Location Quotient LQ Analisis Tipologi

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