Analisis Indeks dan Status Keberlanjutan Multidimensi Sistem Produksi Padi Sawah

Moh. Nazam, 2011_PSL_SPs_IPB 72 metrik skala ordinal maupun nominal, juga merupakan teknik statistik yang mencoba melakukan transformasi multi dimensi ke dalam dimensi yang lebih rendah Fauzi dan Anna, 2005. Analisis ordinasi Rap-Sisprodi dilakukan melalui tahapan: 1 penentuan atribut; 2 penilaian setiap atribut dalam skala ordinal Rap Scores berdasarkan kriteria keberlanjutan multidimensi; 3 analisis ordinasi Rap Analysis untuk menentukan ordinasi dan nilai stress; 4 penyusunan indeks dan status keberlanjutan sistem multidimensi maupun setiap dimensi Distances; 5 analisis sensitivitas Leverage Analysis untuk melihat atribut atau peubah yang sensitif berpengaruh. Atribut yang sensitif memberikan kontribusi terhadap keberlanjutan multidimensi yang dapat dilihat dalam bentuk perubahan Root Mean Square RMS, khususnya pada sumbu X skala sustainabilitas. Semakin besar nilai perubahan RMS semakin besar peranan atribut tersebut atau semakin sensitif dalam pembentukan nilai keberlanjutan, dan 6 evaluasi pengaruh galat Error acak dengan menggunakan analisis Monte Carlo untuk mengetahui: a pengaruh kesalahan pembuatan skor atribut, b pengaruh variasi pemberian skor, c stabilitas proses analisis MDS yang berulang-ulang, d kesalahan pemasukan atau hilangnya data missing data, dan e nilai stress. Setiap dimensi diwakili oleh atribut atau peubah keberlanjutan. Indikator keberlanjutan sistem yang dikaji pada setiap dimensi diturunkan dari gabungan antara konsep pertanian berkelanjutan yang diperoleh dari berbagai sumber, antara lain: Smith dan Mc Donald 1998, Chen 2000, FAO 2005, Dale and Beyeler 2001, Blakeney 1996 serta konsep ketahanan pangan dari Saad 1999. Atribut setiap dimensi dan kriteria baik atau buruk mengikuti konsep yang digunakan Fisheries Com 1999 dan Fisheries Center 2002 serta pendapat dari para pakarstakeholder terkait. Nilai indeks dan status keberlanjutan dikelompokkan ke dalam 4 kategori, seperti ditunjukkan pada Tabel 4.3. Tabel 4.3. Nilai indeks dan kategori keberlanjutan Nilai Indeks Kategori Keberlanjutan 00,00 – 25,00 Buruk; Tidak Berkelanjutan 25,01 – 50,00 Kurang; Kurang Berkelanjutan 50,01 – 75,00 Cukup; Cukup Berkelanjutan 75,01 – 100,00 Baik; Sangat Berkelanjutan Setiap atribut diperkirakan skornya, yaitu skor 3 untuk kondisi baik good, 0 berarti buruk bad dan di antara 0-3 untuk keadaan di antara baik dan buruk. Moh. Nazam, 2011_PSL_SPs_IPB 73 Skor definitifnya adalah nilai modus, yang dianalisis untuk menentukan titik-titik yang mencerminkan posisi keberlanjutan relatif terhadap titik baik dan buruk dengan teknik ordinasi statistik MDS. Skor perkiraan setiap dimensi dinyatakan dengan skala terburuk bad 0 sampai yang terbaik good 100. Nilai indeks 50 dapat dinyatakan bahwa sistem yang dikaji telah berkelanjutan, sebaliknya 50 sistem tersebut belum atau tidak berkelanjutan Pada ruang atribut dua dimensi ini, sumbu X mewakili derajat keberlanjutan dari buruk sampai baik, sedangkan dimensi lainnya yaitu sumbu Y mewakili faktor-faktor lainnya. Perbandingan keberlanjutan antar dimensi dilakukan dan divisualisasikan dalam bentuk diagram layang-layang kite diagram. Pendekatan MDS memberikan hasil yang stabil Pitcher and Preikshot, 2001 dibandingkan dengan metoda multivariate analysis yang lain, seperti Factor Analysis. Dalam MDS, dua titik atau obyek yang sama dipetakan dalam satu titik yang saling berdekatan. Sebaliknya obyek atau titik yang tidak sama digambarkan dengan titik-titik yang berjauhan. Teknik ordinasi atau penentuan jarak di dalam MDS didasarkan pada Euclidian Distances yang dalam ruang berdimensi n dapat ditulis sebagai berikut:   ....... z z y y x x 2 2 1 2 2 1 2 2 1        d ……………....6 dimana : d : distance jarak antar titik euclidian x 1 - x 2 : selisih nilai atribut x y 1 - y 2 : selisih nilai atribut y z 1 - z 2 : selisih nilai atribut z Konfigurasi atau ordinasi dari suatu obyek atau titik di dalam MDS kemudian diaproksimasi dengan meregresikan jarak Euclidian d ij dari titik i ke titik j dengan titik asal σ ij sebagaimana persamaan berikut:       ij ij d ……………………………………………………..7 dimana : d ij : jarak euclidian dari titik i ke titik j α : konstanta β : koefisien regresi σ ij : nilai euclidian dari titik i ke titik j ε : Standar error Teknik yang digunakan untuk meregresikan persamaan di atas adalah Algoritma ALSCAL Alder et al., 2000 dalam Fauzi dan Anna, 2005, merupakan metode yang paling sesuai untuk Rapfish dan mudah tersedia pada hampir setiap software statistika SPSS dan SAS. Metode ALSCAL mengoptimisasi Moh. Nazam, 2011_PSL_SPs_IPB 74 jarak kuadrat square distance = d ijk terhadap data kuadrat titik asal = o ijk , yang dalam tiga dimensi i, j, k ditulis dalam formula yang disebut S-Stress sebagai berikut:                       2 4 2 2 1 1 i j ijk i j ijk ijk m k o o d m s ……………………………….8 dimana : s : nilai stress m : banyaknya atribut d ijk : jarak euclidian dalam dimensi ke i, j, k o ijk : nilai titik asal pada dimensi ke i, j, k Dimana jarak kuadrat merupakan jarak Euclidian yang dibobot atau ditulis:   2 1 2 ja ia r a ka k x x w d     ………………………………………...……9 dimana : d k 2 : jarak kuadrat euclidian dari titik i ke titik j dari masing-masing dimensi k w ka : jumlah titik yang masuk dalam wilayah pada dimensi k dari level ke a x ia : nilai titik x pada level ke a dari atribut ke i x ja : nilai titik x pada level ke a dari atribut ke j a : level 1,2,........,r k : dimensi 1,2,.....,5 dimensi ekologi, ekonomi, sosial, kebijakan- kelembagaan dan teknologi-infrastruktur Goodness of fit dalam MDS tercermin dari besaran nilai S-Stress S dan koefisien determinasi R 2 . Nilai S yang rendah menunjukkan goodness of fit, sedangkan nilai S yang tinggi menunjukkan sebaliknya. Model yang baik apabila nilai S 0,25 dan nilai R 2 80 atau mendekati satu Malhotra, 2006.

4.4.5. Analisis Prospektif

Analisis prospektif merupakan salah satu analisis yang banyak digunakan untuk merumuskan alternatif kebijakan berupa skenario strategis yang berkaitan dengan pengelolaan sumberdaya alam, industri ataupun masalah lainnya untuk mencapai kondisi yang efektif dan efisien di masa yang akan datang Bourgeois, 2007. Analisis prospektif dapat digunakan sebagai alat untuk mengekplorasi dan mengantisipasi melalui skenario, dapat juga sebagai alat normatif yang merupakan pendekatan berorientasi tindakan yang dimulai dari visi terpilih mengenai masa depan dan menentukan jalur untuk mencapainya. Analisis prospektif tidak berfokus pada optimasi solusi, tetapi pada penyediaan berbagai Moh. Nazam, 2011_PSL_SPs_IPB 75 macam pilihan dan tujuan bagi para pembuat keputusan dan turut merancang serangkaian alternatif ketimbang memilih alternatif terbaik. Dalam penelitian ini, analisis prospektif digunakan untuk mengidentifikasi faktor-faktor dominan faktor kunci dengan melihat pengaruh langsung antar faktor terhadap sistem atau obyek penelitian. Analisis prospektif dilakukan melalui tiga tahapan, yaitu tahap pertama, penentuan faktor-faktor kunci pada kondisi saat ini existing condition dari hasil analisis MDS; tahap kedua, penentuan faktor-faktor kunci hasil analisis kebutuhan need analysis dari stakeholder; tahap ketiga, penentuan faktor-faktor kunci dari hasil analisis gabungan antara hasil analisis tahap pertama dan kedua atau gabungan antara existing condition dan need analysis. Hasil akhir dari analisis prospektif adalah faktor dan sebarannya dalam suatu diagram yang terbagi dalam empat kuadran yang menggambarkan tingkat pengaruh dan ketergantungan dari setiap faktor yang dianalisis terhadap sistem produksi padi sawah. Faktor-faktor pada setiap kuadran mempunyai karakteristik yang berbeda dan dapat di ”adjust” untuk memperoleh skenario strategis Bourgeois and Jesus, 2004. Faktor pada kuadran pertama disebut faktor penentu atau penggerak driving variables. Faktor-faktor ini mempunyai pengaruh kuat namun ketergantungannya kurang kuat, sehingga termasuk ke dalam kategori faktor paling kuat dalam sistem yang dikaji. Kuadran dua berisi faktor-faktor yang disebut sebagai faktor penghubung leverage variables, yaitu faktor yang menunjukkan pengaruh dan ketergantungan yang kuat antar faktor, sehingga faktor-faktor dalam kuadran ini sebagian dianggap sebagai faktor atau peubah yang kuat. Faktor-faktor pada kuadran tiga disebut sebagai faktor terikat output variables, yaitu faktor yang mewakili output, dimana pengaruhnya kecil tetapi ketergantungannya tinggi. Kuadran empat bersisi faktor-faktor yang disebut faktor bebas marginal variables, yaitu faktor yang pengaruh maupun tingkat ketergantungannya rendah, sehingga dalam sistem bersifat bebas. Tahapan berikutnya dari analisis prospektif adalah analisis morfologis yang bertujuan memperoleh domain kemungkinan masa depan agar skenario strategis yang dibuat konsisten, relevan dan terpercaya. Tahapan ini dilakukan dengan mendifinisikan beberapa keadaan yang mungkin terjadi di masa depan dari semua faktor kunci yang diperoleh dari hasil analisis prospektif. Keadaan yang mungkin terjadi di masa mendatang dari setiap faktor kunci dalam penelitian ini