Analisis Komponen Utama Principal Component AnalysisPCA

dapat diketahui karateristik dan variabel-variabel apa saja yang paling berpengaruh terhadap masing-masing cluster perkembangan desa. Dalam prosesnya analisis multivariate ini dilakukan secara bertahap mulai dari analisis komponen utama, analisis kelompok dan analisis diskriminan.

3.3.2.1. Analisis Komponen Utama Principal Component AnalysisPCA

Analisis komponen utama Principal Component AnalysisPCA digunakan untuk mengetahui faktor-faktor utama penentu tingkat perkembangan suatu wilayah dan menemukan suatu variabel baru komponen utama yang tidak saling berkorelasi, yang mewakili variabel–variabel indikator pembangunan, dimana komponen utama tersebut masih mencerminkan informasi data aslinya sebab pada dasarnya merupakan kombinasi linear dari variabel asal. Komponen utama terbentuk dari satu atau lebih variabel asal. Dari PCA akan diperoleh bobot masing-masing variabel factor loading untuk setiap komponen utama yang dihasilkan. Semakin tinggi bobot satu atau lebih variabel asal dalam suatu faktor, maka faktor tersebut mewakili variabel-variabel yang berbobot tinggi. Menurut Saefulhakim 2006 dalam Priyanto 2010, tujuan dari PCA : 1. Ortogonalisasi Variabel : mentransformasikan suatu struktur data dengan variabel-variabel yang saling berkorelasi menjadi struktur data baru dengan variabel-variabel baru Komponen Utama atau Faktor yang tidak saling berkorelasi. 2. Penyederhanaan variabel : banyaknya variabel baru yang dihasilkan, jauh lebih sedikit dari pada variabel asal, tapi total kandungan informasinya total ragamnya relatif tidak berubah. Universitas Sumatera Utara Langkah-langkah dalam analisis PCA adalah : 1. Ortogonalisasi variabel, tujuannya adalah untuk membuat variabel baru Z α α = 1,2,...,qp yang memiliki karakteristik : • Satu sama lain tidak saling berkorelasi, yakni r αα’ = 0 • nilai rataan masing-masing tetap sama dengan nol, dan • nilai ragam masing-masing Z α sama dengan λ α ≥ 0, dimana Σ α λ α = p 2. Penyederhanaan jumlah variabel, diperoleh dengan mengurutkan masing- masing faktorkomponen utama F α yang dihasilkan, dari yang memiliki eigenvalue λ α tertinggi hingga terendah, yakni : a. Memilih faktor-faktor atau komponen-komponen utama yang memiliki λ α ≥ 1, artinya faktor atau komponen utama yang memiliki kandungan informasi ragam setara dengan informasi yang terkandung dalam satu variabel saja; b. Membuang faktor atau komponen utama yang memiliki eigenvalue antar dua faktor atau komponen utama yang berdekatantidak begitu signifikan, jika λ α - λ α-1 1; c. Menentukan faktor atau komponen yang memiliki koefisien korelasi nyata minimal satu variabel asal. Kriteria yang digunakan adalah I r αj I ≥ 0,7 dengan tujuan agar setiap faktor atau komponen utama yang terpilih paling tidak memiliki satu penciri dominan dari variabel asalnya. Universitas Sumatera Utara Hasil dari PCA akan didapatkan : 1. Akar ciri eigenvalue, merupakan suatu nilai yang menunjukkan keragaman dari peubah komponen utama yang dihasilkan. Semakin besar nilainya, maka semakin besar keragaman data awal yang mampu dijelaskan oleh data baru itu. 2. Component score merupakan nilai yang menggambarkan besarnya titik-titik data baru dari hasil komponen utama dan digunakan setelah PCA. 3. PC loading mengGambarkan besarnya korelasi antar variabel awal dengan komponen ke-i. PC scores ini yang digunakan jika terjadi analisis lanjutan setelah PCA. Analisis PCA pada penelitian ini digunakan data Potensi Desa 2011 yang dihasilkan oleh Badan Pusat Statistik BPS. Metode ini menggunakan 42 peubah sosial ekonomi dengan variabel-variabel yang dapat dilihat pada Tabel 3.2. Variabel–variabel sosial ekonomi yang merupakan variabel dasar yang digunakan dalam analisis ini akan diseleksi berdasarkan kelengkapan dan kemampuan variabel dalam menjelaskan keragaman karakteristik wilayah. Proses analisis ini akan menghasilkan beberapa ‘Faktor Utama’ penciri utama keragaan perkembangan wilayah. Analisis multivariate dilakukan dengan menggunakan program STATSOFT STATISTICA 10. Universitas Sumatera Utara Tabel 3.2. Variabel yang digunakan dalam PCA No. Variabel Satuan [1] [2] [3] 1 Tingkat kepadatan penduduk Jiwakm 2 2 Persentase keluarga pertanian 3 Persentase keluarga pengguna listrik PLN 4 Invers persentase rumahtangga yang tinggal di kawasan kumuh 5 Jumlah TK per 1.000 penduduk Unitjiwa 6 Jumlah SDSederajat per 1.000 penduduk Unitjiwa 7 Jumlah SMPSederajat per 1.000 penduduk Unitjiwa 8 Jumlah SMUSMKSederajat per 1.000 penduduk Unitjiwa 9 Invers jarak SMPSederajat ke desa km 10 Invers jarak SMUSMKSederajat ke desa km 11 Jumlah lembaga pendidikan keterampilan per 100 penduduk Unitjiwa 12 Invers jarak rumah sakit ke desa km 13 Jumlah puskesmas per 1.000 penduduk Unitjiwa 14 Invers jarak puskesmas ke desa km 15 Jumlah puskesmas pembantu per 1.000 penduduk Unitjiwa 16 Invers jarak puskesmas pembantu ke desa km 17 Jumlah praktek dokterbidan per 1.000 penduduk Unitjiwa 18 Invers jarak praktek dokterbidan ke desa km 19 Jumlah apotik per 1.000 penduduk Unitjiwa 20 Invers jarak apotik ke desa km 21 Jumlah tenaga kesehatan yang menetap per 1.000 penduduk Orangjiwa 22 Invers jumlah penerima BLT Jiwa 23 Invers jumlah penderita gizi buruk Jiwa 24 Invers jumlah surat miskin yang dikeluarkan desa Buah 25 Jumlah tempat ibadah per 1.000 penduduk Unitjiwa 26 Jumlah lembaga non profit per 1.000 penduduk Unitjiwa 27 Invers jarak kantor camat ke desa km 28 Persentase keluarga yang berlangganan telepon kabel 29 Invers jarak kantor pos ke desa km 30 Jumlah industri kecil dan makro Unit 31 Invers jarak pasar permanen ke desa km 32 Jumlah minimarket Unit 33 Jumlah tokowarung Unit 34 Jumlah warung makanrestoran Unit 35 Jumlah koperasi Unit 36 Invers jarak bank ke desa km 37 Rasio tenaga keamanan Linmas per 1.000 penduduk orangjiwa Universitas Sumatera Utara

3.3.2.2. Analisis Kelompok Cluster Analysis