39
Bahan dan Alat
Bahan dan alat yang digunakan berupa seperangkat komputer dengan perangkat lunak Arc View 3.3, Statistika 6, Minitab, Microsoft Word, Microsoft
Excel, peta administrasi, peta topografi dan alat tulis lainnya.
Pengumpulan Data
Dalam penelitian ini, data yang dikumpulkan Lampiran 1 bersumber dari dinasinstasi yang terkait seperti BAPPEDA Kabupaten Agam, BPS Kabupaten
Agam, dan pihak-pihak yang terkait lainnya. Data yang digunakan adalah data sekunder, yang terdiri dari data kuantitatif dan kualitatif yang berasal dari data
Podes, Kabupaten Agam dalam angka ADA, aliran barangorang Tatrawil, serta kecamatan dalam angka KCDA. Selain itu juga digunakan peta-peta
seperti Peta Administrasi Kabupaten, Peta Tanah, Peta Kemampuan Lahan, Peta Penggunaan Lahan, Peta Topografi, Peta Jaringan Jalan, Peta Status Kawasan
Hutan, Peta Kelerengan, dan Peta RTRW.
Analisa Data
Untuk memecahkan permasalahan-permasalahan dan mengurangi dampak negatifnya, maka dilakukan penelitian dengan mempergunakan berbagai alat
analisis seperti: 1 Analisis Tipologi Wilayah, terdiri dari: Principal Components Analysis
PCA, Analisis Gerombol Cluster Analysis, dan Analisis Diskriminan Discriminant Function Analysis;
2 Analisis Hirarki Wilayah Skalogram, 3 Analisis Interaksi Spasial Model Gravitasi , 4 Analisis Tingkat Kesenjangan,
yakni: Indeks Williamson dan Analisis faktor-faktor penyebab kesenjangan Regresi berganda, 5 Analisis Keberagaman Aktivitas Model Enthropi,
6 Analisis Deskriptif, dan 7 Analisis Spasial. Adapun rincian mengenai analisa data dalam penelitian ini adalah sebagai
berikut :
1. Principal Components Analysis
Principal Components Analysis PCA digunakan untuk menghindari kasus
multikoliniearitas. PCA juga digunakan untuk mendapatkan variabel baru dalam jumlah yang lebih kecil.
40 Adapun maksud dari analisis ini adalah untuk mengelompokkan variabel-
variabel yang sebelumnya memiliki jumlah yang sangat besar tersebut direduksi menjadi beberapa variabel dengan jumlah lebih kecil yang didasarkan pada nilai
eigenvalue nya. Sedangkan tujuan dasarnya adalah:
1. Ortogonalisasi variabel, mentransformasikan suatu struktur data dengan variabel-variabel yang saling berkolerasi menjadi struktur data baru dengan
variabel baru yang disebut dengan principal components atau faktor yang tidak saling berkolerasi;
2. Penyederhanaan variabel, banyaknya variabel baru yang dihasilkan, jauh lebih sedikit dari pada variabel asalnya, tapi total kandungan informasinya total
ragamnya relatif tidak berubah Saefulhakim, 2004; Iriawan Astuti, 2006. Data yang digunakan adalah data yang berasal dari Podes 2006, Kabupaten
Agam dalam Angka 2006, dan Database Kabupaten Agam 2005. Data yang sebelumnya berjumlah 123 seratus dua puluh tiga variabel kemudian diseleksi
menjadi 53 lima puluh tiga variabel Lampiran 2. Variabel yang dipergunakan dalam analisis ini didasarkan atas karakterisasi dan pengelompokan nagari-nagari
di wilayah studi dengan variabel-variabel untuk berbagai sumber daya yang dimilikinya. Sumber-sumber daya tersebut dikelompokkan ke dalam 4 empat
kategori, yaitu: 1 sumber daya alam SDA; 2 sumberdaya buatan SDB; 3 sumber daya manusia SDM; 4 sumber daya sosial-kelembangaan SDS.
Tinggi rendahnya kualitas sumber daya alam SDA yang dimiliki oleh suatu wilayah ditunjukkan oleh variasi dan besar kecilnya daya dukung alamiah
wilayah tersebut. Sesuai dengan data yang tersedia dalam studi ini, indikator kualitas SDA didekati dengan variabel-variabel operasional sebagai berikut:
1. Kepadatan penduduk jumlah penduduk per luas nagari 2. Intensitas dan variasi daya dukung lahan luas lahan sawah per luas nagari
3. Posisi desa dalam tata ruang wilayah jarak pusat desa yang bersangkutan ke pusat kecamatan yang membawahi, jarak fasilitas-fasilitas pendidikan dan
kesehatan dari pusat nagari. Tinggi rendahnya kualitas sumber daya buatan SDB yang dimiliki oleh
suatu wilayah ditunjukkan oleh variasi dan besar kecilnya ketersediaan infrastruktur fisik di wilayah tersebut. Dalam penelitian ini, sesuai dengan data
41 tersedia, indikator SDB didekati dengan variabel-variabel operasional sebagai
berikut: 1. Fasilitas perekonomian jumlah supermarketpasar swalayanminimarket per
jumlah penduduk 2. Fasilitas pendidikan jumlah SD, SMP, SMA per jumlah usia sekolah
3. Fasilitas kesehatan
jumlah rumah
sakit BKIApoliklinik
puskesmaspuskesmas pembantubalai pengobatanapotikposyandu per jumlah penduduk
4. Fasilitas peribadatan jumlah masjidsuraulanggar gereja kapel vihara per jumlah penduduk
5. Fasilitas pariwisata jumlah hotelpenginapanobjek wisata per jumlah penduduk
6. Fasilitas komunikasi dan informasi jumlah wartelkiosponwarparpostel Tinggi rendahnya kualitas sumber daya manusia SDM suatu wilayah
ditunjukkan oleh tinggi rendahnya kapabilitas moral, intelektualitas, kekuatan, dan kesehatan fisik, daya beli, mobilitas, aksesibilitas informasi, dan
kewirausahaan individu-individu manusia yang ada di wilayah tersebut. Dalam studi ini, sesuai dengan data tersedia, indikator kualitas SDM didekati dengan
variabel-variabel operasional sebagai berikut: 1. Kuantitas penduduk jumlah keluarga yang menggunakan listrik PLNnon
PLN per jumlah penduduk, jumlah keluarga yang tinggal ditepi sungai per jumlah penduduk
2. Kesehatan indeks ketersediaan dokter di nagari 3. Daya beli jumlah keluarga prasejahtera per jumlah rumah tangga
4. Aksesibilitas informasi
jumlah rumah
tangga yang
memiliki teleponTVantena parabola PLN per jumlah rumah tangga.
Tinggi rendahnya kualitas sumber daya sosial SDS yang dimiliki oleh suatu wilayah ditunjukkan oleh kegiatan sosial dan kelompok-kelompok sosial
di wilayah tersebut. Data SDS yang digunakan adalah kerapatan kelembagaan. Variabel tersebut dipilih karena merupakan indikator-indikator pembangunan
yang ada relevansinya dengan analisis dan kajian.
42 Selanjutnya PCA dilakukan beberapa kali hingga diperoleh nilai PC Score
terbaik, yaitu PC Score dengan nilai akar ciri eigenvalues diatas 70 persen; jumlah faktor-faktor baru yang diperoleh pada tabel factor loading dibawah dua
puluh; dan korelasi antar variabel-variabel asal dengan faktor-faktor baru pada factor loading
dapat diinterpretasikan secara logis.
2. Analisis Gerombol Cluster Analysis
