35 2. Melakukan seleksi terhadap data-data kualitatif tadi sehingga hanya data-data
yang relevan saja yang akan digunakan. 3. Melakukan rasionalisasi data.
4. Melakukan seleksi terhadap data-data hasil rasionalisasi hingga diperoleh 36 variabel untuk analisis skalogram. Variabel-variabel yang digunakan pada
metode ini adalah variabel-variabel yang secara signifikan mencirikan tingkat perkembangan desa-desa di Kabupaten Sambas, Propinsi Kalimantan Barat.
Variabel-variabel tersebut selengkapnya disajikan pada Lampiran 1. 5. Berikutnya, melakukan standarisasi data terhadap 36 variabel tadi.
6. Menentukan indeks perkembangan desa IPD dan kelas hirarkinya, kemudian diplotkan pada peta dasar.
Pada penelitian ini, IPD dikelompokkan ke dalam tiga kelas hirarki, yaitu kelas hirarki I tinggi, kelas hirarki II sedang dan kelas hirarki III rendah.
Penentuannya didasarkan atas nilai standar deviasi IPD St dev, nilai rataan IPD, dan nilai rataan IPD dijumlah dengan dua kali nilai standar deviasinya. Nilai yang
didapat untuk selang hirarki dan digunakan untuk menentukan kelas hirarki dapat
dilihat pada Tabel 2.
Tabel 2. Nilai Selang Hirarki Pusat Pelayanan
No. Nilai Selang x
Kelas Hirarki Tingkat Hirarki
1. x [rataan IPD + 2 Stdev IPD]
I Tinggi
2. rataan x 2 Stdev
II Sedang
3. x rataan
III Rendah
3.4.2. Analisis Komponen Utama Principal Component Analysis atau PCA
Pada penelitian ini, data yang digunakan untuk analisis PCA adalah data PODES 2003 kuantitatif yang melalui proses rasionalisasi dan terdiri dari 56
variabel. Variabel-variabel tersebut adalah variabel-variabel yang mencirikan
tipologi wilayah desa-desa di Kabupaten Sambas seperti tertera pada Lampiran 2.
36 Analisis komponen utama terhadap data tersebut dilakukan beberapa kali
hingga diperoleh tabel nilai PC scores terbaik, yaitu : PC scores dengan nilai akar ciri eigenvalues diatas 70; jumlah faktor-faktor baru yang diperoleh pada tabel
factor loading dibawah sepuluh; dan korelasi antar variabel-variabel asal dengan
faktor-faktor baru pada factor loading dapat diinterpretasikan secara logis. 3.4.3. Analisis Gerombol Cluster Analysis
Analisis gerombol Cluster Analysis mengelompokkan desa-desa berdasarkan kemiripan karakteristiknya. Penggerombolan dilakukan dengan
teknik non hirarki-K-means-clustering metode Ward’s. Desa -desa di lokasi studi dikelompokkan ke dalam tiga gerombol cluster, yang mana desa-desa yang
berada di dalam satu gerombol memiliki ukuran kehomogenitasan atau kemiripan yang relatif hampir sama. Unit data untuk analisis gerombol adalah data PC
scores hasil PCA. Sedangkan hasilnya adalah anggota cluster.
3.4.4. Analisis Fungsi Diskriminan Discriminant Function Analysis
Analisis fungsi diskriminan Discriminant Function Analysis atau DFA akan menentukan sifat dan ciri utama kelompok yang telah ditentukan melalui
analisis gerombol. Data yang diperlukan untuk DFA adalah data indeks cluster sebagai variabel
tujuan dan PC scores PCA sebagai variabel penjelas.
3.4.5. Analisis Regresi Berganda Multiple Regression Analysis
Analisis regresi berganda dilakukan untuk merumuskan model pendugaan terhadap faktor-faktor yang mempengaruhi tingkat perkembangan desa.
Data yang diperlukan untuk analisis ini adalah data IPD sebagai variabel tujuan dan PC scores PCA sebagai varibel penjelas.
37
Gambar 3. Skema Alur Metodologi Penelitian
Factor Loading
56 variabel penentu
tipologi wilayah rasionalisasi
Indeks Perkembangan Desa IPD
seleksi
Analisis Komponen Utama PCA
seleksi R
2
, eigenvalues
Factor Scores
skalogram termodifikasi
Clustering Analysis Member of Each Cluster
anggota cluster
Tipologi Wilayah Analisis Fungsi
Diskriminan DFA
Fungsi Tiap Tipologi
Faktor Penciri Tipologi
Analisis Regresi Berganda
Metode Forward Stepwise
Hirarki Desa 36 variabel penentu tingkat
perkembangan desa
ModelPersamaan Penentu Tingkat
Perkembangan Desa Peta
Hirarki Desa
variabel kuantitatif
variabel kuantitatif
PODES 2003
seleksi
38
IV. KONDISI UMUM LOKASI PENELITIAN