pada wilayah yang keterkaitannya tinggi lebih efektif menangangani kemiskinan dibandingkan pada wilayah yang keterkaitannya rendah. Dampak penurunan
kemiskinan bersifat spillover pada serentetan wilayah dengan kemiskinan yang tinggi.
2.7 Principal Component Analysis PCA
Principal Component Analysis PCA atau Analisis Komponen Utama
digunakan untuk
mengelompokkan variabel-variabel
penentu tingkat
perkembangan wilayah menjadi beberapa faktor-faktor utama yang lebih sedikit dari jumlah variabel awalnya, namun masih memuat sebagian besar
varianinformasi dari data aslinya. Data yang digunakan dalam analisis ini bersifat kuantitatif melalui proses rasionalisasi yaitu variabel-variabel yang dapat
mencirikan tipologi wilayah. Untuk melakukan perhitungan dengan metode ini digunakan aplikasi statistica.
Adapun maksud dari analisis ini adalah untuk mengelompokkan beberapa variabel yang memiliki kemiripan untuk dijadikan satu faktor, sehingga
dimungkinkan dari beberapa atribut yang mempengaruhi suatu komponen variabel dapat diringkas menjadi beberapa faktor utama yang jumlahnya lebih sedikit.
Menurut Saefulhakim 2006 ada dua tujuan dasar dari PCA, yaitu: 1. 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. 2. Penyederhanaan Variabel: banyaknya variabel baru yang dihasilkan, jauh
lebih sedikit dari pada variabel asalnya, tetapi total kandungan informasinya total ragamnya relatif tidak berubah.
Teknik ekstraksi data dengan 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 analisis ini adalah : 1. Ortogonalisasi Variabel
Tujuannya adalah membuat variabel baru Z =1,2,...,qp yang memiliki karakteristik:
1 satu sama lain tidak saling berkorelasi, yakni: r’ = 0,
2 nilai rataan masing-masing, tetap sama dengan nol, dan 3 nilai ragam masing-masing Z sama dengan 0, dimana = p.
2. Penyederhanaan jumlah variabel Mengurutkan masing-masing faktorkomponen utama F yang dihasilkan,
dari yang memiliki eigenvalue λ 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 - - 11. Sebagai alternatif lain digunakan juga metode
The Scree Test yang diperkenalkan oleh Catell dimana dari hasil scree 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 | rj|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 yang dihasilkan dari analisis, semakin besar nilai eigen value, maka semakin besar pula keragaman data awal yang mampu
dijelaskan oleh data baru. Componentfactor score adalah nilai yang menggambarkan besarnya titik-titik
data baru dari hasil komponen utama dan digunakan setelah PCA. Factor loading menggambarkan besarnya korelasi antar variabel awal dengan
komponen ke-i. PC scores ini yang digunakan jika terjadi analisis lanjutan
