2.6. Analisis Tingkat Perkembangan Wilayah
Perkembangan wilayah desa-desa di Kabupaten Sambas ditentukan dengan metode skalogram.
Metode ini digunakan untuk mengetahui keragaan tiap-tiap desa di sembilan kecamatan di Kabupaten Sambas berdasarkan seluruh potensi
sumberdaya fisik, sosial, dan ekonomi wilayah. Asumsi yang digunakan adalah : 1. Tingkat hirarki suatu wilayah ditentukan oleh jumlah penduduk, jumlah jenis,
dan jumlah unit saranaprasarana pada suatu wilayah. 2. Wilayah dengan hirarkiorde yang lebih tinggi adalah pusat pelayanan bagi
wilayah dengan hirarkiorde yang lebih rendah. Unsur-unsur yang digunakan dalam metode skalogram adalah jumlah
penduduk, jumlah jenis, jumlah unit serta kualitas fasilitas pelayanan yang dimiliki masing-masing desa.
Menurut Rustiadi et al. 2003, model untuk menentukan Indeks Perkembangan Desa adalah :
∑
=
n i
ij j
I IPD
dimana
i i
ij ij
SD I
I I
min
− =
IPD : Indeks perkembangan desa ke-j
ij
I : Nilai skor indeks perkembangan ke-i terkoreksi standarisasi desa ke-j
min i
I : Nilai skor indeks perkembangan ke-i terkecil minimum
i
SD : Standar deviasi indeks perkembangan ke-i
2.7. Analisis Komponen Utama Principal Component Analysis
Analisis komponen utama Principal Component Analysis atau yang lebih dikenal dengan PCA merupakan salah satu cara analisis yang mentransformasikan
secara linear suatu set variabel data yang berukuran besar multivariate variable menjadi variabel-variabel baru yang lebih sederhana dan orthogonal tidak saling
26 berkorelasi atau saling bebas, namun lebih representatif dibandingkan dari
variabel-variabel asal, sehingga informasi yang terkandung masih relatif sama. Variabel-variabel baru itu disebut faktor atau principal component.
PCA mampu mentransformasikan kumpulan peubah berkorelasi menjadi peubah baru yang tidak berkorelasi Dillion dan Goldstein, 1984 dalam Suryani,
1994. Format data untuk PCA umumnya membentuk matriks berukuran n x p, yang mana n menunjukkan jumlah contoh pengamatan baris sedangkan p
menyimbolkan jumlah variabel kolom. Format data untuk PCA dapat digambarkan sebagai berikut :
X
11
X
12
X
13
... X
1p
X
21
X
22
X
23
... X
2p
X
n1
X
n2
X
n3
... X
np
Persamaan umum PCA yang dihasilkan adalah sebagai berikut : Yk = ak
1
X
1
+ ak
2
X
2
+ ... + ak
p
X
p
Output data hasil analisis komponen utama umumnya memiliki variabel-variabel baru faktor yang lebih sedikit dan orthogonal, dengan nilai ragam variance
yang relatif sama. Hasil analisis komponen utama adalah sebagai berikut : a Nilai akar ciri eigenvalues, yaitu nilai yang menggambarkan keragaman data
pada variabel-variabel baru faktor utama hasil analisis. Dengan kata lain, faktor utama hasil analisis PCA mampu menjelaskan keragaman data awal
sekaligus mewakili variabel-variabel asal sebesar nilai akar ciri tadi. Persamaan untuk memperoleh nilai akar ciri eigenvalues adalah :
∂ ∂
[ ]
[ ]
1 1
1 1
1 1
1 1
1 2
a a
Sa a
a a
S
y
y
− +
∂ ∂
= −
+ λ
λ Nilai akar ciri didapat dari persamaan tersebut, jika dapat ditentukan nilai a
vektor pembobot maksimum dari hasil iterasi.
27 b Tabel kumulatif akar ciri communalities, yaitu tabel yang menunjukkan
besarnya nilai keragamanketerwakilan data masing-masing variabel atau peubah asal terhadap faktor-faktor utama yang diperoleh.
c Nilai pembobot eigenvector atau disebut sebagai PC loadings factor loadings
. Vektor pembobot adalah parameter yang menggambarkan hubungan peran setiap peubah variabel dengan komponen utama ke-i.
Nilai loading diperoleh dari persamaan berikut :
1 1
1
λ a
r = , dimana :
1
r : besarnya korelasi antar peubah asal dengan komponen utama ke-i
1
a : nilai vektor pembobot utama ke-i
1
λ : akar ciri eigenvalue komponen utama ke-i Jadi, loadings menunjukkan besarnya nilai korelasi antara variabel asal
dengan komponen utama ke-i yang diinterpretasikan berdasarkan marked loading
0.7. Nilai yang berkorelasi positif menyatakan bahwa faktor utama ke-i berbanding lurus dengan variabel penjelas. Sebaliknya, nilai dengan
korelasi negatif menyatakan bahwa faktor utama ke-i berbanding terbalik dengan variabel penjelas. Nyata tidaknya korelasi antar komponen utama
ke-i terhadap peubah asal dapat diuji dengan persamaan berikut :
2
1 2
r n
r t
− −
= , dimana :
t : nilai t pada taraf nyata yang diinginkan
n : contoh data yang dianalisis r
: nilai korelasi d Tabel PC scores factor scores, yaitu tabel yang menyajikan nilai-nilai
berupa besarnya titik-titik data baru hasil PCA. PC scores inilah yang
28 digunakan jika terdapat analisis lanjutan setelah PCA. Pada umumnya, PC
scores ke-1 dan ke-2 atau selanjutnya dapat dibandingkan, maka PC scores ini
perlu dibakukan untuk menghilangkan keragaman antar komponen ke-i. Persamaan untuk pembakuan tersebut adalah :
λ scores
PC baku
scores PC
= PCA dapat digunakan sebagai analisis antara maupun analisis akhir. PCA
sebagai analisis antara dapat menghilangkan multikolinearitas data dan menyederhanakan satu set data dengan variabel besar. Sedangkan PCA sebagai
analisis akhir berfungsi dalam pengelompokkan variabel-variabel penting dari satu kelompok variabel penduga pada suatu fenomena sekaligus pemahaman akan
struktur dan hubungan antar variabel.
2.8. Analisis Gerombol Cluster Analysis
Kategori