26
∑∑
= =
− =
n
i n
j ij
ij
P P
S
1 1
ln
Indeks Entropi
Indeks Entropy juga digunakan untuk melihat hirarki wilayah yaitu mengukur tingkat perkembangan suatu wilayah dan melihat sektor-sektor yang
dominan yang berkembang pada wilayah tersebut. Data yang dianalisa adalah Data PDRB Per Kecamatan terhadap PDRB Kabupaten Tahun 2002.
Analisis Enthropy Model merupakan salah satu konsep analisis yang dapat menghitung tingkat keragaman diversifikasi komponen aktivitas. Keunggulan
dari konsep ini karena dapat digunakan untuk: 1 memahami perkembangan suatu wilayah; 2 memahami perkembangan atau kepunahan kenekaragaman hayati; 3
memahami perkembangan aktivitas perusahaan; dan 4 memahami perkembangan aktivitas suatu sistem produksi pertanian dan lain-lain Saefulhakim, 2006
Prinsip pengertian indeks entropi ini adalah semakin beragam aktifitas atau semakin luas jangkauan spasial, maka semakin tinggi entropi wilayah. Artinya
wilayah tersebut semakin berkembang S ↑ = tingkat perkembangan↑. Persamaan
umum entropy ini adalah sebagai berikut:
Dimana: Pij= Proporsi kegiatan i sektor, komoditas di wilayah j, yang dihitung dari persamaan: P
ij
= X
ij
ΣX
ij
Analisis ini digunakan untuk mengetahui perkembangan sektor-sektor perekonomian antar kecamatan di Kabupaten Purwakarta, sehingga dapat
dibandingkan perkembangan perekonomian antar kecamatan tersebut. Jika S semakin tinggi maka tingkat perkembangan semakin meningkat, dimana nilai S
akan selalu ≥ 0.
2. Location Quotient LQ
Secara umum, metode analisis ini digunakan untuk menunjukkan lokasi pemusatanbasis suatu aktivitas dan dapat mengidentifikasi sektor unggulan atau
keunggulan komparatif suatu wilayah. Location Quotient LQ merupakan suatu
27 indeks untuk membandingkan pangsa sub wilayah dalam aktivitas tertentu dengan
pangsa total aktivitas tersebut dalam total aktivitas wilayah. Asumsi yang digunakan dalam analisis ini adalah 1 kondisi geografis relatif seragam, 2 pola-
pola aktivitas bersifat seragam, dan 3 setiap aktivitas menghasilkan produk yang sama. Persamaan dari LQ ini adalah :
.. .
.
X X
X X
LQ
j i
ij ij
=
Dimana: X
ij
= derajat aktivitas ke-j di wilayah ke-i X
i.
= total aktivitas di wilayah ke-i X
.j
= total aktivitas ke-j di semua wilayah X
..
= derajat aktivitas total wilayah Hasil analisis LQ akan menunjukkan hal sebagai berikut :
• Jika nilai LQ
ij
1, maka sub wilayah ke-i tersebut mempunyai pangsa relatif lebih besar dibandingkan dengan aktivitas yang secara umum ditemukan di
seluruh wilayah atau aktivitas ke-j merupakan aktivitassektor unggulan di sub wilayah ke-i.
• Jika LQ
ij
1, maka sub wilayah ke-i tersebut mempunyai pangsa relatif lebih kecil dibandingkan dengan aktivitas yang secara umum ditemukan di seluruh
wilayah atau aktivitas ke-j bukan merupakan aktivitassektor unggulan di sub wilayah ke-i.
• Jika LQ
ij
= 1, maka sub wilayah ke-i tersebut mempunyai pangsa setara dengan aktivitas yang secara umum ditemukan di seluruh wilayah.
Dalam analisis ini, data yang digunakan adalah PDRB kecamatan Kabupaten Purwakarta atas dasar lapangan usaha tahun 2002. Hasil nilai LQ yang diperoleh
akan dapat diketahui sektor-sektor perekonomian yang merupakan sektor unggulan bagi kecamatan-kecamatan di Kabupaten Purwakarta.
3. Analisis Tipologi
Wilayah
Analisa Tipologi Wilayah dimaksudkan untuk melihat karakteristik perkembangan wilayah. Analisa ini didasarkan pada indikator-indikator yang
28 terkait dengan perkembangan suatu wilayah, dalam penelitian ini meliputi :
karakteristik Sosial Ekonomi dan Potensi fisik wilayah. Tipologi wilayah dianalisa dengan : Principal Component Analysis PCA, Cluster Analysis dan
Discriminant Analysis.
Principal Components Analysis PCA
PCA digunakan untuk mengetahui faktor-faktor utama penentu tingkat perkembangan suatu wilayah. Data yang akan dianalisa data Podes 2003 yang
bersifat kuantitatif melalui proses rasionalisasi yaitu variabel variabel yang dapat mencirikan tipologi wilayah desa-desa di Kabupaten Purwakarta, diantaranya:
varibel-variabel bidang kependudukan, keuangan, komunikasi dan informasi, kesehatan, pendidikan, ekonomi, aksesibilitas dan faktor-faktor fisik Untuk
melakukan perhitungan metode PCAFA ini digunakan aplikasi statistica 60. Adapun maksud dari analisis komponen utama ini adalah untuk
mengelompokkan variabel-variabel menjadi beberapa kelompok. Ada dua tujuan dasar dari PC, yaitu:
• Ortogonalisasi Variabel: mentransformasikan suatu struktur data dengan variabel-variabel yang saling berkorelasi menjadi struktur data baru dengan
variabel-variabel baru yang disebut sebagai Komponen Utama atau Faktor yang tidak saling berkorelasi.
• Penyederhanaan Variabel: banyaknya variabel baru yang dihasilkan, jauh lebih sedikit dari pada variabel asalnya, tapi total kandungan informasinya
total ragamnya relatif tidak berubah Saefulhakim, 2005. Teknik ekstraksi data dengan PCAFA pada dasarnya adalah dengan
memaksimalkan keragaman dalam 1 satu variabelfaktor yang baru dan meminimalkan keragaman dengan variabelfaktor yang lain, menjadi variabel
yang saling bebas independent. Langkah-langkah yang dilakukan dalam analisa ini adalah :
1. Ortogonalisasi Variabel
Tujuannya adalah membuat variabel baru Z
α
α=1,2,...,q≤p yang memiliki karakteristik:
1 satu sama lain tidak saling berkorelasi, yakni: r
αα’
= 0, 2
nilai rataan masing-masing, tetap sama dengan nol, dan
29 3
nilai ragam masing-masing Z
α
sama dengan λ
α
≥ 0, dimana ∑
α
λ
α
= p. 2.
Penyederhanaan jumlah variabel Mengurutkan masing-masing factorkomponen utama F
α
yang dihasilkan, dari yang memiliki eigenvalue
λ
α
tertinggi hingga terendah, yakni : a.
memilih faktor-faktor atau komponen-komponen utama yang memiliki λ
α
≥1, artinya faktor atau komponen utama yang memiliki kandungan informasi ragam setara dengan informasi yang terkandung dalam satu
variabel asal, b.
membuang faktor atau komponen utama yang mempunyai eigenvalue antar dua faktor atau komponen utama yang berdekatantidak begitu
signifikan, jika λ
α
- λ
α - 1
1, sebagai alternatif lain digunakan juga metode The Scree Test dipekenalkan oleh Catell dimana dari hasil scee
plot yang dipilih adalah yang paling curam, c.
menentukan faktor-faktor atau komponen-komponen utama yang memiliki koefisien korelasi nyata minimal satu variabel asal. Kriteria yang
digunakan adalah | r
αj
| ≥0.7 Hal ini dimaksudkan agar setiap faktor atau
komponen utama yang terpilih, paling tidak memiliki satu penciri dominan dari variabel asalnya.
Hasil PCA antara lain: • Akar ciri eigen value merupakan suatu nilai yang menunjukkan keragaman
dari peubah komponen utama dihasilkan dari analisis, semakin besar nilai eigen value, maka semakin besar pula keragaman data awal yang mampu
dijelaskan oleh data baru. • Proporsi dan komulatif akar ciri, nilai pembobot eigen vector merupakan
parameter yang menggambarkan hubungan setiap peubah dengan komponen utama ke-i.
• Component score adalah nilai yang menggambarkan besarnya titik-titik data baru dari hasil komponen utama dan digunakan setelah PCA.
• PC loading menggambarkan besarnya korelasi antar variable awal dengan komponen ke-i. PC scores ini yang digunakan jika terjadi analisis lanjutan
setelah PCA. Factor Loadings L
α
adalah sama dengan Factor Score
Coefficients C
α
kali Eigenvalue Faktor atau Komponen Utamanya λ
α
.
30 Variabel yang dipergunakan untuk
analisis PCA,
terlihat pada tabel berikut : Tabel 5. Variabel dan Parameter yang digunakan dalam Analisis PCA
Bidang No Kode Variabel
Parameter 1
Kpdtn Kepadatan Penduduk
Σ Penduduk per Luas Wilayah
Kependu- dukan
2 KP
Persen Keluarga Pertanian
Σ kk Petanian per Σ kk Keuangan
Kecamatan 3
Pak Pendapatan asli
kecamatan per kapita PAKper
Σ Penduduk 4
Sarkom Rasio sarana
komunikasi terhadap 1000 penduduk
Σ Wartelkiosponwarpos tel, Warnet Kantor
PosPos PembantuRumah Pos Per 1000 penduduk
5 PLN
Persen kk yang menggunakan PLN
Σ kk pelanggan PLN per Σ kk
6 Telp
Persen kk yang berlangganan telpon
Σ kk pelanggan telpon per Σ kk
Sarana Komuni-
kasi Informasi
7 TV
Persen kk yang mempunyai TV
Σ kk punya TV per Σ kk
8 Tenkes
Rasio tenaga kesehatan terhadap 1000
penduduk Σ Dokter, Bidanbidan
desa, Dukun bayi terlatih dan belum terlatih Per
1000 penduduk
9 Temkes
Rasio tempat pelayanan kesehatan
terhadap 1000 penduduk
Σ RSU,
Rmh bersalin, poliklinik, puskesmas
pembantu,tmpt dokter bidan, posyandu polindes
Per 1000 penduduk Kesehatan
10 Obat
Rasio Jumlah tempat penjualan obat terhada
1000 penduduk
Σ
Apotek, toko obatjamu Per 1000 penduduk
11 Dikdas
Rasio Jumlah sarana pendidikan dasar dan
menengah terhadap 1000 penduduk
Σ
TK,SD,SMP,SMA,SMK negeriswasta Per 1000
penduduk 12
Ponpes Rasio Jumlah Pondok
PesantrenMadrasah Diniyah terhadap 1000
penduduk
Σ
Pondok Pesantren Madrasah DiniyahPer
1000 penduduk 13
Murid Rasio murid TK-SMK
terhadap 1000 penduduk
Σ murid
TK,SD,SMP,SMA SMKPer 1000 penduduk
14 Guru
Rasio Guru TK-SMK terhadap 1000 murid
Σ Guru
TK,SD,SMP,SMA SMK Per 1000
murid
TK,SD,SMP,SMA SMK Pendidikan
15 Mes
Rasio mesjid terhadap 1000 penduduk
Σ
MesjidPer 1000 penduduk
31 Tabel 5. Lanjutan
16 Lkeu
Rasio Lembaga keuangan terhadap
1000 penduduk
Σ
Bank, BPR,KUD, Koperasi per 1000
penduduk Ekonomi
17 Toko
Rasio Toko dan perbelanjaan terhadap
1000 penduduk
Σ
Toko warungkios, supermarket, restorankedai
makan per 1000 penduduk 18
Jpwk Jarak terhadap ibukota
kabupaten Jarak terhadap ibukota
kabupaten 19
Jjkt Jarak lurus ke Jakarta
Jarak sentroid Kecamatan terhdp Gerbang tol Cikopo
20 Jbdg
Jarak lurus ke Bandung Jarak sentroid Kecamatan
terhadap Jalan utama Perbatasan Kab. Bandung
21 Jln
Rasio Panjang Jalan terhadap luas wilayah
Rasio panjang jalan terhadap luas wilayah
Aksesibili- tas
22 Jlbaik
Persen Jalan Kondisi baik
Rasio panjang jalan baik terhadap panjang jalan
23 saw Persen luas sawah
Persen luas sawah 24 hutan Persen hutan
Persen hutan 25 mukim Persen pemukiman
Persen pemukiman 26
ler0 Persen luas areal
dengan lereng 0-8 Persen luas areal dengan
lereng 0-8 per luas areal 27
ler8 Persen luas areal
dengan lereng 8-15 Persen luas areal dengan
lereng 8-15 per luas areal 28
ler25 Persen luas areal
dengan lereng 15-40 Persen luas areal dengan
lereng 15-40 per luas areal
Faktor fisik
29 ler40
Persen luas areal dengan lereng 40
Persen luas areal dengan lereng 40
Cluster Analysis
Cluster analysis untuk mengetahui pengelompokan wilayah berdasarkan faktor-faktor utama yang mempengaruhi tingkat perkembangan wilayah. Cluster
analysis digunakan untuk mengelompokkan objek-objek menjadi beberapa kelompok berdasarkan pada pengukuran variabel-variabael yang diamati,
sehingga diperoleh kemiripan objek dalam kelompok yang sama dibandingkan antara objek dari kelompok yang berbeda.
Secara umum terdapat dua metode penggerombolan dalam analisis gerombol ini yaitu: metode berhirarki hierarichal clustering method dan metode
tak berhirarki non hierarichal clustering method. Metode berhirarki dilakukan jika jumlah gerombol yang akan ditentukan
sudah diketahui. Misalnya orde pembangunan wilayah secara umum diketahui
32 berjumlah 5 lima, yaitu: sangat tinggi, tinggi, sedang, rendah, dan sangat rendah,
atau 3 tiga yaitu: tinggi, sedang dan rendah. Pengklasifikasian selanjutnya akan dilakukan berdasarkan jumlah yang kita inginkan tersebut. Unit-unit analisis yang
dikelompokkan akan bergerombol sesuai dengan kedekatankemiripan karakteristiknya masing-masing.
Sedangkan untuk metode tidak berhirarki dilakukan jika jumlah gerombol belum diketahui. Penggerombolan selanjutnya dilakukan terhadap seluruh unit
berdasarkan seluruh karakteristik yang diamati. Selanjutnya berdasarkan kenampakan hasil penggerombolan ditentukan pemotongan seberapa banyak
gerombol yang akan digunakan.
Discriminant Analysis
Discriminant analysis merupakan salah satu analisis multivariabel untuk menentukan variabel mana yang membedakan secara nyata dengan kelompok-
kelompok yang telah ada secara alami, sehingga digunakan untuk menentukan variabel mana yang merupakan penduga terbaik dari pembagian kelompok-
kelompok yang ada. Pada prinsipnya, penentuan dalam analisis diskriminan ini berbalikan
dengan metode analisis gerombol. Jika analisis gerombol khususnya gerombol unit menentukan gerombol dari ciri-ciri yang diduga mirip, maka analisis
diskriminan ini menentukan dengan kelompok yang sudah tentu yang terbentuk secara alamiah ingin ditentukan variabel yang mana yang sebenarnya secara nyata
membedakan kelompok-kelompok tersebut. Fungsi diskriminan merupakan fungsi linier peubah-peubah asal yang akan
menghasilkan cara terbaik dalam pemisahan kelompok. Fungsi ini akan memberikan nilai-nilai yang sedekat mungkin dalam kelompok dan sejauh
mungkin antar kelompok. Fungsi ini disamping dapat digunakan untuk menerangkan perbedaan antar kelompok juga dapat digunakan dalam masalah
klasifikasi yaitu peluang terkecil kesalahan klasifikasi atau tingkat kesalahan pengelompokan objek dari kelompok-kelompok
33
4 Analisis Disparitas
Indeks Williamson
Indeks Williamson merupakan salah satu indeks yang paling sering digunakan untuk melihat disparitas antar wilayah. Williamson pada tahun 1975
mengembangkan indeks kesenjangan wilayah yang diformulasikan sebagai berikut:
dimana: Vw
= Indeks Williamson Iw Yi
= PDRB per kapita wilayah kecamatan ke –i
Y
−
= Rata-rata PDRB per kapita
Pi = fin, dimana fi jumlah penduduk kecamatan ke i dan n jumlah total
penduduk kabupaten Indeks Williamson akan menghasilkan indeks yang lebih besar atau sama
dengan nol. Jika Yi=Y
−
maka akan dihasilkan indeks = 0, yang berarti tidak adanya kesenjangan antar wilayah. Indeks lebih besar dari 0 menunjukkan adanya
kesenjangan ekonomi antar wilayah. Semakin besar indeks yang dihasilkan semakin besar tingkat kesenjangan antar wilayahkecamatan di suatu kabupaten.
Dalam analisis ini data yang digunakan adalah PDRB kecamatan Kabupaten Purwakarta atas dasar lapangan usaha tahun 2002.
Analisis Regresi Berganda
Analisis regresi berganda dilakukan untuk menganalisis faktor-faktor yang mempengaruhi disparitas pembangunan antar wilayah. Karena disparitas antar
wilayah dapat dilihat dari indeks perkembangan suatu wilayah dan tingkat perkembangan ekonomi suatu wilayah, maka dilakukan uji regresi antara indeks
perkembangan kecamatan IPK dan PDRB perkapita sebagai variabel tujuan dependent terhadap variabel bebas independent yaitu : infrastruktur dan
potensi fisik wilayah.
−
∑
⎠ ⎞
⎜ ⎝
⎛ −
= Y
Y
p
Y
i 2
i w
_
V
34
Y = f X
1
, X
2
, X
3....
X
k.
atau: Model regresi berganda dapat diturunkan sebagai berikut:
Y = ε
1
x
1
+ ε
2
x
2
+.............+ ε
k
x
k
+ е
dimana:
Y
= IPK dan PDRB perkapita
X
i
= Variabel bebas
ε
i
= Koefisien fungsi regresi
e
= Variabel pengganggu Y adalah variabel tujuan yang nilainya tergantung dari k variabel bebas
x
1
,.....,xk. Diasumsikan bahwa nilai variabel bebas diketahui dan nilai ε
1,...........
ε
k
belum diketahui. Untuk menghasilkan model yang dapat digunakan sebagai penduga yang baik maka beberapa asumsi yang harus dipenuhi:
a. E e = 0
b. E e
2
= σ
2
c. Tidak ada korelasi antar variabel.
Variabel dengan nilai koefisien regresi terbesar merupakan variabel yang mempunyai peranan terbesar dalam mempengaruhi tingkat perkembangan
wilayah. Variabel yang dipergunakan untuk pengolahan data analisis regresi, merupakan faktor score hasil dari analisis PCA, sebagai berikut :
1 F1 yaitu indikator sarana perkotaan kepadatan penduduk, sarana
komunikasi, panjang jalan, pelanggan telpon dan lembaga keuangan 2
F2 yaitu indikator keuangan daerah PAD kecamatan, jarak ke Bandung- Jakarta, Pelanggan PLN
3 F3 yaitu indikator fisik wilayah luas wilayah dengan kelerengan 8-15 dan
40 4
F4 yaitu indikator pendidikan, sarana pendidikan dasar dan menengah 5
F5 yaitu indikator aksesibilitas jalan kondisi baik, tempat pelayanan kesehatan dan jumlah mesjid
6 F6 yaitu indikator kesehatan tenaga kesehatan
7 F7 yaitu indikator pertanian keluarga pertanian
35
5. Analisa Deskriptif