Discriminant Analysis TINJAUAN PUSTAKA

Tabel 4 Jenis, sumber data yang digunakan, teknik analisis data dan output yang diharapkan No. Tujuan Jenis Data Sumber Data Teknik Analisis Data Output yang diharapkan 1. Memetakan pola spasial kemiskinan . Jumlah keluarga pra-Sejahtera dan Sejahtera I per Kecamatan, jumlah penduduk miskin di bantaran sungai, dibawah jaringan SUTET, lokasi terisolasi dan di pemukiman kumuh, peta. PODES BPS Principal Component Analysis Cluster Analysis Discriminant Analysis Analisis Kuadran Peta konfigurasi sebaran kemiskinan dan penduduk, dan pola spasial tipologi kemiskinan 2. Memetakan pola spasial Pembangunan ManusiaSosial Jumlah penduduk laki-lakiperempuan, cacat, kelahiran, kematian, keluar masuk, PUS dan akseptor KB, jumlah tenaga pendidik dan fasilitas pendidikan, jumlah tenaga kesehatan dan fasilitas kesehatan, jumlah peserta ASKESKIN, jumlah surat miskin, jumlah penderita wabah penyakit dan yang meninggal, Jumlah aparat desa dan keamanan, Fasilitas Ibadah, Intensitas Konflik, peta. PODES BPS Principal Component Analysis Cluster Analysis Discriminant Analysis Analisis Kuadran Peta Konfigurasi tingkatan Pembangunan Kesehatan, Pendidikan dan Sosial, serta Pola Spasial tipologi Pembangunan ManusiaSosial 3. Memetakan pola spasial Aktivitas Ekonomi. Luas panen padi, produksi tanaman pangan lain, produksi hasil perkebunan, populasi ternak besar, kecil dan unggas, jumlah dan jenis industri, koperasi , perdagangan dan hotel, jumlah surat izin industri dan perdagangan yang dikeluarkan, intensitas bencana dan luasan penggunaan lahan, peta. PODES BPS Principal Component Analysis Cluster Analysis Discriminant Analysis Analisis Kuadran Peta konfigurasi sebaran aktivitas sektor pertanian dan industriperdagangan, dan pola spasial tipologi 4. Menganalisis Keterkaitan Variabel Pembangunan ManusiaSosial dan aktivitas ekonomi dengan kemiskinan. - Indeks Komposit Kemiskinan, pembangunan manusiasosial dan aktivitas ekonomi - Jarak ketetanggaan Hasil analisis 1, 2 dan 3 BAPPEDA Multiple regression Spatial Durbin Model Hubungan fungsional antara kemiskinan dengan variabel- variabel Pembangunan ManusiaSosial dan aktivitas ekonomi 5. Menyusun arahan kebijakan penanganan kemiskinan - Pola Spasial Tipologi Kemiskinan, pembangunan manusiasosial dan aktivitas ekonomi. - Data-data statistik dan hasil analisis penelitian terkait. Hasil analisis 1, 2,3 dan 4. Cluster Analysis Analisis Deskriptif Susunan arahan penanganan kemiskinan 35 36 Pangsa data dihitung dengan persamaan berikut : PA i = ∑A i ∕ ∑A tot Keterangan: PA i = pangsa data aktivitas i ∑A i = jumlah aktivitas di wilayah i ∑A tot = jumlah aktivitas di total wilayah agregat Rasio data dihitung dengan persamaan berikut : rasA i = ∑A i ∕ ∑Pd i Keterangan: rasA i = rasio data aktivitas i ∑A i = jumlah aktivitas di wilayah i ∑Pd i = jumlah penduduk di wilayah i Variabel pangsarasio diortogonalisasi dengan menggunakan teknik Principal Component Analysis PCA menjadi variabel yang saling lepas dan menjadi penciri wilayah Lampiran 1. Penciri utama adalah faktor dengan eigenvalue -nya satu atau lebih dan variabel yang terkait dengan penciri utama adalah variabel yang factor loading-nya lebih dari 0,7. Penciri wilayah dimanfaatkan untuk mengelompokkan klaster wilayah berdasarkan kedekatan jarak Euclidean distance penciri menggunakan Cluster Analysis dengan tiga klasifikasi penciri tinggi, sedang, rendah. Hasil klasifikasi menjadi atribut untuk menghasilkan peta konfigurasi dengan memanfaatkan ArcGIS 9.3, dimana warna hijau menjelaskan penciri dengan tingkatan pencapaian baik, warna kuning untuk penciri dengan pencapaian sedang, dan warna merah untuk pencapaian buruk. Pembeda dari klaster ditentukan dengan Discriminant Analysis , dimana pembeda yang paling signifikan adalah penciri dengan p-level yang kurang dari 0,01. Konfigurasi wilayah yang dihasilkan dari formasi penciri di tingkat kecamatan menjadi pembobot untuk kabupatenkota, dimana bobot tersebut digunakan untuk membangun pola spasial kabupatenkota dengan teknik analisis kuadran. Pola spasial kelompok analisis dalam penelitian ini terdiri atas: 1 konfigurasi sebaran keluarga miskin dengan sebaran penduduk yang membentuk pola spasial tipologi kemiskinan; 2 konfigurasi pembangunan manusia dengan pembangunan sosial membentuk pola spasial tipologi pembangunan manusiasosial; dan 3 konfigurasi aktivitas sektor pertanian dengan sektor industriperdagangan membentuk pola spasial tipologi aktivitas ekonomi. 37 Penciri-penciri yang dihasilkan dari Analisis Komponen Utama dimanfaatkan pula untuk menganalisis keterkaitan antara variabel-variabel pembangunan manusiasosial dan aktivitas ekonomi dengan kemiskinan melalui analisis regresi bobot berganda yang membentuk Spatial Durbin Model. Model yang terbentuk dengan koefisien korelasi berganda R dan koefisien determinasi R 2 mendekati satu adalah model yang lebih tepat menggambarkan keterkaitan. Bobot dari setiap kabupatenkota berikutnya dianalisis untuk menjadi dasar penyusunan tipologi wilayah kabupatenkota berdasarkan pola spasial kemiskinan, pembangunan manusiasosial, dan aktivitas ekonomi. Tipologi kabupatenkota dan variabel-variabel yang terkait secara fungsional dijadikan dasar arahan penanganan kemiskinan dan didukung analisis deskriptif dari teori-teori yang terkait permasalahan pembangunan. Hasil-hasil penelitian sebelumnya dimanfaatkan untuk memperkuat arahan yang disusun. Keseluruhan analisis dalam penelitian ini ditampilkan pada Gambar 4. Gambar 4 Bagan Alir Penelitian. 38

3.5 Teknik Analisis Data

3.5.1 Pemetaan Pola Spasial Kemiskinan

Variabel-variabel yang terkait dengan kemiskinan diortoganalisasi untuk mendapatkan penciri utamanya yang diperlukan untuk membentuk dua konfigurasi, yaitu konfigurasi sebaran keluarga miskin dan konfigurasi sebaran jumlah penduduk. Factor score dari penciri konfigurasi sebaran keluarga miskin dan konfigurasi sebaran penduduk diklaster dengan teknik Cluster Analysis dan untuk mendapatkan pembeda pada setiap klaster konfigurasi digunakan teknik Discriminant Analysis . Wilayah kecamatan unit analisis dikelompokkan berdasarkan tingkat capaian setiap pembeda, hingga diperoleh kategori tinggi, sedang, dan rendah. Penciri menjadi atribut unit analisis dan ditampilkan secara spasial untuk menghasilkan konfigurasi spasialnya. Sebaran keluarga miskin dan sebaran penduduk tinggi menggunakan tampilan warna merah, sebaran sedang dengan tampilan kuning, dan sebaran rendah dengan tampilan hijau. Persentase kecamatan yang ada pada setiap klaster di tingkat kabupatenkota dikalikan bobot klaster untuk menghasilkan bobot tipologi spasial tingkat kabupatenkota sebagai nilai yang akan di-plot dalam analisis kuadran. Bobot klaster konfigurasi ditunjukkan pada Tabel 5. Tabel 5 Bobot Klaster pada pola spasial tipologi kemiskinan Konfigurasi Bobot Klaster Tinggi Sedang Rendah Konfigurasi sebaran keluarga miskin 3 2 1 Konfigurasi sebaran penduduk 3 2 1 Dari konfigurasi sebaran keluarga miskin dan sebaran penduduk membentuk empat pola spasial, yaitu: 1 di kuadran pertama untuk wilayah dengan pola sebaran keluarga miskin dan sebaran jumlah penduduk tinggi; 2 di kuadran kedua untuk wilayah dengan pola sebaran keluarga miskin rendah dan sebaran jumlah penduduk tinggi; 3 di kuadran ketiga untuk wilayah dengan pola sebaran keluarga miskin dan sebaran jumlah penduduk rendah; dan 4 di kuadran keempat untuk wilayah dengan pola sebaran keluarga miskin tinggi dan sebaran jumlah penduduk rendah. Keseluruhan alur analisis pemetaan pola spasial tipologi kemiskinan ditunjukkan pada Gambar 5.