Input Sarana/prasarana Penunjang
Untung/Rugi Biaya A B C D E F G H Indikator/Kriteria Kelayakan untuk Pencadangan Kawasan Produksi Beras Peubah-Peubah
Analisis Struktur Keterkaitan antar Indikator dan Indeks Komposit Kelayakan Wilayah untuk Pencadangan Kawasan Produksi Beras
Analisis statistika dapat digunakan untuk memudahkan dalam menginterpretasikan suatu keadaaan atau fenomena. Penggunaan data yang berasal dari hasil eksplorasi yang dihimpun dari data-data yang berkaitan dengan sosial ekonomi wilayah, maka analisis statistik multivariate dapat digunakan untuk menganalisis fenomena yang terjadi (Saefulhakim, 2004). Hal ini dilakukan karena pada kenyataannya peubah-peubah yang digunakan saling berkorelasi satu sama lain dengan tingkat keeratan hubungan yang bervariasi. Jika dua peubah berkorelasi sangat erat, maka variasi antar kedua peubah tersebut sebenarnya dapat diungkapkan oleh salah satu peubah saja, sehingga perlu dilakukan penyederhanaan dimensi peubah yang digunakan.
Salah satu metode yang sering digunakan untuk memperkecil dimensi peubah yang saling berkorelasi adalah Principal Components Analysis (PCA). Dalam penelitian ini analisis PCA dilakukan untuk melihat struktur keterkaitan antar indikator/peubah yang dirumuskan. Hasil analisis PCA merupakan faktor utama yang membentuk suatu indeks komposit. Indeks komposit adalah gabungan peubah asal yang saling mempengaruhi dalam suatu analisis. Tujuan analisis PCA adalah ortogonalisasi peubah, yakni ; mentransformasikan suatu struktur data dengan peubah-peubah yang saling berkorelasi, menjadi struktur data baru dengan peubah-peubah baru (faktor) yang tidak saling berkorelasi. Selain itu PCA juga berguna untuk penyederhanaan peubah sehingga menghasilkan peubah baru yang jauh sedikit dari pada peubah asalnya, namun total kandungan informasinya atau total ragamnya relatif tidak berubah. Teknik ekstraksi data dengan PCA/FA pada dasarnya adalah dengan memaksimalkan keragaman dalam 1 (satu) peubah/faktor yang baru dan meminimalkan keragaman dengan peubah/faktor yang lain, menjadi peubah yang saling bebas (independent). Secara rinci metode analisis PCA ini dapat dilihat dalam Saefulhakim (2004) dan Jambu (1991) sedangkan contoh penerapannya yang relevan dengan penelitian ini adalah Irawan (2003), Irawan et al. (1992) dan Taryoto (1982). Langkah- langkah yang dilakukan dalam analisis ini adalah sebagai berikut :
Tujuannya adalah menghilangkan variasi data antar peubah yang dilakukan dengan formula : j j ij ij s x y −µ =
yij adalah peubah baru yang telah disederhanakan
xij adalah peubah nilai X pada wilayah i peubah j µj adalah nilai rata-rata masing- masing peubah
sj adalah simpangan baku masing- masing peubah b. Ortogonalisasi Peubah
Tujuannya adalah membuat peubah baru Zα (α=1,2,...,q≤p) yang memiliki karakteristik:
(1) satu sama lain tidak saling berkorelasi, yakni: rαα’ = 0, (2) nilai rataan masing- masing, tetap sama dengan nol, dan
(3) nilai ragam masing- masing Zα sama dengan λα≥ 0, dimana ∑αλα= p. c. Penyederhanaan jumlah peubah
Sesuai dengan tujuan dasar kedua dari analisis PCA maupun FA adalah penyederhanaan jumlah peubah, maka langkah yang dilakukan adalah dengan mengurutkan masing- masing faktor atau komponen utama (Fα) yang dihasilkan, dari yang memiliki eigenvalue (λα) 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 peubah 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,
c) Alternatif lain digunakan juga metode The Scree Test dimana dari hasil
scree plot yang dipilih adalah yang paling curam,
d) Menentukan faktor- faktor atau komponen-komponen utama yang
digunakan adalah | rαj|≥0.7 Hal ini dimaksudkan agar setiap faktor atau komponen utama yang terpilih, paling tidak memiliki satu penciri dominan dari peubah asalnya.
Peubah yang digunakan dalam analisis ini adalah hasil perumusan dari indikator penentuan kriteria kawasan yang layak dicadangkan untuk kawasan produksi beras dan perhitungannya dilakukan dengan menggunakan software
aplikasi statistica versi 6.
Analisis Pengelompokkan dan Tipologi Wilayah Berdasarkan Hirarki Kelayakan Kawasan untuk Produksi Beras
Teknik pewilayahan (Cluster Analysis) merupakan salah satu teknik untuk membatasi wilayah berdasarkan kemiripan karakteristik tertentu dari suatu hamparan wilayah. Teknik ini dapat mengadopsi konsep wilayah yang telah berkembang seperti konsep wilayah nodal atau konsep wilayah homogen. Teknik klasifikasi wilayah yang akan digunakan dalam penelitian ini adalah teknik analisis multivariate dengan analisis gerombol berhirarki (hierarchical clustering
method). Salah satu penerapan metode cluster analysis ini adalah penelitian yang
dilakukan oleh Roel dan Plant (2002) untuk melihat tipologi secara spasial hasil beras di California.
Prinsip dasar pengelompokkan adalah ragam dalam kelompok harus minimum dan ragam antar kelompok harus maksimum. Penggerombolan akan dibuat dalam 4 kelompok yaitu : layak, agak layak, kurang layak dan tid ak layak dicadangkan untuk kawasan produksi beras. Sebelum melakukan penggabungan data, perlu dihitung terlebih dahulu jarak antar dua gerombol data dengan ciri yang serupa. Untuk dapat dilakukan penggerombolan data diperlukan suatu skala pengukuran yang sama. Jika skala data tidak sama data perlu ditransformasikan dalam bentuk skor tertentu yang disebut jarak antara lain : jarak mahalanobis, jarak euclidean, jarak kuadrat euclidean, jarak manhattan (city-block), jarak
chebycev, power distance, dan percent disaggreement. Ukuran jarak yang sering
digunakan adalah jarak euclidean (Euclidean distance). Persamaan penghitungan jarak euclidean antar dua titik atau dua gerombol adalah :
Nilai Dij merupakan jarak antar titik data/gerombol pada lokasi i dan j. Makin kecil nilai Dij makin besar kemiripan data lokasi i dan j. Asumsi yang harus dipenuhi dalam penggunaan jarak euclidean ini adalah bahwa antar peubah tidak terjadi multicollinearity atau peubah-peubah yang ada saling tegak lurus (ortogonal). Selanjutnya dilakukan analisis diskriminan dengan menggunakan
Discriminant Functions, yang merupakan salah satu analisis multivariate untuk
menentukan variable mana yang membedakan secara nyata kelompok-kelompok yang telah ada secara alami. Dengan kata lain, ana lisis ini digunakan untuk menentukan peubah yang merupakan penduga terbaik dari pembagian kelompok-kelompok yang dibuat. Sehingga peubah tersebut dapat membedakan secara nyata antar kelompok tersebut.
Fungsi yang digunakan adalah mirip dengan fungsi regresi dengan variable bebas Grup (g) adalah resultan skor kelompok sedangkan peubah tak bebasnya adalah X yaitu peubah-peubah yang digunakan sebagai penduga.
Skor Grup (g) = ag + b1gX1+ b2gX2 + ….+ bmgXm
Peubah dengan nilai koefisien regresi terbesar merupakan peubah yang mempunyai peranan besar dalam membedakan kelompok-kelompok tersebut. Hasil pengolahan statistik ini akan menghasilkan tipologi wilayah berdasarkan indikator yang telah dirumuskan.
Analisis dan Pemetaan Pola Spasial Tipologi Wilayah untuk Kawasan Produksi Beras.
Selanjutnya dilakukan analisis dan pemetaan pola spasial indeks komposit penentu kelayakan wilayah untuk kawasan produksi beras. Analisis ini dimaksudkan untuk melihat pola pernyebaran secara spasial dari indeks komposit yang menjadi penentu kelayakan kawasan yang akan dicadangkan sebagai kawasan produksi beras. Metode yang digunakan untuk analisis ini menggunakan metode analisis deskriptif dan pemetaannya dilakukan dengan menggunakan
Software ArcView Ver 3.2 dengan mengunakan peta utama/induk peta
Analisis Land Rent UsahataniPadi Sawah
Untuk mengetahui pendapat petani secara rata-rata dilakukan pendekatan terhadap rataan penerimaan bersih (Land Rent) per hektar per tahun dari penggunaan lahan untuk padi sawah. Data yang digunakan adalah data primer dari hasil wawancara dengan tiga orang petani untuk masing- masing tipologi wilayah. Selanjutnya data-data tersebut diolah dengan perhitungan land rent-nya menggunakan rumus berikut.
dimana :
Penerimaan bersih (land rent) : Rp/ha/thn Penerimaan (Rp/thn) : CI x Y x Hy Biaya (Rp/thn) : CI x ΣXk. Bk CI : Cropping Intensity (kali/thn)
A : Luas Lahan (ha) Y : Produksi/ha (ton/ha)
Hy : Harga/ton (Rp/ton) produksi y y : Komoditi padi
Xk : Jenis input ke-k Bk : Biaya input ke-k
(CI x A x Y x Hy) – (CI x A x ΣXk. Bk)
Land Rent =