Analisis Location Quotient LQ Analisis Komponen Utama Principal Components AnalysisPCA

     n i n j ij ij P P S 1 1 ln I – O Sektor 1 2 3 4 Sektor 1 Produk si 2 3 X ij 4 Jika digambarkan dalam suatu grafik, hubungan antara nilai S dengan seluruh kemungkinan peluangnya akan berbentuk kurva kuadratik berikut ini: S O 1 1 P i n Dari grafik tersebut diketahui nilai maksimum entropi diperoleh pada saat nilai peluangnya sama dengan 1n , dimana n adalah jumlah titik sektorkomponenjangkauan spasial.

2. Analisis Location Quotient LQ

Analisis model LQ digunakan untuk melihat sektor basis atau non basis pada suatu wilayah perencanaan dan dapat mengidentifikasi sektor unggulan atau keunggulan komparatif suatu wilayah Panuju dan Rustiadi, 2005. Analisis dalam penelitian ini digunakan untuk mengidentifikasi variabel indikator pada data PDRB kabupatenkota dengan 9 sektor, meliputi sektor: 1 pertanian; 2 pertambangan penggalian; 3 industri pengolahan; 4 listrik air bersih; 5 bangunan; perdagangan, 6 hotel restoran; 7 pengangkutan komunikasi; 8 keuangan, persewaan jasa perusahaan; 9 dan Jasa-jasa. Selain itu, data APBD kabupatenkota dengan 24 bidang penganggaran belanja langsung di Provinsi Banten juga menggunakan analisis LQ untuk mengindentifikasi variabel indikator. Nilai LQ diketahui melalui rumus sebagai berikut: . . .. ij i ij j X X LQ X X  Keterangan: LQ ij = bobot lokasilokal kabupatenkota i untuk sektorbidang j. X ij = derajat aktivitas sektorbidang j pada kabupatenkota i. X i. = derajat aktivitas total di kabupatenkota i. X .j = derajat aktivitas total sektorbidang j di Provinsi Banten. X .. = total seluruh sektorbidang di Provinsi Banten. Kriteria penilaian dalam penentuan ukuran derajat basis bobot lokasi adalah jika nilai indeks LQ lebih besar atau sama dengan satu LQ≥1, maka pada lokasi tersebut terjadi pemusatan aktivitas, sedangkan apabila nilainya kurang dari satu LQ1 berarti pada lokasi tersebut tidak terjadi pemusatan aktivitas pada kegiatan perekonomian wilayah Provinsi Banten.

3. Analisis Komponen Utama Principal Components AnalysisPCA

Untuk mengetahui tingkat korelasi atau keterkaitan antar variabel-variabel indikator perkembangan suatu wilayah biasa digunakan teknik komputasi melalui analisis faktor atau Factor Analysis FA dalam Principal Components Analysis PCA Harman 1967. Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan mereduksi dimensinya. Hali ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component . Keuntungan penggunaan Principal Components Analysis PCA dengan metode lain yaitu: 1 dapat menghilangkan korelasi secara bersih korelasi = 0, sehingga masalah multikolinearitas dapat benar-benar teratasi secara bersih; 2 dapat digunakan untuk segala kondisi datapenelitian; 3 dapat dipergunakan tanpa mengurangi jumlah variabel asal; 4 meskipun metode regresi dengan PCA ini memiliki tingkat kesulitan yang tinggi, kesimpulan yang diberikan lebih akurat dibandingkan dengan penggunaan metode lain Soemartini 2008. Teknik ekstraksi data dengan Principal Components Analysis PCA 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  =1,2,...,qp yang memiliki karakteristik: a. satu sama lain tidak saling berkorelasi, yakni: r ’ = 0, b. nilai rataan masing-masing, tetap sama dengan nol, dan c. nilai ragam masing-masing Z  sama dengan    0, dimana     = p. 2. Penyederhanaan jumlah variabel Mengurutkan masing-masing factorkomponen utama F  yang dihasilkan, dari yang memiliki eigenvalue   tertinggi hingga terendah, yakni : a. memilih faktor-faktor atau komponen-komponen utama yang memiliki    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   -   - 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 j |  0.7 Hal ini dimaksudkan agar setiap faktor atau komponen utama yang terpilih, paling tidak memiliki satu penciri dominan dari variabel asalnya. Hasil Principal Components Analysis PCA antara lain: o Akar ciri eigenvalue 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. o Proporsi dan komulatif akar ciri, nilai pembobot eigen vector merupakan parameter yang menggambarkan hubungan setiap peubah dengan komponen utama ke-i. o Component score adalah nilai yang menggambarkan besarnya titik-titik data baru dari hasil komponen utama dan digunakan setelah PCA. o PC loading menggambarkan besarnya korelasi antar variabel awal dengan komponen ke-i. PC scores ini yang digunakan jika terjadi analisis lanjutan setelah PCA. Factor Loadings L  adalah sama dengan Factor Score Coefficients C  kali Eigenvalue Faktor atau Komponen Utamanya   . Gambar 9 Tahapan Analisis Principal Components Analysis. Seleksi variabel indikator dalam penelitian ini digunakan metode Analisis Komponen Utama Principal Components AnalysisPCA dengan teknik komputasi melalui aplikasi STATISTICA for Windows. Data yang akan dianalisa diantaranya adalah data: 1 LQ PDRB kabupatenkota tahun 2003 sampai dengan Set Variabel PCA Analysis Factor Factor Loading Adakah variabel factor loading yang tidak nyata untuk semua factor? Tidak Ada Ada Selesai Pilah data set data variabel tahun 2007 dan indeks diversitasnya; dan 2 LQ APBD kabupatenkota tahun 2003 sampai dengan tahun 2007 dan diversitasnya.

4. Tipologi Wilayah Berdasarkan Pola Penganggaran dan Kinerja