Ortogonalisasi dan Analisis Kompomen Utama PCA

3.3. Analisis Variabel Indikator

Variabel indikator merupakan ukuran kuantitatif dari dimensi dan aspek yang secara logis mengidentifikasikan konfigurasi spasial potensi ekonomi wilayah di Gugus Pulau Kaledupa dan kinerja pembangunan ekonomi baik bersifat positif menunjang tujuan pembangunan maupun negatif kontradiktif dengan tujuan pembangunan. Potensi ekonomi Gugus Pulau Kaledupa dibagi atas: a aspek sumberdaya alam, b aspek sumberdaya manusia, c aspek infrastruktur dan fasilitas umum, infastruktur Perikanan dan kepariwisataan, dan d aspek kinerja ekonomi. Aspek sumberdaya alam dibagi dalam 3 bidang yaitu; 1 Penggunaan lahan, 2 tanaman dan produksi pertanain dan perkebunan, dan 3 sumberdaya perikanan dan kelautan. Aspek sumberdaya manusia dibagi atas 3 bidang yaitu; 1 kependidikan,2 kependudukan dan 3 ketenagakerjaan. Aspek sumberdaya infrastruktur dan fasilitas umum terdiri atas; 1 sarana dan prasarana umum, 2 sarana-prasarana perikanan kelautan, dan 3 sarana dan obyek wisata. Aspek kinerja pembangunan, terdiri atas 1 ukuran kesejahteraan dan 2 pendapatan wilayah.

3.4. Ortogonalisasi dan Analisis Kompomen Utama PCA

Untuk menyederhanakan jumlah variabel dengan mengelompokkan variabel indikator serta menentukan pola asosiasi variabel dilakukan dengan teknik analisis komponen utama PCA: Principal Components Analysis Tanaka, Tarumi dan Wakimoto, dikutip dari Saefulhakim 2008. Analisis PCA dilakukan berdasarkan Aspek sumberdaya alam dibagi dalam 3 bidang yaitu; 1 Penggunaan lahan, 2 tanaman dan produksi pertanain dan perkebunan, dan 3 sumberdaya perikanan dan kelautan. Aspek sumberdaya manusia dibagi atas 3 bidang yaitu; 1 kependidikan,2 kependudukan dan 3 ketenagakerjaan. Aspek sumberdaya infrastruktur dan fasilitas umum terdiri atas; 1 sarana dan prasarana umum, 2 sarana-prasarana perikanan kelautan, dan 3 sarana dan obyek wisata. Aspek kinerja pembangunan, terdiri atas 1 ukuran kesejahteraan dan 2 pendapatan wilayah. Perangkat lunak yang digunakan adalah Statistica for Windows StatSoft, 2001. Analisis dilakukan terhadap variabel yang telah dibakukan. Tehnik PCA pada awalnya membangun variabel dengan prinsip kombinasi linier baku berbobot standarlized weighted liner combination. Definisi secara matematis dapat ditulis sebagai berikut : atau Z = Yb…………………….…….…….………………. 1 Vektor pembobot b dicari dengan teknik optimasi berikut: Max b ′Y′Yb dimana b′b= 1………………….…………………………. ……..2 Dari sini dihasilkan persamaan akar ciri eigenequantion: Y ′Yb= ߣb …………………………………..……………………………. ……3 Akar ciri eigenvalue yang dihasilkan oleh banyak variabel yang dianalisis N, yaitu: ߣ 1 ≥ ߣ 2 … ≥ ߣ N , namun demikian dipilah hanya sampai dengan akar ciri ke-qqN yang nilainya cukup besar. ߣ α ≥ 1 Kaiser, 1960 dalam StatSoft, 2001; dikutip dari Saefulhakim 2008 dan kontribusinya terhadap keragaman juga cukup besar ߣ α - ߣ α+1 ≥1. Untuk setiap akar ciri ߣ 1 ≥ ߣ 2 … ≥ ߣ q . dihitung vektor ciri eiqienvector pasangannya yaitu b 1 ,b 2 …b q dimana b q ={b j, α }. Dari sini kemudian dibangun sebanyak q sebuah variabel komposit terpilih. Skor daerah ke-i untuk setiap variabel terpilih ke- α α=1,2…q, dihitung dengan rumus: ……………………………..…..………………………………. 4 Karena ragam dari variabel komposit terpilih ke- α sama dengan akar ciri ke- α sebagai implikasi dari persamaan 4, maka angka baku dari skor ini, f i, α adalah : ………….……………..……………………………… 5 Variabel komposit terpilih disebut sebagai Komponen Utama. Nilai setiap variabel komposit untuk masing-masing sampel disebut dengan factor score. Koefisien korelasi antar faktor dengan variabel pembangunnya disebut dengan factor loading. Variabel ke-j yang memiliki factor loading yang nyata significant dengan faktor ke- α, dijadikan sebagai penciri utama faktor tersebut. Suatu factor loading l j , α , disebut nyata apabila angka mutlaknya minimal sama dengan 0.7 StatSolft, 2001 yang dihitung dengan rumus : ………………………………..…………………..…….......6 Proses analisis selanjutnya adalah melakukan pemutaran atau rotasi terhadap setiap faktor-faktor terpilih. Metode rotasi yang dipilih adalah yaitu varimax normalized rotaion method StatSolft, 2001. Secara notasi matriks rumus factor score pada persamaan 6 dapat ditulis kembali secara umum sehingga jelas perbedaannya antara sebelum dan sesudah dirotasi, sebagai berikut: F= YC………………………………………………..….………….……7a C= LD -1 ………………………………………….………………..……. 7b …… 7c i= 1…n; α = 1…q………….…………….…..…..….……… 7d i= 1…n; j = 1…N…………..…………….…..…….…..……. 7e j= 1…n; α = 1…q……………...………….…..……..……… 7f = disebut sebagai score coefisient ….……. 7g L= ; j=1…N; α= 1…q……………..………………….……….…… 7h Diang ߣ = ………………………..…….………..…….….. 7i = koefisient variabel baku ke-j untuk pembangun vektor ke- α Dengan memperhatikan factor loading yang dihasilkan, dapat diidentifikasi: 1 variabel-variabel yang nyata menjadi penciri setiap faktor, dan 2 variabel- variabel yang tidak nyata menjadi penciri faktor manapun. Variabel indikator terpilih adalah variabel indikator yang nyata menjadi penciri utama suatu faktor tertentu. 3.5. Analisis Indeks Komposit Indeks pengukur potensi sumberdaya perikanan disusun dari factor score hasil PCA dan indeks pengukur kinerja pembangunan disusun dari variabel indikator terpilihnya. Secara umum indeks disusun dengan fungsi berikut; ..………………………..………………8 Keterangan; IDXv i = indeks dari variabel v untuk daerah ke-i, = nilai variabel v untuk daerah ke-i, = selang interval yang diharapkan dari indeks yang dibangun, = nilai terkecil yang diharapkan dari indeks yang akan dibangun. Semua indeks yang dibangun distandarisasi sehingga nilai terkecil adalah 1 dan niai terbesar adalah 9, maka dalam hal ini nilai selang interval ditetapkan 8, dan nilai sama dengan 1. Untuk indeks pengukur potensi ekonomi daerah, variabel v adalah factor score hasil PCA f i, α . 3.6. Analisis Tree Clustering dan K-Means Clustering Analisis Tree-Clustering dilakukan untuk menentukan jumlah pembagian klaster tipologi wilayah pada tingkat ketakmiripan tertentu. Selanjutnya dilakukan analisis K-means Clustering untuk menentukan penciri utama setiap tipologi berdasarkan nilai indeks potensi sumberdaya setiap wilayah. Klasifikasi tinggi, sedang dan rendah tipologi sumberdaya ekonomi yang dimiliki oleh setiap wilayah ditentukan berdasarkan kriteria jarak terdekat Euclidean Distance.

3.7. Analisis Model Spasio-Struktural