IV. METODE PENELITIAN
4.4 Metode Pengolahan dan Analisis Data
Data yang diperoleh dalam penelitian dianalisis secara kualitatif dan kuantitatif. Data yang dianalisis secara kualitatif dan kuantitatif yaitu identifikasi persepsi masyarakat terhadap risiko bahaya banjir, estimasi kerugian banjir, serta identifikasi faktor – faktor yang mempengaruhi kesediaan masyarakat direlokasi. Pengolahan dan analisis data dilakukan secara manual dan menggunakan komputer dengan program Statistical Program and Service Solution (SPSS) 16, Microsoft Office Excel 2007. Tabel 1 menjelaskan metode yang akan digunakan dalam penelitian ini, yaitu:
15
Tabel 1. Matriks metode analisis data
No Tujuan penelitian Sumber data Metode analisis data
1 Mengkaji persepsi
masyarakat terhadap banjir Sungai Pesanggrahan
Data primer mengenai persepsi risiko banjir dan data sekunder
Analisis Korelasi Spearman
2 Mengestimasi besar nilai kerugian pada sektor pemukiman akibat banjir Sungai Pesanggrahan
Data primer
mengenai kerusakan langsung, tidak langsung dan tangible dan data sekunder
Aplikasi Stage Damage Function
3 Mengestimasi faktor – faktor yang mempengaruhi
kesediaan masyarakat untuk direlokasi akibat program normalisasi Sungai Pesanggrahan Data primer mengenai faktor yang mempengaruhi masyarakat direlokasi dan data sekunder Analisis Regresi Logistik
4.4.1 Analisis Korelasi Persepsi terhadap Risiko Bahaya Banjir
Koefisien korelasi (r) merupakan indeks atau bilangan yang digunakan untuk mengukur seberapa kuat hubungan antar variabel. Koefisien korelasi memiliki nilai antara -1 dan +1 (-1 ≤ r ≤ +1). Adapun interpretasi koefisien
korelasi sebagai berikut (Hasan 2003):
a. Jika r bernilai positif maka variabel - variabel berkorelasi positif. Semakin dekat nilai r ke +1, maka korelasi semakin kuat, dan sebaliknya.
b. Jika r bernilai negatif maka variabel – variabel berkorelasi negatif. Semakin dekat nilai r ke -1, maka korelasi semakin kuat, dan sebaliknya. c. Jika r bernilai nol (0) maka variabel – variabel tidak menunjukkan korelasi. d. Jika r bernilai +1 atau -1 maka variabel menunjukkan korelasi positif atau
16
Interpretasi koefisien korelasi (r) juga dapat dijelaskan dalam Tabel 2. Tabel 2. Interpretasi dari nilai r
r Interpretasi 0 0.01-0.2 0.21-0.4 0.41-0.6 0.61-0.8 0.81-0.99 1 Tidak berkorelasi
Berkorelasi sangat rendah Berkorelasi rendah
Berkorelasi agak rendah Berkorelasi cukup Berkorelasi tinggi
Berkorelasi sangat tinggi Sumber: Firdaus (2004)
Dalam menganalisis persepsi risiko, diperlukan nilai r yang akan dihitung dengan menggunakan rumus berikut:
rs= ∑
... (4.1)
Di mana:
rs = nilai korelasi Spearman di = perbedaan setiap pasang rank n = jumlah pasangan rank (5 < n < 30)
Guna menganalisis persepsi masyarakat terhadap risiko bahaya banjir Sungai Pesanggrahan, masyarakat diminta untuk memberikan penilaian empat variabel persepsi yaitu persepsi masyarakat terhadap peluang banjir di masa depan, persepsi masyarakat mengenai konsekuensi yang akan terjadi di masa depan, persepsi masyarakat dalam melakukan upaya mitigasi banjir, serta persepsi masyarakat terhadap bantuan pemerintah dalam mengatasi banjir. Penilaian yang dilakukan masyarakat yaitu dengan memberikan nilai setiap variabel persepsi berupa skala dimana skala satu menunjukkan penilaian masyarakat rendah, sedangkan skala tujuh menunjukkan penilaian masyarakat tinggi (Bubeck et al 2012). Penilaian masyarakat terhadap empat variabel persepsi juga dapat dilihat dalam Tabel 3 berikut.
17
Tabel 3. Skala penilaian variabel persepsi
Skala Persepsi Masyarakat Terhadap Peluang Terjadinya Banjir di Masa Depan
Persepsi Masyarakat Terhadap Konsekuensi Banjir di Masa Depan
1 Pasti tidak akan terjadi Tidak memiliki konsekuensi sama sekali 2 Sangat tidak mungkin akan terjadi Sangat tidak mungkin memiliki konsekuensi 3 Tidak mungkin akan terjadi Tidak mungkin memiliki konsekuensi
4 Netral Netral
5 Kemungkinan akan terjadi Kemungkinan memiliki konsekuensi
6 Sangat akan mungkin terjadi Sangat mungkin memiliki konsekuensi
7 Pasti akan terjadi Konsekuensi yang sangat tinggi
Skala Persepsi Masyarakat Dalam Melakukan Upaya Mitigasi Banjir
Persepsi Masyarakat Terhadap Bantuan Pemerintah
1 Tidak sama sekali Tidak penting sama sekali
2 Sangat mungkin tidak Sangat tidak penting
3 Mungkin tidak Agak penting
4 Netral Netral
5 Mungkin Mungkin penting
6 Sangat Mungkin Penting
7 Pasti Sangat penting
Sumber: Bubeck et al (2012)
4.4.2 Analisis Fungsi Kerugian Banjir Langsung, Tidak Langsung dan Tangible
Analisis fungsi kerugian banjir struktural menggunakan model regresi linear berganda. Fungsi persamaan sebagai berikut:
Y= a0+a1X1+a2X2+a3X3+a4X4+a5D1+ε ... (4.2) Estimasi parameter yang diharapkan adalah a0, a1, a2, a5 > 0 dan a3, a4<0 Y = kerugian banjir langsung, tidak langsung , dan tangible ( ribu rupiah),
terdiri dari kerugian akibat kerusakan struktural, content, biaya TK dan kehilangan pendapatan.
a0 = konstanta
a1...a5 = koefisien regresi
X1 = kedalaman genangan (cm) X2 = durasi genangan (jam)
X3 = jeda waktu informasi banjir (jam)
X4 =lama waktu menyelamatkan barang (jam) X5 = luas rumah (m2)
18
D1 = variabel dummy yaitu lantai rumah
D1 = 0, jika lantai rumah lebih dari satu lantai D1 = 1. Jika lantai rumah hanya satu lantai
ε =error term
4.4.3 Pengujian Parameter dalam Regresi Berganda
Penaksiran parameter dalam suatu persamaan menggunakan metode kuadrat terkecil biasa (OLS). Dalam hal ini penaksir OLS disebut sebagai penaksir tak bias linear terbaik (best linear unbiased estimators / BLUE). Penaksir BLUE merupakan suatu penaksir yang berbentuk linear, tak bias dan mempunyai varians terendah dalam kelompok penaksir tak bias linear dari sebuah parameter (Gujarati 2006).
Guna memenuhi syarat asumsi klasik, perlu dilakukan uji kebaikan pada model regresi berganda. Uji kebaikan dapat dilakukan dengan memenuhi tiga kriteria yaitu kriteria uji ekonomi, kriteria uji statistik, dan kriteria uji ekonometrika. Uji ekonomi dilakukan dengan melihat tanda variabel yang menunjukkan apakah hipotesis sesuai atau tidak. Uji statistik dilakukan memperhatikan R2, nilai F-hitung model yang digunakan serta nilai dari t-hitung masing-masing parameter yang diestimasi. Uji ekonometrika dilakukan dengan melakukan uji multikolinearitas, uji heteroskedastistas dan uji autokorelasi.
4.4.3.1 Kriteria Uji Statistik
Kriteria uji statistik dilakukan dengan menguji tiga hal yaitu: 1. Koefisien Determinasi (R2)
Koefisien determinasi merupakan koefisien yang menunjukkan seberapa besar variabel independen dapat menjelaskan variabel dependen. Besarnya koefisien determinasi dapat dilihat pada nilai Adjusted R Square. Semakin tinggi nilai Adjusted R Square maka model regresi yang digunakan semakin baik. Hal ini menunjukkan variabel independen mampu menjelaskan variabel dependen. Namun sebaliknya, apabila nilai Adjusted R Square rendah, maka model regresi yang digunakan tidak baik. Hal ini
19
menunjukkan bahwa variabel independen tidak mampu menjelaskan variabel dependen.
2. Uji secara simultan (uji F)
Uji secara simultan (uji F) penting dilakukan untuk mengetahui apakah variabel independen mempunyai pengaruh signifikan terhadap variabel dependen secara keseluruhan. Pengujian secara simultan (uji F) dilakukan dengan cara membandingkan F hitung dengan F tabel pada tingkat alpha tertentu. Kriteria penilaian hipotesis uji F yaitu:
Terima H0 bila F hitung ≤ F tabel
Tolak H0 (terima H1) bila F hitung > F tabel 3. Uji secara parsial (uji t)
Uji secara parsial (uji t) dilakukan untuk menguji apakah masing - masing variabel independen mempunyai pengaruh signifikan terhadap variabel dependen pada tingkat alpha tertentu. Kriteria penilaian hipotesis uji t yaitu:
H0 diterima jika : t hitung ≤ t tabel H1 diterima jika : t hitung > t tabel
4.4.3.2 Kriteria Uji Ekonometrika
1. Uji Multikolinearitas
Asumsi pertama dari model regresi linear klasik adalah tidak ada kolinearitas ganda antar variabel X (multikolinearitas). Multikolinearitas dapat dideteksi dengan melihat nilai Variance Inflation Factor (VIF) pada masing-masing variabel independen. Model dikatakan mengalami multikolinearitas apabila nilai VIF relatif besar atau lebih dari sepuluh (Juanda 2009).
2. Uji Heteroskedastisitas
Asumsi kedua dari model regresi linear klasik adalah tidak terjadinya heteroskedastistas, yaitu ketika kesalahan pengganggu εi, mempunyai varian yang sama (E (εi) = 2). Ketika terjadi heteroskedastisitas, fungsi tidak mempunyai varian terkecil atau efisien (efficient). Model mengalami
20
heteroskedastisitas apabila P-value lebih kecil dari taraf nyata (α) (Juanda
2009).
3. Uji Autokorelasi
Asumsi ketiga dari model regresi linear klasik adalah tidak ada autokorelasi antara kesalahan pengganggu. Autokorelasi merupakan korelasi antara anggota seri observasi yang disusun menurut urutan waktu (seperti data cross – section), atau korelasi pada dirinya sendiri.
4.4.4 Analisis Regresi Logistik
Model logit merupakan model non linier, baik dalam paramater maupun dalam variabel.
Model logit dapat dituliskan dalam persamaan sebagai berikut (Gujarati 2006): Li = = Zi = B1 + B2Xi...(4.3) Artinya L, log rasio peluang, tidak hanya linear dalam X tetapi linear dalam parameter.
Adapun dalam analisis regresi logistik menggunakan fungsi persamaan sebagai berikut:
= Z = a0+a1X1+a2X2+a3X3+a4X4+ε ... (4.4) Di mana:
Z = peluang responden menyatakan bersedia direlokasi (1) atau tidak bersedia direlokasi (0)
a0 = konstanta
a1...a4 = koefisien regresi X1 = pendapatan (rupiah)
X2 = kedalaman genangan (cm) X3 = luas rumah (m2)
21