Anda di halaman 1dari 16

BAB II

DASAR TEORI
2.1 Analisis Hirarki Teknik Skalogram
Louis Guttman (1950) salah satu skala satu dimensi menggambarkan respon
subyek terhadap obyek tertentu menurut tingkatan yang sempurna, orang yang mampu
menjawab semua pertanyaan dengan baik akan lebih baik dibandingkan dengan yang
mampu menjawab sebagian saja.
Skalogram

digunakan

untuk

menganalisis

pusat-pusat

permukiman,

khususnyahirarki atau orde pusat-pusat permukiman. Subyek dalam hal ini


digantidengan pusat permukiman, sedangkan obyek diganti dengan fungs pelayananatau
kegiatan yang sifatnya juga mempunyai tingkatan (hierarki) Analisisskalogram biasanya
kemudian diberikan tambahan bobot untuk menghasilkananalisis yang lebih baik.
Dengan beberapa tambahan analisis, misalnya aturanMarshall, ataualgoritma ReedMuench, tabel skalogram menjadi indikasi awalanalisis jangkauan pelayanansetiap
fungsi dan pusat permukiman yang dihasilkan.Tahapan dalam analisis skalogram yaitu:
1. Identifikasi semua kawasan perkotaan yang ada.
2. Perhitungan jumlah penduduk di setiap kawasan perkotaan.
3. Indentifikasi fungsi-fungsi perkotaan yang ada disetiap kawasan perkotaan.
Alat analisis scalogram membahas mengenai fasilitas perkotaan yang dimiliki
suatu daerah sebagai indikator difungsikannya daerah tersebut sebagai salah satu pusat
pertumbuhan. Tujuan digunakannya analisis ini adalah untuk mengidentifikasi kota-kota
yang dapat dikelompokkan menjadi pusat-pusat pertumbuhan berdasarkan pada fasilitas
kota yang tersedia (Blakely, 1994: 94-99).
Analisis scalogram mengelompokkan klasifikasi kota berdasarkan tiga komponen
fasilitas dasar yang dimilikinya yaitu :
a.

Differentiation
Adalah fasilitas yang berkaitan dengan aktifitas ekonomi. Fasilitas ini

menunjukkan bahwa adanya struktur kegiatan ekonomi lingkungan yang kompleks,


jumlah dan tipe fasilitas komersial akan menunjukkan derajat ekonomi kawasan/kota
dan kemungkinan akan menarik sebagai tempat tinggal dan bekerja.
b. Solidarity

13
Adalah fasilitas yang berkaitan dengan aktifitas sosial. Fasilitas ini menunjukkan
tingkat kegiatan sosial dari kawasan/kota. Fasilitas tersebut dimungkinkan tidak seratus
persen

merupakan

kegiatan

sosial

namun

pengelompokkan

tersebut

masih

dimungkinkan jika fungsi sosialnya relatif lebih besar dibandingkan sebagai kegiatan
usaha yang berorientasi pada keuntungan (benefit oriented).
c. Centrality
Adalah fasilitas yang berkaitan dengan kegiatan ekonomi-politik/pemerintahan.
Fasilitas ini menunjukkan bagaimana hubungan dari masyarakat dalam sistem
kota/komunitas. Sentralitas ini diukur melalui perkembangan hierarki dari insitusi sipil,
misalnya kantor pos, sekolahan, kantor pemerintahan dan sejenisnya.
Hirarki kota akan berfungsi sebagai pusat-pusat pelayanan baik skala regional
maupun lokal. Tahapan penyusunan analisis skalogram adalah sebagai berikut
(Rondinelli, 1985:115 dan Budiharsono, 2005:151) :
1. Membuat urutan kota berdasarkan jumlah penduduk pada sebelah kiri tabel.
2. Membuat urutan fasilitas yang ditentukan berdasarkan frekuensi pada bagian atas.
3. Menggambar garis kolom dan baris sehingga lembar kerja tersebut membentuk
matriks yang menampilkan fasilitas yang ada pada masing-masing wilayah kota.
4. Menggunakan tanda (1) pada sel yang menyatakan keberadaan suatu fasilitas pada
suatu wilayah dan tanda (0) pada sel yang tidak memiliki fasilitas.
5. Menyusun ulang baris dan kolom berdasarkan frekuensi keberadaan fasilitas,
semakin banyak fasilitas yang ada pada suatu wilayah kota, maka wilayah tersebut
berada di urutan atas, semakin banyak wilayah yang memiliki fasilitas tersebut,
maka jenis fasilitas tersebut berada pada kolom sebelah kiri.
6. Mengalikan kolom-kolom yang telah disusun dengan nilai indeks sentralitas
masing-masing kemudian disusun ulang seperti langkah 5.
7. Langkah terakhir mengidentifikasi peringkat/hirarki

kota

yang

dapat

diinterpretasikan berdasarkan nilai keberadaan fasilitas pada suatu wilayah. Semakin


tinggi nilainya maka hirarki kota tersebut semakin tinggi.
2.1.1 Prosedur Penyususnan Skalogram
1. Siapkan Matrik Data antara obyek yang akan diurutkan terhadap variabel
penilainya, dengan skala pengukuran Ordinal atau Dikotomi.
2. Mengubah Matrik Data menjadi Matrik antara Obyek dengan Kelas Nilai
Variabel.

13
3. Pertukarkan Urutan Obyek dan Variabel, sehingga memenuhi Prinsip
Konsistensi
Obyek yang

mempunyai

banyak

nilai

variabel

dalam

kelas

Tinggipindahkan ke atas
Variabel yang banyak memiliki nilai kelas Tinggipindahkan ke kanan.
4. Berikan Nilai Skor untuk Setiap Skala Obyek
Posisi Tinggi: 3
Posisi Sedang: 2
Posisi Rendah: 1
ditentukan sendiri, sepanjang nilai intervalnya seragam
5. Hitung Koefisien Reproductibility: menyatakan tingkat kebenaran
Keseluruhan Titik-Titik di luar Kotak
R=
Keseluruhan Titik

2.2 Analisis Faktor


Didalam Analisa Hirarki teknik skalogram ini menggunakan bantuan analisa
faktor untuk menyederhanakan variable yang banyak menjadi lebih sederhana dalam
membuat skalogram.
Langkah-langkah dalam Analisis faktor dengan SPSS, awalnya dengan
menyamakan satuan data:
2.2.1 Standarisasi Data

13
1. Buka data yang sudah dimasukkan. Tampilannya seperti berikut.

2.

Karena data memiliki variasi yang besar (karena satuan dan rentang data yang
berbeda-beda), maka distandardisasi terlebih dahulu dengan mentransformasikan ke
dalam bentuk Z-score, yaitu dengan klik Descriptive StatisticsDescriptives. Maka
akan muncul tampilan berikut.

13

3. Pada kolom Variable(s) masukkan semua variabel, lalu centang pilihan Save
standardized values as variables. Kemudian Pilih Menu Options maka akan muncul
tampilan berikut.

4. Beri

tanda

cek

pada Mean,

dengan pada Dispersion dicek Standard

Deviation dan Variance, serta beri tanda cek pada Variable List pada Display Order.
kemudian Klik Continue. Maka akan muncul variabel baru seperti berikut.

13

2.2.2 Melakukan Analisis Faktor


1. Pilih Analyze >> Data Reduction >> Factor. Maka akan muncul jendela Factor
Analysis

2. Pilih semua variabel sebagai variabel analisis. Klik Descriptive, pada


bagian Correlation Matrix beri tanda cek pada Coefficient,significan levels,
invers, Anti image dan KMO and Bartletts test of sphericity. Klik Continue.

13

3. Kemudian klik pada Extraction dan pastikan pilihan Analyze pada correlation
matrix dan pada bagian Display beri tanda cek pada kedua pilihan. Sebagai
kriteria

ekstaksi

(Extraction)

kita

akan

menggunakan

eigenvalue,

yaituEigenvalues over: 1. Klik Continue.

4. Klik Rotation lalu pilih Varimax dan pada Display pilih Rotated Solution. Klik
Continue

13
5. Klik Scores

, lalu beri tanda

cek Save as
Variables d

engan Method:

Regression

dan Display factor

score

coefficient

matrix, agar

kita bisa melihat

nilai

variabel/faktor

baru

yang

terbentuk.

Continue.

6. Setelah itu klik OK, akan muncul kumpulan output yang siap diinterpretasi.

2.2.3 Intrepretasi Analisis Faktor


Correlation Matrix

Klik

13
Tabel Correlation Matrix merupakan tabel matriks korelasi yang berisi nilai-nilai
korelasi antara variabel-variabel yang akan dianalisis. Pada bagian Correlation dapat
dilihat besarnya korelasi antarvariabel. Sebagai contoh, korelasi antara variabel ibu
tinggal di desa dengan ibu yang bekerja sebesar -0,573 yang menunjukkan terdapat
hubungan yang cukup kuat dan negative. Artinya, semakin banyak persentase ibu yang
tinggal di desa, maka makin sedikit persentase ibu yang bekerja.

Kemudian pada baris sig.(1-tailed) menunjukkan signifikansi korelasi antara


variabel-variabel tersebut. Korelasi antara variabel ibu tinggal di desa dengan ibu yang
bekerja signifikan, terlihat dari nilai p-value sebesar 0,001(<0.05) yang berarti terdapat
memang terdapat hubungan antara variabel ibu tinggal di desa dengan variabel ibu yang
bekerja.

Inverse of Correlation Matrix

13
Sedangkan table Inverse of Correlation Matrix menyatakan nilai-nilai pada
matriks korelasi setelah matriks tersebut diinverskan.

Catatan : Dalam kasus ini, digunakan matriks korelasi untuk keperluan analisis faktor
sebab data yang digunakan memiliki satuan yang berbeda-beda,sehingga distandarisasi
menggunakan matriks korelasi untuk menghilangkan bias.
Analisis Inferensia
KMO dan Bartletts Test

Berdasarkan Bartletts Tes of Sphericity dengan Chi-Square 94,304 (df 45) dan
nilai sig = 0,000 < 0,05 menunjukkan bahwa matriks korelasi bukan merupakan matriks
identitas sehingga dapat dilakukan analisis komponen utama. Di samping itu,
Nilai KMO yang dihasilkan adalah sebesar 0.574 serta p-value sebesar 0,000 (<0,05) ,
nilai tersebut jatuh dalam kategori lebih dari cukup layak untuk kepentingan analisis
faktor. Oleh karena itu, variabel variabel dapat dianalisis lebih lanjut (AA
Afifi,1990:Dillon dan Goldstein,1984).
Tabel Anti-Image Matrices

13
Selain pengecekan terhadap KMO and Bartlett test, dilakukan juga pengecekan
Anti Image matrices untuk mengetahui apakah variabel variabel secara parsial layak
untuk dianalisis dan tidak dikeluarkan dalam pengujian. Berdasarkan tabel di atas,
terlihat bahwa dari sepuluh variabel yang akan dianalisis, terdapat dua variabel yang
memiliki nilai MSA (dapat dilihat pada output yang bertanda a pada kolom Anti-Image
Correlation) < 0,5 yaitu variabel ibu tidak bekerja dan variabel bapak yang tidak
bekerja. Karena ada variabel yang nilai MSA nya < 0,5 , maka variabel tersebut tidak
dapat dianalisis lebih lanjut. Meskipun ada dua variabel yang nilai MSA nya < 0,5,
namun kita tidak harus membuang dua variabel sekaligu. Pilih salah satu variabel yang
memiliki MSA terkecil, yaitu bapak tidak bekerja sebesar 0,360 sehingga variabel
tersebut dikeluarkan dan dilakukan pengujian ulang terhadap kesembilan variabel
lainnya seperti pada cara di atas.

Setelah variabel bapak tidak bekerja dikeluarkan, maka nilai KMO meningkat
menjadi 0,652 dan tingkat signifikansi 0,000.Pengurangan variabel yang tidak layak
meningkatkan nilai KMO sehingga cukup beralasan untuk melakukan pengurangan
tersebut Hal ini dapat menunjukkan bahwa kesembilan variabel tersebut lebih dari
cukup layak untuk dilakukan analisis faktor.
Communalities
Dari keseluruhan nilai dalam table communalities, diperoleh bahwa kesembilan
variabel awal mempunyai nilai communalities yang besar ( > 0.5). Hal ini dapat
diartikan bahwa keseluruhan variabel yang digunakan memiliki hubungan yang kuat
dengan faktor yang terbentuk. Dengan kata lain, semakin besar nilai dari communalities
maka semakin baik analisis faktor, karena semakin besar karakteristik variabel asal yang
dapat diwakili oleh faktor yang terbentuk.

13

1. Keeratan hubungan variabel ibu bekerja terhadap faktor yang terbentuk sebesar
0,811 artinya hubungan variabel ibu bekerja terhadap faktor yang terbentuk erat.
Atau dapat juga dikatakan kontribusi variabel ibu bekerja terhadap faktor yang
terbentuk sebesar 81,1 %.
2. Kemudian, keeratan hubungan variabel bapak yang pendidikannya SD ke bawah
sebesar 0,849 artinya hubungan variabel bapak yang pendidikannya SD ke bawah
terhadap faktor yang terbentuk erat. Atau dapat juga dikatakan kontribusi variabel
variabel bapak yang pendidikannya SD ke bawah terhadap faktor yang terbentuk
sebesar 84,9 %.
Total Variance Explained
Table Total Variance Explained menunjukkan besarnya persentase keragaman
total yang mampu diterangkan oleh keragaman faktor - faktor yang terbentuk. Dalam
tabel tersebut juga terdapat nilai eigenvalue dari tiap-tiap faktor yang terbentuk. Faktor
1 memiliki eigenvalue sebesar 2,991, Faktor 2 sebesar 2,120, dan Faktor 3 sebesar
1,323. Untuk menentukan berapa komponen/faktor yang dipakai agar dapat
menjelaskan keragaman total maka dilihat dari besar nilai eigenvaluenya, komponen
dengan eigenvalue >1 adalah komponen yang dipakai. Kolom cumulative %
menunjukkan persentase kumulatif varians yang dapat dijelaskan oleh faktor. Besarnya
keragaman yang mampu diterangkan oleh Faktor 1 sebesar 33,233 persen, sedangkan
keragaman yang mampu dijelaskan oleh Faktor 1 dan 2 sebesar 56,787 persen. Ketiga

13
faktor mampu menjelaskan keragaman total sebesar 71,485 persen. Berdasarkan alasan
nilai eigen value ketiga faktor yang lebih dari 1 dan besarnya persentase kumulatif
ketiga faktor sebesar 71,485 persen, dapat disimpulkan bahwa ketiga faktor sudah
cukup mewakili keragaman variabel variabel asal.

Proporsi keragaman data yang dijelaskan tiap komponen setelah dilakukan rotasi
terlihat lebih merata daripada sebelum dilakukan rotasi. Faktor pertama menerangkan
keragaman data dengan proporsi terbesar, yaitu 33,233 persen menurut metode ekstraksi
dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor (setelah rotasi)
keragaman data awal dapat dijelaskan sebesar 26,841 persen. Kemudian untuk faktor
kedua menerangkan keragaman data awal dengan proporsi 23,554 persen menurut
metode ekstraksi dengan analisis faktor (sebelum rotasi) dan dengan analisis faktor
(setelah rotasi) keragaman data awal dapat dijelaskan sebesar 26,315 persen. Sedangkan
untuk faktor ketiga menerangkan keragaman sebesar 14,698 persen sebelum dilakukan
rotasi dan naik menjadi 18,328 persen setelah dirotasi.
Proporsi keragaman data yang lebih merata setelah dilakukan rotasi
menunjukkan keseragaman data awal yang dijelaskan oleh masing-masing faktor
menjadi maksimum.
Scree Plot

13
Scree Plot adalah salah satu alternatif yang dapat digunakan untuk membantu
peneliti menentukan berapa banyak faktor terbentuk yang dapat mewakili keragaman
peubah peubah asal. Bila kurva masih curam, akan ada petunjuk untuh menambahkan
komponen. Bila kurva sudah landai, akan ada petunjuk untuk menghentikan
penambahan komponen, walaupun penilaian curam/landai bersifat subjektif peneliti.
Dari scree plot di atas, terlihat pada saat satu komponen terbentuk, kurva masih
menunjukkan kecuraman, begitu juga pada saat di titik ke-2, garis kurva masih tajam, di
titik ke-3 garis kurva masih tajam namun sedikit berbeda dari pola kedua garis
sebelumnya. Setelah melewati titik ke-3, garis kurva sudah mulai landai, semakin ke
kanan akan semakin landai. Dari penjelasan di atas, dapat kita tarik kesimpulan bahwa
terdapat tiga komponen atau faktor yang terbentuk.
Table component matrix

Table component matrix menunjukkan besarnya korelasi tiap variabel dalam


faktor yang terbentuk. Nilai nilai koefisien korelasi antara variabel dengan faktor faktor yang terbentuk (loading factor) dapat dilihat pada table Component Matrix.
Ketiga faktor tersebut menghasilkan matrik loading faktor yang nilai-nilainya
merupakan koefisien korelasi antara variabel dengan faktor-faktor tersebut. Bila dilihat
variabel variabel yang berkorelasi terhadap setiap faktornya, ternyata loading faktor
yang dihasilkan belum mampu memberikan arti sebagaimana yang diharapkan. Hal ini
terlihat dari variabel ibu yang tidak punya KMS dimana korelasi variabel ini dengan
faktor 1 sebesar 0,609, sedangkan dengan faktor 2 sebesar -0,508 (tanda negative hanya

13
menunjukkan arah korelasi), sehingga kita sulit untuk memutuskan apakah variabel ibu
tidak punya KMS dimasukkan ke faktor 1 atau faktor 2. Tiap faktor belum dapat
diinterpretasikan dengan jelas sehingga perlu dilakukan rotasi dengan metode varimax.
Rotasi varimax adalah rotasi orthogonal yang membuat jumlah varian faktor loading
dalam masing-masing faktor akan menjadi maksimum, dimana nantinya peubah asal
hanya akan mempunyai korelasi yang tinggi dan kuat dengan faktor tertentu saja
(korelasinya mendekati 1) dan tentunya memiliki korelasi yang lemah dengan faktor
yang lainnya (korelasinya mendekati 0). Hal yang demikian belum tercapai pada table
component matrix diatas.
Rotated Component Matrix

Setelah dilakukan rotasi faktor dengan metode varimax, diperoleh table seperti
yang tertera di atas yaitu Rotated Component Matrix. Terdapat perbedaan nilai korelasi
variabel dengan setiap faktor sebelum dan sesudah dilakukan rotasi varimax. Terlihat
bahwa loading faktor yang dirotasi telah memberikan arti sebagaimana yang diharapkan
dan setiap faktor sudah dapat diinterpretasikan dengan jelas. Terlihat pula bahwa setiap
variabel hanya berkorelasi kuat dengan salah satu faktor saja (tidak ada variabel yang
korelasinya < 0,5 di ketiga faktor). Dengan demikian, lebih tepat digunakan loading
faktor yang telah dirotasi sebab setiap faktor sudah dapat menjelaskan keragaman
variabel awal dengan tepat dan hasilnya adalah sebagai berikut

13
1. Faktor 1 , beberapa variabel yang memiliki korelasi yang kuat dengan faktor 1 ,
yaitu variabel ibu yang tinggal di desa, ibu yang mengakses koran, ibu yang
bekerja dan urutan anak.
2. Faktor 2, terdapat beberapa variabel yang memiliki korelasi yang kuat dengan
faktor 2 , yaitu variabel ibu yang mengakses radio, ibu yang mengakses TV, ibu
yang tidak punya KMS, dan bapak yang pendidikannya SD ke bawah.
3. Faktor 3, dalam faktor ini tiga variabel yang memiliki korelasi yang kuat dengan
faktor 3, yaitu variabel ibu yang pendidikannya SD ke bawah.
Component Transformation Matrix

Tabel Component Transformation Matrix berfungsi untuk menunjukkan apakah


faktor faktor yang terbentuk sudah tidak memiliki korelasi lagi satu sama lain atau
orthogonal. Bila dilihat dari table Component Transformation Matrix, nilai nilai
korelasi yang terdapat pada diagonal utama berada di atas 0,5 yaitu -0,606;0,614;0,891.
Hal ini menunjukkan bahwa ketiga faktor yang terbentuk sudah tepat karena memiliki
korelasi yang tinggi pada diagonal diagonal utamanya.