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 negatif yang sempurna.
Interpretasi koefisien korelasi r juga dapat dijelaskan dalam Tabel 2. Tabel 2. Interpretasi dari nilai r
r Interpretasi
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:
r
s
=
∑
......................................................................................... 4.1 Di mana:
r
s
= 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.
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= a +a
1
X
1
+a
2
X
2
+a
3
X
3
+a
4
X
4
+a
5
D1+ ε ............................................. 4.2
Estimasi parameter yang diharapkan adalah a , a
1
, a
2
, a
5
0 dan a
3
, a
4
Y = kerugian banjir langsung, tidak langsung , dan tangible ribu rupiah,
terdiri dari kerugian akibat kerusakan struktural, content, biaya TK dan kehilangan pendapatan.
a = konstanta
a
1
...a
5
= koefisien regresi X
1
= kedalaman genangan cm X
2
= durasi genangan jam X
3
= jeda waktu informasi banjir jam X
4
=lama waktu menyelamatkan barang jam X
5
= luas rumah m
2
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 R
2
, 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 R
2
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
