Analisis Tipologi Wilayah

METODE PENELITIAN

3. Analisis Tipologi Wilayah

/

.

/

X

LQ

j i ij ij

=

Dimana:

Xij = derajat aktivitas ke-j di wilayah ke-i Xi. = total aktivitas di wilayah ke-i

X.j = total aktivitas ke-j di semua wilayah X_.. = derajat aktivitas total wilayah

Hasil analisis LQ akan menunjukkan hal sebagai berikut :

• Jika nilai LQij > 1, maka sub wilayah ke-i tersebut mempunyai pangsa relatif lebih besar dibandingkan dengan aktivitas yang secara umum ditemukan di seluruh wilayah atau aktivitas ke-j merupakan aktivitas/sektor unggulan di sub wilayah ke-i.

• Jika LQij < 1, maka sub wilayah ke-i tersebut mempunyai pangsa relatif lebih kecil dibandingkan dengan aktivitas yang secara umum ditemukan di seluruh wilayah atau aktivitas ke-j bukan merupakan aktivitas/sektor unggulan di sub wilayah ke-i.

• Jika LQij = 1, maka sub wilayah ke-i tersebut mempunyai pangsa setara dengan aktivitas yang secara umum ditemukan di seluruh wilayah.

Dalam analisis ini, data yang digunakan adalah PDRB kecamatan Kabupaten Purwakarta atas dasar lapangan usaha tahun 2002. Hasil nilai LQ yang diperoleh akan dapat diketahui sektor-sektor perekonomian yang merupakan sektor unggulan bagi kecamatan-kecamatan di Kabupaten Purwakarta.

3. Analisis Tipologi Wilayah

Analisa Tipologi Wilayah dimaksudkan untuk melihat karakteristik perkembangan wilayah. Analisa ini didasarkan pada indikator-indikator yang

terkait dengan perkembangan suatu wilayah, dalam penelitian ini meliputi : karakteristik Sosial Ekonomi dan Potensi fisik wilayah. Tipologi wilayah dianalisa dengan : Principal Component Analysis (PCA), Cluster Analysis dan Discriminant Analysis.

Principal Components Analysis (PCA)

PCA digunakan untuk mengetahui faktor-faktor utama penentu tingkat perkembangan suatu wilayah. Data yang akan dianalisa data Podes 2003 yang bersifat kuantitatif melalui proses rasionalisasi yaitu variabel variabel yang dapat mencirikan tipologi wilayah desa-desa di Kabupaten Purwakarta, diantaranya: varibel-variabel bidang kependudukan, keuangan, komunikasi dan informasi, kesehatan, pendidikan, ekonomi, aksesibilitas dan faktor-faktor fisik Untuk melakukan perhitungan metode PCA/FA ini digunakan aplikasi statistica 60.

Adapun maksud dari analisis komponen utama ini adalah untuk mengelompokkan variabel-variabel menjadi beberapa kelompok. Ada dua tujuan dasar dari PC, yaitu:

• Ortogonalisasi Variabel: mentransformasikan suatu struktur data dengan variabel-variabel yang saling berkorelasi menjadi struktur data baru dengan variabel-variabel baru (yang disebut sebagai Komponen Utama atau Faktor) yang tidak saling berkorelasi.

• Penyederhanaan Variabel: banyaknya variabel baru yang dihasilkan, jauh lebih sedikit dari pada variabel asalnya, tapi total kandungan informasinya (total ragamnya) relatif tidak berubah (Saefulhakim, 2005).

Teknik ekstraksi data dengan PCA/FA pada dasarnya adalah dengan memaksimalkan keragaman dalam 1 (satu) variabel/faktor yang baru dan meminimalkan keragaman dengan variabel/faktor yang lain, menjadi variabel yang saling bebas (independent).

Langkah-langkah yang dilakukan dalam analisa ini adalah : 1. Ortogonalisasi Variabel

Tujuannya adalah membuat variabel baru Z_α (α=1,2,...,q≤p) yang memiliki karakteristik:

(3) nilai ragam masing-masing Z_α sama dengan λα≥ 0, dimana ∑αλα= p. 2. Penyederhanaan jumlah variabel

Mengurutkan masing-masing factor/komponen utama (F_α) yang dihasilkan, dari yang memiliki eigenvalue (λ_α) tertinggi hingga terendah, yakni :

a. memilih faktor-faktor atau komponen-komponen utama yang memiliki λα≥1, artinya faktor atau komponen utama yang memiliki kandungan informasi (ragam) setara dengan informasi yang terkandung dalam satu variabel asal,

b. membuang faktor atau komponen utama yang mempunyai eigenvalue antar dua faktor atau komponen utama yang berdekatan/tidak begitu signifikan, jika (λα-λ(α - 1))<1, sebagai alternatif lain digunakan juga metode The Scree Test dipekenalkan oleh Catell dimana dari hasil scee plot yang dipilih adalah yang paling curam,

c. menentukan faktor-faktor atau komponen-komponen utama yang memiliki koefisien korelasi nyata minimal satu variabel asal. Kriteria yang digunakan adalah | r_αj|≥0.7 Hal ini dimaksudkan agar setiap faktor atau komponen utama yang terpilih, paling tidak memiliki satu penciri dominan dari variabel asalnya.

Hasil PCA antara lain:

• Akar ciri (eigen value) merupakan suatu nilai yang menunjukkan keragaman dari peubah komponen utama dihasilkan dari analisis, semakin besar nilai eigen value, maka semakin besar pula keragaman data awal yang mampu dijelaskan oleh data baru.

• Proporsi dan komulatif akar ciri, nilai pembobot (eigen vector) merupakan parameter yang menggambarkan hubungan setiap peubah dengan komponen utama ke-i.

• Component score adalah nilai yang menggambarkan besarnya titik-titik data baru dari hasil komponen utama dan digunakan setelah PCA.

• PC loading menggambarkan besarnya korelasi antar variable awal dengan komponen ke-i. PC scores ini yang digunakan jika terjadi analisis lanjutan setelah PCA. Factor Loadings (L_α) adalah sama dengan Factor Score

Variabel yang dipergunakan untuk analisis PCA, terlihat pada tabel berikut : Tabel 5. Variabel dan Parameter yang digunakan dalam Analisis PCA

Bidang No Kode Variabel Parameter

1 Kpdtn Kepadatan Penduduk Σ Penduduk per Luas

Wilayah

Kependu-dukan ₂ _KP _{Persen Keluarga}

Pertanian

Σ kk Petanian per Σ kk Keuangan

Kecamatan

3 Pak Pendapatan asli

kecamatan per kapita

PAKperΣ Penduduk

4 Sarkom Rasio sarana

komunikasi terhadap 1000 penduduk

Σ (Wartel/kiospon/warpos tel, Warnet & Kantor Pos/Pos Pembantu/Rumah Pos) Per 1000 penduduk

5 PLN Persen kk yang

menggunakan PLN

Σ kk pelanggan PLN per Σ

6 Telp Persen kk yang

berlangganan telpon

Σ kk pelanggan telpon per

Σ kk Sarana Komuni-kasi & Informasi 7 TV Persen kk yang mempunyai TV Σ kk punya TV per Σ kk 8 Tenkes ^{Rasio tenaga kesehatan}

terhadap 1000 penduduk

Σ (Dokter, Bidan/bidan desa, Dukun bayi terlatih dan belum terlatih) Per 1000 penduduk

9 Temkes ^{Rasio tempat}

pelayanan kesehatan terhadap 1000 penduduk Σ (RSU,Rmh bersalin, poliklinik, puskesmas/ pembantu,tmpt dokter/ bidan, posyandu/ polindes) Per 1000 penduduk Kesehatan

10 Obat ^{Rasio Jumlah tempat}

penjualan obat terhada 1000 penduduk

Σ (Apotek, toko obat/jamu) Per 1000 penduduk 11 Dikdas Rasio Jumlah sarana

pendidikan dasar dan menengah terhadap 1000 penduduk

Σ (TK,SD,SMP,SMA,SMK negeri/swasta )Per 1000 penduduk

12 Ponpes Rasio Jumlah Pondok Pesantren/Madrasah Diniyah terhadap 1000 penduduk Σ (Pondok Pesantren/ Madrasah Diniyah)Per 1000 penduduk

13 Murid Rasio murid TK-SMK

terhadap 1000 penduduk

Σ (murid

TK,SD,SMP,SMA /SMK)Per 1000 penduduk 14 Guru ^{Rasio Guru TK-SMK}_{terhadap 1000 murid}

Σ (Guru

TK,SD,SMP,SMA/ SMK )Per 1000 murid

TK,SD,SMP,SMA /SMK Pendidikan

Tabel 5. Lanjutan

16 Lkeu Rasio Lembaga

keuangan terhadap 1000 penduduk Σ (Bank, BPR,KUD, Koperasi) per 1000 penduduk Ekonomi

17 Toko Rasio Toko dan

perbelanjaan terhadap 1000 penduduk

Σ (Toko/ warung/kios, supermarket, restoran/kedai makan) per 1000 penduduk 18 Jpwk Jarak terhadap ibukota

kabupaten

Jarak terhadap ibukota kabupaten

19 Jjkt Jarak lurus ke Jakarta Jarak sentroid Kecamatan terhdp Gerbang tol Cikopo 20 Jbdg Jarak lurus ke Bandung Jarak sentroid Kecamatan

terhadap Jalan utama Perbatasan Kab. Bandung

21 Jln Rasio Panjang Jalan

terhadap luas wilayah

Rasio panjang jalan terhadap luas wilayah

Aksesibili-tas

22 Jlbaik Persen Jalan Kondisi baik

Rasio panjang jalan baik terhadap panjang jalan

23 saw Persen luas sawah Persen luas sawah

24 hutan Persen hutan Persen hutan

25 mukim Persen pemukiman Persen pemukiman

26 ler0 Persen luas areal dengan lereng 0-8%

Persen luas areal dengan lereng 0-8% per luas areal 27 ler8 Persen luas areal

dengan lereng 8-15%

Persen luas areal dengan lereng 8-15% per luas areal 28 ler25 Persen luas areal

dengan lereng 15-40%

Persen luas areal dengan lereng 15-40% per luas areal

Faktor fisik

29 ler40 Persen luas areal dengan lereng >40%

Persen luas areal dengan lereng >40%

Cluster Analysis

Cluster analysis untuk mengetahui pengelompokan wilayah berdasarkan faktor-faktor utama yang mempengaruhi tingkat perkembangan wilayah. Cluster analysis digunakan untuk mengelompokkan objek-objek menjadi beberapa kelompok berdasarkan pada pengukuran variabel-variabael yang diamati, sehingga diperoleh kemiripan objek dalam kelompok yang sama dibandingkan antara objek dari kelompok yang berbeda.

Secara umum terdapat dua metode penggerombolan dalam analisis gerombol ini yaitu: metode berhirarki (hierarichal clustering method) dan metode tak berhirarki (non hierarichal clustering method).

Metode berhirarki dilakukan jika jumlah gerombol yang akan ditentukan sudah diketahui. Misalnya orde pembangunan wilayah secara umum diketahui

berjumlah 5 (lima), yaitu: sangat tinggi, tinggi, sedang, rendah, dan sangat rendah, atau 3 (tiga) yaitu: tinggi, sedang dan rendah. Pengklasifikasian selanjutnya akan dilakukan berdasarkan jumlah yang kita inginkan tersebut. Unit-unit analisis yang dikelompokkan akan bergerombol sesuai dengan kedekatan/kemiripan karakteristiknya masing-masing.

Sedangkan untuk metode tidak berhirarki dilakukan jika jumlah gerombol belum diketahui. Penggerombolan selanjutnya dilakukan terhadap seluruh unit berdasarkan seluruh karakteristik yang diamati. Selanjutnya berdasarkan kenampakan hasil penggerombolan ditentukan pemotongan seberapa banyak gerombol yang akan digunakan.

Discriminant Analysis

Discriminant analysis merupakan salah satu analisis multivariabel untuk menentukan variabel mana yang membedakan secara nyata dengan kelompok-kelompok yang telah ada secara alami, sehingga digunakan untuk menentukan variabel mana yang merupakan penduga terbaik dari pembagian kelompok-kelompok yang ada.

Pada prinsipnya, penentuan dalam analisis diskriminan ini berbalikan dengan metode analisis gerombol. Jika analisis gerombol (khususnya gerombol unit) menentukan gerombol dari ciri-ciri yang diduga mirip, maka analisis diskriminan ini menentukan dengan kelompok yang sudah tentu yang terbentuk secara alamiah ingin ditentukan variabel yang mana yang sebenarnya secara nyata membedakan kelompok-kelompok tersebut.

Fungsi diskriminan merupakan fungsi linier peubah-peubah asal yang akan menghasilkan cara terbaik dalam pemisahan kelompok. Fungsi ini akan memberikan nilai-nilai yang sedekat mungkin dalam kelompok dan sejauh mungkin antar kelompok. Fungsi ini disamping dapat digunakan untuk menerangkan perbedaan antar kelompok juga dapat digunakan dalam masalah klasifikasi yaitu peluang terkecil kesalahan klasifikasi atau tingkat kesalahan pengelompokan objek dari kelompok-kelompok

4 Analisis Disparitas Indeks Williamson

Indeks Williamson merupakan salah satu indeks yang paling sering digunakan untuk melihat disparitas antar wilayah. Williamson pada tahun 1975 mengembangkan indeks kesenjangan wilayah yang diformulasikan sebagai berikut:

dimana:

Vw = Indeks Williamson (Iw)

Yi = PDRB per kapita wilayah kecamatan ke –i

Y

−

= Rata-rata PDRB per kapita

Pi = fi/n, dimana fi jumlah penduduk kecamatan ke i dan n jumlah total penduduk kabupaten

Indeks Williamson akan menghasilkan indeks yang lebih besar atau sama dengan nol. Jika Yi=Y

−

maka akan dihasilkan indeks = 0, yang berarti tidak adanya kesenjangan antar wilayah. Indeks lebih besar dari 0 menunjukkan adanya kesenjangan ekonomi antar wilayah. Semakin besar indeks yang dihasilkan semakin besar tingkat kesenjangan antar wilayah/kecamatan di suatu kabupaten. Dalam analisis ini data yang digunakan adalah PDRB kecamatan Kabupaten Purwakarta atas dasar lapangan usaha tahun 2002.

Analisis Regresi Berganda

Analisis regresi berganda dilakukan untuk menganalisis faktor-faktor yang mempengaruhi disparitas pembangunan antar wilayah. Karena disparitas antar wilayah dapat dilihat dari indeks perkembangan suatu wilayah dan tingkat perkembangan ekonomi suatu wilayah, maka dilakukan uji regresi antara indeks perkembangan kecamatan (IPK) dan PDRB perkapita sebagai variabel tujuan (dependent) terhadap variabel bebas (independent) yaitu : infrastruktur dan

−

∑⎜ _⎠^⎞

⎝

⎛ ₋

=

Y

Y p

Y

i 2 i w _

V

Y = f (X

, X

3....

X

)

atau:

Model regresi berganda dapat diturunkan sebagai berikut:

Y = ε

x

+ ε

x

+...+ ε

x

+ е

dimana:

Y

= IPK dan PDRB perkapita

X

i = Variabel bebas

ε

i = Koefisien fungsi regresi

e

= Variabel pengganggu

Y adalah variabel tujuan yang nilainya tergantung dari k variabel bebas x1,...,xk. Diasumsikan bahwa nilai variabel bebas diketahui dan nilai ε1,...εk

belum diketahui. Untuk menghasilkan model yang dapat digunakan sebagai penduga yang baik maka beberapa asumsi yang harus dipenuhi:

a. E (e) = 0 b. E (e²)= σ2

c. Tidak ada korelasi antar variabel.

Variabel dengan nilai koefisien regresi terbesar merupakan variabel yang mempunyai peranan terbesar dalam mempengaruhi tingkat perkembangan wilayah. Variabel yang dipergunakan untuk pengolahan data analisis regresi, merupakan faktor score hasil dari analisis PCA, sebagai berikut :

1 F1 yaitu indikator sarana perkotaan (kepadatan penduduk, sarana komunikasi, panjang jalan, pelanggan telpon dan lembaga keuangan)

2 F2 yaitu indikator keuangan daerah (PAD kecamatan, jarak ke Bandung-Jakarta, Pelanggan PLN)

3 F3 yaitu indikator fisik wilayah (luas wilayah dengan kelerengan 8-15% dan >40%)

4 F4 yaitu indikator pendidikan, (sarana pendidikan dasar dan menengah) 5 F5 yaitu indikator aksesibilitas (jalan kondisi baik, tempat pelayanan

kesehatan dan jumlah mesjid)

6 F6 yaitu indikator kesehatan (tenaga kesehatan) 7 F7 yaitu indikator pertanian (keluarga pertanian)

Dalam dokumen Strategi Pengembangan Wilayah dalam kaitannya dengan Disparitas Pembangunan Antar Wilayah di Kabupaten Purwakarta (Halaman 45-53)