnya pertumbuhan PDB dalam negeri. Produk (PDB). Tiongkok memberikan kontribusi yang signifikan terhadap konsumsi energi global dan dengan demikian mempengaruhi harga pasar global untuk sumber energi primer.

Analisis Klaster

Analisis Klaster adalah analisis multivariat yang bertujuan untuk mengelompokkan data observasi maupun variabel-variabel berdasarkan pada similarity (kemiripan) kedalam klaster sedemikian rupa sehingga masing-masing klaster bersifat homogen sesuai dengan faktor yang digunakan untuk melakukan pengelompokkan. Dasar yang digunakan untuk pengelompokkan klaster yang sehomogen mungkin adalah kesamaan skor nilai yang dianalisis.

Analisis Klaster Metode Hirarki

Metode hirarki merupakan suatu metode analisis klaster yang memulai pengelompokkannya dengan dua atau lebih objek yang mempunyai kesamaan paling dekat, kemudian proses dilanjutkan ke obyek lain yang mempunyai kedekatan kedua sampai seterusnya hingga klaster membentuk suatu “pohon” dimana terdapat hirarki (tingkatan) yang jelas antar objeknya yang disajikan dalam suatu dendogram. Dendogram adalah respentasi visual dari langkah-langkah analisis klaster yang menunjukkan bagaimana klaster terbentuk dan nilai koefisien jarak pada setiap langkah, yang berbentuk mirip diagram pohon. Tahap-tahap pengklasteran data dengan menggunakan metode hirarki adalah:

a) Tentukan k sebagai jumlah klaster yang ingin dibentuk

b) Setiap data obyek dianggap sebagai klaster sehingga n = N

c) Menghitung jarak antar klaster

d) Mencari dua klaster yang mempunyai jarak antar klaster paling minimal dan menggabungkannya (berarti N = n-1)

e) Jika n > k, maka kembali ke langkah 3.

Pengujian Asumsi

Untuk melakukan analisis klaster, terdapat beberapa asumsi yang harus diperhatikan, yaitu sampel yang diambil harus bisa mewakili populasi yang ada (sampel representatif) dan tidak terjadinya multikolinieritas, sedangkan asumsi lainnya yang biasa digunakan dalam analisis multivariat tidak perlu dilakukan (normalitas multivariat, linearitas, dan homogenitas).

Mendeteksi Fenomena Multikolinieritas

Multikolinieritas merupakan suatu kondisi atau fenomena terjadinya korelasi atau terdapat hubungan linier yang kuat di antara variabel-variabel independen. Ada beberapa metode yang digunakan untuk mendeteksi adanya masalah multikolinieritas, salah satu metodenya adalah dengan Variance Inflation Factor (VIF).

Dari hasil perhitungan diatas mengenai pendeteksian multikolinieritas, diperoleh hasil bahwa tidak ada variabel yang nilai VIF nya lebih dari 5 maka H0 diterima yang artinya kedua variabel dalam data tidak berkorelasi antar variabel lainnya (non-multikolinieritas). Dengan demikian, pada data negara-negara yang memproduksi dan mengkonsumsi minyak mentah di dunia memenuhi asumsi non-multikolinieritas

Menghitung Jarak Euclidean

Data “negara-negara yang memproduksi dan mengkonsumsi minyak mentah di dunia” terdiri atas dua variabel yang memiliki nilai data numerik dengan satuan berbeda. Dengan demikian, data harus distandardisasi menggunakan function scale() terlebih dahulu sehingga menjadi data numerik yang memiliki nilai atau jarak yang sama. Setelah itu, dicari nilai jarak Euclidean dengan menggunakan function dist(). Nilai-nilai pada jarak Euclidean digunakan untuk melakukan analisis klaster dengan metode yang ada.

Analisis Klaster dengan Agglomerative Method

Pada kasus ini akan dilakukan analisis dengan analisis klaster hierarki yang melibatkan beberapa metode, yaitu metode agglomerative atau penggabungan yang terdiri atas single linkage, complete linkage, average linkage, dan Ward’s linkage .

Single Linkage

Pada metode ini, proses pengklasteran didasarkan pada jarak terdekat antar objeknya. Jika dua objek terpisah oleh jarak yang pendek, maka kedua objek tersebut akan digabung menjadi satu klaster dan seterusnya.

Figure 1. Single Linkage

Berdasarkan hasil output di atas, diperoleh nilai korelasi antara jarak asli (Euclidean) dengan jarak kofenetik (ketidaksamaan antar klaster di mana kedua pengamatan terlebih dahulu digabungkan menjadi satu klaster) pada pengklasteran dengan single linkage sebesar 0.9768471.

Complete Linkage

Pada metode ini, proses pengklasteran didasarkan pada jarak terjauh antar objeknya. Jika dua objek terpisah oleh jarak yang jauh, maka kedua objek tersebut akan digabung menjadi satu klaster dan seterusnya.

Figure 2. Complete Linkage

Berdasarkan hasil output di atas, diperoleh nilai korelasi antara jarak asli (Euclidean) dengan jarak kofenetik (ketidaksamaan antar klaster di mana kedua pengamatan terlebih dahulu digabungkan menjadi satu klaster) pada pengklasteran dengan complete linkage sebesar 0.9377321.

Average Linkage

Pada metode ini, proses pengklasteran hampir sama dengan single linkage dan complete linkage. Proses ini didasarkan pada jarak rata-rata/Euclidean antar objeknya (seluruh individu dalam suatu klaster dengan seluruh individu dalam klaster yang lain).

Figure 3. Average Linkage

Berdasarkan hasil output di atas, diperoleh nilai korelasi antara jarak asli (Euclidean) dengan jarak kofenetik (ketidaksamaan antar klaster di mana kedua pengamatan terlebih dahulu digabungkan menjadi satu klaster) pada pengklasteran dengan average linkage sebesar 0.9856466.

Ward’s Linkage

Pada metode ini, objek-objek dikelompokkan ke dalam klaster sehingga variansi di dalam klaster menjadi minimum. Jarak antar klaster dalam metode ini besarnya berdasarkan total Sum of Square dua klaster pada masing-masing variabel.

Figure 4. Ward’s Linkage

Berdasarkan hasil output di atas, diperoleh nilai korelasi antara jarak asli (Euclidean) dengan jarak kofenetik (ketidaksamaan antar klaster di mana kedua pengamatan terlebih dahulu digabungkan menjadi satu klaster) pada pengklasteran dengan Ward’s linkage sebesar 0.8643899.

Pemilihan Metode Terbaik

Dari keempat metode yang dilakukan, yaitu dengan single linkage, complete linkage, average linkage, dan Ward’s linkage, berikut dilakukan perbandingan nilai korelasi antara jarak asli (Euclidean) dengan jarak kofenetik (ketidaksamaan antar klaster di mana kedua pengamatan terlebih dahulu digabungkan menjadi satu klaster) pada keempat pengklasteran tersebut.

Dari keempat metode yang dilakukan, yaitu dengan single linkage, complete linkage, average linkage, dan Ward’s linkage, berikut dilakukan perbandingan nilai korelasi antara jarak asli (Euclidean) dengan jarak kofenetik (ketidaksamaan antar klaster di mana kedua pengamatan terlebih dahulu digabungkan menjadi satu klaster) pada keempat pengklasteran tersebut. Dari tabel di atas, dapat dilihat bahwa nilai korelasi terbesar dan paling mendekati nilai satu, yaitu sebesar 0.9856466 ada pada pengklasteran dengan Average Linkage. Maka, dapat dikatakan bahwa metode ini baik dan tepat dalam pengklasteran Negara negara penghasil dan pengkonsumsi minyak bumi dunia.

Pengklasteran dengan Prosedur Pengelompokkan Terbaik

Dari perhitungan dan penentuan sebelumya, diperoleh hasil bahwa metode pengklasteran penggabungan (agglomerative method) dengan prosedur pengelompokkan Average Linkage merupakan yang paling baik untuk mengelompokkan Negara-negara yang memproduksi dan mengonsumsi minyak mentah didunia. Oleh karena itu, berikut dilakukan pengklasteran dengan metode tersebut dan dengan klaster yang dibentuk sebanyak 3

Figure 5. Dendogram Average Linkage

Dengan menggunakan Average Linkage, maka Negara negara penghasil dan pengkonsumsi minyak bumi dunia yang masuk ke dalam tiap-tiap klasternya yaitu sebagai berikut:

Dari penerapan metode analisis klaster hierarki dengan menggunakan metode penggabungan (agglomerative method) dan prosedur pengelompokkan average linkage, didapat hasil bahwa dengan tujuan mengklasifikasikan sekelompok objek pengamatan (dalam kasus ini berupa 40 negara penghasil dan pengkonsumsi minyak bumi dunia) ke dalam beberapa klaster berdasarkan ukuran kemiripan atau ciri-ciri umum antar objek sehingga objek-objek yang berada dalam klaster yang sama memiliki kemiripan lebih besar dibandingkan objek di luar klaster, diperoleh 3 klaster.

Proffiling Hasil Klaster

Setelah diperoleh prosedur pengelompokkan terbaik, langkah selanjutnya adalah melakukan profiling hasil klaster yang meliputi penggambaran karakteristik masing-masing klaster untuk menjelaskan bagaimana klaster-klaster tersebut bisa berbeda secara relevan pada tiap dimensi. Dengan kata lain, proses profiling dilakukan untuk menjelaskan karakteristik tiap klaster berdasar profil tertentu.

Berdasarkan rincian di atas, dapat dilihat bahwa klaster 1 paling banyak/sering muncul pertama kali atau merupakan klaster dimana variabelnya paling banyak memiliki nilai terbesar, dengan demikian dapat disimpulkan bahwa klaster 1 cenderung menghasilkan nilai negara penghasil dan pengkonsumsi minyak bumi yang tinggi, dalam hal ini, anggota klasternya adalah Negara United States.

Kesimpulan

Jadi, kesimpulan yang bisa didapatkan dari hasil penerapan metode analisis klaster hierarki dengan tujuan mengklasifikasikan sekelompok objek pengamatan ke dalam beberapa klaster berdasarkan ukuran kemiripan atau ciri-ciri umum antar objek sehingga objek-objek yang berada dalam klaster yang sama memiliki kemiripan lebih besar dibandingkan objek di luar klaster pada data Negara negara penghasil dan pengkonsumsi minyak bumi, yaitu diperoleh hasil bahwa dengan membuat sebanyak 3 klaster menggunakan metode penggabungan (agglomerative Variabel Cluster pertama Cluster Kedua Cluster ketiga X1 19140 14295 1078.8 X2 17770 4111 1932.4 method), ternyata prosedur pengelompokannya yang paling baik adalah dengan average linkage yang nilai korelasi antara jarak asli (Euclidean) dengan jarak kofenetik (ketidaksamaan antar klaster di mana kedua pengamatan terlebih dahulu digabungkan menjadi satu klaster) sebesar 0.9856466. Dari hasil analisis, diperoleh 3 klaster berdasarkan tingkat kemiripan antar negara negara penghasil dan pengkonsumsi minyak bumi, rinciannya sebagai berikut:

● Klaster 1 : United States

● Klaster 2 : China

● Klaster 3 : Canada, Mexico, Argentina, Brazil, Colombia, Ecuador, Peru, Trinidad & Tobago, Venezuela, Denmark, Italy, Norway, Romania, United Kingdom, Azerbaijan, Kazakhstan, Russian Federation, Turkmenistan, Uzbekistan, Iran, Iraq, Kuwait, Oman, Qatar, Saudi Arabia, United Arab Emirates, Algeria, Egypt, Australia, India, Indonesia, Malaysia, Thailand, Vietnam.

Setelah diperoleh prosedur pengelompokkan terbaik, dilakukan profiling hasil klaster yang dilakukan untuk menjelaskan karakteristik tiap klaster berdasar profil tertentu. Ternyata diperoleh hasil bahwa klaster 1 cenderung menghasilkan nilai yang tinggi. Oleh karena itu Kelompok pertama adalah negara-negara pengekspor minyak bumi, yang memiliki produksi minyak bumi lebih tinggi daripada konsumsi minyak bumi. Kelompok kedua adalah negara-negara pengimpor minyak bumi, yang memiliki konsumsi minyak bumi lebih tinggi daripada produksi minyak bumi. Kelompok ketiga adalah negara-negara netral, yang memiliki produksi dan konsumsi minyak bumi yang relatif seimbang.