Analisis kebijakan perlindungan penyu hijau

3.2 Metode Analisis

3.2.1 Analisis kebijakan perlindungan penyu hijau

Analisis kebijakan perlindungan penyu hijau menggunakan analisis deskriptif dan analisis statistik. Analisis deskriptif meliputi uraian kualitatif dan analisis kuantitatif berbentuk grafik dan tabel frekuensi, sedangkan analisis statistik yang digunakan, antara lain:

1) Metode Categorical Regression

Metode Categorical Regression (software package SPSS) digunakan untuk menguji pengaruh input pengelolaan UPT/ predictors (7 variabel) terhadap

UPT pengelola penyu hijau/ response (ke 50 UPT). Dengan menggunakan prosedur Optimal Scaling dapat memberi gambaran tentang hubungan antara variabel response dengan sekelompok predictor. Hubungan tersebut dikuantitatifkan sehingga nilai response dapat diprediksi dengan mengkombinasikan predictors.

- Variabel Dependen (Response)

Nama Variabel Kriteria

UPT (UPT) UPT ( n =1,2,...50 )

- Variabel Independen (Predictors)

Nama Variabel Kriteria (1) Tipe UPT (TiU) (1) Tipe C

(2) Tipe B (3) Tipe A

(1) < 1,4 Milyar Rupiah (2) Dana yang dialokasikan pada

th 2004 (Dana) (2) 2 s/d 2,9 Milyar Rupiah (3) 3 s/d 3,9 Milyar Rupiah (4) > 4 Milyar Rupiah (3) Jumlah SDM pada th 2004 (SDM) (1) < 99 orang (2) 100 s/d 149 orang (3) 150 s/d 200 orang (4) > 200 orang (1) < 199 ribu Ha (4) Luas Kawasan Konservasi

yang dimiliki UPT (KK) (2) 200 s/d 299 Ha (3) 300 s/d 399 Ha (4) > 400 Ha (1) < 4.9 juta Ha (5) Luas Wilayah Kerja yang

merupakan tanggung jawab UPT (Wilker)

(2) 5 s/d 9.9 juta Ha (3) 10 s/d 14,9 juta Ha (4) > 15 juta Ha (6) Panjang Garis Pantai Nesting

site penyu yang ada di suatu UPT (PGPan) 1) < 24,9 km 2) 25 s/d 49,9 km 3) 50 s/d 74,9 km 4) > 75 km (1) < 2,9 lokasi (7) Jumlah Nesting Site yang ada

di suatu UPT (JNest) (2) 3 s/d 5,9 lokasi (3) 8 s/d 8,9 lokasi (4) > 9 lokasi 2) Metode Hierarchical Clustering

Untuk mengetahui karakteristik pengelolaan penyu hijau dan karaktristik ancaman digunakan Metode Hierarchical Clustering (software package

kesamaannya (similarity). Untuk penentuan karakteristik pengelolaan digunakan data tiga variabel categorical sebagai berikut:

Nama Variabel Kriteria 1. Nesting dan kelola

(NsKl)

(1) Tidak ada nesting dan tidak ada pengelolaan (2) Ada nesting dan tidak ada pengelolaan (3) Ada nesting dan ada pengelolaan (1) 0 jenis kegiatan 2. Jenis kegiatan pengelolaan (Giat) (2) 1 jenis kegiatan (3) 2 jenis kegiatan (4) 3 jenis kegiatan (5) 4 jenis kegiatan (6) 5 jenis kegiatan (7) 6 jenis kegiatan (1) penyu tidak dikelola 3. Tipe pengelolaan

(TiKe) (2) penyu dikelola pemerintah

(3) penyu dikelola pemerintah dan LSM/ Swasta (4) penyu dikelola LSM dan Masyarakat

(5) penyu dikelola Masyarakat

Untuk penentuan karakteristik ancaman digunakan empat variabel binary

sebagai berikut:

Nama Variabel Kriteria

1. Penangkapan induk (Induk) (1) Ada ; (2) Tidak 2. Eksploitasi telur (Telur) (1) Ada ; (2) Tidak 3. Konsumsi daging penyu (Daging) (1) Ada ; (2) Tidak 4. Perdagangan opsetan (Ops) (1) Ada ; (2) Tidak

3) Metode Time Series

Untuk mengetahui kondisi populasi penyu hijau digunakan analisis Time Series prosedur Seasonal Decomposition (software package SPSS). Data yang digunakan adalah deret berkala dari jumlah penyu (ekor), jumlah telur (butir) dan prosentase penetasan telur (%) mulai tahun 1980 hingga tahun 2003.

Nama Variabel Kriteria

1. Jumlah penyu bertelur (Penyu) Penyu (t=1980,1981...2003) 2. Jumlah telur penyu (Telur) Telur (t=1980,1981...2003) 3. Prosentase penetasan telur (Prosent) Prosent (t=1980,1981...2003)

Pengolahan data dari ketiga variabel diperlakukan sama dengan tahapan sebagai berikut:

− Tahap 1 : Membuat grafik untuk ketiga variabel (Penyu, Telur dan Prosentase, dimana sumbu Y: Variabel nilai (Penyu, Telur dan Prosent) pada dan sumbu X: variabel Waktu

− Tahap 2 : Penilaian kurva (The Curve Estimation) untuk ketiga variabel (Penyu, Telur dan Prosent).

− Tahap 3 : Menguraikan deret berkala ketiga variabel (Penyu, Telur dan Prosent) menjadi komponen musiman, kombinasi kecenderungan dengan siklus komponen dan eror dari komponen.

Sebagai pembanding digunakan data dari UPT BKSDA Kaltim dan UPT BTN Alas Purwo.

4) Analisis Multidimensional Scaling

Untuk mengevaluasi kinerja pengelolaan penyu hijau di setiap UPT dilakukan dengan cara memperbandingkan UPT satu dengan lainnya menggunakan Metode Multidimensional Scaling (software package SPSS). Metode Multidimensional Scaling adalah: serangkaian tehnik visualisasi data

proximity pada low dimensional space. Dalam Young (1999) Proximity adalah ukuran jarak terdekat (nearness) setiap obyek yang diperbandingkan. Data

proximity dapat dibedakan sebagai pengukuran dissimilarity dan similarity

setiap obyek.

Dalam Kardi (2005) dijelaskan perbedaan antara Similarity dan

Dissimilarity. Similarity adalah suatu kuantitas yang mencerminkan kekuatan hubungan antara dua obyek atau antara dua corak (variabel) yang diperbandingkan. Kuantitas tersebut memiliki nilai antara -1 s/d +1 atau 0 s/d 1 setelah dinormalkan. Similarity (Sij) antara corak (i) dan corak (j) dapat diketahui dari ukuran kuantitas yang tergantung dari skala pengukuran (tipe data) yang dimiliki. Dissimilarity adalah ukuran ketidak-samaan antara dua obyek berdasarkan beberapa corak (variabel) yang diperbandingkan.

Dissimilarity dapat diketahui dari ukuran jarak (distance) antar obyek tanpa mempertimbangkan corak (variabel). Selain itu Dissimilarity antar obyek juga

dapat diketahui dengan mempertimbangkan variabel akan menghasilkan koordinat antar obyek. Hubungan antara Similarity dan Dissimilarity dapat digunakan persamaan:

Sij = 1 - δij

... (1) dimana :

Sij : Similarity δij : Dissimilarity

Nilai Similarity antara 0 s/d 1. Jika Similarity = 1 (dimana obyek-obyek

similar) maka Dissimilarity = 0. Sebaliknya jika Similarity = 0 (dimana obyek-obyek very different) maka Dissimilarity = 1. Similarity memiliki kisaran nilai -1 s/d +1 dan Dissimilarity dengan kisaran nilai 0 s/d 1.

Dalam penelitian ini akan memperbandingkan setiap obyek (UPT) dengan menggunakan 2 macam Dissimilarity, antara lain:

)

i) Dissimilarity obyek dengan masukan data berupa matriks Distance antara tempat kedudukan obyek/ UPT. Menurut Young (1985) penggunaan data jarak antar obyek tergolong metode konvensional yang dinamakan : Metric

Multidimensional Dimensional Scaling (MDS). Penghitungan distance

(d_ij)antar obyek (i) dan (j) digunakan persamaan :

d

ij

= (

2

ja ia

x

x −

Σ

_{... (2)}

dimana,

x

_ia adalah koordinat dari obyek (i) pada dimensi (a).

Jika diketahui obyek (n) dengan dimensi (r), koordinat disajikan dalam

matriks X. Selanjutnya matriks Xdigunakan untuk menghitung Euclidean

distance dengan persamaan :

ia x

d

ij

=

[

( )( )

_r

]

1/2 j i j i

x x x

x − − _.

... (3)

ii) Dissimilarity obyek dengan masukan data berupa matriks antar obyek/ UPT dengan beberapa variabel input pengelolaan UPT. Menurut Barrett (2005), untuk mendapatkan matriks tersebut dilakukan dengan

penghitungan Euclidean distance yang meliputi penghitungan Raw

− Penghitungan Raw Euclidean distance

Setiap variabel memiliki nilai maximum dan minimum, maka (md) dihitung dengan persamaan :

mdi = (nilai max variabel i – nilai min i)²... (4) Selanjutnya menghitung the scaledvariableEuclidean distance dengan persamaan:

( )

∑

= − = ^v i _i i i md p p d 1 2 2 1 1 ... (5) dimana :

p1i....2i : obyek ke 1 dan ke 2 pada variabel ke i

d₁ : the scaledvariableEuclidean distance md_i : determine the maximum setiap variabel

Tahap berikutnya dilakukan penghitungan the scaled dengan persamaan:

( )

v md p p d v i _i i i

∑

= − = 1 2 2 1 2 ... (6) dimana v: jumlah variabel

− Menormalkan Euclidean Distance

Pada software package SPSS version 13 telah tersedia cara untuk menormalkan Euclidean distance melalui transformasi secara sederhana dengan standardization ‘z-score’.

Setelah diperoleh matriks distance antara UPT dan Dissimilarity UPT dilakukan analisis MDS-Proxscal pada SPSS. Sebagai hasilnya adalah koordinat setiap obyek (UPT). Koordinat obyek yang dihasilkan digunakan untuk memperbandingkan setiap obyek yang divisualisasikan dengan prosedur

3D-plot pada software package XLSTAT 2006.